CN117788570A - 一种基于机器视觉的斗轮机定位方法及系统 - Google Patents
一种基于机器视觉的斗轮机定位方法及系统 Download PDFInfo
- Publication number
- CN117788570A CN117788570A CN202410205007.0A CN202410205007A CN117788570A CN 117788570 A CN117788570 A CN 117788570A CN 202410205007 A CN202410205007 A CN 202410205007A CN 117788570 A CN117788570 A CN 117788570A
- Authority
- CN
- China
- Prior art keywords
- window
- variance
- pixel point
- bucket wheel
- wheel machine
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000008859 change Effects 0.000 claims abstract description 37
- 238000005315 distribution function Methods 0.000 claims abstract description 22
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 description 16
- 235000002566 Capsicum Nutrition 0.000 description 13
- 239000006002 Pepper Substances 0.000 description 13
- 241000722363 Piper Species 0.000 description 13
- 235000016761 Piper aduncum Nutrition 0.000 description 13
- 235000017804 Piper guineense Nutrition 0.000 description 13
- 235000008184 Piper nigrum Nutrition 0.000 description 13
- 230000000694 effects Effects 0.000 description 8
- 239000000463 material Substances 0.000 description 4
- 241001270131 Agaricus moelleri Species 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于机器视觉的斗轮机定位方法及系统,包括:采集斗轮机环境图像;获取斗轮机环境图像中每个像素点的窗口;获取每个像素点的窗口的灰度变化程度,得到第一集合;获取第一集合的均值以及第一集合的方差;获取第一集合的均值以及方差的调整系数;根据第一集合的均值以及方差的调整系数对第一集合的均值以及方差进行调整,获取第一集合的修正均值以及修正方差;获取第一集合的高斯分布函数,得到每个像素点的窗口的高斯权重,对斗轮机环境图像进行去噪,本发明旨在对斗轮机环境图像中不同种类的噪声进行降噪处理。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于机器视觉的斗轮机定位方法及系统。
背景技术
斗轮机是一种用于装卸散装物料的大型机械设备,广泛应用于港口、码头、矿山等场所,主要用于各种场景的材料搬运,例如装载和卸载散装物料。斗轮机的定位是指确定斗轮机在工作区域内的位置和姿态信息,以便进行准确的物料装卸操作,主要利用计算机视觉技术对斗轮机周围环境进行感知和识别,但是因为斗轮机的工作环境复杂,采集的斗轮机环境图像存在噪声,因此需要对采集的斗轮机环境图像进行去噪处理。
非局部均值滤波算法对斗轮机环境图像具有较好的去噪效果,但是由于斗轮机工作环境的复杂,导致斗轮机环境图像中存在多种噪声,主要表现为高斯噪声、椒盐噪声,并且噪声可能具有非线性的特征,因此直接使用非局部均值滤波算法对斗轮机环境图像进行去噪时,对噪声的滤除效果不好。
发明内容
为了解决上述问题,本发明一种基于机器视觉的斗轮机定位方法及系统。
本发明的一种基于机器视觉的斗轮机定位方法采用如下技术方案:
本发明一个实施例提供了一种基于机器视觉的斗轮机定位方法,该方法包括以下步骤:
采集斗轮机环境图像;
预设窗口的大小,获取斗轮机环境图像中每个像素点的窗口;根据每个像素点的窗口中的像素点的灰度值,获取每个像素点的窗口的灰度变化程度;将所有像素点的窗口的灰度变化程度构成第一集合;根据第一集合中所有像素点的窗口的灰度变化程度,获取第一集合的均值以及第一集合的方差;
根据像素点的窗口中的像素点的灰度值、像素点的窗口中的像素点数量以及像素点的窗口的灰度变化程度,获取第一集合的均值以及方差的调整系数;根据第一集合的均值以及方差的调整系数对第一集合的均值进行调整,获取第一集合的修正均值;根据第一集合的均值以及方差的调整系数对第一集合的方差进行调整,获取第一集合的修正方差;
根据第一集合的修正均值以及第一集合的修正方差,获取第一集合的高斯分布函数;根据每个像素点的窗口的灰度变化程度以及第一集合的高斯分布函数,获取每个像素点的窗口的高斯权重;
根据每个像素点的窗口的高斯权重,对斗轮机环境图像进行去噪。
优选的,所述预设窗口的大小,获取斗轮机环境图像中每个像素点的窗口,包括的具体步骤如下:
预设窗口的边长为,以斗轮机环境图像中的每个像素点为中心像素点,构建大小为/>的窗口,得到每个像素点的窗口。
优选的,所述根据每个像素点的窗口中的像素点的灰度值,获取每个像素点的窗口的灰度变化程度,包括的具体步骤如下:
式中,代表第/>个像素点的窗口的灰度变化程度;/>表示第/>个像素点的窗口中的像素点的最大灰度值;/>代表第/>个像素点的窗口中的像素点的最小灰度值;/>代表第/>个像素点的窗口中的像素点的灰度均值;/>代表第/>个像素点的窗口中的第/>个像素点的灰度值;/>代表第/>个像素点的窗口中的像素点数量;/>代表绝对值符号;/>代表自然常数。
优选的,所述根据第一集合中所有像素点的窗口的灰度变化程度,获取第一集合的均值以及第一集合的方差,包括的具体步骤如下:
获取第一集合中所有像素点的窗口的灰度变化程度的均值和方差,记为第一集合的均值与第一集合的方差。
优选的,所述根据像素点的窗口中的像素点的灰度值、像素点的窗口中的像素点数量以及像素点的窗口的灰度变化程度,获取第一集合的均值以及方差的调整系数,包括的具体步骤如下:
式中,代表第一集合的均值以及方差的调整系数;/>代表第/>个像素点的窗口中的像素点的灰度信息熵;/>代表第/>个像素点的窗口中的像素点的灰度均值;/>代表第/>个像素点的窗口中的像素点数量;/>代表第/>个像素点的窗口中小于斗轮机环境图像中像素点的灰度均值的像素点数量;/>代表所有像素点的窗口的灰度变化程度中的最小值;/>代表斗轮机环境图像中的像素点数量;/>代表第/>个像素点的窗口的灰度变化程度;/>代表以自然常数为底的指数函数;/>代表归一化函数。
优选的,所述根据第一集合的均值以及方差的调整系数对第一集合的均值进行调整,获取第一集合的修正均值,包括的具体步骤如下:
式中,代表第一集合的修正均值;/>代表第一集合的均值;/>代表第一集合的均值以及方差的调整系数。
优选的,所述根据第一集合的均值以及方差的调整系数对第一集合的方差进行调整,获取第一集合的修正方差,包括的具体步骤如下:
式中,代表第一集合的修正方差;/>代表第一集合的方差;/>代表第一集合的均值以及方差的调整系数。
优选的,所述根据第一集合的修正均值以及第一集合的修正方差,获取第一集合的高斯分布函数;根据每个像素点的窗口的灰度变化程度以及第一集合的高斯分布函数,获取每个像素点的窗口的高斯权重,包括的具体步骤如下:
式中,代表第一集合的修正均值;/>代表第一集合的修正方差;/>代表以自然常数为底数的指数函数;/>代表自变量;/>代表因变量;
将第个像素点的窗口的灰度变化程度作为/>带入第一集合的高斯分布函数中,得到/>,将/>作为第/>个像素点的窗口的高斯权重,/>代表第/>个像素点的窗口的灰度变化程度。
优选的,所述根据每个像素点的窗口的高斯权重,对斗轮机环境图像进行去噪,包括的具体步骤如下:
根据每个像素点的窗口的高斯权重,对斗轮机环境图像中的每个像素点使用非局部均值滤波算法进行去噪,得到去噪后的斗轮机环境图像。
本发明还提供了一种基于机器视觉的斗轮机定位系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项步骤。
本发明的技术方案的有益效果是:本发明首先获取斗轮机环境图像中每个像素点的窗口的灰度变化程度,所述窗口的灰度变化程度反映了窗口中像素点的噪声影程度;将所有像素点的窗口的灰度变化程度构成第一集合,获取第一集合的均值以及第一集合的方差;根据每个像素点的窗口中受椒盐噪声的影响程度获取第一集合的均值以及方差的调整系数对第一集合的均值进行调整,得到第一集合的修正均值以及修正方差,根据第一集合的修正均值以及修正均值,获取第一集合的高斯分布函数,使得到的高斯分布函数更加准确,能够符合高斯高斯噪声的分布以及椒盐噪声的分布;最后根据每个像素点的灰度变化程度以及第一集合的高斯分布函数,获取每个像素点的窗口的高斯权重,再使用非局部均值滤波算法对斗轮机环境图像进行去噪,能够对斗轮机图像中的多种噪声进行滤除,提高了滤波效果。
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,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地介绍,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他的附图。
图1为本发明的一种基于机器视觉的斗轮机定位方法的步骤流程图。
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机器视觉的斗轮机定位方法,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。
下面结合附图具体的说明本发明所提供的一种基于机器视觉的斗轮机定位方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于机器视觉的斗轮机定位方法的步骤流程图,该方法包括以下步骤:
S001.采集斗轮机环境图像。
需要说明的是,本实施例的主要目的是对斗轮机环境图像进行去噪处理,因此在对斗轮机周围图像进行去噪前首先需要对斗轮机的周围环境进行拍摄,获取斗轮机环境图像,因此在本发明实施例中,在斗轮机的周围都安装了高清摄像头,拍摄斗轮机的周围环境,将拍摄的斗轮机的周围环境的图像,进行灰度化处理后,记为斗轮机环境图像。
至此,得到斗轮机环境图像。
S002.获取斗轮机环境图像中每个像素点的窗口;根据每个像素点的窗口中的灰度值分布,获取每个像素点的窗口的灰度变化程度,根据每个像素点的窗口的灰度变化程度,构建第一集合,根据第一集合中的灰度变化程度,获取第一集合的均值与第一集合的方差。
需要说明的是,由于斗轮机工作环境的复杂,导致斗轮机环境图像中存在多种噪声,主要表现为高斯噪声、椒盐噪声,并且噪声可能具有非线性的特征,而非均值滤波算法是通过在斗轮机环境图像中寻找与目标像素的周围区域相似的相似块,根据相似块的灰度值对目标像素进行去噪,而斗轮机环境图像中,包含不同种类的噪声,导致获取的与目标像素点周围区域相似的相似块不准确,因此直接使用非局部均值滤波算法对斗轮机环境图像进行去噪时,对噪声的滤除效果不好,而首先假设斗轮机环境图像中存在高斯噪声,并且通常假设高斯噪声是线性的变化,因此通过该算法对其他类型噪声的滤除效果不好,比如椒盐噪声,从而对斗轮机周围环境图像的去噪效果不好,已知高斯噪声满足高斯分布,而椒盐噪声不满足高斯分布,因此本发明首先对斗轮机图像进行噪声影响程度的估计,然后根据估计的噪声影响程度获取高斯模型的均值和方差,由于椒盐噪声不满足高斯分布,因此根据椒盐噪声的影响,对均值和方差进行修正,根据修正后的均值和方差构建的高斯模型来对斗轮机图像进行混合去噪,能够对多种噪声进行滤除。
本发明首先需要对斗轮机环境图像中的噪声进行估计,即对以每个像素点为中心,构建每个像素点的窗口(每个像素点的周围区域),根据每个像素点的窗口的灰度值分布,获取每个像素点的窗口的灰度变化程度,灰度变化程度反应了噪声影响程度,以便于后续根据每个像素点的周围区域的灰度变化程度来构建高斯分布模型。
在本发明实施例中,预设窗口的边长为,以斗轮机环境图像中的每个像素点为中心像素点,构建大小为/>的窗口,得到每个像素点的窗口,在本发明实施例中,预设窗口的边长/>,在其他实施例中,实施人员可根据具体实施情况设置/>的值。需要说明的是,在获取像素点的窗口的过程中,会存在像素点靠近斗轮机周围图像边界的情况,导致无法获取完整的窗口,本实施例通过二次线性插值对窗口进行补全。
获取每个像素点的窗口的灰度变化程度:
式中,代表第/>个像素点的窗口的灰度变化程度;/>表示第/>个像素点的窗口中的像素点的最大灰度值;/>代表第/>个像素点的窗口中的像素点的最小灰度值;/>代表第/>个像素点的窗口中的像素点的灰度均值;/>代表第/>个像素点的窗口中的第/>个像素点的灰度值;/>代表第/>个像素点的窗口中的像素点数量,需要说明的是,每个像素点的窗口中的像素点数量一致;/>代表绝对值符号;/>代表第/>个像素点的窗口中的第/>个像素点的灰度值与灰度均值的差值,其差值越大时,说明第/>个像素点的窗口中像素点的灰度波动较大,则第/>个像素点的窗口的灰度变化程度较大;/>代表第/>个像素点的窗口中像素点的灰度中值,代表窗口中像素点的灰度的极值分布,即灰度中值越大时,说明窗口中像素点的灰度更偏向灰度较大值,灰度中值越小时,说明窗口中像素点的灰度更偏向灰度较小值;/>代表第/>个像素点的窗口中像素点的灰度中值与灰度均值的差值,当差值为正且越大时,说明第/>个像素点的窗口中像素点的整体灰度较大,可能存在噪声像素点导致极大值的情况,当差值为负且越小时,说明第/>个像素点的窗口中像素点的整体灰度较小,可能存在噪声像素点导致极小值的情况,需要说明的是,高斯噪声的灰度值大,椒盐噪声的灰度值小,因此当/>的越大时,第/>个像素点的窗口的灰度变化程度较大,/>的值越大时,第/>个像素点的窗口的灰度变化程度较大;/>代表自然常数;同理,获取每个像素点的窗口的灰度变化程度。
获取第一集合:,/>代表第/>个像素点的窗口的灰度变化程度,/>代表斗轮机环境图像中的像素点数量,获取第一集合中所有像素点的窗口的灰度变化程度的均值和方差,记为第一集合的均值与第一集合的方差。
至此,获取斗轮机环境图像中每个像素点的窗口;根据每个像素点的窗口中的灰度值分布,获取每个像素点的窗口的灰度变化程度,根据每个像素点的窗口的灰度变化程度,构建第一集合,根据第一集合中的灰度变化程度,获取第一集合的均值与第一集合的方差。
S003.获取第一集合的均值以及方差的调整系数,根据第一集合的均值以及方差的调整系数,分别对第一集合的均值以及第一集合的方差进行调整,获取第一集合的修正均值以及第一集合的修正方差。
需要说明的是,上述在获取每个像素点的窗口的灰度变化程度时,是根据窗口内是否存在灰度极值来表征窗口中像素点的灰度变化,反映了每个像素点的窗口中受噪声的影响程度,而斗轮机环境图像中存在不同种类的噪声,比如高斯噪声、椒盐噪声,而高斯噪声符合高斯分布,因此如果直接根据第一集合的均值以及方差,对第一集合所有像素点的窗口的灰度变化程度进行高斯模型的拟合时,由于斗轮机环境图像中椒盐噪声的影响,导致根据第一集合的均值以及方差拟合的高斯模型出现偏差(第一集合的均值以及第一集合的方差过大),即第一集合的均值影响高斯模型的中心位置,第一集合的方差影响高斯模型的宽度,因此需要对获取的第一集合的均值以及方差进行修正。
当任意一个像素点的窗口中可能存在较多的椒盐噪声时,说明该像素点受到较多的椒盐噪声的影响,此时对第一集合的均值以及方差的影响较大,对第一集合的均值以及方差的调整系数越大,已知椒盐噪声的灰度值较小,因此当该像素点的窗口中的像素点的灰度均值较小时,受到椒盐噪声的影响越大,对第一集合的均值以及方差的调整系数越大;当该像素点的窗口的灰度变化程度与所有像素点的窗口的灰度变化程度中的最小值的差值越大时,说明该像素点的窗口中的像素点的灰度变化越大,因此受到椒盐噪声的影响程度越大,因此对第一集合的均值以及方差的影响程度越大,进而对第一集合的均值以及方差的调整系数越大,因此获取第一集合的均值以及方差的调整系数,根据第一集合的均值以及方差的调整系数对第一集合的均值以及方差进行调整。
在本发明实施例中,获取第一集合的均值以及方差的调整系数:
式中,代表第一集合的均值以及方差的调整系数;/>代表第/>个像素点的窗口中的像素点的灰度信息熵;/>代表第/>个像素点的窗口中的像素点的灰度均值;/>代表第/>个像素点的窗口中的像素点数量;/>代表第/>个像素点的窗口中小于斗轮机环境图像中像素点的灰度均值的像素点数量;/>代表所有像素点的窗口的灰度变化程度中的最小值;/>代表斗轮机环境图像中的像素点数量;/>代表第/>个像素点的窗口的灰度变化程度;代表第/>个像素点的窗口中的像素点数量与第/>个像素点的窗口中小于斗轮机环境图像中像素点的灰度均值的像素点数量的差值,其差值越小,说明第/>个像素点的窗口中含有较多的椒盐噪声,因此第/>个像素点的窗口中的像素点受到椒盐噪声的影响程度越大,则对第一集合的均值以及方差的影响程度越大,则第一集合的均值以及方差的调整系数越大,在结合第/>个像素点的窗口中的像素点的灰度均值的大小,当/>的值越大,说明第/>个像素点的窗口中的像素点受到椒盐噪声的影响程度越大;/>代表第/>个像素点的窗口的灰度变化程度与所有像素点的窗口的灰度变化程度中的最小值的差值,差值越大,说明第/>个像素点的窗口中的像素点的灰度变化越大,因此受到椒盐噪声的影响程度越大,因此对第一集合的均值以及方差的影响程度越大,进而对第一集合的均值以及方差的调整系数越大;/>越大代表第/>个像素点的窗口中的像素点的灰度值的分布较为混乱,受到椒盐噪声的影响程度越大;/>代表以自然常数为底的指数函数,本实施例中采用/>模型来呈现反比例关系,/>代表模型的输入,实施者可根据实际情况设置反比例函数;/>代表归一化函数,采用sigmoid函数进行归一化处理。
需要说明的是,根据第一集合的均值以及方差的调整系数分别对第一集合的均值以及第一集合的方差进行修正,当调整系数的值越大时,对第一集合的均值以及第一集合的方差的调整程度越大,即对第一集合的均值以及第一集合的方差的减小量越大。
在本发明实施例中,上获取第一集合的修正均值:
式中,代表第一集合的修正均值;/>代表第一集合的均值;/>代表第一集合的均值以及方差的调整系数。
获取第一集合的修正方差:
式中,代表第一集合的修正方差;/>代表第一集合的方差;/>代表第一集合的均值以及方差的调整系数。
至此,获取第一集合的均值以及方差的调整系数,根据第一集合的均值以及方差的调整系数,分别对第一集合的均值以及第一集合的方差进行调整,获取第一集合的修正均值以及第一集合的修正方差。
S004.根据第一集合的修正均值以及第一集合的修正方差,获取第一集合的高斯分布函数;根据第一集合的高斯分布函数,获取每个像素点的窗口的高斯权重对斗轮机环境图像进行去噪,根据去噪后的斗轮机环境图像实现对斗轮机的定位。
需要说明的是,根据第一集合的修正均值以及修正方差构建高斯模型,获取第一集合的高斯分布函数,再根据第一集合的高斯分布函数以及每个像素点的窗口的灰度变化程度,获取每个像素点的窗口的高斯权重。
在本发明实施例中,获取第一集合的高斯分布函数:
式中,代表第一集合的修正均值;/>代表第一集合的修正方差;/>代表以自然常数为底数的指数函数;/>代表自变量;/>代表因变量;将第/>个像素点的窗口的灰度变化程度作为/>带入第一集合的高斯分布函数中,将得到的/>,记为第/>个像素点的窗口的高斯权重,获取每个像素点的窗口的高斯权重,根据各个像素点的窗口的高斯权重,对斗轮机环境图像中各个的像素点使用非局部均值滤波算法进行去噪,得到去噪后的斗轮机环境图像,需要说明的是,非局部均值滤波算法为公知技术,在本发明实施例中,对其不再进行赘述。
根据去噪后的斗轮机环境图像,对斗轮机在货物运输过程中进行定位,即根据去噪后的斗轮机环境图像,获得周围物体相对于斗轮机的位置,进而实现对斗轮机的定位。
至此,根据第一集合的修正均值以及第一集合的修正方差,获取第一集合的高斯分布函数;根据第一集合的高斯分布函数,获取每个像素点的窗口的高斯权重对斗轮机环境图像进行去噪。
本实施例提供了一种基于机器视觉的斗轮机定位系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现步骤S001至步骤S004。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器视觉的斗轮机定位方法,其特征在于,该方法包括以下步骤:
采集斗轮机环境图像;
预设窗口的大小,获取斗轮机环境图像中每个像素点的窗口;根据每个像素点的窗口中的像素点的灰度值,获取每个像素点的窗口的灰度变化程度;将所有像素点的窗口的灰度变化程度构成第一集合;根据第一集合中所有像素点的窗口的灰度变化程度,获取第一集合的均值以及第一集合的方差;
根据像素点的窗口中的像素点的灰度值、像素点的窗口中的像素点数量以及像素点的窗口的灰度变化程度,获取第一集合的均值以及方差的调整系数;根据第一集合的均值以及方差的调整系数对第一集合的均值进行调整,获取第一集合的修正均值;根据第一集合的均值以及方差的调整系数对第一集合的方差进行调整,获取第一集合的修正方差;
根据第一集合的修正均值以及第一集合的修正方差,获取第一集合的高斯分布函数;根据每个像素点的窗口的灰度变化程度以及第一集合的高斯分布函数,获取每个像素点的窗口的高斯权重;
根据每个像素点的窗口的高斯权重,对斗轮机环境图像进行去噪。
2.根据权利要求1所述的一种基于机器视觉的斗轮机定位方法,其特征在于,所述预设窗口的大小,获取斗轮机环境图像中每个像素点的窗口,包括的具体步骤如下:
预设窗口的边长为,以斗轮机环境图像中的每个像素点为中心像素点,构建大小为的窗口,得到每个像素点的窗口。
3.根据权利要求1所述的一种基于机器视觉的斗轮机定位方法,其特征在于,所述根据每个像素点的窗口中的像素点的灰度值,获取每个像素点的窗口的灰度变化程度,包括的具体步骤如下:
式中,代表第/>个像素点的窗口的灰度变化程度;/>表示第/>个像素点的窗口中的像素点的最大灰度值;/>代表第/>个像素点的窗口中的像素点的最小灰度值;/>代表第/>个像素点的窗口中的像素点的灰度均值;/>代表第/>个像素点的窗口中的第/>个像素点的灰度值;/>代表第/>个像素点的窗口中的像素点数量;/>代表绝对值符号;/>代表自然常数。
4.根据权利要求1所述的一种基于机器视觉的斗轮机定位方法,其特征在于,所述根据第一集合中所有像素点的窗口的灰度变化程度,获取第一集合的均值以及第一集合的方差,包括的具体步骤如下:
获取第一集合中所有像素点的窗口的灰度变化程度的均值和方差,记为第一集合的均值与第一集合的方差。
5.根据权利要求1所述的一种基于机器视觉的斗轮机定位方法,其特征在于,所述根据像素点的窗口中的像素点的灰度值、像素点的窗口中的像素点数量以及像素点的窗口的灰度变化程度,获取第一集合的均值以及方差的调整系数,包括的具体步骤如下:
式中,代表第一集合的均值以及方差的调整系数;/>代表第/>个像素点的窗口中的像素点的灰度信息熵;/>代表第/>个像素点的窗口中的像素点的灰度均值;/>代表第/>个像素点的窗口中的像素点数量;/>代表第/>个像素点的窗口中小于斗轮机环境图像中像素点的灰度均值的像素点数量;/>代表所有像素点的窗口的灰度变化程度中的最小值;/>代表斗轮机环境图像中的像素点数量;/>代表第/>个像素点的窗口的灰度变化程度;/>代表以自然常数为底的指数函数;/>代表归一化函数。
6.根据权利要求1所述的一种基于机器视觉的斗轮机定位方法,其特征在于,所述根据第一集合的均值以及方差的调整系数对第一集合的均值进行调整,获取第一集合的修正均值,包括的具体步骤如下:
式中,代表第一集合的修正均值;/>代表第一集合的均值;/>代表第一集合的均值以及方差的调整系数。
7.根据权利要求1所述的一种基于机器视觉的斗轮机定位方法,其特征在于,所述根据第一集合的均值以及方差的调整系数对第一集合的方差进行调整,获取第一集合的修正方差,包括的具体步骤如下:
式中,代表第一集合的修正方差;/>代表第一集合的方差;/>代表第一集合的均值以及方差的调整系数。
8.根据权利要求1所述的一种基于机器视觉的斗轮机定位方法,其特征在于,所述根据第一集合的修正均值以及第一集合的修正方差,获取第一集合的高斯分布函数;根据每个像素点的窗口的灰度变化程度以及第一集合的高斯分布函数,获取每个像素点的窗口的高斯权重,包括的具体步骤如下:
式中,代表第一集合的修正均值;/>代表第一集合的修正方差;/>代表以自然常数为底数的指数函数;/>代表自变量;/>代表因变量;
将第个像素点的窗口的灰度变化程度作为/>带入第一集合的高斯分布函数中,得到,将/>作为第/>个像素点的窗口的高斯权重,/>代表第/>个像素点的窗口的灰度变化程度。
9.根据权利要求1所述的一种基于机器视觉的斗轮机定位方法,其特征在于,所述根据每个像素点的窗口的高斯权重,对斗轮机环境图像进行去噪,包括的具体步骤如下:
根据每个像素点的窗口的高斯权重,对斗轮机环境图像中的每个像素点使用非局部均值滤波算法进行去噪,得到去噪后的斗轮机环境图像。
10.一种基于机器视觉的斗轮机定位系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述一种基于机器视觉的斗轮机定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410205007.0A CN117788570B (zh) | 2024-02-26 | 2024-02-26 | 一种基于机器视觉的斗轮机定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410205007.0A CN117788570B (zh) | 2024-02-26 | 2024-02-26 | 一种基于机器视觉的斗轮机定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117788570A true CN117788570A (zh) | 2024-03-29 |
CN117788570B CN117788570B (zh) | 2024-05-07 |
Family
ID=90396592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410205007.0A Active CN117788570B (zh) | 2024-02-26 | 2024-02-26 | 一种基于机器视觉的斗轮机定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117788570B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567973A (zh) * | 2012-01-06 | 2012-07-11 | 西安电子科技大学 | 基于改进的形状自适应窗口的图像去噪方法 |
CN103020911A (zh) * | 2012-12-12 | 2013-04-03 | 中国航空工业集团公司洛阳电光设备研究所 | 一种用于去除混合噪声的图像处理方法 |
CN103116879A (zh) * | 2013-03-15 | 2013-05-22 | 重庆大学 | 一种基于邻域加窗的非局部均值ct成像去噪方法 |
US20140064615A1 (en) * | 2012-09-05 | 2014-03-06 | Peking University | Method and Device for Denoising Videos Based on Non-Local Means |
WO2014082441A1 (zh) * | 2012-11-30 | 2014-06-05 | 华为技术有限公司 | 噪声消除方法及装置 |
US20150324961A1 (en) * | 2013-01-23 | 2015-11-12 | Tencent Technology (Shenzhen) Co., Ltd. | Method and apparatus for adjusting image brightness |
CN107392864A (zh) * | 2017-07-01 | 2017-11-24 | 南京理工大学 | 一种去除高斯噪声和脉冲噪声的混合噪声滤波方法 |
CN109190455A (zh) * | 2018-07-18 | 2019-01-11 | 东南大学 | 基于高斯混合和自回归滑动平均模型的黑烟车识别方法 |
CN111563851A (zh) * | 2020-03-27 | 2020-08-21 | 中国科学院西安光学精密机械研究所 | 一种基于动态高斯参数的图像映射方法 |
US20210090219A1 (en) * | 2020-01-13 | 2021-03-25 | Jiangxi University Of Science And Technology | Salt and pepper noise filtering method and device based on morphological component analysis |
CN114140460A (zh) * | 2021-12-09 | 2022-03-04 | 中国矿业大学 | 一种防冲钻孔机器人钻进卸压过程中的煤岩识别方法 |
CN114792314A (zh) * | 2022-06-21 | 2022-07-26 | 南通永卓金属制品有限公司 | 基于激光束的金属丝网缺陷检测方法及人工智能系统 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
CN117011560A (zh) * | 2023-07-31 | 2023-11-07 | 中国矿业大学 | 基于阈值和权重Census变换的煤矿井下图像立体匹配方法 |
CN117455920A (zh) * | 2023-12-26 | 2024-01-26 | 武汉博源新材料科技集团股份有限公司 | 一种基于人工智能的奶茶杯劣品筛选方法及系统 |
CN117593193A (zh) * | 2024-01-19 | 2024-02-23 | 山东海天七彩建材有限公司 | 一种基于机器学习的钣金图像增强方法及系统 |
CN117593305A (zh) * | 2024-01-19 | 2024-02-23 | 天津康博轻钢制造有限公司 | 一种面向高频焊接h型钢的视觉定位系统 |
-
2024
- 2024-02-26 CN CN202410205007.0A patent/CN117788570B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567973A (zh) * | 2012-01-06 | 2012-07-11 | 西安电子科技大学 | 基于改进的形状自适应窗口的图像去噪方法 |
US20140064615A1 (en) * | 2012-09-05 | 2014-03-06 | Peking University | Method and Device for Denoising Videos Based on Non-Local Means |
WO2014082441A1 (zh) * | 2012-11-30 | 2014-06-05 | 华为技术有限公司 | 噪声消除方法及装置 |
CN103020911A (zh) * | 2012-12-12 | 2013-04-03 | 中国航空工业集团公司洛阳电光设备研究所 | 一种用于去除混合噪声的图像处理方法 |
US20150324961A1 (en) * | 2013-01-23 | 2015-11-12 | Tencent Technology (Shenzhen) Co., Ltd. | Method and apparatus for adjusting image brightness |
CN103116879A (zh) * | 2013-03-15 | 2013-05-22 | 重庆大学 | 一种基于邻域加窗的非局部均值ct成像去噪方法 |
CN107392864A (zh) * | 2017-07-01 | 2017-11-24 | 南京理工大学 | 一种去除高斯噪声和脉冲噪声的混合噪声滤波方法 |
CN109190455A (zh) * | 2018-07-18 | 2019-01-11 | 东南大学 | 基于高斯混合和自回归滑动平均模型的黑烟车识别方法 |
US20210090219A1 (en) * | 2020-01-13 | 2021-03-25 | Jiangxi University Of Science And Technology | Salt and pepper noise filtering method and device based on morphological component analysis |
CN111563851A (zh) * | 2020-03-27 | 2020-08-21 | 中国科学院西安光学精密机械研究所 | 一种基于动态高斯参数的图像映射方法 |
CN114140460A (zh) * | 2021-12-09 | 2022-03-04 | 中国矿业大学 | 一种防冲钻孔机器人钻进卸压过程中的煤岩识别方法 |
CN114792314A (zh) * | 2022-06-21 | 2022-07-26 | 南通永卓金属制品有限公司 | 基于激光束的金属丝网缺陷检测方法及人工智能系统 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
CN117011560A (zh) * | 2023-07-31 | 2023-11-07 | 中国矿业大学 | 基于阈值和权重Census变换的煤矿井下图像立体匹配方法 |
CN117455920A (zh) * | 2023-12-26 | 2024-01-26 | 武汉博源新材料科技集团股份有限公司 | 一种基于人工智能的奶茶杯劣品筛选方法及系统 |
CN117593193A (zh) * | 2024-01-19 | 2024-02-23 | 山东海天七彩建材有限公司 | 一种基于机器学习的钣金图像增强方法及系统 |
CN117593305A (zh) * | 2024-01-19 | 2024-02-23 | 天津康博轻钢制造有限公司 | 一种面向高频焊接h型钢的视觉定位系统 |
Non-Patent Citations (3)
Title |
---|
沈德海;侯建;鄂旭;张龙昌;: "一种改进的加权均值滤波算法", 现代电子技术, no. 10, 15 May 2015 (2015-05-15) * |
陈华玲;冯桂;: "数字图像的混合噪声去除", 华侨大学学报(自然科学版), no. 02, 20 March 2011 (2011-03-20) * |
陈科;葛莹;陈晨;: "基于混合滤波的遥感图像去噪", 东华理工大学学报(自然科学版), no. 03, 30 September 2008 (2008-09-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN117788570B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11120532B2 (en) | Methods for enhancing image contrast and related image processing systems thereof | |
CN109767439B (zh) | 一种自适应窗口的多尺度差异与双边滤波的目标检测方法 | |
CN105976330B (zh) | 一种嵌入式雾天实时视频稳像方法 | |
EP0444874A2 (en) | Improved image processing technique | |
US9619862B2 (en) | Raw camera noise reduction using alignment mapping | |
CN110796616B (zh) | 基于范数约束和自适应加权梯度的湍流退化图像恢复方法 | |
CN107292834B (zh) | 红外图像细节增强方法 | |
Deng et al. | A guided edge-aware smoothing-sharpening filter based on patch interpolation model and generalized gamma distribution | |
CN113222866B (zh) | 灰度图像增强方法、计算机可读介质及计算机系统 | |
CN108010002B (zh) | 一种基于自适应隐式移动最小二乘的结构化点云去噪方法 | |
CN114219740A (zh) | 一种融合超像素与窗口偏移的边缘感知引导滤波方法 | |
CN116993731A (zh) | 基于图像的盾构机刀头缺陷检测方法 | |
CN114418904A (zh) | 一种基于改进直方图均衡化和增强高通滤波的红外图像增强方法 | |
CN113808036A (zh) | 基于Retinex模型的低照度图像增强与去噪方法 | |
CN115587945A (zh) | 高动态红外图像细节增强方法、系统及计算机存储介质 | |
CN113450272B (zh) | 一种基于正弦曲线变化的图像增强方法及其应用 | |
CN114581318A (zh) | 一种低照明度图像增强方法及系统 | |
CN117788570B (zh) | 一种基于机器视觉的斗轮机定位方法及系统 | |
CN116862809A (zh) | 一种低曝光条件下的图像增强方法 | |
CN108416815B (zh) | 大气光值的测定方法、设备及计算机可读存储介质 | |
CN115994870A (zh) | 一种用于增强去噪的图像处理方法 | |
CN107085839B (zh) | 基于纹理增强与稀疏编码的sar图像降斑方法 | |
CN109658357A (zh) | 一种面向遥感卫星图像的去噪方法 | |
CN113160103B (zh) | 图像处理方法及装置、存储介质、终端 | |
CN111986312B (zh) | 一种船舶轨迹绘制方法、终端设备及存储介质 |
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 |