CN109389604A - 一种厨房油烟图像检测干扰排除方法 - Google Patents
一种厨房油烟图像检测干扰排除方法 Download PDFInfo
- Publication number
- CN109389604A CN109389604A CN201811152662.5A CN201811152662A CN109389604A CN 109389604 A CN109389604 A CN 109389604A CN 201811152662 A CN201811152662 A CN 201811152662A CN 109389604 A CN109389604 A CN 109389604A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- frame
- initial pictures
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 239000003517 fume Substances 0.000 title claims abstract description 31
- 230000008030 elimination Effects 0.000 title claims abstract description 28
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 28
- 239000000779 smoke Substances 0.000 claims abstract description 31
- 238000003708 edge detection Methods 0.000 claims abstract description 13
- 230000033001 locomotion Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000003384 imaging method Methods 0.000 claims abstract description 11
- 238000009499 grossing Methods 0.000 claims abstract description 7
- 239000003550 marker Substances 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 47
- 230000007797 corrosion Effects 0.000 claims description 18
- 238000005260 corrosion Methods 0.000 claims description 18
- 238000005530 etching Methods 0.000 claims description 6
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 2
- 238000005516 engineering process Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
一种厨房油烟图像检测干扰排除方法，图像处理单元以成像设备采集的前后帧的初始图像作为基础进行处理，初始图像为灰度图，通过如下步骤进行：(1)对采集到的初始图像进行帧差处理得到帧差图像；(2)以开运算方式对帧差图像进行去噪处理，得到去噪图像；(3)对去噪图像进行边缘检测，标记运动区域作为初始感兴趣区域；(4)对初始感兴趣区域进行灰度均值计算和区域平滑度计算，将同时满足灰度均值和平滑度要求的区域作为下一步感兴趣区域，其它的区域作为干扰排除。本发明的厨房油烟图像检测干扰排除方法，几乎不受检测距离的影响，通过算法对图像进行处理，排除人手及锅铲运动的干扰，得到准确的油烟区域。
Description
技术领域
本发明涉及厨房油烟处理技术领域，特别是涉及一种厨房油烟图像检测干扰排除方法。
背景技术
厨房是居家必备的配置之一，厨房油烟处理的效果直接影响人们的生活品质。随着科技的不断发展，对厨房油烟的监控及处理手段也越来越多。继传统的抽油烟机设置几个抽吸档位后，还出现了对厨房油烟浓度进行检测等技术。
现有技术中，针对厨房油烟浓度的检测，主要有红外投射法和物理检测法。红外投射法通过一端发射红外光，另一端进行接收，通过接收到的红外光强度来判断油烟浓度大小。但是，由于油烟飘散具有不确定性，实际中还会存在人手遮挡等干扰，故，需在不同位置安装多个红外发射器才能保证油烟检测的相对准确，成本较高，对安装位置要求也较高。物理检测法类似于烟雾报警器的原理，通过检测空气中漂浮颗粒数来判断油烟浓度，但此法有两个缺点，一是必须当油烟接触到报警器时才能进行检测，不能实现远距离检测；二是当空气中飘浮的不是油烟而是水雾时就无法检测。
因此，针对现有技术不足，提供一种厨房油烟图像检测干扰排除方法以克服现有技术不足甚为必要。
发明内容
本发明的目的在于避免现有技术的不足之处而提供一种厨房油烟图像检测干扰排除方法，能够排除其它干扰，准确找到油烟区域。
本发明的目的通过以下技术措施实现。
提供一种厨房油烟图像检测干扰排除方法，图像处理单元以成像设备采集的初始图像作为基础进行处理，初始图像为灰度图，所采集的初始图像被序列化，依次通过后帧的初始图像与前帧的初始图像进行处理，得到各个后帧初始图像的油烟区域；
每次通过后帧的初始图像与前帧的初始图像进行处理，得到后帧初始图像所处时刻的油烟区域的步骤过程如下：
(1)将后帧的初始图像与前帧的初始图像进行帧差处理得到帧差图像；
(2)以开运算方式对帧差图像进行去噪处理，得到去噪图像；
(3)对去噪图像进行边缘检测，标记运动区域作为初始感兴趣区域；
(4)对初始感兴趣区域进行灰度均值计算和区域平滑度计算，将同时满足灰度均值和平滑度要求的区域作为下一步感兴趣区域，其它的区域作为干扰排除。
进一步的，步骤(1)中，对采集到的初始图像进行帧差操作得到帧差图像具体是：
图像处理单元根据接收到的初始图像的先后顺序，将后一帧图像与前一帧图像做差，得到动态区域高亮的帧差图像。
进一步的，所述步骤(2)对帧差图像采用开运算进行去噪处理，得到去噪图像，具体通过如下方式进行：先对帧差图像进行腐蚀操作，以消除图像中的噪点和细小尖刺，断开窄小的连接；再对腐蚀后的图像进行膨胀操作，恢复原帧差图像中的明显特征。
进一步的，所述步骤(3)对去噪图像进行边缘检测，标记运动区域作为初始感兴趣区域，具体是：利用小波变换，检测帧差图像高亮区域的边缘并进行标记，将标记出的区域作为初始感兴趣区域。
进一步的，所述步骤(4)具体是对每个初始感兴趣区域进行灰度均值、区域平滑度计算，得到每个初始感兴趣区域对应的灰度均值和灰度平滑度，将同时满足计算得到的灰度均值小于灰度阈值、灰度平滑度小于灰度平滑度阈值的初始感兴趣区域作为感兴趣区域，将其它初始感兴趣区域判定为干扰区域。
进一步的，上述的厨房油烟图像检测干扰排除方法，成像设备采集的目标区域以区域S表示，任意一帧初始图像为对应区域S的成像；
初始图像由m*n个像素构成，
后帧初始图像A的像素的灰度值以矩阵AH表示，AH＝{ahi,j}，ahi,j代表后帧初始图像A中第i行、第j列像素对应的灰度值，i为像素所在的行，j为像素所在的列，1≤i≤m，1≤j≤n；后帧初始图像A中第i行、第j列像素所在的子区域为ASi,j；
前帧初始图像B的像素的灰度值以矩阵BH表示，BH＝{bhi,j}，bhi,j代表前帧初始图像B中第i行、第j列像素对应的灰度值，前帧初始图像B中第i行、第j列像素所在的子区域为BSi,j；
帧差图像D的像素灰度值以矩阵DH表示，DH＝{dhi,j}＝{|ahi,j-bhi,j|}，dhi,j代表帧差图像D中第i行、第j列像素对应的灰度值，帧差图像D中第i行、第j列像素所在的子区域为DSi,j；
