CN114359023B - 基于复杂度将图片分流调度到中心的方法、设备及*** - Google Patents
基于复杂度将图片分流调度到中心的方法、设备及*** Download PDFInfo
- Publication number
- CN114359023B CN114359023B CN202210019824.8A CN202210019824A CN114359023B CN 114359023 B CN114359023 B CN 114359023B CN 202210019824 A CN202210019824 A CN 202210019824A CN 114359023 B CN114359023 B CN 114359023B
- Authority
- CN
- China
- Prior art keywords
- picture
- complexity
- matrix
- identified
- recognized
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了基于复杂度将图片分流调度到中心的方法、电子设备及介质,包括:S1、接收X光机发送的待识别图片;S2、对所述待识别图片进行解析获得所述待识别图片的复杂度;S3、基于所述待识别图片的复杂度以及预定的复杂度阈值,将大于所述复杂度阈值的所述待识别图片的复杂度对应的所述待识别图片判定为复杂图片;S4、将判定为复杂图片的待识别图片发送至中心服务器。本发明通过拉普拉斯变换、反变换,引入锐化矩阵、求反矩阵,从而使针对X光安检机的待识别图片的复杂度更加的客观与准确,并提高了运算效率。
Description
技术领域
本发明涉及安检智能判图领域,具体涉及基于复杂度将图片分流调度到中心的方法、边缘识图盒子及***。
背景技术
基于边缘识图盒子的安检智能判图***,边缘识图盒子设置在每个进站安检点中,X光机用于探测安检包裹,乘客在进站的时候会把包裹放在传送履带上接受X光的检查,X光机在此过程中输出X光成像视频;边缘识图盒子负责对X光成像视频中的违禁品进行识别,获取到违禁品信息,边缘识图盒子把处理后的包裹信息发给开包台、本地识图等设备,然而在这个过程中,若识别物体被遮挡或者部分遮挡、识别物体材质过于复杂、物品变形扭转等原因,往往产生一系列复杂包裹图像,由于部署在边缘站点上的智能识图盒子由于硬件性能等原因上的限制,识别这些复杂图片上的物品存在困难。
发明内容
本发明的目的在于提供一种基于复杂度将图片分流调度到中心的方法、边缘识图盒子及***,通过拉普拉斯算子与对图片求反等运算,计算接收到的待识别图片的复杂度,将复杂度高于阈值的图片判定为复杂图片并发送至中心服务器处理,用以解决现有边缘识图盒子因为硬件性能等原因无法进行复杂图片识别从而降低安检效率的问题。
基于复杂度将图片分流调度到中心的方法,应用于边缘识图盒子,具体包括以下步骤:
S1、接收X光机发送的待识别图片;
S2、对所述待识别图片进行解析获得所述待识别图片的复杂度;
S3、基于所述待识别图片的复杂度以及预定的复杂度阈值,将大于所述复杂度阈值的所述待识别图片的复杂度对应的所述待识别图片判定为复杂图片;
S4、将判定为复杂图片的待识别图片发送至中心服务器。
进一步地,所述步骤S2采用复杂度模型获得所述待识别图片的复杂度,所述复杂度模型包括变换处理与标记处理,所述变换处理包括拉普拉斯变换、反变换的至少一种,所述复杂度模型具体包括以下步骤:
S201、将所述待识别图片进行变换处理获得变换矩阵D;
S202、将所述待识别图片进行标记处理获得标记矩阵C;
S203、根据所述变换矩阵D、标记矩阵C获得所述待识别图片的复杂度K。
进一步地,所述步骤S2采用复杂度模型获得所述待识别图片的复杂度,所述复杂度模型包括变换处理与标记处理,所述变换处理包括拉普拉斯变换与反变换,所述复杂度模型具体包括以下步骤:
S200、将所述待识别图片转化为灰度图片;
S201、将所述灰度图片进行反变换获得求反矩阵M,以及将所述灰度图片进行拉普拉斯算子变换获得锐化矩阵L;
S202、将所述待识别图片进行标记处理获得标记矩阵C;
S203、将所述求反矩阵M与标记矩阵C对位相乘,获得矩阵B,并对所述矩阵B的所有元素进行求和获得SUM(B),
将所述锐化矩阵L与标记矩阵C对位相乘,获得矩阵A,并对所述矩阵A的所有元素进行求和获得SUM(A),
将所述SUM(B)与SUM(A)进行加权求和获得所述待识别图片的复杂度K,K=α×SUM(B)+β×SUM(A),所述α,β为对应的加权系数。
进一步地,所述标记处理为:对所获取的待识别图片进行二值化处理,得到对应的标记矩阵C,标记矩阵C中各个元素代表在所述待识别图片中的对应像素点的标记度。
进一步地,所述标记矩阵C中各个元素根据以下方式得到的:
针对所述标记矩阵C中各个元素,判断该元素在所述待识别图片中的对应像素点是否处于被标记物品区域,若否则为0,若是则为1;以及基于所述0或1确定该元素的标记度。
进一步地,所述步骤S2中采用一致性模型获得所述待识别图片的复杂度,所述一致性模型具体包括以下步骤:
SA、将所述待识别图片转化为灰度图片,并获得所述灰度图片的灰度矩阵M′;
SB、将所述灰度矩阵M′中的所有元素代入公式 获得所述待识别图片的复杂度U,其中m,n分别为待识别图片的行数和列数,f(i,j)为所述灰度图片像素(i,j)的灰度值,为以像素(i,j)为中心的3×3邻域像素的灰度均值。
进一步地,步骤S2中采用熵模型获得所述待识别图片的复杂度,所述熵模型具体包括以下步骤:
Sa、将所述待识别图片转化为灰度图片,并获得所述灰度图片的灰度矩阵M′;
Sb、根据所述灰度图片的灰度矩阵M′,获得灰度共生矩阵D;
进一步地,其特征在于,所述步骤S2中采用复杂度模型、一致性模型、熵模型获得所述待识别图片的复杂度,具体包括以下步骤:
S001、将所述待识别图片输入复杂度模型获得所述待识别图片的复杂度K;
S002、将所述待识别图片输入一致性模型获得所述待识别图片的复杂度U;
S003、将所述待识别图片输入熵模型获得所述待识别图片的复杂度S;
S004、将所述待识别图片的复杂度K、U、S进行加权求和获得所述待识别图片的复杂度Q=a×K+b×U+c×S,所述a、b、c为对应的加权系数。
基于复杂度将图片分流调度到中心的设备,包括:
接收模块,用于接收X光机发送的待识别图片;
复杂度模块,用于对所述待识别图片进行解析获得所述待识别图片的复杂度;
判定模块,用于基于所述待识别图片的复杂度以及预定的复杂度阈值,将大于所述复杂度阈值的所述待识别图片的复杂度对应的所述待识别图片判定为复杂图片;
调度模块,用于将判定为复杂图片的待识别图片发送至中心服务器。
基于复杂度将图片分流调度到中心的***,包括:
中心服务器、由多个边缘识图盒子构成的边缘计算节点以及多个安检点的X光机;其中,所述中心服务器与每个边缘试图盒子之间、每个边缘识图盒子与该边缘识图盒子所在的安检点的X光机之间相互连接;
所述中心服务器用于接收各个边缘识图盒子发送的判定为复杂图片的待识别图片,并进行识图处理;
所述每个边缘识图盒子用于:
接收X光机发送的待识别图片;
对所述待识别图片进行解析获得所述待识别图片的复杂度;
基于所述待识别图片的复杂度以及预定的复杂度阈值,将大于所述复杂度阈值的所述待识别图片的复杂度对应的所述待识别图片判定为复杂图片;
将判定为复杂图片的待识别图片发送至中心服务器;
所述安检点的X光机用于扫描乘客的包裹,获得X光扫描图片,并将X光扫描图片发送至该安检点的边缘识图盒子。
所述预定的复杂度阈值为根据历史待识别图片的复杂度的平均值。
针对X光成像的图片像素色彩复杂、图片中物品重合的情形,引入拉普拉斯卷积运算、求反运算,通过标记处理,剔除背景部分的复杂度计算,从而使针对X光安检机的待识别图片的复杂度更加的客观与准确。
本发明具有的有益效果:
通过对待识别图片的灰度图片进行拉普拉斯卷积运算、求反运算、标记处理,分别获得锐化图片的锐化矩阵L、反灰度图片的求反矩阵M、标记矩阵C,将所述待识别图片的标记矩阵C分别与所述锐化图片的锐化矩阵L、反灰度图片的求反矩阵M进行对位相乘,获得A、B,并计算A、B矩阵中所有元素的和值SUM(A)、SUM(B),SUM(A)、SUM(B)的加权求和为所述待识别图片的复杂度,通过拉普拉斯卷积运算,将色彩复杂度转化为图片中色彩变化的剧烈程度加入到复杂度的计算中,通过求反运算将图片中物体重叠产生的颜色较深区域的因素加入到复杂度的计算中,通过标记处理,减少待识别图片中未被标记物品区域(背景部分),使获得待识别图片的复杂度更加的客观与准确,并提高了运算效率。
附图说明
图1为本发明的基于复杂度将图片分流调度到中心的方法流程示意图;
图2为本发明的基于复杂度将图片分流调度到中心的设备结构示意图;
图3为本发明的实施例1的复杂度计算流程示意图;
图4为本发明的基于复杂度将图片分流调度到中心的***示意图;
图5为本发明的实施例4的复杂度计算流程示意图;
具体实施方式
下面结合实施例及附图,对本发明作进一步的详细说明,但本发明的实施方式不限于此。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖向”、“纵向”、“侧向”、“水平”、“内”、“外”、“前”、“后”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“开有”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
本实施例的目的在于提供一种基于复杂度将图片分流调度到中心的方法。
针对智能安检领域来说,待识别图片复杂度是指在一幅给定图像中发现或提取一个真实包裹的内在的困难程度,这与地铁安检客流情况相关,包括以下几种情形:
情形一、图片中的识别物体被遮挡或者部分遮挡,即物体在X光成像的图片中物品重合;
情形二、图片中的物品材质过于复杂,导致X光成像的图片像素色彩复杂;
情形三、图片中的物品变形扭转,导致X光成像的图片像素色彩复杂。
将待识别图片的转换为灰度图片,并获得灰度矩阵M′,灰度一致性可以反映图像的均一程度,如果其值较小,则对应简单的图像,反之对应复杂的图像。
对于情形二、三,将上述灰度图片通过拉普拉斯算子对灰度图片进行卷积运算,得到反应色彩变化程度的锐化矩阵L。
对于情形一,将上述灰度图片通过求反运算获得求反灰度图片,并获得的求反矩阵M,将图片中物体重叠产生的颜色较深区域的因素加入到复杂度的计算中。
具体的,假设待识别图片像素函数为f(x,y),x,y分别为横纵坐标。
那么,拉普拉斯算子为:
由于图片像素是离散数据,所以上式可以近似为:
上式可以变换为矩阵形式:
经过优化后为:
以上矩阵作为单一卷积核,对图片像素组成的矩阵M进行卷积操作,获得的矩阵L为拉普拉斯变换矩阵,表明了图片色彩的变化剧烈程度。
具体的,再建立一个标记矩阵C,C其中的每一个元素只能是0或者是1,其中0代表了这个像素所在的区域没有被边缘识图盒子检测标记为物品,而1则相反,属于被边缘识图盒子检测标记为物品的一部分。
其中一个具体实例中,也就是g的具体实现中,我们把灰度矩阵M′的所有元素进行灰度化后,变成表示为0到255的两个字节,然后两个字节取反码,得到的矩阵M和矩阵C对位相乘,组成矩阵B:
B=h(M,C)
然后把B的每个元素相加,得到SUM(B)。
同理,将上述矩阵L和矩阵C对位相乘,得到新的矩阵A:
A=u(L,C)
于是,我们在这个实例中,得到一个待识别图片的具体的公式:
k=α×SUM(h(M,C))+β×SUM(u(M,C))
α和β是为根据地铁实际安检情况调整的正实数。
我们可以根据实际经验,得到一个具体的阈值v,用于判断图片是否复杂,当k小于v时,图片为简单图片,当图片大于等于v时,图片为复杂图片。
实施例2
基于复杂度将图片分流调度到中心的方法,应用于边缘识图盒子,具体包括以下步骤:
S1、接收X光机发送的待识别图片;
S2、对所述待识别图片进行解析获得所述待识别图片的复杂度;
S3、基于所述待识别图片的复杂度以及预定的复杂度阈值,将大于所述复杂度阈值的所述待识别图片的复杂度对应的所述待识别图片判定为复杂图片;
S4、将判定为复杂图片的待识别图片发送至中心服务器。
所述步骤S2采用复杂度模型获得所述待识别图片的复杂度,所述复杂度模型包括变换处理与标记处理,所述变换处理为反变换,所述复杂度模型具体包括以下步骤:
S201、将所述待识别图片进行变换处理获得变换矩阵D;
S202、将所述待识别图片进行标记处理获得标记矩阵C;
S203、根据所述变换矩阵D、标记矩阵C获得所述待识别图片的复杂度K。
具体包括以下步骤:
S200、将所述待识别图片转化为灰度图片;
S201、将所述灰度图片进行反变换获得求反矩阵M;
S202、将所述待识别图片进行标记处理获得标记矩阵C;
S203、将所述求反矩阵M与标记矩阵C对位相乘,获得矩阵B,并对所述矩阵B的所有元素进行求和获得SUM(B),
所述SUM(B)为所述待识别图片的复杂度K。
具体的,所述标记矩阵C为:对所获取的待识别图片进行二值化处理,得到对应的标记矩阵C,标记矩阵C中各个元素代表在所述待识别图片中的对应像素点的标记度。
具体的,所述标记矩阵C中各个元素根据以下方式得到的:
针对所述标记矩阵C中各个元素,判断该元素在所述待识别图片中的对应像素点是否处于被标记物品区域,若否则为0,若是则为1;以及基于所述0或1确定该元素的标记度。
实施例3
基于复杂度将图片分流调度到中心的方法,应用于边缘识图盒子,具体包括以下步骤:
S1、接收X光机发送的待识别图片;
S2、对所述待识别图片进行解析获得所述待识别图片的复杂度;
S3、基于所述待识别图片的复杂度以及预定的复杂度阈值,将大于所述复杂度阈值的所述待识别图片的复杂度对应的所述待识别图片判定为复杂图片;
S4、将判定为复杂图片的待识别图片发送至中心服务器。
所述步骤S2采用复杂度模型获得所述待识别图片的复杂度,所述复杂度模型包括变换处理与标记处理,所述变换处理为拉普拉斯变换,所述复杂度模型具体包括以下步骤:
S201、将所述待识别图片进行变换处理获得变换矩阵D;
S202、将所述待识别图片进行标记处理获得标记矩阵C;
S203、根据所述变换矩阵D、标记矩阵C获得所述待识别图片的复杂度K。
具体包括以下步骤:
S200、将所述待识别图片转化为灰度图片;
S201、将所述灰度图片进行拉普拉斯算子变换获得锐化矩阵L;
S202、将所述待识别图片进行标记处理获得标记矩阵C;
S203、将所述锐化矩阵L与标记矩阵C对位相乘,获得矩阵A,并对所述矩阵A的所有元素进行求和获得SUM(A),
所述SUM(A)为所述待识别图片的复杂度K。
具体的,所述标记矩阵C为:对所获取的待识别图片进行二值化处理,得到对应的标记矩阵C,标记矩阵C中各个元素代表在所述待识别图片中的对应像素点的标记度。
具体的,所述标记矩阵C中各个元素根据以下方式得到的:
针对所述标记矩阵C中各个元素,判断该元素在所述待识别图片中的对应像素点是否处于被标记物品区域,若否则为0,若是则为1;以及基于所述0或1确定该元素的标记度。
实施例4
基于复杂度将图片分流调度到中心的方法,应用于边缘识图盒子,具体包括以下步骤:
S1、接收X光机发送的待识别图片;
S2、对所述待识别图片进行解析获得所述待识别图片的复杂度;
S3、基于所述待识别图片的复杂度以及预定的复杂度阈值,将大于所述复杂度阈值的所述待识别图片的复杂度对应的所述待识别图片判定为复杂图片;
S4、将判定为复杂图片的待识别图片发送至中心服务器。
具体的,所述步骤S2中采用复杂度模型、一致性模型、熵模型获得所述待识别图片的复杂度,具体包括以下步骤:
S001、将所述待识别图片输入复杂度模型获得所述待识别图片的复杂度K;
S002、将所述待识别图片输入一致性模型获得所述待识别图片的复杂度U;
S003、将所述待识别图片输入熵模型获得所述待识别图片的复杂度S;
S004、将所述待识别图片的复杂度K、U、S进行加权求和获得所述待识别图片的复杂度Q=a×K+b×U+c×S,所述a、b、c为对应的加权系数。
引入一致性模型,用于反映待识别图片的均一程度,如果U值较小,则对应简单的图像,反之对应复杂的图像。
引入熵模型,用于度量图像纹理的随机性,当共生矩阵中的P(i,j)数值均相等时,S值越大。
具体的,所述步骤S2采用复杂度模型获得所述待识别图片的复杂度,所述复杂度模型包括变换处理与标记处理,所述变换处理包括拉普拉斯变换、反变换的至少一种,所述复杂度模型具体包括以下步骤:
S201、将所述待识别图片进行变换处理获得变换矩阵D;
S202、将所述待识别图片进行标记处理获得标记矩阵C;
S203、根据所述变换矩阵D、标记矩阵C获得所述待识别图片的复杂度K。
具体的,所述步骤S2采用复杂度模型获得所述待识别图片的复杂度,所述复杂度模型包括变换处理与标记处理,所述变换处理包括拉普拉斯变换与反变换,所述复杂度模型具体包括以下步骤:
S200、将所述待识别图片转化为灰度图片;
S201、将所述灰度图片进行反变换获得求反矩阵M,以及将所述灰度图片进行拉普拉斯算子变换获得锐化矩阵L;
S202、将所述待识别图片进行标记处理获得标记矩阵C;
S203、将所述求反矩阵M与标记矩阵C对位相乘,获得矩阵B,并对所述矩阵B的所有元素进行求和获得SUM(B),
将所述锐化矩阵L与标记矩阵C对位相乘,获得矩阵A,并对所述矩阵A的所有元素进行求和获得SUM(A),
将所述SUM(B)与SUM(A)进行加权求和获得所述待识别图片的复杂度K,K=α×SUM(B)+β×SUM(A),所述α,β为对应的加权系数。
所述标记矩阵C为:对所获取的待识别图片进行二值化处理,得到对应的标记矩阵C,标记矩阵C中各个元素代表在所述待识别图片中的对应像素点的标记度。
所述标记矩阵C中各个元素根据以下方式得到的:
针对所述标记矩阵C中各个元素,判断该元素在所述待识别图片中的对应像素点是否处于被标记物品区域,若否则为0,若是则为1;以及基于所述0或1确定该元素的标记度。
具体的,所述一致性模型具体包括以下步骤:
SA、将所述待识别图片转化为灰度图片,并获得所述灰度图片的灰度矩阵M′;
SB、将所述灰度矩阵M′中的所有元素代入公式 获得所述待识别图片的第二复杂度U,其中m,n分别为待识别图片的行数和列数,f(i,j)为所述灰度图片像素(i,j)的灰度值,为以像素(i,j)为中心的3×3邻域像素的灰度均值。
具体的,所述熵模型具体包括以下步骤:
Sa、将所述待识别图片转化为灰度图片,并获得所述灰度图片的灰度矩阵M′;
Sb、根据所述灰度图片的灰度矩阵M′,获得灰度共生矩阵D;
实施例5
本实施例的目的在于提供一种基于复杂度将图片分流调度到中心的设备,包括:
接收模块,用于接收X光机发送的待识别图片;
复杂度模块,用于对所述待识别图片进行解析获得所述待识别图片的复杂度;
判定模块,用于基于所述待识别图片的复杂度以及预定的复杂度阈值,将大于所述复杂度阈值的所述待识别图片的复杂度对应的所述待识别图片判定为复杂图片;
调度模块,用于将判定为复杂图片的待识别图片发送至中心服务器。
实施例6
基于复杂度将图片分流调度到中心的***,包括:
中心服务器、由多个边缘识图盒子构成的边缘计算节点以及多个安检点的X光机;其中,所述中心服务器与每个边缘试图盒子之间、每个边缘识图盒子与该边缘识图盒子所在的安检点的X光机之间相互连接;
所述中心服务器用于接收各个边缘识图盒子发送的判定为复杂图片的待识别图片,并进行识图处理;
所述每个边缘识图盒子用于:
接收X光机发送的待识别图片;
对所述待识别图片进行解析获得所述待识别图片的复杂度;
基于所述待识别图片的复杂度以及预定的复杂度阈值,将大于所述复杂度阈值的所述待识别图片的复杂度对应的所述待识别图片判定为复杂图片;
将判定为复杂图片的待识别图片发送至中心服务器;
所述安检点的X光机用于扫描乘客的包裹,获得X光扫描图片,并将X光扫描图片发送至该安检点的边缘识图盒子。
实施例6,计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时能实现所述的基于复杂度将图片分流调度到中心的方法。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (6)
1.基于复杂度将图片分流调度到中心的方法,其特征在于,应用于边缘识图盒子,具体包括以下步骤:
S1、接收X光机发送的待识别图片;
S2、对所述待识别图片进行解析获得所述待识别图片的复杂度;
S3、基于所述待识别图片的复杂度以及预定的复杂度阈值,将大于所述复杂度阈值的所述待识别图片的复杂度对应的所述待识别图片判定为复杂图片;
S4、将判定为复杂图片的待识别图片发送至中心服务器;
所述步骤S2中采用复杂度模型获得所述待识别图片的复杂度,所述复杂度模型包括变换处理与标记处理,所述变换处理包括拉普拉斯变换与反变换,所述复杂度模型具体包括以下步骤:
S200、将所述待识别图片转化为灰度图片;
S201、将所述灰度图片进行反变换获得求反矩阵M,以及将所述灰度图片进行拉普拉斯算子变换获得锐化矩阵L;
S202、将所述待识别图片进行标记处理获得标记矩阵C;
S203、将所述求反矩阵M与标记矩阵C对位相乘,获得矩阵B,并对所述矩阵B的所有元素进行求和获得SUM(B),
将所述锐化矩阵L与标记矩阵C对位相乘,获得矩阵A,并对所述矩阵A的所有元素进行求和获得SUM(A),
将所述SUM(B)与SUM(A)进行加权求和获得所述待识别图片的复杂度K,K=α×SUM(B)+β×SUM(A),所述α,β为对应的加权系数;
所述标记处理为:对所获取的待识别图片进行二值化处理,得到对应的标记矩阵C,标记矩阵C中各个元素代表在所述待识别图片中的对应像素点的标记度;
所述标记矩阵C中各个元素根据以下方式得到的:
针对所述标记矩阵C中各个元素,判断该元素在所述待识别图片中的对应像素点是否处于被标记物品区域,若否则为0,若是则为1;以及基于所述0或1确定该元素的标记度。
4.根据权利要求3所述的基于复杂度将图片分流调度到中心的方法,其特征在于,步骤S2中还可以采用复杂度模型、一致性模型、熵模型获得所述待识别图片的复杂度,具体包括以下步骤:
S001、将所述待识别图片输入复杂度模型获得所述待识别图片的复杂度K;
S002、将所述待识别图片输入一致性模型获得所述待识别图片的复杂度U;
S003、将所述待识别图片输入熵模型获得所述待识别图片的复杂度S;
S004、将所述待识别图片的复杂度K、U、S进行加权求和获得所述待识别图片的复杂度Q=a×K+b×U+c×S,所述a、b、c为对应的加权系数。
5.基于复杂度将图片分流调度到中心的设备,其特征在于,包括:
接收模块,用于接收X光机发送的待识别图片;
复杂度模块,用于对所述待识别图片进行解析获得所述待识别图片的复杂度;
判定模块,用于基于所述待识别图片的复杂度以及预定的复杂度阈值,将大于所述复杂度阈值的所述待识别图片的复杂度对应的所述待识别图片判定为复杂图片;
调度模块,用于将判定为复杂图片的待识别图片发送至中心服务器;
其中,所述复杂度模块采用复杂度模型获得所述待识别图片的复杂度,所述复杂度模型包括变换处理与标记处理,所述变换处理包括拉普拉斯变换与反变换,所述复杂度模型具体包括以下步骤:
S200、将所述待识别图片转化为灰度图片;
S201、将所述灰度图片进行反变换获得求反矩阵,以及将所述灰度图片进行拉普拉斯算子变换获得锐化矩阵L;
S202、将所述待识别图片进行标记处理获得标记矩阵C;
S203、将所述求反矩阵与标记矩阵C对位相乘,获得矩阵B,并对所述矩阵B的所有元素进行求和获得SUM(B),
将所述锐化矩阵L与标记矩阵C对位相乘,获得矩阵A,并对所述矩阵A的所有元素进行求和获得SUM(A),
将所述SUM(B)与SUM(A)进行加权求和获得所述待识别图片的复杂度,所述,为对应的加权系数;
所述标记处理为:对所获取的待识别图片进行二值化处理,得到对应的标记矩阵C,标记矩阵C中各个元素代表在所述待识别图片中的对应像素点的标记度;
所述标记矩阵C中各个元素根据以下方式得到的:
针对所述标记矩阵C中各个元素,判断该元素在所述待识别图片中的对应像素点是否处于被标记物品区域,若否则为0,若是则为1;以及基于所述0或1确定该元素的标记度。
6.基于复杂度将图片分流调度到中心的***,其特征在于,包括:
中心服务器、由多个边缘识图盒子构成的边缘计算节点以及多个安检点的X光机;其中,所述中心服务器与每个边缘试图盒子之间、每个边缘识图盒子与该边缘识图盒子所在的安检点的X光机之间相互连接;
所述中心服务器用于接收各个边缘识图盒子发送的判定为复杂图片的待识别图片,并进行识图处理;
所述每个边缘识图盒子用于:
接收X光机发送的待识别图片;
采用复杂度模型对所述待识别图片进行解析,获得所述待识别图片的复杂度;
基于所述待识别图片的复杂度以及预定的复杂度阈值,将大于所述复杂度阈值的所述待识别图片的复杂度对应的所述待识别图片判定为复杂图片;
将判定为复杂图片的待识别图片发送至中心服务器;
所述安检点的X光机用于扫描乘客的包裹,获得X光扫描图片,并将X光扫描图片发送至该安检点的边缘识图盒子;
其中,所述复杂度模型包括变换处理与标记处理,所述变换处理包括拉普拉斯变换与反变换,所述复杂度模型具体包括以下步骤:
S200、将所述待识别图片转化为灰度图片;
S201、将所述灰度图片进行反变换获得求反矩阵,以及将所述灰度图片进行拉普拉斯算子变换获得锐化矩阵L;
S202、将所述待识别图片进行标记处理获得标记矩阵C;
S203、将所述求反矩阵与标记矩阵C对位相乘,获得矩阵B,并对所述矩阵B的所有元素进行求和获得SUM(B),
将所述锐化矩阵L与标记矩阵C对位相乘,获得矩阵A,并对所述矩阵A的所有元素进行求和获得SUM(A),
将所述SUM(B)与SUM(A)进行加权求和获得所述待识别图片的复杂度,所述,为对应的加权系数;
所述标记处理为:对所获取的待识别图片进行二值化处理,得到对应的标记矩阵C,标记矩阵C中各个元素代表在所述待识别图片中的对应像素点的标记度;
所述标记矩阵C中各个元素根据以下方式得到的:
针对所述标记矩阵C中各个元素,判断该元素在所述待识别图片中的对应像素点是否处于被标记物品区域,若否则为0,若是则为1;以及基于所述0或1确定该元素的标记度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210019824.8A CN114359023B (zh) | 2022-01-10 | 2022-01-10 | 基于复杂度将图片分流调度到中心的方法、设备及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210019824.8A CN114359023B (zh) | 2022-01-10 | 2022-01-10 | 基于复杂度将图片分流调度到中心的方法、设备及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114359023A CN114359023A (zh) | 2022-04-15 |
CN114359023B true CN114359023B (zh) | 2022-11-18 |
Family
ID=81107995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210019824.8A Active CN114359023B (zh) | 2022-01-10 | 2022-01-10 | 基于复杂度将图片分流调度到中心的方法、设备及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114359023B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732545A (zh) * | 2015-04-02 | 2015-06-24 | 西安电子科技大学 | 结合稀疏近邻传播和快速谱聚类的纹理图像分割方法 |
CN108389216A (zh) * | 2018-02-06 | 2018-08-10 | 西安交通大学 | 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 |
CN109255815A (zh) * | 2018-08-30 | 2019-01-22 | 天津理工大学 | 一种基于零阶球谐函数的物体检测与识别方法 |
WO2019015418A1 (zh) * | 2017-07-18 | 2019-01-24 | Oppo广东移动通信有限公司 | 解锁控制方法及相关产品 |
CN109711284A (zh) * | 2018-12-11 | 2019-05-03 | 江苏博墨教育科技有限公司 | 一种考试答题卡***智能识别分析方法 |
CN111242923A (zh) * | 2020-01-13 | 2020-06-05 | 国网湖北省电力有限公司宜昌供电公司 | 基于Canny算子的最大熵阈值优化的绝缘子裂纹检测方法 |
CN112926568A (zh) * | 2021-03-05 | 2021-06-08 | 北京全路通信信号研究设计院集团有限公司 | 联锁表蓝图识别方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895139B (zh) * | 2017-10-19 | 2021-09-21 | 金陵科技学院 | 一种基于多特征融合的sar图像目标识别方法 |
-
2022
- 2022-01-10 CN CN202210019824.8A patent/CN114359023B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732545A (zh) * | 2015-04-02 | 2015-06-24 | 西安电子科技大学 | 结合稀疏近邻传播和快速谱聚类的纹理图像分割方法 |
WO2019015418A1 (zh) * | 2017-07-18 | 2019-01-24 | Oppo广东移动通信有限公司 | 解锁控制方法及相关产品 |
CN108389216A (zh) * | 2018-02-06 | 2018-08-10 | 西安交通大学 | 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 |
CN109255815A (zh) * | 2018-08-30 | 2019-01-22 | 天津理工大学 | 一种基于零阶球谐函数的物体检测与识别方法 |
CN109711284A (zh) * | 2018-12-11 | 2019-05-03 | 江苏博墨教育科技有限公司 | 一种考试答题卡***智能识别分析方法 |
CN111242923A (zh) * | 2020-01-13 | 2020-06-05 | 国网湖北省电力有限公司宜昌供电公司 | 基于Canny算子的最大熵阈值优化的绝缘子裂纹检测方法 |
CN112926568A (zh) * | 2021-03-05 | 2021-06-08 | 北京全路通信信号研究设计院集团有限公司 | 联锁表蓝图识别方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
n-Dimensional Discrete Cat Map Generation Using Laplace Expansions;Wu,Y 等;《IEEE TRANSACTIONS ON CYBERNETICS》;20161130;第46卷(第11期);第2622-2633页 * |
图像复杂度描述方法研究;高振宇等;《中国图象图形学报》;20100115;第第15卷卷(第01期);第129-135页 * |
基于多目立体视觉的体育舞蹈错误动作校正方法;余海燕;《赤峰学院学报(自然科学版)》;20200725;第36卷(第07期);第100-104页 * |
基于纹理频谱子集的纹理识别;陆春君等;《江南大学学报(自然科学版)》;20071215;第第6卷卷(第06期);第753-757页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114359023A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104169945B (zh) | 对图像中的对象的两级分类 | |
US9558403B2 (en) | Chemical structure recognition tool | |
CN102819733B (zh) | 一种快速的街景图像中人脸的检测模糊方法 | |
CN116664559A (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN111597857B (zh) | 一种物流包裹检测方法、装置、设备及可读存储介质 | |
CN109190696A (zh) | 一种物流包裹分类方法、装置、设备及可读存储介质 | |
CN111767915A (zh) | 车牌检测方法、装置、设备及存储介质 | |
CN107133647A (zh) | 一种快速手写体识别方法 | |
CN111814739A (zh) | 快递包裹体积的检测方法、装置、设备及存储介质 | |
CN114594114A (zh) | 一种锂电芯全自动在线无损检测方法 | |
CN111539251B (zh) | 一种基于深度学习的安检物品识别方法和*** | |
CN114511718A (zh) | 一种建筑施工用物料智能管理方法及*** | |
CN113920324B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN111597875A (zh) | 一种交通标志识别方法、装置、设备及存储介质 | |
CN113286086B (zh) | 一种摄像头的使用控制方法、装置、电子设备及存储介质 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络*** | |
CN114359023B (zh) | 基于复杂度将图片分流调度到中心的方法、设备及*** | |
CN111079575B (zh) | 一种基于包装图像特征的物料识别方法及*** | |
CN111507119A (zh) | 标识码识别方法、装置、电子设备及计算机可读存储介质 | |
US11361589B2 (en) | Image recognition method, apparatus, and storage medium | |
CN105389825A (zh) | 图像处理方法及*** | |
CN116258908A (zh) | 一种基于无人机遥感影像数据的地灾预测评估分类方法 | |
CN113191227B (zh) | 柜门状态的检测方法、装置、设备及存储介质 | |
CN113239738A (zh) | 一种图像的模糊检测方法及模糊检测装置 | |
CN112907666A (zh) | 一种基于rgb-d的托盘位姿估计方法、***及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |