CN110781786A - 一种基于Graph Cuts算法的漂浮物识别方法 - Google Patents
一种基于Graph Cuts算法的漂浮物识别方法 Download PDFInfo
- Publication number
- CN110781786A CN110781786A CN201910995208.4A CN201910995208A CN110781786A CN 110781786 A CN110781786 A CN 110781786A CN 201910995208 A CN201910995208 A CN 201910995208A CN 110781786 A CN110781786 A CN 110781786A
- Authority
- CN
- China
- Prior art keywords
- floater
- picture
- characteristic
- cuts algorithm
- graph cuts
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 244000203593 Piper nigrum Species 0.000 claims 1
- 208000034699 Vitreous floaters Diseases 0.000 description 57
- 241000722363 Piper Species 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000000694 effects Effects 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
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- G06T2207/10004—Still image; Photographic 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Graph Cuts算法的漂浮物识别方法，其中，所述方法包括：S1：获取漂浮物图片；S2：对漂浮物图片进行预处理；S3：利用Graph Cuts算法在预处理完成的漂浮物图片上绘出漂浮物目标轮廓并对水漂浮物目标进行精确的分割提取，本发明通过将原始漂浮物图片进行中值滤波处理及形态学腐蚀处理，再将预处理完成后的漂浮物图片利用Graph Cuts算法进行精确的分割提取，并且采用了基于图片特征组合的比对方式，因此对垃圾图片变化的适应性强，提高了垃圾图片的识别效率及准确率。
Description
技术领域
本发明属于图片技术处理领域，具体涉及一种基于Graph Cuts算法的漂浮物识别方法。
背景技术
目前，随着工业化步伐加速，人为因素对环境造成严重污染，在湖泊、河流及水库等水面上出现大量漂浮物，这些漂浮物含有大量对人体有害的物质，会严重破坏生态环境，会对我们的生活品质和身体健康产生直接的威胁，但是目前并没有对漂浮物进行智能识别及监控的方法。
发明内容
本发明的目的在于提供一种基于Graph Cuts算法的漂浮物识别方法，以解决的问题。
为实现上述目的，本发明提供如下技术方案：一种基于Graph Cuts算法的漂浮物识别方法，其中，所述方法包括：
S1：获取漂浮物图片；
S2：对漂浮物图片进行预处理；
S3：利用Graph Cuts算法在预处理完成的漂浮物图片上绘出漂浮物目标轮廓并对水漂浮物目标进行精确的分割提取；
S4：对分割提取的漂浮物图片进行特征切分；
S5：将切分的漂浮物特征图片与数据库中预存的漂浮物特征图片进行对比；
S6：根据对比结果，提取数据库对比出的漂浮物特征图片并获取关联漂浮物特征图片的描述信息；
S7：展现对比识别结果。
优选的，所述S5：将切分的漂浮物特征图片与数据库中预存的漂浮物特征图片进行对比，还包括：
S51：数据库未对比出漂浮物特征；
S52：在网络上查找与切分的漂浮物特征图片相似的图片，并获取相似图片的相关信息。
优选的，所述S2：对漂浮物图片进行预处理，还包括：
S21：对漂浮物图片进行使用中值滤波进行预处理，消除图像中的斑点噪声和椒盐噪声；
S22：对预处理完成后的漂浮物图片进行形态学腐蚀处理，解决水面波纹的干扰，消除前景中的斑点噪声，生成前景二值图像。
优选的，S3：利用Graph Cuts算法在预处理完成的漂浮物图片上绘出漂浮物目标轮廓并对水漂浮物目标进行精确的分割提取，在确定每条边的权值后，通过Min Cut算法求取最优解，充分利用图像本身的空间信息，优化分割结果。
优选的，所述S52：在网络上查找与切分的漂浮物特征图片相似的图片，并获取相似图片的相关信息为根据相似图技术，在网络上进行搜索，获取与所述切分的漂浮物特征图片相关联的图片，从所述相关联的图片所在的网页中，提取所述相关联的图片描述信息。
优选的，所述S1：获取漂浮物图片为用户拍摄的图片或者按照30帧每秒的采样速度对视频中的帧图像进行读取。
优选的，所述数据库中预存的漂浮物特征图片根据获取的漂浮物图片库中的所有图片的图片特征建立而成。
本发明的技术效果和优点：该基于Graph Cuts算法的漂浮物识别方法通过将原始漂浮物图片进行中值滤波处理及形态学腐蚀处理，再将预处理完成后的漂浮物图片利用Graph Cuts算法进行精确的分割提取，并且采用了基于图片特征组合的比对方式，因此对垃圾图片变化的适应性强，提高了垃圾图片的识别效率及准确率。
附图说明
图1为本发明的具体流程示意图。
下面将结合本发明实施例中的附图1，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了如图1中所示的一种基于Graph Cuts算法的漂浮物识别方法，其中，所述方法包括：
S1：获取漂浮物图片；
S2：对漂浮物图片进行预处理；
S3：利用Graph Cuts算法在预处理完成的漂浮物图片上绘出漂浮物目标轮廓并对水漂浮物目标进行精确的分割提取；
S4：对分割提取的漂浮物图片进行特征切分,利用文本形状特征对漂浮物图片特征进行识别，获取形状特征码，将漂浮物图片特征形状特征码作为漂浮物图片的图片特征；
S5：将切分的漂浮物特征图片与数据库中预存的漂浮物特征图片进行对比，将漂浮物图片的图片特征中连续两个图片特征作为特征组合，将特征组合与数据库中预存的漂浮物特征图片的特征组合倒排索引进行比对，获取包含所述图片特征组合的漂浮物特征图集合，当数据库未比对出漂浮物特征图片时则转至S51；
S6：根据对比结果，提取数据库对比出的漂浮物特征图片并获取关联漂浮物特征图片的描述信息；
S7：展现对比识别结果。
具体的，所述S5：将切分的漂浮物特征图片与数据库中预存的漂浮物特征图片进行对比，还包括：
S51：数据库未对比出漂浮物特征，则将漂浮物特征图片上传至服务端并在网络上进行查找；
S52：在网络上查找与切分的漂浮物特征图片相似的图片，并获取相似图片的相关信息，在获取相似图片后，可以进一步获取该相似图片的描述信息，具体可以在相似图片所在的网页中，提取描述信息，并从相似图片的相关描述信息中提取关键字并进行组合，得到识别结果。
具体的，所述S2：对漂浮物图片进行预处理，还包括：
S21：对漂浮物图片进行使用中值滤波进行预处理，消除图像中的斑点噪声和椒盐噪声，对漂浮物图片采用3*3的中值滤波进行预处理，具体如下所示：
M(x，y)＝median{I(i，j)}；
S22：对预处理完成后的漂浮物图片进行形态学腐蚀处理，解决水面波纹的干扰，消除前景中的斑点噪声，生成前景二值图像。
具体的，S3：利用Graph Cuts算法在预处理完成的漂浮物图片上绘出漂浮物目标轮廓并对水漂浮物目标进行精确的分割提取，在确定每条边的权值后，通过Min Cut算法求取最优解，充分利用图像本身的空间信息，优化分割结果。
具体的，所述S52：在网络上查找与切分的漂浮物特征图片相似的图片，并获取相似图片的相关信息为根据相似图技术，在网络上进行搜索，获取与所述切分的漂浮物特征图片相关联的图片，从所述相关联的图片所在的网页中，提取所述相关联的图片描述信息。
具体的，所述S1：获取漂浮物图片为用户拍摄的图片或者按照30帧每秒的采样速度对视频中的帧图像进行读取。
具体的，所述数据库中预存的漂浮物特征图片根据获取的漂浮物图片库中的所有图片的图片特征建立而成。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于Graph Cuts算法的漂浮物识别方法，其特征在于，所述方法包括：
S1：获取漂浮物图片；
S2：对漂浮物图片进行预处理；
S3：利用Graph Cuts算法在预处理完成的漂浮物图片上绘出漂浮物目标轮廓并对水漂浮物目标进行精确的分割提取；
S4：对分割提取的漂浮物图片进行特征切分；
S5：将切分的漂浮物特征图片与数据库中预存的漂浮物特征图片进行对比；
S6：根据对比结果，提取数据库对比出的漂浮物特征图片并获取关联漂浮物特征图片的描述信息；
S7：展现对比识别结果。
2.根据权利要求1所述的一种基于Graph Cuts算法的漂浮物识别方法，其特征在于，所述S5：将切分的漂浮物特征图片与数据库中预存的漂浮物特征图片进行对比，还包括：
S51：数据库未对比出漂浮物特征；
S52：在网络上查找与切分的漂浮物特征图片相似的图片，并获取相似图片的相关信息。
3.根据权利要求1所述的一种基于Graph Cuts算法的漂浮物识别方法，其特征在于：所述S2：对漂浮物图片进行预处理，还包括：
S21：对漂浮物图片进行使用中值滤波进行预处理，消除图像中的斑点噪声和椒盐噪声；
S22：对预处理完成后的漂浮物图片进行形态学腐蚀处理，解决水面波纹的干扰，消除前景中的斑点噪声，生成前景二值图像。
4.根据权利要求1所述的一种基于Graph Cuts算法的漂浮物识别方法，其特征在于，S3：利用Graph Cuts算法在预处理完成的漂浮物图片上绘出漂浮物目标轮廓并对水漂浮物目标进行精确的分割提取，在确定每条边的权值后，通过Min Cut算法求取最优解，充分利用图像本身的空间信息，优化分割结果。
5.根据权利要求1所述的一种基于Graph Cuts算法的漂浮物识别方法，其特征在于，所述S52：在网络上查找与切分的漂浮物特征图片相似的图片，并获取相似图片的相关信息为根据相似图技术，在网络上进行搜索，获取与所述切分的漂浮物特征图片相关联的图片，从所述相关联的图片所在的网页中，提取所述相关联的图片描述信息。
6.根据权利要求1所述的一种基于Graph Cuts算法的漂浮物识别方法，其特征在于，所述S1：获取漂浮物图片为用户拍摄的图片或者按照30帧每秒的采样速度对视频中的帧图像进行读取。
7.根据权利要求1所述的一种基于Graph Cuts算法的漂浮物识别方法，其特征在于：所述数据库中预存的漂浮物特征图片根据获取的漂浮物图片库中的所有图片的图片特征建立而成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910995208.4A CN110781786A (zh) | 2019-10-18 | 2019-10-18 | 一种基于Graph Cuts算法的漂浮物识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910995208.4A CN110781786A (zh) | 2019-10-18 | 2019-10-18 | 一种基于Graph Cuts算法的漂浮物识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110781786A true CN110781786A (zh) | 2020-02-11 |
Family
ID=69386034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910995208.4A Withdrawn CN110781786A (zh) | 2019-10-18 | 2019-10-18 | 一种基于Graph Cuts算法的漂浮物识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110781786A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784729A (zh) * | 2021-01-19 | 2021-05-11 | 澜途集思生态科技集团有限公司 | 一种水体漂浮物自动识别方法 |
| CN113033313A (zh) * | 2021-02-26 | 2021-06-25 | 澜途集思生态科技集团有限公司 | 基于深度学习的水质污染判断方法 |
| CN113344885A (zh) * | 2021-06-15 | 2021-09-03 | 温州大学 | 基于级联卷积神经网络的河道漂浮物检测方法 |
-
2019
- 2019-10-18 CN CN201910995208.4A patent/CN110781786A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784729A (zh) * | 2021-01-19 | 2021-05-11 | 澜途集思生态科技集团有限公司 | 一种水体漂浮物自动识别方法 |
| CN113033313A (zh) * | 2021-02-26 | 2021-06-25 | 澜途集思生态科技集团有限公司 | 基于深度学习的水质污染判断方法 |
| CN113344885A (zh) * | 2021-06-15 | 2021-09-03 | 温州大学 | 基于级联卷积神经网络的河道漂浮物检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101957997B (zh) | 一种动态场景中基于区域均值核密度估计的运动目标检测方法 | |
| CN103455991B (zh) | 一种多聚焦图像融合方法 | |
| CN108830832A (zh) | 一种基于机器视觉的塑料筒表面缺陷检测算法 | |
| CN111080636B (zh) | 彩钢瓦表面缺陷的cnn语义分割自学习检测方法 | |
| CN110781786A (zh) | 一种基于Graph Cuts算法的漂浮物识别方法 | |
| CN110428450A (zh) | 应用于矿井巷道移动巡检图像的尺度自适应目标跟踪方法 | |
| CN116485709A (zh) | 一种基于YOLOv5改进算法的桥梁混凝土裂缝检测方法 | |
| CN111832504A (zh) | 一种面向卫星在轨应用的空间信息智能一体化生成方法 | |
| CN113899349B (zh) | 海浪参数检测方法、设备及存储介质 | |
| CN115861359A (zh) | 一种水面漂浮垃圾图像自适应分割提取方法 | |
| CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
| CN110889868A (zh) | 一种结合梯度和纹理特征的单目图像深度估计方法 | |
| CN110599422A (zh) | 一种基于边缘保护的加权平均椒盐噪声降噪算法 | |
| CN110097549A (zh) | 基于形态学的水陆空交界线检测方法、系统、介质和设备 | |
| CN106778789B (zh) | 一种多视点图像中的快速目标提取方法 | |
| CN110502968B (zh) | 基于轨迹点时空一致性的红外弱小运动目标的检测方法 | |
| CN105321178B (zh) | 一种基于稀疏主成分分析的图像分割的方法及装置 | |
| CN111444913A (zh) | 一种基于边缘引导稀疏注意力机制的车牌实时检测方法 | |
| CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
| CN104182990B (zh) | 一种实时序列图像运动目标区域获取方法 | |
| CN110766714A (zh) | 一种基于高斯混合模型的水面漂浮物自动分割方法 | |
| CN105072445B (zh) | 一种基于块截断编码压缩域的视频运动目标检测方法 | |
| Zuo et al. | A novel image segmentation method of pavement surface cracks based on fractal theory | |
| Shi-long et al. | A modified fast fuzzy C-means algorithm based on the spatial information for underwater image segmentation | |
| Sakharov et al. | Research and Development of Information Technology for Determining Shoe Size by Image |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200211 |