在帧差图像中，|dhi,j|＝0的区域，呈黑色；|dhi,j|≠0的区域呈高亮显示。
进一步的，步骤(2)中对帧差图像进行腐蚀操作，具体包括如下步骤：
2-11，任意定义一个卷积核α；
2-12，将卷积核α与帧差图像进行卷积；在卷积核α遍历帧差图像时，提取卷积核所覆盖区域内卷积结果的像素灰度最小值p以及与卷积核中心重合的像素点C；
像素点C的灰度通过矩阵CH＝{ck,q}表示，k、q为像素点C的行序号和列序号，
获得在卷积核α遍历帧差图像过程中得到的卷积结果最小值像素点矩阵P，最小值像素点矩阵P的灰度通过矩阵PH＝{pk,q}表示；
2-13将像素点矩阵P的灰度对应覆予像素点C，得到腐蚀图像；
步骤(2)中对腐蚀图像进行膨胀操作，具体包括如下步骤：
2-21，任意定义一个卷积核β；
2-22，将卷积核β与腐蚀图像进行卷积；在卷积核β遍历腐蚀图像时，提取卷积核所覆盖区域内卷积结果的像素灰度最大值o以及与卷积核中心重合的像素点R；
像素点R的灰度通过矩阵RH＝{rl,v}表示，l、v为像素点R的行序号和列序号，
获得在卷积核β遍历腐蚀图像过程中得到的卷积结果最大值像素点矩阵O，最大值像素点矩阵O的灰度通过矩阵OH＝{ol,v}表示；
2-13将最大值像素点矩阵O的灰度对应覆予像素点R，得到膨胀图像，得到的膨胀图像即为去噪图像。
进一步的，所述步骤(3)通过如下步骤进行：
3-1，定义一个滤波器Y，滤波器为t*t矩阵，t为奇数；
3-2，使滤波器Y遍历去噪图像，计算滤波器在每一位置处的中心像素点所在的去噪图像的灰度值以及中心像素点邻域内其它像素点的灰度值，并根据公式(Ⅰ)计算滤波器在每一位置处的中心像素点的边缘检测值Xz，z为滤波器Y遍历去噪图像时的标记，
f、g为为像素点的矩阵序号，1≤f≤t，1≤g≤t，e为滤波器在每一位置处的像素点所在的去噪图像的灰度值；α为权重系数，与滤波器位置相对应；
3-3，将滤波器在每一位置处的中心像素点边缘检测值Xz与中心像素点邻域的其它像素点的灰度值相减，并判断差值的绝对值是否大于阈值Δ；
统计大于阈值的数量，如果数量超过判定滤波器所处位置的中心像素点对应的去噪图像的像素点位置为边缘点，并进行标记；
3-4，滤波器遍历完整个去噪图像，得到所有标记的边缘点，获得初步感兴趣区域。
优选的，t为3。
优选的，所述步骤(4)中，灰度阈值为5-70，灰度平滑度阈值为0.05。
本发明的厨房油烟图像检测干扰排除方法，几乎不受检测距离的影响，通过算法对图像进行处理，排除人手及锅铲运动的干扰，得到准确的油烟区域。
说明书附图
利用附图对本发明作进一步的说明，但附图中的内容不构成对本发明的任何限制。
图1本发明厨房油烟图像检测干扰排除方法的流程图。
图2是本发明的方法分割的油烟区域和干扰区域的示意图。
具体实施方式
结合以下实施例对本发明作进一步说明。
实施例1。
一种厨房油烟图像检测干扰排除方法，如图1所示，图像处理单元以成像设备采集的初始图像作为基础进行处理，初始图像为灰度图，所采集的初始图像被序列化，依次通过后帧的初始图像与前帧的初始图像进行处理，得到各个后帧初始图像的油烟区域。
每次通过后帧的初始图像与前帧的初始图像进行处理，得到后帧初始图像所处时刻的油烟区域的步骤过程如下：
(1)将后帧的初始图像与前帧的初始图像进行帧差处理得到帧差图像；
(1)对采集到的初始图像进行帧差处理得到帧差图像；
(2)以开运算方式对帧差图像进行去噪处理，得到去噪图像；
(3)对去噪图像进行边缘检测，标记运动区域作为初始感兴趣区域；
(4)对初始感兴趣区域进行灰度均值计算和区域平滑度计算，将同时满足灰度均值和平滑度要求的区域作为下一步感兴趣区域，其它的区域作为干扰排除。
步骤(1)中，对采集到的初始图像进行帧差操作得到帧差图像具体是：图像处理单元根据接收到的初始图像的先后顺序，将后一帧图像与前一帧图像做差，得到动态区域高亮的帧差图像。由于前后两帧图像中静态区域是不变的，动态区域(例如油烟飘散，人手挥动等)是变化的，所以帧差后静态区域呈现黑色，动态区域帧差后表现为边缘模糊的高亮区域，故通过帧差可以得到动态区域高亮的帧差图像。
