本申请公开了一种基于图像识别的图像采集方法及系统，涉及图像识别技术领域，包括：获取原始图像，对原始图像进行预处理，输出预处理后的图像A；构建共生矩阵，获取图像A的特征集F；结合特征集F，构建局部特征的LOF模型；利用DBSCAN对LOF模型进行聚类分析，获取最终的聚类图像C；其中，共生矩阵为GLCM矩阵和WCM矩阵；针对现有技术中对图像目标识别和提取存在依赖全局特征表达能力不足的问题，本申请通过构建共生矩阵捕捉局部特征模式，建立LOF模型分析局部特征结构，并采用DBSCAN聚类算法仅基于局部特征进行目标识别，可以有效提取和表达图像的局部特征模式，并利用局部特征模式实现对图像目标区域的自动识别和精确定位，从而显著提高图像目标提取的效果。著提高图像目标提取的效果。著提高图像目标提取的效果。
【技术实现步骤摘要】
一种基于图像识别的图像采集方法及系统
[0001]本专利技术涉及图像识别
，特别涉及一种基于图像识别的图像采集方法及系统。
技术介绍
[0002]随着计算机视觉和图像处理技术的发展，图像目标识别和提取技术越来越广泛地应用于智能监控、无人驾驶、图像搜索等领域。针对不同场景的图像目标实现自动识别和精确提取，是计算机视觉领域亟待解决的难题。
[0003]传统的图像目标提取方法主要依赖全局特征，如颜色、纹理、形状等整体特征，使用分类器对全局特征进行训练，实现对目标类别的识别，但全局特征对图像局部目标的表达能力较弱，不足以准确定位目标区域。
[0004]在相关技术中，比如中国专利文献CN116168440A中提供了一种目标图像识别系统，该目标图像识别系统，包括图像扫描采集模块、辅助图像采集模块、图像预处理模块、图像特征提取模块、图像数据存储模块、图像智能识别模块以及识别异常管理模块；所述图像扫描采集模块包括主轮廓扫描采集单元、三维立体扫描采集单元和采集完整度检测单元；所述辅助图像采集模块包括局部图像扫描采集单元。但是本申请至少存在如下技术问题：
[0005](1)该专利方案仍主要依赖图像的全局特征进行目标识别，其图像特征提取模块提取的特征为整体性的颜色、纹理等全局特征；
[0006](2)这种全局特征对表达图像局部目标区域的细节特征能力不足。虽然本申请包含了局部图像扫描采集模块，但仅将其作为辅助采集手段，并未充分利用局部特征进行识别与表达。
[0007]因此从根本上说，本申请仍属于基于传统全局特征识别的方法，没有充分考虑和利用图像的局部特征，这就导致其目标识别容易受全局环境变化和噪声的影响，对较小或局部目标的识别效果不佳，不能精确定位和提取局部目标区域。
技术实现思路
[0008]1.要解决的技术问题
[0009]针对现有技术中对图像目标识别和提取存在依赖全局特征表达能力不足的问题，本专利技术提供了一种基于图像识别的图像采集方法及系统，它可以有效提取和表达图像的局部特征模式，并利用局部特征模式实现对图像目标区域的自动识别和精确定位，从而显著提高图像目标提取的效果。本申请通过构建共生矩阵捕捉局部特征模式，建立LOF模型分析局部特征结构，并采用DBSCAN聚类算法仅基于局部特征进行目标识别，实现了对图像目标的有效提取。
[0010]2.本申请
[0011]本专利技术的目的通过以下本申请实现。
[0012]本说明书实施例的一个方面提供一种基于图像识别的图像采集方法，包括：获取
原始图像，对原始图像进行预处理，输出预处理后的图像A；构建共生矩阵，获取图像A的特征集F；结合特征集F，构建局部特征的LOF模型；利用DBSCAN对LOF模型进行聚类分析，获取最终的聚类图像C；其中，共生矩阵为GLCM矩阵和WCM矩阵。
[0013]进一步地，获取图像A的特征集包括：构建图像在给定偏移距离和角度下的灰度共生矩阵GLCM；利用共生矩阵GLCM提取图像A的灰度特征，输出GLCM特征集F1；构建图像的小波变换和小波系数的共生矩阵WCM；利用共生矩阵WCM提取图像A的频域特征，输出WCM特征集F2；其中，灰度特征包含对比度和相关性特征；共生矩阵WCM用于反映图像的频域特征。
[0014]进一步地，构建局部特征的LOF模型包括：结合图像A和特征集F1，构建灰度LOF模型；结合图像A和特征集F2，构建微小波LOF模型；其中，构建灰度LOF模型包含：对图像A进行灰度化处理；获取图像A中每个像素与特征集F1的距离，得到局部达因距离；根据局部达因距离计算局部离群因子；构建以局部离群因子为特征的灰度LOF模型；其中，构建微小波LOF模型包含：采用局部二值模式和哈尔小波变换提取图像A的微小波特征；计算每个像素的K距离最小值，以提取局部特征；根据密度和距离构建改进的局部离群因子；构建以改进的局部离群因子为特征的微小波LOF模型。
[0015]进一步地，获取最终的聚类图像C包括：进行第一聚类，利用DBSCAN算法对灰度LOF模型聚类，生成第一聚类结果B1；进行第二聚类，利用DBSCAN算法对微小波LOF模型聚类，生成第一聚类结果B2；进行多数投票融合，对每个像素的第一聚类结果B1和第二聚类结果B2进行多数投票，得到中间聚类结果；进行同类别匹配，确定两次聚类结果中的可能匹配类别，融合为中间聚类结果中的同一类别；进行离群点判断，像素数目比例低于阈值的类别判定为离群点；生成最终聚类结果，融合多数投票、同类别匹配和离群点判断的结果，输出最终聚类图像C。
