CN117690030B - 基于图像处理的多面发花识别方法及系统 - Google Patents
基于图像处理的多面发花识别方法及系统 Download PDFInfo
- Publication number
- CN117690030B CN117690030B CN202410149018.1A CN202410149018A CN117690030B CN 117690030 B CN117690030 B CN 117690030B CN 202410149018 A CN202410149018 A CN 202410149018A CN 117690030 B CN117690030 B CN 117690030B
- Authority
- CN
- China
- Prior art keywords
- clusters
- value
- cluster
- tea
- clustering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 title claims abstract description 22
- 241001122767 Theaceae Species 0.000 claims abstract description 88
- 238000000926 separation method Methods 0.000 claims abstract description 59
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims abstract description 25
- 238000001035 drying Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 26
- 230000000694 effects Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 abstract description 4
- 239000011449 brick Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000020542 functional tea Nutrition 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理领域,更具体地,本发明涉及基于图像处理的多面发花识别方法及系统,方法包括:采集烘房内茯茶发花图像进行预处理得到灰度图像;对灰度图像的直方图进行聚类,并确定聚类个数的上限值;计算每个聚类簇的聚类中心,根据聚类中心满足迭代条件后更新聚类结果,得到多个聚类簇;计算每个聚类簇的分离度值并对聚类簇进行二分类,得到茶叶聚类簇和发花聚类簇,构建茶叶聚类簇的直方图,计算每个聚类簇的权重值;基于权重值和分离度值得到加权后的分离度值和轮廓系数,得到最佳聚类结果并对茯茶多面发花进行识别。本发明通过对茶叶聚类簇进行局部高峰分析,得到更准确的聚类个数,提高发花分割准确度。
Description
技术领域
本发明一般地涉及图像数据处理领域。更具体地,本发明涉及基于图像处理的多面发花识别方法及系统。
背景技术
茯茶以养生保健茶、功能性茶饮、绿色食品为产品定位,以市场需求为引导,以创新咸阳茯茶科研技术为先导。其中,“茯茶”砖面平整规则,松紧密度合适,棱角线面分明,厚薄整体一致,发花均匀普遍。发花工艺是区别茯茶与其他品种砖茶的一大特色,因而多面发花识别成为必须解决的基础问题。
目前,现有的发花识别,在对茯茶发花图像获取发花部分并完成发花部分的识别,但是对发花部分分割时,通常设置聚类参数为固定个数,使得在进行发花识别时,得到的发花聚类簇和茶叶聚类簇中可能存在分类不准确的情况,从而影响稳定的发花分割结果,进而导致发花识别不准确。
发明内容
为解决上述一个或多个技术问题,本发明提出通过对茯茶发花图像聚类分析时,对茶叶聚类簇中非发花灰度的占比进行分析方式,通过加权后的分离度值对茯茶发花图像进行多面发花识别检测,以提高多面发花识别的精准度,为此,本发明在如下的多个方面中提供方案。
在第一方面中,基于图像处理的多面发花识别方法,包括:采集烘房内茯茶发花图像,进行预处理得到灰度图像;对所述灰度图像的直方图进行聚类,根据所述直方图中峰值个数确定聚类个数的上限值;根据所述聚类个数的上限值,计算每个聚类簇的聚类中心,根据所述聚类中心满足迭代条件后更新聚类结果,得到多个聚类簇;计算所述每个聚类簇内任一像素点和其他聚类簇内像素点之间距离均值的最小值,得到聚类簇的分离度值;根据所述聚类簇进行二分类,得到茶叶聚类簇和发花聚类簇,其中,最小灰度均值的类别作为茶叶聚类簇,其余聚类簇为发花聚类簇;构建所述茶叶聚类簇的直方图,计算每个聚类簇的像素点之间的分离度值的权重值;基于所述权重值和分离度值得到加权后的分离度值;根据所述加权后的分离度值与内聚度值,计算每个聚类簇的轮廓系数,得到最佳聚类结果,根据所述最佳聚类结果的聚类个数可视化显示发花面数和分类情况,对茯茶多面发花进行识别。
在一个实施例中,对所述灰度图像的直方图进行聚类,根据所述直方图中峰值个数确定聚类个数的上限值,包括:
获取所述灰度图像的直方图,其中灰度图像的灰度级取值为横坐标,且灰度级对应像素点个数为纵坐标;
对所述直方图的峰值进行分割,根据峰值个数确定聚类个数的上限值。
在一个实施例中,根据所述聚类个数的上限值,计算每个聚类簇的聚类中心,根据所述聚类中心满足迭代条件后更新聚类结果,得到多个聚类簇,包括:
基于均值聚类算法,对聚类个数进行遍历,直至遍历到聚类个数的上限值,得到多个聚类簇,并计算每个聚类簇中像素点的第一灰度均值,得到每个聚类簇的聚类中心;
计算灰度图像中任意像素点与每个聚类簇的聚类中心的灰度差值的最小值,将像素点划分到灰度差值的最小值对应的聚类簇中,更新聚类结果,重新计算聚类簇内像素点的第二灰度均值,得到迭代后的聚类中心,响应于迭代后的聚类中心趋近平稳,得到多个不同聚类个数的聚类簇。
在一个实施例中,根据所述聚类簇进行二分类,得到茶叶聚类簇和发花聚类簇,其中,最小灰度均值的类别作为茶叶聚类簇,其余聚类簇为发花聚类簇,包括:
将灰度图像中所有聚类簇的第二灰度均值输入预设逻辑回归模型中进行二分类,输出灰度图像的发花识别效果,将所有聚类簇归为两类,一类属于茶叶聚类簇,另一类属于发花聚类簇;
如果茶叶聚类簇个数等于1时,则完成二分类。
在一个实施例中,构建所述茶叶聚类簇的直方图,计算每个聚类簇的像素点之间的分离度值的权重值,包括:
根据所述第二灰度均值进行排序,得到以聚类顺序为横坐标、第二灰度均值为纵坐标的灰度均值分布图;
获取茶叶区域的直方图,计算茶叶聚类簇中灰度值的均值和方差,构建高斯拟合函数,根据所述高斯拟合函数计算茶叶聚类簇内的像素点和发花聚类簇内的像素点的分离度值的权重值。
在一个实施例中,所述分离度值的权重值满足下述关系式:
式中,表示茶叶聚类簇中分离度值的权重值,/>为归一化函数,/>表示以自然常数/>为底数的指数函数,/>表示直方图中第/>个灰度级出现的频次,/>表示高斯拟合函数第/>个灰度级的拟合函数值,/>表示高斯拟合函数曲线中峰值的最大值。
在一个实施例中,基于所述权重值和分离度值得到加权后的分离度值,包括:
所述加权后的分离度值满足下述关系式:
式中,表示第/>个发花区域的聚类簇中第/>个像素点的加权后的分离度值,/>表示茶叶聚类簇中分离度值的权重值,/>表示第/>个发花区域的聚类簇的灰度均值,/>表示茶叶区域的聚类簇的灰度均值,/>表示第/>个发花区域的聚类簇中第/>个像素点的分离度值。
在一个实施例中,根据所述加权后的分离度值与内聚度值,计算每个聚类簇的轮廓系数,得到最佳聚类结果,包括:
计算每个聚类簇的内聚度,得到每个聚类簇内每个像素点的轮廓系数;
根据每个像素点的轮廓系数,计算每个聚类簇的总平均轮廓系数,满足下述关系式:
式中,表示/>个聚类中心的总平均轮廓系数,/>表示聚类中心的个数,/>表示第/>个聚类簇中第/>个像素点的轮廓系数;
如果轮廓系数趋近于1,则得到最佳聚类结果。
第二方面,基于图像处理的多面发花识别系统,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现任一项所述的基于图像处理的多面发花识别方法。
本发明具有以下效果:
1.本发明通过对发花期图像进行聚类,并对茶叶聚类簇进行局部高峰分析得到改进后的轮廓系数,通过改进后的轮廓系数,得到更为准确的聚类个数,使得在进行茯茶多面发花识别时,能够具有更加准确的分类效果,提高了多面发花分割准确度。
2.本发明通过权重值计算茶叶聚类簇与各个发花聚类簇之间的差异性,从而更精准分析茶叶聚类簇中发花区域对聚类结果的影响,使得在进行茯茶多面发花识别时,得到更加准确的分类效果,进而提高了多面发花分类准确度。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本发明实施例基于图像处理的多面发花识别方法中步骤S1-S8的方法流程图。
图2是本发明实施例基于图像处理的多面发花识别方法中步骤S20-S21的方法流程图。
图3是本发明实施例基于图像处理的多面发花识别方法中步骤S30-S31的方法流程图。
图4是本发明实施例基于图像处理的多面发花识别方法中步骤S50-S51的方法流程图。
图5是本发明实施例基于图像处理的多面发花识别方法中步骤S60-S61的方法流程图。
图6是本发明实施例基于图像处理的多面发花识别方法中步骤S80-S83的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图来详细描述本发明的具体实施方式。
参照图1,基于图像处理的多面发花识别方法包括步骤S1-S8,具体如下:
S1:采集烘房内茯茶发花图像,进行预处理得到灰度图像。
进一步说明,同一茯茶砖茶中可能存在不同花期,其中不同花期对应的金花的灰度级近似,且与茶叶的灰度级有较明显差异。
S2:对灰度图像的直方图进行聚类,根据直方图中峰值个数确定聚类个数的上限值,参照图2,包括步骤S20-S21:
进一步说明,本实施例中,通过K-means(均值聚类)算法对灰度图像进行图像分割,对聚类个数进行从小到大的遍历。
S20:获取灰度图像的直方图,其中灰度图像的灰度级取值为横坐标,且灰度级对应像素点个数为纵坐标;
S21:对直方图的峰值进行分割,根据峰值个数确定聚类个数的上限值。
进一步说明,在灰度图像中,发花的像素点会呈现区域分布,在直方图中呈现为多个峰值。进而获取灰度图像中的每一峰值灰度值对应的样本数据点,并根据峰值个数确定聚类个数上限。
S3:根据聚类个数的上限值,计算每个聚类簇的聚类中心,根据聚类中心满足迭代条件后更新聚类结果,得到多个聚类簇,参照图3,包括步骤S30-S31:
S30:基于均值聚类算法,对聚类个数进行遍历,直至遍历到聚类个数的上限值,得到多个聚类簇,并计算每个聚类簇中像素点的第一灰度均值,得到聚类簇的聚类中心;
S31:计算灰度图像中任意像素点与每个聚类簇的聚类中心的灰度差值的最小值,将像素点划分到灰度差值的最小值对应的聚类簇中,更新聚类结果,重新计算聚类簇内像素点的第二灰度均值,得到迭代后的聚类中心,响应于迭代后的聚类中心趋近平稳,得到多个不同聚类个数的聚类簇。
进一步说明,通过不断计算每个像素点到聚类中心的距离,划分为不同的聚类簇中,再次重新计算聚类中心,满足迭代后得到较为稳定的聚类中心,从而缩小基于峰值确定的聚类个数,以使聚类效果更好。
S4:计算每个聚类簇内任一像素点和其他聚类簇内像素点之间距离均值的最小值,得到聚类簇的分离度值。
进一步说明,分离度通常用于描述两个或多个组件之间的差异或分离程度,在聚类分析中,分离度通常用来评估不同簇之间的距离,对于同一簇中的每个数据点,计算它与其他簇中所有数据点的平均距离,选择最近的簇,便于度量簇间的分离度,即选择最近的簇,说明簇间距离越大,簇间越分离。
S5:根据聚类簇进行二分类,得到茶叶聚类簇和发花聚类簇,其中,最小灰度均值的类别作为茶叶聚类簇,其余聚类簇为发花聚类簇,参照图4,包括步骤S50-S51:
S50:将灰度图像中所有聚类簇的第二灰度均值输入预设逻辑回归模型中进行二分类,输出灰度图像的发花识别效果,将所有聚类簇归为两类,一类属于茶叶聚类簇,另一类属于发花聚类簇。
进一步说明,通过预设逻辑回归模型进行二分类的训练过程为:随机初始化逻辑回归模型的参数,包括权重矩阵和偏置项。输入训练数据的灰度均值特征,通过具有相关经验的人员对图像上的聚类数据进行标注,更新权重矩阵和偏置项,直到模型收敛,输出是否属于发花聚类的数据分类结果,损失函数为交叉熵损失函数。
S51:如果茶叶聚类簇个数等于1时,则完成二分类。
进一步说明,由于茶叶聚类簇结果不唯一,通过计算聚类簇的第二灰度均值判断二分类后属于茶叶聚类簇的个数,若茶叶聚类簇的个数大于1时,表示茶叶聚类簇并未被分类成一个聚类内,则视为聚类效果并不理想,以下仅分析茶叶聚类簇个数为1,发花聚类个数为K-1的情况。
S6:构建茶叶聚类簇的直方图,计算每个聚类簇的像素点之间的分离度值的权重值,参照图5,包括步骤S60-S61:
S60:根据第二灰度均值进行排序,得到以聚类顺序为横坐标、第二灰度均值为纵坐标的灰度均值分布图;
进一步说明,已知最优聚类结果为茶叶聚类簇中几乎不包含金花,即茶叶聚类簇的直方图中不包含高灰度级附近的明显局部高峰,其余发花聚类中灰度均值比较相近;对直方图中高灰度区域对应的局部高峰进行异常监测分析,因为发花聚类簇的灰度级为高灰度区域,茶叶聚类簇的灰度级为低灰度区域,所以对低灰度区域进行局部峰值分析,其中灰度值越高且对应局部峰值越明显,代表当前非发花区域的分类效果越差。
S61:获取茶叶区域的直方图,计算茶叶聚类簇中灰度值的均值和方差,构建高斯拟合函数,根据高斯拟合函数计算茶叶聚类簇内的像素点和发花聚类簇内的像素点的分离度值的权重值;
进一步说明,茯茶砖茶中正常茶叶区域亮度偏暗,对应灰度级较小,灰度值越高权重越重要。进而在加权分离度计算中,需要依赖更多的茶叶聚类簇中发花区域的灰度信息,根据金花部分在茶叶聚类簇中占比越多,分离度越小。
分离度值的权重值满足下述关系式:
式中,表示茶叶聚类簇中分离度值的权重值,/>为归一化函数,/>表示以自然常数/>为底数的指数函数,/>表示直方图中第/>个灰度级出现的频次,/>表示高斯拟合函数第/>个灰度级的拟合函数值,/>表示高斯拟合函数曲线中峰值的最大值。
进一步说明,示局部峰值的明显程度,/>即为加权后的比值,利用函数防止求解结果中出现0值,/>函数表示对取值结果归一化,避免求解改进后的分离度时出现不稳定性,1-归一化后的值为负相关映射结果;局部峰值越大,峰值在直方图中表现越明显,茶叶聚类簇中分离度值的权重值越小,表示金花部分在茶叶聚类簇中占比越多,得到茶叶聚类簇直方图的高斯拟合效果越不理想,进而对分离度影响越大。
S7:基于权重值和分离度值得到加权后的分离度值。
加权后的分离度值满足下述关系式:
式中,表示第/>个发花区域的聚类簇中第/>个像素点的加权后的分离度值,/>表示茶叶聚类簇中分离度值的权重值,/>表示第/>个发花区域的聚类簇的灰度均值,/>表示茶叶区域的聚类簇的灰度均值,/>表示第/>个发花区域的聚类簇中第/>个像素点的分离度值。
进一步说明,表示灰度图像中茶叶聚类簇分割效果较好,对加权后分离度计算更多地依靠茶叶聚类簇的数据进行整体评估,加权后的分离度值越小对应的聚类簇的聚类效果越差。
S8:根据加权后的分离度值与内聚度值,计算每个聚类簇的轮廓系数,得到最佳聚类结果的聚类个数可视化显示发花面数和分类情况,根据最佳聚类结果,对茯茶进行多面发花识别,参照图6,包括步骤S80-S83:
S80:计算每个聚类簇的内聚度,得到每个聚类簇内每个像素点的轮廓系数;
S81:根据每个像素点的轮廓系数,计算每个聚类簇的总平均轮廓系数,满足下述关系式:
式中,表示/>个聚类中心的总平均轮廓系数,/>表示聚类中心的个数,/>表示第/>个聚类簇中第/>个像素点的轮廓系数;
S82:如果轮廓系数趋近于1,则得到最佳聚类结果。
进一步说明,轮廓系数的计算基于每个数据点,其值介于-1到1之间,接近1时表示簇内的数据点相互之间的距离很近,而不同簇之间的距离相对较远,说明聚类效果良好;接近0时表示簇内的数据点的距离和簇间的距离相差不大,说明聚类效果一般;接近-1时表示簇内的数据点之间的距离大于簇间距离,是一个不理想的聚类结果。
S83:根据最佳聚类结果,对烘炉内茯茶发花后的灰度图像进行处理识别,并根据聚类个数可视化显示发花面数和分类情况,对茯茶进行多面发花识别。
系统包括处理器和存储器,存储器存储有计算机程序指令,当计算机程序指令被处理器执行时实现根据本发明第一方面的基于图像处理的多面发花识别方法。
系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本发明中,前述的存储器可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive RandomAccess Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。
在本说明书的描述中,“多个”、“若干个”的含义是至少两个,例如两个,三个或更多个等,除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (4)
1.基于图像处理的多面发花识别方法,其特征在于,包括:
