CN109461165A - 基于图像三色分割的厨房油烟浓度划分标识方法 - Google Patents

基于图像三色分割的厨房油烟浓度划分标识方法 Download PDF

Info

Publication number
CN109461165A
CN109461165A CN201811152664.4A CN201811152664A CN109461165A CN 109461165 A CN109461165 A CN 109461165A CN 201811152664 A CN201811152664 A CN 201811152664A CN 109461165 A CN109461165 A CN 109461165A
Authority
CN
China
Prior art keywords
image
value
pixel
matrix
absolute
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
Application number
CN201811152664.4A
Other languages
English (en)
Inventor
陈小平
陈超
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.)
Foshan Viomi Electrical Technology Co Ltd
Original Assignee
Foshan Viomi Electrical Technology Co Ltd
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 Foshan Viomi Electrical Technology Co Ltd filed Critical Foshan Viomi Electrical Technology Co Ltd
Priority to CN201811152664.4A priority Critical patent/CN109461165A/zh
Publication of CN109461165A publication Critical patent/CN109461165A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G06T5/70—
    • 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

Abstract

一种基于图像三色分割的厨房油烟浓度划分标识方法，步骤如下：(1)将待处理的初始图像定义为目标图像，对目标图像进行开运算去噪，得到去噪图像；(2)获取最小值新生图像；(3)求取绝对值灰度差值，获得绝对值灰度差值图像；(4)将绝对灰度差值进行归一化处理得到归一化绝对灰度差值，将归一化绝对灰度差值与油烟阈值进行对比，将归一化绝对灰度差值进行高、中、低灰度值梯度划分；(5)在目标图像中，将设定好的油烟阈值用三种不同的单通道颜色标识，并根据步骤(4)的灰度值梯度划分结果进行标记。本发明具有效率高、结果精确的特点。

