CN111062257A - 一种基于形态学和运动学特征的微小目标识别方法 - Google Patents
一种基于形态学和运动学特征的微小目标识别方法 Download PDFInfo
- Publication number
- CN111062257A CN111062257A CN201911148437.9A CN201911148437A CN111062257A CN 111062257 A CN111062257 A CN 111062257A CN 201911148437 A CN201911148437 A CN 201911148437A CN 111062257 A CN111062257 A CN 111062257A
- Authority
- CN
- China
- Prior art keywords
- image
- light source
- algorithm
- images
- bubbles
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种可对微小目标进行识别;将形态学和运动学特征运用于图像识别领域的基于形态学和运动学特征的微小目标识别方法。该基于形态学和运动学特征的微小目标识别方法采用气泡识别***;包括步骤基于光学技术的运动学图像采集和软件算法识。采用该基于形态学和运动学特征的微小目标识别方法可对微小目标进行识别,可识别50um大小物体;能够计算出微小目标数量,计算出微小目标大小,能够判断出微小目标种类;判断出微小目标与介质的密度关系;将形态学和运动学特征运用于图像识别领域。
Description
技术领域
本发明涉及光学特征领域,尤其是一种基于形态学和运动学特征的微小目标识别方法。
背景技术
众所周知的:对微小目标的识别通常基于目标物体的灰度信息、颜色信息或形状信息。物体识别的目的就是要找到一个包含可以区分不同目标物体的有效信息的描述。大部分要识别的物体是事先知道的,所以目标物体的几何特征可以被直接应用到识别任务中,比如在平面上识别固定形状特征的目标物。但有时需要对不规则物体进行识别,比如在液态物质中的物体,由于在液体里,所以其形状呈现不规则性。不规则物体的形状匹配是一种有效的利用物体几何特征进行识别的方法。根据匹配对象的不同,可以将不规则物体的形状匹配分为基于区域的匹配方法和基于轮廓的匹配方法。
基于区域的匹配方法有基于不变矩的形状匹配,其中基于Hu的不变矩形状匹配应用最广泛。基于Hu不变矩只能用于对区域的检测,不能用于边界的检测,但由于计算简单,计算量不大,可以满足实时性;具有平移、尺度不变性,旋转尺度不变性的特点。
基于轮廓特征的形状匹配有链码直方图、成对几何直方图、简单形状匹配、距离形状匹配的方法。链码直方图计算量小,可满足实时性要求,具有平移、尺度不变性,旋转尺度不变性,规格化的链码直方图可以达到更好的旋转不变性。成对几何直方图也具有计算量小,可满足实时性要求,平移、尺度不变性,旋转尺度不变性。简单形状匹配具有单独的描述符都不能用于精确识别物体,但多种简单描述符组合可以达到很高的识别效率,也具有计算量小,可满足实时性要求,平移、尺度不变性,旋转尺度不变性。距离形状匹配和简单形状匹配特性一致。
基于形态学和运动学的特征,大多应用于仿生机械领域,在对微小目标进行识别的领域还未有过应用。一种基于形态学和运动学特征的微小目标识别方法可通过对探测目标的形态和运动状态特征进行识别,从而实现对微小目标的识别。形态学根据被测目标的形态,通过目标物体的灰度信息、颜色信息、形态信息进行区域识别和轮廓识别;运动学根据目标物在介质中运动的特性,即目标物密度大于介质密度运动轨迹向下;目标物密度等于介质密度运动轨迹悬浮;目标物密度小于介质密度运动轨迹向上。综合应用形态学和运动学特征,对微小目标进行识别。
发明内容
本发明所要解决的技术问题是提供一种可对微小目标进行识别;将形态学和运动学特征运用于图像识别领域的基于形态学和运动学特征的微小目标识别方法。
本发明解决其技术问题所采用的技术方案是:一种基于形态学和运动学特征的微小目标识别方法,其特征在于,采用气泡识别***;所述气泡识别***包括摄像机、光源、明暗可变的背景板;
所述背景板上设置有被测物体;所述摄像机上连接有PC控制器;所述光源上连接有工控机;所述光源用于发出特定光学频率、特定发光时长、特定位置、特定形状光源;所述光源发出的光射向被测物体;所述摄像机用于拍摄被测物体;所述PC控制器用于采集图像、识别被测物体的气泡空间光学特征;
并且包括以下步骤:
S1、暗背景拍摄;
