本发明专利技术涉及LED显示屏校正领域，尤其涉及一种灯点图像二值化方法、装置及LED显示屏校正方法，包括获取灯点图像，根据预设的目标区域确定策略，从灯点图像中确定目标区域；根据预设的概率密度函数模型以及目标区域中各个像素点的灰度值，得到目标区域的概率密度分布统计数据；根据预设的阈值确定策略以及概率密度分布统计数据，确定灯点二值化阈值；根据灯点二值化阈值对所述灯点图像进行图像二值化处理。本发明专利技术提供的方法、装置，能够精确的将灯点像素与灯点间像素区分，提高灯点图像二值化处理效果，进而提高LED显示屏校正在亮色度校正上的校正效果和校正效率。正上的校正效果和校正效率。正上的校正效果和校正效率。
【技术实现步骤摘要】
一种灯点图像二值化方法、装置及LED显示屏校正方法
[0001]本专利技术涉及LED显示屏的校正领域，尤其涉及一种灯点图像二值化方法、装置及LED显示屏校正方法。
技术介绍
[0002]现有对LED显示屏中的灯点进行标记、提取是基于大津法实现，大津法主要是用一个灰度值阈值(灯点二值化阈值)将相机拍摄的灯点图像中的像素分为两类，灰度值低于该阈值的为背景像素，大于该阈值的为前景像素，但现有技术存在的问题为大津法对图像噪声比较敏感，所以只能针对单一目标进行分割处理，因此当背景大小比例(面积)悬殊、类间方差函数可能呈现双峰或者多峰时，灯点图像二值化效果较差，同时由于灯点图像中往往有多个灯点，背景像素多于前景像素，并且灯点像素(前景像素)与背景像素存在很多过渡像素，此时使用大津法进行二值化后，经常会出现灰度值阈值过大(过大会造成二值化处理之后提取的灯点区域过小或者部分灯点未标出，如图1所示)或过小(过小会造成相邻灯点相连成为一个灯点如图2所示)的情况。因此本领域技术人员亟需寻找一种新的技术方案来解决上述存在的问题。
技术实现思路
[0003]针对上述问题，本专利技术提供一种灯点图像二值化方法、装置及LED显示屏校正方法，方法包括：
[0004]获取灯点图像，根据预设的目标区域确定策略，从灯点图像中确定由灯点像素以及灯点间像素组成的目标区域；
[0005]根据预设的概率密度函数模型以及目标区域中各个像素点的灰度值，得到目标区域的灰度值的概率密度分布统计数据；
[0006]根据预设的阈值确定策略以及概率密度分布统计数据，确定灯点二值化阈值；
[0007]根据灯点二值化阈值对灯点图像进行图像二值化处理。
[0008]进一步的，预设的目标区域确定策略包括：
[0009]将灯点图像等分为3
×
3个待选区域；
[0010]将位于灯点图像中间位置的待选区域作为目标区域。
[0011]进一步的，方法还包括：
[0012]根据预设的概率密度函数模型评估策略对多个概率密度函数模型进行评估，分别获得每个概率密度函数模型的拟合误差；
[0013]将拟合误差最小的概率密度函数模型作为预设的概率密度函数模型；
[0014]其中，概率密度函数模型包括Rayleigh分布模型、Log
‑
normal分布模型、Weibull分布模型以及K分布模型。
[0015]进一步的，根据预设的概率密度函数模型评估策略对多个概率密度函数模型进行评估，分别获得每个概率密度函数模型的拟合误差包括：
[0016]获取样本灯点图像，根据目标区域确定策略，从样本灯点图像中确定由灯点像素以及灯点间像素组成的目标区域；
[0017]获取样本灯点图像目标区域的灰度直方图，灰度直方图用于表示每个灰度值在样本灯点图像目标区域中对应的像素数；
[0018]根据灰度直方图，获取在样本灯点图像目标区域中，每个灰度值对应的频率值；
[0019]分别根据每个概率密度函数模型对应的概率密度函数，计算在样本灯点图像目标区域中，每个灰度值在每个概率密度函数模型下对应的概率密度分布值；
[0020]根据公式拟合误差计算得到每个概率密度函数模型的拟合误差，其中f
i
表示灰度值i对应的频率值，表示灰度值i对应的概率密度分布值，i的取值范围为[0,255]。
[0021]进一步的，拟合误差最小的概率密度函数模型为Log
‑
normal分布模型。
[0022]进一步的，预设的概率密度函数模型为Log
‑
normal分布模型，概率密度分布统计数据包括概率密度分布均值、概率密度分布众数以及概率密度分布中值，根据预设的概率密度函数模型以及目标区域中各个像素点的灰度值，得到目标区域的灰度值的概率密度分布统计数据包括：
[0023]根据公式计算得到灰度值对数的期望值其中ln x
j
表示目标区域中的第j个像素点的灰度值对数，j的取值范围为[1,N]，N为目标区域中像素点的总数；
[0024]根据公式计算得到灰度值对数的方差
[0025]根据公式计算得到目标区域的概率密度分布均值E(X)；
[0026]根据公式计算得到目标区域的概率密度分布众数mode(X)；
[0027]根据公式计算得到目标区域的概率密度分布中值median(X)。
[0028]进一步的，根据预设的阈值确定策略以及概率密度分布统计数据，确定灯点二值化阈值包括：
[0029]根据标准正态分布的累计分布函数，分别获得概率密度分布均值、概率密度分布中值以及概率密度分布众数对应的累计分布函数值；
[0030]根据累计分布函数值、灯点间像素数和灯点像素数的大小关系，从概率密度分布均值、概率密度分布中值以及概率密度分布众数之中选取一个作为灯点二值化阈值。
[0031]进一步的，若预设的概率密度函数模型为Log
‑
normal分布模型，根据累计分布函数值、灯点间像素数和灯点像素数的大小关系，选取概率密度分布均值作为灯点二值化阈值。
[0032]本专利技术还提供一种LED显示屏校正方法，其特征在于，方法包括：
[0033]获取LED显示屏的灯点图像，根据上述的灯点图像二值化方法对灯点图像进行二值化处理，生成校正图像；
[0034]根据校正图像对所述LED显示屏进行校正。
[0035]本专利技术还提供一种灯点图像二值化装置，装置包括目标区域确定模块、统计模块、阈值选取模块、二值化处理模块，其中：
[0036]目标区域确定模块，与统计模块连接，用于获取灯点图像，根据预设的目标区域确定策略，从灯点图像中确定由灯点像素以及灯点间像素组成的目标区域；
[0037]统计模块，与阈值选取模块连接，用于根据预设的概率密度函数模型以及目标区域中各个像素点的灰度值，得到目标区域的灰度值的概率密度分布统计数据；
[0038]阈值选取模块，与二值化处理模块连接，用于根据预设的阈值确定策略以及概率密度分布统计数据，确定灯点二值化阈值；
[0039]二值化处理模块，根据灯点二值化阈值对灯点图像进行图像二值化处理。
[0040]本专利技术提供的灯点图像二值化方法、装置及LED显示屏校正方法，至少包括以下有益效果：先将根据预设的目标区域确定策略，从灯点图像中确定出由灯点像素以及灯点间像素组成的目标区域，去除背景像素的干扰，后续再根据预设的概率密度函数模型、阈值确定策略，计算得到能够将目标区域中的灯点像素以及灯点间像素区分的灯点二值化阈值，后续根据该灯点二值化阈值对灯点图像进行二值化处理，能够更为精确的将灯点像素与灯点间像素区分，从中提取出灯点像素，提高灯点图像二值化处理效果。进一步的再利用本专利技术中的灯点二值化方法对灯点图像进行二值化处理后生成的校正图像，进行LED显示屏的亮色度校正，能够提高LED显示屏校正在亮色度校正上的校正效果(本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种灯点图像二值化方法，其特征在于，所述方法包括：获取灯点图像，根据预设的目标区域确定策略，从所述灯点图像中确定由灯点像素以及灯点间像素组成的目标区域；根据预设的概率密度函数模型以及所述目标区域中各个像素点的灰度值，得到所述目标区域的灰度值的概率密度分布统计数据；根据预设的阈值确定策略以及所述概率密度分布统计数据，确定灯点二值化阈值；根据所述灯点二值化阈值对所述灯点图像进行图像二值化处理。2.根据权利要求1所述的灯点图像二值化方法，其特征在于，所述预设的目标区域确定策略包括：将所述灯点图像等分为3
×
3个待选区域；将位于所述灯点图像中间位置的待选区域作为目标区域。3.根据权利要1所述的灯点图像二值化方法，其特征在于，所述方法还包括：根据预设的概率密度函数模型评估策略对多个概率密度函数模型进行评估，分别获得每个概率密度函数模型的拟合误差；将拟合误差最小的概率密度函数模型作为预设的概率密度函数模型；其中，所述概率密度函数模型包括Rayleigh分布模型、Log
‑
normal分布模型、Weibull分布模型以及K分布模型。4.根据权利要求3所述的灯点图像二值化方法，其特征在于，所述根据预设的概率密度函数模型评估策略对多个概率密度函数模型进行评估，分别获得每个概率密度函数模型的拟合误差包括：获取样本灯点图像，根据所述目标区域确定策略，从所述样本灯点图像中确定由灯点像素以及灯点间像素组成的目标区域；获取所述样本灯点图像目标区域的灰度直方图，所述灰度直方图用于表示每个灰度值在所述样本灯点图像目标区域中对应的像素数；根据所述灰度直方图，获取在所述样本灯点图像目标区域中，每个灰度值对应的频率值；分别根据每个概率密度函数模型对应的概率密度函数，计算在所述样本灯点图像目标区域中，每个灰度值在每个概率密度函数模型下对应的概率密度分布值；根据公式拟合误差计算得到每个概率密度函数模型的拟合误差，其中f
i
表示灰度值i对应的频率值，表示灰度值i对应的概率密度分布值，i的取值范围为[0,255]。5.根据权利要求4所述的灯点图像二值化方法，其特征在于，所述拟合误差最小的概率密度函数模型为Log
‑
normal分布模型。6.根据权利要求1所述的灯点图像二值化方法，其特征在于，预设的概率密度函数模型为Log
‑
normal分布模型，所述概率密度分布统计数据包括概率密度分布均...
【专利技术属性】
技术研发人员：王利文，
申请(专利权)人：卡莱特云科技股份有限公司，
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。