本發(fā)明涉及激光光斑定位技術(shù)領(lǐng)域，尤其涉及的是一種光斑定位時去除噪聲的方法及系統(tǒng)。

背景技術(shù)：

當(dāng)前使用激光、紅外以及可見光定位光標(biāo)位置在電子設(shè)備中的應(yīng)用非常廣泛，比如鼠標(biāo)、投影儀、游戲機、以及其它類似的設(shè)備。光標(biāo)定位屬于光斑識別、信號檢測問題，通常采用數(shù)字圖像處理技術(shù)，通過計算光斑在圖像中的位置來確定實際光斑的位置。在實際應(yīng)用中，通過光學(xué)感應(yīng)器抓拍到的圖像中常常會出現(xiàn)或弱或強的噪聲。弱的噪聲通常由設(shè)備本身產(chǎn)生，通過簡單的平滑處理和優(yōu)化最佳分割閾值就可以消除；而強噪聲通常由環(huán)境中的強光、強紅外光等設(shè)備等產(chǎn)生，需要采取一定的方法才能排除。前者屬于分割目標(biāo)和背景的基本問題；后者屬于較為特定的問題。

目前常用的處理辦法是設(shè)定固定的閾值，利用閾值的上下限來排除對光斑的干擾。該方法對環(huán)境的要求過于死板，一旦環(huán)境發(fā)生意想不到的變化，便不能有效的確定光斑的位置。

因此，現(xiàn)有技術(shù)有待于進一步的改進。

技術(shù)實現(xiàn)要素：

鑒于上述現(xiàn)有技術(shù)中的不足之處，本發(fā)明的目的在于為用戶提供一種光斑定位時去除噪聲的方法及系統(tǒng)，克服現(xiàn)有技術(shù)中通常使用設(shè)置固定的閾值來排除外界干擾時，環(huán)境光強度需要滿足一定范圍要求才能準(zhǔn)確排除的缺陷。

本發(fā)明解決技術(shù)問題所采用的技術(shù)方案如下：

一種光斑定位時去除噪聲的方法，其中，包括步驟：

步驟A、以圖像中目標(biāo)物體所處的區(qū)域為目標(biāo)區(qū)域，利用邊框識別法將圖像劃分為目標(biāo)區(qū)域和非目標(biāo)區(qū)域；

步驟B、利用最大類間方差算法、最小類內(nèi)方差算法及背景區(qū)域與光斑區(qū)域的之間面積比與預(yù)設(shè)數(shù)值的差最小原則相結(jié)合得到最佳分割閾值，使用所述最佳分割閾值將圖像分割成背景區(qū)域和多個含有噪聲的光斑區(qū)域；

步驟C、利用高斯分布原理對每個所述光斑區(qū)域中像素的坐標(biāo)點做高斯擬合，得到每個光斑區(qū)域的中心點；

步驟D、將位置處于所述非目標(biāo)區(qū)域內(nèi)的中心點作為干擾點去除，并輸入去除干擾點后的圖像。

所述光斑定位時去除噪聲的方法，其中，所述步驟B中所述利用最大類間方差算法、最小類內(nèi)方差算法及非目標(biāo)區(qū)域與目標(biāo)區(qū)域的之間面積比與預(yù)設(shè)數(shù)值的差最小原則相結(jié)合得到最佳分割閾值的方法包括：

步驟B1、建立準(zhǔn)則函數(shù)，根據(jù)所述準(zhǔn)則函數(shù)計算出最佳分割閾值；

所述準(zhǔn)則函數(shù)的公式為：

其中，為背景區(qū)域像素所占整個圖像像素總和的概率值、為光斑區(qū)域像素所占整個圖像像素總和的概率值、為光斑區(qū)域像素所占整個圖像像素總和概率值的平均值、為背景區(qū)域像素所占整個圖像像素總和概率值的平均值、為背景區(qū)域類內(nèi)方差、為光斑區(qū)域類內(nèi)方差、為與的比值，為預(yù)設(shè)常數(shù)值。

所述光斑定位時去除噪聲的方法，其中，所述步驟B中計算最佳分割閾值之前還包括步驟：

步驟B0、利用小波變換算法對圖像進行整體性去噪處理。

所述光斑定位時去除噪聲的方法，其中，所述步驟D中利用預(yù)設(shè)的判斷函數(shù)對中心點是否位于目標(biāo)區(qū)域內(nèi)進行判斷；所述判斷函數(shù)的定義為：當(dāng)所述中心點位于目標(biāo)區(qū)域內(nèi)，則得到的函數(shù)值為1，若所述中心點不位于目標(biāo)區(qū)域內(nèi)，則得到的函數(shù)值為0。

所述光斑定位時去除噪聲的方法，其中，所述步驟D中按照灰度值大小排列的順序依次將中心點代入判斷函數(shù)，對中心點是否為強噪聲進行判斷，若是，則將所述中心點所對應(yīng)的光斑移除，不是則保留所述中心點所對應(yīng)的光斑。

一種光斑定位時去除噪聲的系統(tǒng)，其中，包括：

第一區(qū)域劃分模塊，用于以圖像中目標(biāo)物體所處的區(qū)域為目標(biāo)區(qū)域，利用邊框識別法將圖像劃分為目標(biāo)區(qū)域和非目標(biāo)區(qū)域；

第二區(qū)域劃分模塊，用于利用最大類間方差算法、最小類內(nèi)方差算法及背景區(qū)域與光斑區(qū)域的之間面積比與預(yù)設(shè)數(shù)值的差最小原則相結(jié)合得到最佳分割閾值，并使用所述最佳分割閾值將圖像分割成背景區(qū)域和多個含有噪聲的光斑區(qū)域；

光斑點擬合模塊，用于利用高斯分布原理對每個所述光斑區(qū)域中像素的坐標(biāo)點做高斯擬合，得到每個光斑區(qū)域的中心點；

干擾去除模塊，用于將位置處于所述非目標(biāo)區(qū)域內(nèi)的中心點作為干擾點去除，并輸入去除干擾點后的圖像。

所述的光斑定位時去除噪聲的系統(tǒng)，其中，所述第二區(qū)域劃分模塊包括：

函數(shù)計算模塊，用于建立準(zhǔn)則函數(shù)，根據(jù)所述準(zhǔn)則函數(shù)計算出最佳分割閾值；

所述準(zhǔn)則函數(shù)的公式為：

其中，為背景區(qū)域像素所占整個圖像像素總和的概率值、為光斑區(qū)域像素所占整個圖像像素總和的概率值、為光斑區(qū)域像素所占整個圖像像素總和概率值的平均值、為背景區(qū)域像素所占整個圖像像素總和概率值的平均值、為背景區(qū)域類內(nèi)方差、為光斑區(qū)域類內(nèi)方差、為與的比值，為預(yù)設(shè)常數(shù)值。

所述的光斑定位時去除噪聲的系統(tǒng)，其中，所述第二區(qū)域劃分模塊還包括：

整體去噪單元，用于利用小波變換算法對圖像進行整體性去噪處理。

所述的光斑定位時去除噪聲的系統(tǒng)，其中，所述干擾去除模塊中利用預(yù)設(shè)的判斷函數(shù)對中心點是否位于目標(biāo)區(qū)域內(nèi)進行判斷；所述判斷函數(shù)的定義為：當(dāng)所述中心點位于目標(biāo)區(qū)域內(nèi)，則得到的函數(shù)值為1，若所述中心點不位于目標(biāo)區(qū)域內(nèi)，則得到的函數(shù)值為0。

所述的光斑定位時去除噪聲的系統(tǒng)，其中，所述干擾去除模塊中按照灰度值大小排列的順序依次將中心點代入判斷函數(shù)，對中心點是否為強噪聲進行判斷，若是，則將所述中心點所對應(yīng)的光斑移除，不是則保留所述中心點所對應(yīng)的光斑。

有益效果，本發(fā)明提供了一種光斑定位時去除噪聲的方法及系統(tǒng)，通過以圖像中目標(biāo)物體所處的區(qū)域為目標(biāo)區(qū)域，利用邊框識別法將圖像劃分為目標(biāo)區(qū)域和非目標(biāo)區(qū)域兩個部分；利用最大類間方差算法、最小類內(nèi)方差算法及背景區(qū)域與光斑區(qū)域的之間面積比與預(yù)設(shè)數(shù)值的差最小原則相結(jié)合得到最佳分割閾值，使用所述最佳分割閾值將圖像分割成背景區(qū)域和多個含有噪聲的光斑區(qū)域；利用高斯分布原理對每個所述目標(biāo)區(qū)域像素的坐標(biāo)點做高斯擬合，得到每個光斑區(qū)域的中心點；將所述中心點的位置處于非目標(biāo)區(qū)域內(nèi)的點去除。本發(fā)明所述的方法及系統(tǒng)，可以快速的識別出強噪聲，具有較強的適應(yīng)性，不受拍攝圖像時環(huán)境光強度的影響。

附圖說明

圖1是本發(fā)明所提供的所述的光斑定位時去除噪聲的方法的步驟流程圖。

圖2是本發(fā)明所述去除噪聲的方法在具體實施例中圖像的組成示意圖。

圖3是本發(fā)明所述的光斑定位時去除噪聲的系統(tǒng)的原理結(jié)構(gòu)示意圖。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚、明確，以下參照附圖并舉實施例對本發(fā)明進一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用于解釋本發(fā)明，并不用于限定本發(fā)明。

由于干擾光源不會出現(xiàn)在屏幕上，強光光斑只會落在非目標(biāo)區(qū)域中，因此本發(fā)明提供了一種光斑定位時去除噪聲的方法，如圖1所示，所述方法包括步驟：

步驟S1、以圖像中目標(biāo)物體所處的區(qū)域為目標(biāo)區(qū)域，利用邊框識別法將圖像劃分為目標(biāo)物體所區(qū)域和非目標(biāo)區(qū)域。

首先將待進行光斑定位的圖像根據(jù)圖像中目標(biāo)物體所處的區(qū)域分成目標(biāo)區(qū)域和非目標(biāo)區(qū)域，所述目標(biāo)區(qū)域為目標(biāo)物體所處的區(qū)域，所述非目標(biāo)區(qū)域為圖像的中除目標(biāo)物體所處的區(qū)域之外的區(qū)域。在具體實施過程中，通常使用邊框識別法根據(jù)圖像中的灰度值將圖像分割成目標(biāo)區(qū)域和非目標(biāo)區(qū)域，因為本步驟為現(xiàn)有技術(shù)，所以在此不做過多解釋。可以想到的是，所述目標(biāo)區(qū)域由一系列含有目標(biāo)物體，且可能并不相連接的區(qū)域組成。

步驟S2、利用最大類間方差算法、最小類內(nèi)方差算法及背景區(qū)域與光斑區(qū)域的之間面積比與預(yù)設(shè)數(shù)值的差最小原則相結(jié)合得到最佳分割閾值，使用所述最佳分割閾值將圖像分割成背景區(qū)域和多個含有噪聲的光斑區(qū)域。

本步驟對再次對原待光斑定位的圖像進行區(qū)域劃分，與上述步驟不同的是本步驟中將圖像劃分為背景區(qū)域和多個含有光斑的光斑區(qū)域。

為了更準(zhǔn)確的對將圖像中的光斑區(qū)域劃分出來，本步驟中使用改進的OTSN方法，也即是，首先將最大類間方差法和最小類內(nèi)方差法相結(jié)合，然后基于背景區(qū)域與目標(biāo)區(qū)域比例最大的原則，計算得到最佳分割閾值。

具體的，本步驟中利用最大類間方差算法、最小類內(nèi)方差算法及背景區(qū)域與光斑區(qū)域的之間面積比與預(yù)設(shè)數(shù)值的差最小原則結(jié)合得到最佳分割閾值的方法包括：

建立準(zhǔn)則函數(shù)，根據(jù)所述準(zhǔn)則函數(shù)計算出最佳分割閾值；

所述準(zhǔn)則函數(shù)的公式為：

其中，為背景區(qū)域像素所占整個圖像像素總和的概率值、為光斑區(qū)域像素所占整個圖像像素總和的概率值、為光斑區(qū)域像素所占整個圖像像素總和概率值的平均值、為背景區(qū)域像素所占整個圖像像素總和概率值的平均值、為背景區(qū)域類內(nèi)方差、為光斑區(qū)域類內(nèi)方差、為與的比值，為預(yù)設(shè)常數(shù)值，具體的，所述為根據(jù)經(jīng)驗所自定義的數(shù)值。

本發(fā)明所公開的準(zhǔn)則函數(shù)，由于在現(xiàn)有技術(shù)中已有的將最大類間方差算法與最小類內(nèi)方差算法相結(jié)合的計算最佳分割閾值的前提下，加入了非目標(biāo)區(qū)域與目標(biāo)區(qū)域的之間面積比與預(yù)設(shè)數(shù)值的差最小原則，從而更加適用于對特定圖像求取最佳分割閾值。

步驟S3、利用高斯分布原理對每個所述目標(biāo)區(qū)域像素的坐標(biāo)點做高斯擬合，得到每個光斑區(qū)域的中心點。

使用高斯分布原理對上述步驟中劃分出的每個光斑區(qū)域中像素的坐標(biāo)點進行擬合，所述擬合可以為通常使用的圓擬合或者質(zhì)心法擬合，得到該光斑區(qū)域內(nèi)的中心點。

可以想到的是，由于上述步驟中獲取的為多個光斑區(qū)域，本步驟中需要依次對每個光斑區(qū)域進行高斯擬合，因此本步驟中得到的為一系列的中心點。

步驟S4、將位置處于所述非目標(biāo)區(qū)域內(nèi)的中心點作為干擾點去除，并輸入去除干擾點后的圖像。

當(dāng)?shù)玫矫總€光斑區(qū)域內(nèi)的中心點后，由于干擾光斑不會出現(xiàn)在目標(biāo)區(qū)域內(nèi)，因此依次對所述中心點是否位于目標(biāo)區(qū)域進行判斷，若處于目標(biāo)區(qū)域，則判定為有效光斑，若不處于目標(biāo)區(qū)域則判定為干擾點，則將所述干擾點去除。

為了提高對強光干擾去除的準(zhǔn)確性，所述步驟S1和步驟S2之間還包括：

步驟S1對圖像做整體性去噪處理，具體的本步驟中利用小波變換算法對圖像進行去噪處理。

本步驟可以先對圖像進行去噪的預(yù)處理，對圖像中明顯的干擾信號進行了排除，避免了步驟S2和S3中在進行區(qū)域劃分和高斯擬合時由于分散的光斑區(qū)域太多導(dǎo)致的運算量大，提高了本方法使用時的數(shù)據(jù)處理速率。

具體的，在所述步驟S4中利用預(yù)設(shè)的判斷函數(shù)對中心點是否位于目標(biāo)區(qū)域內(nèi)進行判斷；所述判斷函數(shù)的定義為：當(dāng)所述中心點位于目標(biāo)區(qū)域內(nèi)，則得到的函數(shù)值為1，若所述中心點不位于目標(biāo)區(qū)域內(nèi)，則得到的函數(shù)值為0。所述判斷函數(shù)也可以時預(yù)設(shè)的用于判斷出中心點是否位于目標(biāo)區(qū)域內(nèi)的其他任何函數(shù)。

為了實現(xiàn)自動的更加快速的判斷出中心點所處的位置，識別出強噪聲，所述步驟S4中按照灰度值大小排列的順序依次將中心點代入判斷函數(shù)，對中心點是否為強噪聲進行判斷。

下面以本發(fā)明的具體應(yīng)用實施例，對本發(fā)明做進一步的解析。

步驟H1、首先根據(jù)人工標(biāo)定或者邊框識別等方法可以將原始待處理圖像分為目標(biāo)區(qū)域和非目標(biāo)區(qū)域兩個部分，可以優(yōu)先選優(yōu)邊框識別法對圖像進行分割。結(jié)合圖2中所示，如圖所示，圖像中含有背景1、目標(biāo)物體2和多個光斑3，使用單閾值法進行圖像分割時，單閾值將圖像分割成兩個部分：背景和目標(biāo)。目標(biāo)部分可能是有多個互相之間不連接的區(qū)域組成。

步驟H2、圖像整體性噪聲的去除：基于小波變換的方法在噪聲和目標(biāo)各自的尺度下對圖像進行去噪處理。其具體去噪處理方法可以參考2003年9月出版的遙感學(xué)報中發(fā)表的論文：一種基于小波變換去除遙感圖像噪聲的方法，基于其中公開的原理對圖像進行整體性去噪。

步驟H3、利用改進的otsu方法，即根據(jù)最大類間方差法、最小類內(nèi)方差法、以及背景區(qū)域與光斑區(qū)域的之間面積比與預(yù)設(shè)數(shù)值的差最小原則得到最佳分割閾值，并利用該閾值將圖像分割為背景和光斑區(qū)域兩個部分，由于是對每個光斑區(qū)域做擬合，因此每個光斑區(qū)域得到一個中心點，這些中心點組成一個中心點序列。

步驟H4、設(shè)定判斷函數(shù)，通?？梢岳?、透視變換等得到。其中，p為點的坐標(biāo)。

步驟H5、非目標(biāo)區(qū)域中的干擾的去除：利用判斷函數(shù)對待判斷的中心點依次進行篩選。通常利用灰度值排序并結(jié)合光斑區(qū)域的形狀進行判斷，排除處于非目標(biāo)區(qū)域內(nèi)的干擾點，保留有效光斑，從而得到有效光斑，將非有效光斑去除。