S11、将被测物体放入到拍摄指定区域背景板正前方,使得背景板处于黑背景状态,光源工控机控制光源发出按要求设定的特定频率、亮度、特定拍摄角度的光;
此时PC控制器控制摄像机进行拍摄,对应T1时刻的图像P1,在同样的环境下在T2时刻拍摄图像P2;
S12、根据软件算法对P1、P2原图做差,两帧图像采样时间有一定时间间隔T2-T1,判断出小目标异物和气泡;
S12、根据P1、P2原图,实现两图像的帧差算法,得到图像的Blob检测区域;
S13、在所有的Blob区域中,通过气泡的圆形度、灰度、形态等一系列相关特征,字体的形态与颜色特征可以判断气泡和字体,排除气泡、字体后,剩下的Blob区域就是异物;
S14、判断出异物后,可根据Blob区域中,通过二值分割算法与轮廓查找算法,计算统计出异物的大小和数量;
S15、每个图像中的元素相对图像中心坐标都有个固定位置,当同一物体的两帧图像上元素的位置坐标发生变化,用起始位置坐标减去终点位置坐标,可以得到一个带大小和方向的矢量值,因此可以得到图像中元素变化轨迹,因此可判断出异物的运动轨迹,通过运动轨迹可判断出异物相对于介质的密度大小。
S2、亮背景拍摄;
S21、将被测物体放入到拍摄指定区域背景板正前方,使得背景板处于亮背景状态,其发光颜色亮度、饱和度、色调根据检测要求进行调整;
光源工控机控制光源不发光;此时PC控制器控制摄像机进行拍摄,对应T3时刻的图像P3,在相同环境下在T4时刻拍摄图像P4,
S22、根据P1、P2原图,实现两图像的帧差算法,得到图像的Blob检测区域。S13、在所有的Blob区域中,通过气泡的圆形度、灰度、形态等一系列相关特征,字体的形态与颜色特征可以判断气泡和字体,排除气泡、字体后,剩下的Blob区域就是异物;
S23、判断出异物后,可根据Blob区域中,通过二值分割算法与轮廓查找算法,计算统计出异物的大小和数量;
S24、每个图像中的元素相对图像中心坐标都有个固定位置,当同一物体的两帧图像上元素的位置坐标发生变化,用起始位置坐标减去终点位置坐标,可以得到一个带大小和方向的矢量值,因此可以得到图像中元素变化轨迹,因此可判断出异物的运动轨迹,通过运动轨迹可判断出异物相对于介质的密度大小。
具体的,在步骤S14和步骤S23中所述的二值分割算法采用OSTU分割法;具体包括以下步骤:将图像先转换成灰度图;图像中像素的灰度值A小于阈值T的像素个数计为H0,像素灰度值A大于阈值T的像素个数计为H1;将图像大小为X*Y,阈值为T的图像中,H0的平均灰度记为h0,H1的平均灰度值记为h1;
像素灰度值小于T的概率为:
r0=h0/(X*Y);
像素灰度值大于T的概率为:
r1=h1/(X*Y);
h0+h1=X*Y;
r0+r1=1;
平均灰度乘上概率再相加:
e=r0*h0+r1*h1;
类间方差为:
d=r0(h0-e)^2+r1(h1-e)^2;
d=r0*r1(h0-h1)^2。
优选的;所述软件算法采用腐蚀算法、膨胀算法或者灰度形态学之膨胀算法。
本发明的有益效果是:本发明所述的基于形态学和运动学特征的微小目标识别方法与现有技术相比,具有如下优点和有益效果:可对微小目标进行识别,可识别50um大小物体;能够计算出微小目标数量,计算出微小目标大小,能够判断出微小目标种类;判断出微小目标与介质的密度关系;将形态学和运动学特征运用于图像识别领域。
附图说明
图1是本发明实施例中气泡识别***的结构示意图;
图2是本发明实施例中阴雨天室内照射气泡的示意图;
图3是本发明实施例中阴雨天室内照射气泡的光学特征;
图4是本发明实施例中一个点光源照射气泡的示意图;
图5是本发明实施例中一个点光源照射气泡的光学特征;
图6是本发明实施例中两个点光源照射气泡的示意图;
图7是本发明实施例中两个点光源照射气泡的光学特征;
图8是本发明实施例中三个点光源照射气泡的示意图;
图9是本发明实施例中三个点光源照射气泡的光学特征;
图10是本发明实施例中两个条形光源照射气泡的示意图;
图11是本发明实施例中两个条形光源照射气泡的光学特征;
图12是本发明实施例中二值形态学腐蚀算法流程图;
图13是本发明实施例中二值形态学膨胀算法流程图;
图14是本发明实施例中灰度形态学腐蚀算法流程图;
图15是本发明实施例中灰度形态学膨胀算法流程图;
图16是本发明实施例中运动学图像拍摄T3时刻照片;
图17是本发明实施例中运动学图像拍摄T4时刻照片;
图18是本发明实施例中T3时刻异物形态学图像二值化照片;
图19是本发明实施例中T4时刻异物形态学图像二值化照片;
图中标示:1-被识别体,2-摄像机,3-PC控制器,4-第一光源,5-第一工控机,6-第二光源,7-第二工控机,8-第三光源,9-第三工控机,10-背板。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示,本发明所述的一种基于形态学和运动学特征的微小目标识别方法,采用气泡识别***;所述气泡识别***包括摄像机2、光源、明暗可变的背景板10;
所述背景板10上设置有被测物体1;所述摄像机2上连接有PC控制器3;所述光源上连接有工控机;所述光源用于发出特定光学频率、特定发光时长、特定位置、特定形状光源;所述光源发出的光射向被测物体1;所述摄像机2用于拍摄被测物体1;所述PC控制器3用于采集图像、识别被测物体1的气泡空间光学特征;
并且包括以下步骤:
S1、暗背景拍摄;
S11、将被测物体1放入到拍摄指定区域背景板10正前方,使得背景板10处于黑背景状态,光源工控机控制光源发出按要求设定的特定频率、亮度、特定拍摄角度的光;
此时PC控制器3控制摄像机2进行拍摄,对应T1时刻的图像P1,在同样的环境下在T2时刻拍摄图像P2;
S12、根据软件算法对P1、P2原图做差,两帧图像采样时间有一定时间间隔T2-T1,判断出小目标异物和气泡,
根据P1、P2原图,实现两图像的帧差算法,得到图像的Blob检测区域;
S13、在所有的Blob区域中,通过气泡的圆形度、灰度、形态等一系列相关特征,字体的形态与颜色特征可以判断气泡和字体,排除气泡、字体后,剩下的Blob区域就是异物;
判断出异物后,根据Blob区域中,通过二值分割算法与轮廓查找算法,计算统计出异物的大小和数量;
S14、根据两帧图像异物的位置,可判断出异物的轨迹,通过轨迹可判断出异物相对于介质的密度大小;
每个图像中的元素相对图像中心坐标都有个固定位置,当同一物体的两帧图像上元素的位置坐标发生变化,用起始位置坐标减去终点位置坐标,可以得到一个带大小和方向的矢量值,因此可以得到图像中元素变化轨迹,因此可判断出异物的运动轨迹,通过运动轨迹可判断出异物相对于介质的密度大小。
S2、亮背景拍摄;
S21、将被测物体1放入到拍摄指定区域背景板10正前方,使得背景板10处于亮背景状态,其发光颜色亮度、饱和度、色调根据检测要求进行调整;
光源工控机控制光源4不发光;此时PC控制器3控制摄像机2进行拍摄,对应T3时刻的图像P3,在相同环境下在T4时刻拍摄图像P4,
S22、根据软件算法对P3、P4原图做差,两帧图像采样时间有一定时间间隔T3-T4,判断出小目标异物和气泡,
根据P1、P2原图,实现两图像的帧差算法,得到图像的Blob检测区域。
S23、在所有的Blob区域中,通过气泡的圆形度、灰度、形态等一系列相关特征,字体的形态与颜色特征可以判断气泡和字体,排除气泡、字体后,剩下的Blob区域就是异物。
S23、再根据二值图判断出气泡,除掉气泡后,剩下的就是异物;判断出异物后,可根据Blob区域中,通过二值分割算法与轮廓查找算法,计算统计出异物的大小和数量;
S24、根据两帧图像异物的位置,可判断出异物的轨迹,通过轨迹可判断出异物相对于介质的密度大小;
每个图像中的元素相对图像中心坐标都有个固定位置,当同一物体的两帧图像上元素的位置坐标发生变化,用起始位置坐标减去终点位置坐标,可以得到一个带大小和方向的矢量值,因此可以得到图像中元素变化轨迹,因此可判断出异物的运动轨迹,通过运动轨迹可判断出异物相对于介质的密度大小。
具体的,被检测物1悬挂在背景板10正前方,相隔一定距离。背景板10可调节为纯黑和纯白以及其它颜色显示,纯黑时发出任何荧光,纯白时可调节照度,其它颜色也同样可调颜色饱和度、色调及亮度,且发光均匀;背景板的大小可完全覆盖被检测物。照相机2放置在被检测物1正前方,需要选择合适的像素分辨率、焦距、视场角以及景深以满足对被检测物1的全局拍摄需求。照相机控制器3对照相机进行控制,采集需要的图像。特定光源4,光源可选择特定频率、特定发光形状(如点光源、线光源、条形光源、面光源、阵列光源等)、特定发光角度,且光源数量不局限于图中所示,根据不同的识别需求进行数量增减、光源形状选择搭配、频率选择、角度调整、分布式放置。光源控制器5可对光源出光时间、亮度进行调制,光源控制器数量与光源数量匹配。特定光源6,光源可选择特定频率、特定发光形状(如点光源、线光源、条形光源、面光源、阵列光源等)、特定发光角度,且光源数量不局限于图中所示,根据不同的识别需求进行数量增减、光源形状选择搭配、频率选择、角度调整、分布式放置。光源控制器7可对光源出光时间、亮度进行调制,光源控制器数量与光源数量匹配。特定光源8,光源可选择特定频率、特定发光形状(如点光源、线光源、条形光源、面光源、阵列光源等)、特定发光角度,且光源数量不局限于图中所示,根据不同的识别需求进行数量增减、光源形状选择搭配、频率选择、角度调整、分布式放置。光源控制器9可对光源出光时间、亮度进行调制,光源控制器数量与光源数量匹配。
具体的,在步骤S12和步骤S22中所述的软件算法采用OSTU分割法;具体包括以下步骤:将图像先转换成灰度图;图像中像素的灰度值A小于阈值T的像素个数计为H0,像素灰度值A大于阈值T的像素个数计为H1;将图像大小为X*Y,阈值为T的图像中,H0的平均灰度记为h0,H1的平均灰度值记为h1;
像素灰度值小于T的概率为:
r0=h0/(X*Y);
像素灰度值大于T的概率为:
r1=h1/(X*Y);
h0+h1=X*Y;
r0+r1=1;
平均灰度乘上概率再相加:
e=r0*h0+r1*h1;
类间方差为:
d=r0(h0-e)^2+r1(h1-e)^2;
d=r0*r1(h0-h1)^2。
优选的,所述软件算法采用腐蚀算法、膨胀算法或者灰度形态学之膨胀算法。
实施例
1、基于光学技术的运动学图像采集
A、暗背景拍摄:
被测物体1进入拍摄指定区域背景板10正前方,此时背景板10处于黑背景状态,光源控制器5控制光源4发出特定频率、亮度、特定拍摄角度的光。此时照相机控制器3控制照相机2进行拍摄,对应T1时刻的图像P1,在这种环境下在T2时刻拍摄图像P2,根据相应算法对P1、P2原图做差,两帧图像采样时间有一定时间间隔T2-T1,判断出小目标异物和气泡,再根据二值图判断出气泡,除掉气泡后,剩下的就是异物。判断出异物后,可计算统计出异物的大小和数量,根据两帧图像异物的位置,可判断出异物的轨迹,通过轨迹可判断出异物相对于介质的密度大小。同过这种方法可对图像中的异物进行识别。
B、亮背景拍摄:
被测物体1进入拍摄指定区域背景板10正前方,此时背景板10处于亮背景状态,其发光颜色亮度、饱和度、色调根据检测要求适当调整,光源控制器5控制光源4不发光。此时照相机控制器3控制照相机2进行拍摄,对应T3时刻的图像P3,在这种环境下在T4时刻拍摄图像P4,根据相应算法对P3、P4原图做差,两帧图像采样时间有一定时间间隔T2-T1,判断出小目标异物和气泡,再根据二值图判断出气泡;除掉气泡后,剩下的就是异物。判断出异物后,可计算统计出异物的大小和数量,根据两帧图像异物的位置,可判断出异物的轨迹,通过轨迹可判断出异物相对于介质的密度大小。同过这种方法可对图像中的异物进行识别。
2、软件算法识别气泡和异物;
将被测物体放入到拍摄指定区域背景板正前方,使得背景板处于黑背景状态,光源工控机控制光源发出按要求设定的特定频率、亮度、特定拍摄角度的光;
此时PC控制器控制摄像机进行拍摄,对应T1时刻的图像P1,在同样的环境下在T2时刻拍摄图像P2;
S12、根据软件算法对P1、P2原图做差,两帧图像采样时间有一定时间间隔T2-T1,判断出小目标异物和气泡,
根据P1、P2原图,实现两图像的帧差算法,得到图像的Blob检测区域。
S13、在所有的Blob区域中,通过气泡的圆形度、灰度、形态等一系列相关特征,字体的形态与颜色特征可以判断气泡和字体,排除气泡、字体后,剩下的Blob区域就是异物。判断出异物后,可根据Blob区域中,通过二值分割算法与轮廓查找算法,计算统计出异物的大小和数量;
每个图像中的元素相对图像中心坐标都有个固定位置,当同一物体的两帧图像上元素的位置坐标发生变化,用起始位置坐标减去终点位置坐标,可以得到一个带大小和方向的矢量值,因此可以得到图像中元素变化轨迹,因此可判断出异物的运动轨迹,通过运动轨迹可判断出异物相对于介质的密度大小。
基于OSTU分割法、数学形态学中二值形态学和灰度形态学和其它特殊算法,对有多光谱特征的输液袋图像上的数字、字母、汉字、图像以及异物实现识别功能。
OSTU分割法:
将图像先转换成灰度图。图像中像素的灰度值A小于阈值T的像素个数计为H0,像素灰度值A大于阈值T的像素个数计为H1;将图像大小为X*Y,阈值为T的图像中,H0的平均灰度记为h0,H1的平均灰度值记为h1;
像素灰度值小于T的概率为:
r0=h0/(X*Y);
像素灰度值大于T的概率为:
r1=h1/(X*Y);
h0+h1=X*Y;
r0+r1=1;
平均灰度乘上概率再相加:
e=r0*h0+r1*h1;
类间方差为:
d=r0(h0-e)^2+r1(h1-e)^2;
d=r0*r1(h0-h1)^2
数学形态学之二值形态学
腐蚀算法:
简单理解为将目标区域范围减小,从图像的直观感受上为图像边界在收缩;在实际应用上多用于消除噪点或者不需要的目标。表达式为:
上述表达式表示为用集合B腐蚀集合A,即让B以一个起始点在A中移动,与A重叠区域做卷积,如果B位置上和A位置上的数值相同则输出结果为1,否则输出结果为0。如图12所示二值形态学腐蚀算法流程图。
膨胀算法:
简单理解为将目标区域范围增大,从图像的直观感受上为图像边界在扩张;在实际应用上多用于填补目标区域空洞和消除小颗粒噪声。表达式为:
上述表达式表示为用集合B膨胀集合A,即让B以一个起始点在A中移动,与A重叠区域做卷积,如果B位置上和A位置上的数值做交集不为空则输出结果为1,否则输出结果为0。如图13所示二值形态学膨胀算法流程图。
数学形态学之灰度形态学
图像元素记为A,结构元素记为B,结构元素覆盖住图像的区域记为C。
灰度形态学之腐蚀:
简单理解为做卷积的操作,用A减去结构元素B形成的小矩形C,取C中最小值,赋值到B对应的原点。如图14所示,灰度形态学腐蚀算法流程图。
灰度形态学之膨胀算法:
简单理解为做卷积的操作,用A加上结构元素B形成的小矩形C,取C中最大值,赋值到B对应的原点。如图15所示灰度形态学膨胀算法流程图。
基于运动学特征,采用光学技术进行图像采集,配合基于上述软件算法对图像中P3、P4原图做差,两帧图像采样时间有一定时间间隔T4-T3,判断出小目标异物和气泡,再根据软件判断出气泡;除掉气泡后,剩下的就是异物。
判断出异物后,可计算统计出异物的大小和数量,根据两帧图像异物的位置,可判断出异物的轨迹,通过轨迹可判断出异物相对于介质的密度大小。同过这种方法可对图像中的异物进行识别。
Claims (3)
1.一种基于形态学和运动学特征的微小目标识别方法,其特征在于,采用气泡识别***;所述气泡识别***包括摄像机(2)、光源、明暗可变的背景板(10);
所述背景板(10)上设置有被测物体(1);所述摄像机(2)上连接有PC控制器(3);所述光源上连接有工控机;所述光源用于发出特定光学频率、特定发光时长、特定位置、特定形状光源;所述光源发出的光射向被测物体(1);所述摄像机(2)用于拍摄被测物体(1);所述PC控制器(3)用于采集图像、识别被测物体(1)的气泡空间光学特征;
并且包括以下步骤:
S1、暗背景拍摄;
S11、将被测物体(1)放入到拍摄指定区域背景板(10)正前方,使得背景板(10)处于黑背景状态,光源工控机控制光源发出按要求设定的特定频率、亮度、特定拍摄角度的光;
此时PC控制器(3)控制摄像机(2)进行拍摄,对应T1时刻的图像P1,在同样的环境下在T2时刻拍摄图像P2;
S12、根据软件算法对P1、P2原图做差,两帧图像采样时间有一定时间间隔T2-T1,判断出小目标异物和气泡,根据P1、P2原图,实现两图像的帧差算法,得到图像的Blob检测区域;
将被测物体放入到拍摄指定区域背景板正前方,使得背景板处于黑背景状态,光源工控机控制光源发出按要求设定的特定频率、亮度、特定拍摄角度的光;
此时PC控制器控制摄像机进行拍摄,对应T1时刻的图像P1,在同样的环境下在T2时刻拍摄图像P2;
S13、在所有的Blob区域中,通过气泡的圆形度、灰度、形态等一系列相关特征,字体的形态与颜色特征可以判断气泡和字体,排除气泡、字体后,剩下的Blob区域就是异物;
判断出异物后,可根据Blob区域中,通过二值分割算法与轮廓查找算法,计算统计出异物的大小和数量;
S14、每个图像中的元素相对图像中心坐标都有个固定位置,当同一物体的两帧图像上元素的位置坐标发生变化,用起始位置坐标减去终点位置坐标,可以得到一个带大小和方向的矢量值,因此可以得到图像中元素变化轨迹,因此可判断出异物的运动轨迹,通过运动轨迹可判断出异物相对于介质的密度大小;
S2、亮背景拍摄;
S21、将被测物体(1)放入到拍摄指定区域背景板(10)正前方,使得背景板(10)处于亮背景状态,其发光颜色亮度、饱和度、色调根据检测要求进行调整;
光源工控机控制光源(4)不发光;此时PC控制器(3)控制摄像机(2)进行拍摄,对应T3时刻的图像P3,在相同环境下在T4时刻拍摄图像P4,
S22、根据P1、P2原图,实现两图像的帧差算法,得到图像的Blob检测区域。
S23、在所有的Blob区域中,通过气泡的圆形度、灰度、形态等一系列相关特征,字体的形态与颜色特征可以判断气泡和字体,排除气泡、字体后,剩下的Blob区域就是异物;
判断出异物后,可根据Blob区域中,通过二值分割算法与轮廓查找算法,计算统计出异物的大小和数量;
S24、每个图像中的元素相对图像中心坐标都有个固定位置,当同一物体的两帧图像上元素的位置坐标发生变化,用起始位置坐标减去终点位置坐标,可以得到一个带大小和方向的矢量值,因此可以得到图像中元素变化轨迹,因此可判断出异物的运动轨迹,通过运动轨迹可判断出异物相对于介质的密度大小。
2.如权利要求1所述的一种基于形态学和运动学特征的微小目标识别方法,其特征在于:在步骤S12和步骤S22中所述的软件算法采用OSTU分割法;具体包括以下步骤:将图像先转换成灰度图;图像中像素的灰度值A小于阈值T的像素个数计为H0,像素灰度值A大于阈值T的像素个数计为H1;将图像大小为X*Y,阈值为T的图像中,H0的平均灰度记为h0,H1的平均灰度值记为h1;
像素灰度值小于T的概率为:
r0=h0/(X*Y);
像素灰度值大于T的概率为:
r1=h1/(X*Y);
h0+h1=X*Y;
r0+r1=1;
平均灰度乘上概率再相加:
e=r0*h0+r1*h1;
类间方差为:
d=r0(h0-e)^2+r1(h1-e)^2;
d=r0*r1(h0-h1)^2。
3.如权利要求1所述的一种基于形态学和运动学特征的微小目标识别方法,其特征在于:所述软件算法采用腐蚀算法、膨胀算法或者灰度形态学之膨胀算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148437.9A CN111062257A (zh) | 2019-11-21 | 2019-11-21 | 一种基于形态学和运动学特征的微小目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148437.9A CN111062257A (zh) | 2019-11-21 | 2019-11-21 | 一种基于形态学和运动学特征的微小目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111062257A true CN111062257A (zh) | 2020-04-24 |
Family
ID=70298655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911148437.9A Pending CN111062257A (zh) | 2019-11-21 | 2019-11-21 | 一种基于形态学和运动学特征的微小目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062257A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365486A (zh) * | 2020-11-20 | 2021-02-12 | 普联技术有限公司 | 基于移动侦测的灰尘检测方法、装置、介质及终端设备 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006214890A (ja) * | 2005-02-04 | 2006-08-17 | M I L:Kk | 物品欠陥情報検出装置及び物品欠陥情報検出処理プログラム |
CN102175693A (zh) * | 2011-03-08 | 2011-09-07 | 中南大学 | 医用药剂中可见异物的机器视觉检测方法 |
CN102998316A (zh) * | 2012-12-20 | 2013-03-27 | 山东大学 | 一种透明液体杂质检测***及其检测方法 |
CN103229047A (zh) * | 2010-09-17 | 2013-07-31 | 东洋制罐株式会社 | 玻璃制品的玻璃坯检查装置 |
CN103308527A (zh) * | 2013-05-30 | 2013-09-18 | 屈桢深 | 输液瓶内异物的检测方法及检测*** |
CN103743757A (zh) * | 2014-01-21 | 2014-04-23 | 清华大学 | 一种玻璃瓶内壁异物的检测装置及方法 |
CN105869154A (zh) * | 2015-09-23 | 2016-08-17 | 长沙理工大学 | 一种250ml医药大输液可见异物与气泡的分类识别检测方法 |
CN107273815A (zh) * | 2017-05-24 | 2017-10-20 | 中国农业大学 | 一种个体行为识别方法及*** |
WO2018035814A1 (zh) * | 2016-08-25 | 2018-03-01 | 华讯方舟科技有限公司 | 一种基于毫米波图像的人体异物检测方法及*** |
