[go: up one dir, main page]

CN116229108B - 一种基于色彩特征滤过的矿石图像识别方法及其装置 - Google Patents

一种基于色彩特征滤过的矿石图像识别方法及其装置 Download PDF

Info

Publication number
CN116229108B
CN116229108B CN202211646698.5A CN202211646698A CN116229108B CN 116229108 B CN116229108 B CN 116229108B CN 202211646698 A CN202211646698 A CN 202211646698A CN 116229108 B CN116229108 B CN 116229108B
Authority
CN
China
Prior art keywords
ore
image
pixel
filtering
color feature
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
Application number
CN202211646698.5A
Other languages
English (en)
Other versions
CN116229108A (zh
Inventor
张彦群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Axwell Intelligent Technology Suzhou Co ltd
Original Assignee
Axwell Intelligent Technology Suzhou Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Axwell Intelligent Technology Suzhou Co ltd filed Critical Axwell Intelligent Technology Suzhou Co ltd
Priority to CN202211646698.5A priority Critical patent/CN116229108B/zh
Publication of CN116229108A publication Critical patent/CN116229108A/zh
Application granted granted Critical
Publication of CN116229108B publication Critical patent/CN116229108B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V10/273—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 removing elements interfering with the pattern to be recognised

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于色彩特征滤过的矿石图像识别方法及其装置，包括：根据预先建立的矿石色彩特征信息库对待识别的矿石图像中的矿石进行矿石定义以定义出矿石所属的色彩特征类；根据矿石定义结果确定与矿石相应的RGB色彩特征滤过函数；对矿石图像的亮度进行环境光修正处理以将矿石图像统一至标准型采样亮度；对环境光修正后的矿石图像进行滤过处理以将矿石从背景以及矿石之间的间隙中割离。本发明将待识别的矿石图像中的矿石类型根据色彩特征进行定义，在识别过程中进行RGB色彩特征算子滤过，然后根据识别目标物的特征将背影进行隔离、剔除，从而达到矿石背景和矿石之间的空隙不被误识别的目的。有效降低矿石识别的误识率，提高矿石图像识别效率。

Description

一种基于色彩特征滤过的矿石图像识别方法及其装置
技术领域
本发明涉及矿石图像识别领域，尤其涉及一种基于色彩特征滤过的矿石图像识别方法及其装置。
背景技术
在矿石破碎作业中，为了实现破碎锤自动化破碎矿石的需求，识别待碎矿石是其中最重要一环。只有能够准确的识别待碎矿石，才能顺利的引导破碎锤将矿石破碎，完成自动化施工。
以智能挖掘机为例，挖掘机在无人操作状态下工作过程中，针对矿石破碎等的专有作业工况场景，通过挖掘机上由摄像头和图像处理器构成的视觉系统对作业目标物的矿石进行识别。矿石识别要达到将矿石和矿石作业面明确标定出来的识别要求。采用识别物特征轮廓抽取的办法进行识别，在实际识别过程中，通过对矿石图像进行二值化处理，经过腐蚀、膨胀等方法进行图像锐化，通过设定灰度阈值获取轮廓。处理过程中也通常采用滤波、去噪等方法，获取识别目标物的轮廓特征。在此识别过程中，矿石背景以及矿石之间的空隙也会闭合成轮廓，并切离成独立面，被误认为是矿石表面，造成识别错误。
发明内容
为了避免矿石背景以及矿石之间的空隙不被误识别，提高矿石识别的准确率，本发明的其中一方面提供一种基于色彩特征滤过的矿石图像识别方法，包括：根据预先建立的矿石色彩特征信息库对待识别的矿石图像中的矿石进行矿石定义，以定义出所述矿石所属的色彩特征类；根据所述矿石定义结果确定与所述矿石相应的RGB色彩特征滤过函数；对所述矿石图像的亮度进行环境光修正处理以将所述矿石图像统一至标准型采样亮度；以及对环境光修正后的所述矿石图像进行滤过处理以将所述矿石从背景以及矿石之间的间隙中割离。
优选地，所述RGB色彩特征滤过函数表示为;其中Ai为矿石所属的色彩 特征类，“1”对应的是矿石图片的像素位置，保持原像素位置不变；K为与R红，G绿，B蓝分别 对应的滤过因子。
优选地，对所述矿石图像的亮度进行环境光修正处理，包括：根据RGB函数对所述 矿石图像的亮度进行环境光修正处理；其中，修正前的矿石图像RGB函数Mo表示为；为x像素点的R红，G绿，B蓝分别对应对的 亮度值；x=（i, j）为像素位置，定义域由矿石图像的所有像素位置组成；其中，修正后的矿 石图像RGB函数Mt表示为：；其中，；α为增益修正数，γ为偏差 修正数；α与γ的值通过矿石图像与标准环境光图像对比动态获得。
优选地，对环境光修正后的所述矿石图像进行滤过处理，包括：设矿石图像的矿石 像素函数为，非矿石像素函数为矿石像素函数的补函数；x=（i, j）为 像素位置，M=（u, v, w）为矿石图像的RGB亮度值；其中，；经过非矿石像素函数计 算，非矿石像素均被置值1，显示为白色；矿石像素为非矿石像素的补集，剔除经滤过处理后 的非矿石像素，从而获得矿石像素函数结果。
优选地，所述方法还包括：对滤过处理后的所述矿石图像进行包括灰度化、二值化、膨胀、腐蚀中的一种或多种处理操作以获得矿石轮廓。
为了避免矿石背景以及矿石之间的空隙不被误识别，提高矿石识别的准确率，本发明的其中一方面提供一种基于色彩特征滤过的矿石图像识别装置，包括：矿石定义模块，被配置为根据预先建立的矿石色彩特征信息库对待识别的矿石图像中的矿石进行矿石定义，以定义出所述矿石所属的色彩特征类；RGB色彩特征滤过函数确定模块，被配置为根据所述矿石定义结果确定与所述矿石相应的RGB色彩特征滤过函数；环境光修正模块，被配置为对所述矿石图像的亮度进行环境光修正处理以将所述矿石图像统一至标准型采样亮度；以及图像滤过模块，被配置为对环境光修正后的所述矿石图像进行滤过处理以将所述矿石从背景以及矿石之间的间隙中割离。
优选地，所述RGB色彩特征滤过函数表示为;其中Ai为矿石所属的色彩 特征类，“1”对应的是矿石图片的像素位置，保持原像素位置不变；K为与R红，G绿，B蓝分别 对应的滤过因子。
优选地，所述环境光修正模块被进一步配置为根据RGB函数对所述矿石图像的亮 度进行环境光修正处理；其中，修正前的矿石图像RGB函数Mo表示为；为x像素点的R红，G绿，B蓝分别对应对的 亮度值；x=（i, j）为像素位置，定义域由矿石图像的所有像素位置组成；其中，修正后的矿 石图像RGB函数Mt表示为：；其中，；α为增益修正数，γ为偏差 修正数；α与γ的值通过矿石图像与标准环境光图像对比动态获得。
