CN107341790A - 一种环境洁净度检测的图像处理方法 - Google Patents

一种环境洁净度检测的图像处理方法 Download PDF

Info

Publication number
CN107341790A
CN107341790A CN201710438427.3A CN201710438427A CN107341790A CN 107341790 A CN107341790 A CN 107341790A CN 201710438427 A CN201710438427 A CN 201710438427A CN 107341790 A CN107341790 A CN 107341790A
Authority
CN
China
Prior art keywords
mrow
image
value
mtd
gray
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710438427.3A
Other languages
English (en)
Other versions
CN107341790B (zh
Inventor
黄文恺
吴羽
李奕宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou University
Original Assignee
Guangzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou University filed Critical Guangzhou University
Priority to CN201710438427.3A priority Critical patent/CN107341790B/zh
Publication of CN107341790A publication Critical patent/CN107341790A/zh
Application granted granted Critical
Publication of CN107341790B publication Critical patent/CN107341790B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种环境洁净度检测的图像处理方法，方法包括下述步骤：在人为条件下，对餐厅地板或者桌面在差到优越之间分多个等级，分别提取相应的样本存进样本库，并进行归类，通过机器学习算法从多个角度和维度进行“学习”。具体算法包括：图像灰度化、canny算法提取灰度图的边缘、朴素贝叶斯算法、帧差法、差分图像二值化、提取运动区域轮廓，对运动区域进行判断。本发明与现有技术相比具有较为准确地识别和分析目标区域的环境情况、受环境影响小、实时性强，从多个角度对环境进行评判与分析，评价结果可靠性强。

Description

一种环境洁净度检测的图像处理方法
技术领域
本发明涉及图像处理的技术领域，更具体地说，涉及一种环境洁净度检测的图像处理方法。
背景技术
近年来，计算机视觉已成为计算机领域的研究热点,而作为计算机视觉比较重要的图像相似度对比，图像色差分析以及在机器视觉应用广泛的机器学习和概率统计等方面更是受到人们的高度重视。但是由于环境等自然和人为因素，机器视觉技术应用于实际很难达到高精度和实效性强。所以，能否较好地规避环境因素是衡量机器视觉算法好坏的关键。
目前，常用的检测环境情况的机器视觉算法有以下几种：
(一)Canny算子
最具代表性的算子是Canny算子，它是一个对于光照改变时仍然鲁棒的分割算法。所以，采用高斯滤波器并选用双阈值分割算法的Canny算子得到广大科研工作者的喜爱，然而，Canny算子也具有滤波器不够鲁棒、梯度幅值算法不够优化、自适应能力差等缺点。本文运用朴素贝叶斯算法的概率统计、Canny算子、色差分析、特征点检测以及帧间差分法的结合使用，使其更加适应环境多变的情况。
(二)Roberts算子
边缘定位准，但是对噪声敏感。适用于边缘明显且噪声较少的图像分割。Roberts算子只运用了当前像素的2*2邻域，使用的像素值太少了。Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子,Robert算子图像处理后结果边缘不是很平滑。经分析，由于Robert算子通常会在图像边缘附近的区域内产生较宽的响应，故采用上述算子检测的边缘图像常需做细化处理，边缘定位的精度不是很高。
(三)PSNR算子
PSNR是最普遍和使用最为广泛的一种图像客观评价指标，然而它是基于对应像素点间的误差，即基于误差敏感的图像质量评价。由于并未考虑到人眼的视觉特性(人眼对空间频率较低的对比差异敏感度较高，人眼对亮度对比差异的敏感度较色度高，人眼对一个区域的感知结果会受到其周围邻近区域的影响等)，因而经常出现评价结果与人的主观感觉不一致的情况。
综上所述，现有技术存在的问题是环境的识别效果受外界环境变化的影响较大，实效性较差，受到噪音的影响明显。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，一种环境洁净度检测的图像处理方法，能够准确及时地检测餐桌或桌面的卫生情况，从而将其作为厨房或餐厅的卫生环境的评判标准。
为了达到上述目的，本发明采用以下技术方案：
本发明的一种用于环境洁净度检测的图像处理方法，获取多种环境情况下的不同图像，采用机器学习和概率论与概率统计的方法进行归类与“学习”，然后综合多种评价方式，从而形成一个评判环境卫生情况的标准，具体包括下述步骤：
S1、图像灰度化，将从多种环境情况下获得的不同的图像进行灰度化并提取轮廓，排除外部环境光照的影响；
S2、将经过步骤S1图像灰度化处理并提取轮廓的图像利用朴素贝叶斯分类器原理进行不同环境卫生等级的标记，然后形成一个样本容量，即先验概率；
S3、利用帧间差分法对图像进行中值滤波处理，去掉图像随机噪声；
S4、特征点检测，通过对图像中一些几何结构的关节点作为特征点来研究，计算其与周围点变化率的平均值；
S5、通过opencv数据看进行色差分析，从而区分出桌面或者地板是否有污点和脏物，通过对图像进行适当的二值化操作，使图像中原本较为微小的差异扩大，从而能够更准确地对图片进行色差分析，达到全面分析图片中是否有污点的目的；
S6、通过对整个图像遍历并计算，得到污点所占整幅图的百分比，然后对其进行等级划分，形成对环境卫生情况的整体评价体系。
作为优选的技术方案，步骤S1包括下述步骤：
S11、加载彩色图像；
S12、初始化变量；
S13、初始化灰度图像；
S14、将图像进行灰度化处理；
S15、提取图像轮廓，排除光照等外界环境的干扰；
S16、利用朴素贝叶斯分类器进行分类形成先验概率；
S17、帧间差分法对图像进行中值滤波处理，去除噪声信号；
S18、特征点检测及色差分析；
S19、显示灰度图像。
作为优选的技术方案，步骤S2具体为：
S21、获取餐厅或厨房桌面或地板照片；
S22、图像灰度化及canny边缘化处理，图像灰度化用于排除光照强度的干扰，边缘化处理用于提取特征轮廓；
S23、通过多次实验，将多次实验结果进行标记后放入数据库中形成分类器样本库；
S24、将进行过处理的图像与分类器样本库样本进行对比；
S25、根据朴素贝叶斯公式计算，获得的值与样本库中的标记值进行对比，从而得到静态分析下的环境情况；
S26、综合静态分析情况及微小生物数量进行带权计算从而得到环境情况值。
作为优选的技术方案，步骤S25中，
根据样本容量可以算出餐桌或地板在对比度达到哪个情况下的环境卫生情况，然后根据朴素贝叶斯公式即可进行初步的脏乱程度的判断；
作为优选的技术方案，步骤S3具体为：
S31、获取餐厅或厨房桌面或地板照片；
S32、选取时间间隔为30帧的任意三帧图像；
S33、对选取的三帧图像进行帧间差分法处理，识别出快速移动的物体；
S34、对识别出的快速移动的物体进行颜色的筛选，将图上的像素点的像素值进行筛选；
S35、还要对上述筛选的物体与有害微小生物进行相似度处理，获取匹配都高的物体并标记；
S36、通过帧间差分法结果，判断是否有有害生物；
S37、计数；
S38、综合静态环境分析结果及有害微小生物的数量进行环境情况的带权计算并评级。
作为优选的技术方案，步骤S33中，帧间差分法具体如下：
计算当前帧与背景帧的差得到FD(x,y)，从图像中提取出完整的目标，计掉当前1帧的差得到FG(x,y)，得到目标的变化量，求帧差FD(x,y)与FG(x,y)的交集得到运动目标粗糙的运动区域幽像，数学形志学运算使得运动区域封川、连续、完整，并去掉背持中的噪声；
上述公式中，d(x,y)为经过帧差法后得到的二值差分图像，Hδi(x,y)为差分图像二值化阈值，|Ii+1(x,y)-ui(x,y)|为前后两帧图像之间的变化。
作为优选的技术方案，步骤S4中，所述特征点检测采用如下公式：
R＝∑(I(x+u，y+v)-I(x，y))2
dst(x，y)＝detM(x，y)-k·(trM(x，y))2
其中I(x,y)代表特定点的灰度值，I(x+u,y+u)代表了点(x,y)邻域点的灰度值，R代表点与周围点的像素值的差，detM(x,y)代表矩阵的像素值，trM(x,y)代表矩阵像素阈值，dst(x,y)代表矩阵的协方差矩阵的特征值，通过变换可以将上式变化为一个协方差矩阵求特征值的问题。
作为优选的技术方案，通过Opencv数据库对特征点进行检测，检测时，输入一幅浮点值图像，浮点值越高，表明越可能是特征点，然后对图像进行阈值化，因为有很多特征点都是粘连在一起的，需通过加入非极大值抑制来进一步去除一些粘在一起的特征点，具体方法如下：
在一个窗口内，如果有多个特征点则用值最大的那个特征点，其他的特征点都删除，通过图像的膨胀运算来达到检测极大值的目的，因为默认参数的膨胀运算就是用窗口内的最大值替代当前的灰度值；
通过对特征点的检测，匹配到最大关联的样本库中的样本图片，然后通过朴素贝叶斯算法进行计算，可以更加准确地判断环境卫生情况。
作为优选的技术方案，步骤S5中，对图像进行适当的二值化操作的方法为：
图像的二值化处理就是通过设定一个合适的分界，将图像上的点的灰度置为0或255，也就是将整个图像呈现出明显的黑白效果；
假设这个分界的值为T,转化后灰度值为H,转化前值为Q,则：
经过二值化后的图像，然后通过计算污点或者赃物的区域部分的面积，然后计算其占总面积的多少进行比较，然后综合评价环境卫生情况。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明是结合静态图像判断和动态图像判断，对餐厅和厨房的环境进行整体的评价。步骤包括图像的灰度化处理、贝叶斯分类器的建立、帧间差分法对微小生物的识别、特征点检测进行相应位置的色差分析，从而对环境卫生情况进行整体的评价。
2、本发明相对于现有技术中的其他方法更注重于实时性以及餐桌或地板上物品的堆砌情况和微小生物的滋生情况，能够准确及时地检测餐桌或桌面的卫生情况，从而将其作为厨房或餐厅的卫生环境的评判标准。
附图说明
图1是本发明图像处理方法的总体流程图；
图2是本发明灰度化处理的流程图；
图3是本发明利用贝叶斯分类器进行不同环境卫生登记评价的流程图；
图4是本发明利用帧间差分法进行处理的流程图；
图5(a)是计算前的连通区域图；图5(b)是计算后对图形进行等级划分的示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示，本实施例一种用于环境洁净度检测的图像处理方法，获取多种环境情况下的不同图像，采用机器学习和概率论与概率统计的方法进行归类与“学习”，然后综合多种评价方式，从而形成一个评判环境卫生情况的标准，具体包括下述步骤：
S1、图像灰度化，将从多种环境情况下获得的不同的图像进行灰度化并提取轮廓，排除外部环境光照的影响；
如图2所示，本发明灰度化处理的具体步骤如下：
S11、加载彩色图像；
S12、初始化变量；
S13、初始化灰度图像；
S14、将图像进行灰度化处理；
S15、提取图像轮廓，排除光照等外界环境的干扰；
S16、利用朴素贝叶斯分类器进行分类形成先验概率；
S17、帧间差分法对图像进行中值滤波处理，去除噪声信号；
S18、特征点检测及色差分析；
S19、显示灰度图像。
S2、将经过步骤S1图像灰度化处理并提取轮廓的图像利用朴素贝叶斯分类器原理进行不同环境卫生等级的标记，然后形成一个样本容量，即先验概率；
如图3所示，利用贝叶斯分类器进行不同环境卫生登记评价的方法如下：
S21、获取餐厅或厨房桌面或地板照片；
S22、图像灰度化及canny边缘化处理，图像灰度化用于排除光照强度的干扰，边缘化处理用于提取特征轮廓；
S23、通过多次实验，将多次实验结果进行标记后放入数据库中形成分类器样本库；
S24、将进行过处理的图像与分类器样本库样本进行对比；
S25、根据朴素贝叶斯公式计算，获得的值与样本库中的标记值进行对比，从而得到静态分析下的环境情况；
根据样本容量可以算出餐桌或地板在对比度达到哪个情况下的环境卫生情况，然后根据朴素贝叶斯公式即可进行初步的脏乱程度的判断；
S26、综合静态分析情况及微小生物数量进行带权计算从而得到环境情况值。
S3、利用帧间差分法对图像进行中值滤波处理，去掉图像随机噪声；
如图4所示，对图像进行中值滤波处理具体为：
S31、获取餐厅或厨房桌面或地板照片；
S32、选取时间间隔为30帧的任意三帧图像；
S33、对选取的三帧图像进行帧间差分法处理，识别出快速移动的物体；
S34、对识别出的快速移动的物体进行颜色的筛选，将图上的像素点的像素值进行筛选；
S35、还要对上述筛选的物体与有害微小生物进行相似度处理，获取匹配都高的物体并标记；
S36、通过帧间差分法结果，判断是否有有害生物；
S37、计数；
S38、综合静态环境分析结果及有害微小生物的数量进行环境情况的带权计算并评级。
帧间差分法在此环境卫生等级的评价体系中，主要是作为辅助的功能，其可以作为判断是否有有害微小生物在餐厅桌面或者地板上，然后计算有害微小生物的数量，根据数量的多少，又可以对环境卫生情况进行等级的划分，综合静态环境的等级划分情况，可以更加完善地对环境卫生情况进行更加全面地评价。
帧间差分法具体如下：
计算当前帧与背景帧的差得到FD(x,y)，从图像中提取出完整的目标，计掉当前1帧的差得到FG(x,y)，得到目标的变化量，求帧差FD(x,y)与FG(x,y)的交集得到运动目标粗糙的运动区域幽像，数学形志学运算使得运动区域封川、连续、完整，并去掉背持中的噪声；
上述公式中，d(x,y)为经过帧差法后得到的二值差分图像，Hδi(x,y)为差分图像二值化阈值，|Ii+1(x,y)-ui(x,y)|为前后两帧图像之间的变化。
S4、特征点检测，通过对图像中一些几何结构的关节点作为特征点来研究，计算其与周围点变化率的平均值；
所述特征点检测采用如下公式：
R＝Σ(I(x+u，y+v)-I(x，y))2
dst(x，y)＝detM(x，y)-k·(trM(x，y))2
其中I(x,y)代表特定点的灰度值，I(x+u,y+u)代表了点(x,y)邻域点的灰度值，R代表点与周围点的像素值的差，detM(x,y)代表矩阵的像素值，trM(x,y)代表矩阵像素阈值，dst(x,y)代表矩阵的协方差矩阵的特征值。通过变换可以将上式变化为一个协方差矩阵求特征值的问题。
本实施例中，通过Opencv数据库对特征点进行检测，检测时，输入一幅浮点值图像，浮点值越高，表明越可能是特征点，然后对图像进行阈值化，因为有很多特征点都是粘连在一起的，需通过加入非极大值抑制来进一步去除一些粘在一起的特征点，具体方法如下：
非极大值抑制原理是，在一个窗口内，如果有多个特征点则用值最大的那个特征点，其他的特征点都删除，窗口大小这里我们用3*3，程序中通过图像的膨胀运算来达到检测极大值的目的，因为默认参数的膨胀运算就是用窗口内的最大值替代当前的灰度值。
通过对特征点的检测，匹配到最大关联的样本库中的样本图片，然后通过朴素贝叶斯算法进行计算，可以更加准确地判断环境卫生情况。
S5、通过opencv数据看进行色差分析，从而区分出桌面或者地板是否有污点和脏物，通过对图像进行适当的二值化操作，使图像中原本较为微小的差异扩大，从而能够更准确地对图片进行色差分析，达到全面分析图片中是否有污点的目的。
本实施例中，对图像进行适当的二值化操作的方法为：
图像的二值化处理就是通过设定一个合适的分界，将图像上的点的灰度置为0或255，也就是将整个图像呈现出明显的黑白效果；
假设这个分界的值为T,转化后灰度值为H,转化前值为Q,则：
经过二值化后的图像，然后通过计算污点或者赃物的区域部分的面积，然后计算其占总面积的多少进行比较，然后综合评价环境卫生情况。
如图5(a)和图5(b)所示，图5(a)中左侧7个小方格表示一个连通区域(目标)，黑点表示轮廓线的顶点，虚线就表示轮廓线，那么这个轮廓的面积计算方法就是图5(b)，以左上角第一个方格为例，顶点和轮廓线与这个像素的相交部分为1/8个像素，因此该方格区域的面积取1/8，其他同理，最后计算面积为2.5。然后除以总面积9得到污点所占的百分比大约为27.78％。
同理，通过对整个图遍历并计算，即可得到污点所占整幅图的百分比，然后对其进行等级划分，形成对环境卫生情况的整体评价体系。
S6、通过对整个图像遍历并计算，得到污点所占整幅图的百分比，然后对其进行等级划分，形成对环境卫生情况的整体评价体系。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种用于环境洁净度检测的图像处理方法，其特征在于，获取多种环境情况下的不同图像，采用机器学习和概率论与概率统计的方法进行归类与“学习”，然后综合多种评价方式，从而形成一个评判环境卫生情况的标准，具体包括下述步骤：
S1、图像灰度化，将从多种环境情况下获得的不同的图像进行灰度化并提取轮廓，排除外部环境光照的影响；
S2、将经过步骤S1图像灰度化处理并提取轮廓的图像利用朴素贝叶斯分类器原理进行不同环境卫生等级的标记，然后形成一个样本容量，即先验概率；
S3、利用帧间差分法对图像进行中值滤波处理，去掉图像随机噪声；
S4、特征点检测，通过对图像中一些几何结构的关节点作为特征点来研究，计算其与周围点变化率的平均值；
S5、通过opencv数据看进行色差分析，从而区分出桌面或者地板是否有污点和脏物，通过对图像进行适当的二值化操作，使图像中原本较为微小的差异扩大，从而能够更准确地对图片进行色差分析，达到全面分析图片中是否有污点的目的；
S6、通过对整个图像遍历并计算，得到污点所占整幅图的百分比，然后对其进行等级划分，形成对环境卫生情况的整体评价体系。
2.根据权利要求1所述用于环境洁净度检测的图像处理方法，其特征在于，步骤S1包括下述步骤：
S11、加载彩色图像；
S12、初始化变量；
S13、初始化灰度图像；
S14、将图像进行灰度化处理；
S15、提取图像轮廓，排除光照等外界环境的干扰；
S16、利用朴素贝叶斯分类器进行分类形成先验概率；
S17、帧间差分法对图像进行中值滤波处理，去除噪声信号；
S18、特征点检测及色差分析；
S19、显示灰度图像。
3.根据权利要求1所述用于环境洁净度检测的图像处理方法，其特征在于，步骤S2具体为：
S21、获取餐厅或厨房桌面或地板照片；
S22、图像灰度化及canny边缘化处理，图像灰度化用于排除光照强度的干扰，边缘化处理用于提取特征轮廓；
S23、通过多次实验，将多次实验结果进行标记后放入数据库中形成分类器样本库；
S24、将进行过处理的图像与分类器样本库样本进行对比；
S25、根据朴素贝叶斯公式计算，获得的值与样本库中的标记值进行对比，从而得到静态分析下的环境情况；
S26、综合静态分析情况及微小生物数量进行带权计算从而得到环境情况值。
4.根据权利要求3所述用于环境洁净度检测的图像处理方法，其特征在于，步骤S25中，
根据样本容量可以算出餐桌或地板在对比度达到哪个情况下的环境卫生情况，然后根据朴素贝叶斯公式即可进行初步的脏乱程度的判断；
<mrow> <mi>P</mi> <mrow> <mo>(</mo> <mi>B</mi> <mo>|</mo> <mi>A</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>P</mi> <mrow> <mo>(</mo> <mi>A</mi> <mo>|</mo> <mi>B</mi> <mo>)</mo> </mrow> <mi>P</mi> <mrow> <mo>(</mo> <mi>B</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>P</mi> <mrow> <mo>(</mo> <mi>A</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>.</mo> </mrow>
5.根据权利要求3所述用于环境洁净度检测的图像处理方法，其特征在于，步骤S3具体为：
S31、获取餐厅或厨房桌面或地板照片；
S32、选取时间间隔为30帧的任意三帧图像；
S33、对选取的三帧图像进行帧间差分法处理，识别出快速移动的物体；
S34、对识别出的快速移动的物体进行颜色的筛选，将图上的像素点的像素值进行筛选；
S35、还要对上述筛选的物体与有害微小生物进行相似度处理，获取匹配都高的物体并标记；
S36、通过帧间差分法结果，判断是否有有害生物；
S37、计数；
S38、综合静态环境分析结果及有害微小生物的数量进行环境情况的带权计算并评级。
6.根据权利要求5所述用于环境洁净度检测的图像处理方法，其特征在于，步骤S33中，帧间差分法具体如下：
计算当前帧与背景帧的差得到FD(x,y)，从图像中提取出完整的目标，计掉当前1帧的差得到FG(x,y)，得到目标的变化量，求帧差FD(x,y)与FG(x,y)的交集得到运动目标粗糙的运动区域幽像，数学形志学运算使得运动区域封川、连续、完整，并去掉背持中的噪声；
<mrow> <mi>d</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mo>|</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>&amp;GreaterEqual;</mo> <msub> <mi>H&amp;sigma;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mo>|</mo> <msub> <mi>I</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>;</mo> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>&lt;</mo> <msub> <mi>H&amp;sigma;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
上述公式中，d(x,y)为经过帧差法后得到的二值差分图像，Hδi(x,y)为差分图像二值化阈值，|Ii+1(x,y)-ui(x,y)|为前后两帧图像之间的变化。
7.根据权利要求1所述用于环境洁净度检测的图像处理方法，其特征在于，步骤S4中，所述特征点检测采用如下公式：
R＝Σ(I(x+u，y+v)-I(x，y))2
dst(x，y)＝detM(x，y)-k·(trM(x，y))2
其中I(x,y)代表特定点的灰度值，I(x+u,y+u)代表了点(x,y)邻域点的灰度值，R代表点与周围点的像素值的差，detM(x,y)代表矩阵的像素值，trM(x,y)代表矩阵像素阈值，dst(x,y)代表矩阵的协方差矩阵的特征值，通过变换可以将上式变化为一个协方差矩阵求特征值的问题。
8.根据权利要求1所述用于环境洁净度检测的图像处理方法，其特征在于，通过Opencv数据库对特征点进行检测，检测时，输入一幅浮点值图像，浮点值越高，表明越可能是特征点，然后对图像进行阈值化，因为有很多特征点都是粘连在一起的，需通过加入非极大值抑制来进一步去除一些粘在一起的特征点，具体方法如下：
在一个窗口内，如果有多个特征点则用值最大的那个特征点，其他的特征点都删除，通过图像的膨胀运算来达到检测极大值的目的，因为默认参数的膨胀运算就是用窗口内的最大值替代当前的灰度值；
通过对特征点的检测，匹配到最大关联的样本库中的样本图片，然后通过朴素贝叶斯算法进行计算，可以更加准确地判断环境卫生情况。
9.根据权利要求1所述用于环境洁净度检测的图像处理方法，其特征在于，步骤S5中，对图像进行适当的二值化操作的方法为：
图像的二值化处理就是通过设定一个合适的分界，将图像上的点的灰度置为0或255，也就是将整个图像呈现出明显的黑白效果；
假设这个分界的值为T,转化后灰度值为H,转化前值为Q,则：
<mrow> <mi>H</mi> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>(</mo> <mi>i</mi> <mi>f</mi> <mrow> <mo>(</mo> <mrow> <mi>Q</mi> <mo>&gt;</mo> <mo>=</mo> <mi>T</mi> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>255</mn> </mtd> <mtd> <mrow> <mo>(</mo> <mi>i</mi> <mi>f</mi> <mrow> <mo>(</mo> <mrow> <mi>Q</mi> <mo>&lt;</mo> <mi>T</mi> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
经过二值化后的图像，然后通过计算污点或者赃物的区域部分的面积，然后计算其占总面积的多少进行比较，然后综合评价环境卫生情况。
CN201710438427.3A 2017-06-12 2017-06-12 一种环境洁净度检测的图像处理方法 Active CN107341790B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710438427.3A CN107341790B (zh) 2017-06-12 2017-06-12 一种环境洁净度检测的图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710438427.3A CN107341790B (zh) 2017-06-12 2017-06-12 一种环境洁净度检测的图像处理方法

Publications (2)

Publication Number Publication Date
CN107341790A true CN107341790A (zh) 2017-11-10
CN107341790B CN107341790B (zh) 2019-10-22

Family

ID=60220642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710438427.3A Active CN107341790B (zh) 2017-06-12 2017-06-12 一种环境洁净度检测的图像处理方法

Country Status (1)

Country Link
CN (1) CN107341790B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859149A (zh) * 2019-01-25 2019-06-07 成都泰盟软件有限公司 一种设定目标查找区域小动物运动跟踪方法
CN110111319A (zh) * 2019-05-05 2019-08-09 哈尔滨理工大学 一种基于视频图像的猪舍地面洁净度评价方法
CN110298837A (zh) * 2019-07-08 2019-10-01 上海天诚比集科技有限公司 基于帧间差分法的消防占道异常物体检测方法
CN110378311A (zh) * 2019-07-25 2019-10-25 杭州视在科技有限公司 基于Encoder-Decoder模型和混合高斯模型的餐饮后厨违规判断方法
CN110490175A (zh) * 2019-08-30 2019-11-22 上海秒针网络科技有限公司 食品安全检查方法及系统
CN110991436A (zh) * 2019-11-28 2020-04-10 西安建筑科技大学 基于图像识别的生活污水源头分离装置及方法
CN111614866A (zh) * 2020-04-03 2020-09-01 浙江工业大学 一种实现宠物喂食器视频监控和远程控制的方法
CN112001271A (zh) * 2020-08-05 2020-11-27 安徽智星交通科技股份有限公司 一种工地道路保洁方法、装置和系统
CN112758046A (zh) * 2021-01-27 2021-05-07 的卢技术有限公司 一种基于智能识别的挡风玻璃清晰度控制方法与系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2357830A1 (en) * 2004-05-31 2011-08-17 Nikon Corporation Image processing device for detecting chromatic difference of magnification from RAW data, image processing program, and electronic camera
CN104992447A (zh) * 2015-07-24 2015-10-21 安徽工业大学 一种污水运动微生物的图像自动检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2357830A1 (en) * 2004-05-31 2011-08-17 Nikon Corporation Image processing device for detecting chromatic difference of magnification from RAW data, image processing program, and electronic camera
CN104992447A (zh) * 2015-07-24 2015-10-21 安徽工业大学 一种污水运动微生物的图像自动检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵宇等: "洗涤生产线检测视频监控软件设计", 《信息与电脑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859149A (zh) * 2019-01-25 2019-06-07 成都泰盟软件有限公司 一种设定目标查找区域小动物运动跟踪方法
CN110111319A (zh) * 2019-05-05 2019-08-09 哈尔滨理工大学 一种基于视频图像的猪舍地面洁净度评价方法
CN110298837A (zh) * 2019-07-08 2019-10-01 上海天诚比集科技有限公司 基于帧间差分法的消防占道异常物体检测方法
CN110298837B (zh) * 2019-07-08 2023-03-24 上海天诚比集科技有限公司 基于帧间差分法的消防占道异常物体检测方法
CN110378311A (zh) * 2019-07-25 2019-10-25 杭州视在科技有限公司 基于Encoder-Decoder模型和混合高斯模型的餐饮后厨违规判断方法
CN110490175A (zh) * 2019-08-30 2019-11-22 上海秒针网络科技有限公司 食品安全检查方法及系统
CN110490175B (zh) * 2019-08-30 2022-08-26 上海秒针网络科技有限公司 食品安全检查方法及系统
CN110991436A (zh) * 2019-11-28 2020-04-10 西安建筑科技大学 基于图像识别的生活污水源头分离装置及方法
CN111614866A (zh) * 2020-04-03 2020-09-01 浙江工业大学 一种实现宠物喂食器视频监控和远程控制的方法
CN112001271A (zh) * 2020-08-05 2020-11-27 安徽智星交通科技股份有限公司 一种工地道路保洁方法、装置和系统
CN112758046A (zh) * 2021-01-27 2021-05-07 的卢技术有限公司 一种基于智能识别的挡风玻璃清晰度控制方法与系统
CN112758046B (zh) * 2021-01-27 2022-11-04 的卢技术有限公司 一种基于智能识别的挡风玻璃清晰度控制方法与系统

Also Published As

Publication number Publication date
CN107341790B (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN107341790B (zh) 一种环境洁净度检测的图像处理方法
CN106910186B (zh) 一种基于cnn深度学习的桥梁裂缝检测定位方法
CN106651872B (zh) 基于Prewitt算子的路面裂缝识别方法及系统
Jahedsaravani et al. An image segmentation algorithm for measurement of flotation froth bubble size distributions
CN107230202B (zh) 路面病害图像的自动识别方法和系统
CN104809715B (zh) 纸币图像倾斜校正与区域提取方法
CN110097034A (zh) 一种智能人脸健康程度的识别与评估方法
Mitianoudis et al. Document image binarization using local features and Gaussian mixture modeling
CN107977671A (zh) 一种基于多任务卷积神经网络的舌象分类方法
CN108022233A (zh) 一种基于改进型Canny算子的工件边缘提取方法
CN109345508A (zh) 一种基于两阶段神经网络的骨龄评价方法
CN102750535B (zh) 自动提取图像前景的方法和系统
CN104077577A (zh) 一种基于卷积神经网络的商标检测方法
CN110230978A (zh) 一种耐火砖几何尺寸测量方法
CN111191628B (zh) 基于决策树与特征优化的遥感影像震害建筑物识别方法
CN108537102A (zh) 基于稀疏特征与条件随机场的高分辨sar图像分类方法
CN104915642B (zh) 前方车辆测距方法及装置
CN107392929A (zh) 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法
US20150161785A1 (en) Methods and systems for characterizing angle closure glaucoma for risk assessment or screening
CN106340007A (zh) 一种基于图像处理的车身漆膜缺陷检测识别方法
CN103424404A (zh) 物品的品质检测方法与系统
CN108537787A (zh) 一种人脸图像的质量判定方法
CN108399366A (zh) 一种基于逐像素分类的遥感图像场景分类提取方法
Radha et al. An effective algorithm for edges and veins detection in leaf images
US11790673B2 (en) Method for detection of cells in a cytological sample having at least one anomaly

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant