WO2023065792A1 - 图像处理方法、装置、电子设备和计算机可读存储介质 - Google Patents
图像处理方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- WO2023065792A1 WO2023065792A1 PCT/CN2022/112384 CN2022112384W WO2023065792A1 WO 2023065792 A1 WO2023065792 A1 WO 2023065792A1 CN 2022112384 W CN2022112384 W CN 2022112384W WO 2023065792 A1 WO2023065792 A1 WO 2023065792A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- image
- pixel
- angle difference
- recognized
- area
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
一种图像处理方法、图像处理装置、电子设备和计算机可读存储介质。该图像处理方法包括:获取输入图像,输入图像包括待识别对象和待处理区域,待处理区域包括多个第一像素点,至少部分待识别对象位于待处理区域中;对输入图像进行第一图像处理,以确定待识别对象的特征信息,特征信息包括待识别对象的基准点;获取待处理区域的角度差信息,角度差信息指示多个第一像素点的角度差,每个第一像素点的角度差为每个第一像素点与基准点之间的像素方向和每个第一像素点的梯度方向之间的角度差值;以及对角度差信息和输入图像进行识别,以得到待识别对象对应的识别结果。该方法可以提高对待识别对象进行识别的准确度。
Description
本公开的实施例涉及一种图像处理方法、图像处理装置、电子设备和计算机可读存储介质。
随着科学技术和经济的快速发展,图像处理技术已经深入到我们生活的方方面面,图像处理技术对于现代生活有着不可或缺的作用。例如,利用图像处理技术可以实现视频播放、从图像中提取数据和信息等。图像识别技术是图像处理技术中的重要应用之一。图像识别技术可以实现人脸识别、目标特征的识别等。
发明内容
本公开至少一个实施例提供一种图像处理方法,包括:获取输入图像,其中,输入图像包括待识别对象和待处理区域,待处理区域包括多个第一像素点,至少部分待识别对象位于待处理区域中;对输入图像进行第一图像处理,以确定待识别对象的特征信息,其中,特征信息包括待识别对象的基准点;获取待处理区域的角度差信息,其中,角度差信息指示多个第一像素点的角度差,每个第一像素点的角度差为每个第一像素点与基准点之间的像素方向和每个第一像素点的梯度方向之间的角度差值;以及对角度差信息和输入图像进行识别,以得到待识别对象对应的识别结果。
例如,在本公开一实施例提供的图像处理方法中,角度差信息包括角度差图像,角度差图像包括多个第二像素点,多个第二像素点与多个第一像素点一一对应,获取待处理区域的角度差信息,包括:获取多个第一像素点的角度差;根据多个第一像素点的角度差,确定多个第二像素点的灰度值,其中,每个第二像素点的灰度值根据每个第二像素点对应的第一像素点的角度差确定;以及根据多个第二像素点的灰度值,生成角度差图像。
例如,在本公开一实施例提供的图像处理方法中,每个第二像素点的灰 度值和与每个第二像素点对应的第一像素点的角度差反相关。
例如,在本公开一实施例提供的图像处理方法中,获取多个第一像素点的角度差,包括:确定每个第一像素点的梯度方向;将每个第一像素点与基准点所形成的向量的方向作为每个第一像素点的像素方向,其中,向量的起点为每个第一像素点;以及计算每个第一像素点梯度方向和每个第一像素点的像素方向之间的角度差值,并且将角度差值作为每个第一像素点的角度差。
例如,在本公开一实施例提供的图像处理方法中,确定每个第一像素点的梯度方向,包括:分别获取每个第一像素点在第一方向上的梯度值和在第二方向上的梯度值;以及根据每个第一像素点在第一方向上的梯度值和在第二方向上的梯度值,确定每个第一像素点的梯度方向。
例如,在本公开一实施例提供的图像处理方法中,对角度差信息和输入图像进行识别,以得到待识别对象对应的识别结果,包括:对输入图像进行边缘检测,以得到输入图像对应的边缘线条图;对角度差信息和边缘线条图进行卷积计算,以得到投影图;以及对投影图进行识别,以得到待识别对象对应的识别结果。
例如,在本公开一实施例提供的图像处理方法中,特征信息还包括待识别对象的外轮廓,对投影图进行识别,以得到待识别对象对应的识别结果,包括:根据外轮廓,对投影图进行第二图像处理得到图像区域,其中,图像区域为待识别对象所在的区域,且待处理区域包括图像区域;以及对图像区域进行分析处理得到待识别对象对应的识别结果。
例如,在本公开一实施例提供的图像处理方法中,根据外轮廓,对投影图进行第二图像处理得到图像区域,包括:根据外轮廓对投影图进行切割处理,以从投影图中切割出图像区域。
例如,在本公开一实施例提供的图像处理方法中,根据外轮廓,对投影图进行第二图像处理得到图像区域,包括:将投影图中位于外轮廓之外的其他区域中的每个像素点的灰度值设定为固定值,以得到图像区域,其中,图像区域的尺寸与投影图的尺寸相同。
例如,在本公开一实施例提供的图像处理方法中,对图像区域进行分析处理得到待识别对象对应的识别结果,包括:对图像区域中的所有像素点的 灰度值进行归一化处理,以得到归一化图像,其中,归一化图像中每个像素点的灰度值在[0,255]的范围内;以及对归一化图像进行分析得到待识别对象对应的识别结果。
例如,在本公开一实施例提供的图像处理方法中,待识别对象包括至少一个待识别条纹,对归一化图像进行分析得到待识别对象的识别结果,包括:对归一化图像进行分析处理,以得到至少一个待识别条纹的数量,其中,识别结果包括至少一个待识别条纹的数量。
例如,在本公开一实施例提供的图像处理方法中,归一化图像包括具有第一灰度值的至少一个曲线型条纹和具有第二灰度值的至少一个曲线型条纹,具有第一灰度值的至少一个曲线型条纹和具有第二灰度值的至少一个曲线型条纹交替排列,第二灰度值小于第一灰度值,对归一化图像进行分析处理得到至少一个待识别条纹的数量,包括:以基准点为顶点,从基准点引出至少一条射线,其中,每条射线与具有第一灰度值的至少一个曲线型条纹和/或具有第二灰度值的至少一个曲线型条纹相交;针对每条射线,统计在射线的方向上射线上的像素点的灰度值由第一灰度值变为第二灰度值的变化次数;以及基于每个射线对应的变化次数,确定至少一个待识别条纹的数量。
例如,在本公开一实施例提供的图像处理方法中,至少一条射线为多条射线,基于每条射线对应的变化次数,确定至少一个待识别条纹的数量,包括:计算多条射线对应的多个变化次数的平均值,以及将平均值作为至少一个待识别条纹的数量。
例如,在本公开一实施例提供的图像处理方法中,对输入图像进行第一图像处理,以确定待识别对象的特征信息,包括:对输入图像进行模糊处理而得到模糊图像;对模糊图像进行边缘检测而得到待识别对象的检测轮廓;以及对检测轮廓进行拟合而得到待识别对象的外轮廓以及外轮廓的中心,其中,外轮廓的中心为基准点。
例如,在本公开一实施例提供的图像处理方法中,对输入图像进行第一图像处理,以确定待识别对象的特征信息,包括:将输入图像输入到识别模型中,以通过识别模型识别待识别对象的特征信息。
例如,在本公开一实施例提供的图像处理方法中,待识别对象包括树木 的横截面,树木的横截面包括树木的年轮,识别结果包括树木的年轮或树木的年轮的数量。
本公开至少一个实施例提供一种图像处理装置,包括:图像获取单元,配置为获取输入图像,其中,输入图像包括待识别对象,输入图像包括待处理区域,待处理区域包括多个第一像素点,至少部分待识别对象位于待处理区域中;处理单元,配置为对输入图像进行第一图像处理,以确定待识别对象的特征信息,其中,特征信息包括待识别对象的基准点;角度差获取单元,配置为获取待处理区域的角度差信息,其中,角度差信息指示多个第一像素点的角度差,每个第一像素点的角度差为每个第一像素点与基准点之间的像素方向和每个第一像素点的梯度方向之间的角度差值;以及识别单元,配置为对角度差信息和输入图像进行识别,以得到待识别对象对应的识别结果。
本公开至少一个实施例提供一种电子设备,包括处理器;存储器,包括一个或多个计算机程序模块;其中,一个或多个计算机程序模块被存储在存储器中并被配置为由处理器执行,一个或多个计算机程序模块包括用于实现本公开任一实施例提供的图像处理方法。
本公开至少一个实施例提供一种计算机可读存储介质,用于非暂时性地存储计算机可读指令,当计算机可读指令由计算机执行时可以实现本公开任一实施例提供的图像处理方法。
为了更清楚地说明本公开实施例的技术方案,下面将对实施例的附图作简单地介绍,显而易见地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1A示出了本公开至少一实施例提供的一种图像处理方法的流程图;
图1B示出了本公开至少一实施例提供的输入图像的示意图;
图1C示出了本公开至少一个实施例提供的示例性示出的像素点P的像素方向和梯度方向的示意图;
图1D示意性示出了图1B所示的输入图像的角度差图像;
图2A示出了本公开至少一实施例提供的一种图1A中步骤S20的方法流 程图;
图2B示出了本公开至少一实施例执行步骤S21得到的模糊图像的示意图;
图2C示出了本公开至少一实施例执行步骤S22得到的检测轮廓的示意图;
图2D示出了本公开至少一实施例执行步骤S23得到的待识别对象的外轮廓以及外轮廓的中心;
图2E示出了本公开至少一实施例提供的待识别对象所在的区域和待识别对象的外轮廓的示意图;
图3A示出了本公开至少一实施例提供的一种图1A中步骤S30的方法流程图;
图3B示出了本公开至少一实施例提供的根据像素沿第一方向的梯度生成的效果图;
图3C示出了本公开至少一实施例提供的根据像素沿第二方向的梯度生成的效果图;
图3D示出了本公开至少一实施例提供的根据每个第一像素点的梯度方向生成的效果图;
图3E示出了本公开至少一实施例提供的像素点的像素方向与灰度的对应关系图和根据像素的像素方向生成的效果图;
图3F示出了本公开至少一个实施例提供的示例性示出的两个像素点P和Q的角度差的示意图;
图4A示出了本公开至少一个实施例提供的图1A中步骤S40的方法流程图;
图4B示意性示出了对图1B所示的输入图像进行边缘检测得到的边缘线条图;
图4C示出了本公开至少一实施例提供的步骤S42得到投影图;
图4D示出了本公开至少一实施例提供的图4A中步骤S43的方法流程图;
图4E示出了本公开至少一实施例提供的对投影图进行切割处理得到的图像区域;
图4F示出了本公开至少一实施例提供的归一化处理的示意图;
图4G示出了本公开至少一实施例提供的对图像中的所有像素点的灰度值进行归一化得到的归一化图像;
图5A示出了本公开至少一实施例提供的对归一化图像进行分析处理得到至少一个待识别条纹的数量的方法流程图;
图5B示出了本公开至少一实施例提供的图5A所示出的方法的示意图;
图6示出了本公开至少一个实施例提供的一种图像处理装置的示意框图;
图7示出了本公开至少一个实施例提供的一种电子设备的示意框图;
图8示出了本公开至少一个实施例提供的另一种电子设备的示意框图;以及
图9示出了本公开至少一个实施例提供的一种计算机可读存储介质的示意图。
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例的附图,对本公开实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
除非另外定义,本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“一个”、“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
图像识别技术已经被广泛应用,为我们的生活和科技进步提供了非常多的帮助。例如,年轮是研究树木生长规律、森林生产力计算和气候变化的重要依据,对监测林木生长状况具有重要意义。传统的年轮识别方法主要由专业人员手工测量,存在工作量大、效率低、成本高、易出错等诸多弊端。随着图像识别技术的发展,图像识别技术已经被应用于对年轮进行识别。然而,由于一些环境因素,现有的图像识别技术并不能对待识别对象(例如,年轮)进行准确地识别。例如,树木在生长过程中产生的结疤、砍伐过程中产生的毛刺、收集过程中产生的噪声点等原因,现有的图像识别方法并不能准确地识别年轮。
本公开至少一个实施例提供一种图像处理方法、图像处理装置、电子设备和计算机可读存储介质。该图像处理方法包括:获取输入图像,输入图像包括待识别对象和待处理区域,待处理区域包括多个第一像素点,至少部分待识别对象位于待处理区域中;对输入图像进行第一图像处理,以确定待识别对象的特征信息,特征信息包括待识别对象的基准点;获取待处理区域的角度差信息,角度差信息指示多个第一像素点的角度差,每个第一像素点的角度差为每个第一像素点与基准点之间的像素方向和每个第一像素点的梯度方向之间的角度差值;以及对角度差信息和输入图像进行识别,以得到待识别对象对应的识别结果。
该图像处理方法可以根据输入图像中的待处理区域中的像素点与待识别对象的基准点之间的像素方向和待处理区域中的像素点的梯度方法之间的角度差信息对输入图像中的待识别对象进行识别,从而可以消除输入图像中的噪声,提高对待识别对象进行识别的准确度。
图1A示出了本公开至少一实施例提供的一种图像处理方法的流程图。
如图1A所示,该图像处理方法可以包括步骤S10~S40。
步骤S10:获取输入图像,输入图像包括待识别对象和待处理区域,待处理区域包括多个第一像素点,至少部分待识别对象位于待处理区域中。
步骤S20:对输入图像进行第一图像处理,以确定待识别对象的特征信息,特征信息包括待识别对象的基准点。
步骤S30:获取待处理区域的角度差信息,角度差信息指示多个第一像素 点的角度差。
步骤S40:对角度差信息和输入图像进行识别,以得到待识别对象对应的识别结果。
对于步骤S10,输入图像可以是二维图像,也可以是立体图像。例如,输入图像可以是通过图像采集装置(例如,数码相机、手机或扫描仪等)对待识别对象进行图像采集而获得的二维图像或者三维立体图像。又例如,输入图像例如可以是通过设计软件或者建模软件构建的待识别对象的二维图像或者立体图像。例如,输入图像可以为灰度图像,也可以为彩色图像。例如,输入图像的形状可以为矩形、正方形等规则形状,也可以为不规则形状,输入图像的形状和尺寸等可以由用户根据实际情况自行设定。例如,输入图像可以是图像采集装置直接采集到的原始图像,另外,为了避免原始图像的数据质量、数据不均衡等对于输入图像的识别的影响,本公开实施例提供的图像处理方法还可以包括对原始图像进行预处理的操作,即输入图像也可以是对原始图像进行预处理后得到的图像。例如,预处理可以消除原始图像中的无关信息或噪声信息,以便于更好地对原始图像进行处理。预处理例如可以包括对原始图像进行弯曲校正、缩放、剪裁、伽玛(Gamma)校正、图像增强或降噪滤波等处理,从而提升后续步骤中的各项操作的准确性和可靠性。
在本公开的一些实施例中,待识别对象包括树木的横截面,树木的横截面包括树木的年轮。例如,通过图像采集装置对树桩的横截面进行图像采集而得到输入图像,在该输入图像中,树桩的横截面为待识别对象。
在本公开的一些实施例中,输入图像的待处理区域可以是包含待识别对象的区域,或者是包含待识别对象的至少部分的区域。例如,输入图像的全部都是待处理区域,或者,输入图像的部分区域是待处理区域,例如,输入图像中的待识别对象所在的区域为待处理区域。又或者,部分待识别对象所在的区域以及输入图像中除待识别对象所在的区域之外的区域中的部分区域作为待处理区域。
图1B示出了本公开至少一实施例提供的输入图像的示意图。
如图1B所示,该输入图像100可以是对树桩进行图像采集得到的。待识别对象例如可以是该树桩的横截面101。
待处理区域例如可以是整个输入图像100,或者也可以是树桩的横截面101所在的区域。
对于步骤S20,例如,待识别对象的特征信息可以是描述待识别对象的特征的信息,特征信息包括待识别对象的基准点。例如,特征信息还可以包括待识别对象的外轮廓。
在本公开的一些实施例中,基准点例如可以是外轮廓的中心、重心等。
例如,待识别对象为圆形图案或者椭圆形图案,则待识别对象的基准点可以包括圆形图案的圆心或者椭圆形图案的中心。
在本公开的一些实施例中,待识别对象可以是非规则图案。例如,树桩是一种类似于圆形或者椭圆形的不规则的图案。对于非规则图案,例如可以对输入图像进行图像处理,将非规则图案处理为与该非规则图案最接近的规则图案,然后将规则图案的特征信息作为待识别对象的特征信息。例如,对于树桩的横截面,对树桩进行边缘检测获得树桩的年轮所在的年轮区域,然后对年轮区域最大的年轮进行曲线拟合,得到该最大的年轮的最接近的规则图案,该规则图案作为年轮区域的外轮廓。例如外轮廓为圆,则圆的圆心和圆的半径也可以作为树桩的横截面的特征信息。
在本公开的一些实施例中,例如,将输入图像输入到识别模型中,以通过识别模型识别待识别对象的特征信息。识别模型例如是通过对多个样本和多个样本各自的样本特征信息进行神经网络训练得到的。例如,识别模型可以采用机器学习技术实现并且例如运行在通用计算装置或专用计算装置上。该识别模型均为预先训练得到的神经网络模型。例如,识别模型可以采用深度卷积神经网络(DEEP-CNN)等神经网络实现。
在本公开的另一些实施例中,例如,首先对输入图像进行灰度化、滤波降噪(例如,基于双边滤波器实现)、图像分割(例如,基于自适应阈值分割算法等实现)等预处理,然后利用边缘检测算子(例如,opencv中的canny算子、soble(索贝尔)算子等)对预处理之后的输入图像进行边缘提取而获得待识别对象的外轮廓。接下来,利用梯度变换的霍夫变换得到外轮廓的若干疑似中心,最后,利用K-中心点聚类(K-medoids)算法对疑似中心进行聚类,得到基准点。
图2A示出了本公开至少一实施例提供的一种图1A中步骤S20的方法流程图。
在本公开的另一些实施例中,如图2A所示,步骤S20可以包括步骤S21~步骤S23。
步骤S21:对输入图像进行模糊处理而得到模糊图像。
步骤S22:对模糊图像进行边缘检测而得到待识别对象的检测轮廓。
步骤S23:对检测轮廓进行拟合而得到待识别对象的外轮廓以及外轮廓的中心,外轮廓的中心为基准点。
例如,在图2A所示的示例中,第一图像处理包括模糊处理、边缘检测处理和拟合处理。
下面结合图2B~2D来说明图2A的实施例。
图2B示出了本公开至少一实施例执行步骤S21得到的模糊图像的示意图。
对于步骤S21,图2B所示的图像为对图1B所示的输入图像100进行模糊处理得到的模糊图像。例如,对输入图像100进行高斯模糊(Gaussian blur)、均值滤波等模糊处理得到模糊图像。
图2C示出了本公开至少一实施例执行步骤S22得到的检测轮廓的示意图。
对于步骤S22,例如图2C所示的图像为利用边缘检测算子对图2B所示的模糊图像进行边缘检测得到的待识别对象的检测轮廓。例如,在图2C中,白色线条即为检测轮廓。边缘检测算子例如可以是opencv中的Canny算子、索贝尔(Sobel)算子、拉普拉斯(Laplace)算子等中的任意一种。
图2D示出了本公开至少一实施例执行步骤S23得到的待识别对象的外轮廓以及外轮廓的中心。
对于步骤S23,例如,在一些实施例中,对图2C所示的检测轮廓进行曲线拟合而得到待识别对象的外轮廓以及外轮廓的中心,如图2D所示,待识别对象的外轮廓为外轮廓201,外轮廓201为圆形轮廓。圆形外轮廓的中心为圆心O。圆心O作为基准点。例如,可以采用最小二乘法进行曲线拟合得到待识别对象的外轮廓,然后根据外轮廓确定外轮廓的中心。
需要说明的是,待识别对象的外轮廓还可以为大致椭圆形等形状,本公开对待识别对象的外轮廓的形状不作具体限制。待识别对象的外轮廓所包围的区域和待识别对象所在的区域并不一定完全重叠,待识别对象的外轮廓只需要大致上包围待识别对象即可。
图2E示出了本公开至少一实施例提供的待识别对象所在的区域和待识别对象的外轮廓的示意图。
图2E例如是将拟合得到的待识别对象的外轮廓投影到模糊处理后的图像上得到示意图。
如图2E所示,待识别对象(即,树桩的横截面)所在的区域202和待识别对象的外轮廓201所包围的区域不完全重叠。待识别对象(即,树桩的横截面)所在的区域202的面积略大于待识别对象的外轮廓201所包围区域的面积。
对于步骤S30,每个第一像素点的角度差为每个第一像素点与基准点之间的像素方向和每个第一像素点的梯度方向之间的角度差值。
在本公开的一些实施例中,将每个第一像素点与基准点所形成的向量的方向作为每个第一像素点的像素方向,向量的起点为每个第一像素点。
在本公开的一些实施例中,每个第一像素点的梯度方向为每个第一像素点的梯度的方向。
在本公开的一些实施例中,角度差信息包括角度差图像。图1C示例性示出了图1B中的待处理区域的角度差图像。下面结合图1C来说明像素点的像素方向和梯度方向。
图1C示出了本公开至少一个实施例提供的示例性示出的像素点P的像素方向和梯度方向的示意图。
例如,向量
的方向相对于基准方向(图1C中带箭头的虚线所示的方向)的角度为α,梯度
的方向相对于基准方向的角度为β,则像素点P的梯度
的 方向和向量
的方向之间的差值为角度β和角度α之间的差值β-α。也即,像素点P的角度差为角度β和角度α之间的差值β-α。基准方向,例如可以是输入图像的宽度方向,即图1C中的X方向。
在本公开的一些实施例中,例如像素点的角度差的范围为[-90°,90°]。
在本公开的一些实施例中,角度差信息例如可以是角度差图像,角度差图像包括多个第二像素点,多个第二像素点与多个第一像素点一一对应。
在步骤S30中,例如获取待处理区域的角度差图像,角度差图像中每个第二像素点的灰度值和每个第二像素点对应的第一像素点的角度差反相关。即,待处理区域中的像素点的角度差越大,角度差图像中与该像素点对应的像素点的灰度值越小。
例如,灰度值为255(即,白色的像素点)表示角度差很小或为0,灰度值为0(即,黑色的像素点)表示角度差很大。例如,在待识别对象为树木的横截面的情景中,待处理区域中的像素点的角度差越小,则表示该像素点是年轮的概率越高,即在树木的横截面中,年轮所对应的像素点的角度差较小,因此通过角度差图像可以显示出大致的年轮的线条轮廓。
图1D示意性示出了图1B所示的输入图像的角度差图像。
如图1D所示,该角度差图像显示出了年轮的大致线条轮廓。
在图1D中,灰度值较高的像素点形成的线条轮廓为年轮的大致线条轮廓。
如图1D所示,像素点101、像素点102和像素点103等像素点的灰度值较高,像素点101、像素点102和像素点103等像素点形成了年轮的大致线条轮廓。
需要理解的是,像素点101、像素点102和像素点103仅是为了便于说明年轮的大致线条轮廓的示例,年轮的大致线条轮廓实际上通过较多的像素点组成的,而不是只有三个像素点。
图3A示出了本公开至少一实施例提供的一种图1A中步骤S30的方法流程图。
如图3A所示,步骤S30可以包括步骤S31~步骤S33。
步骤S31:获取多个第一像素点的角度差。
步骤S32:根据多个第一像素点的角度差,确定多个第二像素点的灰度值,每个第二像素点的灰度值根据每个第二像素点对应的第一像素点的角度差确定。
步骤S33:根据多个第二像素点的灰度值,生成角度差图像。
在该实施例中,通过角度差图像来表示多个第一像素点的角度差,有利于步骤S40的执行,并且在角度差图像被输出的情况下,能够直观展示多个第一像素点的角度差。
对于步骤S31,例如确定每个第一像素点的梯度方向,将每个第一像素点与基准点所形成的向量的方向作为每个第一像素点的像素方向,向量的起点为每个第一像素点,以及计算每个第一像素点梯度方向和每个第一像素点的像素方向之间的角度差值,该角度差值即为第一像素点的角度差。
例如,按照图1C示意性描述的方法确定每个第一像素点的像素方向和梯度方向,然后计算每个第一像素的梯度方向和每个第一像素点的像素方向之间的角度差值。
在本公开的一些实施例中,确定每个第一像素点的梯度方向包括:分别获取每个第一像素点在第一方向上的梯度值和在第二方向上的梯度值,以及根据每个第一像素点在第一方向上的梯度值和在第二方向上的梯度值,确定每个第一像素点的梯度方向。
例如,对输入图像进行灰度处理得到灰度图像,然后基于灰度图像,分别计算灰度图像中与待处理区域对应的区域中的像素点在第一方向上的梯度值和在第二方向上的梯度值。灰度图像中与待处理区域对应的区域中的各个像素点在第一方向上的梯度值和在第二方向上的梯度值即为待处理区域中的对应的各个第一像素点在第一方向上的梯度值和在第二方向上的梯度值。
在本公开的一些实施例中,第一方向例如可以是灰度图像的宽度方向。灰度图像的宽度方向与输入图像的宽度方向一致。例如,第一方向与图1C中的X方向一致。第二方向可以是与第一方向垂直的方向。第二方向例如是灰度图像的高度方向,例如与图1C中的Y方向一致。例如,在一些实施例中,X方向可以为水平方向,Y方向可以为竖直方向。
例如,按照公式gx=f(x+1,y)-f(x,y)计算上述灰度图像中的像素点(x,y) 在第一方向上的梯度值。gx表示第一方向上的梯度值,f(x,y)为像素点(x,y)在上述灰度图像中的灰度值,f(x+1,y)为在第一方向上与像素点(x,y)相邻的像素点(x+1,y)的灰度值。
在本公开的另一实施例中,例如可以利用sobel算子计算像素点在第一方向上的梯度。图3B示出了本公开至少一实施例提供的利用sobel算子计算输入图像的灰度图像中的像素点在第一方向上的梯度生成的第一梯度图像。如图3B所示,例如利用sobel算子对输入图像的灰度图像进行卷积计算得到第一梯度图像,第一梯度图像中的像素点的灰度值指示了灰度图像中与第一梯度图像中的该像素点的对应的像素点在第一方向上的梯度值。
类似地,可以按照公式gy=f(x,y+1)-f(x,y)计算上述灰度图像中的像素点(x,y)在第二方向上的梯度值。gy表示第二方向上的梯度值,f(x,y)为像素点(x,y)在上述灰度图像中的灰度值,f(x,y+1)为在第二方向上与像素点(x,y)相邻的像素点(x,y+1)的灰度值。图3C示出了本公开至少一实施例提供的利用sobel算子计算输入图像的灰度图像中的像素点在第二方向上的梯度生成的第二梯度图像。如图3C所示,例如利用sobel算子对输入图像的灰度图像进行卷积计算得到第二梯度图像,第二梯度图像中的灰度值像素点指示了灰度图像中与第一梯度图像中的该像素点的对应的像素点在第二方向上的梯度值。
在本公开的一些实施例中,例如,像素点在第一方向上的梯度值为gx,在第二方向的梯度值为gy,那么该像素点的梯度方向可以通过gy/gx的反正切来表示,即,梯度方向与基准方向之间的夹角等于arctan2(gy,gx)。
图3D示出了本公开至少一实施例提供的根据每个像素点的梯度方向生成的效果图。
例如,在图3D中,每个像素点的灰度值代表了该像素点的梯度方向。
图3E示出了本公开至少一实施例提供的像素点的像素方向与灰度的对应关系图和根据像素点的像素方向生成的效果图。
图3E的左图示出了像素点的像素方向与该像素点在根据像素点的像素方向生成的效果图中的对应关系。
图3E的右图示出了根据多个像素点的像素方向生成的一个示例性效果 图。
在图3E右图中的灰度图是对多个像素点的像素方向进行归一化后得到的示例性效果图。例如输入图像中多个像素点的像素方向与基准方向的夹角的最大值为max,输入图像中多个像素点的像素方向与基准方向的夹角的最小值为min,则可以根据(A(x,y)–min)/(max-min)对像素方向进行归一化,其中,A(x,y)为像素点(x,y)的像素方向与基准方向之间的夹角。
在本公开的一些实施例中,像素点与基准点形成的向量的方向(即像素方向)与基准方向之间的角度差越大,该像素点的灰度值越大。
如图3E左图所示,像素点的像素方向与基准方向之间的角度范围为[-180°,180°]。像素点的像素方向与基准方向之间的角度越小,像素点在效果图中的灰度值越小。即,像素点的像素方向与基准方向之间的角度越小,像素点在效果图中的颜色越黑。
图3F示出了本公开至少一个实施例提供的示例性示出的两个像素点P和Q的角度差的示意图。
如图3F所示,像素点P的梯度方向和像素方向(即梯度
的方向与向量
的方向)之间的角度差很小,而像素点Q的梯度方向和像素方向(即梯度
的方向与向量
的方向)之间的角度差很大。在待识别对象为树木的横截面的情景中,像素点的角度差越小,则代表这个像素点是年轮的概率越高,由此可知,像素点P为年轮对应的像素点的概率高于像素点Q为年轮对应的像素点的概率。
对于步骤S32,根据每个第二像素点对应的第一像素点的角度差确定多个第二像素点的灰度值。例如,根据第一像素点的角度差和灰度值之间的映射关系,确定每个第二像素点的灰度值。映射关系可以由用户根据实际情况设置。例如,第一像素点的角度差处于第一角度差范围时,该第一像素点的灰 度值可以为灰度值A,第一像素点的角度差处于第二角度差范围时,该第一像素点的灰度值可以为灰度值B,等等。第一角度差范围、第二角度差范围、灰度值A和灰度值B可以由用户预先设定,并且以表格的形式存储。
在本公开的另一些实施例中,角度差信息也可以是每个待处理区域中每个像素点的角度差所形成的角度差矩阵。
对于步骤S40,例如,待识别对象包括至少一个待识别条纹,对至少一个待识别条纹所在的图像区域中的像素点的角度差信息和输入图像进行识别,得到至少一个待识别条纹或至少一个待识别条纹的数量。此时,待识别对象对应的识别结果为至少一个待识别条纹的形状、数量、位置(至少一个待识别条纹在输入图像中的位置)等。
例如,在图1B所示的输入图像中,待识别对象包括树木的横截面,树木的横截面包括树木的年轮,则识别结果包括树木的年轮或树木的年轮的数量、形状、位置(年轮在输入图像中的位置)等。对横截面中每个像素点的角度差信息和输入图像进行识别,得到树木的年轮或树木的年轮的数量。
需要理解的是,虽然本文中以待识别对象为树木的横截面或者条纹为例来说明本公开的实施例,但是本公开提供的图像处理方法不限于对树木的横截面或者条纹进行识别。条纹可以包括一些同心条纹,例如,牛顿环等干涉条纹。
图4A示出了本公开至少一个实施例提供的图1A中步骤S40的方法流程图。
如图4A所示,步骤S40包括步骤S41~步骤S43。
步骤S41:对输入图像进行边缘检测,以得到输入图像对应的边缘线条图。
步骤S42:对角度差信息和边缘线条图进行卷积计算,以得到投影图。
步骤S43:对投影图进行识别,以得到待识别对象对应的识别结果。
该实施例中,通过对角度差信息和边缘线条图进行卷积计算,能够融合角度差信息和边缘线条图,从而降低噪声影响,进而能够提高识别的准确度。
对于步骤S41,例如利用Canny算子、Sobel算子、Laplace算子等中的任意一种对输入图像进行边缘检测,得到边缘线条图。
图4B示意性示出了对图1B所示的输入图像进行边缘检测得到的边缘线 条图。
对于步骤S42,角度差信息例如可以是角度差图像,对角度差图像和边缘线条图进行卷积计算(例如,卷积乘法计算),得到投影图。
图4C示出了本公开至少一实施例提供的步骤S42得到的投影图。
对于步骤S43,例如对投影图中的线条进行识别,得到识别结果。
图4D示出了本公开至少一实施例提供的图4A中步骤S43的方法流程图。
如图4D所示,步骤S43可以包括步骤S431和步骤S432。
在该实施例中,特征信息还包括待识别对象的外轮廓。
步骤S431:根据外轮廓,对投影图进行第二图像处理得到图像区域,图像区域为待识别对象所在的区域,且待处理区域包括图像区域。
在本公开的一些实施例中,根据外轮廓对投影图进行切割处理,以从投影图中切割出图像区域。
例如,将投影图中位于外轮廓所包围的区域之外的区域剔除,从而从投影图中切割出图像区域。
图4E示出了本公开至少一实施例提供的对投影图进行切割处理得到的图像区域。
如图4E所示,该图像区域的面积与外轮廓包围的面积接近或者稍大于外轮廓包围的面积。
在本公开的另一些实施例中,将投影图中位于外轮廓所包围的区域之外的区域中的每个像素点的灰度值设定为固定值,以得到图像区域,图像区域的尺寸与投影图的尺寸相同。该方法简单,易于实现。
例如,在一些实施例中,将投影图中位于外轮廓所包围的区域之外的区域中的每个像素点的灰度值设定为127。
步骤S432:对图像区域进行分析处理得到待识别对象对应的识别结果。
在本公开的一些实施例中,步骤S432包括:对图像区域中的所有像素点的灰度值进行归一化处理,以得到归一化图像;对归一化图像进行分析得到待识别对象对应的识别结果。例如,归一化图像中每个像素点的灰度值在[0,255]的范围内。
在本公开的一些实施例中,例如可以按照如下公式进行归一化处理。
maxval,minval=np.max(projection),np.min(projection)
P=((projection-minval)/(maxval-minval)*255).astype(np.uint8)
maxval,minval=np.max(projection),np.min(projection)表示分别计算投影图中的灰度最大值和灰度最小值。maxval表示灰度最大值,minval表示灰度最小值。projection表示投影图中的像素点的灰度值,P表示投影图中的像素点的归一化后的灰度值。astype表示python语言中的变量类型转换函数。
图4F示出了本公开至少一实施例提供的归一化处理的示意图。
如图4F所示,在归一化之前,投影图中的图像区域多个像素点的灰度值的分布如曲线401所示,此时,灰度值的取值范围为[-256,256]。在归一化之后,归一化图像中多个像素点的灰度值的分布如曲线402所示。图4F所示的坐标系中,横坐标表示灰度值,纵坐标表示像素点的数量。
在本公开的实施例中,由于投影图是将角度差信息和边缘线条图进行卷积计算得到的,因此,在投影图的图像区域对应的矩阵中,如曲线401所示,存在取值为负值的元素。负值的元素在投影图中显示为黑色。然而,在图像中像素的灰度值是一个[0,255]的整数。因此,为了更好地对图像区域进行识别,需要对投影图中图像区域中的灰度值进行归一化处理。经过归一化处理将投影图中元素的取值范围变为[0,255],归一化的过程可以大致理解为类似于将曲线401压缩为曲线402,多个像素点的灰度值的整体的分布形状是不变的。如图4F所示,投影图中的图像区域中黑色像素点即灰度值为0的像素点在归一化图像中的灰度值变成了127。
图4G示出了本公开至少一实施例提供的对图像区域中的所有像素点的灰度值进行归一化得到的归一化图像。
在图4G所示的实施例中,图像区域是将投影图中位于外轮廓所包围的区域之外的区域中的每个像素点的灰度值设定为127得到的,此时,图像区域的尺寸与投影图的尺寸相同,图像区域包括外轮廓所包围的区域和外轮廓所包围的区域之外的区域。
将投影图中位于外轮廓所包围的区域之外的区域中的每个像素点的灰度值与投影图中外轮廓所包围的区域中的黑色的像素点的灰度值统一设置为127,能够便于后续步骤中计算年轮/条纹的数量。
在本公开的一些实施例中,待识别对象包括至少一个待识别条纹,对归一化图像进行分析得到待识别对象的识别结果,包括:对归一化图像进行分析处理,以得到至少一个待识别条纹的数量,识别结果包括至少一个待识别条纹的数量。
例如,根据待识别条纹的特征,对归一化图像进行识别,从而确定归一化图像中具有上述待识别条纹的特征的条纹数量。待识别条纹的特征,例如可以包括条纹的灰度值、条纹的形状等。
在本公开的一些实施例中,归一化图像包括具有第一灰度值的至少一个曲线型条纹和具有第二灰度值的至少一个曲线型条纹,具有第一灰度值的至少一个曲线型条纹和具有第二灰度值的至少一个曲线型条纹交替排列,第二灰度值小于第一灰度值。
图5A示出了本公开至少一实施例提供的对归一化图像进行分析处理得到至少一个待识别条纹的数量的方法流程图。
如图5A所示,对归一化图像进行分析处理得到至少一个待识别条纹的数量,可以包括步骤S510~步骤S530。
步骤S510:以基准点为顶点,从基准点引出至少一条射线,其中,每条射线与具有第一灰度值的至少一个曲线型条纹和/或具有第二灰度值的至少一个曲线型条纹相交。
步骤S520:针对每条射线,统计在射线的方向上射线上的像素点的灰度值由第一灰度值变为第二灰度值的变化次数。
步骤S530:基于每个射线对应的变化次数,确定至少一个待识别条纹的数量。
该实施例基于射线上的像素点的灰度值变化次数来确定待识别条纹的数量,从而可以提高确定待识别条纹数量的准确性。
图5B示出了本公开至少一实施例提供的图5A所示出的方法的示意图。下面结合图5B来说明图5A的方法。如图5B所示,以待识别对象为树木的横截面为例进行说明。
如图5B所示,归一化图像包括具有第一灰度值的至少一个曲线型条纹1和具有第二灰度值的至少一个曲线型条纹2,具有第一灰度值的至少一个曲线 型条纹1和具有第二灰度值的至少一个曲线型条纹2交替排列。如图5B所示,曲线型条纹1的灰度值可以是127。曲线型条纹2的灰度值为0。
对于步骤S510,如图5B所示,以基准点O为顶点,从基准点O引出了多条射线R1~R5,多条射线R1~R5中的每条射线与具有第一灰度值的至少一个曲线型条纹1和具有第二灰度值的至少一个曲线型条纹2相交。
对于步骤S520,例如,在射线上像素点的灰度值非0变为0,即像素点变为黑色时,认为年轮出现,射线上像素点的灰度值从第一灰度值变为0的变化次数为年轮的数量。
如图5B所示,针对每条射线,射线的方向为从基准点O朝向外轮廓的方向,在射线的方向上,统计射线上的像素点的灰度值由第一灰度值变为第二灰度值的变化次数。
如图5B所示,对于射线R1,在射线R1的方向上,射线R1上像素点的灰度值的变化次数为11次。对于射线R4,从基准点O沿射线R4的方向,射线R4上像素点的灰度值的变化次数为12次。
在本公开的一些实施例中,至少一条射线为多条射线,计算多条射线对应的多个变化次数的平均值,以及将平均值作为至少一个待识别条纹的数量。
通过计算多条射线的变化次数的平均值,可以降低噪点的影响,从而进一步提高了识别结果的准确度。
例如,多条射线相对于基准方向具有不同的角度,例如,选择0-90度的角度范围,选择90条射线,90条射线对应的角度处于上述角度范围内,将该90条射线对应的变化次数求平均,当然也可以选择45条射线等。又例如,角度范围也可以为0-270度。需要说明的是,在本公开的实施例中,每条射线相对于基准方向的角度表示:从该基准方向沿逆时针方向(或者顺时针方向)旋转到射线所确定的角度。
图6示出了本公开至少一个实施例提供的一种图像处理装置600的示意框图。
例如,如图6所示,该图像处理装置600包括图像获取单元610、处理单元620、角度差获取单元630和识别单元640。
图像获取单元610配置为获取输入图像,输入图像包括待识别对象和待处理区域,待处理区域包括多个第一像素点,至少部分待识别对象位于待处理区域中。
图像获取单元610例如可以执行图1A描述的步骤S10。
处理单元620配置为对输入图像进行第一图像处理,以确定待识别对象的特征信息,特征信息包括待识别对象的基准点。
处理单元620例如可以执行图1A描述的步骤S20。
角度差获取单元630配置为获取待处理区域的角度差信息,角度差信息指示多个第一像素点的角度差,每个第一像素点的角度差为每个第一像素点与基准点之间的像素方向和每个第一像素点的梯度方向之间的角度差值。
角度差获取单元630例如可以执行图1A描述的步骤S30。
识别单元640配置为对角度差信息和输入图像进行识别,以得到待识别对象对应的识别结果。
识别单元640例如可以执行图1A描述的步骤S40。
例如,图像获取单元610、处理单元620、角度差获取单元630和识别单元640可以为硬件、软件、固件以及它们的任意可行的组合。例如,图像获取单元610、处理单元620、角度差获取单元630和识别单元640可以为专用或通用的电路、芯片或装置等,也可以为处理器和存储器的结合。关于上述各个单元的具体实现形式,本公开的实施例对此不作限制。
需要说明的是,本公开的实施例中,图像处理装置600的各个单元与前述的图像处理方法的各个步骤对应,关于图像处理装置600的具体功能可以参考关于图像处理方法的相关描述,此处不再赘述。图6所示的图像处理装置600的组件和结构只是示例性的,而非限制性的,根据需要,该图像处理装置600还可以包括其他组件和结构。
本公开的至少一个实施例还提供了一种电子设备,该电子设备包括处理器和存储器,存储器包括一个或多个计算机程序模块。一个或多个计算机程序模块被存储在存储器中并被配置为由处理器执行,一个或多个计算机程序模块包括用于实现上述的图像处理方法的指令。该电子设备可以提高对待识别对象进行识别的准确度。
图7为本公开一些实施例提供的一种电子设备的示意框图。如图7所示,该电子设备700包括处理器710和存储器720。存储器720用于非暂时性存储计算机可读指令(例如一个或多个计算机程序模块)。处理器710用于运行计算机可读指令,计算机可读指令被处理器710运行时可以执行上文所述的图像处理方法中的一个或多个步骤。存储器720和处理器710可以通过总线系统和/或其它形式的连接机构(未示出)互连。
例如,处理器710可以是中央处理单元(CPU)、图形处理单元(GPU)或者具有数据处理能力和/或程序执行能力的其它形式的处理单元。例如,中央处理单元(CPU)可以为X86或ARM架构等。处理器710可以为通用处理器或专用处理器,可以控制电子设备700中的其它组件以执行期望的功能。
例如,存储器720可以包括一个或多个计算机程序产品的任意组合,计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序模块,处理器710可以运行一个或多个计算机程序模块,以实现电子设备700的各种功能。在计算机可读存储介质中还可以存储各种应用程序和各种数据以及应用程序使用和/或产生的各种数据等。
需要说明的是,本公开的实施例中,电子设备700的具体功能和技术效果可以参考上文中关于图像处理方法的描述,此处不再赘述。
图8为本公开一些实施例提供的另一种电子设备的示意框图。该电子设备900例如适于用来实施本公开实施例提供的图像处理方法。电子设备900可以是终端设备等。需要注意的是,图8示出的电子设备900仅仅是一个示例,其不会对本公开实施例的功能和使用范围带来任何限制。
如图8所示,电子设备900可以包括处理装置(例如中央处理器、图形处理器等)910,其可以根据存储在只读存储器(ROM)920中的程序或者从存储装置980加载到随机访问存储器(RAM)930中的程序而执行各种适当的动作和处理。在RAM 930中,还存储有电子设备900操作所需的各种程序 和数据。处理装置910、ROM 920以及RAM930通过总线940彼此相连。输入/输出(I/O)接口950也连接至总线940。
通常,以下装置可以连接至I/O接口950:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置960;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置970;包括例如磁带、硬盘等的存储装置980;以及通信装置990。通信装置990可以允许电子设备900与其他电子设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备900,但应理解的是,并不要求实施或具备所有示出的装置,电子设备900可以替代地实施或具备更多或更少的装置。
例如,根据本公开的实施例,上述图像处理方法可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包括用于执行上述图像处理方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置990从网络上被下载和安装,或者从存储装置980安装,或者从ROM 920安装。在该计算机程序被处理装置910执行时,可以实现本公开实施例提供的图像处理方法中限定的功能。
本公开的至少一个实施例还提供了一种计算机可读存储介质,该计算机可读存储介质用于非暂时性地存储计算机可读指令,当计算机可读指令由计算机执行时可以实现上述的图像处理方法。利用该计算机可读存储介质,可以提高对待识别对象进行识别的准确度。
图9为本公开一些实施例提供的一种存储介质的示意图。如图9所示,存储介质1000用于非暂时性地存储计算机可读指令1010。例如,存储介质1000可以为非瞬时性存储介质。例如,当计算机可读指令1010由计算机执行时可以执行根据上文所述的图像处理方法中的一个或多个步骤。
例如,该存储介质1000可以应用于上述电子设备700中。例如,存储介质1000可以为图7所示的电子设备700中的存储器720。例如,关于存储介质1000的相关说明可以参考图7所示的电子设备700中的存储器720的相应描述,此处不再赘述。
有以下几点需要说明:
(1)本公开实施例附图只涉及到本公开实施例涉及到的结构,其他结构可参考通常设计。
(2)在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合以得到新的实施例。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (19)
- 一种图像处理方法,包括:获取输入图像,其中,所述输入图像包括待识别对象和待处理区域,所述待处理区域包括多个第一像素点,至少部分所述待识别对象位于所述待处理区域中;对所述输入图像进行第一图像处理,以确定所述待识别对象的特征信息,其中,所述特征信息包括所述待识别对象的基准点;获取所述待处理区域的角度差信息,其中,所述角度差信息指示所述多个第一像素点的角度差,每个第一像素点的角度差为所述每个第一像素点与所述基准点之间的像素方向和所述每个第一像素点的梯度方向之间的角度差值;以及对所述角度差信息和所述输入图像进行识别,以得到所述待识别对象对应的识别结果。
- 根据权利要求1所述的方法,其中,所述角度差信息包括角度差图像,所述角度差图像包括多个第二像素点,所述多个第二像素点与所述多个第一像素点一一对应,获取所述待处理区域的所述角度差信息,包括:获取所述多个第一像素点的角度差;根据所述多个第一像素点的角度差,确定所述多个第二像素点的灰度值,其中,每个第二像素点的灰度值根据所述每个第二像素点对应的第一像素点的角度差确定;以及根据所述多个第二像素点的灰度值,生成所述角度差图像。
- 根据权利要求2所述的方法,其中,所述每个第二像素点的灰度值和与所述每个第二像素点对应的第一像素点的角度差反相关。
- 根据权利要求2所述的方法,其中,获取所述多个第一像素点的角度差,包括:确定所述每个第一像素点的梯度方向;将所述每个第一像素点与所述基准点所形成的向量的方向作为所述每个第一像素点的像素方向,其中,所述向量的起点为所述每个第一像素点;以及计算所述每个第一像素点梯度方向和所述每个第一像素点的像素方向之间的角度差值,并且将所述角度差值作为所述每个第一像素点的角度差。
- 根据权利要求4所述的方法,其中,确定所述每个第一像素点的所述梯度方向,包括:分别获取所述每个第一像素点在第一方向上的梯度值和在第二方向上的梯度值;以及根据所述每个第一像素点在所述第一方向上的梯度值和在所述第二方向上的梯度值,确定所述每个第一像素点的梯度方向。
- 根据权利要求1所述的方法,其中,对所述角度差信息和所述输入图像进行识别,以得到所述待识别对象对应的识别结果,包括:对所述输入图像进行边缘检测,以得到所述输入图像对应的边缘线条图;对所述角度差信息和所述边缘线条图进行卷积计算,以得到投影图;以及对所述投影图进行识别,以得到所述待识别对象对应的识别结果。
