【技术实现步骤摘要】
本专利技术涉及图片处理，尤其涉及一种基于图片灰度值的图片目标自动标注方法及系统。
技术介绍
1、自动目标标注旨在识别图像中的对象并分配适当的标签。传统的图像标注方法依赖于简单的图像处理技术，如颜色、亮度和简单的纹理分析，这些方法往往无法准确识别图像中的复杂或遮挡的对象。此外，这些方法缺乏对图像的多尺度分析，使得在不同尺度上具有显著特征的目标难以被准确识别。传统方法的另一个主要缺点是它们通常不包括深度学习技术，这限制了它们在学习图像中高级、复杂特征表示方面的能力。
2、在灰度图像的处理上，现有方法往往未能充分利用灰度信息中蕴含的丰富纹理和形状特征。此外，大多数现有技术缺乏有效的多尺度和多分辨率分析机制，这限制了它们在不同尺度上识别细节和形状特征的能力，并且在变化的光照和对比度条件下的表现不稳定。
技术实现思路
1、鉴于上述现有存在的问题，提出了本专利技术。
2、因此，本专利技术提供了一种基于图片灰度值的图片目标自动标注方法，能够解决图像目标自动标注在复杂场景下的准确性、鲁棒性以及多尺度分析的不足。克服现有技术在处理灰度图像时对纹理和形状特征提取不足、自适应能力差以及在多尺度分析上的局限性的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案，一种基于图片灰度值的图片目标自动标注方法，包括：
4、对输入的图片进行图像增强与预处理，对预处理后的图片进行多维灰度值特征提取，包括纹理分析、边缘检测和形状特征提取，并构建多维特征空间；>
5、采用自适应灰度值阈值调整，根据图像特征动态调整阈值，应用深度学习与灰度值融合模型，利用卷积神经网络cnn学习图像的高层特征表示，并将所述特征与灰度值特征结合；
6、根据特征结合结果进行多尺度和多分辨率分析，通过尺度空间理论和多分辨率分析技术，在不同尺度和分辨率上分析图像，并对图片中目标的精确自动标注。
7、作为本专利技术所述的基于图片灰度值的图片目标自动标注方法的一种优选方案，其中：所述图像增强与预处理包括，计算原始图像的灰度直方图，通过直方图均衡化技术调整图像的灰度分布，接着计算累积分布函数cdf，并使用cdf映射原图像中的每个像素值到新的灰度级，同时应用中值滤波技术对图像进行去噪处理，包括为图像中的每个像素选择一个邻域窗口，并将当前像素值替换为窗口内像素值的中位数，使用卷积神经网络cnn从低分辨率图像学习生成高分辨率图像的映射，通过超分辨率技术增强图像的分辨率。
8、作为本专利技术所述的基于图片灰度值的图片目标自动标注方法的一种优选方案，其中：所述多维灰度值特征提取包括，利用灰度共生矩阵glcm、局部二值模式lbp、索贝尔算子、坎尼边缘检测方法和霍夫变换或形状上下文算法设计多维灰度值特征提取模型，具体如下：
9、，
10、其中，是基于glcm的高等积分函数，用于处理纹理特征的复杂度； 是调整纹理分析精度的参数；是用于分析lbp特征的细节的求和函数；是局部二值模式的阈值参数；是用于索贝尔算子处理后的图像的复杂信息过滤函数； 是边缘检测的灵敏度参数；为输入图像；为图像的灰度共生矩阵，为局部二值模式；为索贝尔算子处理后的图像；为霍夫变换或形状上下文算法提取的形状特征；是坎尼边缘检测的结果，是坎尼边缘检测对应参数；是图像的像素总数；表示整个图像的域；
11、用glcm描述图像中灰度级的空间关系，从中提取纹理特征，具体表达为：
12、，
13、其中，表示在距离上计算的glcm，contrast和homogeneity分别表示从glcm中提取的对比度和同质性特征；局部二值模式将图像的每个像素与其周围邻域的像素进行比较，生成一个二进制数，具体展开为：
14、，
15、其中，是中心像素的灰度值，是中心像素周围的第个邻域像素的灰度值，是邻域像素的数量，是符号函数；
16、复杂信息过滤函数用于处理索贝尔算子处理后的图像，评估图像边缘的清晰度和强度，具体展开为：
17、，
18、其中，是索贝尔算子处理后在位置的像素值；
19、形状特征通过霍夫变换或形状上下文算法提取，具体展开为：
20、，
21、其中，是狄拉克函数，用于在霍夫空间中检测直线，和分别是直线的角度和距离参数。
22、作为本专利技术所述的基于图片灰度值的图片目标自动标注方法的一种优选方案，其中：所述自适应灰度值阈值调整包括，根据图像的亮度、对比度以及目标对象的大小自动调整灰度阈值构建自适应灰度值阈值模型，设为输入图像，为图像的亮度，为图像的对比度，为目标对象的大小，则自适应灰度阈值表示如下：
23、，
24、其中，是对图像对比度的复杂积分函数，用于平滑处理对比度在不同图像区域的变化；是图像亮度的对数函数，用于调节亮度对阈值的影响；是根据目标对象的大小调整阈值，其中是预设的大小参数，用于调整目标大小的敏感度；将对比度的影响归一化到<mi>[</mi><mi>-</mi><mi>0.5,0.5]</mi>区间内，以确保整个公式的输出在合理的范围内；
25、其中，值越高表示在亮度越高、对比度越高或目标对象越大的图像中使用越高的灰度阈值，反之亦然。
26、作为本专利技术所述的基于图片灰度值的图片目标自动标注方法的一种优选方案，其中：所述深度学习与灰度值融合模型包括，根据提取特征和自适应灰度值阈值调整后的结果进行深度学习与灰度值融合模型的构建，构建如下：
27、设为输入图像，表示通过模型参数定义的卷积神经网络对图像的处理结果，设为图像的灰度值特征函数，提取与灰度值对应的特征，融合模型表示为：
28、，
29、其中，表示归一化函数，用于将融合后的特征映射到特定范围内；和是权重参数，用于调整特征和灰度值特征在融合过程中的权重；表示对图像的灰度值特征进行整体积分，捕获图像的整体灰度信息；是调节参数，用于平衡对数项的贡献，增强模型的非线性表达能力；表示cnn特征的模，提供关于图像高层特征强度的信息；公式的值域由归一化函数决定，通常是<mi>[0,1]</mi>或；
30、灰度值特征函数旨在从图像中提取与灰度相关的特征，特征包括灰度直方图、灰度统计量以及基于灰度的纹理特征，具体展开为：
31、，
32、其中，是图像中像素的总数，是第个像素的灰度值，是图像的平均灰度值。
33、作为本专利技术所述的基于图片灰度值的图片目标自动标注方法的一种优选方案，其中：所述多尺度和多分辨率分析包括，利用尺度空间理论创建图像的多尺度表示，通过对图像应用一系列不同尺寸的高斯滤波来实现，每个滤波器对应一个特定的尺度：
34、，
35、其中，表示在尺度处的图像，是高斯滤波器，是原始图像，表示卷积操作；
<本文档来自技高网...【技术保护点】
1.一种基于图片灰度值的图片目标自动标注方法，其特征在于：包括，
2.如权利要求1所述的一种基于图片灰度值的图片目标自动标注方法，其特征在于：所述图像增强与预处理包括，计算原始图像的灰度直方图，通过直方图均衡化技术调整图像的灰度分布，并计算累积分布函数CDF，使用CDF映射原图像中的每个像素值到新的灰度级，同时应用中值滤波技术对图像进行去噪处理，包括为图像中的每个像素选择一个邻域窗口，并将当前像素值替换为窗口内像素值的中位数，使用卷积神经网络CNN学习生成满足预设要求的分辨率图像的映射，通过超分辨率技术增强图像的分辨率。
3.如权利要求2所述的一种基于图片灰度值的图片目标自动标注方法，其特征在于：所述多维灰度值特征提取包括，利用灰度共生矩阵GLCM、局部二值模式LBP、索贝尔算子、坎尼边缘检测方法和霍夫变换或形状上下文算法设计多维灰度值特征提取模型，具体如下：
4.如权利要求3所述的一种基于图片灰度值的图片目标自动标注方法，其特征在于：所述自适应灰度值阈值调整包括，根据图像的亮度、对比度以及目标对象的大小自动调整灰度阈值构建自适应灰度值阈值模型
5.如权利要求4所述的一种基于图片灰度值的图片目标自动标注方法，其特征在于：所述深度学习与灰度值融合模型包括，根据提取特征和自适应灰度值阈值调整后的结果进行深度学习与灰度值融合模型的构建，构建如下：
6.如权利要求5所述的一种基于图片灰度值的图片目标自动标注方法，其特征在于：所述多尺度和多分辨率分析包括，利用尺度空间理论创建图像的多尺度表示，通过对图像应用一系列不同尺寸的高斯滤波来实现，每个滤波器对应一个特定的尺度：
7.如权利要求6所述的一种基于图片灰度值的图片目标自动标注方法，其特征在于：所述多尺度和多分辨率分析还包括，对图像进行分析评估，边缘强度评估使用Sobel算子计算图像的梯度幅度，计算梯度幅度的平均值；纹理复杂度评估应用局部二值模式LBP提取图像的纹理特征，并计算纹理特征的熵；形状对比度评估通过形状匹配算法计算形状特征与预定义形状模板的匹配分数，综合显著性评分根据评估指标，定义一个综合显著性评分:
8.一种采用如权利要求1-7任一所述的一种基于图片灰度值的图片目标自动标注方法的系统，其特征在于：系统包括，图像采集单元、图像处理模块、系统逻辑单元、算法模块以及信息传输模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于图片灰度值的图片目标自动标注方法，其特征在于：包括，
2.如权利要求1所述的一种基于图片灰度值的图片目标自动标注方法，其特征在于：所述图像增强与预处理包括，计算原始图像的灰度直方图，通过直方图均衡化技术调整图像的灰度分布，并计算累积分布函数cdf，使用cdf映射原图像中的每个像素值到新的灰度级，同时应用中值滤波技术对图像进行去噪处理，包括为图像中的每个像素选择一个邻域窗口，并将当前像素值替换为窗口内像素值的中位数，使用卷积神经网络cnn学习生成满足预设要求的分辨率图像的映射，通过超分辨率技术增强图像的分辨率。
3.如权利要求2所述的一种基于图片灰度值的图片目标自动标注方法，其特征在于：所述多维灰度值特征提取包括，利用灰度共生矩阵glcm、局部二值模式lbp、索贝尔算子、坎尼边缘检测方法和霍夫变换或形状上下文算法设计多维灰度值特征提取模型，具体如下：
4.如权利要求3所述的一种基于图片灰度值的图片目标自动标注方法，其特征在于：所述自适应灰度值阈值调整包括，根据图像的亮度、对比度以及目标对象的大小自动调整灰度阈值构建自适应灰度值阈值模型，设为输入图像，为图像的亮度，为图像的对比度，为目标对象的大小，则自适应灰度阈值表示如下：
5.如权利要求4所述的一种基于图片灰度值的图片目标自动标注方法，其特征在于：所述深度学习与灰度值融合模型包括，根据提取特征和自适...
【专利技术属性】
技术研发人员：王刚，赵哲，张权，邓镇健，
申请(专利权)人：广州市易鸿智能装备股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。