CN116703916A - 一种基于图像处理的洗化水质量监测方法 - Google Patents

一种基于图像处理的洗化水质量监测方法 Download PDF

Info

Publication number
CN116703916A
CN116703916A CN202310980585.7A CN202310980585A CN116703916A CN 116703916 A CN116703916 A CN 116703916A CN 202310980585 A CN202310980585 A CN 202310980585A CN 116703916 A CN116703916 A CN 116703916A
Authority
CN
China
Prior art keywords
foam
washing water
pixel
initial foam
initial
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.)
Granted
Application number
CN202310980585.7A
Other languages
English (en)
Other versions
CN116703916B (zh
Inventor
庞月忠
路玉凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Zhengji Pharmaceutical Co ltd
Original Assignee
Shandong Zhengji Pharmaceutical Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Zhengji Pharmaceutical Co ltd filed Critical Shandong Zhengji Pharmaceutical Co ltd
Priority to CN202310980585.7A priority Critical patent/CN116703916B/zh
Publication of CN116703916A publication Critical patent/CN116703916A/zh
Application granted granted Critical
Publication of CN116703916B publication Critical patent/CN116703916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/10024—Color image
    • 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
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration
    • 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
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/20—Controlling water pollution; Waste water treatment

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Multimedia (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及图像处理技术领域，特别涉及一种基于图像处理的洗化水质量监测方法，包括：通过洗化水泡沫图像的像素点与其预设邻域窗口内其他像素点的色彩差异指数，确认初始泡沫像素点，根据预设区域内标准数量的初始泡沫像素点，计算每个初始泡沫像素点对应的隶属度，基于每个初始泡沫像素点对应的隶属度与预设的主题色提取算法，提取洗化水泡沫对应的主题色，将洗化水泡沫对应的主题色与标准主题色进行比对，确认洗化水的质量状态。将每个初始泡沫像素点对应的隶属度作为主题色提取算法的参数，以提高洗化水泡沫对应的主题色提取的准确性，相对于传统的洗化水质量监测方法，提高了洗化水质量监测的准确性，进一步降低了工作成本。

Description

一种基于图像处理的洗化水质量监测方法
技术领域
本申请涉及图像处理技术领域，特别涉及一种基于图像处理的洗化水质量监测方法。
背景技术
洗化水是指用于洗涤化妆的液体类产品，洗化水包括多种分类，如洗涤液、洗发水、清洁剂等一系列洗化用品。洗化水的种类繁多，根据不同的清洁需求和使用场景，可以选择适合的产品和工具进行清洁和洗涤。在使用洗化水时，应注意正确使用方法和安全注意事项，以确保清洁效果和个人安全。同时，由于洗化水属于直接接触并且部分洗化用品属于长期接触人体皮肤的用品，为了保护人体皮肤，防止皮肤病，需要对洗化水中的有害物质及各种微生物含量进行监测。
传统的洗化水质量监测方法，是通过监测洗化水中泡沫的主题色，再将其与标准颜色的色彩差异，判断细化水的质量状态。而传统监测洗化水中泡沫的主题色方法，是通过传统的色彩提取工具（比如Photoshop）对洗化水的泡沫图像进行主题色提取，而传统的洗化水中泡沫的主题色提取方法存在较大误差，以使得洗化水质量监测误差较大，进一步导致洗化水质量监测的工作成本较高。
发明内容
鉴于以上内容，有必要提供一种基于图像处理的洗化水质量监测方法，相对于传统的洗化水质量监测，提高洗化水质量监测的准确性，进一步降低了洗化水质量监测的工作成本。
本申请第一方面提供一种基于图像处理的洗化水质量监测方法，应用于洗化水质量监测领域，所述方法包括：通过洗化水泡沫图像的像素点与其预设邻域窗口内其他像素点的色彩差异指数，确认初始泡沫像素点；根据预设区域内标准数量的初始泡沫像素点，计算每个初始泡沫像素点对应的隶属度；基于所述每个初始泡沫像素点对应的隶属度与预设的主题色提取算法，提取洗化水泡沫对应的主题色；将所述洗化水泡沫对应的主题色与标准主题色进行比对，确认所述洗化水的质量状态。
在其中一种实施例中，所述通过洗化水泡沫图像的像素点与其预设邻域窗口内其他像素点的色彩差异指数，确认初始泡沫像素点，具体包括：根据目标像素点与其预设邻域窗口内其他像素点在预设数量的颜色通道中的通道值，分别计算目标像素点与其他像素点对应的色彩差异指数；当所述预设数量的色彩差异指数均小于色彩差异指数阈值时，确认所述目标像素点为非初始泡沫像素点；当任意一个所述预设数量的色彩差异指数大于色彩差异指数阈值时，确认所述目标像素点为初始泡沫像素点。
在其中一种实施例中，所述根据目标像素点与其预设邻域窗口内其他像素点在预设数量的颜色通道中的通道值，计算目标像素点与其他像素点对应的预设数量的色彩差异指数，具体包括：
其中，为目标像素点与第/>个其他像素点对应的色彩差异指数，/>为颜色通道的数量，/>为目标像素点与第/>个其他像素点在第/>个颜色通道中的最大通道值，/>为目标像素点与第/>个其他像素点在第/>个颜色通道中的最小通道值，/>为通道常数。
在其中一种实施例中，所述根据预设区域内标准数量的初始泡沫像素点，计算每个初始泡沫像素点对应的隶属度，具体包括：将目标初始泡沫像素点以及在其邻近的预设区域范围内标准数量的其他初始泡沫像素点进行圆形拟合处理，确认拟合圆边缘区域；基于所述拟合圆边缘区域的形状特性，计算所述目标初始泡沫像素点对应的圆心方向角与曲率；根据所述目标初始泡沫像素点对应的像素灰度值、圆心方向角、曲率以及拟合圆半径，构建目标初始泡沫像素点对应的外观特征向量；基于目标初始泡沫像素点与其预设标准邻域窗口内其他初始泡沫像素点对应的外观特征向量，计算目标初始泡沫像素点对应的隶属度。
在其中一种实施例中，所述基于目标初始泡沫像素点与其预设标准邻域窗口内其他初始泡沫像素点对应的外观特征向量，计算目标初始泡沫像素点对应的隶属度，具体包括：
其中，为目标初始泡沫像素点/>对应的隶属度，/>为目标初始泡沫像素点/>预设邻域窗口内初始泡沫像素点的数量，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内第/>个初始泡沫像素点对应的像素灰度值，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内与第/>个初始泡沫像素点相邻的初始泡沫像素点对应的像素灰度值，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内第/>个初始泡沫像素点对应的圆心方向角，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内与第/>个初始泡沫像素点相邻的初始泡沫像素点对应的圆心方向角，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内第/>个初始泡沫像素点对应的曲率，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内与第/>个初始泡沫像素点相邻的初始泡沫像素点对应的曲率，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内第/>个初始泡沫像素点对应的拟合圆半径，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内与第/>个初始泡沫像素点相邻的初始泡沫像素点对应的拟合圆半径。
在其中一种实施例中，所述主题色提取算法为八叉树算法，对应的，所述基于所述每个初始泡沫像素点对应的隶属度与预设的主题色提取算法，提取洗化水泡沫对应的主题色，具体包括：基于所述八叉树算法与初始泡沫像素点，构建初始八叉树结构，其中，八叉树结构包括若干数量的叶节点；当叶节点数量超过预设节点阈值时，基于所述初始泡沫像素点对应的隶属度进行叶节点的合并，直至遍历所有初始泡沫像素点，以确认最终初始八叉树结构；根据所述最终初始八叉树结构，提取洗化水泡沫对应的主题色。
在其中一种实施例中，所述当叶节点数量超过预设节点阈值时，基于所述初始泡沫像素点对应的隶属度进行叶节点的合并，直至遍历所有初始泡沫像素点，以确认最终初始八叉树结构，具体包括：当所述叶节点数量超过预设节点阈值时，统计目标叶节点以及与其相同父节点的其他叶节点的初始泡沫像素点对应的隶属度；判断所述目标叶节点以及与其相同父节点的其他叶节点的初始泡沫像素点对应的隶属度均大于预设合并阈值；若是，将目标叶节点以及与其相同父节点的其他叶节点合并为一个叶节点，作为新目标节点，继续合并叶节点；若否，将最小隶属度与新增叶节点的初始泡沫像素点对应的隶属度比较，将两者最大值对应的叶节点并入原叶节点，继续合并叶节点；遍历所有的初始泡沫像素点，确认最终初始八叉树结构。
在其中一种实施例中，所述将所述洗化水泡沫对应的主题色与标准主题色进行比对，确认所述洗化水的质量状态，具体包括：计算洗化水泡沫对应的主题色与标准主题色在预设颜色通道中的通道值，确认每个颜色通道对应的通道值差值；基于所述每个颜色通道对应的通道值差值，计算所述洗化水的质量值；当所述洗化水的质量值大于标准质量值时，确认所述洗化水的质量状态为异常质量状态；当所述洗化水的质量值小于或等于标准质量值时，确认所述洗化水的质量状态为正常质量状态。
在其中一种实施例中，所述基于所述每个颜色通道对应的通道值差值，计算所述洗化水的质量值，具体包括：
其中，为所述目标洗化水的质量值，/>为颜色通道的数量，/>为洗化水泡沫对应的主题色在第/>个颜色通道中的通道值，/>为洗化水泡沫对应的标准主题色在第/>个颜色通道中的通道值。
在其中一种实施例中，在通过洗化水泡沫图像的像素点与其预设邻域窗口内其他像素点的色彩差异指数，确认初始泡沫像素点之前，所述方法还包括：通过图像采集设别对洗化水的泡沫进行图像采集，获取RGB空间下洗化水的泡沫对应的初始洗化水泡沫图像；将所述初始洗化水泡沫图像进行预设去噪算法与图像增强算法处理，确认洗化水泡沫图像。
本申请实施例先通过洗化水泡沫图像的像素点与其预设邻域窗口内其他像素点的色彩差异指数，确认初始泡沫像素点，然后根据预设区域内标准数量的初始泡沫像素点，计算每个初始泡沫像素点对应的隶属度，再基于所述每个初始泡沫像素点对应的隶属度与预设的主题色提取算法，提取洗化水泡沫对应的主题色，最后将所述洗化水泡沫对应的主题色与标准主题色进行比对，确认所述洗化水的质量状态。将洗化水泡沫图像的每个初始泡沫像素点对应的隶属度作为预设的主题色提取算法的参数，以提高洗化水泡沫对应的主题色提取的准确性，相对于传统的洗化水质量监测方法，提高了洗化水质量监测的准确性，进一步降低了洗化水质量监测的工作成本。
附图说明
图1是本申请实施例的一种基于图像处理的洗化水质量监测方法的流程示意图。
图2是本申请实施例的一种基于图像处理的洗化水质量监测方法的第一子流程示意图。
图3是本申请实施例的一种基于图像处理的洗化水质量监测方法的第二子流程示意图。
图4是本申请实施例的一种基于图像处理的洗化水质量监测方法的第三子流程示意图。
图5是本申请实施例的一种基于图像处理的洗化水质量监测方法的第四子流程示意图。
图6是本申请实施例的一种基于图像处理的洗化水质量监测方法的第五子流程示意图。
图7是本申请实施例的一种基于图像处理的洗化水质量监测方法的第六子流程示意图。
具体实施方式
在本申请实施例的描述中，“示例性”、“或者”、“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性”、“或者”、“例如”等词旨在以具体方式呈现相关概念。
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申请中的技术领域的技术人员通常理解的含义相同。本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。应理解，本申请中除非另有说明，“/”表示或的意思。例如，A/B可以表示A或B。本申请中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B三种情况。“至少一个”是指一个或者多个。“多个”是指两个或多于两个。例如，a、b或c中的至少一个，可以表示：a，b，c，a和b，a和c，b和c，a、b和c七种情况。
另外需要说明的是，本申请的说明书和权利要求书及附图中的术语“第一”、“第二”是用于部别类似的对象，而不是用于描述特定的顺序或先后次序。本申请实施例中公开的方法或流程图所示出的方法，包括用于实现方法的一个或多个步骤，在不脱离权利要求的范围的情况下，多个步骤的执行顺序可以彼此互换，其中某些步骤也可以被删除。
本申请实施例首先提出一种基于图像处理的洗化水质量监测方法，应用于洗化水质量监测领域，参考附图1，所述方法包括以下步骤：
S101、通过洗化水泡沫图像的像素点与其预设邻域窗口内其他像素点的色彩差异指数，确认初始泡沫像素点。
其中，所述洗化水泡沫图像，是指包含有细化水泡沫的图像，所述洗化水泡沫图像经过预先一系类的图像处理，比如去噪与图像增强。因细化水的泡沫具有绵密的特点，在RGB图像中部分中小气泡相对不清晰。预设邻域窗口，是指洗化水泡沫图像的像素点作为中心像素点，并以该点为中心，选取预设大小的窗口（通常是一个正方形或矩形区域），该窗口内的像素点被视为该中心像素点的邻域。色彩差异指数是一种用于衡量两个颜色在色彩空间中的差异程度的指标，它可以用来比较两个颜色的相似性或计算颜色的差异。所述初始泡沫像素点，是指通过像素点与其预设邻域窗口内其他像素点的色彩差异指数，初步判断为洗化水泡沫对应的像素点。
需要说明的是，通过像素点与其预设邻域窗口内其他像素点的色彩差异指数，初步判断为洗化水泡沫对应的像素点的原理，是通过洗化水泡沫对应的像素点与细化水非泡沫对应的像素点的颜色存在差异进行构思的，因两者存在色彩差异，则可通过当前像素点与其一定大小设置的领域窗口内其他像素点的色彩差异，进一步的判断当前像素点是否为细化水泡沫对应的像素点。
S102、根据预设区域内标准数量的初始泡沫像素点，计算每个初始泡沫像素点对应的隶属度。
其中，所述初始泡沫像素点对应的隶属度，是用于描述初始泡沫像素点这个元素，是否为细化水泡沫对应的像素点这个模糊集合的归属程度或可信度。在细化水泡沫对应的像素点这个模糊集合中，一个元素可以同时属于多个模糊集合，其隶属度表示了它对于每个模糊集合的归属程度。需要说明的是，初始泡沫像素点对应的隶属度的取值范围一般是0到1之间，表示了初始泡沫像素点这个元素与细化水泡沫对应的像素点这个模糊集合之间的程度或比例关系。当隶属度为0时，表示当前初始泡沫像素点这个元素不属于细化水泡沫对应的像素点；当隶属度为1时，表示当前初始泡沫像素点这个元素完全属于细化水泡沫对应的像素点这个集合；当隶属度在0到1之间时，表示当前初始泡沫像素点这个元素部分属于细化水泡沫对应的像素点这个模糊集合。
需要说明的是，所述初始泡沫像素点对应的隶属度，是基于细化水泡沫的形状特性进行逻辑构思的，进一步说，由于细化水的泡沫内部气体较多，导致该处存在凹陷，故在进行图像采集时该处存在阴影，同时由于表面张力的原因，泡沫中各泡泡的形状均为圆形，即像素点与周围像素点的曲率越接近，颜色差异越相似，表明该像素点越可能属于泡沫像素点边缘，因此，可根据上述的细化水泡沫的形状特性进行逻辑构思，计算得到初始泡沫像素点对应的隶属度。
S103、基于所述每个初始泡沫像素点对应的隶属度与预设的主题色提取算法，提取洗化水泡沫对应的主题色。
其中，洗化水泡沫对应的主题色，是指洗化水泡沫对应的图像区域中占据主导地位、最具代表性的颜色，也即是出现频率最高的颜色或占据图像面积最大的颜色。所述洗化水泡沫对应的主题色是通过每个初始泡沫像素点对应的隶属度与预设的主题色提取算法计算得到的。所述预设的主题色提取算法，本案实施例中是指八叉树算法，八叉树算法是一种图像主题色提取算法，它通过对图像中的颜色进行聚类和分割，从而得到主题色。
需要说明的是，所述八叉树算法提取主题色的过程可为如下步骤：
1.将图像转换为RGB颜色空间。RGB颜色空间是由红、绿、蓝三个分量组成的，可以表示图像中的各种颜色。
2.构建八叉树。八叉树是一种多叉树结构，每个节点代表一个颜色区域。初始时，将整个RGB颜色空间作为根节点，然后递归地将颜色空间分割为八个子区域，直到满足某个停止条件（如达到最大深度或区域内颜色数小于某个阈值）。
3.计算每个叶子节点的颜色频率。遍历八叉树的叶子节点，统计每个叶子节点中包含的颜色的出现频率。
4.选择主题色。根据颜色频率，可以选择出现频率最高的几个颜色作为主题色。可以根据需要设置一个阈值，只选择出现频率超过该阈值的颜色作为主题色。
5.对主题色进行进一步处理。可以根据需要对主题色进行进一步调整，如去除相似的颜色、调整颜色的饱和度或亮度等。
需要说明的是，八叉树算法通过对颜色空间的分割和颜色频率的统计，能够得到图像中的主题色，简单有效，适用于大多数图像。
S104、将所述洗化水泡沫对应的主题色与标准主题色进行比对，确认所述洗化水的质量状态。
其中，在获取到所述洗化水泡沫对应的主题色之后，将所述洗化水泡沫对应的主题色与标准主题色进行比对，根据两者颜色的差异程度，以进一步确认所述洗化水的质量状态。所述洗化水泡沫对应的标准主题色，是指经过国际标准化组织或其他标准化机构认可和规定的一组具有确定色值和特定用途的颜色，也可以是业界中经多年经验所确认的通用颜色标准。
本申请实施例先通过洗化水泡沫图像的像素点与其预设邻域窗口内其他像素点的色彩差异指数，确认初始泡沫像素点，然后根据预设区域内标准数量的初始泡沫像素点，计算每个初始泡沫像素点对应的隶属度，再基于所述每个初始泡沫像素点对应的隶属度与预设的主题色提取算法，提取洗化水泡沫对应的主题色，最后将所述洗化水泡沫对应的主题色与标准主题色进行比对，确认所述洗化水的质量状态。将洗化水泡沫图像的每个初始泡沫像素点对应的隶属度作为预设的主题色提取算法的参数，以提高洗化水泡沫对应的主题色提取的准确性，相对于传统的洗化水质量监测方法，提高了洗化水质量监测的准确性，进一步降低了洗化水质量监测的工作成本。
在本申请的一种实施例中，并参阅图2，所述步骤S101：所述通过洗化水泡沫图像的像素点与其预设邻域窗口内其他像素点的色彩差异指数，确认初始泡沫像素点，具体包括：
S201、根据目标像素点与其预设邻域窗口内其他像素点在预设数量的颜色通道中的通道值，分别计算目标像素点与其他像素点对应的色彩差异指数。
其中，目标像素点与其他像素点对应的色彩差异指数，是通过目标像素点与其预设邻域窗口内其他像素点在预设数量的颜色通道中的通道值进行进一步计算得到的，所述预设数量的颜色通道，可以为RGB空间下的R、G、B三个通道。所述预设邻域窗口，可以根据实际需求进行自行定义大小，以满足能够较精准的涵盖洗化水泡沫边缘像素为准。
具体的，所述根据目标像素点与其预设邻域窗口内其他像素点在预设数量的颜色通道中的通道值，计算目标像素点与其他像素点对应的预设数量的色彩差异指数，具体包括：
其中，为目标像素点与第/>个其他像素点对应的色彩差异指数，/>为颜色通道的数量，/>为目标像素点与第/>个其他像素点在第/>个颜色通道中的最大通道值，/>为目标像素点与第/>个其他像素点在第/>个颜色通道中的最小通道值，/>为通道常数。颜色通道的数量/>优选为3，即RGB空间下的R、G、B三个颜色通道。/>为通道常数，避免出现分母为零的问题，同时避免像素点在某个通道值较小时造成比值较大的问题，优选取经验值128。
需要说明的是，当目标像素点与第个其他像素点同为一种类型的像素点时，则对应的色彩差异指数就越小。所述同为一种类型的像素点，是指同为细化水泡沫边缘对应的像素点，或者同为非细化水泡沫边缘对应的像素点。当所述目标像素点与第/>个其他像素点同为一种类型的像素点时，则两者在预设数量的颜色通道中的通道值较为接近，因此，越接近1，对应的色彩差异指数就越小。当所述目标像素点与第/>个其他像素点不为一种类型的像素点时，则两者在预设数量的颜色通道中的通道值差距较大，因此，/>越接近1，对应的色彩差异指数就越大。
S202、当所述预设数量的色彩差异指数均小于色彩差异指数阈值时，确认所述目标像素点为非初始泡沫像素点；
S203、当任意一个所述预设数量的色彩差异指数大于色彩差异指数阈值时，确认所述目标像素点为初始泡沫像素点。
其中，计算目标像素点与其他像素点对应的色彩差异指数之后，分别将每个色彩差异指数与色彩差异指数阈值进行比对，得到一个比对结果，根据比对结果判断当前的目标像素点为初始泡沫像素点，还是非目标像素点为非初始泡沫像素点。优选的，色彩差异指数阈值可为优选值1.37，优选值可根据实际需求进行自行设定。
需要说明的是，当所述预设数量的色彩差异指数均小于色彩差异指数阈值时，也即目标像素点与其预设邻域窗口内其他像素点对应的色彩差异指数均小于色彩差异指数阈值，而预设邻域窗口是能够囊括细化水泡沫的边缘像素，则证明目标像素点不属于细化水泡沫的边缘像素，也即非初始泡沫像素点，当任意一个所述预设数量的色彩差异指数大于色彩差异指数阈值时，也即目标像素点与其预设邻域窗口内其他像素点对应的色彩差异指数存在大于色彩差异指数阈值，而预设邻域窗口是能够囊括细化水泡沫的边缘像素，则证明目标像素点可能属于细化水泡沫的边缘像素，也即初始泡沫像素点。
在本申请的一种实施例中，参照附图3，S102、所述根据预设区域内标准数量的初始泡沫像素点，计算每个初始泡沫像素点对应的隶属度，具体包括：
S301、将目标初始泡沫像素点以及在其邻近的预设区域范围内标准数量的其他初始泡沫像素点进行圆形拟合处理，确认拟合圆边缘区域。
其中，目标初始泡沫像素点以及在其邻近的预设区域范围内标准数量的其他初始泡沫像素点进行圆形拟合处理，是指将目标初始泡沫像素点与其附近一定范围之内的其他初始泡沫像素点进行圆形拟合处理，而进行圆形拟合处理目的是一定程度还原目标初始泡沫像素点对应的细化水泡沐的形状，以最终确认拟合圆边缘区域。所述拟合圆边缘区域，是指目标初始泡沫像素点对应的细化水泡沐的边缘像素区域。
需要说明的是，圆形拟合处理可以为最小二乘法进行圆形拟合处理，在圆形拟合中，最小二乘法可以用来确定一个最佳的圆形参数，使得数据点与该圆形的拟合误差最小。圆形拟合的目标是找到一个圆心坐标(,/>)和半径r，使得数据点到该圆形的距离之和最小。假设有n个数据点，坐标分别为(/>,/>)，拟合误差可以表示为：
其中，最小二乘法的目标是最小化拟合误差E。
为了求解最小二乘问题，可以使用以下步骤：1.建立误差函数：将拟合误差 E 表示为圆心坐标(,/>)和半径r的函数。2.求解误差函数的偏导数：对误差函数进行偏导数运算，得到关于圆心坐标和半径的方程。3.解方程组：将偏导数方程组求解，得到圆心坐标(,/>)和半径r的值。4.检验解的有效性：将求解得到的圆心坐标和半径代入误差函数，计算拟合误差，判断解的有效性。需要注意的是，圆形拟合的结果可能存在多个解，或者无解。在实际应用中，可以通过增加约束条件或者使用其他拟合方法来提高拟合的准确性和稳定性。最小二乘法对其进行圆形拟合的原理就是通过最小化数据点到圆形的拟合误差，找到最佳的圆形参数，从而实现对数据点的圆形拟合。
S302、基于所述拟合圆边缘区域的形状特性，计算所述目标初始泡沫像素点对应的圆心方向角与曲率。
其中，所述拟合圆边缘区域的形状特性，是指根据拟合圆边缘区域的形状得到的特征信息。所述目标初始泡沫像素点对应的圆心方向角，是指目标初始泡沫像素点指向拟合圆边缘区域的圆心方向与水平线所得的夹角，所述目标初始泡沫像素点对应的曲率，是在所述拟合圆边缘区域中目标初始泡沫像素点对应的角度变化量。需要说明的是，为后续计算方便且便于区分像素种类，将非初始泡沫像素点的曲率记为0、方向角记为-1。
S303、根据所述目标初始泡沫像素点对应的像素灰度值、圆心方向角、曲率以及拟合圆半径，构建目标初始泡沫像素点对应的外观特征向量。
其中，目标初始泡沫像素点对应的外观特征向量，是指基于目标初始泡沫像素点所在的拟合圆边缘区域，得到的用于描述物体或图像外观特征的特征信息构成的向量。需要说明的是，外观特征向量可以包含但不限于以下不同类型的特征：1.颜色特征：包括颜色直方图、颜色矩、颜色空间等，用于描述物体或图像的颜色分布特征。2.纹理特征：包括灰度共生矩阵、局部二值模式、Gabor滤波器等，用于描述物体或图像的纹理结构特征。3.形状特征：包括边缘描述子、轮廓特征、形状矩等，用于描述物体或图像的形状特征。本实施例中，目标初始泡沫像素点对应的外观特征向量包括目标初始泡沫像素点对应的像素灰度值、圆心方向角、曲率以及拟合圆半径。
S304、基于目标初始泡沫像素点与其预设标准邻域窗口内其他初始泡沫像素点对应的外观特征向量，计算目标初始泡沫像素点对应的隶属度。
其中，所述初始泡沫像素点对应的隶属度，是用于描述初始泡沫像素点这个元素，是否为细化水泡沫对应的像素点这个模糊集合的归属程度或可信度。在细化水泡沫对应的像素点这个模糊集合中，一个元素可以同时属于多个模糊集合，其隶属度表示了它对于每个模糊集合的归属程度。
具体的，所述基于目标初始泡沫像素点与其预设标准邻域窗口内其他初始泡沫像素点对应的外观特征向量，计算目标初始泡沫像素点对应的隶属度，具体包括：
其中，为目标初始泡沫像素点/>对应的隶属度，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内初始泡沫像素点的数量，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内第/>个初始泡沫像素点对应的像素灰度值，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内与第/>个初始泡沫像素点相邻的初始泡沫像素点对应的像素灰度值，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内第/>个初始泡沫像素点对应的圆心方向角，为目标初始泡沫像素点/>在其预设标准邻域窗口内与第/>个初始泡沫像素点相邻的初始泡沫像素点对应的圆心方向角，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内第/>个初始泡沫像素点对应的曲率，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内与第/>个初始泡沫像素点相邻的初始泡沫像素点对应的曲率，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内第/>个初始泡沫像素点对应的拟合圆半径，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内与第/>个初始泡沫像素点相邻的初始泡沫像素点对应的拟合圆半径。
需要说明的是，若目标初始泡沫像素点与其预设标准邻域窗口内其他初始泡沫像素点均属于同一个细化水泡沫边缘的话，则目标初始泡沫像素点与其预设标准邻域窗口内其他初始泡沫像素点对应的外观特征向量也较为接近，则根据公式设置可得，对应的目标初始泡沫像素点隶属度越大，反之则越小。
在本申请的一种实施例中，参照附图4，所述主题色提取算法为八叉树算法，对应的，步骤S103、所述基于所述每个初始泡沫像素点对应的隶属度与预设的主题色提取算法，提取洗化水泡沫对应的主题色，具体包括：
S401、基于所述八叉树算法与初始泡沫像素点，构建初始八叉树结构，其中，初始八叉树结构包括若干数量的叶节点。
其中，初始八叉树结构是一种树状数据结构，用于表示三维空间中的对象或场景。初始八叉树结构将三维空间划分为八个等大小的子空间，每个子空间又可以继续划分为八个子空间，以此类推，直到达到指定的终止条件。在八叉树中，根节点是整个树的起始节点，它代表整个三维空间。根节点没有父节点，它是最高层级的节点。叶节点是八叉树中没有子节点的节点，也就是没有进一步划分的节点。在八叉树中，叶节点通常表示三维空间中的一个小区域或一个物体。叶节点存储了该区域或物体的相关信息，例如位置、颜色、密度等。
S402、当叶节点数量超过预设节点阈值时，基于所述初始泡沫像素点对应的隶属度进行叶节点的合并，直至遍历所有初始泡沫像素点，以确认最终初始八叉树结构。
其中，基于所述初始泡沫像素点对应的隶属度进行叶节点的合并，是指基于基于所述初始泡沫像素点对应的隶属度，将相邻的叶节点合并为一个更大的节点的操作。这个操作可以减少八叉树的深度，提高树的效率和存储空间利用率。叶节点合并的具体实现方法可以根据应用的需求和具体情况来确定。常见的方法包括递归遍历八叉树，判断相邻叶节点的条件，并进行合并操作等。进一步的，叶节点合并的条件通常是根据应用的需求和具体情况来确定。以下是一些常见的叶节点合并条件：1.空间合并：当相邻的叶节点中的空间区域没有物体或场景时，可以将它们合并为一个更大的节点。这样可以减少树的深度，节省存储空间，并加快树的遍历和搜索速度。2.属性合并：当相邻的叶节点中的物体或场景具有相似的属性时，可以将它们合并为一个更大的节点。例如，如果相邻的叶节点中的物体颜色相似或密度相似，可以将它们合并为一个节点，以减少树的节点数量和存储空间。3.精度合并：当相邻的叶节点中的物体或场景表示的精度达到一定要求时，可以将它们合并为一个更大的节点。这样可以降低树的深度和节点数量，提高树的效率和存储空间利用率。
S403、根据所述最终初始八叉树结构，提取洗化水泡沫对应的主题色。
其中，在初始八叉树结构的叶节点均进行合并处理之后，得到最终初始八叉树结构，再根据所述最终初始八叉树结构，进行洗化水泡沫对应的主题色。具体提取方法参照上述实施例，此处不再进一步赘述。
在本申请的一种实施例中，参照附图5，S402、当叶节点数量超过预设节点阈值时，基于所述初始泡沫像素点对应的隶属度进行叶节点的合并，直至遍历所有初始泡沫像素点，以确认最终初始八叉树结构，具体包括：
S501、当所述叶节点数量超过预设节点阈值时，统计目标叶节点以及与其相同父节点的其他叶节点的初始泡沫像素点对应的隶属度；
S502、判断所述目标叶节点以及与其相同父节点的其他叶节点的初始泡沫像素点对应的隶属度均大于预设合并阈值；
S503、若是，将目标叶节点以及与其相同父节点的其他叶节点合并为一个叶节点，作为新目标节点，继续合并叶节点；
S504、若否，将最小隶属度与新增叶节点的初始泡沫像素点对应的隶属度比较，将两者最大值对应的叶节点并入原叶节点，继续合并叶节点；
S505、遍历所有的初始泡沫像素点，确认最终初始八叉树结构。
其中，当所述叶节点数量超过预设节点阈值时，统计目标叶节点的兄弟节点（即与目标叶节点相同父节点的其他叶节点）的初始泡沫像素点对应的隶属度，当所述目标叶节点以及与其相同父节点的其他叶节点的初始泡沫像素点对应的隶属度均大于预设合并阈值，将目标叶节点以及与其相同父节点的其他叶节点（也即兄弟节点）合并为一个叶节点，作为新目标节点，继续合并其他叶节点，直到遍历所有的初始泡沫像素点，确认最终初始八叉树结构为止。当所述目标叶节点以及与其相同父节点的其他叶节点的初始泡沫像素点对应的隶属度存在一个小于预设合并阈值时，统计目标叶节点与其兄弟节点的初始泡沫像素点对应的隶属度，将最小隶属度与新增叶节点的初始泡沫像素点对应的隶属度比较，将两者最大值对应的叶节点并入原叶节点，继续合并叶节点，也即并入后，再进行步骤S502的判断，直至遍历所有的初始泡沫像素点，确认最终初始八叉树结构。
在本申请的一种实施例中，参照附图6，步骤S104、所述将所述洗化水泡沫对应的主题色与标准主题色进行比对，确认所述洗化水的质量状态，具体包括：
S601、计算洗化水泡沫对应的主题色与标准主题色在预设颜色通道中的通道值，确认每个颜色通道对应的通道值差值。
S602、基于所述每个颜色通道对应的通道值差值，计算所述洗化水的质量值。
其中，在获取到洗化水泡沫对应的主题色在所有预设颜色通道中对应的通道值差值之后，将所述通道值差值作为计算参数，进一步计算洗化水的质量值。
具体的，所述基于所述每个颜色通道对应的通道值差值，计算所述洗化水的质量值，具体包括：
其中，为所述目标洗化水的质量值，/>为颜色通道的数量，/>为洗化水泡沫对应的主题色在第/>个颜色通道中的通道值，/>为洗化水泡沫对应的标准主题色在第/>个颜色通道中的通道值。
S603、当所述洗化水的质量值大于标准质量值时，确认所述洗化水的质量状态为异常质量状态；
S604、当所述洗化水的质量值小于或等于标准质量值时，确认所述洗化水的质量状态为正常质量状态。
需要说明的是，从洗化水泡沫图像中提取到细化水泡沫的主题色与对应的标准主题色越接近，表明越符合生产标准，计算出的洗化水质量水平越高，反之亦然。根据经验值或者行业通用的标准规范，可设定标准质量值，将得到的洗化水的质量值与标准质量值进行比对，确认洗化水的质量状态为正常质量状态，还是异常质量状态。
在本申请的一种实施例中，参照附图7，在步骤S101、通过洗化水泡沫图像的像素点与其预设邻域窗口内其他像素点的色彩差异指数，确认初始泡沫像素点之前，所述方法还包括：
S701、通过图像采集设别对洗化水的泡沫进行图像采集，获取RGB空间下洗化水的泡沫对应的初始洗化水泡沫图像；
S702、将所述初始洗化水泡沫图像进行预设去噪算法与图像增强算法处理，确认洗化水泡沫图像。
其中，所述预设去噪算法可为均值滤波去噪、中值滤波去噪、双边滤波去噪等算法，本案优选为双边滤波去噪，所述双边滤波是一种常用的图像去噪方法，它能够在减少噪声的同时保留图像的边缘和细节信息。与传统的均值滤波相比，双边滤波考虑了像素的空间距离和像素值之间的相似性。图像增强算法处理可为局部自适应对比度增强算法，所述局部自适应对比度增强算法是一种用于增强图像对比度的算法，它能够根据图像的局部特征来调整像素的亮度值，从而提高图像的视觉效果。所述局部自适应对比度增强算法可为如下步骤：
1. 将输入图像分割成多个重叠的局部区域，每个区域包含一定数量的像素。
2. 对于每个局部区域，计算其平均亮度值和标准差。
3. 根据每个像素的亮度值与其所在局部区域的平均亮度值之差，调整像素的亮度值。具体调整方式可以使用以下公式：
新的亮度值 = 原始亮度值 + 增益 * (原始亮度值 - 局部区域平均亮度值)
其中，增益是一个可调参数，用于控制对比度增强的程度。较大的增益值会产生更明显的对比度增强效果，但可能会引入图像的噪声。
4. 重复步骤3，对图像中的每个像素进行亮度调整。
通过局部自适应对比度增强算法，可以根据图像的局部特征来调整像素的亮度值，从而使图像的对比度更加突出。这种算法通常适用于具有不均匀光照或对比度较低的图像，可以提高图像的细节可见性和视觉效果。
本申请实施例先通过洗化水泡沫图像的像素点与其预设邻域窗口内其他像素点的色彩差异指数，确认初始泡沫像素点，然后根据预设区域内标准数量的初始泡沫像素点，计算每个初始泡沫像素点对应的隶属度，再基于所述每个初始泡沫像素点对应的隶属度与预设的主题色提取算法，提取洗化水泡沫对应的主题色，最后将所述洗化水泡沫对应的主题色与标准主题色进行比对，确认所述洗化水的质量状态。将洗化水泡沫图像的每个初始泡沫像素点对应的隶属度作为预设的主题色提取算法的参数，以提高洗化水泡沫对应的主题色提取的准确性，相对于传统的洗化水质量监测方法，提高了洗化水质量监测的准确性，进一步降低了洗化水质量监测的工作成本。
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将本申请上述的实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。

Claims (10)

1.一种基于图像处理的洗化水质量监测方法，应用于洗化水质量监测领域，其特征在于，所述方法包括：
通过洗化水泡沫图像的像素点与其预设邻域窗口内其他像素点的色彩差异指数，确认初始泡沫像素点；
根据预设区域内标准数量的初始泡沫像素点，计算每个初始泡沫像素点对应的隶属度；
基于所述每个初始泡沫像素点对应的隶属度与预设的主题色提取算法，提取洗化水泡沫对应的主题色；
将所述洗化水泡沫对应的主题色与标准主题色进行比对，确认所述洗化水的质量状态。
2.根据权利要求1所述的基于图像处理的洗化水质量监测方法，其特征在于，所述通过洗化水泡沫图像的像素点与其预设邻域窗口内其他像素点的色彩差异指数，确认初始泡沫像素点，具体包括：
根据目标像素点与其预设邻域窗口内其他像素点在预设数量的颜色通道中的通道值，分别计算目标像素点与其他像素点对应的色彩差异指数；
当所述预设数量的色彩差异指数均小于色彩差异指数阈值时，确认所述目标像素点为非初始泡沫像素点；
当任意一个所述预设数量的色彩差异指数大于色彩差异指数阈值时，确认所述目标像素点为初始泡沫像素点。
3.根据权利要求2所述的基于图像处理的洗化水质量监测方法，其特征在于，所述根据目标像素点与其预设邻域窗口内其他像素点在预设数量的颜色通道中的通道值，计算目标像素点与其他像素点对应的预设数量的色彩差异指数，具体包括：
其中，为目标像素点与第/>个其他像素点对应的色彩差异指数，/>为颜色通道的数量，为目标像素点与第/>个其他像素点在第/>个颜色通道中的最大通道值，/>为目标像素点与第/>个其他像素点在第/>个颜色通道中的最小通道值，/>为通道常数。
4.根据权利要求3所述的基于图像处理的洗化水质量监测方法，其特征在于，所述根据预设区域内标准数量的初始泡沫像素点，计算每个初始泡沫像素点对应的隶属度，具体包括：
将目标初始泡沫像素点以及在其邻近的预设区域范围内标准数量的其他初始泡沫像素点进行圆形拟合处理，确认拟合圆边缘区域；
基于所述拟合圆边缘区域的形状特性，计算所述目标初始泡沫像素点对应的圆心方向角与曲率；
根据所述目标初始泡沫像素点对应的像素灰度值、圆心方向角、曲率以及拟合圆半径，构建目标初始泡沫像素点对应的外观特征向量；
基于目标初始泡沫像素点与其预设标准邻域窗口内其他初始泡沫像素点对应的外观特征向量，计算目标初始泡沫像素点对应的隶属度。
5.根据权利要求4所述的基于图像处理的洗化水质量监测方法，其特征在于，所述基于目标初始泡沫像素点与其预设标准邻域窗口内其他初始泡沫像素点对应的外观特征向量，计算目标初始泡沫像素点对应的隶属度，具体包括：
其中，为目标初始泡沫像素点/>对应的隶属度，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内初始泡沫像素点的数量，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内第/>个初始泡沫像素点对应的像素灰度值，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内与第/>个初始泡沫像素点相邻的初始泡沫像素点对应的像素灰度值，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内第/>个初始泡沫像素点对应的圆心方向角，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内与第/>个初始泡沫像素点相邻的初始泡沫像素点对应的圆心方向角，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内第/>个初始泡沫像素点对应的曲率，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内与第/>个初始泡沫像素点相邻的初始泡沫像素点对应的曲率，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内第/>个初始泡沫像素点对应的拟合圆半径，/>为目标初始泡沫像素点/>在其预设标准邻域窗口内与第/>个初始泡沫像素点相邻的初始泡沫像素点对应的拟合圆半径。
6.根据权利要求5所述的基于图像处理的洗化水质量监测方法，其特征在于，所述主题色提取算法为八叉树算法，对应的，所述基于所述每个初始泡沫像素点对应的隶属度与预设的主题色提取算法，提取洗化水泡沫对应的主题色，具体包括：
基于所述八叉树算法与初始泡沫像素点，构建初始八叉树结构，其中，初始八叉树结构包括若干数量的叶节点；
当叶节点数量超过预设节点阈值时，基于所述初始泡沫像素点对应的隶属度进行叶节点的合并，直至遍历所有初始泡沫像素点，以确认最终初始八叉树结构；
根据所述最终初始八叉树结构，提取洗化水泡沫对应的主题色。
7.根据权利要求6所述的基于图像处理的洗化水质量监测方法，其特征在于，所述当叶节点数量超过预设节点阈值时，基于所述初始泡沫像素点对应的隶属度进行叶节点的合并，直至遍历所有初始泡沫像素点，以确认最终初始八叉树结构，具体包括：
当所述叶节点数量超过预设节点阈值时，统计目标叶节点以及与其相同父节点的其他叶节点的初始泡沫像素点对应的隶属度；
判断所述目标叶节点以及与其相同父节点的其他叶节点的初始泡沫像素点对应的隶属度均大于预设合并阈值；
若是，将目标叶节点以及与其相同父节点的其他叶节点合并为一个叶节点，作为新目标节点，继续合并叶节点；
若否，将最小隶属度与新增叶节点的初始泡沫像素点对应的隶属度比较，将两者最大值对应的叶节点并入原叶节点，继续合并叶节点；
遍历所有的初始泡沫像素点，确认最终初始八叉树结构。
8.根据权利要求7所述的基于图像处理的洗化水质量监测方法，其特征在于，所述将所述洗化水泡沫对应的主题色与标准主题色进行比对，确认所述洗化水的质量状态，具体包括：
计算洗化水泡沫对应的主题色与标准主题色在预设颜色通道中的通道值，确认每个颜色通道对应的通道值差值；
基于所述每个颜色通道对应的通道值差值，计算所述洗化水的质量值；
当所述洗化水的质量值大于标准质量值时，确认所述洗化水的质量状态为异常质量状态；
当所述洗化水的质量值小于或等于标准质量值时，确认所述洗化水的质量状态为正常质量状态。
9.根据权利要求8所述的基于图像处理的洗化水质量监测方法，其特征在于，所述基于所述每个颜色通道对应的通道值差值，计算所述洗化水的质量值，具体包括：
其中，为洗化水的质量值，/>为颜色通道的数量，/>为洗化水泡沫对应的主题色在第/>个颜色通道中的通道值，/>为洗化水泡沫对应的标准主题色在第/>个颜色通道中的通道值。
10.根据权利要求9所述的基于图像处理的洗化水质量监测方法，其特征在于，在通过洗化水泡沫图像的像素点与其预设邻域窗口内其他像素点的色彩差异指数，确认初始泡沫像素点之前，所述方法还包括：
通过图像采集设别对洗化水的泡沫进行图像采集，获取RGB空间下洗化水的泡沫对应的初始洗化水泡沫图像；
将所述初始洗化水泡沫图像进行预设去噪算法与图像增强算法处理，确认洗化水泡沫图像。
CN202310980585.7A 2023-08-07 2023-08-07 一种基于图像处理的洗化水质量监测方法 Active CN116703916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310980585.7A CN116703916B (zh) 2023-08-07 2023-08-07 一种基于图像处理的洗化水质量监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310980585.7A CN116703916B (zh) 2023-08-07 2023-08-07 一种基于图像处理的洗化水质量监测方法

Publications (2)

Publication Number Publication Date
CN116703916A true CN116703916A (zh) 2023-09-05
CN116703916B CN116703916B (zh) 2023-10-20

Family

ID=87839667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310980585.7A Active CN116703916B (zh) 2023-08-07 2023-08-07 一种基于图像处理的洗化水质量监测方法

Country Status (1)

Country Link
CN (1) CN116703916B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455913A (zh) * 2023-12-25 2024-01-26 卡松科技股份有限公司 基于图像特征的液压油污染智能检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780440A (zh) * 2016-11-29 2017-05-31 北京邮电大学 爆炸电路板残片图像自动比对识别方法
CN110459304A (zh) * 2019-07-19 2019-11-15 汕头大学 一种基于面部图像的健康状态诊断系统
CN110969170A (zh) * 2019-12-03 2020-04-07 北京奇艺世纪科技有限公司 一种图像主题色提取方法、装置及电子设备
WO2020164042A1 (zh) * 2019-02-14 2020-08-20 唐锐 基于边界提取的区域合并图像分割算法
CN112016552A (zh) * 2020-11-02 2020-12-01 矿冶科技集团有限公司 基于泡沫颜色的混合浮选工况识别方法和系统
CN113077405A (zh) * 2021-03-27 2021-07-06 荆门汇易佳信息科技有限公司 二分割分块的颜色传递及其质量评价体系
CN113344879A (zh) * 2021-06-09 2021-09-03 成都之维安科技股份有限公司 基于污染源排口的图像目标分割与颜色异常检测方法
US20210354502A1 (en) * 2018-10-17 2021-11-18 Agfa Nv Method of color correct manufacturing decorative panels
CN114882265A (zh) * 2022-07-12 2022-08-09 济宁昆仑石油化工有限公司 一种成品油质量检测方法
WO2023045857A1 (zh) * 2021-09-24 2023-03-30 维沃移动通信有限公司 图像处理方法、装置、电子设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780440A (zh) * 2016-11-29 2017-05-31 北京邮电大学 爆炸电路板残片图像自动比对识别方法
US20210354502A1 (en) * 2018-10-17 2021-11-18 Agfa Nv Method of color correct manufacturing decorative panels
WO2020164042A1 (zh) * 2019-02-14 2020-08-20 唐锐 基于边界提取的区域合并图像分割算法
CN110459304A (zh) * 2019-07-19 2019-11-15 汕头大学 一种基于面部图像的健康状态诊断系统
CN110969170A (zh) * 2019-12-03 2020-04-07 北京奇艺世纪科技有限公司 一种图像主题色提取方法、装置及电子设备
CN112016552A (zh) * 2020-11-02 2020-12-01 矿冶科技集团有限公司 基于泡沫颜色的混合浮选工况识别方法和系统
CN113077405A (zh) * 2021-03-27 2021-07-06 荆门汇易佳信息科技有限公司 二分割分块的颜色传递及其质量评价体系
CN113344879A (zh) * 2021-06-09 2021-09-03 成都之维安科技股份有限公司 基于污染源排口的图像目标分割与颜色异常检测方法
WO2023045857A1 (zh) * 2021-09-24 2023-03-30 维沃移动通信有限公司 图像处理方法、装置、电子设备及存储介质
CN114882265A (zh) * 2022-07-12 2022-08-09 济宁昆仑石油化工有限公司 一种成品油质量检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
VARUN SACHAN ET AL.: "Product Quality Inspector", 《2020 9TH INTERNATIONAL CONFERENCE SYSTEM MODELING AND ADVANCEMENT IN RESEARCH TRENDS (SMART)》, pages 212 - 215 *
史可: "基于公众审美的哈尔滨城市公园植物色彩评价及优化研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 4, pages 038 - 976 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455913A (zh) * 2023-12-25 2024-01-26 卡松科技股份有限公司 基于图像特征的液压油污染智能检测方法
CN117455913B (zh) * 2023-12-25 2024-03-08 卡松科技股份有限公司 基于图像特征的液压油污染智能检测方法

Also Published As

Publication number Publication date
CN116703916B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN107169487B (zh) 基于超像素分割及深度特征定位的显著性目标检测方法
CN107679520B (zh) 一种适用于复杂条件下的车道线视觉检测方法
CN116703916B (zh) 一种基于图像处理的洗化水质量监测方法
CN110458172A (zh) 一种基于区域对比度检测的弱监督图像语义分割方法
CN108805042B (zh) 道路区域监控视频被树叶遮挡的检测方法
CN109086724B (zh) 一种加速的人脸检测方法及存储介质
CN109636732A (zh) 一种深度图像的空洞修复方法以及图像处理装置
CN106530336B (zh) 基于色彩信息和图割理论的立体匹配方法
CN115661173B (zh) 一种基于遥感图像的地块分割方法
CN112164145B (zh) 基于点云数据快速提取室内三维线段结构的方法
CN104574404A (zh) 一种立体图像重定位方法
CN111047603B (zh) 一种基于新型马尔可夫随机场和区域合并的航拍图像混合分割算法
CN115311277A (zh) 一种不锈钢制品的凹坑缺陷识别方法
CN109410235B (zh) 融合边缘特征的目标跟踪方法
CN105005988A (zh) 一种基于交互式图像分割的立体匹配方法
CN111161276B (zh) 一种虹膜归一化图像的形成方法
CN115423870A (zh) 一种瞳孔中心定位方法和装置
CN109191482B (zh) 一种基于区域自适应光谱角阈值的图像合并分割方法
CN114022483A (zh) 一种基于边缘特性的注塑飞边区域识别方法
CN106504216B (zh) 基于变分模型的单幅图像去雾方法
CN113763273B (zh) 人脸补全方法、电子设备和计算机可读存储介质
CN107610148A (zh) 一种基于双目立体视觉系统的前景分割方法
CN110910417B (zh) 一种基于超像素邻帧特征对比的弱小运动目标检测方法
CN116186864B (zh) 一种基于bim技术的深基坑模型快速建模方法及系统
CN104680523B (zh) 基于前景和背景先验的多模态区域一致性的显著性对象检测方法

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