CN108414534A (zh) * | 2018-05-04 | 2018-08-17 | 无锡恩特卫自动化检测设备有限公司 | 一种白酒低密度极轻异物自动检测方法及装置 |
CN108665464A (zh) * | 2018-04-03 | 2018-10-16 | 电子科技大学 | 一种基于形态学的高压电塔及高压电线的异物检测方法 |
CN109360195A (zh) * | 2018-09-28 | 2019-02-19 | 长沙湘计海盾科技有限公司 | 一种瓶装溶液中异物颗粒的视觉检测方法 |
CN109712125A (zh) * | 2018-12-19 | 2019-05-03 | 汕头大学 | 一种浸渍辊涂布施涂过程产生气泡机器视觉检测方法 |
CN110246156A (zh) * | 2019-05-30 | 2019-09-17 | 中国科学院长春光学精密机械与物理研究所 | 一种异物的识别方法、识别***及终端设备 |
-
2019
- 2019-11-21 CN CN201911148437.9A patent/CN111062257A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006214890A (ja) * | 2005-02-04 | 2006-08-17 | M I L:Kk | 物品欠陥情報検出装置及び物品欠陥情報検出処理プログラム |
CN103229047A (zh) * | 2010-09-17 | 2013-07-31 | 东洋制罐株式会社 | 玻璃制品的玻璃坯检查装置 |
CN102175693A (zh) * | 2011-03-08 | 2011-09-07 | 中南大学 | 医用药剂中可见异物的机器视觉检测方法 |
CN102998316A (zh) * | 2012-12-20 | 2013-03-27 | 山东大学 | 一种透明液体杂质检测***及其检测方法 |
CN103308527A (zh) * | 2013-05-30 | 2013-09-18 | 屈桢深 | 输液瓶内异物的检测方法及检测*** |
CN103743757A (zh) * | 2014-01-21 | 2014-04-23 | 清华大学 | 一种玻璃瓶内壁异物的检测装置及方法 |
CN105869154A (zh) * | 2015-09-23 | 2016-08-17 | 长沙理工大学 | 一种250ml医药大输液可见异物与气泡的分类识别检测方法 |
WO2018035814A1 (zh) * | 2016-08-25 | 2018-03-01 | 华讯方舟科技有限公司 | 一种基于毫米波图像的人体异物检测方法及*** |
CN107273815A (zh) * | 2017-05-24 | 2017-10-20 | 中国农业大学 | 一种个体行为识别方法及*** |
CN108665464A (zh) * | 2018-04-03 | 2018-10-16 | 电子科技大学 | 一种基于形态学的高压电塔及高压电线的异物检测方法 |
CN108414534A (zh) * | 2018-05-04 | 2018-08-17 | 无锡恩特卫自动化检测设备有限公司 | 一种白酒低密度极轻异物自动检测方法及装置 |
CN109360195A (zh) * | 2018-09-28 | 2019-02-19 | 长沙湘计海盾科技有限公司 | 一种瓶装溶液中异物颗粒的视觉检测方法 |
CN109712125A (zh) * | 2018-12-19 | 2019-05-03 | 汕头大学 | 一种浸渍辊涂布施涂过程产生气泡机器视觉检测方法 |
CN110246156A (zh) * | 2019-05-30 | 2019-09-17 | 中国科学院长春光学精密机械与物理研究所 | 一种异物的识别方法、识别***及终端设备 |
Non-Patent Citations (2)
Title |
---|
周博文: "保健酒智能视觉检测机器人技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
姚康等: "一种基于特征分类的液体内杂志检测方法", 《半导体光电》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365486A (zh) * | 2020-11-20 | 2021-02-12 | 普联技术有限公司 | 基于移动侦测的灰尘检测方法、装置、介质及终端设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Moving vehicle detection for automatic traffic monitoring | |
Maldonado-Bascón et al. | Road-sign detection and recognition based on support vector machines | |
US7639878B2 (en) | Shadow detection in images | |
CN108230343B (zh) | 一种图像处理方法及装置 | |
US20130136310A1 (en) | Method and System for Collecting Information Relating to Identity Parameters of A Vehicle | |
US9123141B2 (en) | Ghost artifact detection and removal in HDR image processing using multi-level median threshold bitmaps | |
CN111754525B (zh) | 一种基于非精确切分的工业字符检测流程 | |
CN110610485A (zh) | 一种基于ssim算法的特高压输电线路通道隐患预警方法 | |
KR20150075728A (ko) | 문자 추출 장치 및 그 방법 | |
Lee et al. | Traffic light detection and recognition based on Haar-like features | |
Agarwal et al. | An efficient algorithm for automatic car plate detection & recognition | |
CN116311000A (zh) | 烟火检测方法、检测装置、设备及存储介质 | |
CN110969153A (zh) | 一种基于空间光学特性的气泡识别方法 | |
CN111062257A (zh) | 一种基于形态学和运动学特征的微小目标识别方法 | |
CN102622594A (zh) | 一种基于红外和帧差的近距离目标提取方法 | |
CN107038690A (zh) | 一种基于多特征融合的运动阴影去除方法 | |
Zeng et al. | Adaptive foreground object extraction for real-time video surveillance with lighting variations | |
JP2012023572A (ja) | ホワイトバランス係数算出装置及びプログラム | |
Mukhopadhyay et al. | Comparing shape descriptor methods for different color space and lighting conditions | |
Malik et al. | Automatic Number Plate Recognition based on connected component analysis technique | |
CN112434632B (zh) | 一种图形识别方法、智能终端及存储介质 | |
CN104182758B (zh) | 用于火箭风摆测量的图像识别方法 | |
Rajapaksha et al. | Optimized Multi-Shaped Traffic Light Detection and Signal Recognition with Guided Framework | |
Taban et al. | Different shape and color targets detection using auto indexing images in computer vision system | |
KR101468566B1 (ko) | 저조도 영상에서의 말레이시아 차량 번호판 인식 방법과 그 시스템 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200424 |
|
RJ01 | Rejection of invention patent application after publication |