CN110349153B - 基于多特征融合的图像法烟草含梗率检测方法 - Google Patents
基于多特征融合的图像法烟草含梗率检测方法 Download PDFInfo
- Publication number
- CN110349153B CN110349153B CN201910669415.0A CN201910669415A CN110349153B CN 110349153 B CN110349153 B CN 110349153B CN 201910669415 A CN201910669415 A CN 201910669415A CN 110349153 B CN110349153 B CN 110349153B
- Authority
- CN
- China
- Prior art keywords
- image
- tobacco
- tobacco stem
- calculating
- probability
- 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.)
- Active
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 127
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 230000002146 bilateral effect Effects 0.000 claims abstract description 16
- 230000000877 morphologic effect Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000002068 genetic effect Effects 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 13
- 210000000349 chromosome Anatomy 0.000 claims description 10
- 238000005303 weighing Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims 6
- 208000001613 Gambling Diseases 0.000 claims 1
- 230000000717 retained effect Effects 0.000 claims 1
- 235000019504 cigarettes Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06T7/0002—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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/10—Different kinds of radiation or particles
- G01N2223/101—Different kinds of radiation or particles electromagnetic radiation
- G01N2223/1016—X-ray
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/621—Specific applications or type of materials tobacco
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20028—Bilateral 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
- G06T2207/20036—Morphological image processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于多特征融合的图像法烟草含梗率检测方法,包括利用原图像的高亮点密度、灰度熵、灰度三个纹理特征加权构建烟梗区域的概率密度图像,再采用双边滤波函数对概率密度图像进行滤波,最后利用混合高斯模型和形态学滤波方法从烟梗概率密度图像中提取准确的烟梗区域;通过图像处理后得到的烟叶图片利用拟合算法去计算含梗率。本发明抑制烟梗X光图像中的噪声点,重叠边缘形成的伪烟梗的干扰,显著提高烟梗区域的识别准确率,提高计算含梗率的准确性。
