CN116152115A - 基于计算机视觉的垃圾图像去噪处理方法 - Google Patents
基于计算机视觉的垃圾图像去噪处理方法 Download PDFInfo
- Publication number
- CN116152115A CN116152115A CN202310347596.1A CN202310347596A CN116152115A CN 116152115 A CN116152115 A CN 116152115A CN 202310347596 A CN202310347596 A CN 202310347596A CN 116152115 A CN116152115 A CN 116152115A
- Authority
- CN
- China
- Prior art keywords
- garbage
- image
- similarity
- pixel point
- adjustment factor
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 19
- 238000003708 edge detection Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 13
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 27
- 239000003086 colorant Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000002093 peripheral effect Effects 0.000 description 8
- 238000005452 bending Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000007667 floating Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 240000000455 Holodiscus discolor Species 0.000 description 1
- 235000009010 Holodiscus discolor Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/10—Waste collection, transportation, transfer or storage, e.g. segregated refuse collecting, electric or hybrid propulsion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于计算机视觉的垃圾图像去噪处理方法。该方法首先识别垃圾图像中的连通域,筛选出关注连通域和关注点;以每帧垃圾图像作为目标图像,由连续帧垃圾图像中同一位置处关注点所在连通域对应的图像矩值的差异,得到初始相似度调整因子;由像素点与其对应的近距像素点的梯度方向差异、距离和像素点对应的初始相似度调整因子,得到目标相似度调整因子;将归一化后的目标相似度调整因子作为权重,得到加权后的相似度权值;使用加权后的相似度权值对目标图像去噪,得到去噪垃圾图像。本发明对相似度权值进行改进,避免了当垃圾区域与背景海浪颜色相近时,影响后续对垃圾区域的识别检测的缺陷。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于计算机视觉的垃圾图像去噪处理方法。
背景技术
随着沿海工业的快速发展,海洋垃圾剧增。海洋垃圾会造成水质污染和影响海洋生物,严重的还会威胁航行安全。目前常根据无人机采集得到的海洋图像对海洋垃圾进行监测管理,而海洋图像在采集传输中由于受到各种干扰,图像会受到噪声污染,而所产生的噪声会对后续的海洋垃圾的分类识别产生影响,需先对海洋图像进行去噪处理,提升图像质量。由于非局部均值滤波算法相对于其他去噪算法,对于图像中的边缘细节信息保留较好,通常使用非局部均值滤波算法对垃圾图像进行去噪处理。但是由于传统的非局部均值滤波算法中,对像素点的去噪效果是通过图像块中灰度值的相似度进行衡量的,对于海洋垃圾而言,其通常由塑料制品构成,其中类似塑料袋的海洋垃圾与海洋本身海浪颜色接近,会导致垃圾与海洋背景的相似度过高,进而该处与背景区域去噪程度相近,进而会导致细节丢失,影响后续对于海洋垃圾的分类识别。
发明内容
为了解决海洋垃圾与海洋背景的相似度过高会影响海洋垃圾识别的技术问题,本发明的目的在于提供基于计算机视觉的垃圾图像去噪处理方法,所采用的技术方案具体如下:
获取含有垃圾的海洋表面灰度图作为垃圾图像;
识别垃圾图像中的连通域,并筛选出关注连通域;将连通域上的边缘点作为关注点;
以每帧垃圾图像作为目标图像,根据目标图像之前的连续帧垃圾图像中同一位置处关注点所在连通域对应的图像矩值的差异,得到关注点对应的初始相似度调整因子;对于目标图像上任意像素点,获取距离像素点最近的关注连通域上的像素点,作为近距像素点;根据像素点与其对应的近距像素点的梯度方向差异、像素点与其对应的近距像素点的距离、像素点对应的初始相似度调整因子,得到目标相似度调整因子;
将目标图像分割为多个图像块,获取每个图像块内各像素点的相似度权值,将归一化后的目标相似度调整因子作为所述相似度权值的权重,得到加权后的相似度权值;
使用加权后的相似度权值对目标图像进行去噪,得到去噪垃圾图像。
优选的,所述根据目标图像之前的连续帧垃圾图像中同一位置处关注点所在连通域对应的图像矩值的差异,得到关注点对应的初始相似度调整因子,包括:
计算目标图像之前的每相邻两帧垃圾图像中同一位置处关注点所在的连通域对应的图像矩值的差值的绝对值;对于任意关注点,将所有相邻两帧垃圾图像中的图像矩值的差值的绝对值的均值,作为初始差异值;将所述初始差异值和预设第一调节值之和作为第一差异值;将归一化后的所述第一差异值作为初始相似度调整因子。
优选的,所述根据目标图像之前的连续帧垃圾图像中同一位置处关注点所在连通域对应的图像矩值的差异,得到关注点对应的初始相似度调整因子之后,包括:
将非关注点的其他像素点的初始相似度调整因子设定为预设第一调节值。
优选的,所述根据像素点与其对应的近距像素点的梯度方向差异、像素点与其对应的近距像素点的距离、像素点对应的初始相似度调整因子,得到目标相似度调整因子,包括:
计算像素点与其对应的近距像素点的梯度方向角的差值的绝对值;计算所述差值的绝对值和所述像素点与其对应的近距像素点的距离的比值,作为初始调节值;将归一化后的所述初始调节值作为相似度调节值;将所述相似度调节值和像素点对应的初始相似度调整因子之和,作为像素点对应的目标相似度调整因子。
优选的,所述获取距离像素点最近的关注连通域上的像素点,作为近距像素点,包括:
获取距离像素点最近的关注连通域作为近距连通域,近距连通域上距离像素点最近的像素点作为近距像素点。
优选的,所述使用加权后的相似度权值对目标图像进行去噪,得到去噪垃圾图像,包括:
基于加权后的相似度权值,使用非局部均值滤波算法对目标图像进行去噪处理,得到去噪垃圾图像。
优选的,所述识别垃圾图像中的连通域,包括:
对垃圾图像进行边缘检测,得到边缘图像;
对边缘图像进行形态学闭运算处理,将边缘图像中的边缘断点进行连接,得到至少两个连通域。
优选的,所述筛选出关注连通域,包括:
将连通域内部存在有像素值为0的像素点的连通域作为关注连通域。
本发明实施例至少具有如下有益效果:
本发明首先识别垃圾图像中的连通域,并筛选出关注连通域,实现对垃圾图像中的垃圾区域的初步识别。以每帧垃圾图像作为目标图像,根据目标图像之前的连续帧垃圾图像中同一位置处关注点所在连通域对应的图像矩值的差异,得到关注点对应的初始相似度调整因子,该初始相似度调整因子是根据海浪与垃圾内部纹理特征构建得到的,其能够更准确的反映出像素点属于垃圾区域的概率;获取距离像素点最近的关注连通域上的像素点作为近距像素点,根据像素点与其对应的近距像素点的梯度方向差异、像素点与其对应的近距像素点的距离、像素点对应的初始相似度调整因子,得到目标相似度调整因子,通过结合垃圾特征、海洋浪花特征、垃圾周边的水纹情况以及垃圾部分区域可能存在与背景高度相似的情况得到的目标相似度,调整因子对目标图像进行后续得到的相似度权值进行改进;对目标图像分割为多个图像块,获取每个图像块内各像素点的相似度权值,将归一化后的目标相似度调整因子作为相似度权值的权重,得到加权后的相似度权值,使用加权后的相似度权值对海洋表面图像进行去噪,得到去噪垃圾图像。对原始的仅根据像素点的灰度值得到的相似度权值进行改进,得到加权后的相似度权值,避免了当垃圾区域与背景海浪颜色相近时,垃圾区域与背景区域相似度较高,进而导致去噪时该区域被模糊处理影响后续对垃圾区域的识别检测的缺陷。
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为本发明一个实施例所提供的基于计算机视觉的垃圾图像去噪处理方法的方法流程图;
图2为本发明一个实施例所提供的垃圾图像的示意图;
图3为本发明一个实施例所提供的垃圾图像所对应的边缘图像的示意图;
图4为本发明一个实施例所提供的进行弥合操作前的有边缘断点的连通域的示意图;
图5为本发明一个实施例所提供的进行弥合操作后的连通域的示意图。
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基于计算机视觉的垃圾图像去噪处理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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。
本发明实施例提供了基于计算机视觉的垃圾图像去噪处理方法的具体实施方法,该方法适用于检测海面上垃圾的场景。该场景下通过无人机检测并采集获取海洋表面图像。海洋垃圾与海洋背景的相似度过高会影响海洋垃圾识别的技术问题。本发明对原始仅根据像素点的灰度值得到的相似度权值进行改进。避免了当垃圾区域与背景海浪颜色相近时,垃圾区域与背景区域相似度较高,进而导致去噪时该区域被模糊处理影响后续对垃圾区域的识别检测的缺陷。
下面结合附图具体的说明本发明所提供的基于计算机视觉的垃圾图像去噪处理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于计算机视觉的垃圾图像去噪处理方法的方法流程图,该方法包括以下步骤:
步骤S100,获取含有垃圾的海洋表面灰度图作为垃圾图像。
使用无人机采集获取图像中含有海面上漂浮着垃圾的海洋表面图像,采集连续帧海洋表面图像。
对采集得到的连续帧的海洋表面图像中的每一图像进行加权平均灰度化处理,获取得到每一帧海洋表面图像对应的海洋表面灰度图,将含有垃圾的海洋表面灰度图作为垃圾图像。
至此,获取得到海洋表面图像,并完成对海洋表面图像进行灰度化等预处理,获取得到灰度图像,也即得到垃圾图像。
步骤S200,识别垃圾图像中的连通域,并筛选出关注连通域;将连通域上的边缘点作为关注点。
对于海洋表面图像而言,由于海面上漂浮的垃圾颜色形状各异,当某处垃圾与海洋背景颜色相近时,即该处垃圾与海洋背景像素值相近,进而相似度权值较大,从而该垃圾区域去噪效果不好。
为了达到使垃圾区域相似度较高,且同时使垃圾区域与背景相似度较低,根据海洋波浪特性和垃圾特性对相似度权值进行调整,获取初始相似度调整因子。进一步,考虑现实情景下,垃圾周边存在水纹,根据水纹特性对初始相似度调整因子进行改进,获取目标相似度调整因子。进而根据目标相似度调整因子对原始的相似度权值进行调整获取改进后的相似度权值。
因此,本发明对采集的海洋表面图像对应的垃圾图像进行处理,获得改进后的相似度权值的过程为:(1)根据海洋波浪特征及垃圾特征构建目标相似度调整因子;(2)根据目标相似度调整因子对原始的相似度权值进行调整,获取改进后的相似度权值。
由于海面波浪存在波动性,对于连续帧垃圾图像而言,海浪区域变化较大,而垃圾区域相较海浪区域变化较小,进一步的,连续帧图像中海浪处纹理的变化差异较大,而垃圾区域纹理变化差异较小。
同时由于某些垃圾部分区域与背景海洋的颜色过于相近,此时进行边缘检测时会导致部分边缘被漏检,此时垃圾区域存在部分弯曲线,而同时对于实际场景中由于垃圾浮于水面,垃圾周边会出现水纹,水纹体现在图像上也为弯曲的线。但水纹由于是垃圾沉浮导致的,其弯曲程度与垃圾近似,而垃圾区域存在的弯曲线其与垃圾存在差异。根据上述分析,构建得到相似度调整因子。
本发明对仅根据灰度值得到相似度权值,但当某些垃圾区域与海洋本身海浪颜色近似时去噪会导致垃圾区域被模糊化的缺陷进行改进。进而需根据垃圾区域与海洋海浪本身特征构建改进相似度衡量标准,需对垃圾区域与海浪本身区域进行分析。
进一步的,使用Sobel算子求取图像中每点的梯度值与梯度方向。使用Canny边缘检测算法对垃圾图像进行边缘检测,得到至少两个连通域,具体的:通过边缘检测得到边缘图像。此时为了需保证图中噪点、边缘处均被检测得到,需要保证设定的阈值较小,在本发明实施例中Canny边缘检测算法中的低阈值的取值设定为0.1,高阈值的取值设定为0.2,在其他实施例中实施者可根据实际情况调整该取值。请参阅图2和图3,图2为本发明实施例中的垃圾图像的示意图,图3为垃圾图像图2所对应的边缘图像的示意图。
由于边缘检测得到的边缘图像中存在断点或边缘断点,对边缘检测得到的图像进行形态学闭运算处理,对边缘断点进行弥合操作,也可以说对边缘断点进行连接操作,将断开的断点连接至一起,形成连通域。请参阅图4为进行弥合操作前的有边缘断点的连通域的示意图;请参阅图5为进行弥合操作后的连通域的示意图。记经过弥合操作后获取得到的边缘图像中的所有边缘点为关注点。
弥合操作后得到的连通域以及直接通过边缘检测得到的连通域均作为边缘图像中的连通域。将连通域上的所有边缘点作为关注点,需要说明的是,其中弥合操作后形成的连通域上的边缘点也作为关注点。
并进一步的从多个连通域中筛选出关注连通域,具体的:将连通域内部存在有像素值为0的像素点的连通域作为关注连通域。
步骤S300,以每帧垃圾图像作为目标图像,根据目标图像之前的连续帧垃圾图像中同一位置处关注点所在连通域对应的图像矩值的差异,得到关注点对应的初始相似度调整因子;对于目标图像上任意像素点,获取距离像素点最近的关注连通域上的像素点,作为近距像素点;根据像素点与其对应的近距像素点的梯度方向差异、像素点与其对应的近距像素点的距离、像素点对应的初始相似度调整因子,得到目标相似度调整因子。
由于对于垃圾边缘而言,为闭合连通域易与海浪区分。而对于垃圾内部纹理边缘而言,其与海浪区域需进一步区分。
但是由于海面波动的随机性,对于海面海浪区域而言,其在不同帧下的图像的相同位置存在差异,而对于垃圾区域而言,则其差异较小。
获取边缘图像中的所有连通域。
由于图像矩具有旋转不变性,可描述图像的特征纹理变化,对获取得到的所有连通域计算所对应的图像矩值。需要说明的是,此时是对于连通域上点在垃圾图像中所对应的灰度值进行计算,即将得到的边缘图像的二值掩膜图像与垃圾图像相乘。
由于海面存在波动性,同时海浪波动变化程度相较海面垃圾而言,其变化程度较大。即对于海浪而言,其在不同帧下的图像在相同位置存在差异且差异较大,而对于垃圾自身纹理而言,其在不同帧下的图像差异较小。故进一步的,根据连续帧垃圾图像中同一位置处关注点所在连通域对应的图像矩值的差异,得到关注点对应的初始相似度调整因子,具体的:计算目标图像之前的每相邻两帧垃圾图像中同一位置处关注点所在的连通域对应的图像矩值的差值的绝对值;对于任意关注点,将所有相邻两帧垃圾图像中的图像矩值的差值的绝对值的均值,作为初始差异值;将所述初始差异值和预设第一调节值之和作为第一差异值;将归一化后的所述第一差异值作为初始相似度调整因子。在本发明实施例中预设第一调节值的取值为0.1,在其他实施例中实施者可根据实际情况调整该取值。
该初始相似度调整因子的计算公式为:
其中,为初始相似度调整因子;表示在第帧垃圾图像上关注点j所在连通域对
应的图像矩值;为目标图像对应的帧数;表示在第帧垃圾图像上关注点j所在连
通域对应的图像矩值;为初始差异值;为第一差
异值;为归一化函数;0.1为预设第一调节值。通过归一化函数实现将得到的数据映射
到范围内的目的。
其中在初始相似度调整因子的计算公式中加上预设第一调节值是为了保证对于不属于关注点的其他点均具有初始相似度调整因子,由于不属于关注点的其他点中属于背景点的占比较大,设置0.1为了保证背景与垃圾区域相似度调整因子存在差异。故除关注点外的其他非关注点的像素点的初始相似度调整因子即为预设第一调节值,将关注点对应的初始相似度调整因子和非关注点对应的初始相似度调整因子统称为像素点的初始相似度调整因子。
对于海浪区域而言,其在每一帧垃圾图像上的变化程度较大,而对于垃圾区域而
言,其在每一帧垃圾图像上的变化程度较小。初始差异值表示每个关注点
所在连通域在不同帧垃圾图像下其图像矩的变化情况,当初始差异值值
较大时,说明该点在不同帧垃圾图像下的变化程度较大,该点处于海浪区域的可能性较高,
初始差异值值较小时,说明该点在不同帧下垃圾图像的变化程度较小,该
点处于垃圾区域的可能性较大。
至此,根据海浪与垃圾内部纹理特征构建得到初始相似度调整因子。
进一步的,考虑实际场景中,垃圾颜色各异且垃圾周边会由于沉浮于水面产生水
波纹,同时有些垃圾部分区域颜色与背景海洋区域颜色相似度较高,此时该处边缘的梯度
值较小,根据上述步骤使用边缘检测进行处理时会导致漏检,检测得到的垃圾闭合连通域
并非为垃圾真正边缘连通域,会出现部分缺失,此时漏检的离散点所对应的初始相似度调
整因子较小,但其属于垃圾区域,需对其增大处理。
此时对于垃圾部分区域由于颜色与背景相近导致的漏检边缘点而言,其不属于上
述关注点;同时垃圾周边水纹由于与背景颜色相近,对其进行边缘检测时也存在部分漏检,
由于其所对应的初始相似度调整因子与垃圾区域漏检的漏检边缘点的初始相似度调整因
子相同,均较小;而对于水纹区域与垃圾本身区域去噪程度不同,其相似度衡量标准不同,
需对上述得到的初始相似度调整因子进行进一步调整。
由于水波纹是垃圾沉浮于水面导致,其弯曲程度与周边垃圾边缘相近,而对于垃圾部分区域其与周边的垃圾本身边缘弯曲程度存在差异。也可以说垃圾的浮动会导致海浪的轻微波动,故会造成垃圾周围产生和垃圾的边缘相近似的水波纹。
即对于水波纹上的像素点而言,其所对应的梯度方向与其距离最近的垃圾边缘梯
度方向近似。根据上述分析,对于目标图像上任意像素点,获取距离像素点最近的关注连通
域上的像素点,作为近距像素点。进一步的,得到的初始相似度调整因子进行进一步调整
获取相似度调整因子,根据像素点与其对应的近距像素点的梯度方向差异、像素点与其对
应的近距像素点的距离、像素点对应的初始相似度调整因子,得到目标相似度调整因子,具
体的:计算像素点与其对应的近距像素点的梯度方向角的差值的绝对值;计算所述差值的
绝对值和所述像素点与其对应的近距像素点的距离的比值,作为初始调节值;将归一化后
的所述初始调节值作为相似度调节值;将所述相似度调节值和像素点对应的初始相似度调
整因子之和,作为像素点对应的目标相似度调整因子。需要说明的是,梯度方向角为梯度方
向与0°的水平线所呈的夹角角度。
该目标相似度调整因子的计算公式为:
其中,为目标相似度调整因子;为像素点i对应的初始相似度调整因子;为像
素点i所对应的梯度方向角;为像素点对应的近距像素点的梯度方向角;表示像素点i
与其对应的近距像素点的距离;表示对数据进行归一化操作,将数据映射到范围
内;为对进行归一化操作;为初始调节值;为相似度
调节值。
相似度调整因子为初始相似度调整因子加上改进系数,这里的改进因子为归一化
后的初始调节值。当像素点距离垃圾区域越近,且该像素点与周边垃圾的方向差异越大说
明该点为漏检的垃圾区域,此时需将该像素点的相似度权值增大,进而值增大。
其中,目标相似度调整因子的计算公式中,设定像素点与其对应的近距像素点的
距离是为了保证所考虑改进初始相似度调整因子的像素点均为垃圾区域附近的像素点。
垃圾周边的点可能是垃圾浮动造成的水纹,也可能是与背景极度相近边缘检测未检测到的
垃圾边缘点。越大说明该点距离垃圾区域越近,进而对该点的初始相似度调整因子的调
整必要性越高。表示像素点i与其临近的关注连通域上近距像素点的梯度方向的差
异性,当较小时,说明该点与周边关注连通域上点的梯度方向相近,由于垃圾周边
水纹由于垃圾沉浮导致,其上的点与垃圾边缘点的梯度方向近似,进而说明该点属于水纹
上点的可能性较大。
而当较大时,说明像素点与周边关注连通域上近距点的梯度方向差异较
大,进而该点属于垃圾区域中由于颜色与背景区域颜色相近而导致未被处理至垃圾本身关
注连通域中的离散点的可能性较大。需将该像素点对应的初始相似度调整因子进行调整,
将初始相似度调整因子增大。
根据现实中垃圾部分区域可能存在与背景高度相似,同时垃圾周边会产生水纹的情况,根据水纹特性与漏检垃圾的特性对上述得到的原始的相似度调整因子进行进一步改进,保证漏检垃圾区域相似度与垃圾区域较高,获取得到最终的目标相似度调整因子。保证了对于所有垃圾与垃圾区域相似度较高,而对于垃圾与背景海洋、浪花及水纹区域相似度较低。
至此,根据海洋波浪特征与垃圾特征构建得到相似度调整因子。
步骤S400,将目标图像分割为多个图像块,获取每个图像块内各像素点的相似度权值,将归一化后的目标相似度调整因子作为所述相似度权值的权重,得到加权后的相似度权值。
根据目标相似度调整因子对原始水纹相似度权值进行调整,获取改进后的相似度权值。
由于上述已获取得到相似度权值的调整因子,也即目标相似度调整因子,需结合目标相似度调整因子获取改进后的相似度权值。进而使用改进后的相似度权值对目标图像进行去噪处理。
对目标图像分割为多个图像块,获取每个图像块内各像素点的相似度权值。根据论文文献王银杰,“基于非局部均值滤波的图像去噪算法”,哈尔滨理工大学,2019年3月的工学硕士学位论文第16页中所公开的权值w的计算方法,将得到的权值w作为本发明实施例中的相似度权值。
作为本发明的另一个实施例,还可以通过图像块之间的均方误差来反映图像块之间的相似度,但由于均方误差越小则图像块之间越相似,故将均方误差的倒数作为图像块的相似度权值。
设定一个大于图像块大小的大窗口,在大窗口里面设定相对较小的小窗口,在本发明实施例中小窗口即为图像块,对于大窗口内设定任意一个图像块A,同时滑动大窗口内的另一任意图像块B,图像块B在大窗口内滑动,不断更新图像块B内的参数,每滑动一次,更新的图像块B均与图像块A有一个相似度,将在大窗口内滑动得到的所有图像块B与图像块A的相似度进行归一化,将所有图像块B的归一化后的相似度相加得到的结果值作为图像块A的相似度权值。
每个图像块对应一个相似度权值,也即每个图像块中的所有像素点所对应的相似度权值为同一数值。在得到图像块中各像素点的相似度权值之后,将归一化后的目标相似度调整因子作为所述相似度权值的权重,得到加权后的相似度权值。
该相似度权值的计算公式为:
根据各像素点的目标相似度调整因子对相似度权值重新构建,得到改进后的相似度权值,也即得到加权后的相似度权值。原本的相似度权值和加权后的相似度权值呈正比关系,且像素点对应的目标相似度调整因子仅实现了对相似度权值的调节目的,故当相似度权值越大时,对应的加权后的相似度权值也越大。目标相似度调整因子与加权后的相似度权值同样的呈正比关系,当像素点对应的与垃圾区域的相似度越大,则目标相似度调整因子越大,通过该目标相似度调整因子加权后的相似度权值也越大。
至此,通过对采集得到的垃圾灰度图进行分析,根据海浪及垃圾特征获取相似度调整因子,对初始相似度权值进行调整获取改进相似度权值。
步骤S500,使用加权后的相似度权值对目标图像进行去噪,得到去噪垃圾图像。
通过对海浪及垃圾特征进行分析,对原始仅根据像素点的灰度值得到的相似度权值进行改进。避免了当垃圾区域与背景海浪颜色相近时,垃圾区域与背景区域相似度较高,进而导致去噪时该区域被模糊处理影响后续对垃圾区域的识别检测的缺陷。
最后,基于加权后的相似度权值,使用非局部均值滤波算法对图像进行去噪处理,得到去噪垃圾图像。也即基于获取得到加权后的相似度权值,根据加权后的相似度权值对目标图像使用非局部均值滤波算法进行处理,获取得到去噪后的图像。需要说明的是,非局部均值滤波算法的计算步骤为本领域技术人员的公知技术,此处不做过多赘述。相对于其他去噪算法而言,非局部均值滤波算法不仅对局部信息进行考虑,对全局图像找寻相似块,充分利用图像丰富的重复冗余信息,其对图像边缘细节的保持性较强,选取非局部均值滤波对图像进行去噪处理。但非局部均值滤波中对于相似度衡量是基于像素点的像素值进行判断,对于海洋垃圾图像而言,垃圾形状颜色各异,当垃圾部分区域与背景海洋相似时,会导致该区域与海洋背景区域相似度过高,此时会导致该垃圾区域被模糊处理,进而影响后续对垃圾区域的识别检测。本发明结合垃圾特征与海洋浪花特征对原始的相似度权值进行改进,获取得到加权后的相似度权值,使得垃圾与垃圾区域的相似度权值较大,同时垃圾与背景海洋区域的相似度权值较小,进而提升了去噪时对于垃圾区域细节信息的保留程度,提高了后续垃圾分类识别的准确性。
实现了利用改进后的相似度权值使用非局部均值滤波算法对图像进行去噪处理,得到去噪后的去噪垃圾图像。其中,改进后的相似度权值也即为加权后的相似度权值。
综上所述,本发明涉及图像处理技术领域。该方法首先获取含有垃圾的海洋表面灰度图作为垃圾图像;识别垃圾图像中的连通域,并筛选出关注连通域;将连通域上的边缘点作为关注点;以每帧垃圾图像作为目标图像,根据目标图像之前的连续帧垃圾图像中同一位置处关注点所在连通域对应的图像矩值的差异,得到关注点对应的初始相似度调整因子;对于目标图像上任意像素点,获取距离像素点最近的关注连通域上的像素点,作为近距像素点;根据像素点与其对应的近距像素点的梯度方向差异、像素点与其对应的近距像素点的距离、像素点对应的初始相似度调整因子,得到目标相似度调整因子;将目标图像分割为多个图像块,获取每个图像块内各像素点的相似度权值,将归一化后的目标相似度调整因子作为相似度权值的权重,得到加权后的相似度权值;使用加权后的相似度权值对目标图像进行去噪,得到去噪垃圾图像。对原始仅根据像素点的灰度值得到的相似度权值进行改进。避免了当垃圾区域与背景海浪颜色相近时,垃圾区域与背景区域相似度较高,进而导致去噪时该区域被模糊处理影响后续对垃圾区域的识别检测的缺陷。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (8)