成像设备采集的目标区域以区域S表示，任意一帧初始图像为对应区域S的成像；初始图像由m*n个像素构成。
后帧初始图像A的像素的灰度值以矩阵AH表示，AH＝{ahi,j}，ahi,j代表后帧初始图像A中第i行、第j列像素对应的灰度值，i为像素所在的行，j为像素所在的列，1≤i≤m，1≤j≤n；后帧初始图像A中第i行、第j列像素所在的子区域为ASi,j。
前帧初始图像B的像素的灰度值以矩阵BH表示，BH＝{bhi,j}，bhi,j代表前帧初始图像B中第i行、第j列像素对应的灰度值，前帧初始图像B中第i行、第j列像素所在的子区域为BSi,j。
帧差图像D的像素灰度值以矩阵DH表示，DH＝{dhi,j}＝{|ahi,j-bhi,j|}，dhi,j代表帧差图像D中第i行、第j列像素对应的灰度值，帧差图像D中第i行、第j列像素所在的子区域为DSi,j；
在帧差图像中，|dhi,j|＝0的区域，呈黑色；|dhi,j|≠0的区域呈高亮显示。
帧差操作后，进入步骤(2)。对帧差图像采用开运算进行去噪处理，得到去噪图像，具体通过如下方式进行：先对帧差图像进行腐蚀操作，以消除图像中的噪点和细小尖刺，断开窄小的连接；再对腐蚀后的图像进行膨胀操作，恢复原帧差图像中的明显特征。
步骤(2)中对帧差图像进行腐蚀操作，具体包括如下步骤：
2-11，任意定义一个卷积核α；
2-12，将卷积核α与帧差图像进行卷积；在卷积核α遍历帧差图像时，提取卷积核所覆盖区域内卷积结果的像素灰度最小值p以及与卷积核中心重合的像素点C；
像素点C的灰度通过矩阵CH＝{ck,q}表示，k、q为像素点C的行序号和列序号，
获得在卷积核α遍历帧差图像过程中得到的卷积结果最小值像素点矩阵P，最小值像素点矩阵P的灰度通过矩阵PH＝{pk,q}表示；
2-13将像素点矩阵P的灰度对应覆予像素点C，得到腐蚀图像。
步骤(2)中对腐蚀图像进行膨胀操作，具体包括如下步骤：
2-21，任意定义一个卷积核β；
2-22，将卷积核β与腐蚀图像进行卷积；在卷积核β遍历腐蚀图像时，提取卷积核所覆盖区域内卷积结果的像素灰度最大值o以及与卷积核中心重合的像素点R；
像素点R的灰度通过矩阵RH＝{rl,v}表示，l、v为像素点R的行序号和列序号，
获得在卷积核β遍历腐蚀图像过程中得到的卷积结果最大值像素点矩阵O，最大值像素点矩阵O的灰度通过矩阵OH＝{ol,v}表示；
2-13将最大值像素点矩阵O的灰度对应覆予像素点R，得到膨胀图像，得到的膨胀图像即为去噪图像。
利用开运算可以消除图像噪点，在纤细点处分离物体，平滑较大的物体边界，同时也可保证原来图像中高亮区域的面积基本不变，保证后续检测的准确性不受影响。
步骤(3)对去噪图像进行边缘检测，标记运动区域作为初始感兴趣区域，具体是：利用小波变换，检测帧差图像高亮区域的边缘并进行标记，将标记出的区域作为初始感兴趣区域。
由于图像边缘的灰度值与相邻像素点的灰度值会产生较大的灰度值梯度，根据边缘的这一特征，设定一个滤波器，用该滤波器遍历帧差图像。步骤(3)通过如下步骤进行：
3-1，定义一个滤波器Y，滤波器为t*t矩阵，t为奇数。滤波器选择奇数矩阵，以确保只有一个中心点，优选3*3矩阵，具有计算量小的特点。
3-2，使滤波器Y遍历去噪图像，计算滤波器在每一位置处的中心像素点所在的去噪图像的灰度值以及中心像素点邻域内其它像素点的灰度值，并根据公式(Ⅰ)计算滤波器在每一位置处的中心像素点的边缘检测值Xz，z为滤波器Y遍历去噪图像时的标记，
f、g为为像素点的矩阵序号，1≤f≤t，1≤g≤t，e为滤波器在每一位置处的像素点所在的去噪图像的灰度值；α为权重系数，与滤波器位置相对应。
3-3，将滤波器在每一位置处的中心像素点边缘检测值Xz与中心像素点邻域的其它像素点的灰度值相减，并判断差值的绝对值是否大于阈值Δ；
统计大于阈值的数量，如果数量超过判定滤波器所处位置的中心像素点对应的去噪图像的像素点位置为边缘点，并进行标记；
3-4，滤波器遍历完整个去噪图像，得到所有标记的边缘点，获得初步感兴趣区域。
因为人在做菜操作时，手会一直在挥动，帧差完之后的图像中会包含油烟和人手操作等运动物体的干扰区域，在进行油烟浓度识别之前需要排除干扰区域的影响，这也是本发明专利的难点所在。
但是油烟的运动方向具有随机性，人手，锅铲的运动方向相对明确，且特征相差较大，从而：
1)帧差后的图像上油烟运动区域比人手、锅铲运动区域的亮度低，所以相应的油烟区域的灰度值均值也低于人手、锅铲运动区域的灰度均值；
2)帧差后的图像上油烟运动区域的灰度值分布较集中，而人手、锅铲的运动区域边界的灰度值较区域的中心区域跳跃较大，所以该区域的图像不够平滑，对应的灰度值的方差较大。
利用这两个特性，步骤(4)具体是对每个初始感兴趣区域进行灰度均值、区域平滑度计算，得到每个初始感兴趣区域对应的灰度均值和灰度平滑度，将同时满足计算得到的灰度均值小于灰度阈值、灰度平滑度小于灰度平滑度阈值的初始感兴趣区域作为感兴趣区域，将其它初始感兴趣区域判定为干扰区域。
所述步骤(4)中，灰度阈值优选为5-70，灰度平滑度阈值为0.05。需要说明的是，灰度阈值、灰度平滑度阈值的量值可以根据具体需要灵活设置，在此不再赘述。步骤(4)完成油烟区域的识别和干扰区域的排除。
图2示意了一个利用本发明的方法分割的油烟区域和干扰区域的示意图，可见，本发明的方法能够将干扰区域有效排除。
本发明的厨房油烟图像检测干扰排除方法，本发明的厨房油烟图像检测干扰排除方法，几乎不受检测距离的影响，通过算法对图像进行处理，排除人手及锅铲运动的干扰，得到准确的油烟区域。
本发明厨房油烟图像检测干扰排除方法，可以用于油烟机中，通过油烟机设置的成像设备采集烟机灶头区域的图像，并输送至图像处理单元，图像处理单元将处理的油烟等级结构输送至主控单元，主控单元根据烟机的油烟等级控制烟机抽吸力度。更加准确地对厨房油烟进行抽吸处理。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (10)
1.一种厨房油烟图像检测干扰排除方法，其特征在于，图像处理单元以成像设备采集的初始图像作为基础进行处理，初始图像为灰度图，所采集的初始图像被序列化，依次通过后帧的初始图像与前帧的初始图像进行处理，得到各个后帧初始图像的油烟区域；
每次通过后帧的初始图像与前帧的初始图像进行处理，得到后帧初始图像所处时刻的油烟区域的步骤过程如下：
(1)将后帧的初始图像与前帧的初始图像进行帧差处理得到帧差图像；
(2)以开运算方式对帧差图像进行去噪处理，得到去噪图像；
(3)对去噪图像进行边缘检测，标记运动区域作为初始感兴趣区域；
(4)对初始感兴趣区域进行灰度均值计算和区域平滑度计算，将同时满足灰度均值和平滑度要求的区域作为下一步感兴趣区域，其它的区域作为干扰排除。
2.根据权利要求1所述的厨房油烟图像检测干扰排除方法，其特征在于，步骤(1)中，对采集到的初始图像进行帧差操作得到帧差图像具体是：
图像处理单元根据接收到的初始图像的先后顺序，将后一帧图像与前一帧图像做差，得到动态区域高亮的帧差图像。
3.根据权利要求2所述的厨房油烟图像检测干扰排除方法，其特征在于，所述步骤(2)对帧差图像采用开运算进行去噪处理，得到去噪图像，具体通过如下方式进行：先对帧差图像进行腐蚀操作，以消除图像中的噪点和细小尖刺，断开窄小的连接；再对腐蚀后的图像进行膨胀操作，恢复原帧差图像中的明显特征。
4.根据权利要求3所述的的厨房油烟图像检测干扰排除方法，其特征在于，所述步骤(3)对去噪图像进行边缘检测，标记运动区域作为初始感兴趣区域，具体是：利用小波变换，检测帧差图像高亮区域的边缘并进行标记，将标记出的区域作为初始感兴趣区域。
5.根据权利要求4所述的的厨房油烟图像检测干扰排除方法，其特征在于，所述步骤(4)具体是对每个初始感兴趣区域进行灰度均值、区域平滑度计算，得到每个初始感兴趣区域对应的灰度均值和灰度平滑度，将同时满足计算得到的灰度均值小于灰度阈值、灰度平滑度小于灰度平滑度阈值的初始感兴趣区域作为感兴趣区域，将其它初始感兴趣区域判定为干扰区域。
6.根据权利要求5所述的的厨房油烟图像检测干扰排除方法，其特征在于，
成像设备采集的目标区域以区域S表示，任意一帧初始图像为对应区域S的成像；
初始图像由m*n个像素构成，
后帧初始图像A的像素的灰度值以矩阵AH表示，AH＝{ahi,j}，ahi,j代表后帧初始图像A中第i行、第j列像素对应的灰度值，i为像素所在的行，j为像素所在的列，1≤i≤m，1≤j≤n；后帧初始图像A中第i行、第j列像素所在的子区域为ASi,j；
前帧初始图像B的像素的灰度值以矩阵BH表示，BH＝{bhi,j}，bhi,j代表前帧初始图像B中第i行、第j列像素对应的灰度值，前帧初始图像B中第i行、第j列像素所在的子区域为BSi,j；
帧差图像D的像素灰度值以矩阵DH表示，DH＝{dhi,j}＝{|ahi,j-bhi,j|}，dhi,j代表帧差图像D中第i行、第j列像素对应的灰度值，帧差图像D中第i行、第j列像素所在的子区域为DSi,j；
在帧差图像中，|dhi,j|＝0的区域，呈黑色；|dhi,j|≠0的区域呈高亮显示。
7.根据权利要求6所述的厨房油烟图像检测干扰排除方法，其特征在于：步骤(2)中对帧差图像进行腐蚀操作，具体包括如下步骤：
2-11，任意定义一个卷积核α；
2-12，将卷积核α与帧差图像进行卷积；在卷积核α遍历帧差图像时，提取卷积核所覆盖区域内卷积结果的像素灰度最小值p以及与卷积核中心重合的像素点C；
像素点C的灰度通过矩阵CH＝{ck,q}表示，k、q为像素点C的行序号和列序号，
获得在卷积核α遍历帧差图像过程中得到的卷积结果最小值像素点矩阵P，最小值像素点矩阵P的灰度通过矩阵PH＝{pk,q}表示；
2-13将像素点矩阵P的灰度对应覆予像素点C，得到腐蚀图像；
步骤(2)中对腐蚀图像进行膨胀操作，具体包括如下步骤：
2-21，任意定义一个卷积核β；
2-22，将卷积核β与腐蚀图像进行卷积；在卷积核β遍历腐蚀图像时，提取卷积核所覆盖区域内卷积结果的像素灰度最大值o以及与卷积核中心重合的像素点R；
像素点R的灰度通过矩阵RH＝{rl,v}表示，l、v为像素点R的行序号和列序号，
获得在卷积核β遍历腐蚀图像过程中得到的卷积结果最大值像素点矩阵O，最大值像素点矩阵O的灰度通过矩阵OH＝{ol,v}表示；
2-13将最大值像素点矩阵O的灰度对应覆予像素点R，得到膨胀图像，得到的膨胀图像即为去噪图像。
8.根据权利要求7所述的厨房油烟图像检测干扰排除方法，其特征在于，所述步骤(3)通过如下步骤进行：
3-1，定义一个滤波器Y，滤波器为t*t矩阵，t为奇数；
3-2，使滤波器Y遍历去噪图像，计算滤波器在每一位置处的中心像素点所在的去噪图像的灰度值以及中心像素点邻域内其它像素点的灰度值，并根据公式(Ⅰ)计算滤波器在每一位置处的中心像素点的边缘检测值Xz，z为滤波器Y遍历去噪图像时的标记，
f、g为为像素点的矩阵序号，1≤f≤t，1≤g≤t，e为滤波器在每一位置处的像素点所在的去噪图像的灰度值；α为权重系数，与滤波器位置相对应；
3-3，将滤波器在每一位置处的中心像素点边缘检测值Xz与中心像素点邻域的其它像素点的灰度值相减，并判断差值的绝对值是否大于阈值Δ；
统计大于阈值的数量，如果数量超过判定滤波器所处位置的中心像素点对应的去噪图像的像素点位置为边缘点，并进行标记；
3-4，滤波器遍历完整个去噪图像，得到所有标记的边缘点，获得初步感兴趣区域。
9.根据权利要求8所述的厨房油烟图像检测干扰排除方法，其特征在于：t为3。
10.根据权利要求9所述的厨房油烟图像检测干扰排除方法，其特征在于：
所述步骤(4)中，灰度阈值为5-70，灰度平滑度阈值为0.05。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811152662.5A CN109389604A (zh) | 2018-09-29 | 2018-09-29 | 一种厨房油烟图像检测干扰排除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811152662.5A CN109389604A (zh) | 2018-09-29 | 2018-09-29 | 一种厨房油烟图像检测干扰排除方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109389604A true CN109389604A (zh) | 2019-02-26 |
Family
ID=65418952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811152662.5A Pending CN109389604A (zh) | 2018-09-29 | 2018-09-29 | 一种厨房油烟图像检测干扰排除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109389604A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111396944A (zh) * | 2020-03-26 | 2020-07-10 | 珠海格力电器股份有限公司 | 油烟机工作状态的自适应方法、装置、存储介质及油烟机 |
| CN114387273A (zh) * | 2022-03-24 | 2022-04-22 | 莱芜职业技术学院 | 基于计算机图像识别的环境粉尘浓度检测方法及系统 |
| CN116758489A (zh) * | 2023-08-17 | 2023-09-15 | 山东传奇新力科技有限公司 | 基于图像处理的智慧厨房油烟检测识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103337053A (zh) * | 2013-06-13 | 2013-10-02 | 华中科技大学 | 一种基于开关非局部全变分的椒盐噪声污染图像滤波方法 |
| CN108564091A (zh) * | 2018-03-08 | 2018-09-21 | 佛山市云米电器科技有限公司 | 目标区域弱边缘提取方法及油烟浓度检测与干扰排除方法 |
| CN108563991A (zh) * | 2018-03-08 | 2018-09-21 | 佛山市云米电器科技有限公司 | 厨房油烟浓度划分方法及油烟浓度检测与干扰排除方法 |
-
2018
- 2018-09-29 CN CN201811152662.5A patent/CN109389604A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103337053A (zh) * | 2013-06-13 | 2013-10-02 | 华中科技大学 | 一种基于开关非局部全变分的椒盐噪声污染图像滤波方法 |
| CN108564091A (zh) * | 2018-03-08 | 2018-09-21 | 佛山市云米电器科技有限公司 | 目标区域弱边缘提取方法及油烟浓度检测与干扰排除方法 |
| CN108563991A (zh) * | 2018-03-08 | 2018-09-21 | 佛山市云米电器科技有限公司 | 厨房油烟浓度划分方法及油烟浓度检测与干扰排除方法 |
Non-Patent Citations (2)
| Title |
|---|
| 梁志芳，王迎娜主编: "《计算机在材料加工中的应用》", 31 March 2012, 北京：煤炭工业出版社, pages: 35 - 36 * |
| 高宏伟: "《电子封装工艺与装备技术基础教程》", 30 June 2017, 西安电子科技大学出版社, pages: 255 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111396944A (zh) * | 2020-03-26 | 2020-07-10 | 珠海格力电器股份有限公司 | 油烟机工作状态的自适应方法、装置、存储介质及油烟机 |
