CN116596428A - 一种基于无人机的乡村物流智能配送系统 - Google Patents

Abstract

本发明涉及图像滤波技术领域，具体涉及一种基于无人机的乡村物流智能配送系统。该系统通过对平滑后的实景灰度图像中每个像素点构建图像块，并根据图像块的灰度值变化程度排序获得均匀度序列；根据图像块间的灰度波动差异获得图像块间的相似度，进一步结合均匀度序列顺序获取每个图像块的相似度集合，通过相似度集合的重合程度获得聚簇集合，根据聚簇的序号和大小获得最终聚簇；最终根据最终聚簇中图像块灰度波动程度获得噪声估测值得到噪声抑制因子，优化维纳滤波获得清晰实景图片，完成配送规划。本发明通过对图像分析，更准确的评估了图像受噪声影响程度，获得清晰的滤波图像，提高滤波性能，保障安全配送。

Description

一种基于无人机的乡村物流智能配送系统

技术领域

本发明涉及图像滤波技术领域，具体涉及一种基于无人机的乡村物流智能配送系统。

背景技术

作为实现乡村产业结构性转变、推进乡村消费升级的先导性产业，乡村物流是乡村的中坚力量。近年来，随着无人机相关技术的成熟，航程不断增加，使用成本逐渐降低，凭借其超高机动性，可以不受地形影响，补全乡村物流缺口。无人机物流配送过程中最大的问题在于运送安全性，包括物流货物的安全、无人机安全、行人安全、公共设施安全等。在无人机利用摄像头感知障碍物阶段，信号干扰会使无人机障碍物感知系统采集的图像数据存在大量噪声，严重影响障碍物识别。

由于信号干扰使得的图像数据中存在频繁且复杂的白噪声，为了更好的对图像数据进行滤波预处理，选择对于白噪声的滤波处理效果最好维纳滤波，但由于维纳滤波中需要一定观测数据来估测图像信噪比以确定噪声抑制因子，但物流无人机每次实时飞行的路径均不同，无法提前获取先验数据得到实景图像的信噪比，现有技术中也没有对多元素图像的受噪声影响程度的考虑分析，使图像的滤波效果不佳，影响无人机的安全配送。

发明内容

为了解决现有技术中对无法提前获取信噪比，使图像滤波效果不佳的技术问题，本发明的目的在于提供一种基于无人机的乡村物流智能配送系统，所采用的技术方案具体如下：

本发明提供了一种基于无人机的乡村物流智能配送系统，所述系统包括：

数据获取模块，用于获取实景灰度图像，以平滑处理后的所述实景灰度图像中每个像素点为中心构建预设尺寸大小的图像块；根据每个所述图像块中灰度值的变化程度对图像块排序获得均匀度序列；

图像块聚簇模块，用于根据图像块之间的灰度波动差异，获得图像块之间的相似度；根据所述均匀度序列中每个图像块与对应后序所有图像块之间的相似度，获得每个图像块的相似度集合；根据图像块的所述相似度集合间的重合程度对图像块进行分类获得聚簇集合，根据聚簇集合中最小序号和聚簇大小进行筛选获得最终聚簇集合；

噪声抑制模块，用于根据最终聚簇集合中图像块的灰度波动情况获得噪声估测值，根据所有噪声估测值的波动情况获得噪声抑制因子；根据噪声抑制因子优化维纳滤波，通过优化后的维纳滤波获取清晰实景图像，根据清晰实景图像完成智能配送规划。

进一步地，所述相似度的获取方法包括：

将图像块中的最大灰度值和最小灰度值筛除，并由剩余灰度值组成图像块的灰度序列；计算所述灰度序列中所有灰度值的标准差，将灰度序列中每个灰度值与标准差的差值作为灰度波动值，由所有灰度波动值组成灰度波动序列；

计算两个图像块对应的所述灰度波动序列间的均方误差，将负相关映射并归一化的均方误差作为两个图像块的相似度。

进一步地，所述相似度集合的获取方法包括：

任选所述均匀度序列中的一个图像块作为目标图像块，计算目标图像块与均匀度序列中后序所有图像块的相似度；当相似度大于预设相似阈值时，将对应图像块的序号作为目标图像块的相似序号，由目标图像块和所有相似序号对应的图像块组成相似度集合。

进一步地，所述聚簇集合的获取方法包括：

将均匀度序列中的第一个图像块作为参考图像块，将比参考图像块序号大的图像块作为待检测图像块；统计参考图像块与一个待检测图像块的相似度集合中具有相同图像块的数量作为相似数量，并统计对应待检测图像块的相似度集合中图像的数量作为总数量，将所述相似数量与所述总数量的比值作为参考图像块与待检测图像块间的相似重合度；

根据均匀度序列的顺序计算参考图像块与第一个待检测图像块之间的相似重合度时，当相似重合度大于预设重合阈值时，将对应待检测图像块与参考图像块记为同一聚类簇，并将待检测图像块并入参考图像块的相似度集合中，获得聚簇集合；当相似重合度小于等于预设重合阈值时，将对应待检测图像块与参考图像块记为不同聚类簇，将相似度集合分别作为对应的聚簇集合；

根据参考图像块与第一个待检测图像块的获得聚簇集合的方法，计算剩余的所述待检测图像块与每个所述聚簇集合的相似重合度，将所有剩余的待检测图像块进行划分并更新聚簇集合。

进一步地，所述最终聚簇集合的获取方法包括：

对聚簇集合中最小序号进行负相关映射并归一化处理获得均匀度指标；统计聚簇集合中所有序号的数量并归一化处理获得聚簇大小指标；将所述均匀度指标与所述聚簇大小指标的二范数作为聚簇集合的筛选指标；

将筛选指标小于预设筛选阈值的聚簇集合筛除，剩余所有聚簇集合均为最终聚簇集合。

进一步地，所述噪声估测值的获取方法包括：

计算每个最终聚簇集合中所有图像块的平均灰度值，计算每个最终聚簇集合中每个图像块对应中心像素点的灰度值与所述平均灰度值的差值绝对值作为噪声估测值；一个所述最终聚簇集合中对应一组噪声估测值。

进一步地，所述噪声抑制因子的获取方法包括：

计算所有最终聚簇集合中所有噪声估测值的标准差并进行归一化处理，获得噪声抑制因子。

进一步地，所述均匀度序列的获取方法包括：

计算每个图像块中灰度值的方差，并按照方差由小到大的顺序对图像块排列并标号获得均匀度序列。

本发明具有如下有益效果：

本发明通过对平滑后实景灰度图像中每个像素点构建图像块，并根据图像块的灰度值变化程度排序获得均匀度序列，通过平滑保证图像信息的完整，且对局部灰度均匀度的判断不同图像块的分析优先级，使后续对图像块的聚簇划分可信度更强。根据均匀度序列顺序并结合图像块间灰度波动差异，实现对每个图像块的相似度集合的获取，实现对图像块的初步分类，进一步根据相似度集合的重合程度对图像块分类获得聚簇集合，根据聚簇的序号和大小获得最终聚簇，根据局部相似程度和整体相似度集合的相似程度综合分析获得划分更准确的聚簇集合，并筛选出分析噪声影响的可信度更强的聚簇，保证后续获取噪声抑制因子的准确性。最终根据最终聚簇中图像块灰度变化程度获得噪声估测值，根据噪声估测值得到噪声抑制因子，能够准确评估实景灰度图像中的噪声强度进而优化维纳滤波，获得滤波效果更优的清晰实景图片，并根据清晰实景图片进行配送规划，提高滤波性能，保障安全配送。

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和优点，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的介绍，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它附图。

图1为本发明一个实施例所提供的一种基于无人机的乡村物流智能配送系统结构图。

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一种基于无人机的乡村物流智能配送系统，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一种基于无人机的乡村物流智能配送系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于无人机的乡村物流智能配送系统结构图，该基于无人机的乡村物流智能配送系统包括：数据获取模块101，图像块聚簇模块102，噪声抑制模块103，配送规划模块104。

数据获取模块101，用于获取实景灰度图像，以平滑处理后的实景灰度图像中每个像素点为中心构建预设尺寸大小的图像块；根据每个图像块中灰度值的变化程度对图像块排序获得均匀度序列。

在无人机物流配送过程中，无人机需要对飞行中遇到的各种障碍物进行识别以避免意外事故的发生，由于无人机在电磁波交错的空中实际飞行时会受到各种外界信号干扰，尤其是利用摄像头感知障碍物阶段，信号干扰会使无人机障碍物感知系统采集的图像数据存在大量噪声，严重影响障碍物识别。图像数据中的噪声往往较为繁杂的，相对于其他噪声处理方法，维纳滤波对于白噪声的处理效果最好，因此本发明采用维纳滤波进行采集图像数据后的预处理。