1.基于计算机视觉的垃圾图像去噪处理方法,其特征在于,该方法包括以下步骤:
获取含有垃圾的海洋表面灰度图作为垃圾图像;
识别垃圾图像中的连通域,并筛选出关注连通域;将连通域上的边缘点作为关注点;
以每帧垃圾图像作为目标图像,根据目标图像之前的连续帧垃圾图像中同一位置处关注点所在连通域对应的图像矩值的差异,得到关注点对应的初始相似度调整因子;对于目标图像上任意像素点,获取距离像素点最近的关注连通域上的像素点,作为近距像素点;根据像素点与其对应的近距像素点的梯度方向差异、像素点与其对应的近距像素点的距离、像素点对应的初始相似度调整因子,得到目标相似度调整因子;
将目标图像分割为多个图像块,获取每个图像块内各像素点的相似度权值,将归一化后的目标相似度调整因子作为所述相似度权值的权重,得到加权后的相似度权值;
使用加权后的相似度权值对目标图像进行去噪,得到去噪垃圾图像。
2.根据权利要求1所述的基于计算机视觉的垃圾图像去噪处理方法,其特征在于,所述根据目标图像之前的连续帧垃圾图像中同一位置处关注点所在连通域对应的图像矩值的差异,得到关注点对应的初始相似度调整因子,包括:
计算目标图像之前的每相邻两帧垃圾图像中同一位置处关注点所在的连通域对应的图像矩值的差值的绝对值;对于任意关注点,将所有相邻两帧垃圾图像中的图像矩值的差值的绝对值的均值,作为初始差异值;将所述初始差异值和预设第一调节值之和作为第一差异值;将归一化后的所述第一差异值作为初始相似度调整因子。
3.根据权利要求1所述的基于计算机视觉的垃圾图像去噪处理方法,其特征在于,所述根据目标图像之前的连续帧垃圾图像中同一位置处关注点所在连通域对应的图像矩值的差异,得到关注点对应的初始相似度调整因子之后,包括:
将非关注点的其他像素点的初始相似度调整因子设定为预设第一调节值。
4.根据权利要求1所述的基于计算机视觉的垃圾图像去噪处理方法,其特征在于,所述根据像素点与其对应的近距像素点的梯度方向差异、像素点与其对应的近距像素点的距离、像素点对应的初始相似度调整因子,得到目标相似度调整因子,包括:
计算像素点与其对应的近距像素点的梯度方向角的差值的绝对值;计算所述差值的绝对值和所述像素点与其对应的近距像素点的距离的比值,作为初始调节值;将归一化后的所述初始调节值作为相似度调节值;将所述相似度调节值和像素点对应的初始相似度调整因子之和,作为像素点对应的目标相似度调整因子。
5.根据权利要求1所述的基于计算机视觉的垃圾图像去噪处理方法,其特征在于,所述获取距离像素点最近的关注连通域上的像素点,作为近距像素点,包括:
获取距离像素点最近的关注连通域作为近距连通域,近距连通域上距离像素点最近的像素点作为近距像素点。
6.根据权利要求1所述的基于计算机视觉的垃圾图像去噪处理方法,其特征在于,所述使用加权后的相似度权值对目标图像进行去噪,得到去噪垃圾图像,包括:
基于加权后的相似度权值,使用非局部均值滤波算法对目标图像进行去噪处理,得到去噪垃圾图像。
7.根据权利要求1所述的基于计算机视觉的垃圾图像去噪处理方法,其特征在于,所述识别垃圾图像中的连通域,包括:
对垃圾图像进行边缘检测,得到边缘图像;
对边缘图像进行形态学闭运算处理,将边缘图像中的边缘断点进行连接,得到至少两个连通域。
8.根据权利要求1所述的基于计算机视觉的垃圾图像去噪处理方法,其特征在于,所述筛选出关注连通域,包括:
将连通域内部存在有像素值为0的像素点的连通域作为关注连通域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310347596.1A CN116152115B (zh) | 2023-04-04 | 2023-04-04 | 基于计算机视觉的垃圾图像去噪处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310347596.1A CN116152115B (zh) | 2023-04-04 | 2023-04-04 | 基于计算机视觉的垃圾图像去噪处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116152115A true CN116152115A (zh) | 2023-05-23 |
CN116152115B CN116152115B (zh) | 2023-07-07 |
Family
ID=86350833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310347596.1A Active CN116152115B (zh) | 2023-04-04 | 2023-04-04 | 基于计算机视觉的垃圾图像去噪处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152115B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645297A (zh) * | 2023-07-24 | 2023-08-25 | 济宁龙纳智能科技有限公司 | 基于人工智能的agv叉车控制方法 |
CN117456395A (zh) * | 2023-12-26 | 2024-01-26 | 广州大学 | 一种基于机器视觉的海陆两域垃圾回收规划方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160284065A1 (en) * | 2015-03-24 | 2016-09-29 | Intel Corporation | Non-local means image denoising with an adaptive directional spatial filter |
CN106204462A (zh) * | 2015-05-04 | 2016-12-07 | 南京邮电大学 | 基于图像多特征融合的非局部均值去噪方法 |
CN106663315A (zh) * | 2014-09-03 | 2017-05-10 | 三菱电机株式会社 | 用于对含噪图像去噪的方法 |
CN110852351A (zh) * | 2019-10-22 | 2020-02-28 | 苏州幻岛信息科技有限公司 | 基于图像的垃圾分类方法、装置、终端设备和存储介质 |
CN111079724A (zh) * | 2020-03-25 | 2020-04-28 | 速度时空信息科技股份有限公司 | 一种基于无人机的海漂垃圾识别方法 |
CN112381727A (zh) * | 2020-11-03 | 2021-02-19 | 中航航空电子有限公司 | 一种图像去噪方法、装置、计算机设备和存储介质 |
CN113065486A (zh) * | 2021-04-09 | 2021-07-02 | 中电科数字科技(集团)有限公司 | 适用于河道的漂浮物识别方法与***、设备、介质 |
US20210224512A1 (en) * | 2020-01-17 | 2021-07-22 | Wuyi University | Danet-based drone patrol and inspection system for coastline floating garbage |
CN115147733A (zh) * | 2022-09-05 | 2022-10-04 | 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 |
CN115456983A (zh) * | 2022-09-05 | 2022-12-09 | 中冶赛迪信息技术(重庆)有限公司 | 一种水面漂浮物检测方法、***、设备及介质 |
CN115797813A (zh) * | 2023-02-10 | 2023-03-14 | 山东汇蓝环保科技有限公司 | 基于航拍图像的水环境污染检测方法 |
CN115861359A (zh) * | 2022-12-16 | 2023-03-28 | 兰州交通大学 | 一种水面漂浮垃圾图像自适应分割提取方法 |
-
2023
- 2023-04-04 CN CN202310347596.1A patent/CN116152115B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106663315A (zh) * | 2014-09-03 | 2017-05-10 | 三菱电机株式会社 | 用于对含噪图像去噪的方法 |
US20160284065A1 (en) * | 2015-03-24 | 2016-09-29 | Intel Corporation | Non-local means image denoising with an adaptive directional spatial filter |
CN106204462A (zh) * | 2015-05-04 | 2016-12-07 | 南京邮电大学 | 基于图像多特征融合的非局部均值去噪方法 |
CN110852351A (zh) * | 2019-10-22 | 2020-02-28 | 苏州幻岛信息科技有限公司 | 基于图像的垃圾分类方法、装置、终端设备和存储介质 |
US20210224512A1 (en) * | 2020-01-17 | 2021-07-22 | Wuyi University | Danet-based drone patrol and inspection system for coastline floating garbage |
CN111079724A (zh) * | 2020-03-25 | 2020-04-28 | 速度时空信息科技股份有限公司 | 一种基于无人机的海漂垃圾识别方法 |
CN112381727A (zh) * | 2020-11-03 | 2021-02-19 | 中航航空电子有限公司 | 一种图像去噪方法、装置、计算机设备和存储介质 |
CN113065486A (zh) * | 2021-04-09 | 2021-07-02 | 中电科数字科技(集团)有限公司 | 适用于河道的漂浮物识别方法与***、设备、介质 |
CN115147733A (zh) * | 2022-09-05 | 2022-10-04 | 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 |
CN115456983A (zh) * | 2022-09-05 | 2022-12-09 | 中冶赛迪信息技术(重庆)有限公司 | 一种水面漂浮物检测方法、***、设备及介质 |
CN115861359A (zh) * | 2022-12-16 | 2023-03-28 | 兰州交通大学 | 一种水面漂浮垃圾图像自适应分割提取方法 |
CN115797813A (zh) * | 2023-02-10 | 2023-03-14 | 山东汇蓝环保科技有限公司 | 基于航拍图像的水环境污染检测方法 |
Non-Patent Citations (2)
Title |
---|
XIAO YU 等: "Floating pollutant image target extraction algorithm based on immune extremum region", DIGITAL SIGNAL PROCESSING * |
汤伟 等: "改进卷积神经网络算法在水面漂浮垃圾检测中的应用", 中国科技论文, no. 11 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645297A (zh) * | 2023-07-24 | 2023-08-25 | 济宁龙纳智能科技有限公司 | 基于人工智能的agv叉车控制方法 |
CN116645297B (zh) * | 2023-07-24 | 2023-11-07 | 济宁龙纳智能科技有限公司 | 基于人工智能的agv叉车控制方法 |
CN117456395A (zh) * | 2023-12-26 | 2024-01-26 | 广州大学 | 一种基于机器视觉的海陆两域垃圾回收规划方法 |
CN117456395B (zh) * | 2023-12-26 | 2024-03-29 | 广州大学 | 一种基于机器视觉的海陆两域垃圾回收规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116152115B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
US11580647B1 (en) | Global and local binary pattern image crack segmentation method based on robot vision | |
CN116152115B (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及*** | |
CN108830832A (zh) | 一种基于机器视觉的塑料筒表面缺陷检测算法 | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
CN110766689A (zh) | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 | |
CN111161222B (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN109993744B (zh) | 一种海上逆光环境下的红外目标检测方法 | |
CN109377450A (zh) | 一种边缘保护的去噪方法 | |
CN113963042A (zh) | 基于图像处理的金属零件缺陷程度评估方法 | |
CN117094914B (zh) | 基于计算机视觉的智慧城市道路监控*** | |
CN109829858B (zh) | 一种基于局部自适应阈值的船载雷达图像溢油监测方法 | |
CN111476120A (zh) | 一种无人机智能船舶水尺识别方法及装置 | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
CN110348442B (zh) | 一种基于支持向量机的船载雷达图像海上油膜识别方法 | |
CN116934762B (zh) | 锂电池极片表面缺陷的检测***及方法 | |
CN113705501A (zh) | 一种基于图像识别技术的海上目标检测方法和*** | |
CN113053164A (zh) | 一种利用环视图像的车位识别方法 | |
CN113837924A (zh) | 一种基于无人艇感知***的水岸线检测方法 | |
CN109872358B (zh) | 一种基于活动轮廓模型的船载雷达图像海上油膜识别方法 | |
Wu et al. | Research on crack detection algorithm of asphalt pavement | |
CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和*** | |
CN114821529A (zh) | 一种用于智能汽车的视觉检测***、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 |