CN117392114B - 一种基于图像处理的槟榔等级检测方法 - Google Patents
一种基于图像处理的槟榔等级检测方法 Download PDFInfo
- Publication number
- CN117392114B CN117392114B CN202311586659.5A CN202311586659A CN117392114B CN 117392114 B CN117392114 B CN 117392114B CN 202311586659 A CN202311586659 A CN 202311586659A CN 117392114 B CN117392114 B CN 117392114B
- Authority
- CN
- China
- Prior art keywords
- detection window
- suspected
- corner
- betel nut
- image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 285
- 244000080767 Areca catechu Species 0.000 title claims abstract description 135
- 235000006226 Areca catechu Nutrition 0.000 title claims abstract description 135
- 238000012545 processing Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012937 correction Methods 0.000 claims abstract description 16
- 241000202755 Areca Species 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 235000008180 Piper betle Nutrition 0.000 abstract description 28
- 240000008154 Piper betle Species 0.000 abstract description 28
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/26—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的槟榔等级检测方法。该方法包括:获取槟榔图像和待检测槟榔图像;获取槟榔图像的二值图像中每个像素的若干临时检测窗口,获取每个像素的每个临时检测窗口的分形维数,进而得到最佳窗口尺寸;基于最佳窗口尺寸获取槟榔图像的若干最佳检测窗口,获取每个最佳检测窗口的若干疑似角点,获取每个疑似角点的特征度,根据特征度得到槟榔图像中每个像素的修正权重系数;根据修正权重系数、最佳窗口尺寸和待检测槟榔图像进行图像特征提取和槟榔等级检测。从而通过给每个像素设置准确的权重系数,来实现准确的提取出槟榔的特征信息,进而提高槟榔等级检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的槟榔等级检测方法。
背景技术
基于图像处理的槟榔等级检测方法可以用于自动识别和分类槟榔的不同等级。此类槟榔等级检测方法可以提高生产效率和质量控制,并减少人工检测的需求。槟榔图像中槟榔的特征信息是进行槟榔等级检测的主要区分信息,因而为了实现准确的槟榔等级检测需要准确提取出槟榔的特征信息。
Harris算法作为一种常用的角点检测算法,其常用于槟榔特征信息的提取,影响角点检测准确性的一个主要参数是计算每个像素的角点响应值,而在计算角点响应值时需要为每个像素的检测窗口内其他像素设置权重系数,每个像素的检测窗口内其他像素的权重系数设置的好坏会影响角点响应值的准确性。传统权重系数的设置方法有两种,一种是将检测窗口内其他像素的权重系数均设置为1,另一种是根据距离为其他像素设置权重系数,距离较近的设置较大的权重,距离较大设置较小的权重。这种设置权重系数的方法没有结合槟榔的特征,从而基于这种权重系数设置方法检测出的槟榔的角点特征不够准确。
发明内容
为了解决上述技术问题,本发明提供一种基于图像处理的槟榔等级检测方法,所采用的技术方案具体如下:
获取槟榔图像和待检测槟榔图像;
获取槟榔图像的二值图像;获取槟榔图像的二值图像中每个像素的若干临时检测窗口,对每个像素的每个临时检测窗口中信息量进行描述得到每个像素的每个临时检测窗口的分形维数,根据每个像素的每个临时检测窗口的分形维数得到最佳窗口尺寸;
基于最佳窗口尺寸获取槟榔图像的若干最佳检测窗口,获取每个最佳检测窗口的若干疑似角点,根据每个最佳检测窗口的每个疑似角点符合槟榔形状特征的情况得到每个疑似角点的特征度,获取槟榔图像中每个像素的权重系数,根据每个疑似角点的特征度调整槟榔图像中每个像素的权重系数得到槟榔图像中每个像素的修正权重系数;
根据槟榔图像中每个像素点的修正权重系数、最佳窗口尺寸和待检测槟榔图像进行图像特征提取和槟榔等级检测。
优选的,所述获取槟榔图像的二值图像;获取槟榔图像的二值图像中每个像素的若干临时检测窗口,包括的具体步骤为:
利用大津阈值法获取槟榔图像的分割阈值,其中大于分割阈值的像素的灰度值设置为1,小于等于分割阈值的像素的灰度值设置为0,得到槟榔图像的二值图像;