| CN114387273A (zh) * | 2022-03-24 | 2022-04-22 | 莱芜职业技术学院 | 基于计算机图像识别的环境粉尘浓度检测方法及系统 |
| CN114387273B (zh) * | 2022-03-24 | 2022-05-31 | 莱芜职业技术学院 | 基于计算机图像识别的环境粉尘浓度检测方法及系统 |
| CN116758489A (zh) * | 2023-08-17 | 2023-09-15 | 山东传奇新力科技有限公司 | 基于图像处理的智慧厨房油烟检测识别方法 |
| CN116758489B (zh) * | 2023-08-17 | 2023-10-27 | 山东传奇新力科技有限公司 | 基于图像处理的智慧厨房油烟检测识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109190624A (zh) | 基于图像处理的厨房油烟浓度检测方法 | |
| CN109447063A (zh) | 一种基于图像处理的厨房油烟浓度检测方法 | |
| CN104392468B (zh) | 基于改进视觉背景提取的运动目标检测方法 | |
| CN109084350A (zh) | 一种具滤光功能视觉检测模块的油烟机及油烟浓度检测方法 | |
| CN100544446C (zh) | 用于视频监控的实时运动检测方法 | |
| CN109028232A (zh) | 一种带可移动视觉检测系统的油烟机及油烟浓度检测方法 | |
| CN109389604A (zh) | 一种厨房油烟图像检测干扰排除方法 | |
| CN109028226A (zh) | 基于双区域图像采集进行油烟浓度判断的油烟机 | |
| CN106023245B (zh) | 基于中智集相似度量测的静态背景下运动目标检测方法 | |
| CN106709903B (zh) | 基于图像质量的pm2.5浓度预测方法 | |
| CN109028223A (zh) | 具手势控制视觉检测功能的油烟机及油烟浓度检测方法 | |
| CN109028237A (zh) | 基于双区域图像采集进行风速调节的油烟机 | |
| CN110874592A (zh) | 一种基于总有界变分的森林火灾烟雾图像检测方法 | |
| CN109028230A (zh) | 具手势控制视觉检测功能的炉具及油烟浓度检测方法 | |
| CN104298993B (zh) | 一种适用于轨道沿线复杂场景下的杆号定位和识别方法 | |
| CN106503651A (zh) | 一种手势图像的提取方法及系统 | |
| CN109028231A (zh) | 一种基于视觉手势控制的烟灶一体机及油烟浓度检测方法 | |
| CN105335688B (zh) | 一种基于视觉图像的飞机机型识别方法 | |
| CN109028169A (zh) | 一种具有熄火视觉控制功能的炉具及油烟浓度检测方法 | |
| Xie et al. | No-reference hair occlusion assessment for dermoscopy images based on distribution feature | |
| CN109028224A (zh) | 一种具光线自适应视觉功能的油烟机及油烟浓度检测方法 | |
| CN109373377A (zh) | 一种具有固定式视觉检测系统的油烟机及油烟浓度检测方法 | |
| CN109028225A (zh) | 一种带固定式视觉检测系统的油烟机及油烟浓度检测方法 | |
| CN209101365U (zh) | 一种具无人识别功能的烟灶一体机 | |
| CN109344827A (zh) | 一种带补光装置的油烟机及油烟浓度检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190226 |