System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理领域,具体涉及一种基于视觉的垃圾分类数字化管理方法。
技术介绍
1、随着生活水平的逐步提高,人们产生的垃圾的种类和数量也在逐年递增。垃圾的无序堆放,不仅挤占有效市容空间还会对城市环境造成污染。当然。垃圾也并非全部为废弃物,合理的处理方式不仅能够使得资源再利用,还能避免对环境造成更多的污染,故对垃圾进行分类进行回收不仅提高了垃圾处理效率,也提高了资源利用率,利用意义重大。
2、在垃圾图像中,垃圾区域轮廓特征包含了目标垃圾的大致形状描述和尺寸大小,在垃圾分类中可作为分割不同垃圾区域的依据,且当垃圾区域之间存在部分遮挡的时候,垃圾分类的效果较差,因此,通过对垃圾图像进行图像处理分析,提高判断垃圾区域的遮挡情况的精确度,进而提高后续垃圾分类的识别精度。
技术实现思路
1、为了解决上述问题,本专利技术提供一种基于视觉的垃圾分类数字化管理方法,所述方法包括:
2、采集垃圾图像,对垃圾图像进行分割获得所有前景区域;
3、对于任意一个前景区域,获得前景区域的所有边界像素点,结合距离度量对边界像素点的邻域进行聚类获得第一类别和第二类别,根据第一类别和第二类别的相似度计算边界像素点的突变概率,根据边界像素点的突变概率判断边界像素点是否为突变点,根据前景区域是否存在突变点判断前景区域是否存在边界遮挡;
4、对于任意一个不存在边界遮挡的前景区域,结合距离度量对边界像素点的邻域进行聚类获得第三类别和第四类别,根据第三类别和第四类别的相似度
5、对存在内部遮挡的前景区域进行预测,获得完整垃圾区域;
6、对存在边界遮挡的前景区域,根据优选度确定所有的突变点对以及子区域,对不完整的子区域,计算子区域的第二类别的所有像素点的角度差异特征值和灰度差异特征值,计算预测像素点与突变点的角度差异值和灰度差异值,实现对预测像素点的灰度值的预测,获得完整子区域;
7、通过垃圾分类神经网络对垃圾区域进行分类识别,完成垃圾分类数字化管理。
8、进一步地,所述对垃圾图像进行分割获得所有前景区域的步骤包括:
9、s1:对图像进行分割获得多个前景区域和一个背景区域,将所有前景区域组成的集合记为前景集合;
10、s2:通过对背景区域进行聚类获得第一子区域和第二子区域,计算第一子区域和第二子区域的相似度,如果相似度小于阈值,则将第一区域作为一个前景区域并加入到前景集合中,将第二子区域作为新的背景区域;
11、重复s1、s2步骤,对新的背景区域进行聚类获得第一子区域和第二子区域,直至第一子区域和第二子区域的相似度大于第一阈值。
12、进一步地,所述结合距离度量对边界像素点的邻域进行聚类获得第一类别和第二类别的步骤包括:
13、对于前景区域中的任意一个边界像素点,获取邻域内的所有边界像素点,计算邻域内的所有边界像素点与聚类中心点的距离度量,邻域内的第w个边界像素点与第i个聚类中心点的距离度量的计算公式为:
14、
15、式中,表示第w个边界像素点与第i个聚类中心点的距离,表示以自然常数为底的指数函数,表示第w个边界像素点与第i个聚类中心点的欧式距离,为第w个边界像素点的灰度值,表示第i个聚类中心点的灰度值,表示取最大值;
16、结合距离度量通过聚类算法将邻域内的所有边界像素点划分为第一类别和第二类别。
17、进一步地,所述根据第一类别和第二类别的相似度计算边界像素点的突变概率的步骤包括:
18、第一类别和第二类别的相似度的计算公式为:
19、
20、式中,r表示第一类别和第二类别的相似度,exp()表示以自然常数为底的指数函数,表示第一类别中所有像素点的灰度值的平均值,表示第二类别中所有像素点的灰度值的平均值,表示取绝对值;
21、将边界像素点对应的第一类别和第二类别的相似度的倒数的归一化结果记为边界像素点的突变概率。
22、进一步地,所述对存在内部遮挡的前景区域进行预测的步骤包括:
23、对于存在内部遮挡的前景区域,将前景区域中分割出第三区域后的空白区域记录为遮挡区域,获取遮挡区域的中心点z,所述中心点z为遮挡区域中与遮挡区域的所有边缘像素点的欧式距离之和最小的像素点;
24、过中心点z做直线l,直线l与遮挡区域的两个交点,分别记为交点和交点,直线l与第四区域的两个交点,分别记为交点和交点;
25、对于中心点z与交点之间的第j个像素点的预测值的计算公式为:
26、
27、式中,表示第j个像素点的预测值,表示交点与交点之间像素点的数量,交点与交点之间第k个的像素点的灰度值,表示第j个像素点与交点与交点之间第k个的像素点的欧式距离,m表示第j个像素点与交点与交点之间所有像素点的欧式距离的最大值;
28、对遮挡区域中的所有像素点的灰度值进行预测,直至完成对遮挡区域的所有像素点的预测,预测后的遮挡区域与第四区域组成的区域作为完整垃圾区域。
29、进一步地,所述根据优选度确定所有的突变点对以及子区域的步骤包括:
30、对于前景区域中的任意两个突变点,计算两个突变点的优选度,第m个突变点和第n个突变点的优选度具体计算公式为:
31、
32、式中,表示第m个突变点和第n个突变点的优选度,exp()表示以自然常数为底的指数函数,表示第m个突变点的第一类别中所有像素点的灰度值的平均值,表示第n个突变点的第一类别中所有像素点的灰度值的平均值,表示第m个突变点的第二类别中所有像素点的灰度值的平均值,表示第n个突变点的第二类别中所有像素点的灰度值的平均值,表示第m个突变点的灰度值,表示第n个突变点的灰度值;
33、对于前景区域中的任意突变点,计算其他所有突变点与该突变点的优选度,将优选度最大的突变点与该突变点组成一个突变点对,同理,获得前景区域中的所有突变点对应的突变点对;
34、任意一个突变点对对应的两个突变点之间的所有边界像素点组成一个边界,根据边界将前景区域划分为多个子区域。
35、进一步地,所述计算子区域的第二类别的所有像素点的角度差异特征值和灰度差异特征值的步骤包括:
36、对于第二类别的所有像素点,按照像素点和突变点的欧式距离,从大到小进行排序获得第一序列,对于第一序列中任意第b个像素点,计算该像素点的角度差异特征值,其中,表示第b个像素点的坐标,表示第b+1个像素点的坐标,表示第b+2个像素点的坐标,arctan()表示正切函数,以及灰度差异特征值,表示第b个像素点的灰度值,表示第b+1个像素点的灰度值;根据上述方法,计算第一序列中所有像素点的角度差异特征值和灰度差异特征值。
37、进一步地,所述计算预测像素点与突变点的角度差异值和灰度差异值的步骤包括:
38、依次对所有预测像素点的灰度值本文档来自技高网...
【技术保护点】
1.一种基于视觉的垃圾分类数字化管理方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种基于视觉的垃圾分类数字化管理方法,其特征在于,所述对垃圾图像进行分割获得所有前景区域的步骤包括:
3.根据权利要求1所述的一种基于视觉的垃圾分类数字化管理方法,其特征在于,所述结合距离度量对边界像素点的邻域进行聚类获得第一类别和第二类别的步骤包括:
4.根据权利要求1所述的一种基于视觉的垃圾分类数字化管理方法,其特征在于,所述根据第一类别和第二类别的相似度计算边界像素点的突变概率的步骤包括:
5.根据权利要求1所述的一种基于视觉的垃圾分类数字化管理方法,其特征在于,所述对存在内部遮挡的前景区域进行预测的步骤包括:
6.根据权利要求1所述的一种基于视觉的垃圾分类数字化管理方法,其特征在于,所述根据优选度确定所有的突变点对以及子区域的步骤包括:
7.根据权利要求1所述的一种基于视觉的垃圾分类数字化管理方法,其特征在于,所述计算子区域的第二类别的所有像素点的角度差异特征值和灰度差异特征值的步骤包括:
8.根
...【技术特征摘要】
1.一种基于视觉的垃圾分类数字化管理方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种基于视觉的垃圾分类数字化管理方法,其特征在于,所述对垃圾图像进行分割获得所有前景区域的步骤包括:
3.根据权利要求1所述的一种基于视觉的垃圾分类数字化管理方法,其特征在于,所述结合距离度量对边界像素点的邻域进行聚类获得第一类别和第二类别的步骤包括:
4.根据权利要求1所述的一种基于视觉的垃圾分类数字化管理方法,其特征在于,所述根据第一类别和第二类别的相似度计算边界像素点的突变概率的步骤包括:
5.根据权利要求1所...
【专利技术属性】
技术研发人员:王惠,张金柯,李海亮,
申请(专利权)人:聚真宝山东技术有限公司,
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。