获取二值图像的长和宽,将二值图像的长和宽中的最小值除以a得到截止尺寸L,a表示预设截止系数,以二值图像的每个像素为中心,获取的临时检测窗口,其中/>表示临时检测窗口的边长变量,令/>取/>之间的所有奇数,得到每个像素的若干个临时检测窗口,/>表示预设最小检测窗口尺寸。
优选的,所述对每个像素的每个临时检测窗口中信息量进行描述得到每个像素的每个临时检测窗口的分形维数,包括的具体步骤为:
获取每个像素的每个临时检测窗口的每种遮盖矩形,以及每种遮盖矩形对应的临界遮盖矩形数量;
对于每个像素的第i个临时检测窗口,利用最小二乘法对临时检测窗口的所有临界遮盖矩形数量拟合对数函数处理得到临时检测窗口的数量函数,利用最小二乘法对临时检测窗口的所有种遮盖矩形的边长的倒数拟合对数函数处理得到临时检测窗口的边长函数,将临时检测窗口的边长函数与数量函数累加后除以2得到临时检测窗口的中间函数;对临时检测窗口的中间函数进行求导和取绝对值处理得到临时检测窗口的分形函数,将临时检测窗口的若干临界遮盖矩形数量输入到分形函数中得到临时检测窗口的若干分形数量,将临时检测窗口的所有分形数量的均值作为临时检测窗口的分形维数;
获取每个像素的每个临时检测窗口的分形维数。
优选的,所述获取每个像素的每个临时检测窗口的每种遮盖矩形,以及每种遮盖矩形对应的临界遮盖矩形数量,包括的具体步骤为:
对于每个像素的任意一个临时检测窗口,获取临时检测窗口的边长,利用尺寸为/>的遮盖矩形对临时检测窗口中灰度值为1的像素进行遮盖处理,将临时检测窗口中的灰度值为1的像素全部遮盖住所需的最少遮盖矩形数量,记为临界遮盖矩形数量/>,其中表示遮盖矩形的边长变量,令/>取/>之间的所有整数,/>的每个取值对应的遮盖矩形作为一种遮盖矩形,每种遮盖矩形对应一个临界遮盖矩形数量。
优选的,所述根据每个像素的每个临时检测窗口的分形维数得到最佳窗口尺寸,包括的具体步骤为:
将每个像素的所有临时检测窗口的分形维数的最大值对应的临时检测窗口作为每个像素的可行检测窗口,将所有像素的所有可行检测窗口的分形维数最大值对应的可行检测窗口的尺寸作为最佳窗口尺寸。
优选的,所述基于最佳窗口尺寸获取槟榔图像的若干最佳检测窗口,获取每个最佳检测窗口的若干疑似角点,包括的具体步骤为:
将槟榔图像均匀分割成若干个尺寸为最佳窗口尺寸的最佳检测窗口;
对于任意一个最佳检测窗口,将最佳检测窗口的所有像素构成的序列作为最佳检测序列,将最佳检测序列中所有像素构成的集合记为第一集合,将第一集合中的所有像素的灰度值作为子样本输入到孤独森林中得到第一集合的异常像素,将最佳检测序列中去除第一个像素后剩余的像素构成的集合记为第二集合,将第二集合中的所有像素的灰度值作为子样本输入到孤独森林中得到第二集合的异常像素,将最佳检测序列中去除前两个像素后剩余的像素构成的集合记为第三集合,将第三集合中的所有像素的灰度值作为子样本输入到孤独森林中得到第三集合的异常像素,以此类推,直至所得集合中的像素数量无法实现异常检测时结束,得到若干异常像素;
获取每个最佳检测窗口的若干异常像素,将每个最佳检测窗口的若干异常像素记为每个最佳检测窗口的若干疑似角点。
优选的,所述根据每个最佳检测窗口的每个疑似角点符合槟榔形状特征的情况得到每个疑似角点的特征度,包括的具体步骤为:
获取每个最佳检测窗口的每个疑似角点的基准距离和每个最佳检测窗口的偏离数量;
在每个最佳检测窗口中获取与每个疑似角点的距离最近的疑似角点,记为每个最佳检测窗口的每个疑似角点的参考疑似角点;
每个最佳检测窗口的每个疑似角点的特征度的计算方法为:
其中,表示第k个疑似角点所在的最佳检测窗口中第j个疑似角点的基准距离,表示第k个疑似角点所在的最佳检测窗口的偏离数量,/>表示第k个疑似角点所在的最佳检测窗口中疑似角点的数量,/>表示预设权重,/>表示第k个疑似角点在最佳检测窗口中的列数,/>表示第k个疑似角点的参考疑似角点在最佳检测窗口中的列数,/>表示第k个疑似角点在最佳检测窗口中的行数,/>表示第k个疑似角点的参考疑似角点在最佳检测窗口中的行数,/>表示每个最佳检测窗口的第k个疑似角点的特征度,/>表示绝对值符号,/>表示以自然常数为底的指数函数。
优选的,所述获取每个最佳检测窗口的每个疑似角点的基准距离和每个最佳检测窗口的偏离数量,包括的具体步骤为:
利用最小二乘法对每个最佳检测窗口的所有疑似角点的位置进行多项式拟合处理得到基准曲线,将每个最佳检测窗口的每个疑似角点与基准曲线的最小距离记为每个最佳检测窗口的每个疑似角点的基准距离,将每个最佳检测窗口中基准距离大于预设距离阈值Y1的疑似角点的数量,记为每个最佳检测窗口的偏离数量。
优选的,所述获取槟榔图像中每个像素的权重系数,根据每个疑似角点的特征度调整槟榔图像中每个像素的权重系数得到槟榔图像中每个像素的修正权重系数,包括的具体步骤为:
获取槟榔图像中每个像素点的权重系数,将每个疑似角点的特征度与预设特征度阈值Y2比较,将大于预设特征度阈值Y2的疑似角点作为可行角点;
将每个可行角点的特征度与1的累加和乘以权重系数得到每个可行角点的修正权重系数;将槟榔图像中除可行角点之外的其余像素记为非可能角点,将每个非可能角点的权重系数作为每个非可能角点的修正权重系数。
优选的,所述根据槟榔图像中每个像素点的修正权重系数、最佳窗口尺寸和待检测槟榔图像进行图像特征提取和槟榔等级检测,包括的具体步骤为:
将每个像素点的修正权重系数替换权重系数,将最佳窗口尺寸作为每个像素的检测窗口的尺寸,对每张槟榔图像进行角点检测处理得到每张槟榔角点特征图像;对待检测槟榔图像进行角点检测处理得到每张待检测槟榔角点特征图像;
人工对每张槟榔角点特征图像标注等级标签,将带标签的所有槟榔角点特征图像构成数据集,构建槟榔等级检测网络,利用数据集完成槟榔等级检测网络的训练,将待检测槟榔角点特征图像输入到训练完成的槟榔等级检测网络中得到槟榔等级。
本发明具有如下有益效果:
为了实现准确的槟榔等级检测,需准确的提取出槟榔的外观特征,而在提取槟榔的外观特征时,传统角点检测方法没有结合槟榔的外形特点,导致利用传统角点检测算法提取出的槟榔的角点特征不能够对槟榔的外观进行准确描述。因而本发明首先获取疑似角点,然后根据疑似角点对槟榔形状特征的符合情况得到每个疑似角点的特征度,根据每个疑似角点的特征度对槟榔图像中每个像素的权重系数进行修正得到每个像素的修正权重系数,基于修正权重系数进行的角点提取,该种方法提取出的角点能够较好的描述槟榔外观特征,从而实现准确槟榔等级检测。
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图像处理的槟榔等级检测方法流程图。
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图像处理的槟榔等级检测方法,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。
一种基于图像处理的槟榔等级检测方法实施例:
下面结合附图具体的说明本发明所提供的一种基于图像处理的槟榔等级检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的槟榔等级检测方法流程图,该方法包括:
S001:获取槟榔图像和待检测槟榔图像。
具体的,对槟榔进行采集图像处理得到若干张槟榔图像,对槟榔图像进行灰度化处理得槟榔灰度化图像,利用直方图均衡化方法对槟榔灰度化图像进行增强处理得到槟榔增强后图像。为了便于描述,后续将槟榔增强后图像依旧称为槟榔图像。
在所有槟榔图像中包含训练槟榔等级检测网络的槟榔图像和待检测等级的槟榔图像,将训练槟榔等级检测网络的槟榔图像依旧称为槟榔图像,将待检测等级的槟榔图像称为待检测槟榔图像。
S002:根据槟榔图像获取最佳窗口尺寸。
需要说明的是,在利用Harris算法进行角点检测时,需要设置合适尺寸的检测窗口,传统Harris算法一般是通过人为主观给定检测窗口尺寸,这种人为主观给定检测窗口尺寸的方法对槟榔图像的角点检测适用性较差。
需要说明的是,为了防止由于检测窗口内信息丰富度较低影响角点检测的准确性,需保障检测窗口内有较为丰富的信息。因而基于此来确定最佳检测窗口尺寸。
具体的,利用大津阈值法获取槟榔图像的分割阈值,其中大于分割阈值的像素的灰度值设置为1,小于等于分割阈值的像素的灰度值设置为0,得到槟榔图像的二值图像。
进一步的,获取二值图像的长和宽,将二值图像的长和宽中的最小值除以a得到截止尺寸L,a表示预设截止系数,本实施例以a取10为例进行叙述,其他实施例可以取其他值,本实施例不进行具体限制。
以二值图像的每个像素为中心,获取的临时检测窗口,其中/>表示临时检测窗口的边长变量,令/>取/>之间的所有奇数,得到每个像素的若干个临时检测窗口。/>表示预设最小检测窗口尺寸,本实施例以/>取3为例进行叙述,其他实施例可以取其他值,本实施例不进行具体限制。
对于每个像素的任意一个临时检测窗口,获取临时检测窗口的边长,利用尺寸为/>的遮盖矩形对临时检测窗口中灰度值为1的像素进行遮盖处理,将临时检测窗口中的灰度值为1的像素全部遮盖住所需的最少遮盖矩形数量,记为临界遮盖矩形数量/>。其中表示遮盖矩形的边长变量,令/>取/>之间的所有整数,/>的每个取值对应的遮盖矩形作为一种遮盖矩形,每种遮盖矩形对应一个临界遮盖矩形数量。
获取每个像素的每个临时检测窗口的若干个临界遮盖矩形数量。
进一步的,利用最小二乘法将每个像素的第i个临时检测窗口的所有临界遮盖矩形数量拟合对数函数处理得到每个像素的第i个临时检测窗口的数量函数,利用最小二乘法对每个像素的第i个临时检测窗口的所有种遮盖矩形的边长的倒数拟合对数函数处理得到每个像素的第i个临时检测窗口的边长函数,将每个像素的第i个临时检测窗口的边长函数与数量函数累加后除以2得到每个像素的第i个临时检测窗口的中间函数。
对每个像素的第i个临时检测窗口的中间函数进行求导和取绝对值处理得到每个像素的第i个临时检测窗口的分形函数。将每个像素的第i个临时检测窗口的若干临界遮盖矩形数量输入到分形函数中得到每个像素的第i个临时检测窗口的若干分形数量,将每个像素的第i个临时检测窗口的所有分形数量的均值作为每个像素的第i个临时检测窗口的分形维数。同理得到每个像素的每个临时检测窗口的分形维数。其中分形维数越大,说明该像素的该临时检测窗口内包含的信息越丰富,越适合进行角点检测。
将每个像素的所有临时检测窗口的分形维数的最大值对应的临时检测窗口作为每个像素的可行检测窗口。将所有像素的所有可行检测窗口的分形维数最大值对应的可行检测窗口的尺寸作为最佳窗口尺寸。
S003:根据最佳窗口尺寸得到若干最佳检测窗口,获取每个最佳检测窗口的若干疑似角点,计算每个疑似角点的特征度,根据每个疑似角点的特征度得到每个像素的修正权重系数。
具体的,将槟榔图像均匀分割成若干个尺寸为最佳窗口尺寸的最佳检测窗口。
需要说明的是,本实施例中在获取检测窗口时,在槟榔图像的边缘位置处得到的检测窗口可能不满足尺寸要求,此时需在尺寸范围内获取尽可能大的检测窗口。
需要说明的是,最佳检测窗口中会少量存在一些像素的灰度值与其他像素的灰度值差异较大,这些像素为角点像素的可能性较大,因而可以通过对每个最佳检测窗口中的所有像素的灰度值进行异常检测来获取疑似角点。
进一步的,对于任意一个最佳检测窗口,将最佳检测窗口的所有像素构成的序列作为最佳检测序列,将最佳检测序列中所有像素构成的集合记为第一集合,将第一集合中的所有像素的灰度值作为子样本输入到孤独森林中得到第一集合的异常像素,将最佳检测序列中去除第一个像素后剩余的像素构成的集合记为第二集合,将第二集合中的所有像素的灰度值作为子样本输入到孤独森林中得到第二集合的异常像素,将最佳检测序列中去除前两个像素后剩余的像素构成的集合记为第三集合,将第三集合中的所有像素的灰度值作为子样本输入到孤独森林中得到第三集合的异常像素,以此类推,直至所得集合中的像素数量无法实现异常检测时结束,得到若干异常像素。通过该种输入方式可以防止子样本设置不当引起的异常检测不准确问题。
同理获取每个最佳检测窗口的若干异常像素,将每个最佳检测窗口的若干异常像素记为每个最佳检测窗口的若干疑似角点。
至此,得到了每个最佳检测窗口的若干疑似角点,通过该方式得到的疑似角点没有结合槟榔的特征,因而下面需结合槟榔的特征对每个最佳检测窗口的每个疑似角点进行判定,其中当疑似角点符合槟榔特征时,该疑似角点在角点检测时需设置较大的权重系数,当疑似角点不符合槟榔特征时,该疑似角点在角点检测时需设置较小的权重系数。
进一步的,利用最小二乘法对每个最佳检测窗口的所有疑似角点的位置进行多项式拟合处理得到基准曲线。获取每个最佳检测窗口的每个疑似角点与基准曲线的最近距离记为每个最佳检测窗口的每个疑似角点的基准距离。将每个最佳检测窗口中基准距离大于预设距离阈值Y1的疑似角点的数量,记为每个最佳检测窗口的偏离数量。在每个最佳检测窗口中获取与每个疑似角点的距离最近的疑似角点,记为疑似角点的参考疑似角点。本实施例以Y1取4为例进行叙述,其他实施例可以取其他值,本实施例不进行具体限制。
需要说明的是,槟榔图像中描述槟榔形状的角点相对较多,因而基于所有的疑似角点进行拟合时,其拟合出的曲线能够较为符号槟榔的形状特征。因而当疑似角点距离拟合曲线较远时,说明该疑似角点不太符合槟榔特征。
每个最佳检测窗口的疑似角点的特征度的计算方法为:
其中,表示第k个疑似角点所在的最佳检测窗口中第j个疑似角点的基准距离,该值越大说明第k个疑似角点所在的最佳检测窗口中第j个疑似角点不太符合槟榔的形状特征,/>表示第k个疑似角点所在的最佳检测窗口的偏离数量,/>表示第k个疑似角点所在的最佳检测窗口中疑似角点的数量,/>表示预设权重,本实施例以/>取0.3为例进行叙述,其他实施例可以取其他值,本实施例不进行具体限制。/>反映了第k个疑似角点所在的最佳检测窗口中所有疑似角点偏离槟榔形状特征的情况,该值越大说明第k个疑似角点越偏离槟榔形状特征。/>表示第k个疑似角点在最佳检测窗口中的列数,/>表示第k个疑似角点的参考疑似角点在最佳检测窗口中的列数,/>表示第k个疑似角点在最佳检测窗口中的行数,/>表示第k个疑似角点的参考疑似角点在最佳检测窗口中的行数,反映了第k个疑似角点与参考疑似角点的变化斜率,该值越大说明第k个疑似角点处的边缘形状变化较为平缓,而角点位置处的边缘形状一般变换较为剧烈,因而该疑似角点不满足角点特征,因而其疑似焦点的特征度越低。/>表示每个最佳检测窗口的第k个疑似角点的特征度,/>表示绝对值符号,/>表示以自然常数为底的指数函数。
利用最大值最小值归一化方法对每个最佳检测窗口的每个疑似角点的特征度进行归一化处理得到每个疑似角点的归一化特征度,为了便于描述,后续将每个疑似角点的归一化特征度依旧记为每个疑似角点的特征度。
进一步的,根据传统Harris算法获取槟榔图像中每个像素点的权重系数,将每个疑似角点的特征度与预设特征度阈值Y2比较,将大于预设特征度阈值Y2的疑似角点作为可行角点。本实施例以Y2取0.8为例进行叙述,其他实施例可以取其他值,本实施例不进行具体限制。
将每个可行角点的特征度与1的累加和乘以权重系数得到每个可行角点的修正权重系数。将槟榔图像中除可行角点之外的其余像素记为非可能角点,将每个非可能角点的权重系数作为每个非可能角点的修正权重系数。
S004:根据每个像素的修正权重系数得到槟榔角点特征图像,根据槟榔角点特征图像进行槟榔等级检测。
具体的,将每个像素点的修正权重系数替换权重系数,将最佳窗口尺寸作为每个像素的检测窗口的尺寸,利用Harris算法对每张槟榔图像进行角点检测处理得到每张槟榔角点特征图像,对待检测槟榔图像进行角点检测处理得到每张待检测槟榔角点特征图像。
进一步的,人工对每张槟榔角点特征图像标注等级标签,将带标签的所有槟榔角点特征图像构成数据集,构建槟榔等级检测网络,利用数据集完成槟榔等级检测网络的训练,利用步骤S002和S003中方法对待检测槟榔图像进行角点检测处理得到待检测槟榔角点特征图像,将待检测槟榔角点特征图像输入到训练完成的槟榔等级检测网络中得到槟榔等级。
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 (5)
1.一种基于图像处理的槟榔等级检测方法,其特征在于,所述方法包括:
获取槟榔图像和待检测槟榔图像;
获取槟榔图像的二值图像;获取槟榔图像的二值图像中每个像素的若干临时检测窗口,对每个像素的每个临时检测窗口中信息量进行描述得到每个像素的每个临时检测窗口的分形维数,根据每个像素的每个临时检测窗口的分形维数得到最佳窗口尺寸;
基于最佳窗口尺寸获取槟榔图像的若干最佳检测窗口,获取每个最佳检测窗口的若干疑似角点,根据每个最佳检测窗口的每个疑似角点符合槟榔形状特征的情况得到每个疑似角点的特征度,获取槟榔图像中每个像素的权重系数,根据每个疑似角点的特征度调整槟榔图像中每个像素的权重系数得到槟榔图像中每个像素的修正权重系数;
根据槟榔图像中每个像素点的修正权重系数、最佳窗口尺寸和待检测槟榔图像进行图像特征提取和槟榔等级检测;
所述对每个像素的每个临时检测窗口中信息量进行描述得到每个像素的每个临时检测窗口的分形维数,包括的具体步骤为:
获取每个像素的每个临时检测窗口的每种遮盖矩形,以及每种遮盖矩形对应的临界遮盖矩形数量;
对于每个像素的第i个临时检测窗口,利用最小二乘法对临时检测窗口的所有临界遮盖矩形数量拟合对数函数处理得到临时检测窗口的数量函数,利用最小二乘法对临时检测窗口的所有种遮盖矩形的边长的倒数拟合对数函数处理得到临时检测窗口的边长函数,将临时检测窗口的边长函数与数量函数累加后除以2得到临时检测窗口的中间函数;对临时检测窗口的中间函数进行求导和取绝对值处理得到临时检测窗口的分形函数,将临时检测窗口的若干临界遮盖矩形数量输入到分形函数中得到临时检测窗口的若干分形数量,将临时检测窗口的所有分形数量的均值作为临时检测窗口的分形维数;
获取每个像素的每个临时检测窗口的分形维数;
所述获取每个像素的每个临时检测窗口的每种遮盖矩形,以及每种遮盖矩形对应的临界遮盖矩形数量,包括的具体步骤为:
对于每个像素的任意一个临时检测窗口,获取临时检测窗口的边长,利用尺寸为的遮盖矩形对临时检测窗口中灰度值为1的像素进行遮盖处理,将临时检测窗口中的灰度值为1的像素全部遮盖住所需的最少遮盖矩形数量,记为临界遮盖矩形数量/>,其中/>表示遮盖矩形的边长变量,令/>取/>之间的所有整数,/>的每个取值对应的遮盖矩形作为一种遮盖矩形,每种遮盖矩形对应一个临界遮盖矩形数量;
所述根据每个像素的每个临时检测窗口的分形维数得到最佳窗口尺寸,包括的具体步骤为:
将每个像素的所有临时检测窗口的分形维数的最大值对应的临时检测窗口作为每个像素的可行检测窗口,将所有像素的所有可行检测窗口的分形维数最大值对应的可行检测窗口的尺寸作为最佳窗口尺寸;
所述根据每个最佳检测窗口的每个疑似角点符合槟榔形状特征的情况得到每个疑似角点的特征度,包括的具体步骤为:
获取每个最佳检测窗口的每个疑似角点的基准距离和每个最佳检测窗口的偏离数量;
在每个最佳检测窗口中获取与每个疑似角点的距离最近的疑似角点,记为每个最佳检测窗口的每个疑似角点的参考疑似角点;
每个最佳检测窗口的每个疑似角点的特征度的计算方法为:
其中,表示第k个疑似角点所在的最佳检测窗口中第j个疑似角点的基准距离,/>表示第k个疑似角点所在的最佳检测窗口的偏离数量,/>表示第k个疑似角点所在的最佳检测窗口中疑似角点的数量,/>表示预设权重,/>表示第k个疑似角点在最佳检测窗口中的列数,表示第k个疑似角点的参考疑似角点在最佳检测窗口中的列数,/>表示第k个疑似角点在最佳检测窗口中的行数,/>表示第k个疑似角点的参考疑似角点在最佳检测窗口中的行数,/>表示每个最佳检测窗口的第k个疑似角点的特征度,/>表示绝对值符号,/>表示以自然常数为底的指数函数;
所述获取每个最佳检测窗口的每个疑似角点的基准距离和每个最佳检测窗口的偏离数量,包括的具体步骤为:
利用最小二乘法对每个最佳检测窗口的所有疑似角点的位置进行多项式拟合处理得到基准曲线,将每个最佳检测窗口的每个疑似角点与基准曲线的最小距离记为每个最佳检测窗口的每个疑似角点的基准距离,将每个最佳检测窗口中基准距离大于预设距离阈值Y1的疑似角点的数量,记为每个最佳检测窗口的偏离数量。
2.如权利要求1所述的一种基于图像处理的槟榔等级检测方法,其特征在于,所述获取槟榔图像的二值图像;获取槟榔图像的二值图像中每个像素的若干临时检测窗口,包括的具体步骤为:
利用大津阈值法获取槟榔图像的分割阈值,其中大于分割阈值的像素的灰度值设置为1,小于等于分割阈值的像素的灰度值设置为0,得到槟榔图像的二值图像;
获取二值图像的长和宽,将二值图像的长和宽中的最小值除以a得到截止尺寸L,a表示预设截止系数,以二值图像的每个像素为中心,获取的临时检测窗口,其中/>表示临时检测窗口的边长变量,令/>取/>之间的所有奇数,得到每个像素的若干个临时检测窗口,表示预设最小检测窗口尺寸。
3.如权利要求1所述的一种基于图像处理的槟榔等级检测方法,其特征在于,所述基于最佳窗口尺寸获取槟榔图像的若干最佳检测窗口,获取每个最佳检测窗口的若干疑似角点,包括的具体步骤为:
将槟榔图像均匀分割成若干个尺寸为最佳窗口尺寸的最佳检测窗口;
对于任意一个最佳检测窗口,将最佳检测窗口的所有像素构成的序列作为最佳检测序列,将最佳检测序列中所有像素构成的集合记为第一集合,将第一集合中的所有像素的灰度值作为子样本输入到孤独森林中得到第一集合的异常像素,将最佳检测序列中去除第一个像素后剩余的像素构成的集合记为第二集合,将第二集合中的所有像素的灰度值作为子样本输入到孤独森林中得到第二集合的异常像素,将最佳检测序列中去除前两个像素后剩余的像素构成的集合记为第三集合,将第三集合中的所有像素的灰度值作为子样本输入到孤独森林中得到第三集合的异常像素,以此类推,直至所得集合中的像素数量无法实现异常检测时结束,得到若干异常像素;
获取每个最佳检测窗口的若干异常像素,将每个最佳检测窗口的若干异常像素记为每个最佳检测窗口的若干疑似角点。
4.如权利要求1所述的一种基于图像处理的槟榔等级检测方法,其特征在于,所述获取槟榔图像中每个像素的权重系数,根据每个疑似角点的特征度调整槟榔图像中每个像素的权重系数得到槟榔图像中每个像素的修正权重系数,包括的具体步骤为:
获取槟榔图像中每个像素点的权重系数,将每个疑似角点的特征度与预设特征度阈值Y2比较,将大于预设特征度阈值Y2的疑似角点作为可行角点;
将每个可行角点的特征度与1的累加和乘以权重系数得到每个可行角点的修正权重系数;将槟榔图像中除可行角点之外的其余像素记为非可能角点,将每个非可能角点的权重系数作为每个非可能角点的修正权重系数。
5.如权利要求1所述的一种基于图像处理的槟榔等级检测方法,其特征在于,所述根据槟榔图像中每个像素点的修正权重系数、最佳窗口尺寸和待检测槟榔图像进行图像特征提取和槟榔等级检测,包括的具体步骤为:
将每个像素点的修正权重系数替换权重系数,将最佳窗口尺寸作为每个像素的检测窗口的尺寸,对每张槟榔图像进行角点检测处理得到每张槟榔角点特征图像;对待检测槟榔图像进行角点检测处理得到每张待检测槟榔角点特征图像;
人工对每张槟榔角点特征图像标注等级标签,将带标签的所有槟榔角点特征图像构成数据集,构建槟榔等级检测网络,利用数据集完成槟榔等级检测网络的训练,将待检测槟榔角点特征图像输入到训练完成的槟榔等级检测网络中得到槟榔等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311586659.5A CN117392114B (zh) | 2023-11-27 | 2023-11-27 | 一种基于图像处理的槟榔等级检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311586659.5A CN117392114B (zh) | 2023-11-27 | 2023-11-27 | 一种基于图像处理的槟榔等级检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117392114A CN117392114A (zh) | 2024-01-12 |
CN117392114B true CN117392114B (zh) | 2024-03-08 |
Family
ID=89470375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311586659.5A Active CN117392114B (zh) | 2023-11-27 | 2023-11-27 | 一种基于图像处理的槟榔等级检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117392114B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5787201A (en) * | 1996-04-09 | 1998-07-28 | The United States Of America As Represented By The Secretary Of The Navy | High order fractal feature extraction for classification of objects in images |
WO2002015113A2 (en) * | 2000-08-14 | 2002-02-21 | University Of Maryland, Baltimore County | Mammography screening to detect and classify microcalcifications |
JP2010176289A (ja) * | 2009-01-28 | 2010-08-12 | Kyocera Corp | 変化量検出装置およびその方法 |
DE102009048739B3 (de) * | 2009-07-14 | 2012-03-29 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Vorrichtung zur automatischen Waldbranderkennung |
CN104794716A (zh) * | 2015-04-23 | 2015-07-22 | 浙江大学 | 基于图像分形特征的图像质量客观评价方法 |
CN108564609A (zh) * | 2018-04-23 | 2018-09-21 | 大连理工大学 | 一种基于盒维数法的计算分形维数的方法 |
JP2020065479A (ja) * | 2018-10-24 | 2020-04-30 | 株式会社ニコン | 細胞画像解析方法、細胞画像解析プログラム、及び細胞画像解析装置 |
CN111144307A (zh) * | 2019-12-27 | 2020-05-12 | 哈尔滨工程大学 | 一种自主式水下机器人推进器故障特征提取方法 |
AU2020102391A4 (en) * | 2020-09-23 | 2020-11-05 | North China Institute Of Science And Technology | A Fractal Quantification Method for Complex Rock Fracture Network |
CN113761626A (zh) * | 2021-09-07 | 2021-12-07 | 湘潭大学 | 基于转角影响线Katz1分形维数的梁结构损伤识别方法 |
CN115410040A (zh) * | 2022-08-26 | 2022-11-29 | 安徽联智创新软件有限公司 | 一种基于ai技术的稻谷种子籽粒饱满度分级检测方法 |
CN116309551A (zh) * | 2023-05-11 | 2023-06-23 | 浙江太美医疗科技股份有限公司 | 确定病灶取样区的方法、装置、电子设备及可读介质 |
CN116703911A (zh) * | 2023-08-07 | 2023-09-05 | 深圳市恒欣达照明有限公司 | 一种led灯生产质量检测系统 |
CN117095009A (zh) * | 2023-10-20 | 2023-11-21 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8208698B2 (en) * | 2007-12-14 | 2012-06-26 | Mela Sciences, Inc. | Characterizing a texture of an image |
US20140233826A1 (en) * | 2011-09-27 | 2014-08-21 | Board Of Regents Of The University Of Texas System | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images |
-
2023
- 2023-11-27 CN CN202311586659.5A patent/CN117392114B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5787201A (en) * | 1996-04-09 | 1998-07-28 | The United States Of America As Represented By The Secretary Of The Navy | High order fractal feature extraction for classification of objects in images |
WO2002015113A2 (en) * | 2000-08-14 | 2002-02-21 | University Of Maryland, Baltimore County | Mammography screening to detect and classify microcalcifications |
JP2010176289A (ja) * | 2009-01-28 | 2010-08-12 | Kyocera Corp | 変化量検出装置およびその方法 |
DE102009048739B3 (de) * | 2009-07-14 | 2012-03-29 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Vorrichtung zur automatischen Waldbranderkennung |
CN104794716A (zh) * | 2015-04-23 | 2015-07-22 | 浙江大学 | 基于图像分形特征的图像质量客观评价方法 |
CN108564609A (zh) * | 2018-04-23 | 2018-09-21 | 大连理工大学 | 一种基于盒维数法的计算分形维数的方法 |
JP2020065479A (ja) * | 2018-10-24 | 2020-04-30 | 株式会社ニコン | 細胞画像解析方法、細胞画像解析プログラム、及び細胞画像解析装置 |
CN111144307A (zh) * | 2019-12-27 | 2020-05-12 | 哈尔滨工程大学 | 一种自主式水下机器人推进器故障特征提取方法 |
AU2020102391A4 (en) * | 2020-09-23 | 2020-11-05 | North China Institute Of Science And Technology | A Fractal Quantification Method for Complex Rock Fracture Network |
CN113761626A (zh) * | 2021-09-07 | 2021-12-07 | 湘潭大学 | 基于转角影响线Katz1分形维数的梁结构损伤识别方法 |
CN115410040A (zh) * | 2022-08-26 | 2022-11-29 | 安徽联智创新软件有限公司 | 一种基于ai技术的稻谷种子籽粒饱满度分级检测方法 |
CN116309551A (zh) * | 2023-05-11 | 2023-06-23 | 浙江太美医疗科技股份有限公司 | 确定病灶取样区的方法、装置、电子设备及可读介质 |
CN116703911A (zh) * | 2023-08-07 | 2023-09-05 | 深圳市恒欣达照明有限公司 | 一种led灯生产质量检测系统 |
CN117095009A (zh) * | 2023-10-20 | 2023-11-21 | 山东绿康装饰材料有限公司 | 一种基于图像处理的pvc装饰板缺陷检测方法 |
Non-Patent Citations (13)
Title |
---|
ADAPTIVE WINDOW- BASED FRACTAL DIMENSION ESTIMATION FOR WEIGHT MAPS IN CONTRAST IMPROVED MULTI- SENSOR FUSION;T. SANDHYA KUMARI等;Journal of Engineering Science and Technology;20201231;第15卷(第2期);第1319-1337页 * |
Edge extraction of mineralogical phase based on fractal theory;Yang Aimin等;Chaos, Solitons and Fractals;20181106;第117卷;第215-221页 * |
Multiphase hybrid model and thermal insulation simulation of elytra-mimetic ceramic fiber aerogel;Zijian Cui等;Ceramics International;20231010;第49卷(第24期);第40894-40906页 * |
Robust Identification of Dense or Sparse Crowd Based on Classifier Fusion;Saikat Dutta等;Pattern Recognition and Machine Intelligence;20191125;第11941卷;第131-139页 * |
一种改进型分数阶微分的自适应阈值Harris角点检测算法;纳春宁等;内蒙古农业大学学报(自然科学版);20140915;第35卷(第05期);第106-109页 * |
分形维数的计算及改进;曹俊贤等;信息技术与信息化;20171025(第10期);第19-23页 * |
刘红丽等.室内可吸入颗粒物粒径分布检测方法的研究.武汉理工大学学报(交通科学与工程版).2008,第32卷(第05期),第884-887页. * |
图像分形维数的计盒方法改进;吕泽昆;电子技术与软件工程;20200601;第144-145页 * |
基于判别分析法室内悬浮颗粒物 浓度与粒径分布测量;刘红丽等;武汉理工大学学报(交通科学与工程版);20130415;第37卷(第02期);第316-320页 * |
基于局部分形维数的多目标检测算法;董文明等;红外技术;20090320;第31卷(第03期);第160-162页 * |
室内可吸入颗粒物浓度与粒径分布检测方法的研究;刘红丽等;仪器仪表学报;20090215;第30卷(第02期);第340-344页 * |
室内可吸入颗粒物粒径分布检测方法的研究;刘红丽等;武汉理工大学学报(交通科学与工程版);20081015;第32卷(第05期);第884-887页 * |
计及风速特性的电力系统动态可靠性评估及其在储能配置中的应用;梁琛;中国博士学位论文全文数据库 工程科技Ⅱ辑;20171215(第12期);第C042-122页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117392114A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116109644B (zh) | 用于铜铝转接排的表面缺陷检测方法 | |
CN109035273B (zh) | 一种免疫层析试纸卡的图像信号快速分割方法 | |
CN110472479B (zh) | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 | |
CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
CN108961307B (zh) | 基于核相关滤波跟踪的圆形目标尺度自适应跟踪方法 | |
CN116433663B (zh) | 一种土工格室质量智能检测方法 | |
CN117218122B (zh) | 基于图像数据的手表外壳质量检测方法 | |
CN108898132A (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN111611907A (zh) | 一种图像增强的红外目标检测方法 | |
CN117218029B (zh) | 基于神经网络的夜间暗光图像智能处理方法 | |
CN115359043A (zh) | 一种pcb板面异物智能检测方法 | |
CN116310882A (zh) | 基于高分辨率遥感影像的林业信息识别方法 | |
CN112561878A (zh) | 基于加权融合的手指静脉图像质量评价方法 | |
CN114998356A (zh) | 一种基于图像处理的车桥缺陷检测方法 | |
CN115880280A (zh) | 一种钢结构焊缝质量的检测方法 | |
CN115330796A (zh) | 一种铜线镀锡缺陷识别方法 | |
US11062164B2 (en) | Text line normalization systems and methods | |
CN110458019B (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
CN117437238B (zh) | 一种封装ic表面缺陷视觉检测方法 | |
CN115018835A (zh) | 一种汽车起动机齿轮检测方法 | |
CN116823820B (zh) | 一种铝碳质整体塞棒轮廓弯曲检测方法 | |
CN117392114B (zh) | 一种基于图像处理的槟榔等级检测方法 | |
CN117351017A (zh) | 一种光伏钢结构组件缺陷视觉检测方法 | |
CN116258864B (zh) | 一种村庄规划建设大数据管理系统 | |
CN115311288B (zh) | 一种汽车贴膜破损检测方法 |
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 |