买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了基于深度学习智能检测过滤图片特定区域差异度的方法，涉及图像处理技术领域，包括通过深度学习检测模型对差异图片进行初筛并提取需过滤物；将无差异和有差异图形进行对齐，计算配准后的灰度图像的差异并进行差异增强；遍历差异图像轮廓，得到轮廓左上角坐标及宽高，依次进行差异抑制。本发明提供的基于深度学习智能检测过滤图片特定区域差异度的方法结合深度学习模型，提高了特定区域差异检测和需要过滤部分的识别准确度。通过透视变换对图像进行几何对齐，确保两幅图像在比较时的对应关系一致，提高差异检测的准确性。进行灰度转换以减少数据维度和计算复杂度，同时提高后续特征检测的鲁棒性。

主权项：1.一种基于深度学习智能检测过滤图片特定区域差异度的方法，其特征在于，包括：通过深度学习检测模型对差异图片进行初筛并提取需过滤物；将无差异和有差异图形进行对齐，计算配准后的灰度图像的差异并进行差异增强；遍历差异图像轮廓，得到轮廓左上角坐标及宽高，依次进行差异抑制；所述将无差异和有差异图形进行对齐包括将图像I1和I2转换为灰度图像G1和G2，对灰度图像G1和G2进行关键点检测和描述符计算，得到特征点pi和p′i，及特征点描述符Di和D′i，加入方向信息，使特征点旋转不变，方向信息表示为：计算水平梯度Gx和垂直梯度Gy，表示为： 其中，G为输入的灰度图像，p为任意像素点，Gxp为p在x方向上的梯度，Gyp为p在y方向上的梯度，计算梯度幅度Mp和梯度方向φp: 其中，Mp为p的梯度幅度，φp为p的梯度方向，定义一个基于局部对比度和纹理复杂度的自适应权重函数wp，表示为： 其中，wp为像素点p的自适应权重，pk为待加入方向的特征点，σ为高斯分布的标准差；加权梯度方向直方图表示为： Hθ为角度θ的加权梯度方向直方图值，patch为pk的邻域区域；δφp-θ为Diracdelta函数，当φp等于θ时取值为1，否则为0；取直方图Hθ的最大值对应的角度作为pk的主方向： 对两个图像中的特征点描述符Di和D′i进行匹配，计算每对特征点描述符之间的距离，得到匹配结果Mmr；计算最佳单应性矩阵，从匹配结果Mmr中随机选择4对匹配特征点，计算初始单应性矩阵，设pi＝xi，yi和p′i＝x′i，y′i为灰度图像G1和G2中对应的特征点坐标，单应性矩阵H表示为： 其中，Hpi表示通过单应性矩阵H作用于灰度图像G1的特征点坐标pi后得到的新的特征点位置；计算所有匹配特征点通过单应性矩阵H变换后的投影误差ei，误差定义为变换后点与实际点的欧氏距离：ei＝||Hpi-p′i||根据误差分布中位数动态调整内点阈值；τ＝α·median||Hpi-p′i||其中，α为内点调整系数，取值范围为[1,2]；判断投影误差是否小于设定的阈值τ，若小于则认定匹配特征点是内点；记录内点数量，重复步骤，选择内点数量最多的单应性矩阵作为最佳单应性矩阵，根据最佳单应性矩阵对灰度图像G1进行透视变换，将G1图像坐标系转换到G2图像坐标系，在空间上对齐，实现图像配准，得到配准后的灰度图像G′1；所述计算配准后的灰度图像的差异并进行差异增强包括对灰度图像G′1和G2进行均值滤波去噪处理，得到去噪后图像B1和B2，计算去噪图像B1和B2之间的差异图像Diff，差异图像的每个像素值表示两幅图像的像素值差异；将差异图像进行二值化处理，突出显示差异；应用形态学操作增强差异区域的连续性，使用闭操作先膨胀后腐蚀来填充小孔洞和连接相邻的差异区域，得到差异图像中的轮廓contours；所述遍历差异图像轮廓，得到轮廓左上角坐标及宽高，依次进行差异抑制包括根据预先设置的图像尺寸阈值T对差异轮廓进行尺寸抑制，通过计算轮廓面积，与预先设置的图像尺寸阈值T比较，抑制小于指定尺寸的轮廓，表示为： 其中Fi表示抑制标记，为1表示需要抑制；根据预先设置的边界计算阈值M对差异轮廓进行边缘抑制，去除边缘区域的差异轮廓，差异轮廓需满足限制条件被认为是在有效区域内；限制条件包括：差异轮廓左边缘不超出左边缘限制，xl≥M；差异轮廓上边缘不超出上边缘限制，yl≥M；差异轮廓右边缘不超出右边缘限制，xl+wi≤Wi-M；差异轮廓下边缘不超出下边缘限制，yl+hi≤Hi-M；其中，xl,yl为差异轮廓左上角坐标，wi,hi为差异轮廓的宽高，Wi，Hi为存在差异的特定区域图像I2的宽高；所述遍历差异图像轮廓，得到轮廓左上角坐标及宽高，依次进行差异抑制还包括使用自适应差异阈值算法计算全局阈值，设去噪后原图像为B1，差异图像为B2，全局均值和标准差分别为μB1和σB1： 其中，B1i表示去噪后原图像B1中第i个像素的灰度值，N是图像中像素的总数；利用差异图像B2计算全局差异度： 其中，B2i表示去噪后差异图像B2中第i个像素的灰度值；根据全局特征动态调整差异度阈值，假设初始阈值为D0，调整后的全局阈值为DG表示为： 其中，a是全局阈值调整系数；使用自适应差异阈值算法计算局部阈值，创建与差异图像Diff同样大小的空白掩码，在掩码上绘制当前的轮廓区域；使用掩码将差异图像Diff中的非差异轮廓区域屏蔽掉，将非差异区域的像素值设为0，仅保留差异轮廓区域的像素值，累加差异轮廓区域内的非0像素值后计算平均，得到差异轮廓区域内的差异平均值；与差异阈值D进行比较，若没有大于D，则说明差异未达到预期，需要抑制；遍历抑制后的差异轮廓，依次与通过深度学习检测模型对差异图片进行初筛中得到的需过滤物位置信息进行差异重合度计算，并根据预先设置的重合度阈值C判断需过滤物是否需要被过滤；单次差异重合度计算包括：获取差异轮廓R1左上角坐标x1，y1及右下角坐标x′1，y′1，需过滤物R2左上角坐标x2，y2及右下角坐标x′2，y′2；通过判断R1的左上角坐标和右下角坐标是否在R2范围内，确定R1是否完全包含在R2内，表示为：inside＝x1≥x2∧y1≥y2∧x′1≤x′2∧y′1≤y′2计算R1和R2的重合区域，重合区域的左上角坐标：xo，yo＝maxx1，x2，maxy1，y2重合区域的右下角坐标：x′o，y′o＝minx′1，x′2，miny′1，y′2计算重合区域面积，若重合区域的宽度或高度为0，则说明没有重合区域； 否则，计算重合区域面积，表示为：area＝x′o-xo×y′o-yo计算重合度，重合度是重合区域面积与R1面积的比值，表示为： 若重合且重合度ratio大于重合度阈值C，则表示当前差异轮廓是需过滤物，进行过滤，若经过差异抑制，仍然存在差异轮廓，即将轮廓信息绘制在存在差异的特定区域图像I2上，得到所需的特定区域图像差异度。

全文数据：

权利要求：

百度查询： 朗坤智慧科技股份有限公司 基于深度学习智能检测过滤图片特定区域差异度的方法