但是维纳滤波需要根据图像的信噪比进行滤波，而对于无人机获得的实景图像而言，无人机拍摄画面均处于动态，无法保证可以获取期望的无噪声图像来计算当前图像的信噪比，且无人机拍摄的情况具有多样性，获取期望的标准图像难度较大，使滤波效果差，因此本发明优化维纳滤波所需信噪比的特点，通过对每个采集到的图像分析，获得对应噪声抑制因子进行替换，无需获取标准图像也能实现良好的图像滤波效果。

首先获取无人机采集的实景图像，根据无人机搭载的摄像头可以采集到实景图像，实景图像为红绿蓝颜色空间(Red Green Blue，RGB)图像，需要通过灰度化处理获得实景灰度图像，通过对实景灰度图像中灰度值的变化进行分析可对噪声程度进行判断。需要说明的是，对图像进行灰度化处理为本领域技术人员熟知的技术，具体灰度化处理如加权法，平均值法等，在此不做限制。

根据经验可知，当图像中的区域是灰度均匀时，可以利用取均值法获得叠加在图像中的噪声影响，但在无人机飞行拍摄过程中，实景图像是不均匀的图像，由于环境因素可知，在拍摄的图像中会出现房屋、天空、路面或者墙等不同的图像元素，若整体分析很难进行检测且检测运算复杂，本发明通过对相同图像元素分类，并优选均匀背景区域进行取均值处理，对噪声进行评估。

在本发明中，考虑到图像的局部差异可能较大的问题，以实景灰度图像中每个像素点分析可能差异较大，因此先对图像进行上采样，平滑且保留原始图像信息，需要说明的是，上采样后的图像为可逆图像，就算直接删除插入的行、列，也不会出现信息损伤且可以在原始图像相邻像素点之间嵌入过度点，以平滑图像，上采样方法为本领域技术人员熟知的技术手段，在此不做赘述。

在本发明实施例中，为了计算图像均匀度的准确性，在平滑后的实景灰度图像中，以每个非平滑像素点为中心构建预设尺寸大小的图像块，预设尺寸大小为3×3的尺寸大小，实施者可根据具体实施情况进行调整。每个像素点对应的图像块可以反映每个像素点的局部灰度情况。为了进一步方便分析，且对于均匀度更好的图像块分析优先级更高，对所有的图像块按照灰度值的变化程度进行排序，优选地，计算每个图像块内的灰度值方差，并根据方差由小到大的顺序对图像块排列并标号，获得均匀度序列，当方差越小时说明图像块对应的均匀程度越大，也即均匀度序列中的图像块按照均匀程度由大到小的顺序排列。

通过均匀度序列可以看出图像块的灰度波动情况，对于波动情况越小的，可能像素点对应灰度局部情况越均匀，且根据均匀度序列进行分析，可以对均匀程度大的图像块分析优先级更高，使得最终的噪声评估更准确。

图像块聚簇模块102，用于根据图像块之间的灰度波动差异，获得图像块之间的相似度；根据均匀度序列中每个图像块与对应后序所有图像块之间的相似度，获得每个图像块的相似度集合；根据图像块的相似度集合间的重合程度对图像块进行分类获得聚簇集合，根据聚簇集合中最小序号和聚簇大小进行筛选获得最终聚簇集合。

进一步地，为了能够将同一灰度均匀元素划分出来，先根据灰度波动的差异情况对图像块进行相似度的计算，后续可根据相似度计算图像块之间的灰度波动的联系。在本发明实施例中，考虑到噪声的影响及图像块的不均匀特性，将图像块中的最大灰度值和最小灰度值筛除，最大程度的抑制高亮噪声产生的计算误差，由剩余的灰度值组成图像块的灰度序列。组成灰度序列方式可以为以图像块左上角为起始点，按行排列顺序将灰度值构成灰度序列，需要说明的是，组成方式还可以按列顺序等，仅需保证所有图像块的排列规则一致即可，在此不做限制。

通过灰度序列可以反映每个图像块的灰度值分布情况，进一步计算灰度序列中所有灰度值的标准差，通过标准差反映图像块内部的平均灰度波动量，再将灰度序列中每个灰度值与标准差相减获得灰度波动值，由于噪声点叠加的随机性，灰度值波动的情况也较为随机，因此通过每个像素点灰度值减去标准差后，可以得到反映原始图像块中灰度值情况的灰度波动值，由灰度波动值组成灰度波动序列，在本发明实施例中，为了后续计算准确性灰度波动值的具体表达式为：

式中，表示为图像块a灰度序列中第i个像素点的灰度波动值，/>表示为图像块a中第i个像素点的灰度值，σ_a表示为图像块a标准差。需要说明的是，标准差的计算为本领域技术人员熟知的技术手段，在此不做赘述。

得到灰度波动序列后，可以根据两个图像块的灰度波动序列的差异进行相似度判断，优选的，本发明采用计算两个图像块对应灰度波动序列间的均方误差，将负相关映射并归一化的均方误差作为两个图像块的相似度。在本发明实施例中，为了后续计算的准确性，相似度的具体公式为：

式中，C(a，b)表示为图像块a和图像块b的相似度，L表示为灰度序列中像素点的总数量，表示为图像块a灰度序列中第i个像素点的灰度波动值，/>表示为图像块b灰度序列中第i个像素点的灰度波动值。exp()表示为以自然常数为底的指数函数。需要说明的是，均方误差为本领域技术人员熟知的公知技术公式，在此对均方误差公式的具体意义不再赘述。

其中表示为两个图像块灰度波动序列的均方误差，通过均方误差可以更准确的获得两个图像块的对比结果，且当均方误差越小时，两个图像块时越相似的，因此通过以自然常数为底的指数函数进行负相关映射并归一化。

在确定两个图像块相似度计算方法后，可以获得每个图像块的相似度集合，由于在数据获取模块101中已经对图像块进行了排序，对于序号越小的图像块，计算其优先度为越高的。因此任选均匀度序列中的一个图像块作为目标图像块，计算目标图像块与均匀度序列中后序所有图像块的相似度，保证目标图像块的优先级得到保护，当相似度大于预设相似阈值时，说明对应图像块与目标图像块较为相似，将对应图像块的序号作为相似序号。

获得所有满足相似条件的相似序号，最终由目标图像块和所有相似序号对应的图像块组成相似度集合，相似度集合中的最小序号也即为目标图像块的序号，例如序号为1的图像块的相似度集合为(1，2，5，6，8，10)，其中说明序号为1的图像块的相似序号为2，5，6，8，10。在本发明实施例中，预设相似阈值为0.8，具体数值实施者可根据具体实施情况进行调整，在此不做赘述。

对每个图像块均进行相似度分析，而每个图像块均与后序图像块计算相似度，在保障每个图像块的优先级同时使对图像块的分类更细致可信，得到的区域元素更一致，举例序号为2的图像块的相似度集合为(2，3，5，6，7，8，10)，此处不会对序号为1的图像块计算相似度，因此序号2的图像块的相似序号为3，5，6，7，8，10。

在上述举例中也可看出，存在相似情况的图像块由于计算的误差可能相似图像块对应的相似度集合也是不同的，因此在根据像素块间的相似度获得了每个图像块的相似度集合后，整体分析相似度集合的重合程度并由上至下的合并相似度集合，获得新的聚簇集合，通过局部相似情况和整体相似情况的多重分析以获得更优的聚簇结果，聚簇集合即为分类完成的图像块集合，具体的聚簇集合获取方法包括：

将均匀度序列中的第一个图像块作为参考图像块，由于均匀度序列中序号越小的图像块优先级越高，因此在聚簇计算时，从第一个图像块开始进行聚簇分析会使优先度大的图像块聚簇效果更好，因此优选地将第一个图像块作为参考图像块进行分析，将比参考图像块序号大的图像块作为待检测图像块。

统计参考图像块与一个待检测图像块的相似度集合中具有相同图像块的数量作为相似数量，相似数量表征了两个相似度集合的重叠程度，进一步统计对应待检测图像块的相似度集合中图像块的数量作为总数量，将相似数量与总数量的比值作为参考图像块与待检测图像块间的相似重合度，通过相似重合度作为聚簇的判断合并条件，相似重合度越大，说明两个图像块越可能为同一个聚簇，在本发明实施例中，相似重合度的具体表达式为：

式中，D(n，δ)表示为参考图像块n与待检测图像块δ的相似重合度，g(δ)表示为待检测图像块δ相似度集合对应的总数量，H(n∩δ)表示为参考图像块n与待检测图像块δ相似度集合对应的相似数量，其中n∩δ表示为参考图像块n与待检测图像块δ的相似度集合进行相交。

根据均匀度序列的顺序计算参考图像块与第一个待检测图像块之间的相似重合度时，参考图像块代表上级图像块，待检测图像块为下级图像块，当相似重合度大于预设重合阈值时，说明相似度集合中重叠程度较高，下级图像块应该服从于上级图像块，即为将对应待检测图像块与参考图像块记为同一聚类簇，并将待检测图像块并入参考图像块的相似度集合中，完成划分获得聚簇集合。当相似重合度小于等于预设重合阈值时，说明相似度集合的重叠程度较低，无法进行合并，将两个图像块各作为一个聚类簇继续向下合并，将对应待检测图像块与参考图像块记为不同聚类簇，将相似度集合分别作为对应的聚簇集合。根据参考图像块与第一个待检测图像块获得聚簇集合的方法，计算剩余的所述待检测图像块与每个所述聚簇集合的相似重合度，将所有剩余的待检测图像块进行合并划分并更新聚簇集合。在本发明实施例中，预设重合阈值为0.5，具体数值实施者可根据具体实施情况进行调整。

对合并划分过程举例而言，参考图像块的相似度集合为(1，2，5，6，8，10)，第一个待检测图像块的相似度集合为(2，3，5，6，7，8，10)，此时重叠的图像块序号有2，5，6，8，10，相似重合度大于0.5，因此将第一个待检测图像块并入到参考图像块的相似度集合中，由于序号2已经存在，因此得到聚簇集合为(1，2，5，6，8，10)。当存在第二个待检测图像块的相似度集合为(3，5，7，9)时，第二个待检测图像块与聚簇集合(1，2，5，6，8，10)的相似重合度低于0.5，因此将(3，5，7，9)也作为一个聚簇集合。对于第三个待检测图像块的相似度集合为(4，5，6，8，7，10)，可以看出与聚簇集合(3，5，7，9)的相似重合度是较低的，但是与聚簇集合(1，2，5，6，8，10)的相似重合度高，因此第三个待检测图像块并入聚簇集合(1，2，5，6，8，10)中，更新聚簇集合为(1，2，4，5，6，8，10)。

对均匀度序列中所有图像块均进行合并划分后，聚簇集合即为完成分类后的图像块集合，但此时的聚簇集合中包含了很多均匀性较差的图像块，在计算噪声抑制因子时会影响计算结果，这些聚簇的可信度较差需要进行剔除，因此根据聚簇集合中最小序号和聚簇大小进行筛选获得最终聚簇集合。

对聚簇集合中最小序号进行负相关映射并归一化处理获得均匀度指标，通过聚簇集合中最小序号可以反映聚簇对应核心图像块的均匀程度，最小序号越小说明聚簇对应的灰度均匀程度越高，聚簇分析越优，因此序号越小则均匀度指标越大。

统计聚簇集合中所有序号的数量并归一化处理获得聚簇大小指标，通过聚簇集合的聚簇大小指标反映聚簇的可信程度，当聚簇中包含图像块数量越多说明聚簇的可信程度越高，越需要保留进行噪声估测分析。

将所述均匀度指标与所述聚簇大小指标的二范数作为聚簇集合的筛选指标，通过筛选指标将可信度低的聚簇进行筛除，在本发明实施例中，筛选指标的具体表达式为：

式中，R_r表示为聚簇集合r的筛选指标，P_r表示为聚簇集合r的最小序号，E_r表示为聚簇集合r中所有序号的数量，e表示为自然常数，th()表示为双曲正切函数。

其中，表示采用以自然常数为底的指数函数对聚簇集合r的最小序号进行负相关映射并归一化处理，得到的均匀度指标，th(E_r)表示为采用双曲正切函数对聚簇集合r中所有序号的数量归一化处理，得到的聚簇大小指标，当最小序号越大，均匀度指标越小，聚簇集合中序号数量越少，聚簇大小指标越小，说明对应聚簇的可信度越低，越需要被筛除，因此筛选指标越小，均匀度指标与聚簇大小指标均与筛选指标呈正相关关系。

将筛选指标小于预设筛选阈值的聚簇集合筛除，在本发明实施例中，预设筛选指标为0.3，具体数值实施者可根据具体实施情况进行调整，当剔除掉可信度不足的聚簇后，剩余所有聚簇集合均为满足分析条件的聚簇，因此剩余的聚簇集合均为最终聚簇集合。后续可根据最终聚簇集合分析图像中的噪声影响。

噪声抑制模块103，用于根据最终聚簇集合中图像块的灰度波动情况获得噪声估测值，根据所有噪声估测值的波动情况获得噪声抑制因子；根据噪声抑制因子优化维纳滤波，通过优化后的维纳滤波获取清晰实景图像，根据清晰实景图像完成智能配送规划。

每个最终聚簇集合均表征着一种区域灰度均匀情况，也即一种元素的区域部分，通过对每个最终聚簇集合中的图像块灰度值分析变化波动情况，进一步根据灰度波动情况可以反映出噪声的影响程度，因此根据最终聚簇集合中图像块的灰度波动情况获得噪声估测值。

计算每个最终聚簇集合中所有图像块的平均灰度值，通过平均灰度值反映一类图像块的平均灰度值，即为均匀情况下的理想灰度值，计算每个最终聚簇集合中每个图像块对应中心像素点的灰度值与平均灰度值的差值绝对值作为噪声估测值，通过每个图像块对应中心像素点与平均灰度值的差值绝对值反映每个图像块收到噪声影响产生的灰度波动情况。一个最终聚簇集合中对应一组噪声估测值。

进一步根据噪声估测值的波动情况获得噪声抑制因子，具体为：计算所有最终聚簇集合中所有最终聚簇集合中所有噪声估测值的标准差并进行归一化处理，获得噪声抑制因子。由于噪声估测值可以反映实景灰度图像中绝大部分噪声的估测强度，因此通过标准差形式结合所有噪声估测值获得噪声抑制因子，可以反映整体实景灰度图像受噪声的影响程度。在本发明实施例中，噪声抑制因子的具体表达式为：

式中，K表示为噪声抑制因子，σ(s)表示为所有噪声估测值s对应标准差。标准差越大，说明噪声的影响程度更大，需要进行的滤波强度越强，则噪声抑制因子越大。

可以看出，噪声抑制因子与信噪比均反映图像中的噪声影像程度，具有相同的意义，且噪声抑制因子不需要模板图像也能够客观、准确的评估噪声影响强度，得到效果较优的噪声抑制因子，因此将噪声抑制因子代替维纳滤波中的信噪比完成对维纳滤波的优化，最终通过维纳滤波对实景灰度图像进行滤波获得清晰实景图像。需要说明的是，具体维纳滤波模型为传统的维纳滤波模型，是本领域技术人员熟知的技术手段，因此在此对具体滤波过程不再赘述。

配送规划模块104，用于通过清晰实景图像识别障碍物实现智能配送路径规划。

通过清晰实景图像可进一步帮助无人机准确识别障碍物以及环境因素，现有技术可以根据所识别的障碍物类型可以灵活规划避障路径，实现对配送路径的智能规划，保障物流货物的安全以及无人机航行安全。需要说明的是，无人机根据图像进行障碍物识别并规划路径的方法，是本领域技术人员熟知的公知技术手段，在此不做赘述。

综上，本发明通过对实景灰度图像中每个像素点构建图像块，通过图像块的灰度值变化程度排序获得均匀度序列，通过灰度均匀度的判断调整不同图像块的分析优先级。根据图像块间的灰度波动差异获得图像块间的相似度，进一步根据均匀度序列结合相似度完成对每个图像块的相似度集合的获取，通过相似度集合的重合程度获得聚簇集合，根据聚簇的序号和大小获得最终聚簇，根据最终聚簇中图像块灰度变化程度获得噪声估测值，得到噪声抑制因子，优化维纳滤波，获得清晰实景图片，完成配送规划。本发明通过对图像分析，更准确的评估了图像受噪声影响程度，获得清晰的滤波图像。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (8)

1.一种基于无人机的乡村物流智能配送系统，其特征在于，所述系统包括：

数据获取模块，用于获取实景灰度图像，以平滑处理后的所述实景灰度图像中每个像素点为中心构建预设尺寸大小的图像块；根据每个所述图像块中灰度值的变化程度对图像块排序获得均匀度序列；

图像块聚簇模块，用于根据图像块之间的灰度波动差异，获得图像块之间的相似度；根据所述均匀度序列中每个图像块与对应后序所有图像块之间的相似度，获得每个图像块的相似度集合；根据图像块的所述相似度集合间的重合程度对图像块进行分类获得聚簇集合，根据聚簇集合中最小序号和聚簇大小进行筛选获得最终聚簇集合；

噪声抑制模块，用于根据最终聚簇集合中图像块的灰度波动情况获得噪声估测值，根据所有噪声估测值的波动情况获得噪声抑制因子；根据噪声抑制因子优化维纳滤波，通过优化后的维纳滤波获取清晰实景图像；

配送规划模块，用于通过所述清晰实景图像识别障碍物实现智能配送路径规划。

2.根据权利要求1所述的一种基于无人机的乡村物流智能配送系统，其特征在于，所述相似度的获取方法包括：

将图像块中的最大灰度值和最小灰度值筛除，并由剩余灰度值组成图像块的灰度序列；计算所述灰度序列中所有灰度值的标准差，将灰度序列中每个灰度值与标准差的差值作为灰度波动值，由所有灰度波动值组成灰度波动序列；

计算两个图像块对应的所述灰度波动序列间的均方误差，将负相关映射并归一化的均方误差作为两个图像块的相似度。

3.根据权利要求1所述的一种基于无人机的乡村物流智能配送系统，其特征在于，所述相似度集合的获取方法包括：

任选所述均匀度序列中的一个图像块作为目标图像块，计算目标图像块与均匀度序列中后序所有图像块的相似度；当相似度大于预设相似阈值时，将对应图像块的序号作为目标图像块的相似序号，由目标图像块和所有相似序号对应的图像块组成相似度集合。

4.根据权利要求1所述的一种基于无人机的乡村物流智能配送系统，其特征在于，所述聚簇集合的获取方法包括：

将均匀度序列中的第一个图像块作为参考图像块，将比参考图像块序号大的图像块作为待检测图像块；统计参考图像块与一个待检测图像块的相似度集合中具有相同图像块的数量作为相似数量，并统计对应待检测图像块的相似度集合中图像块的数量作为总数量，将所述相似数量与所述总数量的比值作为参考图像块与待检测图像块间的相似重合度；

根据均匀度序列的顺序计算参考图像块与第一个待检测图像块之间的相似重合度时，当相似重合度大于预设重合阈值时，将对应待检测图像块与参考图像块记为同一聚类簇，并将待检测图像块并入参考图像块的相似度集合中，获得聚簇集合；当相似重合度小于等于预设重合阈值时，将对应待检测图像块与参考图像块记为不同聚类簇，将相似度集合分别作为对应的聚簇集合；

根据参考图像块与第一个待检测图像块的获得聚簇集合的方法，计算剩余的所述待检测图像块与每个所述聚簇集合的相似重合度，将所有剩余的待检测图像块进行合并划分并更新聚簇集合。

5.根据权利要求1所述的一种基于无人机的乡村物流智能配送系统，其特征在于，所述最终聚簇集合的获取方法包括：

对聚簇集合中最小序号进行负相关映射并归一化处理获得均匀度指标；统计聚簇集合中所有序号的数量并归一化处理获得聚簇大小指标；将所述均匀度指标与所述聚簇大小指标的二范数作为聚簇集合的筛选指标；

将筛选指标小于预设筛选阈值的聚簇集合筛除，剩余所有聚簇集合均为最终聚簇集合。

6.根据权利要求1所述的一种基于无人机的乡村物流智能配送系统，其特征在于，所述噪声估测值的获取方法包括：

计算每个最终聚簇集合中所有图像块的平均灰度值，计算每个最终聚簇集合中每个图像块对应中心像素点的灰度值与所述平均灰度值的差值绝对值作为噪声估测值；一个所述最终聚簇集合中对应一组噪声估测值。

7.根据权利要求1所述的一种基于无人机的乡村物流智能配送系统，其特征在于，所述噪声抑制因子的获取方法包括：

计算所有最终聚簇集合中所有噪声估测值的标准差并进行归一化处理，获得噪声抑制因子。

8.根据权利要求1所述的一种基于无人机的乡村物流智能配送系统，其特征在于，所述均匀度序列的获取方法包括：

计算每个图像块中灰度值的方差，并按照方差由小到大的顺序对图像块排列并标号获得均匀度序列。