CN115331119B - 一种固体废弃物识别方法 - Google Patents
一种固体废弃物识别方法 Download PDFInfo
- Publication number
- CN115331119B CN115331119B CN202211251505.6A CN202211251505A CN115331119B CN 115331119 B CN115331119 B CN 115331119B CN 202211251505 A CN202211251505 A CN 202211251505A CN 115331119 B CN115331119 B CN 115331119B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel
- point
- remote sensing
- points
- 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
- 239000002910 solid waste Substances 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000002699 waste material Substances 0.000 claims abstract description 97
- 239000013598 vector Substances 0.000 claims abstract description 45
- 238000009825 accumulation Methods 0.000 claims abstract description 39
- 238000012512 characterization method Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 230000002776 aggregation Effects 0.000 claims abstract description 25
- 238000004220 aggregation Methods 0.000 claims abstract description 25
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 50
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000013139 quantization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000010791 domestic waste Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000010806 kitchen waste Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Processing Of Solid Wastes (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及固体废弃物识别技术领域,具体涉及一种固体废弃物识别方法。方法包括:基于废弃物堆积区的遥感图像中像素点的梯度幅值获得亚像素点的梯度幅值;基于像素点、亚像素点的梯度幅值获得离散点;基于各像素点的预设邻域内离散点的梯度幅值,计算废弃物形态表征值;对遥感图像进行增强获得对应的颜色聚合向量,进而将遥感图像划分为多个连通域;基于各像素点在R、G、B三个通道对应的值和各像素点所在的连通域在颜色聚合向量中对应的量化值,得到颜色分布混淆度;基于废弃物形态表征值和颜色分布混淆度进行超像素分割,进而得到固体废弃物类别对应的超像素块和非固体废弃物类别对应的超像素块。本发明提高了固体废弃物的识别精度。
Description
技术领域
本发明涉及固体废弃物识别技术领域,具体涉及一种固体废弃物识别方法。
背景技术
随着城市化和工业化的快速发展,废弃物的数量***式增长,废弃物围城的问题日益凸显。大量废弃物的堆积对周围环境和居民健康造成极大危害。目前废弃物处理的核心理念是通过分类、识别尽可能的实现能源转化和循环利用,因此如何准确识别废弃物是当前废弃物处理的关键技术所在。
目前我国的固体废弃物主要由生活垃圾和建筑垃圾组成,这些废弃物种类繁多,容易流散,在遥感影像上呈无规律的零散分布,在影像中一般表现为颜色混乱的区域,且具有区域纹理模糊无规则、边界不清晰等特点,背景相对复杂。固体废弃物识别是废弃物处理***的关键环节,固体废弃物表现出一种弱信息识别的特点,现有的固体废弃物识别方法主要有三种,第一种是基于遥感影像本身的光谱和纹理特征,第二种是基于传统机器学习的方法,第三种是将遥感影像输入到目标检测网络中提取图像中的边框;但是基于遥感影像本身的光谱和纹理特征的方法计算速度慢,不适用于大面积的识别;传统的机器学习的方法鲁棒性不强,实际应用也存在一定的问题,固体废弃物在遥感影像下特征多样化,没有固定的形状和颜色,只存在堆积杂乱的统一特征,将遥感影像输入到目标检测网络中提取图像中的边框的方法准确性也不高,这是由于采集到的遥感图像中存在各种各样复杂的地物,利用目标检测网络提取到的边框可能会是地物的边框,固体废弃物的识别精度较低。因此,如何高精度的识别固体废弃物,以实现固体废弃物再利用的目的是需要解决的问题。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种固体废弃物识别方法,所采用的技术方案具体如下:
本发明提供了一种固体废弃物识别方法,该方法包括以下步骤:
获取废弃物堆积区的遥感图像;
基于所述遥感图像中各像素点的梯度幅值,利用三次样条插值函数计算任意两个像素点之间亚像素点的梯度幅值;基于所述遥感图像中各像素点的梯度幅值和各亚像素点的梯度幅值,拟合得到所述遥感图像对应的梯度变化曲线;基于所述梯度变化曲线的极值点的梯度幅值获得离散点;基于所述遥感图像中各像素点的预设邻域内各离散点的梯度幅值,计算各像素点对应的废弃物形态表征值;
对所述遥感图像进行增强获得增强图像,获取所述增强图像对应的颜色聚合向量,基于所述颜色聚合向量将所述遥感图像划分为多个连通域;基于所述遥感图像中各像素点在R、G、B三个通道对应的值和各像素点所在的连通域在所述颜色聚合向量中对应的量化值,得到各像素点对应的颜色分布混淆度;
基于所述废弃物形态表征值和所述颜色分布混淆度,得到各像素点的显著度;基于所述显著度对所述遥感图像中的像素点进行超像素分割,根据超像素分割后的遥感图像和训练好的神经网络,得到固体废弃物类别对应的超像素块和非固体废弃物类别对应的超像素块。
优选的,所述基于所述遥感图像中各像素点的梯度幅值和各亚像素点的梯度幅值,拟合得到所述遥感图像对应的梯度变化曲线,包括:
基于所述遥感图像中各像素点的位置和梯度幅值,构建各像素点的特征向量;基于各亚像素点的位置和梯度幅值,构建各亚像素点的特征向量;
基于所述各像素点的特征向量和所述各亚像素点的特征向量,拟合得到所述遥感图像对应的梯度变化曲线;所述梯度变化曲线的横轴为位置,纵轴为梯度幅值。
优选的,基于所述梯度变化曲线的极值点的梯度幅值获得离散点,包括:
获取所述梯度变化曲线的所有极值点,将所有极值点的特征向量构成的集合记为第一集合;
对于任一极值点:判断该极值点的梯度幅值与其左右两侧相邻的极值点的梯度幅值的差值的绝对值是否均大于所述第一集合中所有极值点的梯度幅值的均值,若是,则判定该极值点为离散点;若否,则判定该极值点不为离散点。
优选的,采用如下公式计算各像素点对应的废弃物形态表征值:
其中,为废弃物堆积区的遥感图像中第个像素点对应的废弃物形态表征值,为第个像素点的预设邻域内离散点的数量,为第个像素点的预设邻域内第个离散点的梯度幅值,为第个像素点的预设邻域内第个离散点与水平方向的夹角,为第个像素点的预设邻域内第个离散点与水平方向的夹角的正弦值,为第个像素点的预设邻域内第个离散点与水平方向的夹角的余弦值。
优选的,所述基于所述遥感图像中各像素点在R、G、B三个通道对应的值和各像素点所在的连通域在所述颜色聚合向量中对应的量化值,得到各像素点对应的颜色分布混淆度,包括:
对于所述遥感图像中的任一像素点:
将该像素点所在的连通域在所述颜色聚合向量中的最大量化值作为该像素点的像素参考值;
以该像素点为窗口中心点,建立预设大小的窗口,作为该像素点对应的窗口;
基于该像素点对应的窗口内各像素点在R、G、B三个通道对应的值和所述该像素点的像素参考值,计算该像素点对应的颜色分布混淆度。
优选的,采用如下公式计算各像素点对应的颜色分布混淆度:
其中,为废弃物堆积区的遥感图像中第个像素点对应的颜色分布混淆度,为第个像素点的像素参考值,为第个像素点对应的窗口内像素点的数量,为第个像素点对应的窗口内第个像素点在R通道对应的值,为第个像素点对应的窗口内所有像素点在R通道对应的值的均值,为第个像素点对应的窗口内第个像素点在G通道对应的值,为第个像素点对应的窗口内所有像素点在G通道对应的值的均值,为第个像素点对应的窗口内第个像素点在B通道对应的值,为第个像素点对应的窗口内所有像素点在B通道对应的值的均值。
优选的,所述基于所述废弃物形态表征值和所述颜色分布混淆度,得到各像素点的显著度,包括:
对于所述遥感图像中的任一像素点:
计算该像素点对应的颜色分布混淆度的平方与颜色分布混淆度的权值系数的乘积,作为第一指标;将该像素点对应的废弃物形态表征值的平方作为第二指标;计算所述第一指标与所述第二指标的和的平方根,作为该像素点的显著度。
本发明至少具有如下有益效果:
本发明首先获取了废弃物堆积区的遥感图像,考虑到固体废弃物在遥感图像中呈现梯度变化大、颜色种类多的特点,因此本发明从梯度和颜色两个角度对遥感图像中的像素点进行了分析,基于废弃物堆积区的遥感图像中各像素点的梯度幅值和各亚像素点的梯度幅值获得了离散点,基于遥感图像中各像素点的预设邻域内各离散点的梯度幅值,计算了各像素点对应的废弃物形态表征值;本发明对遥感图像进行增强,使图像的色差放大,利用不同颜色分量之间的差异来更好地捕捉固体废弃物,获取了增强图像对应的颜色聚合向量,基于颜色聚合向量将遥感图像划分为多个连通域;基于遥感图像中各像素点在R、G、B三个通道对应的值和各像素点所在的连通域在颜色聚合向量中对应的量化值,得到了各像素点对应的颜色分布混淆度;然后基于各像素点对应的废弃物形态表征值和颜色分布混淆度,得到了各像素点的显著度;若某一像素点的显著度较大,则说明该像素点的梯度变化越剧烈且颜色变化越明显,即该像素点越可能为固体废弃物上的像素点,因此本发明基于像素点的显著度对遥感图像进行超像素分割,分割结果更加准确,进而提高了后续固体废弃物的识别精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明提供的一种固体废弃物识别方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种固体废弃物识别方法进行详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种固体废弃物识别方法的具体方案。
一种固体废弃物识别方法实施例:
本实施例提出了一种固体废弃物识别方法,如图1所示,本实施例的一种固体废弃物识别方法包括以下步骤:
步骤S1,获取废弃物堆积区的遥感图像。
本实施例为了识别废弃物堆积区域的固体废弃物,采集了废弃物堆积区域的遥感图像,获得图像中各像素点对应的废弃物形态表征值和颜色分布混淆度,基于各像素点对应的废弃物形态表征值和颜色分布混淆度对图像中的所有像素点进行超像素分割,将分割好的图像输入到训练好的神经网络中,得到固体废弃物类别对应的超像素块和非固体废弃物类别对应的超像素块,实现对废弃物堆积区域的固体废弃物的高精度识别。
利用高分卫星捕获废弃物堆积区域的遥感图像,考虑到堆积的固体废弃物包含多个类型,例如厨余废弃物、建筑废弃物、工业废弃物等,这些固体废弃物在图像中分布零散,由于废弃物形状多样、材料各有不同,一片废弃物堆积区域的颜色种类远超一种。通常情况下,一张遥感图像包含较大面积的地表区域,因此图像中每个像素点都有可能携带大量的图像信息,由于环境因素的干扰,所获取的遥感图像中含有噪声,会降低遥感图像的质量,因此在后续固体废弃物识别前,需要对遥感图像进行去噪处理,本实施例采用双边滤波去噪技术消除图像中噪声的影响,将去噪后的图像记为废弃物堆积区的遥感图像,双边滤波去噪为公知技术,此处不再赘述。
步骤S2,基于所述遥感图像中各像素点的梯度幅值,利用三次样条插值函数计算任意两个像素点之间亚像素点的梯度幅值;基于所述遥感图像中各像素点的梯度幅值和各亚像素点的梯度幅值,拟合得到所述遥感图像对应的梯度变化曲线;基于所述梯度变化曲线的极值点的梯度幅值获得离散点;基于所述遥感图像中各像素点的预设邻域内各离散点的梯度幅值,计算各像素点对应的废弃物形态表征值。
废弃物堆积区的遥感图像中包含复杂地物信息,单独通过一个图像特征难以进行精准区分,分析遥感图像特点和固体废弃物的自身特性,本实施例将梯度特征、颜色特征进行融合获得能够精准表征目标区域的特征,避免单一特征表达不准确的问题。在进行融合之前,需要分别计算遥感影像在梯度和颜色空间上的变化量,即计算废弃物堆积区的遥感图像中各像素点对应的废弃物形态表征值和颜色分布混淆度。
固体废弃物在图像中分布零散,在遥感图像中固体废弃物区域的像素点与周围区域像素点相比梯度变化明显,不同区域的边界处的梯度变化幅度会明显高于非边界区域,利用梯度信息有助于获取准确的边界,边缘算子能够很好的计算像素在单一方向梯度,因此本实施例首先利用Sobel算子计算废弃物堆积区的遥感图像中像素点在X轴和Y轴方向上的梯度幅值;根据遥感图像中各像素点的坐标和梯度幅值,构建各像素点的特征向量,其中,为像素点的横坐标,为像素点的纵坐标,为像素点的梯度幅值。
Sobel卷积因子只对遥感图像进行简单的梯度卷积,当梯度变化复杂时,即固体废弃物与周围地物分布零散时,Sobel算子的计算结果会受到较大影响。因此需要对梯度变化的方向进行有效选取,选取是为了偏向梯度大的边界像素点,抑制无用的细小边界。因此本实施例计算遥感图像中各像素点对应的废弃物形态表征值,废弃物形态表征值能够表征遥感图像上所有梯度变化剧烈方向上的梯度信息,考虑到当图像中的边缘方向发生改变时,总会存在起主导作用的灰度梯度方向,废弃物形态表征值能够适应不同方向的梯度变化,梯度变化的方向不仅在邻近像素点之间的连接线方向上有所体现,亚像素点与像素点的连线方向也同样能够体现梯度变化的方向,因此在计算废弃物形态表征值时需要考虑像素点周围的亚像素点带来的影响。
对于任意两个相邻的像素点和,为第t个像素点的横坐标,为第t个像素点的纵坐标,为第t+1个像素点的横坐标,为第t+1个像素点的纵坐标,分别获取它们的梯度幅值,利用三次样条插值函数计算这两个像素点之间亚像素点的梯度幅值,三次样条插值为公知技术,此处不再过多赘述。采用该方法,能够得到废弃物堆积区的遥感图像中任意两个相邻像素点之间的亚像素点的梯度幅值。类比上述构建各像素点的特征向量的方法,基于废弃物堆积区的遥感图像中各亚像素点的坐标和梯度幅值,构建各亚像素点的特征向量。
基于废弃物堆积区的遥感图像中所有像素点的特征向量和所有亚像素点的特征向量,拟合得到废弃物堆积区的遥感图像对应的一条梯度变化曲线,梯度变化曲线的横轴为位置,纵轴为梯度幅值。从梯度变化曲线中的第一个点开始,依次获取梯度变化曲线的所有极值点,所述极值点包括极大值点和极小值点,并将所有极值点的特征向量构成的集合记为第一集合;接下来基于第一集合获取遥感图像中的离散点,所述离散点的梯度幅值与周围点的梯度幅值的差异较大,如果一个极值点的梯度幅值与其左右两侧相邻的极值点的梯度幅值的差值的绝对值都大于第一集合中所有极值点的梯度幅值的均值,那么则判定该极值点是离散点;否则,则判定该极值点不为离散点。采用上述方法,获得废弃物堆积区的遥感图像中所有的离散点。
由于固体废弃物在图像中分布零散,对应的像素点的梯度变化方向并不是固定的,因此对于遥感图像中的任意一个像素点,它的梯度变化可能不限于水平方向和垂直方向,像素点的梯度变化在亚像素级别上也有体现,亚像素点是两个像素点之间的细微存在。为了更好的评价像素点的梯度变化情况,需要对像素点周围的亚像素点的梯度进行分析。因此,本实施例基于废弃物堆积区的遥感图像中各像素点的预设邻域内各离散点的梯度幅值,计算各像素点对应的废弃物形态表征值,即:
其中,为废弃物堆积区的遥感图像中第个像素点对应的废弃物形态表征值,为第个像素点的预设邻域内离散点的数量,为第个像素点的预设邻域内第个离散点的梯度幅值,为第个像素点的预设邻域内第个离散点与水平方向的夹角,为第个像素点的预设邻域内第个离散点与水平方向的夹角的正弦值,为第个像素点的预设邻域内第个离散点与水平方向的夹角的余弦值;表征第个像素点的预设邻域内第个离散点的梯度幅值在竖直方向上的分量,表征第个像素点的预设邻域内第个离散点的梯度幅值在水平方向上的分量;若第个像素点的预设邻域内各离散点的梯度幅值在水平方向上的分量和在竖直方向上的分量都较大,说明该像素点的周围的梯度变化越剧烈,该像素点越可能为废弃物上的像素点,即该像素点对应的废弃物形态表征值越大;若第个像素点的预设邻域内各离散点的梯度幅值在水平方向上的分量和在竖直方向上的分量都较小,说明该像素点的周围的梯度变化越小,该像素点越不可能为废弃物上的像素点,即该像素点对应的废弃物形态表征值越小。本实施例中的预设邻域为8邻域,在具体应用中,实施者可自行设置预设邻域的大小。
至此,采用上述方法,得到废弃物堆积区的遥感图像中各像素点对应的废弃物形态表征值。
步骤S3,对所述遥感图像进行增强获得增强图像,获取所述增强图像对应的颜色聚合向量,基于所述颜色聚合向量将所述遥感图像划分为多个连通域;基于所述遥感图像中各像素点在R、G、B三个通道对应的值和各像素点所在的连通域在所述颜色聚合向量中对应的量化值,得到各像素点对应的颜色分布混淆度。
考虑到仅基于废弃物堆积区的遥感图像中像素点的梯度变化来识别固体废弃物时,由于废弃物的堆积,会导致同一固体废弃物被分割成不同边界的现象,进而使得属于同一废弃物的像素点不能顺利划分到同一个区域中,影响后续固体废弃物的识别精度。颜色是固体废弃物与周围地物的重要区别特征之一,建筑垃圾的颜色偏红或偏白,厨房的废弃物多为绿色,固体废弃物的颜色分布混乱,在遥感影像中呈现色差大、明暗不定的特征,为了使固体废弃物对应的颜色区间更加显著,本实施例将对遥感图像进行增强,使图像的色差放大,利用不同颜色分量之间的差异来更好地捕捉固体废弃物,此外,增强后的图像的明暗程度更加显著,能够更好地区分固体废弃物,因此本实施例获取废弃物堆积区的遥感图像对应的色差图像,利用通过YUV颜色空间的亮度分量对废弃物堆积区的遥感影像进行亮度上的增强,得到亮度图像,基于色差图像和亮度图像获得目标图像,获取一幅RGB图像的色差图像和亮度图像为公知技术,此处不再详细赘述。进一步的,将废弃物堆积区的遥感影像和目标图像进行线性融合,对融合结果进行归一化处理,得到归一化后的增强图像,并将归一化后的增强图像记为增强图像。本实施例采用线性归一化方法对图像进行归一化处理,该技术为公知技术,此处不再过多赘述。
由于固体废弃物的像素点对应的像素值颜色分布混乱,颜色种类较多,图像中各像素点在三个通道之间的颜色分量值相差较大,因此本实施例首先获取增强图像内每个像素点在R通道对应的值、在G通道对应的值和在B通道对应的值,然后对增强图像进行灰度化处理得到灰度图像,获取灰度图像中各像素点的灰度值,基于各像素点的灰度值,获得对应的灰度直方图,将灰度直方图转化成对应的颜色聚合向量,颜色聚合向量的获取过程为现有技术,此处不再过多赘述;颜色聚合向量通过像素之间的连通性将量化后的像素值矩阵进行连通分割,进一步判断了像素的聚合性,基于颜色聚合向量进行连通域分割为现有技术,此处不再赘述。遥感影像中固体废弃物的颜色分布特点具有独特的像素聚合性,反映到颜色聚合向量中表现为连通区域中各颜色分量的像素值聚合情况比较复杂,复杂在颜色聚合向量中表现出连通区域内像素点的像素值较大,连通区域内的聚合像素数量较多。基于此,对于图像中的任一像素点,本实施例将该像素点所在的连通域在颜色聚合向量中的最大量化值作为该像素点的像素参考值,这样做是由于废弃物堆积区内的废弃物的灰度值相差不会太大,在颜色聚合向量的量化过程中相差较小的灰度值很容易被量化成一个值,借助像素的聚合度能够更好地表征固体废弃物和背景之间的差别;基于此,本实施例基于遥感图像中各像素点对应的窗口内像素点在R、G、B三个通道对应的值和遥感图像中各像素点的像素参考值,计算各像素点对应的颜色分布混淆度,即:
其中,为废弃物堆积区的遥感图像中第个像素点对应的颜色分布混淆度,为第个像素点的像素参考值,为第个像素点对应的窗口内像素点的数量,为第个像素点对应的窗口内第个像素点在R通道对应的值,为第个像素点对应的窗口内所有像素点在R通道对应的值的均值,为第个像素点对应的窗口内第个像素点在G通道对应的值,为第个像素点对应的窗口内所有像素点在G通道对应的值的均值,为第个像素点对应的窗口内第个像素点在B通道对应的值,为第个像素点对应的窗口内所有像素点在B通道对应的值的均值;第个像素点对应的窗口的获取过程为:以第个像素点为窗口中心点,建立预设大小的窗口,本实施例中预设大小为3*3,在具体应用中,实施者可自行设置。
能够表征第个像素点对应的窗口内的像素点在各通道对应的值与对应的窗口内所有像素点在各通道对应的值的差异,差异越大,说明该像素点越可能为固体废弃物上的像素点;本实施例是为了识别固体废弃物,固体废弃物的种类繁多,颜色复杂;因此当第个像素点对应的窗口内的像素点在R、G、B三个通道对应的值越大、第个像素点对应的窗口内的像素点在各通道对应的值与对应的窗口内所有像素点在各通道对应的值的差异越大时,第个像素点越可能为固体废弃物上的像素点,即第个像素点对应的颜色分布混淆度越大;当第个像素点对应的窗口内的像素点在R、G、B三个通道对应的值越小、第个像素点对应的窗口内的像素点在各通道对应的值与对应的窗口内所有像素点在各通道对应的值的差异越小时,第个像素点越不可能为固体废弃物上的像素点,即第个像素点对应的颜色分布混淆度越小。
采用上述方法,得到废弃物堆积区的遥感图像中各像素点对应的颜色分布混淆度。
步骤S4,基于所述废弃物形态表征值和所述颜色分布混淆度,得到各像素点的显著度;基于所述显著度对所述遥感图像中的像素点进行超像素分割,根据超像素分割后的遥感图像和训练好的神经网络,得到固体废弃物类别对应的超像素块和非固体废弃物类别对应的超像素块。
在传统的超像素分割方法中,利用像素之间的欧氏距离或者仅依赖梯度等信息对图像进行分割,这样只能使遥感影像中部分区域获得较好的分割效果。本实施例采用SLIC算法,设置权值系数,针对不同的影像对固体废弃物的梯度、颜色两个特征进行适当的分配,将两种特征融合后的结果应用到超像素分割算法中像素的聚类过程中,使聚类结果更加准确,进而使后续固体废弃物的识别效果更加准确,因此,本实施例根据各像素点对应的废弃物形态表征值和颜色分布混淆度,计算各像素点的显著度,即:
其中,为废弃物堆积区的遥感图像中第个像素点的显著度,为颜色分布混淆度的权值系数;的作用是对像素点在颜色空间中的变化进行权值分配,的值越大,遥感图像中颜色分布混淆度越高的像素点,即颜色特征明显的像素点,颜色变化就越明显,的取值根据像素点的废弃物形态表征值和颜色分布混淆度进行设置。第个像素点的废弃物形态表征值越大,说明该像素点的梯度变化越大,即该像素点在图像中越显著,越可能为固体废弃物上的像素点;第个像素点的颜色分布混淆度越大,说明该像素点在图像中的颜色越显著,即该像素点越可能为固体废弃物上的像素点;当第个像素点的废弃物形态表征值和颜色分布混淆度都越大时,说明该像素点在图像中越显著,即该像素点越可能为固体废弃物上的像素点。
设置颜色分布混淆度阈值和废弃物形态表征阈值;对于废弃物堆积区的遥感图像中第个像素点,若该像素点的颜色分布混淆度大于,且该像素点的废弃物形态表征值大于,则设置的值为0.3;若该像素点的颜色分布混淆度大于颜色分布混淆度阈值,但该像素点的废弃物形态表征值小于等于,则设置的值为0.6;若该像素点的颜色分布混淆度小于等于颜色分布混淆度阈值,且该像素点的废弃物形态表征值小于,则设置的值为0.05;若该像素点的颜色分布混淆度小于等于颜色分布混淆度阈值,但该像素点的废弃物形态表征值大于等于,则设置的值为0.3。本实施例中的值为40,的值为5,在具体应用中,实施者可自行设置。
至此,采用上述方法,得到废弃物堆积区的遥感图像中各像素点的显著度,若某一像素点的显著度越大,说明该像素点的梯度变化越剧烈且颜色变化越明显,该像素点越可能为固体废弃物上的像素点。
如果直接把未进行超像素分割的遥感图像作为神经网络模型的输入,会忽略图像中的细节信息,将会得到精度较低的语义分割结果,难以实现固体废弃物的精准识别,因此本实施例基于废弃物堆积区的遥感图像中各像素点的显著度,利用SLIC超像素分割算法对遥感图像中的像素点进行超像素分割,把遥感图像中特征相似的像素点划分到一个区域中,得到多个超像素块,分割边界更明显,分割结果更准确;固体废弃物在遥感影像中呈现出颜色种类多、梯度变化大的特点,其对应像素点的废弃物形态表征值、颜色分布混淆度的值都相对较大,融合后的废弃物显著度的值就偏大,如果两个像素点的显著度都偏大且比较接近,那么认为这两个像素点具有相似的特征,对于相邻位置具有相似特征的像素点,在SLIC超像素分割过程中,会划分到同一个像素块内。至此,得到超像素分割后的遥感图像。SLIC超像素分割算法为现有技术,此处不再赘述。
本实施例将利用神经网络判断超像素分割后的遥感图像中各超像素块对应的类别,所述类别包括固体废弃物类别和非固体废弃物类别。
获取样本遥感图像数据,作为神经网络的训练集,用于对神经网络的训练,所述样本遥感图像数据均为超像素分割后的遥感图像;利用几何变换、差值法、AutoAugment技术增强训练集中的遥感图像数据,本实施例采用几何变换的方法扩大训练集,提高模型的学习能力。将处理后的样本遥感图像作为神经网络的输入,对处理后的样本遥感图像打标签,标签数据采用人为标记的方式,本实施例使用Labelme对图像数据进行标注,神经网络的任务为分类,即得到固体废弃物类别对应的超像素块和非固体废弃物类别对应的超像素块,因此将属于固体废弃物的超像素块标记为1,不属于固体废弃物的超像素块标记为0;本实施例中的神经网络采用DeepLabv3+网络,网络结构为编码器-解码器结构,损失函数为交叉熵函数,网络优化器为SGD。神经网络的训练过程、几何变换、差值法、AutoAugment为现有技术,此处不再过多赘述。
将超像素分割后的遥感图像输入到训练好的神经网络中,得到固体废弃物类别对应的超像素块和非固体废弃物类别对应的超像素块,完成对固体废弃物的识别。
本实施例首先获取了废弃物堆积区的遥感图像,考虑到固体废弃物在遥感图像中呈现梯度变化大、颜色种类多的特点,因此本实施例从梯度和颜色两个角度对遥感图像中的像素点进行了分析,基于废弃物堆积区的遥感图像中各像素点的梯度幅值和各亚像素点的梯度幅值获得了离散点,基于遥感图像中各像素点的预设邻域内各离散点的梯度幅值,计算了各像素点对应的废弃物形态表征值;本实施例对遥感图像进行增强,使图像的色差放大,利用不同颜色分量之间的差异来更好地捕捉固体废弃物,获取了增强图像对应的颜色聚合向量,基于颜色聚合向量将遥感图像划分为多个连通域;基于遥感图像中各像素点在R、G、B三个通道对应的值和各像素点所在的连通域在颜色聚合向量中对应的量化值,得到了各像素点对应的颜色分布混淆度;然后基于各像素点对应的废弃物形态表征值和颜色分布混淆度,得到了各像素点的显著度;若某一像素点的显著度较大,则说明该像素点的梯度变化越剧烈且颜色变化越明显,即该像素点越可能为固体废弃物上的像素点,因此本实施例基于像素点的显著度对遥感图像进行超像素分割,分割结果更加准确,进而提高了后续固体废弃物的识别精度。
需要说明的是:以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种固体废弃物识别方法,其特征在于,该方法包括以下步骤:
获取废弃物堆积区的遥感图像;
基于所述遥感图像中各像素点的梯度幅值,利用三次样条插值函数计算任意两个像素点之间亚像素点的梯度幅值;基于所述遥感图像中各像素点的梯度幅值和各亚像素点的梯度幅值,拟合得到所述遥感图像对应的梯度变化曲线;基于所述梯度变化曲线的极值点的梯度幅值获得离散点;基于所述遥感图像中各像素点的预设邻域内各离散点的梯度幅值,计算各像素点对应的废弃物形态表征值;
对所述遥感图像进行增强获得增强图像,获取所述增强图像对应的颜色聚合向量,基于所述颜色聚合向量将所述遥感图像划分为多个连通域;基于所述遥感图像中各像素点在R、G、B三个通道对应的值和各像素点所在的连通域在所述颜色聚合向量中对应的量化值,得到各像素点对应的颜色分布混淆度;
基于所述废弃物形态表征值和所述颜色分布混淆度,得到各像素点的显著度;基于所述显著度对所述遥感图像中的像素点进行超像素分割,根据超像素分割后的遥感图像和训练好的神经网络,得到固体废弃物类别对应的超像素块和非固体废弃物类别对应的超像素块;
基于所述梯度变化曲线的极值点的梯度幅值获得离散点,包括:
获取所述梯度变化曲线的所有极值点,将所有极值点的特征向量构成的集合记为第一集合;
对于任一极值点:判断该极值点的梯度幅值与其左右两侧相邻的极值点的梯度幅值的差值的绝对值是否均大于所述第一集合中所有极值点的梯度幅值的均值,若是,则判定该极值点为离散点;若否,则判定该极值点不为离散点;
采用如下公式计算各像素点对应的废弃物形态表征值:
其中,为废弃物堆积区的遥感图像中第个像素点对应的废弃物形态表征值,为第个像素点的预设邻域内离散点的数量,为第个像素点的预设邻域内第个离散点的梯度幅值,为第个像素点的预设邻域内第个离散点与水平方向的夹角,为第个像素点的预设邻域内第个离散点与水平方向的夹角的正弦值,为第个像素点的预设邻域内第个离散点与水平方向的夹角的余弦值;
所述基于所述遥感图像中各像素点在R、G、B三个通道对应的值和各像素点所在的连通域在所述颜色聚合向量中对应的量化值,得到各像素点对应的颜色分布混淆度,包括:
对于所述遥感图像中的任一像素点:
将该像素点所在的连通域在所述颜色聚合向量中的最大量化值作为该像素点的像素参考值;
以该像素点为窗口中心点,建立预设大小的窗口,作为该像素点对应的窗口;
基于该像素点对应的窗口内各像素点在R、G、B三个通道对应的值和所述该像素点的像素参考值,采用如下公式计算该像素点对应的颜色分布混淆度:
2.根据权利要求1所述的一种固体废弃物识别方法,其特征在于,所述基于所述遥感图像中各像素点的梯度幅值和各亚像素点的梯度幅值,拟合得到所述遥感图像对应的梯度变化曲线,包括:
基于所述遥感图像中各像素点的位置和梯度幅值,构建各像素点的特征向量;基于各亚像素点的位置和梯度幅值,构建各亚像素点的特征向量;
基于所述各像素点的特征向量和所述各亚像素点的特征向量,拟合得到所述遥感图像对应的梯度变化曲线;所述梯度变化曲线的横轴为位置,纵轴为梯度幅值。
3.根据权利要求1所述的一种固体废弃物识别方法,其特征在于,所述基于所述废弃物形态表征值和所述颜色分布混淆度,得到各像素点的显著度,包括:
对于所述遥感图像中的任一像素点:
计算该像素点对应的颜色分布混淆度的平方与颜色分布混淆度的权值系数的乘积,作为第一指标;将该像素点对应的废弃物形态表征值的平方作为第二指标;计算所述第一指标与所述第二指标的和的平方根,作为该像素点的显著度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211251505.6A CN115331119B (zh) | 2022-10-13 | 2022-10-13 | 一种固体废弃物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211251505.6A CN115331119B (zh) | 2022-10-13 | 2022-10-13 | 一种固体废弃物识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115331119A CN115331119A (zh) | 2022-11-11 |
CN115331119B true CN115331119B (zh) | 2023-01-31 |
Family
ID=83913642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211251505.6A Active CN115331119B (zh) | 2022-10-13 | 2022-10-13 | 一种固体废弃物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115331119B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029941B (zh) * | 2023-03-27 | 2023-06-09 | 湖南融城环保科技有限公司 | 一种建筑垃圾的视觉图像增强处理方法 |
CN116052008B (zh) * | 2023-04-03 | 2023-06-02 | 华南理工大学 | 一种建筑废弃物分拣与处理*** |
CN116091953B (zh) * | 2023-04-11 | 2023-07-14 | 耕宇牧星(北京)空间科技有限公司 | 一种基于分组小波校准网络的建筑垃圾识别方法 |
CN117575953B (zh) * | 2024-01-15 | 2024-04-09 | 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) | 一种高分辨率林业遥感图像细节增强方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574887A (zh) * | 2016-02-29 | 2016-05-11 | 民政部国家减灾中心 | 高分辨率遥感影像快速分割方法 |
CN107688807A (zh) * | 2016-08-05 | 2018-02-13 | 腾讯科技(深圳)有限公司 | 图像处理方法及图像处理装置 |
CN108921865A (zh) * | 2018-06-27 | 2018-11-30 | 南京大学 | 一种抗干扰的亚像素直线拟合方法 |
CN112488050A (zh) * | 2020-12-16 | 2021-03-12 | 安徽大学 | 一种结合颜色与纹理的航拍影像场景分类方法和*** |
WO2021119204A1 (en) * | 2019-12-09 | 2021-06-17 | Visu, Inc. | Methods for color-blindness remediation through image color correction |
WO2022024793A1 (ja) * | 2020-07-28 | 2022-02-03 | 京セラ株式会社 | 画像処理装置、ステレオカメラ装置、移動体、視差算出方法、及び、画像処理方法 |
CN114241303A (zh) * | 2021-12-06 | 2022-03-25 | 中国水利水电科学研究院 | 一种基于计算机视觉技术的流域下垫面特征提取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476792B (zh) * | 2020-05-27 | 2023-05-23 | 东北大学 | 一种板带钢图像轮廓的提取方法 |
CN115147733B (zh) * | 2022-09-05 | 2022-11-25 | 山东东盛澜渔业有限公司 | 一种基于人工智能的海洋垃圾识别回收方法 |
-
2022
- 2022-10-13 CN CN202211251505.6A patent/CN115331119B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574887A (zh) * | 2016-02-29 | 2016-05-11 | 民政部国家减灾中心 | 高分辨率遥感影像快速分割方法 |
CN107688807A (zh) * | 2016-08-05 | 2018-02-13 | 腾讯科技(深圳)有限公司 | 图像处理方法及图像处理装置 |
CN108921865A (zh) * | 2018-06-27 | 2018-11-30 | 南京大学 | 一种抗干扰的亚像素直线拟合方法 |
WO2021119204A1 (en) * | 2019-12-09 | 2021-06-17 | Visu, Inc. | Methods for color-blindness remediation through image color correction |
WO2022024793A1 (ja) * | 2020-07-28 | 2022-02-03 | 京セラ株式会社 | 画像処理装置、ステレオカメラ装置、移動体、視差算出方法、及び、画像処理方法 |
CN112488050A (zh) * | 2020-12-16 | 2021-03-12 | 安徽大学 | 一种结合颜色与纹理的航拍影像场景分类方法和*** |
CN114241303A (zh) * | 2021-12-06 | 2022-03-25 | 中国水利水电科学研究院 | 一种基于计算机视觉技术的流域下垫面特征提取方法 |
Non-Patent Citations (3)
Title |
---|
Welding Wires Centerline Detection Method Based on Image Gradient Segmentation;Zeyu Yang 等;《ICICSP2020》;20201020;全文 * |
基于超像素统计量的随机森林遥感图像分类;石彩霞 等;《计算机应用研究》;20181231;第35卷(第12期);全文 * |
结合同异性度量的超像素分割方法;祁瑞光 等;《遥感信息》;20200831;第35卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115331119A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115331119B (zh) | 一种固体废弃物识别方法 | |
CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及*** | |
CN109490316B (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN105046252B (zh) | 一种人民币冠字码识别方法 | |
CN109191432B (zh) | 基于域变换滤波多尺度分解的遥感图像云检测方法 | |
CN100550037C (zh) | 利用改进Hausdorff距离提取识别人耳特征的方法 | |
CN109584253B (zh) | 油液磨粒图像分割方法 | |
CN110807355A (zh) | 一种基于移动机器人的指针仪表检测与读数识别方法 | |
CN108829711B (zh) | 一种基于多特征融合的图像检索方法 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测*** | |
CN115100196B (zh) | 一种基于图像分割的冲压件除锈效果评估方法 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN114926410A (zh) | 制动盘外观缺陷检测方法 | |
CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
CN116188468A (zh) | 一种hdmi线缆传输分拣智能控制*** | |
Wei et al. | Method for vortex shape retrieval and area calculation based on convex hull algorithm | |
CN111815542A (zh) | 一种树木年轮图像髓心定位、年轮测量方法 | |
CN103871084B (zh) | 蓝印花布图案识别方法 | |
CN114677428A (zh) | 基于无人机图像处理的输电线覆冰厚度检测方法 | |
CN114926635A (zh) | 与深度学习方法相结合的多焦图像中目标分割方法 | |
CN110954002A (zh) | 一种光纤直径测量方法 | |
CN112101377B (zh) | 一种基于区域特征分析的在线间歇中空滤棒检测方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method for Identifying Solid Waste Effective date of registration: 20230802 Granted publication date: 20230131 Pledgee: Hengfeng Bank Co.,Ltd. Jining Branch Pledgor: SHANDONG AIFUDI BIOLOGY HOLDING Co.,Ltd. Registration number: Y2023980050598 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |