
本發明涉及圖像處理和識別技術領域,尤其涉及一種圖像檢測方法和裝置。
背景技術:
隨著數碼相機、攝像頭、超高速掃描儀等圖像獲取設備的廣泛應用,工業化生產技術水平和生產效率的不斷提高,對與之配套的生產檢測能力也有著越來越高的要求。圖像處理技術的日益發展,圖像檢測技術廣泛運用在工業生產過程檢測、日常生活安全檢測等領域,極大的提升了企業的生產效率和人們的生活水平。
在圖像處理和識別的技術領域中,一般地,工業安全的檢測通常采用圖像分割方法對圖像中的特定區域進行檢測和識別。現有的圖像分割方法主要利用感興趣區域和背景區域的整體灰度差異,選取適當的閾值分割圖像得到感興趣區域。在光照不均勻或者待檢測區域和背景區域灰度差別較小時往往不能準確地分割出感興趣區域。
技術實現要素:
本發明實施例提供一種圖像檢測方法和裝置,可以準確地檢測出圖像中的感興趣區域。
根據本發明實施例的一方面,提供一種圖像檢測方法,該圖像檢測方法包括:通過雙閾值算法檢測待檢測圖像中的高亮區域像素點;統計待檢測圖像中的高亮區域像素點以外的像素點在指定鄰域中的灰度直方圖,根據灰度直方圖構建高亮區域像素點以外的像素點的灰度分布的混合高斯模型;利用期望最大化算法對高亮區域像素點以外的像素點的混合高斯模型進行參數估計;基于參數估計得到的混合高斯模型的參數值確定高亮區域像素點以外的像素點是否屬于待檢測圖像中的目標檢測區域。
根據本發明實施例的另一方面,提供一種圖像檢測裝置,該檢測裝置包括:高亮區域檢測模塊,用于通過雙閾值算法檢測待檢測圖像中的高亮區域像素點;混合高斯模型構建模塊,用于統計待檢測圖像中的高亮區域像素點以外的像素點在指定鄰域中的灰度直方圖,根據灰度直方圖構建高亮區域像素點以外的像素點的灰度分布的混合高斯模型;參數值估計模塊,用于利用期望最大化算法對高亮區域像素點以外的像素點的混合高斯模型進行參數估計;目標檢測區域確定模塊,用于基于參數估計得到的混合高斯模型的參數值確定高亮區域像素點以外的像素點是否屬于待檢測圖像中的目標檢測區域。
本發明實施例中的圖像檢測方法和裝置,對待檢測圖像中高亮區域以外的圖像的每一個像素點,使用混合高斯模型分析其鄰域窗口內的灰度值分布,并使用混合高斯模型中高斯項系數、均值和方差對該圖像進行分割,檢測出目標檢測區域。通過本發明實施例中的圖像檢測方法,在光照不均勻或者待檢測區域和背景區域灰度差別較小時,可以準確地分割出感興趣的目標區域。
附圖說明
為了更清楚地說明本發明實施例的技術方案,下面將對本發明實施例中所需要使用的附圖作簡單地介紹,對于本領域普通技術人員來講,在不付出創造性勞動的前提下,還可以根據這些附圖獲得其他的附圖。
圖1是示出根據本發明一實施例的圖像檢測方法的流程圖;
圖2是示出根據本發明另一實施例的圖像檢測方法的更詳細的流程圖;
圖3是示出根據本發明一實施例的圖像檢測裝置的結構示意圖;
圖4是示出根據本發明另一實施例的圖像檢測裝置的更詳細的結構示意圖;
圖5是示出了發明一實施例的能夠實現根據本發明實施例的圖像檢測方法和裝置的計算設備的示例性硬件架構的結構圖。
具體實施方式
下面將詳細描述本發明的各個方面的特征和示例性實施例,為了使本發明的目的、技術方案及優點更加清楚明白,以下結合附圖及實施例,對本發明進行進一步詳細描述。應理解,此處所描述的具體實施例僅被配置為解釋本發明,并不被配置為限定本發明。對于本領域技術人員來說,本發明可以在不需要這些具體細節中的一些細節的情況下實施。下面對實施例的描述僅僅是為了通過示出本發明的示例來提供對本發明更好的理解。
需要說明的是,在本文中,諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區分開來,而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。而且,術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含,從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素,而且還包括沒有明確列出的其他要素,或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下,由語句“包括……”限定的要素,并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。
本發明實施例提供的圖像檢測方法和裝置可以應用于工業生產過程檢測、日常生活安全檢測等領域。作為一個具體的應用,使用本發明實施中的圖像檢測方法和裝置進行隧道的滲漏水檢測是一種較為可靠的、高效率的處理方法。
隧道滲漏水作為一種常見的隧道病害對隧道的安全具有重要的影響,下面結合附圖,以對隧道滲漏水進行圖像檢測為例,詳細描述根據本發明實施例的圖像檢測方法和裝置。應注意,這些實施例并不是用來限制本發明公開的范圍。
圖1是示出根據本發明一實施例的圖像檢測方法的流程圖。如圖1所示,本實施例中的圖像檢測方法100包括以下步驟:
步驟s110,通過雙閾值算法檢測待檢測圖像中的高亮區域像素點。
步驟s120,統計待檢測圖像中的高亮區域像素點以外的像素點在指定鄰域中的灰度直方圖,根據灰度直方圖構建高亮區域像素點以外的像素點的灰度分布的混合高斯模型。
步驟s130,利用期望最大化算法對高亮區域像素點以外的像素點的混合高斯模型進行參數估計。
步驟s140,基于參數估計得到的混合高斯模型的參數值確定高亮區域像素點以外的像素點是否屬于待檢測圖像中的目標檢測區域。
根據本發明實施例的圖像檢測方法,對待檢測圖像中的高亮區域像素點以外的像素點構建混合高斯模型,并使用混合高斯模型,利用期望最大化算法學習待檢測圖像的灰度分布,從而根據學習得到的高斯模型參數對待檢測圖像進行分割,從而檢測出目標區域。
作為可選實施例,在進行圖像檢測之前,可以先對待檢測圖像進行預處理。
圖2是示出根據本發明另一實施例的圖像檢測方法的更詳細的流程圖,圖2與圖1相同或等同的步驟使用相同的標號。如圖2所示,圖2所示的圖像檢測方法200基本相同于圖像檢測方法100,不同之處在于,步驟s110還可以包括以下步驟:
步驟s110-1,對待檢測圖像進行去噪處理。
步驟s110-2,通過雙閾值算法檢測經去噪處理的待檢測圖像中的高亮區域像素點。
具體地,可以使用中值濾波器對待檢測圖像進行去噪處理,去除噪聲的同時也能夠很好地保持圖像的邊緣信息。
在另一些實施例中,根據目標檢測區域在待檢測圖像中較暗的特點,可以首先對目標檢測區域的高亮區域進行檢測。作為可選實施例,步驟s110中的通過雙閾值算法檢測待檢測圖像中的高亮區域像素點的步驟具體可以包括:
步驟s111,分別使用預設的高灰度閾值和預設的低灰度閾值對待檢測圖像進行圖像分割,得到高閾值分割二值圖像和低閾值分割二值圖像,其中,該高灰度閾值大于該低灰度閾值。
在該步驟中,作為一個示例,高灰度閾值的取值例如可以是200,低灰度閾值的取值例如可以是150。
步驟s112,獲取低閾值分割二值圖像中的像素值為1的第一像素點的n×n鄰域作為第一鄰域,并獲取高閾值分割二值圖像中與第一像素點的位置相同的像素點的n×n鄰域作為第二鄰域。
在該步驟中,n的取值可以是21~25之間的奇數。
步驟s113,如果第二鄰域中不存在像素值為1的像素點,則將第一像素點的像素值置為0。
步驟s114,將第一鄰域中像素值為1的像素點標記為高亮區域像素點。
可選地,對檢測到的于高亮區域像素點,可以使用特定的值進行標記,區別于待檢測圖像中的其他像素點。
根據本發明實施例中的圖像檢測方法,在對隧道滲漏水區域進行檢測時,通常情況下,隧道的干燥區在待檢測圖像中亮度較高,而隧道的滲漏水區在待檢測圖像中亮度較低。通過從待檢測圖像中對高亮區域進行檢測,在后續的圖像檢測的處理過程中,對除高亮區域以外的圖像進行隧道滲漏水的檢測,可以提高圖像檢測的效率和準確性。
本發明實施例中的期望最大化算法(expectationmaximizationalgorithm),簡稱em算法。在本發明實施例中,em算法是在待檢測圖像的每個像素點的混合高斯模型中尋找該混合高斯模型中的參數最大似然估計的算法。
具體地,步驟s130中利用期望最大化算法對所述高亮區域像素點以外的像素點的混合高斯模型進行參數估計的步驟,具體可以包括:
步驟s131,根據預設的混合高斯模型的參數值的初始值,利用期望最大化算法,對參數值進行迭代優化。
步驟s132,當迭代后的參數值使混合高斯模型的似然函數收斂時,將迭代優化后的參數值作為對混合高斯模型進行參數估計得到的參數值。
在一些實施例中,步驟s131中的混合高斯模型的參數值包括該混合高斯模型中的高斯項的權值、均值和方差。
作為一個示例,混合高斯模型可以包括兩個高斯項,分別對混合高斯模型中兩個高斯項的參數值進行初始化,設置兩個高斯項的權值均為1/2,設置兩個高斯項的均值分別為255/3和255×2/3,設置兩個高斯項的方
具體地,步驟s131可以包括如下步驟:
步驟s131-1,根據權值的初始值、均值的初始值和方差的初始值,初始化混合高斯模型。
步驟s131-2,利用期望最大化算法中的公式估計混合高斯模型中的像素點由每個高斯項生成的概率,其中,表示對第j個像素點由第i個高斯項生成的概率值,xj表示第j個像素點,πi、μi和σi分別表示第i個高斯項的權值、均值和方差;p(xj|μi,σi)表示在當前迭代步驟中,像素點xj在第i個高斯項中的概率。
步驟s131-3,通過期望最大化算法中的公式計算得到更新的混合高斯模型的權值πi、均值μi和方差σi,其中,m表示混合高斯模型中的像素點的個數。
在本實施例的上述步驟中,可以將步驟s131-2作為em算法中的e步驟,即計算期望的步驟;將步驟s131-3作為em算法中的m步驟,即最大化步驟。
具體地,em算法可以作為一個逐次逼近算法,在e步驟中通過給定混合高斯模型的參數值的初始值,確定該混合高斯模型對應于這組參數的狀態,在當前的狀態下再對混合修正;在m步驟中重新估計混合高斯模型中的參數值,并根據新的參數值重新確定模型的狀態。
迭代使用上述e步驟和m步驟,將m步驟中得到的參數估計值用于下一個e步驟的計算中,將這個過程不斷交替進行,直到混合高斯模型的似然函數收斂,得到對混合高斯模型進行參數估計得到的參數值。
在上述實施例中,通過em算法逐步改進混合高斯模型的參數值,使混合高斯模型的參數值逐漸逼近真實的參數值。本發明實施例通過em算法提供的迭代算法計算混合高斯模型的參數值,計算方法簡單且穩定。
在一些實施例中,步驟s140具體可以包括:
步驟s141,如果兩個高斯項的其中一個高斯項的權值小于預設的權值閾值,確定高亮區域像素點以外的像素點不屬于目標檢測區域。
步驟s142,如果兩個高斯項的均值的差值絕對值大于預設的均值閾值,并且兩個高斯項的方差的差值絕對值小于預設的方差閾值,確定高亮區域像素點以外的像素點屬于目標檢測區域。
作為一個示例,預設的權值閾值可以是15,預設的均值閾值可以是20,預設的方差閾值可以是10。
在該實施例中,根據混合高斯模型中的高斯項的權值、均值和方差對待檢測圖像進行分割,檢測出滲漏水區域。
根據本發明實施例提供的圖像檢測方法,可以更準確的對圖像中的滲漏水區域進行檢測,并可以將該圖像檢測方法應用于其他安全成產過程或安全檢測等領域,能夠準確并高效率地檢測出圖像中的目標區域。
下面結合附圖詳細介紹根據本發明實施例的圖像檢測裝置。
圖3示出了根據本發明一實施例提供的圖像檢測裝置的結構示意圖。如圖3所示,本發明實施例中的圖像檢測裝置300包括:
高亮區域檢測模塊320,用于通過雙閾值算法檢測待檢測圖像中的高亮區域像素點。
混合高斯模型構建模塊330,用于統計待檢測圖像中的高亮區域像素點以外的像素點在指定鄰域中的灰度直方圖,根據灰度直方圖構建高亮區域像素點以外的像素點的灰度分布的混合高斯模型。
參數值估計模塊340,用于利用期望最大化算法對高亮區域像素點以外的像素點的混合高斯模型進行參數估計。
目標檢測區域確定模塊350,用于基于參數估計得到的混合高斯模型的參數值確定高亮區域像素點以外的像素點是否屬于待檢測圖像中的目標檢測區域。
根據本發明實施例的圖像檢測裝置,對于待檢測圖像中的像素點,使用混合高斯模型分析每個像素點指定鄰域窗口內的灰度值分布,并根據混合高斯模型中的參數值對待檢測圖像進行分割,可以更加準確地檢測出目標區域。
圖4是示出根據本發明另一實施例的圖像檢測裝置的更詳細的結構示意圖,圖4與圖3相同或等同的步驟使用相同的標號。如圖4所示,圖4所示的圖像檢測裝置400基本相同于圖像檢測裝置300,不同之處在于,圖像檢測裝置400還可以包括:
圖像預處理模塊310,用于對待檢測圖像進行去噪處理對待檢測圖像進行去噪處理。
高亮區域檢測模塊320還用于通過雙閾值算法檢測經去噪處理的待檢測圖像中的高亮區域像素點通過雙閾值算法檢測經去噪處理的待檢測圖像中的高亮區域像素點。
作為可選實施例,高亮區域檢測模塊320還可以包括:
圖像分割單元321,用于分別使用預設的高灰度閾值和預設的低灰度閾值對檢測圖像進行圖像分割,得到高閾值分割二值圖像和低閾值分割二值圖像,高灰度閾值大于低灰度閾值。
鄰域獲取單元322,用于獲取低閾值分割二值圖像中的像素值為1的第一像素點的n×n鄰域作為第一鄰域,并獲取高閾值分割二值圖像中與第一像素點的位置相同的像素點的n×n鄰域作為第二鄰域。
像素值處理單元323,用于如果第二鄰域中不存在像素值為1的像素點,則將第一像素點的像素值置為0。
高亮區域像素點標記單元324,用于將第一鄰域中像素值為1的像素點標記為高亮區域像素點。
在該實施例中,通過從待檢測圖像中對高亮區域進行檢測,在后續的圖像檢測的處理過程中,對排除高亮區域后的待檢測圖像進行隧道滲漏水的檢測,可以提高圖像檢測的效率和準確性。
作為可選實施例,參數值估計模塊340還可以包括:
迭代優化單元341,用于根據預設的混合高斯模型的參數值的初始值,利用期望最大化算法,對參數值進行迭代優化。
參數值選取單元342,用于當迭代優化后的參數值使混合高斯模型的似然函數收斂時,將迭代優化后的參數值作為對混合高斯模型進行參數估計得到的參數值根據參數值的初始值,利用期望最大化算法,迭代優化混合高斯模型中的參數,以使混合高斯模型收斂。
具體地,迭代優化單元341具體可以用于根據權值的初始值、均值的初始值和方差的初始值,初始化混合高斯模型;利用期望最大化算法中的公式估計混合高斯模型中的像素點由每個高斯項生成的概率,其中,表示對第j個像素點由第i個高斯項生成的概率值,xj表示第j個像素點,πi、μi和σi分別表示第i個高斯項的權值、均值和方差;p(xj|μi,σi)表示在當前迭代步驟中,像素點xj在第i個高斯項中的概率;并通過期望最大化算法中的公式計算得到更新的混合高斯模型的權值πi、均值μi和方差σi,其中,m表示混合高斯模型中的像素點的個數。
在該實施例中,通過em算法逐步改進混合高斯模型的參數值,使混合高斯模型的參數值逐漸逼近真實的參數值,從而是圖像的檢測和識別更加準確。
作為可選實施例,混合高斯模型可以包括兩個高斯項,目標檢測區域確定模塊350具體用于:
如果兩個高斯項的其中一個高斯項的權值小于預設的權值閾值,確定高亮區域像素點以外的像素點不屬于目標檢測區域如果兩個高斯項的權值中包括小于預設的權值閾值,確定每個像素點不屬于目標檢測區域;
如果兩個高斯項的均值的差值的絕對值大于預設的均值閾值,并且兩個高斯項的方差的差值的絕對值小于預設的方法方差閾值,確定高亮區域像素點以外的像素點屬于目標檢測區域。
根據本發明實施例提供的圖像檢測裝置,可以適應于更多的光照條件下獲得的待處理圖像以及待檢測區域和背景區域灰度差別較小情況下的待檢測區域,準確的檢測出圖像中的感興趣區域。
根據本發明實施例的圖像檢測裝置的其他細節與以上結合圖1和圖2描述的根據本發明實施例的圖像檢測方法類似,在此不再贅述。
結合圖1至圖4描述的根據本發明實施例的圖像檢測方法和裝置可以由可拆卸地或者固定地安裝在應用服務端設備上的計算設備實現。圖5是示出能夠實現根據本發明實施例的圖像檢測方法和裝置的計算設備的示例性硬件架構的結構圖。如圖5所示,計算設備500包括輸入設備501、輸入接口502、中央處理器503、存儲器504、輸出接口505、以及輸出設備506。其中,輸入接口502、中央處理器503、存儲器504、以及輸出接口505通過總線510相互連接,輸入設備501和輸出設備506分別通過輸入接口502和輸出接口505與總線510連接,進而與計算設備500的其他組件連接。具體地,輸入設備501接收來自外部(例如,攝像設備或數碼相機)的輸入信息,并通過輸入接口502將輸入信息傳送到中央處理器503;中央處理器503基于存儲器504中存儲的計算機可執行指令對輸入信息進行處理以生成輸出信息,將輸出信息臨時或者永久地存儲在存儲器504中,然后通過輸出接口505將輸出信息傳送到輸出設備506;輸出設備506將輸出信息輸出到計算設備500的外部供用戶使用。
也就是說,圖5所示的計算設備也可以被實現為包括:存儲有計算機可執行指令的存儲器;以及處理器,該處理器在執行計算機可執行指令時可以實現結合圖1至圖4描述的圖像檢測方法和裝置。這里,處理器可以與圖像管理系統或安裝在待檢測裝置上的圖像傳感器等圖像獲取模塊進行通信,從而基于來自圖像管理系統和/或圖像傳感器的相關信息執行計算機可執行指令,從而實現結合圖1至圖4描述的圖像檢測方法和裝置。
需要明確的是,本發明并不局限于上文所描述并在圖中示出的特定配置和處理。為了簡明起見,這里省略了對已知方法的詳細描述。在上述實施例中,描述和示出了若干具體的步驟作為示例。但是,本發明的方法過程并不限于所描述和示出的具體步驟,本領域的技術人員可以在領會本發明的精神后,作出各種改變、修改和添加,或者改變步驟之間的順序。
以上所述的結構框圖中所示的功能塊可以實現為硬件、軟件、固件或者它們的組合。當以硬件方式實現時,其可以例如是電子電路、專用集成電路(asic)、適當的固件、插件、功能卡等等。當以軟件方式實現時,本發明的元素是被用于執行所需任務的程序或者代碼段。程序或者代碼段可以存儲在機器可讀介質中,或者通過載波中攜帶的數據信號在傳輸介質或者通信鏈路上傳送。“機器可讀介質”可以包括能夠存儲或傳輸信息的任何介質。機器可讀介質的例子包括電子電路、半導體存儲器設備、rom、閃存、可擦除rom(erom)、軟盤、cd-rom、光盤、硬盤、光纖介質、射頻(rf)鏈路,等等。代碼段可以經由諸如因特網、內聯網等的計算機網絡被下載。
還需要說明的是,本發明中提及的示例性實施例,基于一系列的步驟或者裝置描述一些方法或系統。但是,本發明不局限于上述步驟的順序,也就是說,可以按照實施例中提及的順序執行步驟,也可以不同于實施例中的順序,或者若干步驟同時執行。
以上所述,僅為本發明的具體實施方式,所屬領域的技術人員可以清楚地了解到,為了描述的方便和簡潔,上述描述的系統、模塊和單元的具體工作過程,可以參考前述方法實施例中的對應過程,在此不再贅述。應理解,本發明的保護范圍并不局限于此,任何熟悉本技術領域的技術人員在本發明揭露的技術范圍內,可輕易想到各種等效的修改或替換,這些修改或替換都應涵蓋在本發明的保護范圍之內。