Description
技术领域
本发明涉及基于多特征融合的图像法烟草含梗率检测方法,属于烟草含梗率检测技术技术领域。
背景技术
在烟叶打叶复烤过程中,需要采用风分方式对打叶后的烟片和烟梗进行分离,以进行后期烟叶的准确配方,提高卷烟品质。由于打叶后的混合烟叶中,含梗烟片与游离纯净叶片的悬浮速度差异不大,在风分过程中会使含梗烟片被当作纯净叶片而难于分离出来,从而使烟叶配方中增加了含梗烟片,直接影响卷烟质量。打叶后的烟叶含梗率是影响切丝质量的最重要的因素之一,而烟丝的质量又直接影响到成品烟支的质量(填充度、重量、密度、空头率、掉丝率等重要指标)。现行的打叶复烤国家标准(YC/T 146—2001和YC/T 147--2001)分别限制了烤前和烤后的烟叶中,含梗率应小于或等于2.5%,新标准又修改为应小于或等于2.0%。
根据以上国家标准,各个打叶复烤企业都要对烟梗含量进行检测,多数复烤企业每隔半小时,就要检测一次烟叶含梗率,采用的测量方式主要有两种:一是,用打叶机将待测烟叶全部打碎,然后再测量其中的含梗率,这种测量方式会造成烟叶的破坏,测量之后的烟叶将不能继续使用,一 天 下 来 每 条 打 叶 线 都 将 浪 费 很 多 烟 叶 。二是,目前大多数烟厂和复烤厂是通过取样去梗后对烟梗和叶片分别称重来实现烟叶含梗率的检测,该检测方法对烟叶产生较大破坏,且检测耗时长、无法实现在线实时检测。这两种检测方法均存在明显的弊端。
发明内容
为了解决上述存在的问题,本发明公开了一种基于多特征融合的图像法烟草含梗率检测方法,其具体技术方案如下:
基于多特征融合的图像法烟草含梗率检测方法,包括以下操作步骤:
步骤一:图像特征提取:基于双边滤波的多特征纹理图像融合的高噪声X光图像烟梗区域提取,利用原图像的高亮点密度、灰度熵、灰度三个纹理特征加权构建烟梗区域的概率密度图像,再采用双边滤波函数对概率密度图像进行滤波,最后利用混合高斯模型和形态学滤波方法从烟梗概率密度图像中提取准确的烟梗区域;
步骤二:计算含梗率:通过图像处理后得到的烟叶图片利用拟合算法去计算含梗率。
进一步的,所述步骤一具体步骤如下:
步骤1:获取烟草图像:在打叶机的出口端的皮带上方安装X光相机, X光相机拍照获取在皮带上传送的烟草图像,
步骤2:获取纹理特征:X光相机将图像传送给叶含梗视觉在线检测软件,叶含梗视觉在线检测软件对烟草图像进行灰度处理获得灰度图,阈值分割获得二值图,通过计算sobel算子来计算图像灰度函数的近似梯度,灰度熵是指图像中灰度的不均匀程度或复杂度,假设图像中灰度值为gj的象素个数为kj,
步骤3:获取烟梗区域的概率密度图像:利用加权函数进行线性图像融合获得最终的烟梗区域的概率密度图像;
步骤4:滤波:步骤3获取的烟梗区域的概率密度图像具有很多强噪声需要滤除,采用双边滤波对烟梗区域的概率密度图像进行滤波;
步骤5:分割烟梗区域与背景:通过建立高斯混合模型能够实现将烟梗区域与背景准确的分割,得到分割后的烟梗区域图像;
步骤6:去除分割后的烟梗区域图像的小型空洞:通过形态学闭运算去除分割后的烟梗区域图像的小型空洞,平滑目标物体轮廓以及填补轮廓线断裂,最终得到烟梗区域。
进一步的,所述步骤4的双边滤波具体过程为:
双边滤波实际是两个高斯滤波的同时作用,一个计算空间邻近度的权值,另一个负责计算像素值相似度的权值,将高斯滤波的原理中,通过各个点到中心点的空间临近度计算的各个权值进行优化,将其优化为空间临近度计算的权值和像素值相似度计算的权值的乘积,优化后的权值再与图像作卷积运算,从而达到保边去噪的效果,
其中,g(i,j)代表输出点,S(i,j)指以(i,j)为中心的(2N+1)(2N+1)的大小的范围,f(k,l)代表多个输入点,w(i,j,k,l)代表经过两个高斯函数计算出的值,
进一步的,所述步骤5中建立高斯混合模型将烟梗区域与背景分割的具体过程为:利用高斯混合模型计算出每个像素属于K个高斯模型中某一个的概率值,利用这个概率值取代原来的像素值达到分割图像的目的,高斯混合模型是指具有如下形式的概率分布模型:
然后,对分割后的烟梗区域图像进行直方图拟合,即不断调整高斯模型的参数。
进一步的,所述步骤5中对分割后的烟梗区域图像进行直方图拟合,即不断调整高斯模型的参数,具体流程为:
(1)取参数的初始值开始迭代
(3)M步:计算新一轮迭代的模型参数
(4)重复第(2)步和第(3)步,直到收敛。
进一步的,所述步骤(6)中形态学闭运算的操作是先膨胀后腐蚀,即dst=close(src,element)=erode(dilate(src,element))。
进一步的,所述步骤二的具体步骤如下:
步骤(1):得到目标数据集合:运用传统的称重法计算出一系列烟草成品样本的含梗率,将这些值作为目标数据集合;
步骤(2):得到输入集合:对步骤1同一批烟草成品样本在运用软件的图像法计算出含梗率,将这些值作为需要拟合函数的输入集合,
步骤(3):运用改进的遗传算法求出非线性拟合函数的最佳参数,即满足遗传算法结束循环条件的系数向量A=[a1,a2,…,an]T。
进一步的,所述步骤(3)中的遗传算法应用于三次样条函数拟合的基本思路正是通过运行GA找到系数向量A=[a1,a2,…,an]T中第一个元素a1的最佳值,再依次求出其余系数a2…an,所以在GA中要编码的参数只有a1,设在整个曲线拟合区间[a,b ]上的第i代第j条染色体对应的估计误差为,这样就可以定义该染色体的适应度函数:
进一步的,所述所述GA的具体步骤为:
本发明的有益效果是:
本发明考虑图像的区域相关性特征,利用图像像素领域内的灰度熵、高亮点密度、灰度等纹理特征因子加权构建烟梗区域的概率密度图像,结合双边滤波函数以及形态学滤波方法,可以有效的抑制烟梗X光图像中的噪声点,重叠边缘形成的伪烟梗的干扰,显著提高烟梗区域的识别准确率。
由于烟叶处理工艺、烟叶差异等因素,造成不同类型烟叶采用图像法和物理法获得的含梗率结果具有不同差异的问题;提出了一种基于遗传算法获取非线性拟合函数最佳参数的方法,通过对不同类型烟叶运用两种方法获得一定的数据结果集合,以图像法结果为输入集合,已称重法结果为目标集合,运用改进的遗传算法获得两个集合对应的非线性拟合函数的最佳参数,来提高图像法测量结果的对于不同类型烟叶含梗率测量的结果精度。
三次样条函数拟合是曲线拟合中公认较好得办法,具有很好的分段光滑性,但三次样条函数拟合涉及到矩阵求逆,离散样本点越多,矩阵就越大,求逆就越繁琐,因此提出一种基于遗传算法获取非线性拟合函数最佳参数的方法。
附图说明
图1是本发明过程中的烟草图像,
图2是本发明过程中的灰度图,
图3是本发明过程中的二值图,
图4是本发明过程中的概率密度图,
图5是本发明过程中的烟梗区域图。
具体实施方式
下面结合具体实施方式,进一步阐明本发明。应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明的基于多特征融合的图像法烟草含梗率检测方法,包括以下操作步骤:
步骤一:图像特征提取:基于双边滤波的多特征纹理图像融合的高噪声X光图像烟梗区域提取,利用原图像的高亮点密度、灰度熵、灰度三个纹理特征加权构建烟梗区域的概率密度图像,再采用双边滤波函数对概率密度图像进行滤波,最后利用混合高斯模型和形态学滤波方法从烟梗概率密度图像中提取准确的烟梗区域,具体过程为:
步骤1:获取烟草图像:在打叶机的出口端的皮带上方安装X光相机, X光相机拍照获取在皮带上传送的烟草图像,如图1;
步骤2:获取纹理特征:X光相机将图像传送给叶含梗视觉在线检测软件,叶含梗视觉在线检测软件对烟草图像进行灰度处理获得灰度图,如图2,阈值分割获得二值图,如图3,通过计算sobel算子来计算图像灰度函数的近似梯度,灰度熵是指图像中灰度的不均匀程度或复杂度,假设图像中灰度值为gj的象素个数为kj,
步骤3:获取烟梗区域的概率密度图像:利用加权函数进行线性图像融合获得最终的烟梗区域的概率密度图像,如图4;
步骤4:滤波:步骤3获取的烟梗区域的概率密度图像具有很多强噪声需要滤除,采用双边滤波对烟梗区域的概率密度图像进行滤波,具体过程为:
双边滤波实际是两个高斯滤波的同时作用,一个计算空间邻近度的权值,另一个负责计算像素值相似度的权值,将高斯滤波的原理中,通过各个点到中心点的空间临近度计算的各个权值进行优化,将其优化为空间临近度计算的权值和像素值相似度计算的权值的乘积,优化后的权值再与图像作卷积运算,从而达到保边去噪的效果,
步骤5:分割烟梗区域与背景:通过建立高斯混合模型能够实现将烟梗区域与背景准确的分割,得到分割后的烟梗区域图像,如图5,其中建立高斯混合模型将烟梗区域与背景分割的具体过程为:利用高斯混合模型计算出每个像素属于K个高斯模型中某一个的概率值,利用这个概率值取代原来的像素值达到分割图像的目的,高斯混合模型是指具有如下形式的概率分布模型:
然后,对分割后的烟梗区域图像进行直方图拟合,即不断调整高斯模型的参数。
对分割后的烟梗区域图像进行直方图拟合,即不断调整高斯模型的参数,具体流程为:
(1)取参数的初始值开始迭代
(4)重复第(2)步和第(3)步,直到收敛。
步骤6:去除分割后的烟梗区域图像的小型空洞:通过形态学闭运算去除分割后的烟梗区域图像的小型空洞,平滑目标物体轮廓以及填补轮廓线断裂,最终得到烟梗区域,其中形态学闭运算的操作是先膨胀后腐蚀,即dst=close(src,element)=erode(dilate(src,element))。
步骤二:计算含梗率:通过图像处理后得到的烟叶图片利用拟合算法去计算含梗率,具体过程为:
步骤(1):得到目标数据集合:运用传统的称重法计算出一系列烟草成品样本的含梗率,将这些值作为目标数据集合;
步骤(2):得到输入集合:对步骤1同一批烟草成品样本在运用软件的图像法计算出含梗率,将这些值作为需要拟合函数的输入集合,
步骤(3):运用改进的遗传算法求出非线性拟合函数的最佳参数,即满足遗传算法
结束循环条件的系数向量A=[a1,a2,…,an]T,其中遗传算法应用于三次样条函数拟合的基
本思路正是通过运行GA找到系数向量A=[a1,a2,…,an]T中第一个元素a1的最佳值,再依次
求出其余系数a2…an,所以在GA中要编码的参数只有a1,设在整个曲线拟合区间[a,b ]上的
第i代第j条染色体对应的估计误差为,这样就可以定义该染色体的适应度函数:
GA的具体步骤为:
为验证本专利的实际应用价值,选取5组烟草样本进行试验,每组样本分别采用传统的称重法和本专利的图像法计算含梗率,并计算两者的相对误差,以下表格中为试验所记录和计算的数据。
从上面表格中的数据可以得出结论,本专利的图像法计算的含梗率与称重法得到的值的相对误差在10%以内,是比较精确的。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (8)
1.基于多特征融合的图像法烟草含梗率检测方法,其特征在于,包括以下操作步骤:
步骤一:图像特征提取:基于双边滤波的多特征纹理图像融合的高噪声X光图像烟梗区域提取,利用原图像的高亮点密度、灰度熵、灰度三个纹理特征加权构建烟梗区域的概率密度图像,再采用双边滤波函数对概率密度图像进行滤波,最后利用混合高斯模型和形态学滤波方法从烟梗概率密度图像中提取准确的烟梗区域,具体为,
步骤1:获取烟草图像:在打叶机的出口端的皮带上方安装X光相机,X光相机拍照获取在皮带上传送的烟草图像,
步骤2:获取纹理特征:对步骤1得到的烟草图像进行灰度处理获得灰度图,阈值分割获得二值图,通过计算sobel算子来计算图像灰度函数的近似梯度,灰度熵是指图像中灰度的不均匀程度或复杂度假设灰度图中灰度值为gj的像素个数为kj,
获得灰度值gj、灰度值gj的像素出现概率P(gj)和整幅图像灰度熵E(I)三个纹理特征;
步骤3:获取烟梗区域的概率密度图像:利用加权函数addWeighted进行线性图像融合获得最终的烟梗区域的概率密度图像;
步骤4:滤波:步骤3获取的烟梗区域的概率密度图像具有很多强噪声需要滤除,采用双边滤波对烟梗区域的概率密度图像进行滤波;
步骤5:分割烟梗区域与背景:通过建立高斯混合模型能够实现将烟梗区域与背景准确的分割,得到分割后的烟梗区域图像;
步骤6:去除分割后的烟梗区域图像的小型空洞:通过形态学闭运算去除分割后的烟梗区域图像的小型空洞,平滑目标物体轮廓以及填补轮廓线断裂,最终得到烟梗区域;
步骤二:计算含梗率:通过图像处理后得到的烟叶图片利用拟合算法去计算含梗率。
2.根据权利要求1所述的基于多特征融合的图像法烟草含梗率检测方法,其特征在于,所述步骤4的双边滤波具体过程为:
双边滤波实际是两个高斯滤波的同时作用,一个计算空间邻近度的权值,另一个负责计算像素值相似度的权值,将高斯滤波的原理中,通过各个点到中心点的空间临近度计算的各个权值进行优化,将其优化为空间临近度计算的权值和像素值相似度计算的权值的乘积,优化后的权值再与步骤3得到的概率密度图像作卷积运算,从而达到保边去噪的效果,
其中,g(i,j)代表输出(i,j)点的像素值,S(i,j)指以(i,j)为中心的(2N+1)*(2N+1)的大小的矩形范围,N为可设置的数值,f(k,l)代表输入(k,l)点的像素值,w(i,j,k,l)则表示权重,
此时可以看到,这明显是图像矩阵与核的卷积运算了,其中m1/M代表的第一个点的权值,而图像矩阵与核通过卷积算子作加权和,最终得到输出值g(i,j),
ws为定义域核,wr为值域核,
σs为空间域标准差,σr为值域标准差。
5.根据权利要求1所述的基于多特征融合的图像法烟草含梗率检测方法,其特征在于,所述步骤6中形态学闭运算的操作是先膨胀后腐蚀。
6.根据权利要求1所述的基于多特征融合的图像法烟草含梗率检测方法,其特征在于,所述步骤二的具体步骤如下:
步骤(1):得到目标数据集合:运用传统的称重法计算出一系列烟草成品样本的含梗率,将这些值作为目标数据集合;
步骤(2):得到输入集合:对步骤1同一批烟草成品样本再运用软件的图像法计算出含梗率,即计算图像处理后烟梗区域面积,将这些值作为需要拟合函数的输入集合,
步骤(3):运用改进的遗传算法求出非线性拟合函数(y=a1x3+a2x2+a3x+a4)的最佳参数,即满足遗传算法结束循环条件的系数向量A=[a1,a2,a3,a4]T。
8.根据权利要求7所述的基于多特征融合的图像法烟草含梗率检测方法,其特征在于,所述遗传算法GA的具体步骤为:
(1)设置参数,包括群体规模N,染色体长度L,交叉概率Pc,正常变异概率Pmnor,最大变异概率Pmmax,运行代数Ge,运行代数Gt,估计精度W,令i=0,k=0,m=0;
(2)初始化N个染色体,令i=i+1,k=0,m=0;
(4)采用赌轮法选择N个父体,保留1个最优父体不参与交叉变异;
(5)配对交叉,采用两点交叉方法,在交叉过程中以概率Pm调用变异操作,若Pm=Pmmax,变异操作完成之后恢复正常的变异概率Pm=Pmmor,将步骤(4)保留的最优父体随机地替换N个子体中的任一个;
(7)如果N个父体都相同或k=Ge,使变异概率Pm=Pmmax,令k=0;
如果m=Gt或emin i<W,那么结束算法,否则转至步骤(3)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910669415.0A CN110349153B (zh) | 2019-07-24 | 2019-07-24 | 基于多特征融合的图像法烟草含梗率检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910669415.0A CN110349153B (zh) | 2019-07-24 | 2019-07-24 | 基于多特征融合的图像法烟草含梗率检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110349153A CN110349153A (zh) | 2019-10-18 |
CN110349153B true CN110349153B (zh) | 2021-02-02 |
Family
ID=68179917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910669415.0A Active CN110349153B (zh) | 2019-07-24 | 2019-07-24 | 基于多特征融合的图像法烟草含梗率检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349153B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956212A (zh) * | 2019-11-29 | 2020-04-03 | 长沙理工大学 | 一种基于视觉特征融合的打叶质量检测方法 |
CN110866221B (zh) * | 2019-12-04 | 2023-07-25 | 贵州中烟工业有限责任公司 | 一种打叶复烤数据准确性的检测方法 |
CN111862010A (zh) * | 2020-07-03 | 2020-10-30 | 河南中烟工业有限责任公司 | 一种基于线性高斯滤波的卷烟包灰性能检测方法 |
CN113390799B (zh) * | 2021-06-24 | 2023-06-27 | 中国烟草总公司郑州烟草研究院 | 一种烟叶中梗的识别与检测方法 |
CN113805015A (zh) * | 2021-08-06 | 2021-12-17 | 云南电网有限责任公司德宏供电局 | 一种多腔室灭弧装置电弧图像形态检测方法 |
CN113888468A (zh) * | 2021-09-03 | 2022-01-04 | 南京焦耳科技有限责任公司 | 基于图像处理的梗签识别检测方法 |
CN115100424B (zh) * | 2022-06-18 | 2024-03-19 | 河南中烟工业有限责任公司 | 一种重叠烟丝组分判定方法、系统、电子设备及计算机可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202057304U (zh) * | 2011-05-06 | 2011-11-30 | 川渝中烟工业公司 | 一种叶丝宽度的快速测量装置 |