- 根据权利要求6所述的方法,其中,所述特征信息还包括所述待识别对象的外轮廓,对所述投影图进行识别,以得到所述待识别对象对应的识别结果,包括:根据所述外轮廓,对所述投影图进行第二图像处理得到图像区域,其中,所述图像区域为所述待识别对象所在的区域,且所述待处理区域包括所述图像区域;以及对所述图像区域进行分析处理得到所述待识别对象对应的识别结果。
- 根据权利要求7所述的方法,其中,根据所述外轮廓,对所述投影图进行第二图像处理得到所述图像区域,包括:根据所述外轮廓对所述投影图进行切割处理,以从所述投影图中切割出所述图像区域。
- 根据权利要求7所述的方法,其中,根据所述外轮廓,对所述投影图进行第二图像处理得到所述图像区域,包括:将所述投影图中位于所述外轮廓之外的其他区域中的每个像素点的灰度值设定为固定值,以得到所述图像区域,其中,所述图像区域的尺寸与所述投影图的尺寸相同。
- 根据权利要求7所述的方法,其中,对所述图像区域进行分析处理得到所述待识别对象对应的识别结果,包括:对所述图像区域中的所有像素点的灰度值进行归一化处理,以得到归一化图像,其中,所述归一化图像中每个像素点的灰度值在[0,255]的范围内;以及对所述归一化图像进行分析得到所述待识别对象对应的识别结果。
- 根据权利要求10所述的方法,其中,所述待识别对象包括至少一个待识别条纹,对所述归一化图像进行分析得到所述待识别对象的识别结果,包括:对所述归一化图像进行分析处理,以得到所述至少一个待识别条纹的数量,其中,所述识别结果包括所述至少一个待识别条纹的数量。
- 根据权利要求11所述的方法,其中,所述归一化图像包括具有第一灰度值的至少一个曲线型条纹和具有第二灰度值的至少一个曲线型条纹,具有所述第一灰度值的至少一个曲线型条纹和具有所述第二灰度值的至少一个曲线型条纹交替排列,所述第二灰度值小于所述第一灰度值,对所述归一化图像进行分析处理得到所述至少一个待识别条纹的数量,包括:以所述基准点为顶点,从所述基准点引出至少一条射线,其中,所述每条射线与具有所述第一灰度值的至少一个曲线型条纹和/或所述具有所述第二灰度值的至少一个曲线型条纹相交;针对每条射线,统计在所述射线的方向上所述射线上的像素点的灰度值由所述第一灰度值变为所述第二灰度值的变化次数;以及基于所述每个射线对应的所述变化次数,确定所述至少一个待识别条纹的数量。
- 根据权利要求12所述的方法,其中,所述至少一条射线为多条射线,基于所述每条射线对应的所述变化次数,确定所述至少一个待识别条纹的数量,包括:计算所述多条射线对应的多个变化次数的平均值,以及将所述平均值作为所述至少一个待识别条纹的数量。
- 根据权利要求1所述的方法,其中,对所述输入图像进行第一图像处理,以确定所述待识别对象的特征信息,包括:对所述输入图像进行模糊处理而得到模糊图像;对所述模糊图像进行边缘检测而得到所述待识别对象的检测轮廓;以及对所述检测轮廓进行拟合而得到所述待识别对象的外轮廓以及所述外轮廓的中心,其中,所述外轮廓的中心为所述基准点。
- 根据权利要求1所述的方法,其中,对所述输入图像进行第一图像处理,以确定所述待识别对象的特征信息,包括:将所述输入图像输入到识别模型中,以通过所述识别模型识别所述待识别对象的特征信息。
- 根据权利要求1~15中任一项所述的方法,其中,所述待识别对象包括树木的横截面,所述树木的横截面包括所述树木的年轮,所述识别结果包括所述树木的年轮或所述树木的年轮的数量。
- 一种图像处理装置,包括:图像获取单元,配置为获取输入图像,其中,所述输入图像包括待识别对象,所述输入图像包括待处理区域,所述待处理区域包括多个第一像素点,至少部分所述待识别对象位于所述待处理区域中;处理单元,配置为对所述输入图像进行第一图像处理,以确定所述待识别对象的特征信息,其中,所述特征信息包括所述待识别对象的基准点;角度差获取单元,配置为获取所述待处理区域的角度差信息,其中,所述角度差信息指示所述多个第一像素点的角度差,每个第一像素点的角度差为所述每个第一像素点与所述基准点之间的像素方向和所述每个第一像素点的梯度方向之间的角度差值;以及识别单元,配置为对所述角度差信息和所述输入图像进行识别,以得到 所述待识别对象对应的识别结果。
- 一种电子设备,包括:处理器;存储器,包括一个或多个计算机程序指令;其中,所述一个或多个计算机程序指令被存储在所述存储器中,并由所述处理器执行时实现权利要求1-16任一项所述的图像处理方法。
- 一种计算机可读存储介质,非暂时性存储有计算机可读指令,其中,当所述计算机可读指令由处理器执行时实现权利要求1-16任一项所述的图像处理方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111235044.9A CN113962306A (zh) | 2021-10-22 | 2021-10-22 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
CN202111235044.9 | 2021-10-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2023065792A1 true WO2023065792A1 (zh) | 2023-04-27 |
Family
ID=79466392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2022/112384 WO2023065792A1 (zh) | 2021-10-22 | 2022-08-15 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113962306A (zh) |
WO (1) | WO2023065792A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503481A (zh) * | 2023-06-25 | 2023-07-28 | 天津中德应用技术大学 | 基于图像视觉引导的自动泊车位姿检测系统 |
CN116664559A (zh) * | 2023-07-28 | 2023-08-29 | 深圳市金胜电子科技有限公司 | 基于机器视觉的内存条损伤快速检测方法 |
CN116834023A (zh) * | 2023-08-28 | 2023-10-03 | 山东嘉达装配式建筑科技有限责任公司 | 一种打钉机器人控制系统 |
CN117455916A (zh) * | 2023-12-25 | 2024-01-26 | 山东太阳耐磨件有限公司 | 一种钢板表面缺陷视觉检测方法 |
CN117557785A (zh) * | 2024-01-11 | 2024-02-13 | 宁波海上鲜信息技术股份有限公司 | 一种基于图像处理的远距离渔船船牌识别方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962306A (zh) * | 2021-10-22 | 2022-01-21 | 杭州睿胜软件有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
CN116188392A (zh) * | 2022-12-30 | 2023-05-30 | 阿里巴巴(中国)有限公司 | 图像处理方法、计算机可读存储介质以及计算机终端 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014186710A (ja) * | 2013-02-25 | 2014-10-02 | Medekku:Kk | 画像処理技術を用いたしいたけの等級判別装置 |
CN105224941A (zh) * | 2014-06-18 | 2016-01-06 | 台达电子工业股份有限公司 | 对象辨识与定位方法 |
US20180092518A1 (en) * | 2015-06-24 | 2018-04-05 | Olympus Corporation | Image processing device, endoscope apparatus, information storage device, and image processing method |
CN111540021A (zh) * | 2020-04-29 | 2020-08-14 | 网易(杭州)网络有限公司 | 毛发数据的处理方法、装置和电子设备 |
CN113221696A (zh) * | 2021-04-29 | 2021-08-06 | 四川大学华西医院 | 一种图像识别方法、系统、设备及存储介质 |
CN113962306A (zh) * | 2021-10-22 | 2022-01-21 | 杭州睿胜软件有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
-
2021
- 2021-10-22 CN CN202111235044.9A patent/CN113962306A/zh active Pending
-
2022
- 2022-08-15 WO PCT/CN2022/112384 patent/WO2023065792A1/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014186710A (ja) * | 2013-02-25 | 2014-10-02 | Medekku:Kk | 画像処理技術を用いたしいたけの等級判別装置 |
CN105224941A (zh) * | 2014-06-18 | 2016-01-06 | 台达电子工业股份有限公司 | 对象辨识与定位方法 |
US20180092518A1 (en) * | 2015-06-24 | 2018-04-05 | Olympus Corporation | Image processing device, endoscope apparatus, information storage device, and image processing method |
CN111540021A (zh) * | 2020-04-29 | 2020-08-14 | 网易(杭州)网络有限公司 | 毛发数据的处理方法、装置和电子设备 |
CN113221696A (zh) * | 2021-04-29 | 2021-08-06 | 四川大学华西医院 | 一种图像识别方法、系统、设备及存储介质 |
CN113962306A (zh) * | 2021-10-22 | 2022-01-21 | 杭州睿胜软件有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503481A (zh) * | 2023-06-25 | 2023-07-28 | 天津中德应用技术大学 | 基于图像视觉引导的自动泊车位姿检测系统 |
CN116503481B (zh) * | 2023-06-25 | 2023-08-29 | 天津中德应用技术大学 | 基于图像视觉引导的自动泊车位姿检测系统 |
CN116664559A (zh) * | 2023-07-28 | 2023-08-29 | 深圳市金胜电子科技有限公司 | 基于机器视觉的内存条损伤快速检测方法 |
CN116664559B (zh) * | 2023-07-28 | 2023-11-03 | 深圳市金胜电子科技有限公司 | 基于机器视觉的内存条损伤快速检测方法 |
CN116834023A (zh) * | 2023-08-28 | 2023-10-03 | 山东嘉达装配式建筑科技有限责任公司 | 一种打钉机器人控制系统 |
CN116834023B (zh) * | 2023-08-28 | 2023-11-14 | 山东嘉达装配式建筑科技有限责任公司 | 一种打钉机器人控制系统 |
CN117455916A (zh) * | 2023-12-25 | 2024-01-26 | 山东太阳耐磨件有限公司 | 一种钢板表面缺陷视觉检测方法 |
CN117455916B (zh) * | 2023-12-25 | 2024-03-15 | 山东太阳耐磨件有限公司 | 一种钢板表面缺陷视觉检测方法 |
CN117557785A (zh) * | 2024-01-11 | 2024-02-13 | 宁波海上鲜信息技术股份有限公司 | 一种基于图像处理的远距离渔船船牌识别方法 |
CN117557785B (zh) * | 2024-01-11 | 2024-04-02 | 宁波海上鲜信息技术股份有限公司 | 一种基于图像处理的远距离渔船船牌识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113962306A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023065792A1 (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
CN108323204B (zh) | 一种检测人脸瑕疵点的方法和智能终端 | |
CN110427932B (zh) | 一种识别图像中多个票据区域的方法及装置 | |
JP4528309B2 (ja) | オブジェクト検出方法、オブジェクト検出装置、およびオブジェクト検出プログラム | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
CN108875534B (zh) | 人脸识别的方法、装置、系统及计算机存储介质 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN107452030B (zh) | 基于轮廓检测和特征匹配的图像配准方法 | |
CN114240845B (zh) | 一种应用于切削工件的光切法表面粗糙度测量方法 | |
CN107038704B (zh) | 视网膜图像渗出区域分割方法、装置和计算设备 | |
CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN114757950B (zh) | 超声图像处理方法、装置以及计算机可读存储介质 | |
CN111368717A (zh) | 视线确定方法、装置、电子设备和计算机可读存储介质 | |
CN111553927B (zh) | 棋盘格角点检测方法、检测系统、计算机装置及存储介质 | |
CN111290582B (zh) | 一种基于改进型直线检测的投影交互区域定位方法 | |
CN117115358A (zh) | 数字人自动建模方法及装置 | |
CN114626118A (zh) | 建筑物室内模型生成方法及装置 | |
CN112465050A (zh) | 一种图像模板选择方法、装置、设备及存储介质 | |
CN106934846B (zh) | 一种布料图像处理方法及系统 | |
CN111898408A (zh) | 一种快速人脸识别方法及装置 | |
CN109815791B (zh) | 基于血管的身份识别方法和装置 | |
CN111753723B (zh) | 一种基于密度校准的指纹识别方法及装置 | |
CN116843909B (zh) | 电力线提取方法及装置、存储介质、计算机设备 | |
CN116580028B (zh) | 一种物体表面缺陷检测方法、装置、设备及存储介质 | |
CN112800966B (zh) | 一种视线的追踪方法及电子设备 |