一种基于元学习和颜色聚类的去包装带图像处理方法技术

本发明专利技术公开了一种基于元学习和颜色聚类的去包装带图像处理方法，包括以下具体步骤：S1，收集带有包装带和不带有包装带的图像数据，并对收集到的图像数据做标准化和降噪处理；S2，使用元学习网络，筛选出上述图像数据是否为带有包装带的，后续只对带有包装带的图像数据进行处理；S3，使用线条检测网络，包含五个卷积块，内部包含普通卷积层和空洞卷积层，每个卷积块输出一个边缘图，通过逐像素位置相加的方法叠加成最终输出的边缘图；S4，根据线条检测网络输出的边缘图，对其中包装带区域使用颜色聚类方法，达到去除包装带的效果。本发明专利技术减少后续操作的计算量，并使用了一种面对纹理复杂的包装带时也有较好效果的颜色聚类方法。复杂的包装带时也有较好效果的颜色聚类方法。复杂的包装带时也有较好效果的颜色聚类方法。

【技术实现步骤摘要】
一种基于元学习和颜色聚类的去包装带图像处理方法


[0001]本专利技术属于计算机视觉和图像处理等
，具体的讲，涉及一种基于元学习和颜色聚类的去包装带图像处理方法。

技术介绍

[0002]在图像处理和计算机视觉领域，识别和删除图像中的特定对象(如包装带)是一个常见的任务。然而，这一任务充满了挑战，尤其是在识别和删除图像中的包装带时，存在许多复杂的问题，如光照条件的变化、包装带的颜色和纹理的多样性、包装带与背景或其他物体的交互等等。
[0003]近年来，深度学习已被广泛应用于图像处理任务中。然而，深度学习模型，如卷积神经网络，通常需要大量的标注样本进行训练，这对于包装带识别这种特定任务来说，获取足够的训练样本并不容易。同时，这些模型在处理具有不同颜色和纹理的包装带时，识别效果不尽如人意。
[0004]在传统方法中不能先筛选出带有包装带的图像，只能对所有图像进行处理，导致计算量增大，并且最后的颜色聚类实现也比较复杂，面对纹理复杂的包装带时表现不好。

技术实现思路

[0005]针对现有技术存在的上述技术问题，本专利技术提供一种基于元学习和颜色聚类的去包装带图像处理方法。本专利技术通过使用元学习网络，能够筛选出带有包装带的图像数据，使得后续操作只针对有包装带的图像数据，减少了计算量；通过使用颜色聚类方法，在线条检测的基础上，对包装带区域使用颜色聚类方法，在应对纹理复杂的包装带时也有较好的效果。
[0006]本专利技术采用的技术方案是：
[0007]一种基于元学习和颜色聚类的去包装带图像处理方法，其特征在于，包括以下具体步骤：
[0008]S1，收集带有包装带和不带有包装带的图像数据，并对收集到的图像数据做标准化和降噪处理；
[0009]S2，使用元学习网络，筛选出上述图像数据是否为带有包装带的，后续只对带有包装带的图像数据进行处理，元学习网络包含了特征提取和多尺度特征融合部分；
[0010]S3，使用线条检测网络，包含五个卷积块，内部包含普通卷积层和空洞卷积层，每个卷积块输出一个边缘图，通过逐像素位置相加的方法叠加成最终输出的边缘图；
[0011]S4，根据线条检测网络输出的边缘图，对其中包装带区域使用颜色聚类方法，达到去除包装带的效果。
[0012]进一步的，所述步骤S1的具体流程为：
[0013]S11：数据标准化；
[0014]将训练集的数据样本表示为x，μ为样本的平均值，σ为样本的标准差，x
*
为经标准
化处理后的数据样本，如下式(1)所示：
[0015][0016]S12：图像降噪；
[0017]采用中值滤波方法，对于图像数据中的每个像素点，以该点为中心，取窗口大小为3
×
3范围内的所有像素值，然后将这些像素值排序，选择中位数作为该点的像素值，能够有效地消除噪声，同时保持图像边缘的清晰度。
[0018]进一步的，所述步骤S2的具体流程为：
[0019]S21：元学习网络的特征提取；
[0020]首先是连续三层的下采样卷积层，逐层使特征图大小缩小一半；然后是一层提升其通道数量的卷积层；再是串联的四个卷积模块，每个模块从上到下依次由一层卷积层，批归一化处理层，用于提升感受野的空洞卷积层，以及激活函数组成。
[0021]S22：元学习网络的特征融合；
[0022]采用多尺度特征融合结构，将特征提取得到的特征图通过三个并联的卷积核大小不同的卷积层处理，然后采用逐像素位置数值取平均值的方法将三个卷积层得到的特征图拼接在一起，然后再经过一层卷积层和批归一化层和激活函数层输出。
[0023]S23：将融合后的特征图通过一个全连接层转化为一个特征向量；
[0024]在收集到的有包装带的图像中随机选取一张图像x
a
，经过步骤S21中的元学习网络得到特征向量l
a
；再随机选取一张带有包装带的图像数据x
+
作为正样本，再在没有包装带的图像数据集中随机选取一张x
‑
作为负样本；最后计算正负样本经元学习网络得到的特征向量l
+
和l
‑
，并计算l
a
和正负样本所得特征向量间的距离d
+
和d
‑
，损失函数表达式如下式(2)所示：
[0025][0026][0027]loss1＝max{0,d
+
‑
d
‑
}
ꢀꢀꢀ
(2)
[0028]进一步的，所述步骤S3的具体流程为：
[0029]S31：线条检测网络采用改进的HED模型，在原有的网络结构中融入空洞卷积层，提升了模型的感受野，可以提升检测模型的性能。其整体结构是由五个卷积块组成，每两个卷积块之间通过一个池化层连接，在卷积块内部是由卷积层，空洞卷积层和卷积层串联组成。
[0030]S32：在上述的结构中，将每个卷积块的输出经过一个卷积核大小为1
×
1的卷积层，将输出转为边缘图，然后经过上采样操作将其转为和原图像尺寸大小相同。最后将五个卷积块得到的边缘图采用逐像素位置相加的方法叠加在一起，输出得到最终的边缘图。
[0031]S33：在训练阶段，采用的线条检测网络的损失函数为上述结构中五个卷积块所得五个边缘图的损失函数的总和，其表达式如下式(3)所示，
[0032]loss2＝loss1+loss2+loss3+loss4+loss5
ꢀꢀꢀ
(3)
[0033]其中，lossX为第X个边缘图的损失函数。
[0034]每个边缘图的损失函数都是该边缘图所有像素的损失函数的平均值。即，首先对每个像素单独计算损失函数，然后计算这些损失函数的平均值，第i个像素的损失函数表达式如下式(4)所示，
[0035]loss
i
＝
‑
[y
×
log(p)+(1
‑
y)
×
log(1
‑
p)]ꢀꢀꢀ
(4)
[0036]其中，y是输入图像的真实边缘强度值，p是预测值。
[0037]进一步的，所述步骤S4的具体流程为：
[0038]根据线条检测网络输出的边缘图，对其中的包装带区域使用颜色聚类，将包装带颜色替换为与箱体与其相接部分的颜色。所述颜色聚类方法具体为对于包装带区域内的每一个像素点，以该点为中心，包装带区域宽带的1.5倍为半径画圆，计算圆内各颜色所占比例，选取比例最大的颜色替代此点颜色，最终得到去除了包装带的图像数据。
[0039]与现有技术相比，本专利技术的有益效果至少包括：
[0040]1、本专利技术使用元学习网络能够很好地区分图像数据是否带有包装带，使得后续操作只针对带有包装带的图像数据进行处理，省去了对不含包装带数据的无用操作，减少了计算量；
[0041]2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于元学习和颜色聚类的去包装带图像处理方法，其特征在于，包括以下具体步骤：S1，收集带有包装带和不带有包装带的图像数据，并对收集到的图像数据做标准化和降噪处理；S2，使用元学习网络，筛选出上述图像数据是否为带有包装带的，后续只对带有包装带的图像数据进行处理，元学习网络包含了特征提取和多尺度特征融合部分；S3，使用线条检测网络，包含五个卷积块，内部包含普通卷积层和空洞卷积层，每个卷积块输出一个边缘图，通过逐像素位置相加的方法叠加成最终输出的边缘图；S4，根据线条检测网络输出的边缘图，对其中包装带区域使用颜色聚类方法，达到去除包装带的效果。2.一种基于元学习和颜色聚类的去包装带图像处理方法，其特征在于，所述步骤S1的具体流程为：S11：数据标准化；将训练集的数据样本表示为x，μ为样本的平均值，σ为样本的标准差，x
*
为经标准化处理后的数据样本，如下式(1)所示：S12：图像降噪；采用中值滤波方法，对于图像数据中的每个像素点，以该点为中心，取窗口大小为3
×
3范围内的所有像素值，然后将这些像素值排序，选择中位数作为该点的像素值，能够有效地消除噪声，同时保持图像边缘的清晰度。3.一种基于元学习和颜色聚类的去包装带图像处理方法，其特征在于，所述步骤S2的具体流程为：S21：元学习网络的特征提取；首先是连续三层的下采样卷积层，逐层使特征图大小缩小一半；然后是一层提升其通道数量的卷积层；再是串联的四个卷积模块，每个模块从上到下依次由一层卷积层，批归一化处理层，用于提升感受野的空洞卷积层，以及激活函数组成；S22：元学习网络的特征融合；采用多尺度特征融合结构，将特征提取得到的特征图通过三个并联的卷积核大小不同的卷积层处理，然后采用逐像素位置数值取平均值的方法将三个卷积层得到的特征图拼接在一起，然后再经过一层卷积层和批归一化层和激活函数层输出；S23：将融合后的特征图通过一个全连接层转化为一个特征向量；在收集到的有包装带的图像中随机选取一张图像x
a
，经过步骤S21中的元学习网络得到特征向量l
a
；再随机选取一张带有包装带的图像数据x
+
作为正样本，再在没有包装带的图像数据集中随机选取一张x
‑
作为负样本；最后计算正负样本经元学习网络得到的特征向量l
+
和l
‑

【专利技术属性】
技术研发人员：高扬华，陆海良，王毅君，金泳，许珍珍，
申请(专利权)人：浙江中烟工业有限责任公司，
类型：发明
国别省市：