优选地，所述图像滤过模块被进一步配置为：设矿石图像的矿石像素函数为，非矿石像素函数为矿石像素函数的补函数；x=（i, j）为像素位置，M =（u, v, w）为矿石图像的RGB亮度值；其中，；经过非矿石像素函数计 算，非矿石像素均被置值1，显示为白色；矿石像素为非矿石像素的补集，剔除经滤过处理后 的非矿石像素，从而获得矿石像素函数结果。
优选地，所述装置还包括：图像后处理模块，被配置为对滤过处理后的所述矿石图像进行包括灰度化、二值化、膨胀、腐蚀中的一种或多种处理操作以获得矿石轮廓。
本发明将识别目标画面的识别目标物的矿石类型根据色彩特征进行定义，在识别过程中进行RGB色彩特征算子的滤过，然后根据识别目标物的特征将背影进行隔离、剔除，从而达到矿石背景和矿石之间的空隙不被误识别的目的。有效降低矿石识别的误识率，提高矿石图像识别效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1示出的是本发明其中一实施例提供的矿石图像识别方法的流程示意图；
图2示出的是本发明其中一实施例提供的矿石图像滤过处理流程示意图；
图3（a）示出的是本发明其中一实施例提供的矿石图像像素点滤过前的示意图；（b）示出的是本发明其中一实施例提供的矿石图像像素点滤过后的示意图；
图4（a）示出的是本发明其中一实施例提供的矿石图像滤过前的示意图；（b）示出的是本发明其中一实施例提供的矿石图像滤过后的示意图；
图5、6、7分别示出的是本发明其中一实施例提供的矿石图像识别装置的结构示意图；
图8示出的是本发明其中一实施例提供的一种计算机可读存储介质的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
本发明其中一方面提供了一种基于色彩特征滤过的矿石图像识别方法，该方法优选应用在破碎矿石作业中对待碎矿石的识别，也可以是对其它用途中矿石的识别。所描述的破碎矿石作业例如是基于挖掘机破碎锤所执行的自动化破碎矿石作业，当然也可以是其它工程机械，即实际应用中可以将该方法应用在其它同样能够进行破碎矿石作业的工程机械中，也应属于本发明的涵盖范围。
在一些实施例中，该方法至少由S101~S104构成。下面根据图1、2描述对S101~S104的构成进行进一步的示例性描述。
S101，根据预先建立的矿石色彩特征信息库对待识别的矿石图像中的矿石进行矿石定义，以定义出所述矿石所属的色彩特征类。
应理解，所描述的矿石图像并非指图像中仅存在矿石，而是指图像中包含矿石，图像要素由矿石与背景构成，并且一个矿石图像中可以包含若干个矿石。
矿石色彩特征信息库根据剔除环境因素的纯粹矿石图像的矿石色彩特征所建立，矿石色彩特征信息库将具有特殊色彩特征的矿石分别定义为A1，A2，…An的色彩特征类。应理解，库中的矿石色彩特征与矿石种类对应。例如，方黄铜矿石的色彩通常呈现为黄色或古铜黄色，因此可将方黄铜矿石与黄铜色建立对应关系。例如，铬铅矿石具有鲜红的颜色，因此可将铬铅矿石与红色建立对应关系。例如，天蓝石一般多为蓝色，因此可将天蓝石与蓝色建立对应关系…具有多种颜色的矿石，可将具有的多种颜色构成该矿石的色彩特征。
在对待识别的矿石图像中的矿石进行矿石定义时，读取矿石定义的图像信息，通过矿石色彩特征信息库的对比确认，定义出该矿石为某色彩特征类矿石Ai。其中，矿石定义要求图像的矿石充填率在80%以上，也就是图片的80%以上幅面为矿石所覆盖。
S102，根据所述矿石定义结果确定与所述矿石相应的RGB色彩特征滤过函数。
应理解，不同的色彩特征类对应不同的RGB色彩特征滤过函数，根据矿石定义结果在确定出矿石图像中的矿石对应的色彩特征类后，就能够进一步确定出与该矿石相应的RGB色彩特征滤过函数。
其中，RGB色彩特征滤过函数表示为;其中Ai为矿石所属的色彩特征类， “1”对应的是矿石图片的像素位置，保持原像素位置不变；K为与R红，G绿，B蓝分别对应的滤 过因子。
S103，对所述矿石图像的亮度进行环境光修正处理以将所述矿石图像统一至标准型采样亮度。
由于矿石色彩特征信息库的采样图像是在一个统一环境亮度下进行的，而受限于待识别矿石图像的当下拍摄环境，其与库中采样图像的环境亮度不同，导致参照条件出现偏差，因此需要对矿石图像的亮度进行环境光的修正，以使其与库中采样图像的亮度保持一致，即将矿石图像统一至标准型采样亮度，应理解，所描述的标准型采样亮度表示的即库中采样图像的采样亮度。
在对矿石图像的亮度进行环境光修正处理时，具体将根据RGB函数对矿石图像的亮度进行环境光修正处理。
其中，修正前的矿石图像RGB函数Mo表示为；为x像素点的R红，G绿，B蓝分别对应对的亮度值；x=（i, j）为像素位 置，定义域由矿石图像的所有像素位置组成。
其中，修正后的矿石图像RGB函数Mt表示为：；
其中，；α为增益修正数，γ为偏差修正数；α与γ的值通过矿石图像与标准环境光图像对比动态获得，对不同光照强度下的矿石图像有自适应作用。
S104，对环境光修正后的所述矿石图像进行滤过处理以将所述矿石从背景以及矿石之间的间隙中割离。
具体的，设环境光修正后的矿石图像的矿石像素函数为，非矿石像素函数为矿石像素函数的补函数；x=（i, j）为像素位置，M=（u, v, w）为矿石图像的RGB亮度值。
其中，；经过非矿石像素函数计算，非矿石像素均被置值1，显示为白色；矿石像素为非矿石像素的补集，剔除 经滤过处理后的非矿石像素，从而获得矿石像素函数结果。
参考图3所示，在经过滤过处理后，（a）呈现的像素点1-9中的1,2,3,4,5,6,8被确认为非矿石像素，从而被剔除，7与9被确认为矿石像素，从而被保留，最终形成了（b）。
参考图4所示，在滤过处理之前，如（a），矿石图像中的元素包括若干矿石以及背景；在滤过处理之后，如（b），矿石图像中的背景以及矿石之间的间隙均被剔除，仅保留了矿石，从而将矿石从背景以及矿石之间的间隙中割离开来。
应理解，受矿石图像信息限制，本发明以矿石色彩信息为切入维度，根据矿石色彩特征定义矿石的方法。为去除不同环境光对采集图像信息的影响，本发明采用动态增益修正参数和偏差修正参数对识别目标物图片（矿石图像）进行环境光强度统一化处理的方法。以及根据矿石独有的色彩特征，建立矿石RGB色彩特征算子，对非矿石像素进行滤过处理的方法。
本发明将识别目标画面的识别目标物的矿石类型根据色彩特征进行定义，在识别过程中进行RGB色彩特征算子的滤过，然后根据识别目标物的特征将背影进行隔离、剔除，从而达到矿石背景和矿石与矿石间空隙不被误识别的目的。有效降低矿石识别的误识率，提高矿石图像识别效率。
现阶段，常用的矿石破碎工况的矿石色彩特征信息库建库基本完成，能根据矿石定义的图像信息基本无误地定义出某种矿石，并选用相应矿石RGB色彩特征滤过函数。
本发明能够有效降低矿石图像识别的误识率，未采用该描述方法的误识率在10%左右，采用该描述方法的误识率在2%左右，提升了近80%。应用于实际矿石识别中，提升了矿石识别通过率，提高矿石图像识别效率。
在一些实施例中，在对矿石图像进行滤过处理之后，还将对矿石图像进行后续图像处理，具体体现在对滤过处理后的矿石图像进行包括灰度化、二值化、膨胀、腐蚀中的一种或多种处理操作以获得矿石轮廓。
应理解，所描述上述的后处理操作，在现有技术中对应为识别矿石图像的全部操作，也因此导致了背景技术中所描述的缺陷产生—在此识别过程中，矿石背景以及矿石之间的空隙也会闭合成轮廓，并切离成独立面，被误认为是矿石表面，造成识别错误。而由于本申请的上述后处理操作是在完成了对矿石图像的滤过处理之后，就能够有效避免上述缺陷，从而避免矿石背景以及矿石之间的空隙不被误识别，提高矿石识别的准确率。
参考图5所示，本发明其中一方面提供了一种基于色彩特征滤过的矿石图像识别装置，所述装置包括：
矿石定义模块201，被配置为根据预先建立的矿石色彩特征信息库对待识别的矿石图像中的矿石进行矿石定义，以定义出所述矿石所属的色彩特征类。
RGB色彩特征滤过函数确定模块202，被配置为根据所述矿石定义结果确定与所述矿石相应的RGB色彩特征滤过函数。
环境光修正模块203，被配置为对所述矿石图像的亮度进行环境光修正处理以将所述矿石图像统一至标准型采样亮度。
图像滤过模块204，被配置为对环境光修正后的所述矿石图像进行滤过处理以将所述矿石从背景以及矿石之间的间隙中割离。
在一些实施例中，所述RGB色彩特征滤过函数表示为;其中Ai为矿石所 属的色彩特征类，“1”对应的是矿石图片的像素位置，保持原像素位置不变；K为与R红，G绿， B蓝分别对应的滤过因子。
在一些实施例中，所述环境光修正模块203被进一步配置为根据RGB函数对所述矿石图像的亮度进行环境光修正处理；
其中，修正前的矿石图像RGB函数Mo表示为；为x像素点的R红，G绿，B蓝分别对应对的亮度值；x=（i, j）为像素位 置，定义域由矿石图像的所有像素位置组成；
其中，修正后的矿石图像RGB函数Mt表示为：；
其中，；α为增益修正数，γ为偏差修正数；α与γ的值通过矿石图像与标准环境光图像对比动态获得。
在一些实施例中，所述图像滤过模块204被进一步配置为：
设矿石图像的矿石像素函数为，非矿石像素函数为矿石像素函数的补函数；x=（i, j）为像素位置，M=（u, v, w）为矿石图像的RGB亮度值；
其中，；
经过非矿石像素函数计算，非矿石像素均被置值1，显示为白色；矿石像素为非矿石像素的补集，剔除经滤过处理后的非矿石像素，从而获得矿石像素函数结果。
在一些实施例中，参考图6所示，所述装置还包括：图像后处理模块205，被配置为对滤过处理后的所述矿石图像进行包括灰度化、二值化、膨胀、腐蚀中的一种或多种处理操作以获得矿石轮廓。
参考图7所示，本发明其中一方面提供了本发明其中一方面提供了一种基于色彩特征滤过的矿石图像识别装置，包括：包括存储器301和处理器302，所述存储器301用于存储计算机程序，所述处理器302用于调用所述计算机程序，以执行本发明实施例提供的一种基于色彩特征滤过的矿石图像识别方法的相应步骤。
参考图8所示，本发明其中一方面提供了提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，执行本发明实施例提供的一种基于色彩特征滤过的矿石图像识别方法的相应步骤。
计算机可读存储介质包括用于在计算设备上执行计算机进程的计算机程序。在一些实施例中，计算机可读存储介质是使用信号承载介质401来提供的。所述信号承载介质401可以包括一个或多个程序指令，其当被一个或多个处理器运行时可以提供以上针对图1-2描述的功能或者部分功能。因此，例如，一种基于色彩特征滤过的矿石图像识别方法中的一个或多个特征可以由与信号承载介质401相关联的一个或多个指令来承担。此外，图8中的程序指令也描述示例指令。在一些示例中，信号承载介质401可以包含计算机可读介质402，诸如但不限于，硬盘驱动器、紧密盘(CD)、数字视频光盘(DVD)、数字磁带、存储器、只读存储记忆体(read-onlymemory，ROM)或随机存储记忆体(randomaccessmemory，RAM)等等。
在一些实施方式中，信号承载介质401可以包含计算机可记录介质403，诸如但不限于，存储器、读/写(R/W)CD、R/WDVD、等等。
在一些实施方式中，信号承载介质401可以包含通信介质404，诸如但不限于，数字和/或模拟通信介质(例如，光纤电缆、波导、有线通信链路、无线通信链路、等等)。
信号承载介质401可以由无线形式的通信介质404(例如，遵守IEEE802.11标准或者其它传输协议的无线通信介质)来传达。一个或多个程序指令可以是，例如，计算机可执行指令或者逻辑实施指令。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于色彩特征滤过的矿石图像识别方法，其特征在于，所述方法包括：
根据预先建立的矿石色彩特征信息库对待识别的矿石图像中的矿石进行矿石定义，以定义出所述矿石所属的色彩特征类；
根据所述矿石定义结果确定与所述矿石相应的RGB色彩特征滤过函数；
对所述矿石图像的亮度进行环境光修正处理以将所述矿石图像统一至标准型采样亮度；以及
对环境光修正后的所述矿石图像进行滤过处理以将所述矿石从背景以及矿石之间的间隙中割离。
2.根据权利要求1所述的矿石图像识别方法，其特征在于，所述RGB色彩特征滤过函数 表示为 ;其中Ai为矿石所属的色彩特征类，“1”对应的是矿石图片的像素位置， 保持原像素位置不变；K为与R红，G绿，B蓝分别对应的滤过因子。
3.根据权利要求2所述的矿石图像识别方法，其特征在于，对所述矿石图像的亮度进行环境光修正处理，包括：
根据RGB函数对所述矿石图像的亮度进行环境光修正处理；
其中，修正前的矿石图像RGB函数Mo表示为；为x像素点的R红，G绿，B蓝分别对应的亮度值；x=（i, j）为像素位 置，定义域由矿石图像的所有像素位置组成；
其中，修正后的矿石图像RGB函数Mt表示为：；
其中，；α为增益修正数，γ为偏差修正数；α与γ的值通过矿石图像与标准环境光图像对比动态获得。
4.根据权利要求3所述的矿石图像识别方法，其特征在于，对环境光修正后的所述矿石图像进行滤过处理，包括：
设矿石图像的矿石像素函数为，非矿石像素函数为矿石像素函数的补函数；x=（i,j）为像素位置，M=（u,v,w）为矿石图像的RGB亮度值；
其中，；
经过非矿石像素函数计算，非矿石像素均被置值1，显示为白色；矿石像素为非矿石像素的补集，剔除经滤过处理后的非矿石像素，从而获得矿石像素函数结果。
5.根据权利要求1-4任一项所述的矿石图像识别方法，其特征在于，所述方法还包括：
对滤过处理后的所述矿石图像进行包括灰度化、二值化、膨胀、腐蚀中的一种或多种处理操作以获得矿石轮廓。
6.一种基于色彩特征滤过的矿石图像识别装置，其特征在于，所述装置包括：
矿石定义模块，被配置为根据预先建立的矿石色彩特征信息库对待识别的矿石图像中的矿石进行矿石定义，以定义出所述矿石所属的色彩特征类；
RGB色彩特征滤过函数确定模块，被配置为根据所述矿石定义结果确定与所述矿石相应的RGB色彩特征滤过函数；
环境光修正模块，被配置为对所述矿石图像的亮度进行环境光修正处理以将所述矿石图像统一至标准型采样亮度；以及
图像滤过模块，被配置为对环境光修正后的所述矿石图像进行滤过处理以将所述矿石从背景以及矿石之间的间隙中割离。
7.根据权利要求6所述的矿石图像识别装置，其特征在于，所述RGB色彩特征滤过函数 表示为;其中Ai为矿石所属的色彩特征类，“1”对应的是矿石图片的像素位置，保 持原像素位置不变；K为与R红，G绿，B蓝分别对应的滤过因子。
8.根据权利要求7所述的矿石图像识别装置，其特征在于，所述环境光修正模块被进一步配置为根据RGB函数对所述矿石图像的亮度进行环境光修正处理；
其中，修正前的矿石图像RGB函数Mo表示为；为x像素点的R红，G绿，B蓝分别对应的亮度值；x=（i, j）为像素位 置，定义域由矿石图像的所有像素位置组成；
其中，修正后的矿石图像RGB函数Mt表示为：；
其中，；α为增益修正数，γ为偏差修正数；α与γ的值通过矿石图像与标准环境光图像对比动态获得。
9.根据权利要求7所述的矿石图像识别装置，其特征在于，所述图像滤过模块被进一步配置为：
设矿石图像的矿石像素函数为，非矿石像素函数为矿石像素函数的补函数；x=（i,j）为像素位置，M=（u,v,w）为矿石图像的RGB亮度值；
其中，；
经过非矿石像素函数计算，非矿石像素均被置值1，显示为白色；矿石像素为非矿石像素的补集，剔除经滤过处理后的非矿石像素，从而获得矿石像素函数结果。
10.根据权利要求6-9任一项所述的矿石图像识别装置，其特征在于，所述装置还包括：
图像后处理模块，被配置为对滤过处理后的所述矿石图像进行包括灰度化、二值化、膨胀、腐蚀中的一种或多种处理操作以获得矿石轮廓。
CN202211646698.5A 2022-12-21 2022-12-21 一种基于色彩特征滤过的矿石图像识别方法及其装置 Active CN116229108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211646698.5A CN116229108B (zh) 2022-12-21 2022-12-21 一种基于色彩特征滤过的矿石图像识别方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211646698.5A CN116229108B (zh) 2022-12-21 2022-12-21 一种基于色彩特征滤过的矿石图像识别方法及其装置

Publications (2)

Publication Number Publication Date
CN116229108A CN116229108A (zh) 2023-06-06
CN116229108B true CN116229108B (zh) 2024-09-27

Family

ID=86579425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211646698.5A Active CN116229108B (zh) 2022-12-21 2022-12-21 一种基于色彩特征滤过的矿石图像识别方法及其装置

Country Status (1)

Country Link
CN (1) CN116229108B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108051440A (zh) * 2017-11-29 2018-05-18 赣州好朋友科技有限公司 一种矿石自动光学识别方法
CN112580659A (zh) * 2020-11-10 2021-03-30 湘潭大学 一种基于机器视觉的矿石识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201510652D0 (en) * 2015-06-17 2015-07-29 Beers Uk De Ltd Colour measurement of gemstones
CN113591583A (zh) * 2021-06-30 2021-11-02 沈阳科来沃电气技术有限公司 一种智能硼矿选矿系统及方法
CN113673625B (zh) * 2021-09-01 2024-06-28 科睿特新技术(深圳)有限公司 一种矿物的分选方法、装置、电子设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108051440A (zh) * 2017-11-29 2018-05-18 赣州好朋友科技有限公司 一种矿石自动光学识别方法
CN112580659A (zh) * 2020-11-10 2021-03-30 湘潭大学 一种基于机器视觉的矿石识别方法

Also Published As

Publication number Publication date
CN116229108A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
US10559067B2 (en) Removal of shadows from document images while preserving fidelity of image contents
CN115760884B (zh) 基于图像处理的半挂车表面焊渣优化分割方法
CN111415363A (zh) 一种图像边缘识别方法
CN107507142B (zh) 信号灯图像处理方法
CN115631117B (zh) 缺陷检测用的图像增强方法、装置、检测系统及存储介质
JP2006318474A (ja) 画像シーケンス内のオブジェクトを追跡するための方法及び装置
US20060251322A1 (en) Color fringe desaturation for electronic imagers
CN112911174A (zh) 图像坏点簇校正方法、计算机装置及计算机可读存储介质
CN113785181A (zh) Oled屏幕点缺陷判定方法、装置、存储介质及电子设备
US8300929B2 (en) Automatic red-eye object classification in digital photographic images
CN111583258A (zh) 缺陷检测方法、装置、系统及存储介质
US20110158511A1 (en) Method and apparatus for filtering red and/or golden eye artifacts
JPH11298736A (ja) 画像処理方法、画像処理プログラムが記録された可読記録媒体及び画像処理装置
CN111723805A (zh) 一种信号灯的前景区域识别方法及相关装置
CN107038690B (zh) 一种基于多特征融合的运动阴影去除方法
CN116229108B (zh) 一种基于色彩特征滤过的矿石图像识别方法及其装置
CN118015029A (zh) 极耳的角点的检测方法、装置及存储介质
CN112150544A (zh) 吊钩到位检测方法、装置和计算机可读介质
CN112419187A (zh) 一种图像处理方法、装置及设备
CN112052726A (zh) 图像处理方法及装置
CN111667509A (zh) 目标与背景颜色相似下的运动目标自动跟踪方法及系统
CN108109120B (zh) 一种点阵二维码的光照补偿方法及装置
JP2001209808A (ja) 物体抽出システムと方法並びに物体抽出用プログラムを記憶した記憶媒体
CN114693573A (zh) 一种基于高低频的实时祛斑祛痘方法、装置、设备、介质
JP4869323B2 (ja) 画像処理装置及び画像処理方法

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