Description

基于图像三色分割的厨房油烟浓度划分标识方法
技术领域
本发明涉及厨房油烟处理技术领域，特别是涉及一种基于图像三色分割的厨房油烟浓度划分标识方法。
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。
油烟图像浓度判断的关键在于对油烟图像的处理效果。图像分割是指根据相似和均匀的准则将图像分为互相不重叠、本身相连的图像组元的过程，是从图像处理到图像分析的关键步骤，图像分割质量的好坏，很大程度决定着后续图像分析的效果。现阶段无论是对彩色还是灰度图像的分割，通常是人为地将想要提取的颜色所对应的图像区域标记出来，再将标记出的图像区域与图像所在的坐标系统进行转换，从而确定出提取颜色所对应的图像区域的坐标位置，再根据坐标对标记出的区域进行分析处理。然而通过人工的方式确定出的标记区域会存在较大误差，对图像采集设备的稳定性的成像系统的精度也会造成影响，同时人工的方式效率并不高，极易受到干扰而出现标记错误和处理误差。
因此，针对现有技术不足，提供一种分割效率高、结果精确的基于图像三色分割的厨房油烟浓度划分标识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基于图像三色分割的厨房油烟浓度划分标识方法，具有效率高、结果精确的特点。
本发明的目的通过以下技术措施实现。
提供一种基于图像三色分割的厨房油烟浓度划分标识方法，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存储；
对任意一帧待处理的初始图像进行油烟浓度标识，步骤如下：
(1)将待处理的初始图像定义为目标图像，对目标图像进行开运算去噪，得到去噪图像；
(2)获取最小值新生图像；
(3)求取绝对值灰度差值，获得绝对值灰度差值图像；
(4)将绝对灰度差值进行归一化处理得到归一化绝对灰度差值，将归一化绝对灰度差值与油烟阈值进行对比，将归一化绝对灰度差值进行高、中、低灰度值梯度划分；
(5)在目标图像中，将设定好的油烟阈值用三种不同的单通道颜色标识，并根据步骤(4)的灰度值梯度划分结果进行标记。
优选的，步骤(1)中，对目标图像进行开运算去噪，得到去噪图像，具体是：
先对目标图像进行腐蚀操作，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，恢复图像中的明显特征。
优选的，目标图像D由m*n个像素构成，目标图像D的像素灰度值以矩阵DH表示，DH＝{dhi,j}，dhi,j代表目标图像D中第i行、第j列像素对应的灰度值，1≤i≤m，1≤j≤n；
对目标图像D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A；
2-12，将卷积核A与目标图像进行卷积；在卷积核A遍历目标图像时，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A遍历目标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；
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B；
2-22，将卷积核B与腐蚀图像进行卷积；在卷积核B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B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。
优选的，卷积核A为3*3矩阵，卷积核B为3*3矩阵。
优选的，步骤(2)获取最小值新生图像具体通过如下步骤进行：
选取包含目标图像所在帧的连续Z帧初始图像作为取样图像，Z个取样图像分别为去噪图像Q、取样图像Y1、取样图像Y2、......、取样图像YZ-1；Z为大于等于3的自然数；
去噪图像Q的像素灰度值以矩阵QH表示，QH＝{qhi,j}，qhi,j代表最小值新生图像Q中第i行、第j列像素对应的灰度值；
取样图像Y1的像素灰度值以矩阵Y1H表示，Y1H＝{y1hi,j}，y1hi,j代表取样图像Y1中第i行、第j列像素对应的灰度值；
取样图像Y2的像素灰度值以矩阵Y2H表示，Y2H＝{y2hi,j}，y2hi,j代表取样图像Y2中第i行、第j列像素对应的灰度值；
......
取样图像YZ-1的像素灰度值以矩阵YZ-1H表示，YZ-1H＝{yz-1hi,j}，yz-1hi,j代表取样图像YZ-1中第i行、第j列像素对应的灰度值；
最小值新生图像X的像素灰度值以矩阵XH表示，XH＝{xhi,j}，xhi,j代表最小值新生图像X中第i行、第j列像素对应的灰度值；
xhi,j＝min(qhi,j、y1hi,j、y2hi,j、......、yz-1hi,j)。
优选的，步骤(3)求取绝对灰度差值具体步骤如下：
(3-1)在Z个取样图像中，寻找像素灰度值最大的像素所在的取样图像，命名为最大值图像E；
最大值图像E的像素灰度值以矩阵EH表示，EH＝{ehi,j}，ehi,j代表最大值图像E中第i行、第j列像素对应的灰度值；
(3-2)将最小值新生图像X的像素灰度值与最大值图像E的像素灰度值相减，得到绝对值灰度差值图像V，
绝对值灰度差值图像V的像素灰度值以矩阵VH表示，VH＝{vhi,j}，vhi,j代绝对值灰度差值图像V中第i行、第j列像素对应的灰度值；
vhi,j＝{|xhij-ehi,j|}。
优选的，步骤4中的归一化处理按照如下公式进行：
Gi,j为绝对值灰度差值图像V的第i行、第j列像素对应的归一化绝对灰度差值；
将归一化绝对灰度差值为大于0且小于等于6.0/255范围的像素划为第一梯度区域，对应低油烟浓度区域；
将归一化绝对灰度差值为大于6.0/255且小于等于12.0/255范围的像素划为第二梯度区域，对应中等油烟浓度区域；
将归一化绝对灰度差值为大于12.0/255且小于等于20.0/255范围的像素划为第三梯度区域，对应高油烟浓度区域。
优选的，步骤(5)具体是：在目标图像中分割出与步骤(4)得到的第一梯度区域所对应的图像，使用单通道绿色标识，在目标图像中分割出与步骤(4)得到的第二梯度区域所对应的图像，使用单通道蓝色标识，在目标图像中分割出与步骤(4)得到的第三梯度区域所对应的图像，使用单通道红色标识，得到最终三色分割效果图。
优选的，Z大于等于5且小于等于20。
优选的，Z等于10。
本发明的基于图像三色分割的厨房油烟浓度划分标识方法，可有效的应用在厨房油烟浓度识别，公共场合烟雾浓度识别等领域。本发明实例将待分割的灰度图像利用开运算进行降噪平滑处理；根据图像灰度值作差获得绝对差值，再归一化后进行三个梯度的划分，将所述图像中满足对应阈值的部分区域进行单通道的颜色标识。因此，针对阈值区域进行三种颜色图像分割的方法准确性更高，且不需要对提取灰度值所对应的图像进行坐标转换，方法易于实现，效果明显，避免了因为人工分割而带来的误差和难以识别等缺点。
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是通过本发明的方法对厨房双灶台油烟浓度灰度图像三色分割的效果示意图。
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。
一种基于图像三色分割的厨房油烟浓度划分标识方法，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存储。
对任意一帧待处理的初始图像进行油烟浓度标识，步骤如下：
(1)将待处理的初始图像定义为目标图像，对目标图像进行开运算去噪，得到去噪图像；
(2)获取最小值新生图像；
(3)求取绝对值灰度差值，获得绝对值灰度差值图像；
(4)将绝对灰度差值进行归一化处理得到归一化绝对灰度差值，将归一化绝对灰度差值与油烟阈值进行对比，将归一化绝对灰度差值进行高、中、低灰度值梯度划分；
(5)在目标图像中，将设定好的油烟阈值用三种不同的单通道颜色标识，并根据步骤(4)的灰度值梯度划分结果进行标记。
其中，步骤(1)中，对目标图像进行开运算去噪，得到去噪图像，具体是：
先对目标图像进行腐蚀操作，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，恢复图像中的明显特征。
目标图像D由m*n个像素构成，目标图像D的像素灰度值以矩阵DH表示，DH＝{dhi,j}，dhi,j代表目标图像D中第i行、第j列像素对应的灰度值，1≤i≤m，1≤j≤n；
对目标图像D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A；
2-12，将卷积核A与目标图像进行卷积；在卷积核A遍历目标图像时，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A遍历目标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；
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B；
2-22，将卷积核B与腐蚀图像进行卷积；在卷积核B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B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特征区域的面积基本不变，保证后续检测的准确性不受影响。
优选，卷积核A为3*3矩阵，卷积核B为3*3矩阵，具有计算量小的特点。
步骤(2)获取最小值新生图像具体通过如下步骤进行：
选取包含目标图像所在帧的连续Z帧初始图像作为取样图像，Z个取样图像分别为去噪图像Q、取样图像Y1、取样图像Y2、......、取样图像YZ-1；Z为大于等于3的自然数，优选Z大于等于5且小于等于20，以10更佳。
去噪图像Q的像素灰度值以矩阵QH表示，QH＝{qhi,j}，qhi,j代表最小值新生图像Q中第i行、第j列像素对应的灰度值。
取样图像Y1的像素灰度值以矩阵Y1H表示，Y1H＝{y1hi,j}，y1hi,j代表取样图像Y1中第i行、第j列像素对应的灰度值；
取样图像Y2的像素灰度值以矩阵Y2H表示，Y2H＝{y2hi,j}，y2hi,j代表取样图像Y2中第i行、第j列像素对应的灰度值；
......
取样图像YZ-1的像素灰度值以矩阵YZ-1H表示，YZ-1H＝{yz-1hi,j}，yz-1hi,j代表取样图像YZ-1中第i行、第j列像素对应的灰度值。
最小值新生图像X的像素灰度值以矩阵XH表示，XH＝{xhi,j}，xhi,j代表最小值新生图像X中第i行、第j列像素对应的灰度值；
xhi,j＝min(qhi,j、y1hi,j、y2hi,j、......、yz-1hi,j)。
步骤(3)求取绝对灰度差值具体步骤如下：
(3-1)在Z个取样图像中，寻找像素灰度值最大的像素所在的取样图像，命名为最大值图像E；
最大值图像E的像素灰度值以矩阵EH表示，EH＝{ehi,j}，ehi,j代表最大值图像E中第i行、第j列像素对应的灰度值；
(3-2)将最小值新生图像X的像素灰度值与最大值图像E的像素灰度值相减，得到绝对值灰度差值图像V，
绝对值灰度差值图像V的像素灰度值以矩阵VH表示，VH＝{vhi,j}，vhi,j代绝对值灰度差值图像V中第i行、第j列像素对应的灰度值；
vhi,j＝{|xhij-ehi,j|}。
步骤4中的归一化处理按照如下公式进行：
Gi,j为绝对值灰度差值图像V的第i行、第j列像素对应的归一化绝对灰度差值。
根据归一化绝对灰度差值就可以得到油烟浓度梯度，具体的：将归一化绝对灰度差值为大于0且小于等于6.0/255范围的像素划为第一梯度区域，对应低油烟浓度区域；
将归一化绝对灰度差值为大于6.0/255且小于等于12.0/255范围的像素划为第二梯度区域，对应中等油烟浓度区域；
将归一化绝对灰度差值为大于12.0/255且小于等于20.0/255范围的像素划为第三梯度区域，对应高油烟浓度区域。
步骤(5)具体是：在目标图像中分割出与步骤(4)得到的第一梯度区域所对应的图像，使用单通道绿色标识，在目标图像中分割出与步骤(4)得到的第二梯度区域所对应的图像，使用单通道蓝色标识，在目标图像中分割出与步骤(4)得到的第三梯度区域所对应的图像，使用单通道红色标识，得到最终三色分割效果图。
图1示意图了通过本发明的方法得到的一种厨房油烟浓度三色分割结果，从图中可以看出，本发明的方法能够准确将各个像素点出来的油烟等级进行划分。
本发明的基于图像三色分割的厨房油烟浓度划分标识方法，可有效的应用在厨房油烟浓度识别，公共场合烟雾浓度识别等领域。本发明实例将待分割的灰度图像利用开运算进行降噪平滑处理；根据图像灰度值作差获得绝对差值，再归一化后进行三个梯度的划分，将所述图像中满足对应阈值的部分区域进行单通道的颜色标识。因此，针对阈值区域进行三种颜色图像分割的方法准确性更高，且不需要对提取灰度值所对应的图像进行坐标转换，方法易于实现，效果明显，避免了因为人工分割而带来的误差和难以识别等缺点。
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)

1.一种基于图像三色分割的厨房油烟浓度划分标识方法，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存储；
对任意一帧待处理的初始图像进行油烟浓度标识，步骤如下：
(1)将待处理的初始图像定义为目标图像，对目标图像进行开运算去噪，得到去噪图像；
(2)获取最小值新生图像；
(3)求取绝对值灰度差值，获得绝对值灰度差值图像；
(4)将绝对灰度差值进行归一化处理得到归一化绝对灰度差值，将归一化绝对灰度差值与油烟阈值进行对比，将归一化绝对灰度差值进行高、中、低灰度值梯度划分；
(5)在目标图像中，将设定好的油烟阈值用三种不同的单通道颜色标识，并根据步骤(4)的灰度值梯度划分结果进行标记。
2.根据权利要求1所述的基于图像三色分割的厨房油烟浓度划分标识方法，其特征在于，
步骤(1)中，对目标图像进行开运算去噪，得到去噪图像，具体是：
先对目标图像进行腐蚀操作，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，恢复图像中的明显特征。
3.根据权利要求2所述的基于图像三色分割的厨房油烟浓度划分标识方法，其特征在于，
目标图像D由m*n个像素构成，目标图像D的像素灰度值以矩阵DH表示，DH＝{dhi,j}，dhi,j代表目标图像D中第i行、第j列像素对应的灰度值，1≤i≤m，1≤j≤n；
对目标图像D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A；
2-12，将卷积核A与目标图像进行卷积；在卷积核A遍历目标图像时，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A遍历目标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；
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B；
2-22，将卷积核B与腐蚀图像进行卷积；在卷积核B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B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。
4.根据权利要求3所述的基于图像三色分割的厨房油烟浓度划分标识方法，其特征在于，卷积核A为3*3矩阵，卷积核B为3*3矩阵。
5.根据权利要求4所述的基于图像三色分割的厨房油烟浓度划分标识方法，其特征在于，步骤(2)获取最小值新生图像具体通过如下步骤进行：
选取包含目标图像所在帧的连续Z帧初始图像作为取样图像，Z个取样图像分别为去噪图像Q、取样图像Y1、取样图像Y2、......、取样图像YZ-1；Z为大于等于3的自然数；
去噪图像Q的像素灰度值以矩阵QH表示，QH＝{qhi,j}，qhi,j代表最小值新生图像Q中第i行、第j列像素对应的灰度值；
取样图像Y1的像素灰度值以矩阵Y1H表示，Y1H＝{y1hi,j}，y1hi,j代表取样图像Y1中第i行、第j列像素对应的灰度值；
取样图像Y2的像素灰度值以矩阵Y2H表示，Y2H＝{y2hi,j}，y2hi,j代表取样图像Y2中第i行、第j列像素对应的灰度值；
......
取样图像YZ-1的像素灰度值以矩阵YZ-1H表示，YZ-1H＝{yz-1hi,j}，yz-1hi,j代表取样图像YZ-1中第i行、第j列像素对应的灰度值；
最小值新生图像X的像素灰度值以矩阵XH表示，XH＝{xhi,j}，xhi,j代表最小值新生图像X中第i行、第j列像素对应的灰度值；
xhi,j＝min(qhi,j、y1hi,j、y2hi,j、......、yz-1hi,j)。
6.根据权利要求5所述的基于图像三色分割的厨房油烟浓度划分标识方法，其特征在于，步骤(3)求取绝对灰度差值具体步骤如下：
(3-1)在Z个取样图像中，寻找像素灰度值最大的像素所在的取样图像，命名为最大值图像E；
最大值图像E的像素灰度值以矩阵EH表示，EH＝{ehi,j}，ehi,j代表最大值图像E中第i行、第j列像素对应的灰度值；
(3-2)将最小值新生图像X的像素灰度值与最大值图像E的像素灰度值相减，得到绝对值灰度差值图像V，
绝对值灰度差值图像V的像素灰度值以矩阵VH表示，VH＝{vhi,j}，vhi,j代绝对值灰度差值图像V中第i行、第j列像素对应的灰度值；
vhi,j＝{|xhij-ehi,j|}。
7.根据权利要求6所述的基于图像三色分割的厨房油烟浓度划分标识方法，其特征在于，
步骤4中的归一化处理按照如下公式进行：
Gi,j为绝对值灰度差值图像V的第i行、第j列像素对应的归一化绝对灰度差值；
将归一化绝对灰度差值为大于0且小于等于6.0/255范围的像素划为第一梯度区域，对应低油烟浓度区域；
将归一化绝对灰度差值为大于6.0/255且小于等于12.0/255范围的像素划为第二梯度区域，对应中等油烟浓度区域；
将归一化绝对灰度差值为大于12.0/255且小于等于20.0/255范围的像素划为第三梯度区域，对应高油烟浓度区域。
8.根据权利要求7所述的基于图像三色分割的厨房油烟浓度划分标识方法，其特征在于，步骤(5)具体是：在目标图像中分割出与步骤(4)得到的第一梯度区域所对应的图像，使用单通道绿色标识，在目标图像中分割出与步骤(4)得到的第二梯度区域所对应的图像，使用单通道蓝色标识，在目标图像中分割出与步骤(4)得到的第三梯度区域所对应的图像，使用单通道红色标识，得到最终三色分割效果图。
9.根据权利要求8所述的基于图像三色分割的厨房油烟浓度划分标识方法，其特征在于，Z大于等于5且小于等于20。
10.根据权利要求9所述的基于图像三色分割的厨房油烟浓度划分标识方法，其特征在于，Z等于10。
CN201811152664.4A 2018-09-29 2018-09-29 基于图像三色分割的厨房油烟浓度划分标识方法 Pending CN109461165A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811152664.4A CN109461165A (zh) 2018-09-29 2018-09-29 基于图像三色分割的厨房油烟浓度划分标识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811152664.4A CN109461165A (zh) 2018-09-29 2018-09-29 基于图像三色分割的厨房油烟浓度划分标识方法

Publications (1)

Publication Number Publication Date
CN109461165A true CN109461165A (zh) 2019-03-12

Family

ID=65607212

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811152664.4A Pending CN109461165A (zh) 2018-09-29 2018-09-29 基于图像三色分割的厨房油烟浓度划分标识方法

Country Status (1)

Country Link
CN (1) CN109461165A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115035106A (zh) * 2022-08-10 2022-09-09 邹城市天晖软件科技有限公司 一种带钢缺陷智能检测方法
CN115035057A (zh) * 2022-05-31 2022-09-09 中国医学科学院生物医学工程研究所 眼前房的房水细胞浓度获取方法、装置、存储介质和设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108550159A (zh) * 2018-03-08 2018-09-18 佛山市云米电器科技有限公司 一种基于图像三色分割的烟气浓度标识方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108550159A (zh) * 2018-03-08 2018-09-18 佛山市云米电器科技有限公司 一种基于图像三色分割的烟气浓度标识方法
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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115035057A (zh) * 2022-05-31 2022-09-09 中国医学科学院生物医学工程研究所 眼前房的房水细胞浓度获取方法、装置、存储介质和设备
CN115035106A (zh) * 2022-08-10 2022-09-09 邹城市天晖软件科技有限公司 一种带钢缺陷智能检测方法

Similar Documents

Publication Publication Date Title
WO2021138995A1 (zh) 一种棋盘格角点全自动检测方法
CN108038883B (zh) 一种应用于公路路面视频图像的裂缝检测及识别方法
WO2019104767A1 (zh) 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
WO2021003824A1 (zh) 基于图像识别的违章建筑识别方法、装置
WO2018023916A1 (zh) 一种彩色图像去阴影方法和应用
CN112837290B (zh) 一种基于种子填充算法的裂缝图像自动识别方法
CN106023185A (zh) 一种输电设备故障诊断方法
CN112149543B (zh) 一种基于计算机视觉的建筑扬尘识别系统与方法
CN109190624B (zh) 基于图像处理的厨房油烟浓度检测方法
CN113592861A (zh) 一种基于动态阈值的桥梁裂缝检测方法
CN103679704B (zh) 一种基于光照补偿的视频运动阴影检测方法
CN107133623B (zh) 一种基于背景差和圆心定位的指针位置精确检测方法
CN111611643A (zh) 户型矢量化数据获得方法、装置、电子设备及存储介质
CN112488046B (zh) 一种基于无人机高分辨率影像的车道线提取方法
CN111091544A (zh) 铁路货车转向架侧面一体架构断裂故障检测方法
CN109145708A (zh) 一种基于rgb和d信息融合的人流量统计方法
CN106709903B (zh) 基于图像质量的pm2.5浓度预测方法
CN106682665A (zh) 一种基于计算机视觉的七段式数显仪表数字识别方法
CN110175556B (zh) 基于Sobel算子的遥感图像云检测方法
CN113313107B (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN109447063A (zh) 一种基于图像处理的厨房油烟浓度检测方法
CN110263635A (zh) 基于结构森林和PCANet的标志物检测与识别方法
CN109461165A (zh) 基于图像三色分割的厨房油烟浓度划分标识方法
CN105335688B (zh) 一种基于视觉图像的飞机机型识别方法
CN116152697A (zh) 一种混凝土结构裂缝的三维模型测量方法及相关装置

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: 20190312