CN116563326A - 一种面向果蔬分选设备的多目标图像分割方法 - Google Patents
一种面向果蔬分选设备的多目标图像分割方法 Download PDFInfo
- Publication number
- CN116563326A CN116563326A CN202310473033.7A CN202310473033A CN116563326A CN 116563326 A CN116563326 A CN 116563326A CN 202310473033 A CN202310473033 A CN 202310473033A CN 116563326 A CN116563326 A CN 116563326A
- Authority
- CN
- China
- Prior art keywords
- target
- pixel point
- fruit
- target cluster
- equal
- 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
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 63
- 235000012055 fruits and vegetables Nutrition 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 31
- 125000004122 cyclic group Chemical group 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000003086 colorant Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 25
- 235000005976 Citrus sinensis Nutrition 0.000 description 8
- 240000002319 Citrus sinensis Species 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000000605 extraction Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向果蔬分选设备的多目标图像分割方法,通过分析图像中在非背景区域的像素点与目标聚类中心点之间的色差和距离来构建果蔬分选多目标图像分割目标函数,以图像中某个像素点的位置属于不同目标聚类的隶属度取值和该像素点的颜色属于不同目标聚类的隶属度取值的和取最大值来决定归属对应目标聚类的集合,从而根据不同目标聚类的集合对图像进行分割。
Description
技术领域
本发明属于果蔬采后分选技术领域,具体涉及通过针对果蔬分选设备中球状果实图像的像素点与目标聚类中心的距离和色差来分析关于位置和颜色的隶属度从而完成对果蔬分选设备中图像进行多目标图像分割。
背景技术
当前图像处理在果蔬分选设备中所发挥的作用日益明显,而图像处理中许多至关重要的后续任务,如特征提取、图像分析、模式识别、图像理解等都是基于图像分割技术的操作,可见作为图像处理过程中一个重要中间步骤的图像分割技术,对图像处理识别结果具有重要影响。在果蔬采后分选过程中,由于受外部多种因素的影响,图像会因受到干扰或污染而模糊,从而难以准确地划分图像区域。如何正确地分割目标区域和背景区域成为图像分割技术中的一大难题,为此,可引入了模糊理论来攻克这个难题。用模糊方式考虑区域性质时,能更好地应对不同噪声图像的分割,允许图像在一定程度上存在一些内在的模糊性。模糊C均值聚类算法主要是以模糊集合理论和统计学原理为理论基础,同时融合聚类思想,可通过反复迭代来实现最优解的求解,是模糊算法的典型代表。
LAB颜色模型是目前色域最宽的色彩空间,可以用数字化的方式描述人的视觉感应,从而在计算机视觉中广泛应用。Lab颜色模型中的L分量用于表示像素的亮度,取值范围是[0,100],表示从纯黑到纯白;A分量表示从红色到绿色的范围,其颜色是从深绿色(低亮度值)到灰色(中亮度值)再到亮粉红色(高亮度值),取值范围是[127,-128];B分量表示从黄色到蓝色的范围,其颜色从亮蓝色(低亮度值)到灰色(中亮度值)再到黄色(高亮度值),取值范围是[127,-128]。
发明内容
