【图像质量检测】为什么图像出现异常时会呈现绿色

问题背景

经常可以看到一些异常情况下的图像画面,除了黑色与白色以外,最常见到的是一种偏深绿色的颜色(问题发生的原因不同,绿色区域的大小、形状不尽相同)。
本文是对绿屏类问题的一种可能做记录与分享,问题的发生情况不尽相同,具体问题请具体分析。
在这里插入图片描述

问题分析

什么颜色的绿

在RGB色彩空间下,通过RGB三色的组合,能够给人展现的绿色有特别多种。通过对异常类图像的分析与总结,可以发现大部分绿色区域的RGB值为(0,135,0)这一特殊组合。需要明确的一点,通过截屏、拍屏得到的图像,颜色值是会发生改变的。
如果有可能,请尽量通过采集卡、设备端截屏等方式来获取图像。
在这里插入图片描述

为什么是绿色

颜色千千万,为什么不能是紫色或者是蓝色???
在这里插入图片描述

YUV:是一种颜色编码方法,常使用在各个视频处理组件中
YUV(模拟), YCbCr(数字), YPbPr等专有名词都可以称为 YUV,彼此有重叠。
Y表示明亮度(单取此通道即可得灰度图),U和V则是描述图像的色彩饱和度,用于指定像素的颜色
编解码:采集到的视频数据一般是 RGB24,为了节省带宽,一般需要经过 编码转换(RGB2YUV) 为 NV12 进行传输;应用时一般需要经过 解码转换(YUV2RGB) 为 RGB 用于显示或后续算法

总结上述资料:视频、图像的采集、处理过程通常涉及到在YUV与RGB之间的转换

对YUV有了初步的了解后,我们可以联想到一个问题:如果YUV出现问题,图像会怎么变化?

YUV和RGB的转换:
Y = 0.299 R + 0.587 G + 0.114 B
U = -0.1687 R - 0.3313 G + 0.5 B + 128
V = 0.5 R - 0.4187 G - 0.0813 B + 128
R = Y + 1.402 (V-128)
G= Y - 0.34414 (U-128) - 0.71414 (V-128)
B= Y + 1.772 (U-128)

设想一下,如果刚好在图像的某块区域,或者是整幅图像出现了YUV的值为(0,0,0)的区域,那么:
R = 1.402 * (-128) = -126.598
G = -0.34414(-128) - 0.71414(-128) = 44.04992 + 91.40992 = 135.45984
B = 1.772 * (-128) = -126.228

取整就是R = -126, G = 135, B = -126
其中RGB有取值范围, 都是[0, 255]
所以最后就是R=0, G=135, B=0

自动化检测思路

1、从颜色特征入手,判定像素值为(0,135,0)的像素点占整幅图像的比例。
风险点:传输或者是经过压缩后,像素点的颜色会被改变。

2、从图像的内容入手,判定是否出现与预期内容不符合的图像。
风险点:依赖环境。

问题排查思路

1、如果图像或视频在设备中不是存储在连续的内存中,排查来源的数据是否完整。
2、视频、图像的编解码过程出现问题。
3、传感器或硬件出现异常(没实际遇到)。

参考

https://blog.csdn.net/mzpmzk/article/details/81239532
https://blog.csdn.net/nwpu053883/article/details/103733537
https://www.pudn.com/news/6228da0a9ddf223e1ad25897.html

  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
工业图像异常检测和医学图像异常检测在应用领域和数据特点上存在一些不同。 1. 应用领域:工业图像异常检测主要应用于制造业、工业生产过程等领域,例如检测产品表面缺陷、设备故障等;而医学图像异常检测主要应用于医学影像领域,例如检测肿瘤、疾病病灶等。 2. 数据特点:工业图像通常是由机器、设备或传感器捕捉到的,例如生产线上的产品图像或机器监控图像。这些图像通常具有较高的分辨率和丰富的细节,同时可能包含噪声或其他干扰因素。医学图像则是通过医学设备(如X射线、MRI、CT等)生成的,这些图像可能具有较高的噪声水平,并且通常需要特殊的预处理和解释。 3. 异常类型:工业图像异常通常指示产品或设备的缺陷、故障或异常操作,例如裂纹、损坏、缺失等。而医学图像异常通常指示疾病或异常情况,例如肿瘤、肌肉骨骼问题等。 4. 数据标注:在工业图像异常检测中,通常需要在训练阶段对正常和异常样本进行标注,以便模型学习区分。在医学图像异常检测中,由于医学图像通常是由专业医生进行诊断和标注的,因此可以使用医生标注的病例数据进行训练。 尽管有这些不同,工业图像异常检测和医学图像异常检测都面临着类似的挑战,例如类别不平衡、数据噪声、复杂的背景等,并且可以使用类似的机器学习和深度学习技术来解决这些问题。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值