CN116229335B - 基于图像数据的畜禽养殖场环境识别方法 - Google Patents
基于图像数据的畜禽养殖场环境识别方法 Download PDFInfo
- Publication number
- CN116229335B CN116229335B CN202310518231.0A CN202310518231A CN116229335B CN 116229335 B CN116229335 B CN 116229335B CN 202310518231 A CN202310518231 A CN 202310518231A CN 116229335 B CN116229335 B CN 116229335B
- Authority
- CN
- China
- Prior art keywords
- gray
- data points
- data
- image
- representing
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于图像数据的畜禽养殖场环境识别方法,包括:由于噪声对灰度变化差异越大的区域的影响程度越大,会导致图像的边缘细节损失,因此根据图像中像素点的分布和噪声像素点的影响程度对灰度标准差进行自适应,根据自适应的灰度标准差结合双边滤波算法对监控视频图像进行自适应去噪,实现对养殖场图像的去噪增强。本发明根据灰度变化矩阵获得各点的相似程度,然后进行数据点的合并,使得均值漂移聚类算法能够快速的完成大量数据点的聚类,能够有效的滤除图像中的高斯噪声,并且保留图像的边缘信息。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于图像数据的畜禽养殖场环境识别方法。
背景技术
随着现代养殖业的发展,畜禽生产方式发生重大改变,畜禽养殖日益走向集约化、规模化、自动化、智能化。尤其是在肉鸡、蛋鸡、肉鸭和生猪等领域,已经出现了一些高度现代化的养殖场。在这些高度现代化的养殖场中,为了能够更加方便的监测养殖场的养殖环境,以提高对养殖场的管理效率,通常会在养殖场的各个区域安装监控摄像头,以用来监测养殖场的环境,通常会监测畜禽的生长、养殖场的卫生、是否存在安全隐患等等。不同的监测目的对监控拍摄的视频画面质量存在不同的要求,例如:监测畜禽的生长和活动情况对监控视频的质量要求较低,监测是否会存在火灾等安全隐患对监控视频的质量要求较高。但是因为养殖场的环境比较复杂,并且监控设备的长时间运行会导致监控视频受到较大的噪声影响,影响监控视频的质量,导致监控画面不清晰,因此需要对监控图像进行去噪处理,以获得较高质量的监控视频图像。
在现有技术中,对图像进行去噪方法较多,其中双边滤波去噪算法是一种简单的、非迭代、非线性的滤波方法,采用邻域加权平均的方法获得恢复图像的像素值,利用像素点空间邻近度和像素值相似度两方面构造权函数,从而达到平滑噪声而又很好的保护边缘信息不受损害的目的。在使用双边滤波进行去噪的过程中,双边滤波算法的灰度标准差对去噪的效果影响程度较大。通常灰度标准差是根据经验设定的,会导致噪声的滤除效果不好,因此本发明根据图像的特征对灰度标准差进行自适应,保证监控图像去噪效果的同时又能很好的保留图像的细节信息。
发明内容
本发明提供基于图像数据的畜禽养殖场环境识别方法,以解决现有的问题。
本发明的基于图像数据的畜禽养殖场环境识别方法采用如下技术方案:
本发明提供了基于图像数据的畜禽养殖场环境识别方法,该方法包括以下步骤:
获取养殖场图像,将养殖场图像划分为若干个划分窗口;
根据划分窗口中各个像素的灰度值与最小的灰度值的差异获得灰度差异值,根据所有划分窗口的灰度差异值构建灰度变化矩阵,将灰度变化矩阵中的元素记为数据点;
将灰度变化矩阵中任意两个相邻数据点所对应划分窗口记为相邻窗口,根据相邻窗口的灰度差异值之间的差异获得第二差异,根据相邻窗口中像素点灰度值的差异获得第三差异,将相邻窗口中像素点的灰度平均值之间的比例关系记为关联系数,根据第二差异、第三差异和关联系数获得数据关联程度;
将划分窗口中像素点灰度值的最大值和最小值之间的差值记为特征系数,将特征系数对划分窗口中灰度均值的乘积校正结果记为灰度特征值,利用数据点之间灰度特征值的最小欧式距离将数据点进行第一次聚类;
根据数据点之间数据关联程度获得相关性,根据数据点之间相关性的大小对数据点进行合并,实现第二次聚类;
根据每个聚类簇中所有数据点所在划分窗口的灰度熵获得对应聚类簇的噪声影响程度,利用噪声影响程度最大值对养殖场图像的灰度方差进行乘积校正获得修正后灰度标准差;
利用修正后灰度标准差对养殖场图像进行去噪处理,获得去噪增强后的养殖场图像。
进一步的,所述灰度差异值,获取的方法如下:
将划分窗口中各个像素与灰度最小值像素之间的灰度值差值记为第一差异,将划分窗口中所有像素的第一差异的均值记为灰度差异值。
进一步的,所述数据关联程度,获取的方法如下:
数据关联程度的获取方法如下:
式中,表示灰度变化矩阵中第u行、第v列的数据点与其八邻域中第t个数据点之间的数据关联程度,/>表示第u行、第v列数据点的灰度差异值,/>表示第u行、第v列数据点的八邻域中第t个数据点的值,/>表示第u行、第v列的数据点对应划分窗口的平均灰度值,/>表示第u行、第v列数据点的八邻域中第t个数据点对应划分窗口的平均灰度值,/>表示第u行、第v列的数据点对应划分窗口中灰度值的方差,/>表示第u行、第v列数据点的八邻域中第t个数据点对应滑窗的灰度方差;/>表示第二差异;表示第三差异;/>表示关联系数;exp()表示以自然常数为底的指数函数。
进一步的,所述第一次聚类,具体包括的步骤如下:
利用灰度特征值对数据点进行第一次聚类,所述第一次聚类所用算法为层次聚类算法,具体聚类过程为:
利用孤立森林算法的思想将灰度变化矩阵中所有数据点都记为第一迭代层,将所有数据点的八邻域数据点记为第二迭代层,以此类推,获得若干个迭代层;
计算在同一个迭代层中数据点的灰度特征值的欧式距离,将同一迭代层中数据点的灰度特征值欧式距离最小的作为一类,进行层次聚类,获得多个聚类簇。
进一步的,所述相关性,获取的方法如下:
相关性的获取方法如下:
式中,表示第α个数据点与第β个数据点之间下一迭代层之间的相关性,/>表示第α个数据点对应的下一迭代层中的第/>个数据点,/>表示第β个数据点对应的下一迭代层中的第/>个数据点,z表示第α个数据点通过层次聚类后包含的数据点的个数,x表示第β个数据点通过层次聚类后包含的数据点的个数,/>表示第α个数据点对应的下一迭代层中的第/>个数据点与第β个数据点对应的下一迭代层中的第/>个数据点之间的数据关联程度;Norm[]表示线性归一化函数。
进一步的,所述第二次聚类,获取的方法如下:
通过获取不同迭代层(即相邻迭代层)之间数据点的相关性,来确定在进行均值漂移聚类时是否能够将相邻迭代层的数据点进行合并,当相关性大于预设的相关性阈值时,将其合并在同一个聚类簇中,实现第二次聚类,获得若干个聚类簇。
进一步的,所述噪声影响程度,获取的方法如下:
获取所有划分窗口的灰度熵,利用线性归一化将所有划分窗口对应的灰度熵进行归一化处理;
噪声影响程度的获取方法为:
其中,W(f)表示第f个聚类簇的噪声影响程度,表示第f个聚类簇中第i数据点对应的划分窗口的归一化灰度熵,/>表示第f个聚类簇中包含的数据点的数量。
进一步的,所述修正后灰度标准差,获取的方法如下:
式中,表示修正后灰度标准差,/>表示最大噪声影响程度,/>表示养殖场图像中第i个像素点的灰度值,/>表示养殖场图像的灰度均值,M、N分别表示养殖场图像的行数、列数。
进一步的,所述利用修正后灰度标准差对养殖场图像进行去噪处理,具体包括的步骤如下:
将修正后灰度标准差作为双边滤波的像素值权重的参数,获得改进后双边滤波,利用改进后双边滤波对养殖场图像进行去噪处理,获得去噪增强后的养殖场图像。
本发明的技术方案的有益效果是:
1.本发明根据监控视频图像中不同区域的灰度变化对图像进行自适应双边滤波去噪,在进行灰度标准差进行自适应时,通过构建灰度变化模型,对不同噪声影响水平的数据点进行聚类,使得噪声影响程度较大的区域聚为同一个聚类簇,然后再根据该聚类簇中像素点的灰度变化获得噪声影响程度。通过此方法进行去噪能够有效的滤除图像中的高斯噪声,并且保留图像的边缘信息,便于识别观察监控区域的监控目标。
2.本发明根据构建的灰度变化矩阵获得噪声影响程度时,通过均值漂移聚类算法获得噪声影响程度不同的聚类簇,但是因为均值漂移聚类算法需要对每一个数据点进行迭代,导致计算量大。因此本发明根据灰度变化矩阵中各数据点之间的变化,获得各点的相似程度,然后再进行迭代时进行数据点的合并,相当于减小了样本数量,从而减少了迭代次数,使得均值漂移聚类算法能够快速的完成大量数据点的聚类。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于图像数据的畜禽养殖场环境识别方法的步骤流程图;
图2为多个迭代层中数据的关联程度示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于图像数据的畜禽养殖场环境识别方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于图像数据的畜禽养殖场环境识别方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于图像数据的畜禽养殖场环境识别方法的步骤流程图,该方法包括以下步骤:
步骤S001,利用监控摄像头获取养殖场监控视频图像。
本实施例的主要目的是为了对养殖场中的监控视频图像进行去噪处理,因此首先需要获得监控视频图像,通常监控摄像头拍摄的监控视频会自动储存在电脑中,并且会保存数天,超过时限后会将过期视频图像自动覆盖。
当监控摄像头获取到监控视频后,通过传输线传输到监控处理系统中,在后续步骤中对获取的养殖场图像进行处理,记养殖场图像的行数、列数分别为M、N。
步骤S002,构建划分窗口并根据窗口内像素值获得灰度差异值,进一步获得数据关联程度。
本实施例是对养殖场图像进行去噪处理,养殖场监控视频画面产生噪声的主要原因是因为监控设备的长时间运行和周围环境复杂所产生的高斯白噪声,而噪声会影响对图像细节的判断,使得图像变得模糊。均值滤波、高斯滤波、低通滤波等传统的去噪算法都会存在去除噪声的同时导致图像细节的边缘变得模糊;而双边滤波算法是空间域内具有非线性特性的滤波方法,其可以实现保持边缘信息、滤除噪声的效果。但是双边滤波算法在进行去噪时,需要确定参数灰度标准差的值,其值不同去噪效果不相同,对边缘的平滑程度也不相同。灰度标准差/>越小,图像的纹理结构保留的更清晰,但噪声滤除效果差;灰度标准差/>越大,图像被平滑过渡变得很模糊,但是去噪效果较好。因此需要选择合适的灰度标准差/>,使得去噪效果较好的同时又能够保留更多图像细节信息,能够清晰的观察到监控视频画面中的目标物体。
本实施例中的监控视频图像其覆盖的范围较广,图像中包含的信息量大,因此在对其进行去噪时需要很好的保留图像的细节信息,而图像中噪声的分布是随机的,在对图像进行去噪时,是无法准确的获得每一个噪声像素点的,而是根据图像中每一个区域像素点的灰度变化来判断噪声的影响程度,然后根据每个像素点与其邻域像素点灰度的差异来计算当前像素点的可能灰度值。
首先,以步长为5,对养殖场图像从上到下,从左到右,每过5行或5列,利用划分线对养殖场图像进行划分,通过对图像进行行和列的划分,获得若干个划分窗口,记为J个;需要说明的是,当最后出现行或列上的像素点数量不足5时,将大小不足5*5的划分窗口也作为一个划分窗口进行保留,将单个划分窗口的行数、列数分别记为m、n;
对养殖场图像进行划分后,共获得U行,V列的划分窗口,其中,/>,/>表示向上取整。
然后根据每一个划分窗口内像素点的灰度值的变化计算像素点的差异,因为划分窗口内像素点灰度值的差异就表示该划分窗口内细节的变化,灰度差异越大,说明划分窗口内存在图像细节的变化或是因为噪声的影响导致的,因此养殖场图像中每个划分窗口的灰度差异值的获取方法为:
式中,、/>分别表示第j个划分窗口的行、列大小,/>表示第j个划分窗口的灰度差异值,/>表示第j个划分窗口内第i个像素点的灰度值,/>表示第j个划分窗口内的最小灰度值,第一差异/>表示第j个划分窗口中各像素点与灰度最小像素点之间的灰度差异程度;
表示第j个滑动窗口的灰度差异程度的均值。
计算灰度差异值的目的是为了描述整幅养殖场图像中个细节的边缘变化或噪声的影响水平。
最后,将每个划分窗口的灰度差异值作为一个矩阵元素,根据每个划分窗口的灰度差异值以及对应的位置,构建灰度变化矩阵,其中获得的划分窗口的行数U、列数V也表示了灰度变化矩阵的行数和列数,由灰度差异值组成的灰度变化矩阵主要是为了表示相邻区域的灰度变化,若相邻区域的变化程度越大,则说明噪声的影响程度越大。
进一步的,因为每一个划分窗口都表示局部区域的变化,因此灰度变化矩阵中每一个元素反映了灰度变化程度,将灰度变化矩阵中每一个元素都作为一个数据点,通过对灰度变化矩阵使用均值漂移算法进行聚类,将数据点均匀分布的矩阵聚为不同的聚类簇;
另外,因为均值漂移聚类算法在进行聚类的时候,以一个预设的数据点为起始点,以不断迭代增大的r为半径的圆作为圆形滑动窗口,以起始点为圆心,在每一次迭代后向更高密度区域移动,直到收敛;在每次迭代中,圆形滑动窗口通过将中心点移向窗口内点的均值来移向更高密度区域,滑动窗口内的密度与其内部点的数量成正比,通过向窗口内点的均值移动,它会逐渐移向点密度更高的区域。但是在进行移动的过程中,由于灰度变化矩阵中数据点的数值表示对应划分窗口的灰度差异值,具有一定的随机性,当存在随机噪声时,通过划分窗口内的灰度均值来确定迭代方向时,由于噪声像素点会造成局部像素区域的灰度均值增大,从而导致均值漂移中心沿着噪声影响区域的方向进行迭代,因此造成迭代方向出现错误。
为了解决该问题,不能直接根据每个划分窗口的灰度均值来确定移动方向,而是需要根据起始点的周围邻域数据的变化来确定数据迭代的方向,这样就能够避免因为噪声像素点造成的局部区域异常,使得获得的迭代方向是根据图像原本的纹理方向进行迭代的,这样分割得到的区域才会更加的准确。
则在通过均值漂移聚类算法进行数据点分割时,首先选择一个起始点,然后再根据邻域数据点之间的相关性来确定移动方向,因此需要进行路径的最优化,根据获得的灰度变化矩阵,对灰度变化矩阵中的数据点通过孤立森林算法进行分析,获得与每一个数据点相关联的数据点,然后对不同的数据点都能够获得与联系的数据点;
其原理如图2所示,b为起始数据点,为与b数据点相邻的八个数据点,若其中/>表示与其关联程度最大的数据点,那么在进行迭代的时候数据点b的下一个数据点为/>;
但是因为均值漂移聚类需要对每个数据点都进行迭代,这样就会导致迭代的次数呈指数倍的增长,计算量大。因此本实施例在进行数据迭代是通过计算相同迭代层之间的关系和与下一迭代层的数据点之间的关系来减小迭代次数。在这里相同迭代层就表示同一层的数据点,如就为同一层的数据点。
进行数据聚类的目的是为了将相似程度大的数据点放在同一聚类簇中,分析噪声的影响程度,从而来确定合适的灰度标准差参数,使得在对噪声的滤除效果更好的同时保留更多的养殖场图像中的边缘信息。在所获的灰度变化矩阵中每一个数据点都会存在相邻的八个数据点(边缘数据点除外),周围数据点的变化反映的是与中心数据点的关系,因此首先根据周围数据点的变化获得每个数据点的数据关联程度,则数据关联程度的获取方法如下:
式中,表示灰度变化矩阵中第u行、第v列的数据点与其八邻域中第t个数据点之间的数据关联程度,/>表示第u行、第v列数据点的灰度差异值,/>表示第u行、第v列数据点的八邻域中第t个数据点的值,/>表示第u行、第v列的数据点对应划分窗口的平均灰度值,/>表示第u行、第v列数据点的八邻域中第t个数据点对应划分窗口的平均灰度值,/>表示第u行、第v列的数据点对应划分窗口中灰度值的方差,/>表示第u行、第v列数据点的八邻域中第t个数据点对应滑窗的灰度方差;/>表示第二差异;表示第三差异;/>表示关联系数;exp()表示以自然常数为底的指数函数。
第二差异表示两个数据点对应灰度差异值之间的差值绝对值,因为每个数据点表示的是局部滑窗的灰度变化,其差异绝对值越小,说明对应的局部区域灰度变化越小,则这两个数据点的关系程度越大;
关联系数表示第u行、第v列数据点与其八邻域中第t个数据点对应划分窗口的灰度差异,是对数据点差异的补充,平均灰度差异越小,说明两个局部区域的像素变化相似,则在进行聚类的时候就会将其作为一个聚类簇;
第三差异表示第u行、第v列的数据点与其八邻域中第t个数据点对应的两个划分窗口中像素点灰度方差的差值绝对值,因为平均灰度值的差异无法准确的表示各像素点灰度值的变化,只能表示整体的变化程度,而灰度的方差表示的灰度的离散程度,两个划分窗口之间灰度的离散程度相似的话,则说明两个划分窗口内的灰度变化相同,即这两个划分窗口内受到噪声的影响程度相同,因此这里不仅根据灰度均值来计算两个数据点之间的关联性,还根据该数据点所在的划分窗口内的像素点的灰度变化来反映两个数据点之间的关系,那么在确定迭代方向时,能够更好的反映局部区域的灰度变化,避免了噪声像素点导致的局部区域灰度均值增大的情况。
通过计算灰度变化矩阵中数据点的关系程度来对数据点之间的关系进行划分,若两个数据点的关联程度越大,说明其是属于同一区域的像素点,因此能够对不同的划分窗口区域进行划分,则在进行均值漂移聚类时,就决定了迭代的方向。
步骤S003,利用灰度差异以及数据关联程度,结合孤立森林算法获得的迭代层之间的关系,进行数据聚类,根据聚类结果获得噪声的影响程度。
再根据邻域数据点之间的关联程度获得迭代方向,首先根据灰度差异和数据关联程度获得相同迭代层以及不同迭代层之间的关系。
因为每一个数据点就表示一个划分窗口的灰度差异值,因此对养殖场图像去噪时数据点会存在三种关系:第一种两个划分窗口的噪声的影响程度都较大,第二种是两个划分窗口都包含的边缘信息较多,第三种两个划分窗口的灰度差异值不同;因此根据相同层数据点之间的灰度差异值获得数据点的灰度特征值之间的相似性,则首先获取数据点对应划分窗口的灰度特征值的方法为:
式中,表示第u行、第v列的数据点的灰度特征值,/>表示其所在划分窗口的最大灰度值,/>表示其所在划分窗口的最小灰度值,/>表示表示第u行、第v列的数据点对应划分窗口的平均灰度值。
然后,利用灰度特征值对数据点进行第一次聚类,所述第一次聚类所用算法为层次聚类算法为,具体聚类过程为:
利用孤立森林算法的思想将灰度变化矩阵中所有数据点都记为第一迭代层,将所有数据点的八邻域数据点记为第二迭代层,以此类推,获得若干个迭代层;
计算在同一个迭代层中数据点的灰度特征值的欧式距离,将同一迭代层中数据点的灰度特征值欧式距离最小的作为一类,进行层次聚类,获得多个聚类簇,同一聚类簇中数据点的灰度特征值相近,说明对应数据点之间的相似程度较大,那么在进行后续的均值漂移聚类时就可以将其作为同一个簇内的数据点,也即迭代一次可以确定多个数据点。
不同迭代层之间的关系:计算不同迭代层之间的关系是为了确定在进行下一次迭代时不同数据点之间的关系。如图2所示,假如在进行第一迭代时,数据点与/>之间的相关性较大,将其作为同一个聚类簇进行了迭代,那么在进行下一次迭代时,/>会对应八个数据点,/>也会对应八个数据点,而与/>相似性最大的为/>,与/>相似性最大为/>,那么需要确定数据点/>与数据点/>之间的相似性,而数据点之间的相似性为/>,然后获得/>所在同一聚类簇的数据点与/>所在同一聚类簇的数据点之间的相关性。
所述的相关性的获取方法如下:
式中,表示第α个数据点与第β个数据点之间下一迭代层之间的相关性,/>表示第α个数据点对应的下一迭代层中的第/>个数据点,/>表示第β个数据点对应的下一迭代层中的第/>个数据点,z表示第α个数据点通过层次聚类后包含的数据点的个数,x表示第β个数据点通过层次聚类后包含的数据点的个数,/>表示第α个数据点对应的下一迭代层中的第/>个数据点与第β个数据点对应的下一迭代层中的第/>个数据点之间的数据关联程度;Norm[]表示线性归一化函数。
需要说明的是,任意数据点的下一迭代层的数据点,表示任意数据点的八邻域范围内的数据点。
第二次聚类:通过获取不同迭代层(即相邻迭代层)之间数据点的相关性,来确定在进行均值漂移聚类时是否能够将相邻迭代层的数据点进行合并,预设相关性阈值为0.53,当/>时,说明这两个数据点之间的相关性较大,则可以将其合并在同一个聚类簇中,实现第二次聚类,获得若干个聚类簇,聚类簇的总数量记为F。相关性阈值为经验阈值,实施者可根据不同的实施环境自行设定。
需要说明的是,由于第一次聚类是对同一迭代层的数据点进行层次聚类,聚类过程中根据像素点的灰度特征值进行聚类,因此不考虑位置关系,而在第二次聚类中是对相邻迭代层中的数据点进行聚类,相邻迭代层中数据点的关系为,下一个迭代层中的数据点是上一个迭代层中数据点的八邻域范围内的数据点。
通过获得不同迭代层数据点之间的相关性,直至遍历完灰度变化矩阵中的所有数据点,遍历完成后不同迭代层之间,数据点的聚类过程就是根据数据关联程度的均值进行合并聚类,该聚类结果就是通过均值漂移聚类算法聚类后的结果,那么聚类的结果中不同聚类簇中噪声的影响程度不同,存在聚类簇中含有的边缘信息较多,那么就可以根据聚类簇中像素点的分布来获得噪声的影响程度。
通过上述方法获得不同噪声影响程度的聚类簇,因为在进行去噪时为了能够尽可能的保留边缘信息并且有较好的去噪效果,因此对不同聚类簇进行分析,获得噪声影响程度。图像中各区域的边缘信息是连续的,而噪声是离散的,因此对每一个聚类簇中的数据点对应的划分窗口计算其灰度熵,并获取所有划分窗口的灰度熵中的最大值和最小值,利用线性归一化将所有划分窗口对应的灰度熵进行归一化处理,记为,表示第f个聚类簇中第/>数据点对应的划分窗口的归一化灰度熵;灰度熵越大的划分窗口说明其噪声的影响程度越大,然后获得该聚类簇的噪声影响程度,其获取方法如下:
其中,W(f)表示第f个聚类簇的噪声影响程度,表示第f个聚类簇中第i数据点对应的划分窗口的归一化灰度熵,/>表示第f个聚类簇中包含的数据点的数量。
至此,获得噪声影响程度。
步骤S004,根据噪声的影响程度获得自适应灰度标准差,并根据自适应灰度标准差利用双边滤波算法对监控视频图像进行去噪。
通过上述方法计算获得图像中不同聚类簇中噪声的影响程度,然后选择所有聚类簇中最大的噪声影响程度作为灰度标准差的自适应权重,获得修正后灰度标准差,具体获取方法如下:
式中,表示修正后灰度标准差,/>表示最大噪声影响程度,/>表示养殖场图像中第i个像素点的灰度值,/>表示养殖场图像的灰度均值,M、N分别表示养殖场图像的行数、列数。
通过上述方法计算获得图像噪声的影响程度下的修正后灰度标准差,将修正后灰度标准差/>作为双边滤波的像素值权重的参数,然后结合双边滤波算法对养殖场图像去噪处理,获得去噪增强后的养殖场图像,其中双边滤波算法为现有公知技术在此不再进行赘述。
根据去噪后的养殖场图像对养殖场的环境进行监测识别,去噪后养殖场图像中的噪声影响程度小,并且保留了原始图像中的细节信息,能够清楚的观测到监控视频中的实时清晰的养殖场图像。
需要说明的是,本实施例中所用的exp(-x)模型仅用于表示负相关关系和约束模型输出的结果处于区间内,具体实施时可替换成具有同样目的的其他模型,本实施例只是以exp(-x)模型为例进行叙述,不做具体限定,其中x是指该模型的输入。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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.基于图像数据的畜禽养殖场环境识别方法,其特征在于,该方法包括以下步骤:
获取养殖场图像,将养殖场图像划分为若干个划分窗口;
根据划分窗口中各个像素的灰度值与最小的灰度值的差异获得灰度差异值,根据所有划分窗口的灰度差异值构建灰度变化矩阵,将灰度变化矩阵中的元素记为数据点;
将灰度变化矩阵中任意两个相邻数据点所对应划分窗口记为相邻窗口,根据相邻窗口的灰度差异值之间的差异获得第二差异,根据相邻窗口中像素点灰度值的差异获得第三差异,将相邻窗口中像素点的灰度平均值之间的比例关系记为关联系数,根据第二差异、第三差异和关联系数获得数据关联程度;
将划分窗口中像素点灰度值的最大值和最小值之间的差值记为特征系数,将特征系数和对应划分窗口中灰度均值的乘积记为灰度特征值,利用数据点之间灰度特征值的最小欧式距离将数据点进行第一次聚类;
根据数据点之间数据关联程度获得相关性,根据数据点之间相关性的大小对数据点进行合并,实现第二次聚类;
根据每个聚类簇中所有数据点所在划分窗口的灰度熵获得对应聚类簇的噪声影响程度,利用噪声影响程度最大值对养殖场图像的灰度方差进行乘积校正获得修正后灰度标准差;
利用修正后灰度标准差对养殖场图像进行去噪处理,获得去噪增强后的养殖场图像;
其中,数据关联程度的获取方法如下:
式中,表示灰度变化矩阵中第u行、第v列的数据点与其八邻域中第t个数据点之间的数据关联程度,/>表示第u行、第v列数据点的值,/>表示第u行、第v列数据点的八邻域中第t个数据点的值,/>表示第u行、第v列的数据点对应划分窗口的平均灰度值,表示第u行、第v列数据点的八邻域中第t个数据点对应划分窗口的平均灰度值,/>表示第u行、第v列的数据点对应划分窗口中灰度值的方差,/>表示第u行、第v列数据点的八邻域中第t个数据点对应滑窗的灰度方差;/>表示第二差异;/>表示第三差异;/>表示关联系数;exp()表示以自然常数为底的指数函数;
其中,根据每个聚类簇中所有数据点所在划分窗口的灰度熵获得对应聚类簇的噪声影响程度的方法为:获取所有划分窗口的灰度熵,利用线性归一化将所有划分窗口对应的灰度熵进行归一化处理;
噪声影响程度的获取方法为:
其中,W(f)表示第f个聚类簇的噪声影响程度,表示第f个聚类簇中第i数据点对应的划分窗口的归一化灰度熵,/>表示第f个聚类簇中包含的数据点的数量。
2.根据权利要求1所述基于图像数据的畜禽养殖场环境识别方法,其特征在于,所述灰度差异值,获取的方法如下:
将划分窗口中各个像素与灰度最小值像素之间的灰度值差值记为第一差异,将划分窗口中所有像素的第一差异的均值记为灰度差异值。
3.根据权利要求1所述基于图像数据的畜禽养殖场环境识别方法,其特征在于,所述第一次聚类,具体包括的步骤如下:
利用灰度特征值对数据点进行第一次聚类,所述第一次聚类所用算法为层次聚类算法,具体聚类过程为:
利用孤立森林算法的思想将灰度变化矩阵中所有数据点都记为第一迭代层,将所有数据点的八邻域数据点记为第二迭代层,将第二迭代层的所有数据点的八邻域数据点记为第三迭代层,以此类推,获得若干个迭代层;其中,任意数据点的下一层迭代层的数据点,表示任意数据点的八邻域范围内的数据点;
计算在同一个迭代层中数据点的灰度特征值的欧式距离,将同一迭代层中数据点的灰度特征值欧式距离最小的作为一类,进行层次聚类,获得多个聚类簇。
4.根据权利要求3所述基于图像数据的畜禽养殖场环境识别方法,其特征在于,所述相关性,获取的方法如下:
相关性的获取方法如下:
式中,表示第α个数据点与第β个数据点之间下一迭代层之间的相关性,/>表示第α个数据点对应的下一迭代层中的第/>个数据点,/>表示第β个数据点对应的下一迭代层中的第/>个数据点,z表示第α个数据点通过层次聚类后包含的数据点的个数,x表示第β个数据点通过层次聚类后包含的数据点的个数,/>表示第α个数据点对应的下一迭代层中的第/>个数据点与第β个数据点对应的下一迭代层中的第/>个数据点之间的数据关联程度;Norm[]表示线性归一化函数。
5.根据权利要求3所述基于图像数据的畜禽养殖场环境识别方法,其特征在于,所述第二次聚类,获取的方法如下:
通过获取相邻迭代层之间数据点的相关性,来确定在进行均值漂移聚类时是否能够将相邻迭代层的数据点进行合并,当相关性大于预设的相关性阈值时,将其合并在同一个聚类簇中,实现第二次聚类,获得若干个聚类簇。
6.根据权利要求1所述基于图像数据的畜禽养殖场环境识别方法,其特征在于,所述修正后灰度标准差,获取的方法如下:
式中,表示修正后灰度标准差,/>表示最大噪声影响程度,/>表示养殖场图像中第i个像素点的灰度值,/>表示养殖场图像的灰度均值,M、N分别表示养殖场图像的行数、列数。
7.根据权利要求1所述基于图像数据的畜禽养殖场环境识别方法,其特征在于,所述利用修正后灰度标准差对养殖场图像进行去噪处理,具体包括的步骤如下:
将修正后灰度标准差作为双边滤波的像素值权重的参数,获得改进后双边滤波,利用改进后双边滤波对养殖场图像进行去噪处理,获得去噪增强后的养殖场图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310518231.0A CN116229335B (zh) | 2023-05-10 | 2023-05-10 | 基于图像数据的畜禽养殖场环境识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310518231.0A CN116229335B (zh) | 2023-05-10 | 2023-05-10 | 基于图像数据的畜禽养殖场环境识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116229335A CN116229335A (zh) | 2023-06-06 |
CN116229335B true CN116229335B (zh) | 2023-07-21 |
Family
ID=86573562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310518231.0A Active CN116229335B (zh) | 2023-05-10 | 2023-05-10 | 基于图像数据的畜禽养殖场环境识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116229335B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611000B (zh) * | 2023-07-17 | 2023-10-24 | 东营市恒盛农业科技有限公司 | 基于机器学习的大闸蟹养殖环境智能监测系统 |
CN117173640B (zh) * | 2023-11-02 | 2024-03-05 | 南通双和食品有限公司 | 一种肉牛温度异常检测方法 |
CN117351008B (zh) * | 2023-12-04 | 2024-03-15 | 深圳市阿龙电子有限公司 | 一种智能手机面板表面缺陷检测方法 |
CN117633554B (zh) * | 2023-12-14 | 2024-05-14 | 艾信智慧医疗科技发展(苏州)有限公司 | 医用箱式物流传输监测及预警系统 |
CN117456428B (zh) * | 2023-12-22 | 2024-03-29 | 杭州臻善信息技术有限公司 | 基于视频图像特征分析的垃圾投放行为检测方法 |
CN117522350B (zh) * | 2024-01-04 | 2024-04-26 | 深圳市毅霖建设集团有限公司 | 一种绿色建筑设计装饰工程智能管理方法及系统 |
CN117876971B (zh) * | 2024-03-12 | 2024-05-28 | 武汉同创万智数字科技有限公司 | 基于机器视觉的建筑施工安全监测及预警方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862862A (zh) * | 2022-07-11 | 2022-08-05 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 |
CN116092015A (zh) * | 2023-04-06 | 2023-05-09 | 安徽乾劲企业管理有限公司 | 一种道路施工状态监测方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3934442B2 (ja) * | 2001-03-16 | 2007-06-20 | 株式会社リコー | マスク作成方法、画像処理装置及びソフトウェアプログラム |
CN114387642A (zh) * | 2021-12-24 | 2022-04-22 | 中国农业银行股份有限公司 | 图像分割方法、装置、设备和存储介质 |
CN115082418B (zh) * | 2022-07-14 | 2022-11-04 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
CN115049835B (zh) * | 2022-08-16 | 2022-11-29 | 众烁精密模架(南通)有限公司 | 基于压铸模具缺陷识别的数据预处理方法 |
CN115115621B (zh) * | 2022-08-24 | 2022-11-11 | 聊城市泓润能源科技有限公司 | 一种基于图像处理的润滑油污染程度检测方法 |
CN115297289B (zh) * | 2022-10-08 | 2022-12-23 | 南通第二世界网络科技有限公司 | 一种监控视频高效存储方法 |
CN115314714B (zh) * | 2022-10-12 | 2023-03-28 | 南通虎神金属制品有限公司 | 一种用于焊缝图像存储的数据压缩方法 |
CN115661669B (zh) * | 2022-12-13 | 2023-03-21 | 山东省土地发展集团有限公司 | 一种基于视频监控的耕地违法占用监测方法及系统 |
CN115797343B (zh) * | 2023-02-06 | 2023-04-21 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖环境视频监控方法 |
CN115829883B (zh) * | 2023-02-16 | 2023-06-16 | 汶上县恒安钢结构有限公司 | 一种异性金属结构件表面图像去噪方法 |
CN116030034B (zh) * | 2023-02-21 | 2023-06-20 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
-
2023
- 2023-05-10 CN CN202310518231.0A patent/CN116229335B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862862A (zh) * | 2022-07-11 | 2022-08-05 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 |
CN116092015A (zh) * | 2023-04-06 | 2023-05-09 | 安徽乾劲企业管理有限公司 | 一种道路施工状态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116229335A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116229335B (zh) | 基于图像数据的畜禽养殖场环境识别方法 | |
CN110046631B (zh) | 用于自动推断时空图像的变化的系统和方法 | |
CN109740721B (zh) | 麦穗计数方法及装置 | |
CN112579823B (zh) | 基于特征融合和增量滑动窗口的视频摘要生成方法及系统 | |
CN115908371B (zh) | 基于优化分割的植物叶片病虫害程度检测方法 | |
CN115661669B (zh) | 一种基于视频监控的耕地违法占用监测方法及系统 | |
CN110991222B (zh) | 一种物体状态监测、母猪发情监测方法、装置及系统 | |
CN109389609B (zh) | 基于fart神经网络的交互自反馈红外目标检测方法 | |
CN117115210B (zh) | 基于物联网的智慧农业监控调节方法 | |
CN113470076A (zh) | 一种平养鸡舍黄羽鸡多目标跟踪方法 | |
CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
CN114627406A (zh) | 一种人群快速聚集行为的识别方法、系统、设备及介质 | |
CN115861721A (zh) | 基于图像数据的畜禽养殖喷雾设备状态识别方法 | |
CN115471871A (zh) | 一种基于目标检测和分类网络的麻鸭性别分类识别方法 | |
Muñoz-Benavent et al. | Impact evaluation of deep learning on image segmentation for automatic bluefin tuna sizing | |
CN116612389B (zh) | 一种建筑施工进度管理方法及系统 | |
CN116993947B (zh) | 一种三维场景可视化展示方法及系统 | |
CN117789037A (zh) | 作物生长期预测方法及装置 | |
CN117253192A (zh) | 用于桑蚕养殖的智能系统及方法 | |
CN117292137A (zh) | 一种航拍遥感影像优化分割处理方法 | |
CN116206208B (zh) | 一种基于人工智能的林业病虫害快速分析系统 | |
CN116912265A (zh) | 一种遥感图像分割方法和系统 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
CN115761647A (zh) | 基于计算机视觉的变电站内物体运动轨迹检测方法及系统 | |
CN116363344A (zh) | 基于改进YOLOv5s的小麦小穗计数方法和系统 |
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 |