采集烘房内茯茶发花图像,进行预处理得到灰度图像;
对所述灰度图像的直方图进行聚类,根据所述直方图中峰值个数确定聚类个数的上限值;
根据所述聚类个数的上限值,计算每个聚类簇的聚类中心,根据所述聚类中心满足迭代条件后更新聚类结果,得到多个聚类簇;
计算所述每个聚类簇内任一像素点和其他聚类簇内像素点之间距离均值的最小值,得到聚类簇的分离度值;
根据所述聚类簇进行二分类,得到茶叶聚类簇和发花聚类簇,其中,最小灰度均值的类别作为茶叶聚类簇,其余聚类簇为发花聚类簇;
构建所述茶叶聚类簇的直方图,计算每个聚类簇的像素点之间的分离度值的权重值;
基于所述权重值和分离度值得到加权后的分离度值;
根据所述加权后的分离度值与内聚度值,计算每个聚类簇的轮廓系数,得到最佳聚类结果,根据所述最佳聚类结果的聚类个数可视化显示发花面数和分类情况,对茯茶多面发花进行识别;根据所述聚类个数的上限值,计算每个聚类簇的聚类中心,根据所述聚类中心满足迭代条件后更新聚类结果,得到多个聚类簇,包括:
基于均值聚类算法,对聚类个数进行遍历,直至遍历到聚类个数的上限值,得到多个聚类簇,并计算每个聚类簇中像素点的第一灰度均值,得到每个聚类簇的聚类中心;
计算灰度图像中任意像素点与每个聚类簇的聚类中心的灰度差值的最小值,将像素点划分到灰度差值的最小值对应的聚类簇中,更新聚类结果,重新计算聚类簇内像素点的第二灰度均值,得到迭代后的聚类中心,响应于迭代后的聚类中心趋近平稳,得到多个不同聚类个数的聚类簇;
构建所述茶叶聚类簇的直方图,计算每个聚类簇的像素点之间的分离度值的权重值,包括:
根据所述第二灰度均值进行排序,得到以聚类顺序为横坐标、第二灰度均值为纵坐标的灰度均值分布图;
获取茶叶区域的直方图,计算茶叶聚类簇中灰度值的均值和方差,构建高斯拟合函数,根据所述高斯拟合函数计算茶叶聚类簇内的像素点和发花聚类簇内的像素点的分离度值的权重值;
所述分离度值的权重值满足下述关系式:
式中,表示茶叶聚类簇中分离度值的权重值,/>为归一化函数,/>表示以自然常数/>为底数的指数函数,/>表示直方图中第/>个灰度级出现的频次,/>表示高斯拟合函数第/>个灰度级的拟合函数值,/>表示高斯拟合函数曲线中峰值的最大值;
基于所述权重值和分离度值得到加权后的分离度值,包括:
所述加权后的分离度值满足下述关系式:
式中,表示第/>个发花区域的聚类簇中第/>个像素点的加权后的分离度值,/>表示茶叶聚类簇中分离度值的权重值,/>表示第/>个发花区域的聚类簇的灰度均值,/>表示茶叶区域的聚类簇的灰度均值,/>表示第/>个发花区域的聚类簇中第/>个像素点的分离度值;
根据所述加权后的分离度值与内聚度值,计算每个聚类簇的轮廓系数,得到最佳聚类结果,包括:
计算每个聚类簇的内聚度,得到每个聚类簇内每个像素点的轮廓系数;
根据每个像素点的轮廓系数,计算每个聚类簇的总平均轮廓系数,满足下述关系式:
式中,表示/>个聚类中心的总平均轮廓系数,/>表示聚类中心的个数,/>表示第/>个聚类簇中第/>个像素点的轮廓系数;
如果轮廓系数趋近于1,则得到最佳聚类结果。
2.根据权利要求1所述的基于图像处理的多面发花识别方法,其特征在于,对所述灰度图像的直方图进行聚类,根据所述直方图中峰值个数确定聚类个数的上限值,包括:
获取所述灰度图像的直方图,其中灰度图像的灰度级取值为横坐标,且灰度级对应像素点个数为纵坐标;
对所述直方图的峰值进行分割,根据峰值个数确定聚类个数的上限值。
3.根据权利要求1所述的基于图像处理的多面发花识别方法,其特征在于,根据所述聚类簇进行二分类,得到茶叶聚类簇和发花聚类簇,其中,最小灰度均值的类别作为茶叶聚类簇,其余聚类簇为发花聚类簇,包括:
将灰度图像中所有聚类簇的第二灰度均值输入预设逻辑回归模型中进行二分类,输出灰度图像的发花识别效果,将所有聚类簇归为两类,一类属于茶叶聚类簇,另一类属于发花聚类簇;
如果茶叶聚类簇个数等于1时,则完成二分类。
4.基于图像处理的多面发花识别系统,其特征在于,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据权利要求1-3任一项所述的基于图像处理的多面发花识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410149018.1A CN117690030B (zh) | 2024-02-02 | 2024-02-02 | 基于图像处理的多面发花识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410149018.1A CN117690030B (zh) | 2024-02-02 | 2024-02-02 | 基于图像处理的多面发花识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117690030A CN117690030A (zh) | 2024-03-12 |
CN117690030B true CN117690030B (zh) | 2024-04-26 |
Family
ID=90128601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410149018.1A Active CN117690030B (zh) | 2024-02-02 | 2024-02-02 | 基于图像处理的多面发花识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117690030B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389608A (zh) * | 2018-10-19 | 2019-02-26 | 山东大学 | 以平面为聚类中心具有抗噪性的模糊聚类图像分割方法 |
CN115131566A (zh) * | 2022-07-25 | 2022-09-30 | 北京帝测科技股份有限公司 | 基于超像素和改进模糊c均值聚类的自动图像分割方法 |
CN115311292A (zh) * | 2022-10-12 | 2022-11-08 | 南通创铭伊诺机械有限公司 | 基于图像处理的带钢表面缺陷检测方法及系统 |
CN116030274A (zh) * | 2022-09-23 | 2023-04-28 | 重庆师范大学 | 基于自适应密度聚类的青花椒果序检测方法 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 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 |
CN117351008A (zh) * | 2023-12-04 | 2024-01-05 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347823B (zh) * | 2019-08-09 | 2024-05-03 | 中国石油天然气股份有限公司 | 沉积相边界识别方法及装置 |
-
2024
- 2024-02-02 CN CN202410149018.1A patent/CN117690030B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389608A (zh) * | 2018-10-19 | 2019-02-26 | 山东大学 | 以平面为聚类中心具有抗噪性的模糊聚类图像分割方法 |
CN115131566A (zh) * | 2022-07-25 | 2022-09-30 | 北京帝测科技股份有限公司 | 基于超像素和改进模糊c均值聚类的自动图像分割方法 |
CN116030274A (zh) * | 2022-09-23 | 2023-04-28 | 重庆师范大学 | 基于自适应密度聚类的青花椒果序检测方法 |
CN115311292A (zh) * | 2022-10-12 | 2022-11-08 | 南通创铭伊诺机械有限公司 | 基于图像处理的带钢表面缺陷检测方法及系统 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 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 |
CN117351008A (zh) * | 2023-12-04 | 2024-01-05 | 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 |
Non-Patent Citations (1)
Title |
---|
基于相似类合并FCM在图像分割中的应用;依玉峰;高立群;郭丽;;东北大学学报(自然科学版);20120715(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117690030A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6516100B1 (en) | Method for image characterization using color and texture statistics with embedded spatial information | |
CN103034838B (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
Kim et al. | Color–texture segmentation using unsupervised graph cuts | |
CN103544499B (zh) | 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法 | |
CN111127387B (zh) | 无参考图像的质量的评价方法 | |
CN111091129B (zh) | 一种基于多重颜色特征流形排序的图像显著区域提取方法 | |
CN112270596A (zh) | 基于用户画像构建的风险控制系统及方法 | |
CN112508963B (zh) | 一种基于模糊c均值聚类的sar图像分割方法 | |
CN111814990A (zh) | 阈值确定方法、系统、存储介质及终端 | |
CN107256412B (zh) | 一种基于多人眼感知分组特性的图构造方法 | |
CN116596879A (zh) | 基于边界样本分位数的葡萄霜霉病自适应识别方法 | |
CN111783885A (zh) | 一种基于局部增强的毫米波图像的质量分类模型构建方法 | |
US6542632B1 (en) | Method for image characterization using color and texture statistics with embedded spatial information | |
CN117690030B (zh) | 基于图像处理的多面发花识别方法及系统 | |
EP2383680A1 (en) | Classification of objects in harvesting applications | |
US7440611B2 (en) | Method for image characterization using color and texture statistics with embedded spatial information | |
CN115797044B (zh) | 基于聚类分析的信贷风控预警方法及系统 | |
CN114677530A (zh) | 一种基于小波形状描述子的聚类算法有效性评价方法、设备及介质 | |
CN106228552A (zh) | 基于调和k均值聚类的灰度图像直方图快速分割方法 | |
CN111597934A (zh) | 用于为统计应用处理训练数据的系统和方法 | |
CN114066018A (zh) | 基于支持向量的配电站建设物资需求预测方法 | |
Kong et al. | A novel image segmentation method based on improved intuitionistic fuzzy C-Means clustering algorithm | |
CN113190851A (zh) | 恶意文档检测模型的主动学习方法、电子设备及存储介质 | |
HARJOKO et al. | CONTENT-BASED IMAGE RETRIEVAL FOR ASSET MANAGEMENT BASED ON WEIGHTED FEATURE AND K-MEANS CLUSTERING. | |
CN115222945B (zh) | 基于多尺度自适应课程学习的深度语义分割网络训练方法 |
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 |