本發(fā)明所提供的方法能夠使得光斑檢測有較強的適應(yīng)能力，不受環(huán)境中的強光所干擾，因此可以得到更好的強噪聲去除結(jié)果。

本發(fā)明在公開上述方法的基礎(chǔ)上還公開了一種光斑定位時去除噪聲的系統(tǒng)，如圖3所示，包括：

第一區(qū)域劃分模塊110，用于以圖像中目標(biāo)物體所處的區(qū)域為目標(biāo)區(qū)域，利用邊框識別法將圖像劃分為目標(biāo)區(qū)域和非目標(biāo)區(qū)域；其功能如步驟S1所述。

第二區(qū)域劃分模塊120，用于利用最大類間方差算法、最小類內(nèi)方差算法及背景區(qū)域與光斑區(qū)域的之間面積比與預(yù)設(shè)數(shù)值的差最小原則相結(jié)合得到最佳分割閾值，并使用所述最佳分割閾值將圖像分割成背景區(qū)域和多個含有噪聲的光斑區(qū)域；其功能如步驟S2所述。

光斑點擬合模塊130，用于利用高斯分布原理對每個所述光斑區(qū)域中像素的坐標(biāo)點做高斯擬合，得到每個光斑區(qū)域的中心點；其功能如步驟S3所述。

干擾去除模塊140，用于將位置處于所述非目標(biāo)區(qū)域內(nèi)的中心點作為干擾點去除，并輸入去除干擾點后的圖像，其功能如步驟S4所述。

所述第二區(qū)域劃分模塊包括：

函數(shù)計算模塊，用于建立準(zhǔn)則函數(shù)，根據(jù)所述準(zhǔn)則函數(shù)計算出最佳分割閾值；

所述準(zhǔn)則函數(shù)的公式為：

其中，為背景區(qū)域像素所占整個圖像像素總和的概率值、為光斑區(qū)域像素所占整個圖像像素總和的概率值、為光斑區(qū)域像素所占整個圖像像素總和概率值的平均值、為背景區(qū)域像素所占整個圖像像素總和概率值的平均值、為背景區(qū)域類內(nèi)方差、為光斑區(qū)域類內(nèi)方差、為與的比值，為預(yù)設(shè)常數(shù)值。

所述第二區(qū)域劃分模塊還包括：

整體去噪單元，用于利用小波變換算法對圖像進行整體性去噪處理。

所述的光斑定位時去除噪聲的系統(tǒng)，其中，所述干擾去除模塊中利用預(yù)設(shè)的判斷函數(shù)對中心點是否位于目標(biāo)區(qū)域內(nèi)進行判斷；所述判斷函數(shù)的定義為：當(dāng)所述中心點位于目標(biāo)區(qū)域內(nèi)，則得到的函數(shù)值為1，若所述中心點不位于目標(biāo)區(qū)域內(nèi)，則得到的函數(shù)值為0。

所述的光斑定位時去除噪聲的系統(tǒng)，其中，所述干擾去除模塊中按照灰度值大小排列的順序依次將中心點代入判斷函數(shù)，對中心點是否為強噪聲進行判斷，若是，則將所述中心點所對應(yīng)的光斑移除，不是則保留所述中心點所對應(yīng)的光斑。

本發(fā)明提供了一種光斑定位時去除噪聲的方法及系統(tǒng)，通過以圖像中目標(biāo)物體所處的區(qū)域為目標(biāo)區(qū)域，將圖像劃分為目標(biāo)區(qū)域和非目標(biāo)區(qū)域兩個部分；利用最大類間方差算法、最小類內(nèi)方差算法及背景區(qū)域與光斑區(qū)域的之間面積比與預(yù)設(shè)數(shù)值的差最小原則相結(jié)合得到最佳分割閾值，使用所述最佳分割閾值將圖像分割成背景區(qū)域和多個含有噪聲的光斑區(qū)域；利用高斯分布原理對每個所述目標(biāo)區(qū)域像素的坐標(biāo)點做高斯擬合，得到每個光斑區(qū)域的中心點；將所述中心點的位置處于非目標(biāo)區(qū)域內(nèi)的點去除。本發(fā)明所述的方法及系統(tǒng)，具有較強的適應(yīng)性，不受拍攝圖像時環(huán)境光強度的影響。

可以理解的是，對本領(lǐng)域普通技術(shù)人員來說，可以根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，而所有這些改變或替換都應(yīng)屬于本發(fā)明所附的權(quán)利要求的保護范圍。