CN111160320A - 一种图像处理方法 - Google Patents
一种图像处理方法 Download PDFInfo
- Publication number
- CN111160320A CN111160320A CN202010056587.3A CN202010056587A CN111160320A CN 111160320 A CN111160320 A CN 111160320A CN 202010056587 A CN202010056587 A CN 202010056587A CN 111160320 A CN111160320 A CN 111160320A
- Authority
- CN
- China
- Prior art keywords
- image
- jade
- color
- calculating
- msvm
- 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- Withdrawn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
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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像处理方法,包括:图像预处理,图像分割和图像识别;本发明的一种图像处理方法,利用玉石图像的无缺陷斑纹图像对图像进行预处理,图像分割精度高,提高了玉石图像的分类效率。
Description
技术领域
本发明涉及图像领域,具体涉及一种图像处理方法。
背景技术
珠宝业视觉处理是指利用图像处理技术对采集的珠宝业场景图像进行处理而实现对珠宝业场景中的目标进行识别和理解的过程,基本方法包括图像增强、图像分割、特征提取和目标分类等。
珠宝业中对于玉石的视觉处理存在的主要问题包括降质图像难以复原、图像目标难以精确分割、最优特征向量难以获取、分类精度难以满足现实要求等。
发明内容
为了解决上述现有技术中存在的缺陷和不足,本发明一种图像处理方法,其特征在于,包括。
(1)图像预处理。
1)采集彩色玉石表面图像作为目标图像,在目标图像上截取512x512玉石彩色图像,即玉石无缺陷斑纹部分小块图像信息作为模板。
2)求取小图像块颜色特征均值和纹理特征均值作为二维模式平均向量,以该向量值作为模式类的原型,即模板模式向量。
3)计算所有子图像颜色特征均值和纹理特征均值,作为子图像模式向量。
其中,所述子图像为所述目标图像中的部分图像。
4)利用欧几里得空间距离判别子图像模式向量与模板模式向量紧密性,计算距离测度。
5)确定距离最小的子图像,所述距离最小的子图像只包含玉石表面信息,不包含背景或者缺陷斑纹。
6)对所述确定的子图像进行中值滤波图像增强处理,取方形滤波器,采用
3x3窗口模板,计算中心点的函数窗像素中值。其中,计算中值的步骤如下。
将3x3窗口模板在所述目标图像中漫游,并将模板的中心与所述目标图像中的预选点像素位置重合。
读取所述窗口模板,并计算像素的灰度值。
按灰度值大小对像素点进行排列。
选择给定排序像素集的中值作为中心点的新值。
(2)图像分割。
将目标图像的RGB分量作为模糊C均值聚类算法FCM的聚类空间,采用超正切函数取代欧式距离作为目标函数,并利用图像灰度级数据取代像素数据进行计算,最后通过聚类操作获得玉石常见缺陷图像聚类结果。
FCM利用双层迭代计算方法求取目标函数极小值,第一层为内层,用于计算新的聚类中心以及更新模糊隶属度矩阵;第二层是外层,用于判定算法是否已收敛到给定阈值。迭代完成后,从第一层计算得到的模糊隶属度矩阵中,得到像素对聚类中心的隶属程度,并根据大小来决定像素的归属。
(3)图像识别。
提取玉石表面颜色特征和纹理特征,并对所提取的特征进行组合,采用多类支持向量机MSVM对上述特征进行训练,通过其分类结果获得最佳特征。
将图像预处理得到的玉石表面红绿蓝RGB彩色图像复制一份,用于色度饱和度明亮度HSV彩色特征提取。将预处理得到的图像直接进行RGB色彩特征提取;将复制得到的图像从RGB彩色空间转换到HSV彩色空间,用于HSV色彩特征提取。
对于m类玉石,配置对应的二分类SVM组成MSVM,生成基于有向无环图的MSVM,
该MSVM包括中间节点和叶子节点,所述叶子节点是决策玉石所属类别的节点,其中,所述玉石类别根据1-m的标号标识,n/m节点表示用于区分第n类和第m类的标准二分类SVM,其中,m为大于0的正整数,n为小于m的正整数。
在生成上述MSVM后,从首节点开始,经过有向无环图的每一层,最终到达叶子节点,根据所述叶子节点确定玉石的类别。
本发明的一种图像处理方法,利用玉石图像的无缺陷斑纹图像对图像进行预处理,图像分割精度高,提高了玉石图像的分类效率。
附图说明
图1为本发明一种图像处理方法的流程图。
具体实施方式
基本的视觉信息处理系统,需要集成照明系统、成像系统、图像数字化系统、图像处理软件系统、计算机系统,复杂一些的视觉信息处理系统还会涉及到机械设计、传感器、电子线路、可编程逻辑控制器(PLC)、运动控制、数据库等。
视觉信息处理主要步骤如下。
1.图像采集。
图像采集主要包括四个环节:照明、成像、光电图像转换和图像数字转换。构建照明系统的关键是光源的选择。目前常用的光源分为两类:自然光源和人工光源。自然光源主要是太阳光,人工光源则包括热辐射光源(如白炽灯)、气体放电光源(如荧光灯)、固体发光光源(如LED)、激光光源(如气体激光源)、辐射光源(如X射线)等。也可根据照射形式分为点光源和均匀光源。
成像系统由镜头完成,光电图像转换由摄像机或照相机实现,图像数字转换由图像采集卡完成。摄像机按响应光谱可以分为可见光摄像机、紫外线摄像机和红外线摄像机等。摄像机按成像芯片可分成CCD摄像机和CMOS摄像机两类。按照CCD芯片类型可以分为线阵扫描摄像机和面阵扫描摄像机,还可以按照色彩、灵敏度、输出速度等分类。图像采集卡按照采集的视频信号分为模拟卡和数字卡,按数据传输方式分为PC总线卡、PC104总线卡、IEEE1394卡和USB卡,按照视频信号的标准分为标准视频信号采集卡和非标准卡。
2.图像预处理。
图像预处理的目的是为了消除噪声、抑制背景并突出目标物,以便更容易地实现图像分割,得到清晰的目标物。图像增强技术的分类方法一般是按算子来分号,主要分为两大类:一类是根据算子所覆盖的运算面积分为局部运算和整体运算,局部运算每次只对图像中的一块子图像进行运算,整体运算则是同时对整幅图像进行处理;另一种是按照算子所属的技术范畴分类,分为空域法增强和频域法增强。
3.图像分割。
图像分割的目的是通过将图像划分成有意义的区域来提取目标物的特征,简单地说就是将目标从背景中分离出来。图像分割的方法很多,从分割所依据的手段出发,可分为阈值法、边界探测法、区域法等;按照算法本身来分,可分为模板匹配法、跟踪法、纹理匹配法、聚类法等;依照工作对象可分为边界相关分割和区域相关分割等;从技术角度又可分为并行分割技术和串行分割技术等。
4.特征提取。
对分割出来的目标进行特征提取,得到用于描述目标的初始特征集合,是实现目标分类的基础和关键;颜色、形状和纹理是描述目标最常用的特征。
5.特征分类与目标识别。
分类是运用某种决策标准将待分类数据集中的每个元素分配到类别的某个有限集合的过程。分类的关键问题是如何确定分类标准,因此分类总是需要构造一个或多个决策函数,用于计算待分类目标与指定类之间的相似程度,并通过构造分类规则实现分类。
6.理解与反馈。
根据图像处理和分析结果,反馈到执行机构,实现预设的任务。
对于玉石图像的处理鉴别,如图1所示,本发明一种图像处理方法,其特征在于,包括。
(1)图像预处理。
为了减少手机拍摄的噪声,对采集的图像进行了中值滤波处理,对图像进行增强。
1)采集彩色玉石表面图像作为目标图像,在目标图像上截取512x512玉石彩色图像,即玉石无缺陷斑纹部分小块图像信息作为模板。
2)求取小图像块颜色特征均值和纹理特征均值作为二维模式平均向量,以该向量值作为模式类的原型,即模板模式向量。
3)计算所有子图像颜色特征均值和纹理特征均值,作为子图像模式向量。
其中,所述子图像为所述目标图像中的部分图像。
4)利用欧几里得空间距离判别子图像模式向量与模板模式向量紧密性,计算距离测度。
5)确定距离最小的子图像,所述距离最小的子图像只包含玉石表面信息,不包含背景或者缺陷斑纹。
6)对所述确定的子图像进行中值滤波图像增强处理,取方形滤波器,采用
3x3窗口模板,计算中心点的函数窗像素中值。其中,计算中值的步骤如下。
将3x3窗口模板在所述目标图像中漫游,并将模板的中心与所述目标图像中的预选点像素位置重合。
所述预选点可以为固定点,也可以为随机点。
读取所述窗口模板,并计算像素的灰度值。
按灰度值大小对像素点进行排列。
选择给定排序像素集的中值作为中心点的新值。
在所述图像预处理之前,还可以包括图像采集,具体图像采集过程,可以参见上述描述。
(2)图像分割。
通过对模糊C均值聚类算法进行改进,利用模糊聚类在复杂图像分割上的优势,实现了玉石图像的分割。
将目标玉石图像的RGB分量作为模糊C均值聚类算法FCM的聚类空间,采用超正切函数取代欧式距离作为目标函数,并利用图像灰度级数据取代像素数据进行计算,最后通过聚类操作获得玉石常见缺陷图像聚类结果。
模糊C均值聚类算法(FCM)是一种基于目标函数的非线性迭代最优化方法,依据最小二乘原理,通过计算目标函数的均方差,得出每个数据点对类中心的隶属程度和目标函数的最小值。FCM算法是一种无监督的分类方法,由于其在分割或识别过程中不需要任何人工干预,均由算法自动进行处理,该算法被广泛应用在目标识别和图像分割等领域。
FCM利用双层迭代计算方法求取目标函数极小值,第一层为内层,用于计算新的聚类中心以及更新模糊隶属度矩阵;第二层是外层,用于判定算法是否已收敛到给定阈值。迭代完成后,从第一层计算得到的模糊隶属度矩阵中,得到像素对聚类中心的隶属程度,并根据大小来决定像素的归属。
(3)图像识别。
每一种玉石表面都有其特有的纹理,当不同的玉石具有同—种缺陷时,玉石表面表现出的症状是不一样的。在基于机器视觉的玉石缺陷图像诊断识别的过程中,要准确、高效地识别和诊断玉石缺陷,首先需要对玉石进行分类。
玉石种类图像识别即是对多幅不同的玉石图像进行分类,进而标识出该幅图像上玉石的种类。分类是基于某种决策标准,并将待分类数据划分成不同的数据集,分配到不同的类别中去。
玉石的颜色、纹理和形状特征各不相同,很难用同一种待征进行区分,颜色和纹理是大部分图像,尤其是彩色纹理图像,在人类视觉感知范围内最敏感的特征。不对玉石的形状特征进行提取的原因有两个方面:一方面,由于玉石在形成过程中,其形状和大小特征会不断变化,只有皮肤纹理和颜色相对稳定;另一方面,本研究的最终目标是为了建立基于手机终端拍摄的玉石图像识别,用户在使用手机拍摄玉石照片过程中,有时为了使缺陷斑纹更清晰,获取缺陷斑纹焦点,只取局部玉石的图像,因此获取不到完整的玉石图片,只有局部玉石表面图像。
提取玉石表面颜色特征和纹理特征,并对所提取的特征进行组合,采用多类支持向量机MSVM对上述特征进行训练,通过其分类结果获得最佳特征。
由于SVM仅能分辨两种类别的物质,而要分类的玉石有多类,为了设计正确率高、适应性强的分类器,设计了多类SVM(即MSVM)进行了分类效果测试,以期找到最佳分类方法和构建最好的分类器。
将图像预处理得到的玉石表面红绿蓝RGB彩色图像复制一份,用于色度饱和度明亮度HSV彩色特征提取。将预处理得到的图像直接进行RGB色彩特征提取;将复制得到的图像从RGB彩色空间转换到HSV彩色空间,用于HSV色彩特征提取。
纹理是由物体表面的物理属性,比如粗糙度,纹路等,都是纹理的一部分,它是人们容易感知的视觉对象之一。我们可以从纹理上获得非常丰富的视觉场景信息,并能通过纹理分析方法来完成计算机视觉和图像理解研究领域的一些研究任务。而玉石的特点是,其皮肤表面纹理清晰可辨并且各不相同,基于纹理分类对玉石分类是可行的。玉石纹理分类最重要的是纹理特征提取,采用什么方法提取纹理特征是影响分类准确率最关键的一步。纹理分析法分为四大类:统计分析法、频谱分析法、结构分析法和模型化分析法。其中最常用的方法是统计分析法和频谱分析法。
基于统计的分析方法的纹理特征提取是在空间域上实现对局部小范围领域内像素点的纹理特征进行分析,该方法对纹理较为单一的玉石图像能够得到很好的分类效果,但是对较为复杂的玉石图像不一定能够达到同样的效果。因而提取玉石图像的小波特征(包括范数熵和小波能量)作为对比特征,用于玉石图像的识别分类。
对于m类玉石,配置对应的二分类SVM组成MSVM,生成基于有向无环图的MSVM,
该MSVM包括中间节点和叶子节点,所述叶子节点是决策玉石所属类别的节点,其中,所述玉石类别根据1-m的标号标识,n/m节点表示用于区分第n类和第m类的标准二分类SVM,其中,m为大于0的正整数,n为小于m的正整数。
在生成上述MSVM后,从首节点开始,经过有向无环图的每一层,最终到达叶子节点,根据所述叶子节点确定玉石的类别。
中间节点只是帮助排除未知玉石所属类别,不能决策具体类别。
玉石类别包括和田玉、翡翠、岫岩玉、南阳玉、水晶、玛瑙、琥珀、珊瑚、绿松石、青金石、黄龙玉等软玉和硬玉种类。
对于m类玉石,需要m(m-1)/2个二分类SVM组成MSVM,例如,对于6类玉石,需要15个二分类SVM组成MSVM,为6类玉石种类图像分类的基于有向无环图的MSVM逻辑结构,用标号1表示和田玉,用标号2表示翡翠,用标号3表示岫岩玉,用标号4表示南阳玉,用标号5表示水晶,用标号6表示玛瑙。在MSVM中,可以用黑色圈表示中间节点,蓝色圈表示叶子节点,即是决策玉石所属类别的节点,“1/6”节点表示用于区分第1类和第6类的标准二分类SVM,用“1/5”节点表示区分第1类和第5类的标准二分类SVM,用“1/4”节点表示区分第1类和第4类的标准二分类SVM。
依此类推。若要对某个玉石进行分类,需要从首节点开始,经过有向无环图的每一层,最终到达叶子节点,才能判断出它的类别,中间节点只是帮助排除未知玉石所属类别,不能决策具体类别。
本发明的一种图像处理方法,利用玉石图像的无缺陷斑纹图像对图像进行预处理,图像分割精度高,提高了玉石图像的分类效率。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (1)
1.一种图像处理方法,其特征在于,包括:
(1)图像预处理:
1)采集彩色玉石表面图像作为目标图像,在目标图像上截取512x512玉石彩色图像,即玉石无缺陷斑纹部分小块图像信息作为模板;
2)求取小图像块颜色特征均值和纹理特征均值作为二维模式平均向量,以该向量值作为模式类的原型,即模板模式向量;
3)计算所有子图像颜色特征均值和纹理特征均值,作为子图像模式向量;
其中,所述子图像为所述目标图像中的部分图像;
4)利用欧几里得空间距离判别子图像模式向量与模板模式向量紧密性,计算距离测度;
5)确定距离最小的子图像,所述距离最小的子图像只包含玉石表面信息,不包含背景或者缺陷斑纹;
6)对所述确定的子图像进行中值滤波图像增强处理,取方形滤波器,采用
3x3窗口模板,计算中心点的函数窗像素中值;其中,计算中值的步骤如下:
将3x3窗口模板在所述目标图像中漫游,并将模板的中心与所述目标图像中的预选点像素位置重合;
读取所述窗口模板,并计算像素的灰度值;
按灰度值大小对像素点进行排列;
选择给定排序像素集的中值作为中心点的新值;
(2)图像分割:
将目标图像的RGB分量作为模糊C均值聚类算法FCM的聚类空间,采用超正切函数取代欧式距离作为目标函数,并利用图像灰度级数据取代像素数据进行计算,最后通过聚类操作获得玉石常见缺陷图像聚类结果;
FCM利用双层迭代计算方法求取目标函数极小值,第一层为内层,用于计算新的聚类中心以及更新模糊隶属度矩阵;第二层是外层,用于判定算法是否已收敛到给定阈值;迭代完成后,从第一层计算得到的模糊隶属度矩阵中,得到像素对聚类中心的隶属程度,并根据大小来决定像素的归属;
(3)图像识别:
提取玉石表面颜色特征和纹理特征,并对所提取的特征进行组合,采用多类支持向量机MSVM对上述特征进行训练,通过其分类结果获得最佳特征;
将图像预处理得到的玉石表面红绿蓝RGB彩色图像复制一份,用于色度饱和度明亮度HSV彩色特征提取;将预处理得到的图像直接进行RGB色彩特征提取;将复制得到的图像从RGB彩色空间转换到HSV彩色空间,用于HSV色彩特征提取;
对于m类玉石,配置对应的二分类SVM组成MSVM,生成基于有向无环图的MSVM,
该MSVM包括中间节点和叶子节点,所述叶子节点是决策玉石所属类别的节点,其中,所述玉石类别根据1-m的标号标识,n/m节点表示用于区分第n类和第m类的标准二分类SVM,其中,m为大于0的正整数,n为小于m的正整数;
在生成上述MSVM后,从首节点开始,经过有向无环图的每一层,最终到达叶子节点,根据所述叶子节点确定玉石的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010056587.3A CN111160320A (zh) | 2020-01-18 | 2020-01-18 | 一种图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010056587.3A CN111160320A (zh) | 2020-01-18 | 2020-01-18 | 一种图像处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160320A true CN111160320A (zh) | 2020-05-15 |
Family
ID=70564012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010056587.3A Withdrawn CN111160320A (zh) | 2020-01-18 | 2020-01-18 | 一种图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160320A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052234A (zh) * | 2021-03-25 | 2021-06-29 | 杭州麦趣网络科技有限公司 | 一种基于图像特征和深度学习技术的玉石分类方法 |
CN114723751A (zh) * | 2022-06-07 | 2022-07-08 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于无监督的带钢表面缺陷在线检测方法 |
-
2020
- 2020-01-18 CN CN202010056587.3A patent/CN111160320A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052234A (zh) * | 2021-03-25 | 2021-06-29 | 杭州麦趣网络科技有限公司 | 一种基于图像特征和深度学习技术的玉石分类方法 |
CN114723751A (zh) * | 2022-06-07 | 2022-07-08 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于无监督的带钢表面缺陷在线检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126325B (zh) | 一种基于视频的智能人员安防识别统计方法 | |
CN113808138B (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
CN108491892A (zh) | 基于机器视觉的水果分拣系统 | |
CN111292321B (zh) | 一种输电线路绝缘子缺陷图像识别方法 | |
US8700498B2 (en) | Feature analyzing apparatus for a surface of an object | |
CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
CN108921857A (zh) | 一种面向监视场景的视频图像焦点区域分割方法 | |
CN111160320A (zh) | 一种图像处理方法 | |
CN112464983A (zh) | 一种用于苹果树叶病害图像分类的小样本学习方法 | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN107038690A (zh) | 一种基于多特征融合的运动阴影去除方法 | |
WO2021220829A1 (ja) | 個体識別システム、個体識別プログラム、及び記録媒体 | |
CN116665051B (zh) | 基于rgb图像重建高光谱图像的垃圾中金属再筛选方法 | |
Nayak et al. | Fruit recognition using image processing | |
CN117198909A (zh) | 一种晶圆的缺陷检测装置以及方法、可读存储介质 | |
Abdulhussein et al. | Computer vision to improve security surveillance through the identification of digital patterns | |
Zhao et al. | Flame detection using generic color model and improved block-based PCA in active infrared camera | |
CN114519799A (zh) | 一种多特征座位状态实时检测方法及系统 | |
Fatemi et al. | Fully unsupervised salient object detection | |
WO2021220826A1 (ja) | 個体識別システム | |
Busin et al. | Contribution of a color space selection to a flaw detection vision system | |
WO2021220827A1 (ja) | 個体識別システム | |
WO2021220825A1 (ja) | 個体識別システム | |
Vitthal et al. | Color Analysis and Classification Based on Machine Learning Technique Using RGB Camera Industrial Practice and Experience Paper | |
WO2021220828A1 (ja) | 個体識別システム |
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 |
Application publication date: 20200515 |
|
WW01 | Invention patent application withdrawn after publication |