本发明的目的在于通过分析球状果实图像中在非背景区域的像素点与目标聚类中心点之间的色差和距离来构建果蔬分选多目标图像分割目标函数,以当果蔬分选多目标图像分割目标函数存在极小值时给出某个像素点的位置或颜色属于某个目标聚类的隶属度取值以及不同目标聚类中心点的位置取值,从而实现对果蔬分选设备中的图像进行多目标图像分割。
按照本发明如图1中所提供的设计方案,一种面向果蔬分选设备的多目标图像分割方法,包含如下步骤:
步骤1,在果蔬分选设备中需进行多目标图像分割的图像中,通过某个像素点在非背景区域且在某个目标聚类中心的限定区域半径内的条件下与该目标聚类的目标聚类中心点之间距离加权平方和该像素点在非背景区域且在某个目标聚类中心的限定区域半径外的条件下与该目标聚类的目标聚类中心点之间色差加权平方在不同目标聚类到不同像素点之和,其中加权系数分别为某个像素点的位置属于某个目标聚类的隶属度和某个像素点的颜色属于某个目标聚类的隶属度,以及该像素点在背景区域且周边邻近像素点存在位于非背景区域的条件下与该目标聚类的目标聚类中心点的距离平方与该目标聚类的限定区域半径平方之间差异值在不同像素点之和来构建果蔬分选多目标图像分割目标函数;
步骤2,给出当果蔬分选多目标图像分割目标函数对于某个像素点的位置属于某个目标聚类的隶属度存在极小值时该像素点的位置属于该目标聚类的隶属度取值以及当果蔬分选多目标图像分割目标函数对于某个像素点的的颜色属于某个目标聚类的隶属度存在极小值时该像素点的颜色属于该目标聚类的隶属度取值;
步骤3,给出当果蔬分选多目标图像分割目标函数对于某个目标聚类中心点的位置存在极小值时该目标聚类中心点的位置取值;
步骤4,将步骤2中不同循环迭代次数时不同像素点的位置属于不同目标聚类的隶属度取值、不同像素点的颜色属于不同目标聚类的隶属度取值以及步骤3中不同目标聚类中心点的位置取值引入果蔬分选多目标图像分割循环迭代过程,若循环迭代误差值小于等于循环迭代误差门限则结束;
步骤5,对于图像中某个在非背景区域像素点来说,以步骤4中所述果蔬分选多目标图像分割循环迭代过程结束时该像素点的位置属于不同目标聚类的隶属度取值和该像素点的颜色属于不同目标聚类的隶属度取值的和取最大值来决定归属对应目标聚类的集合,从而根据不同目标聚类的集合对图像进行分割;
优选的,步骤1中具体包括:
当对果蔬分选设备中需进行多目标图像分割的图像中包含K个果蔬目标进行目标聚类时,设对于该图像中位置为(i,j)的像素点可给出对于LAB颜色模型的颜色为(li,j,ai,j,bi,j),设对于该图像中第k个目标聚类的目标聚类中心点的位置为(mk,nk)且该目标聚类中心点对于LAB颜色模型的颜色为(lk,ak,bk),且1≤k≤K,设μk,i,j为像素点(i,j)的位置属于第k个目标聚类的隶属度,且在该目标聚类中满足归一化条件设ωk,i,j为位置为(i,j)的像素点的颜色属于第k个目标聚类的隶属度,且在该目标聚类中满足归一化条件/>其中,设H为判断函数,若H函数内条件成立则为1,若H函数内条件不成立为0,Φ为图像中背景区域的颜色集合,Rk为第k个目标聚类的限定区域半径,/>为存在符号,(i-,j-)为位置为(i,j)的像素点的周边邻近像素点的位置,ξ,ζ皆为拉格朗日乘子,I,J分别为像素点在图像中最大横坐标取值和最大纵坐标取值,且1≤i≤I及1≤j≤J,则通过位置为(i,j)的像素点在/>且/>的条件下与第k个目标聚类的目标聚类中心点之间距离加权平方和位置为(i,j)的像素点的颜色(li,j,ai,j,bi,j)在且/>的条件下与第k个目标聚类的目标聚类中心点的颜色(lk,ak,bk)之间色差加权平方在K个目标聚类到I×J个像素点之和,以及位置为(i,j)的像素点在(li,j,ai,j,bi,j)∈Φ且存在/>的条件下与第k个目标聚类的目标聚类中心点的距离平方与所在目标聚类的限定区域半径平方之间差异值在I×J个像素点之和来构建果蔬分选多目标图像分割目标函数G,具体形式如下:
优选的,步骤2中计算所述当果蔬分选多目标图像分割目标函数对于某个像素点的位置属于某个目标聚类的隶属度存在极小值时该像素点的位置属于该目标聚类的隶属度取值的具体方法为:
1)给出果蔬分选多目标图像分割目标函数G对像素点(i,j)的位置属于第k个目标聚类的隶属度μk,i,j的一阶偏导数具体形式如下:
2)给出果蔬分选多目标图像分割目标函数G对像素点(i,j)的位置属于第k个目标聚类的隶属度μk,i,j的二阶偏导数具体形式如下:
3)当为零时,可给出以拉格朗日乘子ξ为自变量时的因变量μk,i,j形式,具体形式如下:
4)当存在时,可给出此时的拉格朗日乘子ξ,具体形式如下:
5)在大于零且/>为零时,可给G对μk,i,j取极小值时μk,i,j的取值,具体形式如下:
优选的,步骤2中计算所述当果蔬分选多目标图像分割目标函数对于某个像素点的颜色属于某个目标聚类的隶属度存在极小值时该像素点的颜色属于该目标聚类的隶属度取值的具体方法为:
1)给出果蔬分选多目标图像分割目标函数G对像素点(i,j)的颜色(li,j,ai,j,bi,j)属于第k个目标聚类的隶属度ωk,i,j的一阶偏导数具体形式如下:
2)给出果蔬分选多目标图像分割目标函数G对像素点(i,j)的颜色(li,j,ai,j,bi,j)属于第k个目标聚类的隶属度ωk,i,j的二阶偏导数具体形式如下:
3)当为零时,可给出以拉格朗日乘子ζ为自变量时的因变量ωk,i,j形式,具体形式如下:
4)当存在时,可给出此时的拉格朗日乘子ξ,具体形式如下:
5)在大于零且/>为零时,可给G对ωk,i,j取极小值时ωk,i,j的取值,具体形式如下:
优选的,步骤3中计算所述当果蔬分选多目标图像分割目标函数对于某个目标聚类中心点的位置存在极小值时该目标聚类中心点的位置取值的具体方法为:
1)分别给出果蔬分选多目标图像分割目标函数G对第k个目标聚类中心点的位置(mk,nk)的一阶偏导数和/>其中考虑到H为判断函数而作为对图像中参与计算的像素点的限制条件使用,故不需要对H内的mk,nk进行求导运算,具体形式如下:
2)分别给出果蔬分选多目标图像分割目标函数G对第k个目标聚类中心点的位置(mk,nk)的二阶偏导数和/>具体形式如下:
3)在和/>大于零且/>和/>为零时,分别给出G对mk和nk取极小值时mk和nk的取值,具体形式如下:
优选的,步骤4中所述果蔬分选多目标图像分割循环迭代过程具体包括如下3个步骤:
1)初始化过程,将循环迭代次数t设为零,设定图像中背景区域的颜色集合Φ,设定K为图像中非背景区域的圆环数量,设置循环迭代次数t为零时的第k个目标聚类中心点位置(mk(t=0),nk(t=0))为所述圆环中心像素点的位置且该目标聚类中心点的颜色为(lk(t=0),ak(t=0),bk(t=0)),设置循环迭代次数t为零时的像素点(i,j)的位置属于第k个目标聚类的隶属度μk,i,j(t=0)和位置为(i,j)的像素点的颜色属于第k个目标聚类的隶属度ωk,i,j(t=0)皆设置为1/K,其中1≤k≤K、1≤i≤I及1≤j≤J;
2)将循环迭代次数t加1,由步骤2中G对μk,i,j取极小值时μk,i,j的取值具体形式计算出μk,i,j(t),由步骤2中G对ωk,i,j取极小值时ωk,i,j的取值具体形式计算出ωk,i,j(t),在设置H函数内的mk,nk分别为mk(t-1),nk(t-1)的状况下将μk,i,j(t)和ωk,i,j(t)代入步骤3中G对mk和nk取极小值时mk和nk的取值具体形式计算出mk(t)和nk(t);
3)计算循环迭代误差值若ε(t)小于等于循环迭代误差门限εT则结束,否则进入2);
优选的,步骤5中具体包括:
1)统计步骤4中所述果蔬分选多目标图像分割循环迭代过程结束时对于图像中满足条件下像素点(i,j)对于不同k的μk,i,j(t)和ωk,i,j(t);
2)对于满足条件下的像素点(i,j),设像素点(i,j)应归属的目标聚类编号χ(i,j)为/>时对应的k值,并将该像素点(i,j)加入集合Θk|k=χ(i,j),其中,1≤k≤K、1≤i≤I及1≤j≤J
3)根据不同k的Θk对图像进行分割,其中,1≤k≤K。
附图说明
图1:面向果蔬分选设备的多目标图像分割步骤图;
图2:在不同循环迭代次数下的循环迭代误差值状况图。
具体实施方式
以下将对果蔬分选设备输出分选过程中甜橙图像进行多目标图像分割的具体实施例对本发明提供的技术方案进行详细说明,具体包括以下内容:
步骤1中具体包括:
设某张果蔬分选设备中需进行多目标图像分割的甜橙图像中包含K个甜橙目标,当对该张甜橙图像进行目标聚类时,设对于该图像中位置为(i,j)的像素点可给出对于LAB颜色模型的颜色为(li,j,ai,j,bi,j),设对于该图像中第k个目标聚类的目标聚类中心点的位置为(mk,nk)且该目标聚类中心点对于LAB颜色模型的颜色为(lk,ak,bk),且1≤k≤K,设μk,i,j为像素点(i,j)的位置属于第k个目标聚类的隶属度,且在该目标聚类中满足归一化条件设ωk,i,j为位置为(i,j)的像素点的颜色属于第k个目标聚类的隶属度,且在该目标聚类中满足归一化条件/>其中,设H为判断函数,若H函数内条件成立则为1,若H函数内条件不成立为0,Φ为图像中背景区域的颜色集合,Rk为第k个目标聚类的限定区域半径,/>为存在符号,(i-,j-)为位置为(i,j)的像素点的周边邻近像素点的位置,ξ,ζ皆为拉格朗日乘子,I,J分别为像素点在图像中最大横坐标取值和最大纵坐标取值,且1≤i≤I及1≤j≤J,则可构建果蔬分选多目标图像分割目标函数G,具体形式如下:
步骤2:
在大于零且/>为零时,可给G对μk,i,j取极小值时μk,i,j的取值,具体形式如下:
在大于零且/>为零时,可给G对ωk,i,j取极小值时ωk,i,j的取值,具体形式如下:
步骤3:
在和/>大于零且/>和/>为零时,分别给出G对mk和nk取极小值时mk和nk的取值,具体形式如下:
步骤4:
1)初始化过程,将循环迭代次数t设为零,设该张甜橙图像的分辨率为1200x840,设将果蔬分选设备中空闲时白色加入背景区域的颜色集合Φ,设定图像中为橙黄至橙红色的非背景区域的完整或部分圆环共计数量K为9,设置循环迭代次数t为零时的第k个目标聚类中心点位置(mk(t=0),nk(t=0))为所述圆环中心像素点的位置且该目标聚类中心点的颜色为(lk(t=0),ak(t=0),bk(t=0)),可通过与PANTONE国际色卡进行比较可以给出LAB的取值,设置循环迭代次数t为零时的像素点(i,j)的位置属于第k个目标聚类的隶属度μk,i,j(t=0)和位置为(i,j)的像素点的颜色属于第k个目标聚类的隶属度ωk,i,j(t=0)皆设置为1/K,其中I=1200、J=840;
2)将循环迭代次数t加1,由步骤2中G对μk,i,j取极小值时μk,i,j的取值具体形式计算出μk,i,j(t),由步骤2中G对ωk,i,j取极小值时ωk,i,j的取值具体形式计算出ωk,i,j(t),在设置H函数内的mk,nk分别为mk(t-1),nk(t-1)的状况下将μk,i,j(t)和ωk,i,j(t)代入步骤3中G对mk和nk取极小值时mk和nk的取值具体形式计算出mk(t)和nk(t);
3)计算循环迭代误差值若ε(t)小于等于循环迭代误差门限εT则结束,其中考虑到图像的分辨率为1200x840则根据图像中像素状况来每个目标聚类中心点的位置平均波动状况,则所述εT设置为5可基本满足循环迭代收敛情形,否则进入2);
设从图2中给出了针对该张甜橙图像使用所述果蔬分选多目标图像分割循环迭代过程在不同循环迭代次数下的循环迭代误差值。在图2中可以发现在迭代次数为22、23和25时循环迭代误差值分别为4.77、4.3和4.88,皆低于所述εT,此时已到达一个误差平台,可见此时迭代次数取22时可满足限制条件。在图2中,通过步骤4中不断循环迭代从而使得不同目标聚类中心点的位置更为清晰和聚焦,同时通过各个像素点的位置属于某个目标聚类的隶属度和各个像素点的颜色属于某个目标聚类的隶属度不断分化,使得某个素点的位置属于某个目标聚类的隶属度和该像素点的颜色属于该目标聚类的隶属度之和不断提升,从而明确该像素点的位置应属于哪个目标聚类;
步骤5:
1)统计步骤4中所述果蔬分选多目标图像分割循环迭代过程结束时对于图像中满足条件下像素点(i,j)对于不同k的μk,i,j(t)和ωk,i,j(t);
2)对于满足条件下的像素点(i,j),设像素点(i,j)应归属的目标聚类编号χ(i,j)为/>时对应的k值,并将该像素点(i,j)加入集合Θk|k=χ(i,j),其中,1≤k≤K、1≤i≤I及1≤j≤J;
3)根据不同k的Θk对图像进行分割,其中,1≤k≤K,若某个Θk中元素较少则可知该集合Θk对应的甜橙应被邻近甜橙有所遮挡,可见图像分割中可对其重叠边缘进行更为细致地区分以提高分割精度,若存在另一个Θk中元素极少或无则可知此集合Θk应该没有对应的甜橙且可删除此集合Θk,从而完成对果蔬分选设备输出分选过程中甜橙图像进行多目标图像分割。
本实施例中未明确的部分均可用现有技术加以实现。
对于本领域的普通技术人员而言,根据本发明的教导,在不脱离本发明的原理与精神的情况下,对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。
Claims (7)
1.一种面向果蔬分选设备的多目标图像分割方法,其特征在于,包括以下步骤:
步骤1,在果蔬分选设备中需进行多目标图像分割的图像中,通过某个像素点在非背景区域且在某个目标聚类中心的限定区域半径内的条件下与该目标聚类的目标聚类中心点之间距离加权平方和该像素点在非背景区域且在某个目标聚类中心的限定区域半径外的条件下与该目标聚类的目标聚类中心点之间色差加权平方在不同目标聚类到不同像素点之和,其中加权系数分别为某个像素点的位置属于某个目标聚类的隶属度和某个像素点的的颜色属于某个目标聚类的隶属度,以及该像素点在背景区域且周边邻近像素点存在位于非背景区域的条件下与该目标聚类的目标聚类中心点的距离平方与该目标聚类的限定区域半径平方之间差异值在不同像素点之和来构建果蔬分选多目标图像分割目标函数;
步骤2,给出当果蔬分选多目标图像分割目标函数对于某个像素点的位置属于某个目标聚类的隶属度存在极小值时该像素点的位置属于该目标聚类的隶属度取值以及当果蔬分选多目标图像分割目标函数对于某个像素点的的颜色属于某个目标聚类的隶属度存在极小值时该像素点的颜色属于该目标聚类的隶属度取值;
步骤3,给出当果蔬分选多目标图像分割目标函数对于某个目标聚类中心点的位置存在极小值时该目标聚类中心点的位置取值;
步骤4,将步骤2中不同循环迭代次数时不同像素点的位置属于不同目标聚类的隶属度取值、不同像素点的颜色属于不同目标聚类的隶属度取值以及步骤3中不同目标聚类中心点的位置取值引入果蔬分选多目标图像分割循环迭代过程,若循环迭代误差值小于等于循环迭代误差门限则结束;
步骤5,对于图像中某个在非背景区域像素点来说,以步骤4中所述果蔬分选多目标图像分割循环迭代过程结束时该像素点的位置属于不同目标聚类的隶属度取值和该像素点的颜色属于不同目标聚类的隶属度取值的和取最大值来决定归属对应目标聚类的集合,从而根据不同目标聚类的集合对图像进行分割。
2.根据权利要求1所述的一种面向果蔬分选设备的多目标图像分割方法,其特征在于,所述步骤1具体包括:
当对果蔬分选设备中需进行多目标图像分割的图像中包含K个果蔬目标进行目标聚类时,设对于该图像中位置为(i,j)的像素点可给出对于LAB颜色模型的颜色为(li,j,ai,j,bi,j),设对于该图像中第k个目标聚类的目标聚类中心点的位置为(mk,nk)且该目标聚类中心点对于LAB颜色模型的颜色为(lk,ak,bk),且1≤k≤K,设μk,i,j为像素点(i,j)的位置属于第k个目标聚类的隶属度,且在该目标聚类中满足归一化条件设ωk,i,j为位置为(i,j)的像素点的颜色属于第k个目标聚类的隶属度,且在该目标聚类中满足归一化条件其中,设H为判断函数,若H函数内条件成立则为1,若H函数内条件不成立为0,Φ为图像中背景区域的颜色集合,Rk为第k个目标聚类的限定区域半径,/>为存在符号,(i-,j-)为位置为(i,j)的像素点的周边邻近像素点的位置,ξ,ζ皆为拉格朗日乘子,I,J分别为像素点在图像中最大横坐标取值和最大纵坐标取值,且1≤i≤I及1≤j≤J,则通过位置为(i,j)的像素点在/>且/>的条件下与第k个目标聚类的目标聚类中心点之间距离加权平方和位置为(i,j)的像素点的颜色(li,j,ai,j,bi,j)在且/>的条件下与第k个目标聚类的目标聚类中心点的颜色(lk,ak,bk)之间色差加权平方在K个目标聚类到I×J个像素点之和,以及位置为(i,j)的像素点在(li,j,ai,j,bi,j)∈Φ且存在/>的条件下与第k个目标聚类的目标聚类中心点的距离平方与所在目标聚类的限定区域半径平方之间差异值在I×J个像素点之和来构建果蔬分选多目标图像分割目标函数G,具体形式如下:
3.根据权利要求1所述的一种面向果蔬分选设备的多目标图像分割方法,其特征在于,步骤2中计算所述当果蔬分选多目标图像分割目标函数对于某个像素点的位置属于某个目标聚类的隶属度存在极小值时该像素点的位置属于该目标聚类的隶属度取值的具体方法为:
1)给出果蔬分选多目标图像分割目标函数G对像素点(i,j)的位置属于第k个目标聚类的隶属度μk,i,j的一阶偏导数具体形式如下:
2)给出果蔬分选多目标图像分割目标函数G对像素点(i,j)的位置属于第k个目标聚类的隶属度μk,i,j的二阶偏导数具体形式如下:
3)当为零时,可给出以拉格朗日乘子ξ为自变量时的因变量μk,i,j形式,具体形式如下:
4)当存在时,可给出此时的拉格朗日乘子ξ,具体形式如下:
5)在大于零且/>为零时,可给G对μk,i,j取极小值时μk,i,j的取值,具体形式如下:
4.根据权利要求1所述的一种面向果蔬分选设备的多目标图像分割方法,其特征在于,步骤2中计算所述当果蔬分选多目标图像分割目标函数对于某个像素点的颜色属于某个目标聚类的隶属度存在极小值时该像素点的颜色属于该目标聚类的隶属度取值的具体方法为:
1)给出果蔬分选多目标图像分割目标函数G对像素点(i,j)的颜色(li,j,ai,j,bi,j)属于第k个目标聚类的隶属度ωk,i,j的一阶偏导数具体形式如下:
2)给出果蔬分选多目标图像分割目标函数G对像素点(i,j)的颜色(li,j,ai,j,bi,j)属于第k个目标聚类的隶属度ωk,i,j的二阶偏导数具体形式如下:
3)当为零时,可给出以拉格朗日乘子ζ为自变量时的因变量ωk,i,j形式,具体形式如下:
4)当存在时,可给出此时的拉格朗日乘子ξ,具体形式如下:
5)在大于零且/>为零时,可给G对ωk,i,j取极小值时ωk,i,j的取值,具体形式如下:
5.根据权利要求1所述的一种面向果蔬分选设备的多目标图像分割方法,其特征在于,步骤3中计算所述当果蔬分选多目标图像分割目标函数对于某个目标聚类中心点的位置存在极小值时该目标聚类中心点的位置取值的具体方法为:
1)分别给出果蔬分选多目标图像分割目标函数G对第k个目标聚类中心点的位置(mk,nk)的一阶偏导数和/>其中考虑到H为判断函数而作为对图像中参与计算的像素点的限制条件使用,故不需要对H内的mk,nk进行求导运算,具体形式如下:
2)分别给出果蔬分选多目标图像分割目标函数G对第k个目标聚类中心点的位置(mk,nk)的二阶偏导数和/>具体形式如下:
3)在和/>大于零且/>和/>为零时,分别给出G对mk和nk取极小值时mk和nk的取值,具体形式如下:
6.根据权利要求1所述的一种面向果蔬分选设备的多目标图像分割方法,其特征在于,步骤4中所述果蔬分选多目标图像分割循环迭代过程具体包括如下3个步骤:
1)初始化过程,将循环迭代次数t设为零,设定图像中背景区域的颜色集合Φ,设定K为图像中非背景区域的圆环数量,设置循环迭代次数t为零时的第k个目标聚类中心点位置(mk(t=0),nk(t=0))为所述圆环中心像素点的位置且该目标聚类中心点的颜色为(lk(t=0),ak(t=0),bk(t=0)),设置循环迭代次数t为零时的像素点(i,j)的位置属于第k个目标聚类的隶属度μk,i,j(t=0)和位置为(i,j)的像素点的颜色属于第k个目标聚类的隶属度ωk,i,j(t=0)皆设置为1/K,其中1≤k≤K、1≤i≤I及1≤j≤J;
2)将循环迭代次数t加1,由所述G对μk,i,j取极小值时μk,i,j的取值具体形式计算出μk,i,j(t),由所述G对ωk,i,j取极小值时ωk,i,j的取值具体形式计算出ωk,i,j(t),在设置H函数内的mk,nk分别为mk(t-1),nk(t-1)的状况下将μk,i,j(t)和ωk,i,j(t)代入所述G对mk和nk取极小值时mk和nk的取值具体形式计算出mk(t)和nk(t);
3)计算循环迭代误差值若ε(t)小于等于循环迭代误差门限εT则结束,否则进入2)。
7.根据权利要求1所述的一种面向果蔬分选设备的多目标图像分割方法,其特征在于,步骤5中具体包括:
1)统计所述果蔬分选多目标图像分割循环迭代过程结束时对于图像中满足条件下像素点(i,j)对于不同k的μk,i,j(t)和ωk,i,j(t);
2)对于满足条件下的像素点(i,j),设像素点(i,j)应归属的目标聚类编号/>时对应的k值,并将该像素点(i,j)加入集合Θk|k=χ(i,j),其中,1≤k≤K、1≤i≤I及1≤j≤J
3)根据不同k的Θk对图像进行分割,其中,1≤k≤K。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310473033.7A CN116563326A (zh) | 2023-04-28 | 2023-04-28 | 一种面向果蔬分选设备的多目标图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310473033.7A CN116563326A (zh) | 2023-04-28 | 2023-04-28 | 一种面向果蔬分选设备的多目标图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116563326A true CN116563326A (zh) | 2023-08-08 |
Family
ID=87485471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310473033.7A Pending CN116563326A (zh) | 2023-04-28 | 2023-04-28 | 一种面向果蔬分选设备的多目标图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563326A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018036462A1 (zh) * | 2016-08-22 | 2018-03-01 | 腾讯科技(深圳)有限公司 | 图像分割的方法、计算机设备及存储介质 |
CN108734710A (zh) * | 2018-06-14 | 2018-11-02 | 厦门理工学院 | 一种智能果蔬挑选方法 |
CN110264471A (zh) * | 2019-05-21 | 2019-09-20 | 深圳壹账通智能科技有限公司 | 一种图像分割方法、装置、存储介质及终端设备 |
CN110624845A (zh) * | 2019-10-23 | 2019-12-31 | 临海市利农机械有限公司 | 一种用于果蔬分选的稳定筛分装置 |
CN114792415A (zh) * | 2022-04-25 | 2022-07-26 | 中国第一汽车股份有限公司 | 目标图像的信息提取方法及装置、车辆设备、存储介质 |
CN115205310A (zh) * | 2022-07-04 | 2022-10-18 | 厦门大学 | 一种图像分割方法及系统 |
CN115294158A (zh) * | 2022-09-26 | 2022-11-04 | 江苏万森绿建装配式建筑有限公司 | 一种基于机器视觉的热连轧带钢图像分割方法 |
-
2023
- 2023-04-28 CN CN202310473033.7A patent/CN116563326A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018036462A1 (zh) * | 2016-08-22 | 2018-03-01 | 腾讯科技(深圳)有限公司 | 图像分割的方法、计算机设备及存储介质 |
CN108734710A (zh) * | 2018-06-14 | 2018-11-02 | 厦门理工学院 | 一种智能果蔬挑选方法 |
CN110264471A (zh) * | 2019-05-21 | 2019-09-20 | 深圳壹账通智能科技有限公司 | 一种图像分割方法、装置、存储介质及终端设备 |
CN110624845A (zh) * | 2019-10-23 | 2019-12-31 | 临海市利农机械有限公司 | 一种用于果蔬分选的稳定筛分装置 |
CN114792415A (zh) * | 2022-04-25 | 2022-07-26 | 中国第一汽车股份有限公司 | 目标图像的信息提取方法及装置、车辆设备、存储介质 |
CN115205310A (zh) * | 2022-07-04 | 2022-10-18 | 厦门大学 | 一种图像分割方法及系统 |
CN115294158A (zh) * | 2022-09-26 | 2022-11-04 | 江苏万森绿建装配式建筑有限公司 | 一种基于机器视觉的热连轧带钢图像分割方法 |
Non-Patent Citations (1)
Title |
---|
陈科尹 等: "基于视觉显著性改进的水果图像模糊聚类分割算法", 农业工程学报, vol. 29, no. 6, 31 March 2013 (2013-03-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108761B (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
Waghmare et al. | Detection and classification of diseases of grape plant using opposite colour local binary pattern feature and machine learning for automated decision support system | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
Vandenbroucke et al. | Color image segmentation by pixel classification in an adapted hybrid color space. Application to soccer image analysis | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN108319973B (zh) | 一种树上柑橘果实检测方法 | |
US6272250B1 (en) | Color clustering for scene change detection and object tracking in video sequences | |
CN110298297B (zh) | 火焰识别方法和装置 | |
CN115249246B (zh) | 一种光学玻璃表面缺陷检测方法 | |
WO2003021533A9 (en) | Color image segmentation in an object recognition system | |
CN107180439B (zh) | 一种基于Lab色度空间的色偏特征提取和色偏检测方法 | |
Chen et al. | Skin color modeling for face detection and segmentation: a review and a new approach | |
CN110046565B (zh) | 一种基于Adaboost算法的人脸检测方法 | |
Mythili et al. | Color image segmentation using ERKFCM | |
CN110619336B (zh) | 基于图像处理的货品识别算法 | |
Chen et al. | Adaptive fuzzy color segmentation with neural network for road detections | |
Saidane et al. | Robust binarization for video text recognition | |
Raval et al. | Color image segmentation using FCM clustering technique in RGB, L* a* b, HSV, YIQ color spaces | |
Septiarini et al. | Image processing techniques for tomato segmentation applying k-means clustering and edge detection approach | |
CN113744326A (zh) | 一种在ycrcb颜色空间中基于种子区域生长法则的火灾检测方法 | |
Jaffar et al. | Fuzzy c-means clustering with spatial information for color image segmentation | |
Conci et al. | Comparing Color and Texture-Based Algorithms for Human Skin Detection. | |
CN117036314A (zh) | 一种高密度柔性ic基板氧化区域检测方法 | |
CN116563326A (zh) | 一种面向果蔬分选设备的多目标图像分割方法 | |
Abdullah et al. | Intelligent segmentation of fruit images using an integrated thresholding and adaptive K-means method (TsNKM) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 341600 No. 9, Shuanglong Avenue, High tech Zone, Xinfeng County, Ganzhou, Jiangxi Province Applicant after: Lvmeng Technology Co.,Ltd. Address before: No. 30, Chengxin Avenue, Xinfeng Industrial Park, Ganzhou City, Jiangxi Province, 341600 Applicant before: JIANGXI REEMOON TECHNOLOGY HOLDINGS Co.,Ltd. |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |