确定图像中的均匀度的制作方法

本公开涉及用于确定图像中的均匀度的方法和系统，更具体地，本公开涉及用于确定检查图像中的均匀度的方法和系统。

背景技术：

对于用户来讲，检测图像(例如检查图像)中的不均匀性比较困难，尤其是用户必须使大量图像可视化时更是如此。同样，检测具有给定对比度水平的图像中的不均匀性也比较困难。这些困难可能构成对安全性的威胁，这是因为图像中的不均匀性可对应于隐藏物体，比如武器或危险材料。

附图说明

将通过示例的方式参照附图描述本公开的实施例，其中：

图1是示出了根据本公开的示例方法的流程图；

图2是示出了根据本公开的示例方法的细节的流程图；

图3是示出了根据本公开的示例方法的细节的流程图；

图4是示出了根据本公开的示例装置的示意图；

图5是在检查模式中示出了根据本公开的移动检查系统的示例的后视图；

图6是在检查模式中示出了根据本公开的静止检查系统的示例的后视图；

图7是示出了使用两个分类在均匀性增加的轴上根据本公开对图像进行分类的示例的示意图；

图8是示出了使用三个分类在均匀性增加的轴上根据本公开对图像进行分类的示例的示意图；

图9是示出了使用三个分类对图像中的感兴趣区域进行分类的示例的示意图；

图10是示出了根据本公开的对图案进行确定和对变化进行识别的示意图；以及

图11a-11c是示出了根据本公开对图像进行处理的示例的示意图。

在附图中，相似的附图标记用来指示相似的元素。

具体实施方式

概述

本公开的实施例涉及一种用于确定容器中的货物的图像的均匀度的方法。在实施例中，与图像中所确定的一个或多个图案的变化相结合地确定均匀度。在一些实施例中，确定均匀度使得能够结合均匀性阈值将图像分类到分类中。在实施例中，可存在多个均匀度。在实施例中，可存在多于两个图像分类。所述确定和/或所述分类可以使得能够触发动作，比如检测图像中的不均匀性。所述确定和/或所述分类可有利于对于在本应均匀的货物中检测不均匀性。所述确定和/或所述分类从而可有利于对于在本应一致的货物中识别奇异性和/或不一致性。在实施例中，所述方法是对图像中的多个对比度水平执行的，以使得即使图像在给定的对比度水平中看起来是完全均匀的，在图像的另一对比度水平中也可检测到非均匀性。本公开实施例的所述确定和/或分类可以使得能够做出关于图像的所选类别的决定，比如分类为可疑或不可疑。本公开实施例的所述确定和/或分类可以使得能够辅助用户使得大量图像中的所选图像类别可视化。本公开的实施例可以增强安全性，这是因为所述确定和/或分类可以使得能够对隐藏物体进行检测，比如武器或危险材料。

示例实施例的详细描述

在本公开的一个方面中，描述了一种用于确定一个或多个容器中的货物的一个或多个检查图像的均匀度的方法，包括：

确定一个或多个处理的检查图像中的感兴趣区域是否包括一个或多个图案，其中，所述一个或多个处理的检查图像是从由被配置为检查所述一个或多个容器的检查系统产生的一个或多个检查图像进行处理得到的；以及

在确定出一个或多个图案并且识别到所确定的一个或多个图案中的变化的情况下，将所述一个或多个检查图像分类为具有低于预定均匀性阈值的均匀度。

在实施例中，所述方法还可包括，在确定出多个图案的情况下：在所述感兴趣区域(zone)中提取一个或多个区(region)；确定所提取的一个或多个区是否包括至少两个相同的区；以及在没有确定出相同的区的情况下，将所述一个或多个检查图像分类为具有低于至少一个预定非均匀性阈值的均匀度。

在实施例中，所述预定非均匀性阈值可以等于所述预定均匀性阈值。所述预定均匀性阈值可以严格大于所述预定非均匀性阈值。

在实施例中，在确定出至少两个相同的区并且识别到变化的情况下，所述分类还可包括：将所述一个或多个检查图像分类为具有高于所述预定非均匀性阈值并且低于所述预定均匀性阈值的中间均匀度。

在实施例中，可以对所述一个或多个检查图像进行处理，以获得具有多个对比度水平的一个或多个处理的检查图像，所述方法还可包括：基于所述分类，针对多个对比度水平重复对均匀度的确定。只要所述分类包括将所述一个或多个检查图像分类为具有高于所述预定均匀性阈值的均匀度，可以针对所述多个对比度水平中的对比度水平序列执行所述重复。所述方法还可包括：当所述分类包括将所述一个或多个检查图像分类为具有低于所述预定均匀性阈值的均匀度时，停止所述重复。

在实施例中，只要所述分类包括将所述一个或多个检查图像分类为具有高于所述预定非均匀性阈值的均匀度，可以针对所述多个对比度水平中的对比度水平序列执行所述重复。所述方法还可包括：当所述分类包括将所述一个或多个检查图像分类为具有低于所述预定非均匀性阈值的均匀度时，停止所述重复。

在实施例中，所述方法还可包括：基于所述分类触发动作，其中，所述动作是从包括以下各项的群组中选择的：显示一个或多个检查图像；不显示一个或多个检查图像；向用户发出警报；在一个或多个检查图像中确定货物的一部分的组成；向控制器发送一个或多个检查图像；向控制器输出命令；前述各项的任意组合。

在实施例中，所述方法还可包括：接收由用户和/或控制器对所述感兴趣区域的选择。

在实施例中，所述方法还可包括：接收对穿过所述感兴趣区域的轴的选择，沿所选择的轴所述一个或多个图案可以被限定，并且沿所选择的轴所述变化可以被识别。在实施例中，所选择的轴可以对应于在所述一个或多个容器中装载货物的方向。

在实施例中，确定所述感兴趣区域是否包括一个或多个图案可以包括：在所述感兴趣区域的至少一部分中执行分析；以及确定所分析的部分是否包括一个或多个图案。

在实施例中，所执行的分析可包括频率分析。

在实施例中，所述方法可包括：当能够沿所选择的轴识别多个周期性图案时，识别多个图案。

在实施例中，在所述感兴趣区域中提取一个或多个区可包括：通过创建沿所选择的轴与所识别的周期性图案的周期基本上相对应的具有尺寸的块来提取每个区域。

在实施例中，确定所提取的一个或多个区是否包括至少两个相同的区可包括：对所创建的块执行块匹配；以及使用一个或多个分类器确定所述块之间的差别。所述一个或多个分类器可以是从包括以下各项的群组中选择的：支持向量机(svm)，k最近邻(k-nn)，前述各项的任意组合。

在实施例中，所执行的分析可包括对所分析的部分进行分段。

所述分段可以是通过分水岭算法执行的。所述方法可以包括：在经过分段的所分析的部分只包括一个区的情况下，识别单个连续图案。所述方法可以包括：沿所选择的轴识别连续图案。

在实施例中，对检查图像进处理可包括：在所述检查图像中识别所述货物；将与所述货物相对应的区域从与容器相对应的区域分离；丢弃检查图像的一部分；前述各项的组合。所述处理可以是在所述确定之前执行的。

在实施例中，所述检查可以是通过将检查辐射从检查辐射源经过所述一个或多个容器发射到检查辐射检测器来执行的。

在本公开的另一方面中，描述了一种用于确定一个或多个容器中的货物的一个或多个检查图像的均匀度的分析器，被配置为：

确定一个或多个处理的检查图像中的感兴趣区域是否包括一个或多个图案，其中，所述一个或多个处理的检查图像是从由被配置为检查所述一个或多个容器的检查系统产生的一个或多个检查图像进行处理得到的；以及

在确定出一个或多个图案并且识别到所确定的一个或多个图案中的变化的情况下，将所述一个或多个检查图像分类为具有低于预定均匀性阈值的均匀度。

本公开的另一方面中，描述了一种装置，包括：被配置为检查容器的检查系统，以及根据本公开的任一方面所述的分析器。

在本公开的另一方面中，描述了一种包括程序指令的计算机程序产品以对处理器进行编程来执行根据本公开的任一方面所述的方法的数据处理，或对处理器进行编程以提供根据本公开的任一方面所述的分析器，或提供根据本公开的任一方面所述的装置。

图4示出了包括分析器5的装置，分析器5被配置为对一个或多个容器100中的货物101的一个或多个检查图像10进行分类。

每个图像10可以由检查系统1产生。

在由附图示出的示例中，每个图像10对应于由系统1检查的容器100。在一些示例中，由系统1通过单位时间获取和/或检查的图像10和/或容器100的数量限定了系统1的吞吐量。

如下面将更详细地呈现的，分析器5可以被配置为例如通过可以是有线和/或可以是无线的通信网络6从系统1接收一个或多个图像10。分析器5通常包括至少一个处理器和存储器，以执行根据本公开的示例方法。

在实施例中，处理一个或多个检查图像10，使得例如通过系统1和/或分析器5和/或控制器4(下面更详细地描述)产生处理的检查图像110。在一些实施例中，处理可以产生可以是数字或数字化的处理的检查图像10。

如下面关于图5和图6进一步详细说明的，检查系统1被配置成检查容器100。在一些非限制性示例中，可以通过将检查辐射3从检查辐射源31通过容器100发射到检查辐射检测器32来执行检查。作为替换或补充，辐射3可以发射通过容器100(容器100的材料因此对辐射透明)，而辐射可以至少部分地被位于容器100中的负载101反射(位于容器100中的负载的材料和/或组成因此仅对辐射3部分地透明，并且对辐射3部分地反射，在这种情况下，可以布置检测器以接收由负载101反射的辐射)。

图5和图6示出了容器100可以是任何类型的容器，例如保持器、集装箱或盒子等。作为非限制性示例，容器100因此可以是拖车和/或托盘(palette)(例如欧洲标准、美国标准或任何其它标准的托盘)和/或火车车厢和/或车辆(例如卡车、货车和/或汽车和/或火车)的箱和/或保护罩，和/或容器100可以是“运输容器”(例如箱或iso容器或非iso容器或单元装载装置(uld)容器)。因此，应当理解，容器100可以是任何类型的容器，因此在一些示例中可以是手提箱。辐射源31被配置成通过容器100的壁的材料(通常是钢)来检查货物101，例如为了检测和/或识别货物101。

系统1被配置为在检查模式中使得容器100被整体检查(即，整个容器100被检查)或部分被检查(即，仅检查容器的选定部分，例如典型地，在检查车辆时，可以不检查车辆的车厢，而检查车辆的后部)。

在图5所示的示例中，检查系统1可以是移动的，并且可以从一个位置运输到另一个位置(系统1可以包括机动车辆)，并且在图6所示的示例中，检查系统1可以相对于地面是静止的并且不能移位。

在附图中所示的示例中，检查辐射源31包括x射线发生器。x射线的能量可以在100kev和15mev之间，剂量可以在2mgy和20gy(格雷)之间。在图5所示的示例中，对于钢穿透能力(例如，40mm到400mm，通常例如为300mm(12英寸))，x射线源31的能量可以例如在100kev和9.0mev之间，典型地例如为2mev、3.5mev、4mev或6mev。在图5所示的示例中，剂量可以例如在20mgy和120mgy之间。在图6所示的示例中，对于钢穿透能力(例如在300mm至450mm之间，典型地例如为410mm(16.1英寸))，x射线源31的能量可以例如在4mev和10mev之间，通常例如为9mev。在图6所示的示例中，剂量可以是17gy。

在附图中所示的示例中，检查辐射检测器32包括诸如x射线检测线的辐射检测线321，以及其他常规电元件。检查辐射检测器32还可以包括其它类型的检测器，例如可选的γ(伽马)和/或中子检测器，例如其适于检测容器100内的放射性γ和/或中子发射材料的存在，例如可与x射线检查同时进行。在图5所示的示例中，检查辐射检测器32还可以包括电动液压起重臂(electro-hydraulicboom)7，其可以在运输模式中在缩回位置操作(图中未示出)以及在检查位置操作(图5)。起重臂7可以由液压驱动器(例如液压缸)操作。在图6所示的示例中，检查辐射检测器32还可以包括结构和/或机架7。检测线321可以安装在面向位于容器100的另一侧上的源31的起重臂7(图5)或结构和/或机架7(图6)上。

为了检查容器100，在图5所示的示例中，系统1可以包括运动产生装置，使得系统1可以移位，容器100是静止的(该模式有时被称为“扫描'模式)。作为替换或补充，运动产生装置可使容器100移位，系统1相对于地面是静止的(图6)。在一些实施例中，吞吐量(即容器100和/或图像10的单位时间的数量)可以是20至30个图像/小时。作为替换或补充，在“通过”模式中，系统1不包括运动产生装置，并且容器相对于系统1移动，系统1相对于地面是静止的。在实施例中，通过模式中的吞吐量可以高于扫描模式中的吞吐量，可以是例如50至200个图像/小时，或在对过往列车的检查的情况下甚至50至几千个图像/小时(例如，超过1000图像/小时的吞吐量)。

在图4所示的示例中，该装置还可以包括控制器4，其被配置为经由通信网络7与系统1和/或容器100和/或分析器5通信。控制器4通常至少包括处理器和存储器，以便执行根据本公开的示例方法。

在图4所示的示例中，装置还可以包括通信服务器8，其被配置为经由通信网络7与系统1和/或分析器5通信。在一些示例中，通信服务器8可以被配置为提供远程数据管理系统。在一些示例中，服务器8可以包括数据库。

图1所示的示例性方法可以包括，在s1处，确定处理的检查图像110中的感兴趣区域12是否包括一个或多个图案14。

通过图7示出处理的检查图像110的示例。

在一些实施例中，感兴趣区域12由系统1的用户(例如使用系统1的接口)选择和/或由控制器4或由分析器5(例如自动地)选择。然后，可以例如由分析器5接收选择。对区域12的选择可以使得分析器5(并且因此用户)能够将它们的分析集中在仅仅图像110的一部分上。应当理解，在一些示例中，感兴趣区域可以对应于整个图像110。

如图9的示例所示，图像110的分类可以取决于感兴趣区域12。从图9的示例可以看出，对于相同的图像110，右手侧的感兴趣区域12可以被分类为异质的，左手侧区域中的感兴趣区域12可以被分类为接近均匀的，并且左手侧区域中的感兴趣区域12可以被分类为均匀的。

如图10所示，图像110中的图案14可以是具有宏观视觉特性的可识别形状、强度或纹理，诸如在图像110中限定可识别项目或组合。图案14的示例包括几何形状和对比度水平。

如下面进一步详细描述的，图案14可以由分析器5从图像110的像素值(例如灰度水平)提取和/或从图像110的对应于图像110的结构的像素之间的空间相互关系提取。

如图10的示例所示，图案14可以是连续的(参见在其整个范围上具有统一强度的图案14(a))、周期性的或准周期性的(参见感兴趣区域12(b)中的图案14(b))或者可以具有强度和延伸方面的随机重复(参见单独图案14(d))。

应当理解，图案14可以在图像110中或区域12中的任何位置确定。

在一些示例中，可以选择穿过感兴趣区域12的轴(o-o)。

在一些示例中，轴(o-o)可以由系统1的用户选择，和/或由控制器4或分析器5自动选择。分析器5然后接收对所选择的轴(o-o)的选择。

在实施例中，一个或多个图案14因此可优选地沿着所选择的轴(o-o)限定。在一些示例中，可能有利的是，所选择的轴(o-o)对应于在一个或多个容器100中的货物的装载方向，因为这增强了对图案14的确定。在图10的示例中，所选择的轴(o-o)在水平方向上，因为卡车的所示拖车的装载是在水平方向上执行的，并且因此可以沿水平方向限定诸如周期性图案的图案。应当理解，可以为所选择的轴(o-o)选择另一个方向，例如垂直方向，例如当物品在垂直方向上堆叠在彼此顶部时。也可以设想其它方向。

在图1所示的示例中，在s1处确定一个或多个图案14的情况下，在s2处确定在所确定的一个或多个图案14中变化v是否被识别.

如下面进一步详细描述和如图10所示，可以由分析器5从图像110的像素值(例如灰度水平的值)中识别变化v.

在图10所示的示例性实施例中，当图案存在强度变化(例如区域12(c)中的图案14(b)和新图案14(c)之间的变化v(b)))和/或范围变化和/或周期变化(例如区域12(d)中的两个图案14(d)之间的变化v(c))时可识别变化v。

在一些实施例中，可以沿着所选择的轴(o-o)识别变化v.

在s2处在所确定的一个或多个图案14中识别到变化v的情况下，图1所示的示例方法可以包括在s3处将检查图像10分类为具有低于预定均匀性阈值的均匀度，例如该阈值在图7中被称为t1，例如在描述均匀性增加的轴x上。因此，低于t1的图像10被分类为非均匀的。

在s2处在所确定的一个或多个图案14中没有识别到变化的情况下，图1所示的示例性方法可以包括在s4处将检查图像10分类为具有高于预定均匀性阈值t1的均匀度。高于t1的图像10因此被分类为均匀的。

可以理解，轴x上的阈值t1的水平可以相对于由分析器5检测的变化v所需的变化v的水平而变化。即使由分析器5检测到小程度的变化v并且产生低于阈值t1的分类，阈值t1也可以位于轴x上的高处。在该示例中，高于阈值t1的类别可以仅包括高度均匀的图像10(如图7所示)，并且一旦在图像中的图案中检测到小变化v，则相应的图像可以被分类为低于阈值t1，因此被分类为非均匀的(并且在一些示例中被分析器5因此被分类为潜在可疑)。

相反，如果需要由分析器5检测到相对高水平的变化v以产生低于阈值t1的分类(即非均匀的)，则阈值t1可以位于轴x上的低处。在该示例中，高于阈值t1的类别因此可以包括均匀和几乎均匀的图像10。在该示例中，仅异质图像可以被分类为非均匀的(并且在一些示例中因此被分析器5分类为潜在可疑)。

因此，可以理解，通过定位阈值t1来确定分类所需的变化v的水平可以确定图像10可以被分析器5视为可疑或不可疑的阈值。因此，应当理解，该方法可以是有利的，因为其可以提供检查图像10的自动分级，该分级是相对于阈值t1执行的。该方法的优点在于，其可以由分析器5提供对图像的自动决定。这是有利的，因为其可以使得能够辅助系统1的用户，系统1的用户因此将仅能够聚焦和/或检查所选择的图像类别。在一些示例中，系统1的用户能够聚焦和/或检查低于t1的一个或多个类别中图像(例如当预期均匀货物时)，或者聚焦和/或检查高于t1的类别的图像时(例如当预期异质货物时)。用户可能不需要可视化和/或检查图像以做出图像是否可疑的决定。

在图2所示的示例中，在s1处确定区域12是否包括一个或多个图案14包括在s11处在感兴趣区域12的至少一部分121中执行分析，以及确定分析部分121是否包括一个或多个图案14。如下面(例如关于图11c)进一步详细描述的，部分121可以对应于区域12中的选择，例如通过区域12的处理产生，以例如丢弃将例如干扰分析的区域。应当理解，在一些示例中，部分121可以是整个区域12。

如果在s12处确定在s11处确定出多个图案，则该方法进行到s13。

在s13处，可以提取感兴趣区域12中的一个或多个区11。

在s14处，可以确定所提取的一个或多个区11是否包括至少两个相同的区11。

在图2所示的示例方法中，在s1处确定多个图案14的情况下，并且在s14处没有确定相同区的情况下，在s15处，将检查图像10分类为在描述均匀性增加的轴x上具有低于预定非均匀性阈值(例如在图8中被称为t2)的均匀度。

在图8所示的示例中，预定均匀性阈值t1严格地大于描述均匀性增加的轴x上的预定非均匀性阈值t2。被分类为低于t2的图像10例如由分析器5分类为异质的。

在图2所示的示例性方法中，在s1处确定多个图案14的情况下，并且在s14处确定至少两个相同区的情况下，在s2处确定在所确定的一个或多个图案14中是否识别到变化v。

如图1所示的示例中的情况一样，在图2的示例中，当在s2处在所确定的一个或多个图案14中识别到变化v的情况下，示例性方法可以包括，在s3处，将检查图像10分类为具有低于图8中的预定均匀性阈值t1的均匀度。然而，在图2所示的示例性方法中，当在s14处确定至少两个相同区域并且在s2处识别到变化v的情况下，在s3处的分类还包括在s31处将图像10分类为具有中间均匀度，所述中间均匀度在描述均匀性增加的轴x上高于预定非均匀性阈值t2并且低于的预定均匀性阈值t1。因此，图像10例如被被分析器5分类为非均匀的(低于t1)，但是它不被分类为异质的(高于t2)。

当在s2处在所确定的一个或多个图案14中没有识别到变化的情况下，图2所示的示例性方法可以包括在s4处将检查图像10分类为具有高于预定均匀性阈值t1的均匀度。因此，图像10例如由分析器5分类为均匀的。

在图8和图9所示的示例中，存在至少三个类别的图像10，即：

对应于例如异质负载或货物的类别，例如在轴x上低于预定非均匀性阈值t2；

对应于均匀负载或货物的类别，例如在轴x上高于预定均匀性阈值t1；和

对应于准均匀(有时称为“几乎均匀”)负载或货物的类别，例如在轴x上高于预定非均匀性阈值t2并且低于预定均匀性阈值t1。

在一些示例中，当感兴趣区域12中的负载的重要部分是异质的时(例如当负载的重要部分包括例如异质散装材料或彼此不同的组件时)，图像10因此可以由分析器5分类到与异质负载相对应的类别中。

在一些示例中，例如当感兴趣区域12中的整个货物是均匀的时(例如当负载仅包括一种类型的货物，例如苹果或豆、流体、给定材料等时)，图像10可以由分析器5分类到与均匀负载相对应的类别中。

在一些示例中，当区域12中的整个货物几乎是均匀的但是存在变化时(例如图案破裂或者与相邻区域相比非常不同的小区域，例如容器中在区域12充满了苹果，并且一个保龄球位于苹果之中)，图像10因此可以被分析器5分类到与准均匀负载相对应的类别中。因此，对应于准均匀货物的类别对应于中等程度的均匀性。

应当理解，在图7所示的示例中，预定非均匀性阈值t2等于预定均匀性阈值t1，并且仅存在两个类别，诸如均匀和非均匀。还应当理解，可以存在多于三个类别，其对应于具有多于两个阈值的多于三个的均匀性程度。

在图1所示的示例方法中，该方法还包括在s5处基于分类触发动作。

在一些示例中，检查图像10可以在分析器5的界面上显示给用户。动作可以是显示一个或多个检查图像，例如显示被分类为异质或准均匀的图像10。作为替换或补充，所述显示可以仅显示被分类为异质的图像10或仅显示被分类为准均匀的图像10。

作为替换或补充，动作可以是不显示一个或多个检查图像，例如不显示被分类为均匀的图像10。该示例实施例在以下情况下可能是有利的：例如在检查过往列车的车厢或货车的拖车的情况下，用户必须检查大量检查图像(例如每小时几十或几百幅图像)，但用户不想详细检查给定类别的图像(例如分类为均匀的图像)。

作为替换或补充，动作可以是向用户发出警报，例如当图像10被分类为异质或准均匀时发出视觉或听觉警报。在一些示例中，不均匀性或非均匀性的区域可以在图像10上突出显示。

作为替换或补充，动作可以是确定一个或多个检查图像10中的货物的一部分的组成，例如自动确定本该均匀的货物的异质部分的组成。

作为替换或补充，动作可以是将一个或多个检查图像发送到控制器4，例如发送被分类为异质或准均匀的图像10用于进一步处理。

作为替换或补充，动作可以是向控制器4输出命令，例如停止使对应的容器100移位的运动产生装置，或者例如打开相应的容器100以供用户进一步检查。

将理解的是，该动作可以使得用户能够仅关注例如由分析器5分类或分级为可疑图像的图像10。

在一些实施例中，可以对所述检查图像10进行处理，以获得具有多个对比度水平的一个或多个处理的检查图像110。

从而可以基于所述分类针对多个对比度水平重复在s1处对均匀度的确定。在一些实施例中，只要所述分类包括将所述一个或多个检查图像分类为具有高于所述预定均匀性阈值t1或所述预定非均匀性阈值t2的均匀度，则针对所述多个对比度水平中的对比度水平序列执行所述重复。应当理解，该示例性实施例考虑到：并不会因为图像对于一个对比度水平看起来是均匀的或准均匀的其在所有对比度水平中都将是均匀的。

在一些实施例中，当分类包括将一个或多个检查图像分类为具有低于预定均匀性阈值t1或低于预定非均匀性阈值t2的均匀度时，停止所述重复。

在图3所示的示例中，在s1处执行的确定感兴趣区域12是否包括一个或多个图案包括：

在所述感兴趣区域的至少一部分中执行分析；以及

确定所分析的部分是否包括一个或多个图案。

在图3所示的示例中，所选择的轴(0-0)是水平轴。

在图3所示的示例中，所执行的分析包括在s11执行的频率分析，例如感兴趣区域12的部分的傅立叶分析。

然后，在s12处确定是否可以沿着所选择的轴(0-0)识别到多个周期性图案14。

如果在s12处确定可以沿着所选择的轴(0-0)识别到多个周期性图案14，则该方法前进到s13，其中提取感兴趣区域12中的区11包括通过创建沿着所选轴(0-0)基本上对应于所识别的周期性图案14的周期t的具有尺寸的块来提取每个区11.

如下所述，该示例实施例可以实现在没有周期性图案14之间的分离的干扰效应的情况下进行区11的比较。

在s14处，确定所提取的区11是否包括至少两个相同区包括对所创建的块11执行块匹配。

在s2处，使用一个或多个分类器来确定块11之间是否存在差异。

在一些实施例中，分类器可以是支持向量机(svm)或k最近邻(k-nn)。

在一些示例中，svm算法可以基于使用训练库的学习算法(机器学习算法)。在一些示例中，训练库可以包括现有的2类svm数据库(诸如均匀或准均匀)。在一些示例中，数据库可以包括从在初始化步骤期间由系统1的用户或操作者手动标记为例如均匀或准均匀的从现有货物图像(优选为大量货物图像)提取的数学属性(例如，3维向量特征(3-sizevectorfeature)，但是应当理解，可以提取其他属性)。例如，数据库可以基于标记为“均匀”的42个图像和标记为“几乎均匀”的62个图像。

例如，在图3的示例中，在s2处，可以从要分类的图像中提取数学属性(例如，3维向量特征)，并且分析器5的svm分类器可以使用两个“均匀”或“准均匀”训练库确定块11之间是否存在差异。在一些示例中，svm数据库可以存储在服务器8中。

如果在s2处确定块11之间存在差异，则方法进行到s3，其中图像被分类为准均匀。

如果在s2处确定块11之间没有差异，则方法进行到s4，其中图像被分类为均匀。

如果在s12处确定不能沿着所选择的轴(0-0)识别多个周期性图案，则该方法进行到s16，其中所执行的分析包括对所分析的部分的分段。

在一些非限制性示例中，分段由分水岭算法执行。

然后在s17处确定分段的分析部分是否包括多个区。

在分段的分析部分仅包括一个区的情况下，图像10在s4处被分类为均匀的，这是因为s4对应于例如沿着所选择的轴(0-0)识别单个连续图案14。

在经过分段的所分析部分包括多个区的情况下，在s3处将图像分类为异质的。

在图11a所示的示例中，对检查图像10的处理可以包括在检查图像中识别货物。货物的识别可有利于协助从容器100的完整或截断的图像中选择区域12。

在图11b所示的示例中，对检查图像10的处理可以包括将对应于货物的区域121从对应于容器100的区域122分离。

在图11c所示的示例中，对检查图像10的处理可以包括丢弃检查图像10的一部分122。在图11c的示例中，处理可以包括例如丢弃货物的将导致不准确分析的部分。在图11c的示例中，处理可以包括例如丢弃右手侧的最后一列，因为最后一列可以被解释为变化，而它仅仅是堆栈中的高度上的差异。作为替换或补充，丢弃可以使得能够丢弃容器100的可能被分析器5错误地视为货物的一部分的部分。

作为替换或补充，处理因此可以使得能够丢弃对应于以下各项的图像的部分122：

iso制冷容器的制冷部，

非iso容器的一部分，

特定容器(例如罐)的一部分；

例如卡车或拖车的底盘的一部分。

在一些实施例中，处理是在s1的确定之前执行的。

本公开的方法和装置可以与系统1和/或分析器5的其他现有的用户辅助特征/工具以及其他现有的自动软件组合，例如用来检测可疑物品。

在本公开的上下文中，系统或分析器的其他变化和修改对本领域技术人员将是显而易见的，并且上述各种特征可具有或不具有上述其它特征的优点。

例如，分析器5可以至少部分地形成检查系统1的一部分。例如，服务器8和/或控制器4可以至少部分地形成分析器5的一部分。

在上述实施例中，在图像中确定或识别图案14和变化v.应当理解，在一些实施例中，可以在多个图像中识别图案，并且可以在彼此比较的多个图像(例如，每个图像对应于火车的车厢)中识别变化。

应当理解，检查辐射源可以包括其它辐射源，例如作为非限制性示例的电离辐射源，例如伽马射线或中子。

检查辐射源还可以包括不适于由电源激活的源(诸如放射源，例如使用co60或cs137)。

作为一种可能性，提供了一种计算机程序、计算机程序产品或计算机可读介质，其包括使可编程计算机执行本文所述的方法中的任何一个或多个的计算机程序指令。在示例实现中，与本文中的分析器5和/或通信网络6和/或7相关的活动的至少一些部分可以用软件实现。应当理解，如果需要，本公开的软件组件可以以rom(只读存储器)形式实现。如果需要，软件组件通常可以使用常规技术在硬件中实现。

在一些示例中，分析器5和/或通信网络6和/或7的组件可以使用专用应用和硬件。

对于本领域技术人员显而易见的是，服务器8和/或控制器4不应被理解为单个实体，而是指包括至少一个处理器和存储器的实体和/或虚拟设备，存储器可以包括在可以位于单个位置或可以彼此远离以形成分布式网络(例如，例如使用有线或无线技术的“服务器场”)的一个或多个服务器中。

在一些示例中，一个或多个存储器元素(例如，数据库和/或处理器的存储器)可以存储用于这里描述的操作的数据。这包括存储器元件能够存储被执行以执行本公开中描述的活动的软件、逻辑、代码或处理器指令。

处理器可以执行与数据相关联的任何类型的指令，以实现本文中详细描述的操作。在一个示例中，处理器可以将元素或物品(例如，数据)从一个状态或事物转换到另一个状态或事物。在另一示例中，本文概述的活动可以用固定逻辑或可编程逻辑(例如，由处理器执行的软件/计算机指令)来实现，并且本文中标识的元件可以是某种类型的可编程处理器、可编程数字逻辑(例如，现场可编程门阵列(fpga)、可擦除可编程只读存储器(eprom)、电可擦除可编程只读存储器(eeprom))，包括数字逻辑、软件、代码、电子指令的asic，闪存、光盘，cd-rom，dvdrom，磁卡或光卡、适于存储电子指令的其它类型的机器可读介质或其任何适当的组合。

通信网络6和通信网络7可以仅形成一个网络。

由分析器5接收的数据通常可以在可能的通信网络6和/或7的范围上接收，至少例如：基于卫星的通信网络；基于电缆的通信网络；基于电话的通信网络；基于移动电话的通信网络；互联网协议(ip)通信网络；和/或基于计算机的通信网络。

在一些示例中，通信网络6和/或7和/或分析器5可以包括一个或多个网络。网络可以以任何形式提供，包括但不限于局域网(lan)，无线局域网(wlan)、虚拟局域网(vlan)、城域网(man)、广域网(wan)、虚拟专用网络(vpn)、内联网、外联网、任何其他适当的促进网络中通信的架构或系统或其任何组合来实现。

上述实施例被理解为说明性示例，并且设想了另外的实施例。应当理解，关于任何一个实施例描述的任何特征可以单独使用，或与所描述的其它特征组合使用，并且还可以与任何其它实施例的一个或多个特征组合使用，或者任何组合的任何其它实施例。此外，在不脱离所附权利要求中限定的本发明的范围的情况下，也可以采用上面未描述的等同物和修改。