CN103776715B (zh) * | 2014-02-24 | 2016-08-24 | 昆明聚林科技有限公司 | 一种烟叶含梗率测定方法 |
CN106338520A (zh) * | 2016-09-18 | 2017-01-18 | 南京林业大学 | 一种表板为拼板的多层实木复合地板表面缺陷的识别方法 |
CN107677638A (zh) * | 2017-09-29 | 2018-02-09 | 贵州大学 | 一种基于近红外光谱技术的初烤把烟含梗率快速检测方法 |
CN108007945A (zh) * | 2017-12-06 | 2018-05-08 | 中国烟草总公司郑州烟草研究院 | 一种基于x射线透射图像定量检测烟梗中粗梗率和长短梗率的测定方法 |
-
2019
- 2019-07-24 CN CN201910669415.0A patent/CN110349153B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110349153A (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349153B (zh) | 基于多特征融合的图像法烟草含梗率检测方法 | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
Lü et al. | Leaf area measurement based on image processing | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
US8483480B2 (en) | Method and system for factoring an illumination image | |
US9396411B2 (en) | Method and system for generating intrinsic images using a single reflectance technique | |
CN109859257B (zh) | 一种基于纹理方向性的皮肤图像纹理评估方法及系统 | |
CN112819821B (zh) | 一种细胞核图像检测方法 | |
CN109975196B (zh) | 一种网织红细胞检测方法及其系统 | |
CN114399480A (zh) | 蔬菜叶片病害严重程度检测方法及装置 | |
CN111882555B (zh) | 基于深度学习的网衣检测方法、装置、设备及存储介质 | |
CN113706472B (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
CN115841447A (zh) | 一种磁瓦表面缺陷的检测方法 | |
CN110782385A (zh) | 一种基于深度学习的图像水印的去除方法 | |
CN110517226B (zh) | 基于双边滤波的多特征纹理图像融合的烟梗区域提取方法 | |
CN111145205B (zh) | 基于红外图像的多猪只场景下猪体温检测方法 | |
US9754155B2 (en) | Method and system for generating intrinsic images using a single reflectance technique | |
CN114529730A (zh) | 一种基于lbp特征的卷积神经网络地面材质图像分类方法 | |
CN117853722A (zh) | 一种融合超像素信息的钢材金相组织分割方法 | |
CN112614113A (zh) | 一种基于深度学习的带钢缺陷检测方法 | |
CN111968087A (zh) | 一种植物病害区域检测方法 | |
CN110610287B (zh) | 基于遗传算法的图像法含梗率非线性拟合模型计算方法 | |
CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 | |
CN113033510B (zh) | 图像变化检测模型的训练和检测方法、设备及存储介质 | |
CN112907503B (zh) | 基于自适应卷积神经网络的南美白对虾品质检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |