CN115861135A - 一种应用于箱体全景探测的图像增强及识别方法 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种应用于箱体全景探测的图像增强及识别方法。该方法根据全景图像内像素点的预设邻域内的灰度级获取局部灰度指标，基于尺度窗口边缘像素点的灰度级得到空间分布指标，依据像素点的预设邻域内像素点的灰度值获取结构分布指标，结合这三个指标获取特征指标；基于特征指标对全景图像进行增强得到全景增强图像，根据全景增强图像中超像素块内像素点的灰度值和灰度熵获取特征相似性，依据特征相似性对全景增强图像划分区域。本发明从灰度分布、空间分布和结构分布方面对像素点的特征信息进行分析得到像素点的特征指标，基于特征指标对全景图像进行自适应增强处理，提高了全景图像的增强效果。

Description

一种应用于箱体全景探测的图像增强及识别方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种应用于箱体全景探测的图像增强及识别方法。

背景技术

基于图像对箱体进行状况进行检测时，为提高箱体状况检测精度，提高图像中有效信息的准确度，一般在基于图像进行检测之前大都会对图像进行增强处理，不合适的增强处理容易导致图像边缘细节信息增强效果不够明显，导致增强效果不佳，图像细节信息丢失等问题。

对图像进行增强时，合适的增强方法可以提高图像的对比度、更好的保存图像中的细节信息，而现有的图像增强的方法为：通过对原始RGB图像进行尺度变换得到不同尺度空间下具有不同模糊程度的模糊图像，计算不同尺度空间下各模糊图像的权重，获取各模糊图像的局部特征和全局特征并进行融合得到各模糊图像对应的特征矩阵，通过权重对各特征矩阵进行融合得到原始RGB图像的融合特征矩阵，提取原始RGB图像中的各关键点，将关键点的邻域范围内像素点的信息熵作为各关键点的关键点权重，根据关键点权重和融合特征矩阵对关键点进行增强，进而得到原始RGB图像对应的增强图像；该方法直接根据关键点权重对相应关键点进行增强，没有考虑具体图像内各像素点的灰度分布、空间分布、以及结构分布，导致不能有效保证表征增强指标的关键点权重的准确性，因此需要一种应用于箱体全景探测实现精确地图像增强及识别的方法。

发明内容

为了解决现有的图像增强的方法对图像各像素点分析不充分使得增强指标不准确，进而导致图像增强的效果不佳的问题，本发明的目的在于提供一种应用于箱体全景探测的图像增强及识别方法，所采用的技术方案具体如下：

本发明提出一种应用于箱体全景探测的图像增强及识别方法，该方法包括：

获取箱体的全景图像；

根据全景图像中每个像素点的预设邻域范围内的灰度值分布特征获得每个像素点的局部灰度指标；在每个像素点的预设邻域范围内划分至少两个尺度窗口，依据每个所述尺度窗口内尺度窗口边缘像素点的灰度级分布获取对应像素点的空间分布指标；基于每个像素点在预设邻域范围内与邻域像素点的灰度差异获取每个像素点的结构分布指标；

结合所述局部灰度指标、所述空间分布指标和所述结构分布指标得到每个像素点的特征指标；基于所述特征指标对全景图像进行增强得到全景增强图像；

将所述全景增强图像划分为至少两个超像素块，根据超像素块之间的灰度分布特征的特征相似性将超像素块分类，根据分类结果识别各个子区域。

进一步地，所述空间分布指标的获取方法，包括：

对于每个像素点的预设邻域范围内的任意一个灰度级，分别统计每个尺度窗口内灰度级对应的边缘像素点的数量作为第一数量，统计预设邻域范围内灰度级对应的像素点数量作为第二数量；将第一数量与第二数量的比值作为每个尺度窗口内灰度级的出现概率；对于灰度级的任意一个尺度窗口，将以自然常数e为底数出现概率的对数作为第一对数值，将出现概率与第一对数值的乘积作为第二对数值；将所有尺度窗口对应的第二对数值相加的总和的相反数作为灰度级的灰度级分布指标；将每个像素点的预设邻域范围内每个灰度级的灰度级分布指标相加的总和作为对应像素点的空间分布指标。

进一步地，所述结构分布指标的获取方法，包括：

分别获取每个像素点与对应的每个邻域像素点之间的灰度差异，取每个灰度差异的平方作为第一差值，计算第一差值均值的开方作为第二差值，将每个像素点的预设邻域范围内所有像素点的第二差值的均值作为对应像素点的结构分布指标。

进一步地，所述特征指标的获取方法，包括：

以设定第一常数为底数，空间分布指标为指数得到的值作为第一结果；将局部灰度指标作为分子，第一结果作为分母得到的比值作为第二结果；将结构分布指标与第二结果的乘积作为像素点的特征指标。

进一步地，所述基于所述特征指标对全景图像进行增强得到全景增强图像的方法，包括：

对全景图像中每个像素点的特征指标进行归一化处理，获取各像素点对应的归一化特征指标；

设置第一阈值和第二阈值，使第一阈值小于第二阈值，当像素点的归一化特征指标小于等于第一阈值时，将像素点的灰度值与归一化特征指标的乘积作为对应像素点的增强灰度值；

当像素点的归一化特征指标大于第一阈值且小于第二阈值时，对应像素点的灰度值保持不变；

当像素点的归一化特征指标大于等于第二阈值时，计算设定第二常数与归一化特征指标的和作为第三结果，将像素点的灰度值与第三结果的乘积作为对应像素点的增强灰度值；

全景图像内每个像素点的增强灰度值构成的图像为全景增强图像。

进一步地，所述灰度分布特征的获取方法，包括：

对于任意一个超像素块，对超像素块进行滤波处理得到纹理提取灰度图，获取纹理提取灰度图的图像熵；

对于任意一个超像素块，根据超像素块内像素点的灰度值构建高斯模型，获取高斯模型的均值和方差，将灰度熵、高斯模型的均值和方差组成超像素块的特征向量，所述特征向量作为所述灰度分布特征。

进一步地，所述特征相似性的获取方法，包括：

计算任意两个超像素块的灰度分布特征之间的欧氏距离作为特征距离，将特征距离进行负相关映射所得到的结果作为对应两个超像素块之间的特征相似性。

进一步地，所述根据超像素块之间的灰度分布特征的特征相似性将超像素块分类的方法，包括：

设置聚合阈值，当两个超像素块之间的特征相似性大于聚合阈值时，将两个超像素块归为一个类别，得到至少两个类别，每个类别对应一个子区域。

进一步地，所述局部灰度指标的获取方法，包括：

统计每个像素点的预设邻域范围内像素点的灰度级，基于预设邻域范围内每个灰度级计算信息熵，将信息熵作为对应像素点的局部灰度指标。

本发明具有如下有益效果：

本发明实施例中，在获取全景图像中各像素点的特征指标的过程中，从灰度分布、空间分布和结构分布三个方面对每个像素点的预设邻域范围内的各像素点进行详细分析，有效提高了各像素点的特征指标的准确性；由于像素点设定尺寸的预设邻域范围内各像素点与对应像素点之间的相关性较大，能够较好的表现对应像素点的信息，所以在获取像素点的特征指标时以该像素点的预设邻域范围内各像素点为目标进行分析，从灰度分布方面分析，获取表征像素点的预设邻域范围内各像素点灰度分布杂乱程度的局部灰度指标，将像素点的预设邻域范围内划分为多个尺度跨度不同的尺度窗口，能够精确的获取各尺度窗口内灰度级的空间分布，进而获取表征像素点的预设邻域范围内各灰度级的空间分布聚合程度的空间分布指标，从结构分布进行分析，获取表征图像信息的细节变化的结构分布指标，由于依次对像素点的灰度分布、空间分布和结构分布三个方面进行分析，则结合局部灰度指标、空间分布指标和结构分布指标得到像素点的特征指标可以更加准确的反映各像素点所需的增强程度，基于不同像素点的特征指标实现对全景图像的自适应增强，达到了针对性的增强效果，使通过增强操作后得到全景增强图像中细节信息保存完整；将全景增强图像初步划分为多个超像素块，为了便于对全景增强图像进行更细致的分割获取超像素块的特征相似性，根据特征相似性实现对全景增强图像划分区域，提高了对全景图像进行准确识别的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种应用于箱体全景探测的图像增强及识别方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种应用于箱体全景探测的图像增强及识别方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种应用于箱体全景探测的图像增强及识别方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种应用于箱体全景探测的图像增强及识别方法的步骤流程图，该方法包括：

步骤S1：获取箱体的全景图像。

通过全景检测系统的图像采集设备对箱体的全景图像进行采集，得到全景图像。为了避免噪声数据对全景图像的质量造成影响，通过高斯滤波算法对全景图像进行滤波操作，达到降低全景图像中噪声的目的，以防止噪声数据对全景图像中有效信息的影响。其中，高斯滤波算法为公知技术，具体方法在此不做介绍。

需要说明的是，为了便于后续算法的分析，本发明实施例获取全景图像后将其转换为灰度图像，灰度图像的转换方法为本领域技术人员熟知的技术手段，在此不做赘述。

步骤S2：根据全景图像中每个像素点的预设邻域范围内的灰度值分布特征获得每个像素点的局部灰度指标；在每个像素点的预设邻域范围内划分至少两个尺度窗口，依据每个所述尺度窗口内尺度窗口边缘像素点的灰度级分布获取对应像素点的空间分布指标；基于每个像素点在预设邻域范围内与邻域像素点的灰度差异获取每个像素点的结构分布指标。

为了获取全景图像中各像素点的特征信息，依次从灰度分布、空间分布和结构分布三个方面对像素点进行分析，依次获取每个像素点的局部灰度指标、空间分布指标和结构分布指标，获取上述三个指标的具体方法为：

（1）从灰度分布方面进行分析，获取像素点的局部灰度指标。通过对像素点的预设邻域范围内各像素点的灰度级进行分析，依据预设邻域范围内每个灰度级对应的像素点数量，获取用于表征像素点的预设邻域范围内的信息量及像素点灰度分布杂乱程度的局部灰度指标。像素点的局部灰度指标的计算方法为：统计每个像素点的预设邻域范围内像素点的灰度级，基于预设邻域范围内每个灰度级计算信息熵，将信息熵作为对应像素点的局部灰度指标。

作为一个示例，为提高像素点的特征分析精度，本发明实施例将基于预设邻域范 围对像素点进行特征信息提取，从全景图像选取任意一个像素点，取像素点k为例，以像素 点k为中心点，获取其设定尺寸为

的预设邻域范围，实现对像素点k的预设邻域范围 的获取。

本发明实施例中预设邻域范围的尺寸

取经验11

。

统计像素点k的预设邻域范围内像素点的灰度级，将灰度级的总数记为U，以像素 点k的预设邻域范围内像素点的灰度级u为例，将预设邻域范围内灰度级u对应的像素点数 量与预设邻域范围内像素点的总数量的比值作为灰度级u的出现概率

，计算像素点k的预 设邻域范围内每个灰度级的出现概率，将预设邻域范围内每个灰度级出现的概率作为信息 熵公式的参数获取像素点k的局部灰度指标，则像素点k的局部灰度指标

的计算公式如 下：

式中，

为像素点k的局部灰度指标，

为像素点k的预设邻域范围内像素点的灰 度级的总数，

为像素点k的预设邻域范围内灰度级u的出现概率；

为以常数2为底数的 对数函数。

需要说明的是，出现概率

的计算方法为：像素点k的预设邻域范围内灰度级u对 应的像素点数量与预设邻域范围内像素点的总数量的比值，将该比值作为像素点k的预设 邻域范围内灰度级u的出现概率

，当像素点k的预设邻域范围内灰度级u对应的像素点数 量越多，则出现概率

越大，进而导致像素点k的局部灰度指标

越大，表明像素点k的预设 邻域范围内灰度分布越杂乱，所包含的信息量越大，越需要对像素点k进行增强处理。

（2）从空间分布方面进行分析，获取像素点的空间分布指标：对于每个像素点的预设邻域范围内的任意一个灰度级，分别统计每个尺度窗口内灰度级对应的边缘像素点的数量作为第一数量，统计预设邻域范围内灰度级对应的像素点数量作为第二数量；将第一数量与第二数量的比值作为每个尺度窗口内灰度级的出现概率；对于灰度级的任意一个尺度窗口，将以自然常数e为底数出现概率的对数作为第一对数值，将出现概率与第一对数值的乘积作为第二对数值；将所有尺度窗口对应的第二对数值相加的总和的相反数作为灰度级的灰度级分布指标；将每个像素点的预设邻域范围内每个灰度级的灰度级分布指标相加的总和作为对应像素点的空间分布指标。

作为一个示例，从视觉特征而言，在预设邻域范围内如果某个灰度级的分布较为聚集，则视觉影响较大，因此，本发明将对预设邻域范围内像素点的空间分布指标进行提取。

将像素点k的尺寸为

的预设邻域范围划分为多个尺度跨度，获取尺度窗口 的数量为T，本发明中尺度窗口的数量T取经验值5，则像素点k的预设邻域范围能够得到5个 尺度窗口，第t个尺度窗口有对应的尺度跨度，

，则5个尺度窗口的尺寸依次为

，且5个尺度窗口均以像素点k为中心点。

以像素点k的预设邻域范围的灰度级u为例，统计像素点k的第t个尺度窗口内灰度 级u对应的像素点数量

，并统计像素点k的预设邻域范围内灰度级u对应的像素点数量

，将

表示像素点k的第t个尺度窗口内灰度级u的出现概率，获取像素点k的每个尺度窗口 内灰度级u的出现概率，以像素点k的每个尺度窗口内灰度级u的出现概率为参数获取灰度 级u的灰度级分布指标。

则像素点k的预设邻域范围内灰度级u的灰度级分布指标

的计算公式如下：

式中，

为像素点k的预设邻域范围内灰度级u的灰度级分布指标，

为像素点 k的预设邻域范围内尺度窗口的数量，

为像素点k的第t个尺度窗口内灰度级u对应的像 素点数量，

为像素点k的预设邻域范围内灰度级u对应的像素点数量；

为以自然常数e为 底数的对数函数。

需要说明的是，

表示像素点k的第t个尺度窗口内灰度级u的出现概率，该出现概 率的计算方法为：像素点k的第t个尺度窗口内灰度级u对应的像素点数量

与预设邻域范 围内灰度级u对应的像素点数量

的比值，当像素点k的每个尺度窗口内灰度对应的像素 点数量越多，则出现概率

越大，进而导致像素点k的预设邻域范围内灰度级u的灰度级分 布指标

越大，表明灰度级u在预设邻域范围内的分布越散乱；当像素点k的预设邻域 范围内灰度级u的灰度级分布指标

越大，则灰度级u在预设邻域范围内的空间分布聚 合程度越高，视觉影响越大，显著度越高。

根据像素点k的预设邻域范围内每个灰度级的灰度级分布指标，获取像素点k的空 间分布指标，即分别计算像素点k的预设邻域范围内每个灰度级的灰度级分布指标

，将像素点k的预设邻域范围内的所有灰度级的灰度级分布指标相加 的总和记为

，将

作为像素点k的空间分布指标。

（3）从结构分布方面进行分析，获取像素点的结构分布指标：分别获取每个像素点与对应的每个邻域像素点之间的灰度差异，取每个灰度差异的平方作为第一差值，计算第一差值均值的开方作为第二差值，将每个像素点的预设邻域范围内所有像素点的第二差值的均值作为对应像素点的结构分布指标。

作为一个示例，为进一步提高像素点特征的提取精度，基于预设邻域范围内每个像素点的邻域像素点的灰度值，获取表征像素点的局部细节变化情况的结构分布指标。

取像素点k的预设邻域范围内任意一个像素点，以像素点c为例，分别获取像素点c 的每个四邻域像素点与像素点c之间的灰度差值，依次记为

，其中，

为像素点c的第一个四邻域像素点与像素点c之间的第一灰度差值，

为像素点c的第 二个四邻域像素点与像素点c之间的第二灰度差值，

为像素点c的第三个四邻域像素点 与像素点c之间的第三灰度差值，

为像素点c的第四个四邻域像素点与像素点c之间的第 四灰度差值；根据像素点c的第一灰度差值、第二灰度差值、第三灰度差值和第四灰度差值 的获取方法，获取像素点k的预设邻域范围内每个像素点的第一灰度差值、第二灰度差值、 第三灰度差值和第四灰度差值，结合像素点k的预设邻域范围内每个像素点的第一灰度差 值、第二灰度差值、第三灰度差值和第四灰度差值获取像素点k的结构分布指标，则像素点k 的结构分布指标

的计算公式如下：

式中，

为像素点k的结构分布指标，

为像素点c的第一灰度差值，

为像 素点c的第二灰度差值，

为像素点c的第三灰度差值，

为像素点c的第四灰度差值，

为像素点k的尺寸为

的预设邻域范围内像素点的数量。

需要说明的是，当像素点k的预设邻域范围内像素点c的每个四邻域像素点与像素 点c之间的灰度差值越大，即

均越大，则预设邻域范围内像素点c处的 细节变化越明显，由于像素点k的结构分布指标为所有像素点的第二差值

的均值，则像素点k处的图像细节信息越多，表明像素点k的结构 分布指标越大。

步骤S3：结合所述局部灰度指标、所述空间分布指标和所述结构分布指标得到每个像素点的特征指标；基于所述特征指标对全景图像进行增强得到全景增强图像。

结合像素点的局部灰度指标、空间分布指标、以及结构分布指标获取全景图像中每个像素点的特征指标，本发明主要基于像素点的特征指标对相应像素点进行自适应增强，对于分布较为均匀且包含信息量较少的区域，不需要对其进行特殊增强，对于包含图像细节信息较多的区域，需要对其进行设置相应的增强处理，实现不同像素点的不同增强处理效果，进而提高全景图像的增强效果。则像素点的特征指标的具体方法为：以设定第一常数为底数，空间分布指标为指数得到的值作为第一结果；将局部灰度指标作为分子，第一结果作为分母得到的比值作为第二结果；将结构分布指标与第二结果的乘积作为像素点的特征指标。

作为一个示例，通过上述方法分别获取了像素点k的局部灰度指标

、空间分布指 标

、以及结构分布指标

，基于像素点k的上述三个指标，获取对像素点k的特征显著性 进行表征的特征指标，则像素点k的特征指标

的计算公式如下：

式中，

为像素点k的特征指标，

为像素点k的局部灰度指标，

为像素点k的空 间分布指标，

为像素点k的结构分布指标；

为以自然常数e为底数的指数函数。

需要说明的是，当像素点k的局部灰度指标

越大，表明像素点k的预设邻域范围 内灰度分布越不均匀，像素点k所包含的信息量越大，越需要对像素点k进行增强处理，则像 素点k的特征指标越大；当像素点k的空间分布指标

越小，表示像素点k的灰度级在预设邻 域范围内的空间分布聚合程度越高，对视觉影响越大，需要对像素点k的增强程度越大，则 像素点k的特征指标越大；当像素点k的结构分布指标

越大，代表像素点k的预设邻域范 围内各像素点的细节变化越明显，使得像素点k的图像细节信息越多，说明像素点k越重要， 越需要对像素点k进行增强，则像素点k的特征指标越大。

基于特征指标可对全景图像内各像素点的特征进行分析，对包含信息量大、重要程度高的像素点进行显著处理，对特征指标较大的像素点进行增强；对于特征指标较小、重要程度较低的像素点，对该像素点的灰度值进行抑制处理，以提高全景图像的对比度，实现全景图像的自适应增强效果。

基于特征指标对全景图像进行增强得到全景增强图像的方法为：对全景图像中每个像素点的特征指标进行归一化处理，获取各像素点对应的归一化特征指标；设置第一阈值和第二阈值，使第一阈值小于第二阈值，当像素点的归一化特征指标小于等于第一阈值时，将像素点的灰度值与归一化特征指标的乘积作为对应像素点的增强灰度值；当像素点的归一化特征指标大于第一阈值且小于第二阈值时，对应像素点的灰度值保持不变；当像素点的归一化特征指标大于等于第二阈值时，计算设定第二常数与归一化特征指标的和作为第三结果，将像素点的灰度值与第三结果的乘积作为对应像素点的增强灰度值；全景图像内每个像素点的增强灰度值构成的图像为全景增强图像。

作为一个示例，获取全景图像中每个像素点的特征指标，为便于后续直观分析，对 像素点的特征指标进行归一化处理，获取各像素点对应的归一化特征指标，保证每个像素 点的归一化特征指标均处于

。则对全景图像中每个像素点进行自适应增强的过程如 下：

式中，

为坐标为

的像素点进行自适应增强前的灰度值，

为坐标 为

的像素点进行自适应增强后的增强灰度值，

为坐标为

的像素点的归一 化特征指标；

为第一阈值，取经验值0.3；

为第二阈值，取经验值0.6。

需要说明的是，当坐标为

的像素点的归一化特征指标

越小，说明该像 素点的重要程度较低，为了提高图像的对比度，需要对该像素点的灰度值进行抑制处理，则 该像素点经过自适应增强后的增强灰度值越小；当坐标为

的像素点的归一化特征指 标

越大，说明该像素点的重要程度较高且包含的信息量较大，需要对该像素点的灰 度值进行增强处理，则该像素点经过自适应增强后的增强灰度值越大。

经过上述方法对全景图像的每个像素点都进行自适应增强，获取每个像素点经过自适应增强处理后的增强灰度值，将由全景图像中每个像素点的增强灰度值构成的图像作为全景增强图像。

步骤S4：将所述全景增强图像划分为至少两个超像素块，根据超像素块之间的灰度分布特征的特征相似性将超像素块分类，根据分类结果识别各个子区域。

经过自适应增强处理后的全景增强图像，增加了图像的对比度，提高全景增强图像中各像素点的特征清晰度，便于后续更加准确的对全景增强图像进行分割。

首先，初步对全景增强图像进行超像素分割，获取多个超像素块，对全景增强图像进行分割，以便对全景增强图像的各区域进行识别，实现提高全景增强图像的分割精度的目的，设置分割后的超像素块的数量为N。

本发明实施例中超像素块的数量N取经验值300。

需要说明的是，本发明中选取超像素分割技术对全景增强图像进行分割，具体方法在此不做介绍，为本领域技术人员熟知的技术手段。

其次，考虑到超像素块分割过程中，设置较多的超像素块数量虽然能够将全景增强图像进行更加细致的分割，但是会存在过度分割的问题，为提高箱体分割精度，将对全景增强图像进行初步超像素块分割得到的超像素块进行进一步的分析。

取全景增强图像中的任意一个超像素块，以超像素块n为例，基于超像素块n内各 像素点的灰度值构建高斯模型

，获取超像素块n对应的高斯模型

的均值

和方差

。需 要说明的是，高斯模型的构建技术为公知技术，在此不做具体介绍。

为提高超像素块的划分精度，对超像素块的特征进一步提取，获取每个超像素块的灰度熵。超像素块的灰度分布特征的获取方法为：对于任意一个超像素块，对超像素块进行滤波处理得到纹理提取灰度图，获取纹理提取灰度图的图像熵；对于任意一个超像素块，根据超像素块内像素点的灰度值构建高斯模型，获取高斯模型的均值和方差，将灰度熵、高斯模型的均值和方差组成超像素块的特征向量，所述特征向量作为所述灰度分布特征。

作为一个示例，通过Gabor滤波器对超像素块n进行滤波处理，得到超像素块n对应 的纹理提取灰度图，通过图像熵获取对应的纹理提取灰度图的熵，将对应的熵作为超像素 块n的灰度熵

；当超像素块n的灰度熵

越大，表明超像素块n内的纹理分布越杂乱；当超 像素块n的灰度熵

越小，表明超像素块n内的纹理分布越均匀。以超像素块n和为例，基于 超像素块对应的高斯模型的均值和方差、以及图像熵组成对应超像素块的特征向量，则超 像素块n的特征向量为

，即特征向量为

为超像素块n的灰度 分布特征。需要说明的是，图像熵为公知技术，在此不做具体介绍。

基于任意两个超像素块的灰度分布特征，获取超像素块间的特征相似性。超像素块间的特征相似性的获取方法为：计算任意两个超像素块的灰度分布特征之间的欧氏距离作为特征距离，将特征距离进行负相关映射所得到的结果作为对应两个超像素块之间的特征相似性。

作为一个示例，取全景增强图中的任意两个超像素块，以超像素块n和超像素块s 为例，获取超像素块n的灰度分布特征为

和超像素块s的灰度分布特征为

，计算超像素块n的灰度分布特征

与超像素块s的灰度分布特征

之间的 欧式距离

。将整数2作为分子，将以自然常数e为底数、欧式距离

为指数的指数函数 得到的值与整数1相加的和作为分母，得到的比值作为超像素块n与超像素块s之间的特征 相似性

。则超像素块n与超像素块s之间的特征相似性

的计算公式如下：

式中，

为超像素块n与超像素块s之间的特征相似性，

为特征向量

与特征 向量

之间的欧式距离

；

为自然常数。

需要说明的是，当特征向量

与特征向量

之间的欧式距离

越小，表明超像素 块n与超像素块s之间的相似程度越高，则超像素块n与超像素块s之间的特征相似性

越 大；当特征向量

与特征向量

之间的欧式距离

越大，表明超像素块n与超像素块s之间 的差异越大，则超像素块n与超像素块s之间的特征相似性

越小；任意两个超像素块的特 征相似性的取值范围为

。

基于任意两个超像素块间的特征相似性，将超像素块划分类别，以实现对全景增强图像划分区域。将超像素块划分类别的具体方法为：设置聚合阈值，当两个超像素块之间的特征相似性大于聚合阈值时，将两个超像素块归为一个类别，得到至少两个类别，每个类别对应一个子区域。将相似度较高的超像素块归为一个类别，能够提高全景增强图像的分割精度，有效避免过分分割的问题。

本发明实施例中聚合阈值取经验值0.75。

至此，完成对全景图像的自适应增强处理，并将经过增强处理后得到全景增强图像进行分割处理，准确得到全景增强图像的各个子区域。

综上所述，本发明实施例中，根据全景图像内像素点的预设邻域内的灰度级获取局部灰度指标，基于尺度窗口边缘像素点的灰度级得到空间分布指标，依据像素点的预设邻域内像素点的灰度值获取结构分布指标，结合这三个指标获取特征指标；基于特征指标对全景图像进行增强得到全景增强图像，根据全景增强图像中超像素块内像素点的灰度值和灰度熵获取特征相似性，依据特征相似性对全景增强图像划分区域。本发明从灰度分布、空间分布和结构分布方面对像素点的特征信息进行分析得到像素点的特征指标，基于特征指标对全景图像进行自适应增强处理，提高了全景图像的增强效果。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种应用于箱体全景探测的图像增强及识别方法，其特征在于，该方法包括：

获取箱体的全景图像；

根据全景图像中每个像素点的预设邻域范围内的灰度值分布特征获得每个像素点的局部灰度指标；在每个像素点的预设邻域范围内划分至少两个尺度窗口，依据每个所述尺度窗口内尺度窗口边缘像素点的灰度级分布获取对应像素点的空间分布指标；基于每个像素点在预设邻域范围内与邻域像素点的灰度差异获取每个像素点的结构分布指标；

结合所述局部灰度指标、所述空间分布指标和所述结构分布指标得到每个像素点的特征指标；基于所述特征指标对全景图像进行增强得到全景增强图像；

将所述全景增强图像划分为至少两个超像素块，根据超像素块之间的灰度分布特征的特征相似性将超像素块分类，根据分类结果识别各个子区域。

2.根据权利要求1所述的一种应用于箱体全景探测的图像增强及识别方法，其特征在于，所述空间分布指标的获取方法，包括：

对于每个像素点的预设邻域范围内的任意一个灰度级，分别统计每个尺度窗口内灰度级对应的边缘像素点的数量作为第一数量，统计预设邻域范围内灰度级对应的像素点数量作为第二数量；将第一数量与第二数量的比值作为每个尺度窗口内灰度级的出现概率；对于灰度级的任意一个尺度窗口，将以自然常数e为底数出现概率的对数作为第一对数值，将出现概率与第一对数值的乘积作为第二对数值；将所有尺度窗口对应的第二对数值相加的总和的相反数作为灰度级的灰度级分布指标；将每个像素点的预设邻域范围内每个灰度级的灰度级分布指标相加的总和作为对应像素点的空间分布指标。

3.根据权利要求1所述的一种应用于箱体全景探测的图像增强及识别方法，其特征在于，所述结构分布指标的获取方法，包括：

分别获取每个像素点与对应的每个邻域像素点之间的灰度差异，取每个灰度差异的平方作为第一差值，计算第一差值均值的开方作为第二差值，将每个像素点的预设邻域范围内所有像素点的第二差值的均值作为对应像素点的结构分布指标。

4.根据权利要求1所述的一种应用于箱体全景探测的图像增强及识别方法，其特征在于，所述特征指标的获取方法，包括：

以设定第一常数为底数，空间分布指标为指数得到的值作为第一结果；将局部灰度指标作为分子，第一结果作为分母得到的比值作为第二结果；将结构分布指标与第二结果的乘积作为像素点的特征指标。

5.根据权利要求1所述的一种应用于箱体全景探测的图像增强及识别方法，其特征在于，所述基于所述特征指标对全景图像进行增强得到全景增强图像的方法，包括：

对全景图像中每个像素点的特征指标进行归一化处理，获取各像素点对应的归一化特征指标；

设置第一阈值和第二阈值，使第一阈值小于第二阈值，当像素点的归一化特征指标小于等于第一阈值时，将像素点的灰度值与归一化特征指标的乘积作为对应像素点的增强灰度值；

当像素点的归一化特征指标大于第一阈值且小于第二阈值时，对应像素点的灰度值保持不变；

当像素点的归一化特征指标大于等于第二阈值时，计算设定第二常数与归一化特征指标的和作为第三结果，将像素点的灰度值与第三结果的乘积作为对应像素点的增强灰度值；

全景图像内每个像素点的增强灰度值构成的图像为全景增强图像。

6.根据权利要求1所述的一种应用于箱体全景探测的图像增强及识别方法，其特征在于，所述灰度分布特征的获取方法，包括：

对于任意一个超像素块，对超像素块进行滤波处理得到纹理提取灰度图，获取纹理提取灰度图的图像熵；

对于任意一个超像素块，根据超像素块内像素点的灰度值构建高斯模型，获取高斯模型的均值和方差，将灰度熵、高斯模型的均值和方差组成超像素块的特征向量，所述特征向量作为所述灰度分布特征。

7.根据权利要求6所述的一种应用于箱体全景探测的图像增强及识别方法，其特征在于，所述特征相似性的获取方法，包括：

计算任意两个超像素块的灰度分布特征之间的欧氏距离作为特征距离，将特征距离进行负相关映射所得到的结果作为对应两个超像素块之间的特征相似性。

8.根据权利要求1所述的一种应用于箱体全景探测的图像增强及识别方法，其特征在于，所述根据超像素块之间的灰度分布特征的特征相似性将超像素块分类的方法，包括：

设置聚合阈值，当两个超像素块之间的特征相似性大于聚合阈值时，将两个超像素块归为一个类别，得到至少两个类别，每个类别对应一个子区域。

9.根据权利要求1所述的一种应用于箱体全景探测的图像增强及识别方法，其特征在于，所述局部灰度指标的获取方法，包括：

统计每个像素点的预设邻域范围内像素点的灰度级，基于预设邻域范围内每个灰度级计算信息熵，将信息熵作为对应像素点的局部灰度指标。

Images