[0016]进一步地，多数投票融合包括：获取第一聚类结果和第二聚类结果中每个类别的像素比例；按照像素比例为每个类别赋予权重；进行加权投票确定像素的中间类别。
[0017]进一步地，同类别匹配包括：提取第一聚类结果和第二聚类结果中各类别的图像纹理特征；获取特征之间的相似度作为匹配度量；相似度大于阈值的类别判定为匹配类别。
[0018]进一步地，进行离群点判断包括：提取每个类别的颜色、纹理和形状特征；使用孤立森林算法计算离群得分；离群得分高于阈值的类别判定为离群点。
[0019]进一步地，生成最终聚类结果包括：构建高斯混合模型，以中间聚类结果为训练集，得到聚类类别模型；根据贝叶斯决策理论，将每个像素分类到后验概率最大的类别；应用Grab Cut算法进行聚类边界优化；输出优化后的最终聚类图像C。
[0020]本说明书实施例的另一个方面还提供一种基于图像识别的图像采集系统，包括：图像预处理模块，用于对原始图像进行预处理，输出预处理后的图像A；特征提取模块，用于构建共生矩阵，获取图像A的特征集F，其中共生矩阵包含GLCM矩阵和WCM矩阵；局部特征建模模块，用于结合特征集F构建局部特征的LOF模型；图像聚类模块，用于利用DBSCAN算法对LOF模型进行聚类分析，获取最终的聚类图像C；其中，特征提取模块包含：GLCM特征提取单元，用于构建图像在给定偏移距离和角度下的灰度共生矩阵GLCM，并利用GLCM提取图像A的灰度特征，输出GLCM特征集F1；WCM特征提取单元，用于构建图像的小波变换和小波系数的共生矩阵WCM，并利用WCM提取图像A的频域特征，输出WCM特征集F2；其中，局部特征建模模块包含：灰度LOF建模单元，用于结合图像A和GLCM特征集F1，构建灰度LOF模型；微小波LOF
建模单元，用于结合图像A和WCM特征集F2，构建微小波LOF模型。
[0021]进一步地，灰度LOF建模单元通过对图像A进行灰度化处理，计算每个像素与特征集F1的局部达因距离，并根据距离计算局部离群因子构建以局部离群因子为特征的灰度LOF模型；微小波LOF建模单元通过采用局部二值模式和哈尔小波变换来提取图像A的微小波特征，计算每个像素的K距离最小值以提取局部特征，根据密度和距离构建改进的局部离群因子，并构建以改进的局部离群因子为特征的微小波LOF模型。
[0022]3.有益效果
[0023]相比于现有技术，本发本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于图像识别的图像采集方法，包括：获取原始图像，对原始图像进行预处理，输出预处理后的图像A；构建共生矩阵，获取图像A的特征集F；结合特征集F，构建局部特征的LOF模型；利用DBSCAN对LOF模型进行聚类分析，获取最终的聚类图像C；其中，共生矩阵为GLCM矩阵和WCM矩阵。2.根据权利要求1所述的图像采集方法，其特征在于：获取图像A的特征集包括：构建图像在给定偏移距离和角度下的灰度共生矩阵GLCM；利用共生矩阵GLCM提取图像A的灰度特征，输出GLCM特征集F1；构建图像的小波变换和小波系数的共生矩阵WCM；利用共生矩阵WCM提取图像A的频域特征，输出WCM特征集F2；其中，所述灰度特征包含对比度和相关性特征；共生矩阵WCM用于反映图像的频域特征。3.根据权利要求1所述的图像采集方法，其特征在于：构建局部特征的LOF模型包括：结合图像A和特征集F1，构建灰度LOF模型；结合图像A和特征集F2，构建微小波LOF模型；其中，构建灰度LOF模型包含：对图像A进行灰度化处理；获取图像A中每个像素与特征集F1的距离，得到局部达因距离；根据局部达因距离计算局部离群因子；构建以局部离群因子为特征的灰度LOF模型；其中，构建微小波LOF模型包含：采用局部二值模式和哈尔小波变换提取图像A的微小波特征；计算每个像素的K距离最小值，以提取局部特征；根据密度和距离构建改进的局部离群因子；构建以改进的局部离群因子为特征的微小波LOF模型。4.根据权利要求1所述的图像采集方法，其特征在于：获取最终的聚类图像C包括：进行第一聚类，利用DBSCAN算法对灰度LOF模型聚类，生成第一聚类结果B1；进行第二聚类，利用DBSCAN算法对微小波LOF模型聚类，生成第一聚类结果B2；进行多数投票融合，对每个像素的第一聚类结果B1和第二聚类结果B2进行多数投票，得到中间聚类结果；进行同类别匹配，确定两次聚类结果中的可能匹配类别，融合为中间聚类结果中的同一类别；进行离群点判断，像素数目比例低于阈值的类别判定为离群点；生成最终聚类结果，融合多数投票、同类别匹配和离群点判断的结果，输出最终聚类图像C。
5.根据权利要求4所述的图像采集方法，其特征在于：多数投票融合包括：获取第一聚类结果和第二聚类结果中每个类别的像素比例；按照像素比例...
【专利技术属性】
技术研发人员：王子静，邓伟宁，
申请(专利权)人：王子静，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。