一种图像检测方法和装置与流程

本发明涉及图像处理和识别技术领域，尤其涉及一种图像检测方法和装置。

背景技术：

随着数码相机、摄像头、超高速扫描仪等图像获取设备的广泛应用，工业化生产技术水平和生产效率的不断提高，对与之配套的生产检测能力也有着越来越高的要求。图像处理技术的日益发展，图像检测技术广泛运用在工业生产过程检测、日常生活安全检测等领域，极大的提升了企业的生产效率和人们的生活水平。

在图像处理和识别的技术领域中，一般地，工业安全的检测通常采用图像分割方法对图像中的特定区域进行检测和识别。现有的图像分割方法主要利用感兴趣区域和背景区域的整体灰度差异，选取适当的阈值分割图像得到感兴趣区域。在光照不均匀或者待检测区域和背景区域灰度差别较小时往往不能准确地分割出感兴趣区域。

技术实现要素：

本发明实施例提供一种图像检测方法和装置，可以准确地检测出图像中的感兴趣区域。

根据本发明实施例的一方面，提供一种图像检测方法，该图像检测方法包括：通过双阈值算法检测待检测图像中的高亮区域像素点；统计待检测图像中的高亮区域像素点以外的像素点在指定邻域中的灰度直方图，根据灰度直方图构建高亮区域像素点以外的像素点的灰度分布的混合高斯模型；利用期望最大化算法对高亮区域像素点以外的像素点的混合高斯模型进行参数估计；基于参数估计得到的混合高斯模型的参数值确定高亮区域像素点以外的像素点是否属于待检测图像中的目标检测区域。

根据本发明实施例的另一方面，提供一种图像检测装置，该检测装置包括：高亮区域检测模块，用于通过双阈值算法检测待检测图像中的高亮区域像素点；混合高斯模型构建模块，用于统计待检测图像中的高亮区域像素点以外的像素点在指定邻域中的灰度直方图，根据灰度直方图构建高亮区域像素点以外的像素点的灰度分布的混合高斯模型；参数值估计模块，用于利用期望最大化算法对高亮区域像素点以外的像素点的混合高斯模型进行参数估计；目标检测区域确定模块，用于基于参数估计得到的混合高斯模型的参数值确定高亮区域像素点以外的像素点是否属于待检测图像中的目标检测区域。

本发明实施例中的图像检测方法和装置，对待检测图像中高亮区域以外的图像的每一个像素点，使用混合高斯模型分析其邻域窗口内的灰度值分布，并使用混合高斯模型中高斯项系数、均值和方差对该图像进行分割，检测出目标检测区域。通过本发明实施例中的图像检测方法，在光照不均匀或者待检测区域和背景区域灰度差别较小时，可以准确地分割出感兴趣的目标区域。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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他的附图。

图1是示出根据本发明一实施例的图像检测方法的流程图；

图2是示出根据本发明另一实施例的图像检测方法的更详细的流程图；

图3是示出根据本发明一实施例的图像检测装置的结构示意图；

图4是示出根据本发明另一实施例的图像检测装置的更详细的结构示意图；

图5是示出了发明一实施例的能够实现根据本发明实施例的图像检测方法和装置的计算设备的示例性硬件架构的结构图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明实施例提供的图像检测方法和装置可以应用于工业生产过程检测、日常生活安全检测等领域。作为一个具体的应用，使用本发明实施中的图像检测方法和装置进行隧道的渗漏水检测是一种较为可靠的、高效率的处理方法。

隧道渗漏水作为一种常见的隧道病害对隧道的安全具有重要的影响，下面结合附图，以对隧道渗漏水进行图像检测为例，详细描述根据本发明实施例的图像检测方法和装置。应注意，这些实施例并不是用来限制本发明公开的范围。

图1是示出根据本发明一实施例的图像检测方法的流程图。如图1所示，本实施例中的图像检测方法100包括以下步骤：

步骤s110，通过双阈值算法检测待检测图像中的高亮区域像素点。

步骤s120，统计待检测图像中的高亮区域像素点以外的像素点在指定邻域中的灰度直方图，根据灰度直方图构建高亮区域像素点以外的像素点的灰度分布的混合高斯模型。

步骤s130，利用期望最大化算法对高亮区域像素点以外的像素点的混合高斯模型进行参数估计。

步骤s140，基于参数估计得到的混合高斯模型的参数值确定高亮区域像素点以外的像素点是否属于待检测图像中的目标检测区域。

根据本发明实施例的图像检测方法，对待检测图像中的高亮区域像素点以外的像素点构建混合高斯模型，并使用混合高斯模型，利用期望最大化算法学习待检测图像的灰度分布，从而根据学习得到的高斯模型参数对待检测图像进行分割，从而检测出目标区域。

作为可选实施例，在进行图像检测之前，可以先对待检测图像进行预处理。

图2是示出根据本发明另一实施例的图像检测方法的更详细的流程图，图2与图1相同或等同的步骤使用相同的标号。如图2所示，图2所示的图像检测方法200基本相同于图像检测方法100，不同之处在于，步骤s110还可以包括以下步骤：

步骤s110-1，对待检测图像进行去噪处理。

步骤s110-2，通过双阈值算法检测经去噪处理的待检测图像中的高亮区域像素点。

具体地，可以使用中值滤波器对待检测图像进行去噪处理，去除噪声的同时也能够很好地保持图像的边缘信息。

在另一些实施例中，根据目标检测区域在待检测图像中较暗的特点，可以首先对目标检测区域的高亮区域进行检测。作为可选实施例，步骤s110中的通过双阈值算法检测待检测图像中的高亮区域像素点的步骤具体可以包括：

步骤s111，分别使用预设的高灰度阈值和预设的低灰度阈值对待检测图像进行图像分割，得到高阈值分割二值图像和低阈值分割二值图像，其中，该高灰度阈值大于该低灰度阈值。

在该步骤中，作为一个示例，高灰度阈值的取值例如可以是200，低灰度阈值的取值例如可以是150。

步骤s112，获取低阈值分割二值图像中的像素值为1的第一像素点的n×n邻域作为第一邻域，并获取高阈值分割二值图像中与第一像素点的位置相同的像素点的n×n邻域作为第二邻域。

在该步骤中，n的取值可以是21～25之间的奇数。

步骤s113，如果第二邻域中不存在像素值为1的像素点，则将第一像素点的像素值置为0。

步骤s114，将第一邻域中像素值为1的像素点标记为高亮区域像素点。

可选地，对检测到的于高亮区域像素点，可以使用特定的值进行标记，区别于待检测图像中的其他像素点。

根据本发明实施例中的图像检测方法，在对隧道渗漏水区域进行检测时，通常情况下，隧道的干燥区在待检测图像中亮度较高，而隧道的渗漏水区在待检测图像中亮度较低。通过从待检测图像中对高亮区域进行检测，在后续的图像检测的处理过程中，对除高亮区域以外的图像进行隧道渗漏水的检测，可以提高图像检测的效率和准确性。

本发明实施例中的期望最大化算法(expectationmaximizationalgorithm)，简称em算法。在本发明实施例中，em算法是在待检测图像的每个像素点的混合高斯模型中寻找该混合高斯模型中的参数最大似然估计的算法。

具体地，步骤s130中利用期望最大化算法对所述高亮区域像素点以外的像素点的混合高斯模型进行参数估计的步骤，具体可以包括：

步骤s131，根据预设的混合高斯模型的参数值的初始值，利用期望最大化算法，对参数值进行迭代优化。

步骤s132，当迭代后的参数值使混合高斯模型的似然函数收敛时，将迭代优化后的参数值作为对混合高斯模型进行参数估计得到的参数值。

在一些实施例中，步骤s131中的混合高斯模型的参数值包括该混合高斯模型中的高斯项的权值、均值和方差。

作为一个示例，混合高斯模型可以包括两个高斯项，分别对混合高斯模型中两个高斯项的参数值进行初始化，设置两个高斯项的权值均为1/2，设置两个高斯项的均值分别为255/3和255×2/3，设置两个高斯项的方

具体地，步骤s131可以包括如下步骤：

步骤s131-1，根据权值的初始值、均值的初始值和方差的初始值，初始化混合高斯模型。

步骤s131-2，利用期望最大化算法中的公式估计混合高斯模型中的像素点由每个高斯项生成的概率，其中，表示对第j个像素点由第i个高斯项生成的概率值，xj表示第j个像素点，πi、μi和σi分别表示第i个高斯项的权值、均值和方差；p(xj|μi，σi)表示在当前迭代步骤中，像素点xj在第i个高斯项中的概率。

步骤s131-3，通过期望最大化算法中的公式计算得到更新的混合高斯模型的权值πi、均值μi和方差σi，其中，m表示混合高斯模型中的像素点的个数。

在本实施例的上述步骤中，可以将步骤s131-2作为em算法中的e步骤，即计算期望的步骤；将步骤s131-3作为em算法中的m步骤，即最大化步骤。

具体地，em算法可以作为一个逐次逼近算法，在e步骤中通过给定混合高斯模型的参数值的初始值，确定该混合高斯模型对应于这组参数的状态，在当前的状态下再对混合修正；在m步骤中重新估计混合高斯模型中的参数值，并根据新的参数值重新确定模型的状态。

迭代使用上述e步骤和m步骤，将m步骤中得到的参数估计值用于下一个e步骤的计算中，将这个过程不断交替进行，直到混合高斯模型的似然函数收敛，得到对混合高斯模型进行参数估计得到的参数值。

在上述实施例中，通过em算法逐步改进混合高斯模型的参数值，使混合高斯模型的参数值逐渐逼近真实的参数值。本发明实施例通过em算法提供的迭代算法计算混合高斯模型的参数值，计算方法简单且稳定。

在一些实施例中，步骤s140具体可以包括：

步骤s141，如果两个高斯项的其中一个高斯项的权值小于预设的权值阈值，确定高亮区域像素点以外的像素点不属于目标检测区域。

步骤s142，如果两个高斯项的均值的差值绝对值大于预设的均值阈值，并且两个高斯项的方差的差值绝对值小于预设的方差阈值，确定高亮区域像素点以外的像素点属于目标检测区域。

作为一个示例，预设的权值阈值可以是15，预设的均值阈值可以是20，预设的方差阈值可以是10。

在该实施例中，根据混合高斯模型中的高斯项的权值、均值和方差对待检测图像进行分割，检测出渗漏水区域。

根据本发明实施例提供的图像检测方法，可以更准确的对图像中的渗漏水区域进行检测，并可以将该图像检测方法应用于其他安全成产过程或安全检测等领域，能够准确并高效率地检测出图像中的目标区域。

下面结合附图详细介绍根据本发明实施例的图像检测装置。

图3示出了根据本发明一实施例提供的图像检测装置的结构示意图。如图3所示，本发明实施例中的图像检测装置300包括：

高亮区域检测模块320，用于通过双阈值算法检测待检测图像中的高亮区域像素点。

混合高斯模型构建模块330，用于统计待检测图像中的高亮区域像素点以外的像素点在指定邻域中的灰度直方图，根据灰度直方图构建高亮区域像素点以外的像素点的灰度分布的混合高斯模型。

参数值估计模块340，用于利用期望最大化算法对高亮区域像素点以外的像素点的混合高斯模型进行参数估计。

目标检测区域确定模块350，用于基于参数估计得到的混合高斯模型的参数值确定高亮区域像素点以外的像素点是否属于待检测图像中的目标检测区域。

根据本发明实施例的图像检测装置，对于待检测图像中的像素点，使用混合高斯模型分析每个像素点指定邻域窗口内的灰度值分布，并根据混合高斯模型中的参数值对待检测图像进行分割，可以更加准确地检测出目标区域。

图4是示出根据本发明另一实施例的图像检测装置的更详细的结构示意图，图4与图3相同或等同的步骤使用相同的标号。如图4所示，图4所示的图像检测装置400基本相同于图像检测装置300，不同之处在于，图像检测装置400还可以包括：

图像预处理模块310，用于对待检测图像进行去噪处理对待检测图像进行去噪处理。

高亮区域检测模块320还用于通过双阈值算法检测经去噪处理的待检测图像中的高亮区域像素点通过双阈值算法检测经去噪处理的待检测图像中的高亮区域像素点。

作为可选实施例，高亮区域检测模块320还可以包括：

图像分割单元321，用于分别使用预设的高灰度阈值和预设的低灰度阈值对检测图像进行图像分割，得到高阈值分割二值图像和低阈值分割二值图像，高灰度阈值大于低灰度阈值。

邻域获取单元322，用于获取低阈值分割二值图像中的像素值为1的第一像素点的n×n邻域作为第一邻域，并获取高阈值分割二值图像中与第一像素点的位置相同的像素点的n×n邻域作为第二邻域。

像素值处理单元323，用于如果第二邻域中不存在像素值为1的像素点，则将第一像素点的像素值置为0。

高亮区域像素点标记单元324，用于将第一邻域中像素值为1的像素点标记为高亮区域像素点。

在该实施例中，通过从待检测图像中对高亮区域进行检测，在后续的图像检测的处理过程中，对排除高亮区域后的待检测图像进行隧道渗漏水的检测，可以提高图像检测的效率和准确性。

作为可选实施例，参数值估计模块340还可以包括：

迭代优化单元341，用于根据预设的混合高斯模型的参数值的初始值，利用期望最大化算法，对参数值进行迭代优化。

参数值选取单元342，用于当迭代优化后的参数值使混合高斯模型的似然函数收敛时，将迭代优化后的参数值作为对混合高斯模型进行参数估计得到的参数值根据参数值的初始值，利用期望最大化算法，迭代优化混合高斯模型中的参数，以使混合高斯模型收敛。

具体地，迭代优化单元341具体可以用于根据权值的初始值、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计混合高斯模型中的像素点由每个高斯项生成的概率，其中，表示对第j个像素点由第i个高斯项生成的概率值，xj表示第j个像素点，πi、μi和σi分别表示第i个高斯项的权值、均值和方差；p(xj|μi，σi)表示在当前迭代步骤中，像素点xj在第i个高斯项中的概率；并通过期望最大化算法中的公式计算得到更新的混合高斯模型的权值πi、均值μi和方差σi，其中，m表示混合高斯模型中的像素点的个数。

在该实施例中，通过em算法逐步改进混合高斯模型的参数值，使混合高斯模型的参数值逐渐逼近真实的参数值，从而是图像的检测和识别更加准确。

作为可选实施例，混合高斯模型可以包括两个高斯项，目标检测区域确定模块350具体用于：

如果两个高斯项的其中一个高斯项的权值小于预设的权值阈值，确定高亮区域像素点以外的像素点不属于目标检测区域如果两个高斯项的权值中包括小于预设的权值阈值，确定每个像素点不属于目标检测区域；

如果两个高斯项的均值的差值的绝对值大于预设的均值阈值，并且两个高斯项的方差的差值的绝对值小于预设的方法方差阈值，确定高亮区域像素点以外的像素点属于目标检测区域。

根据本发明实施例提供的图像检测装置，可以适应于更多的光照条件下获得的待处理图像以及待检测区域和背景区域灰度差别较小情况下的待检测区域，准确的检测出图像中的感兴趣区域。

根据本发明实施例的图像检测装置的其他细节与以上结合图1和图2描述的根据本发明实施例的图像检测方法类似，在此不再赘述。

结合图1至图4描述的根据本发明实施例的图像检测方法和装置可以由可拆卸地或者固定地安装在应用服务端设备上的计算设备实现。图5是示出能够实现根据本发明实施例的图像检测方法和装置的计算设备的示例性硬件架构的结构图。如图5所示，计算设备500包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505、以及输出设备506。其中，输入接口502、中央处理器503、存储器504、以及输出接口505通过总线510相互连接，输入设备501和输出设备506分别通过输入接口502和输出接口505与总线510连接，进而与计算设备500的其他组件连接。具体地，输入设备501接收来自外部(例如，摄像设备或数码相机)的输入信息，并通过输入接口502将输入信息传送到中央处理器503；中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器504中，然后通过输出接口505将输出信息传送到输出设备506；输出设备506将输出信息输出到计算设备500的外部供用户使用。

也就是说，图5所示的计算设备也可以被实现为包括：存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时可以实现结合图1至图4描述的图像检测方法和装置。这里，处理器可以与图像管理系统或安装在待检测装置上的图像传感器等图像获取模块进行通信，从而基于来自图像管理系统和/或图像传感器的相关信息执行计算机可执行指令，从而实现结合图1至图4描述的图像检测方法和装置。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。