基于双边滤波的多特征纹理图像融合的烟梗区域提取方法技术

本发明专利技术公开了基于双边滤波的多特征纹理图像融合的烟梗区域提取方法，本方法针对从照度不均匀且具有强噪声烟梗X光图像中提取烟梗目标的问题，提出了基于利用原图像的象素出现概率、灰度熵、灰度三个纹理特征加权构建烟梗区域的概率密度图像，再采用双边滤波函数对概率密度图像进行滤波，最后利用混合高斯模型和形态学滤波方法从烟梗概率密度图像中提取准确的烟梗区域。

Multi feature texture image fusion based on bilateral filtering for tobacco stem region extraction

The invention discloses a method for extracting tobacco stem region based on multi feature texture image fusion of bilateral filtering. Aiming at the problem of extracting tobacco stem target from X-ray image with uneven illumination and strong noise, the method proposes to construct probability density image of tobacco stem region based on the weighting of three texture features of pixel occurrence probability, gray entropy and gray scale of the original image, and then adopts bilateral filtering The filter function is used to filter the probability density image. Finally, the mixture Gaussian model and morphological filter method are used to extract the accurate region of tobacco stem from the probability density image.

【技术实现步骤摘要】
基于双边滤波的多特征纹理图像融合的烟梗区域提取方法
本专利技术涉及基于双边滤波的多特征纹理图像融合的烟梗区域提取方法，属于光学检测

技术介绍
在烟叶打叶复烤过程中，需要采用风分方式对打叶后的烟片和烟梗进行分离，以进行后期烟叶的准确配方，提高卷烟品质。由于打叶后的混合烟叶中，含梗烟片与游离纯净叶片的悬浮速度差异不大，在风分过程中会使含梗烟片被当作纯净叶片而难于分离出来，从而使烟叶配方中增加了含梗烟片，直接影响卷烟质量。打叶后的烟叶含梗率是影响切丝质量的最重要的因素之一，而烟丝的质量又直接影响到成品烟支的质量(填充度、重量、密度、空头率、掉丝率等重要指标)。现行的打叶复烤国家标准(YC/T146—2001和YC/T147--2001)分别限制了烤前和烤后的烟叶中，含梗率应小于或等于2.5％，新标准又修改为应小于或等于2.0％。根据以上国家标准，各个打叶复烤企业都要对烟梗含量进行检测，多数复烤企业每隔半小时，就要检测一次烟叶含梗率，采用的测量方式主要有两种：一是，用打叶机将待测烟叶全部打碎，然后再测量其中的含梗率，这种测量方式会造成烟叶的破坏，测量之后的烟叶将不能继续使用，一天下来每条打叶线都将浪费很多烟叶。二是，目前大多数烟厂和复烤厂是通过取样去梗后对烟梗和叶片分别称重来实现烟叶含梗率的检测，该检测方法对烟叶产生较大破坏，且检测耗时长、无法实现在线实时检测。这两种检测方法均存在明显的弊端。目前的检测技术还停留在检测含梗率上，还没有任何公开文献和专利能够给出检测烟梗区域的方法，检测烟梗区域对于实际生产具有非常重要的指导意义。
技术实现思路
为了解决上述存在的问题，本专利技术公开了一种基于双边滤波的多特征纹理图像融合的烟梗区域提取方法，其具体技术方案如下：基于双边滤波的多特征纹理图像融合的烟梗区域提取方法，具体包括以下操作步骤：步骤1：获取烟草图像：在打叶机的出口端的皮带上方安装X光相机，X光相机拍照获取在皮带上传送的烟草图像，步骤2：获取纹理特征：X光相机将图像传送给叶含梗视觉在线检测软件，叶含梗视觉在线检测软件对烟草图像进行灰度处理获得灰度图，阈值分割获得二值图，通过计算sobel算子来计算图像灰度函数的近似梯度，灰度熵是指图像中灰度的不均匀程度或复杂度，假设图像中灰度值为gj的象素个数为kj，则图像中灰度值为gj的象素出现的概率P(gj)为:整幅图像灰度熵E(I)为：获得灰度值gj、灰度值gj的象素出现概率P(gj)和整幅图像灰度熵E(I)三个纹理特征；步骤3：获取烟梗区域的概率密度图像：利用加权函数进行线性图像融合获得最终的烟梗区域的概率密度图像；步骤4：滤波：步骤3获取的烟梗区域的概率密度图像具有很多强噪声需要滤除，采用双边滤波对烟梗区域的概率密度图像进行滤波；步骤5：分割烟梗区域与背景：通过建立高斯混合模型能够实现将烟梗区域与背景准确的分割，得到分割后的烟梗区域图像；步骤6：去除分割后的烟梗区域图像的小型空洞：通过形态学闭运算去除分割后的烟梗区域图像的小型空洞，平滑目标物体轮廓以及填补轮廓线断裂，最终得到烟梗区域。进一步的，所述步骤4的双边滤波具体步骤为：双边滤波实际是两个高斯滤波的同时作用，一个计算空间邻近度的权值，另一个负责计算像素值相似度的权值，将高斯滤波的原理中，通过各个点到中心点的空间临近度计算的各个权值进行优化，将其优化为空间临近度计算的权值和像素值相似度计算的权值的乘积，优化后的权值再与图像作卷积运算，从而达到保边去噪的效果，其具体公式为：其中，g(i,j)代表输出点，S(i,j)指以(i,j)为中心的(2N+1)(2N+1)的大小的范围,f(k,l)代表多个输入点，w(i,j,k,l)代表经过两个高斯函数计算出的值，假设公式中w(i,j,k,l)＝m，则有：设m1+m2+m3…+mn＝M,则有：此时可以看到，这明显是图像矩阵与核的卷积运算了，其中m1/M代表的第一个点的权值，而图像矩阵与核通过卷积算子作加权和，最终得到输出值，而w(i,j,k,l)＝ws*wr,其中σ分别为当前像素信息和当前像素位置的标准差。进一步的，所述步骤5中建立高斯混合模型将烟梗区域与背景分割的具体过程为：利用高斯混合模型计算出每个像素属于K个高斯模型中某一个的概率值，利用这个概率值取代原来的像素值达到分割图像的目的，高斯混合模型是指具有如下形式的概率分布模型：其中，αk是系数，φ(y|θk)是高斯分布密度，称为第k个分模型，然后，对分割后的烟梗区域图像进行直方图拟合，即不断调整高斯模型的参数。进一步的，所述步骤5中对分割后的烟梗区域图像进行直方图拟合，即不断调整高斯模型的参数，具体流程为：(4)取参数的初始值开始迭代(5)E步：依据当前模型参数，计算分模型k对观测数据yj的响应度(6)M步：计算新一轮迭代的模型参数(4)重复第(2)步和第(3)步，直到收敛。进一步的，所述步骤6中形态学闭运算的操作是先膨胀后腐蚀，即dst＝close(src,element)＝erode(dilate(src,element))。本专利技术的有益效果是：本专利技术能够给出烟梗的具体所在区域，当检测到含梗率超标时，可以有针对地直观得知道烟梗所在位置，直接找到烟梗，具有非常重要的生产指导意义。在实际生产中，结合现有的含梗率在线检测设备同时使用，当检测到含梗率超标时，生产现场直接得到烟梗的位置，由机械手直接抓取烟梗区域的烟草，起到针对性的操作，对着病灶开刀，避免了传统的一篮子全部返工的操作，提高工作效率，避免重复打叶，重复打叶的弊端在于把细小烟叶打得过于细碎，也会降低卷烟的质量，或者在筛选过程中，通过风吹走细小烟叶，增加烟叶的浪费，增加加工工序、加工时间、设备使用。而通过本专利的技术，可以在线直接对准烟梗区域，抓取烟梗，减少了很多工序，在实际生产中，大大降低了加工成本和烟草浪费，避免烟叶被重复打叶，增加不合格的过于细小烟草含量。具体实施方式下面结合具体实施方式，进一步阐明本专利技术。应理解下述具体实施方式仅用于说明本专利技术而不用于限制本专利技术的范围。本专利技术的基于多特征融合的图像法烟草含梗率检测方法，包括以下操作步骤：本专利技术基于双边滤波的多特征纹理图像融合的烟梗区域提取方法，具体包括以下操作步骤：基于双边滤波的多特征纹理图像融合的高噪声X光图像烟梗区域提取，利用原图像的高亮点密度、灰度熵、灰度三个纹理特征加权构建烟梗区域的概率密度图像，再采用双边滤波函数对概率密度图像进行滤波，最后利用混合高斯模型和形态学滤波方法从烟梗概率密度图像中提取准确的烟梗区域，具体过程为：步骤1：获取烟草图像：在打叶机的出口端的皮带上方安装X光相机，X光相机拍照获取在皮带上传送的烟草图像；步骤2：获取纹理特征：X光相机将图像传送给叶含梗视觉在线检测软件，本文档来自技高网...

【技术保护点】
1.基于双边滤波的多特征纹理图像融合的烟梗区域提取方法，其特征在于，具体包括以下操作步骤：/n步骤1：获取烟草图像：在打叶机的出口端的皮带上方安装X光相机，X光相机拍照获取在皮带上传送的烟草图像，/n步骤2：获取纹理特征：X光相机将图像传送给叶含梗视觉在线检测软件，叶含梗视觉在线检测软件对烟草图像进行灰度处理获得灰度图，阈值分割获得二值图，通过计算sobel算子来计算图像灰度函数的近似梯度，灰度熵是指图像中灰度的不均匀程度或复杂度，假设图像中灰度值为g

【技术特征摘要】
1.基于双边滤波的多特征纹理图像融合的烟梗区域提取方法，其特征在于，具体包括以下操作步骤：
步骤1：获取烟草图像：在打叶机的出口端的皮带上方安装X光相机，X光相机拍照获取在皮带上传送的烟草图像，
步骤2：获取纹理特征：X光相机将图像传送给叶含梗视觉在线检测软件，叶含梗视觉在线检测软件对烟草图像进行灰度处理获得灰度图，阈值分割获得二值图，通过计算sobel算子来计算图像灰度函数的近似梯度，灰度熵是指图像中灰度的不均匀程度或复杂度，假设图像中灰度值为gj的象素个数为kj，
则图像中灰度值为gj的象素出现的概率P(gj)为:
整幅图像灰度熵E(I)为：
获得灰度值gj、灰度值gj的象素出现概率P(gj)和整幅图像灰度熵E(I)三个纹理特征；
步骤3：获取烟梗区域的概率密度图像：利用加权函数进行线性图像融合获得最终的烟梗区域的概率密度图像；
步骤4：滤波：步骤3获取的烟梗区域的概率密度图像具有很多强噪声需要滤除，采用双边滤波对烟梗区域的概率密度图像进行滤波；
步骤5：分割烟梗区域与背景：通过建立高斯混合模型能够实现将烟梗区域与背景准确的分割，得到分割后的烟梗区域图像；
步骤6：去除分割后的烟梗区域图像的小型空洞：通过形态学闭运算去除分割后的烟梗区域图像的小型空洞，平滑目标物体轮廓以及填补轮廓线断裂，最终得到烟梗区域。


2.根据权利要求1所述的基于双边滤波的多特征纹理图像融合的烟梗区域提取方法，其特征在于所述步骤4的双边滤波具体步骤为：
双边滤波实际是两个高斯滤波的同时作用，一个计算空间邻近度的权值，另一个负责计算像素值相似度的权值，将高斯滤波的原理中，通过各个点到中心点的空间临近度计算的各个权值进行优化，将其优化为空间临近度计算的权值和像素值相似度计算的权值的乘积，优化后的权值再与图像作卷积运算，从而达到保边去噪的效果，
其具体公式为：
其中，g(i,j)代表输出点，S(i,j)指以(i,j...

【专利技术属性】
技术研发人员：张乐年，叶明，吴主峰，姜华，孔世凡，王李苏，
申请(专利权)人：南京大树智能科技股份有限公司，
类型：发明
国别省市：江苏;32