[发明专利]一种基于局部特征和聚类算法的虾品图像分类方法及系统

说明书

本发明提供了一种基于局部特征和聚类算法的虾品图像分类方法及系统，包括如下步骤：S₁:对每幅训练图像采用融合预匹配、轨迹规划补偿、图像匹配滤波降噪、非线性尺度空间特征点描述与匹配方法进行定位和特征提取，全面捕捉虾品目标移动对象姿态的特征信息；S₂:初始化设置，使用层次K‑means聚类算法对虾品移动姿态特征表示进行聚类分析；S₃:使用三种基于不同特征的图像分割方法，得到三个权值向量，再通过加权求和的方式得到三个融合聚类结果；S₄:把三个融合聚类结果整合在一起生成最终的集成聚类结果。本发明通过基于融合预匹配、轨迹规划补偿、图像匹配滤波降噪、非线性尺度空间特征点描述与匹配方法进行小龙虾虾品深度学习训练，获得虾品图像的分类。

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于局部特征和聚类算法的虾品图像分类方法及系统。

背景技术

目前，小龙虾加工企业正逐步采取一种自动化分离设备，以智能化的分离设备来代替人工，从而减小去头作业中小龙虾体污染、品质和安全性问题，同时增加作业效率、减少小龙虾生产成本。在这加工过程中，视觉识别装置起到了关键的作用。

由于这种流水线主要利用机器视觉学习技术，产生了大量爆炸式增长的数字图像，对这些数字图像进行归类、管理的需求也日益增长，而面对大量的图像数据，人工进行分拣归类是非常费时费力的，而图像的聚类技术可以在一定程度上缓解这个问题。图像聚类技术可以将杂乱无章的大量图像分为多个类别，属于同一类别的图像在特定意义下彼此之间是相似的，而属于不同类别的图像彼此之间相似度则是很低的，得益于图像聚类技术，人们可以方便地对大量的图像数据进行管理。

目前，针对小龙虾品在产线上的姿态图像分类，还没有很好的特征提取方法用于聚类与聚类分析，现有方法中有许多只站在灰度梯度特征的角度考虑问题，而忽略了小龙虾形态等自身局部特征，因而现有技术还有待改进和提高。

发明内容

为了克服现有技术的不足，本发明提供一种基于局部特征和聚类算法的虾品图像分类方法及系统，它能够对小龙虾的机器视觉学习训练图像进行快速准确分类，从而快递对龙虾定位，便于自动区分识别虾头和虾尾，为后续进行头尾分离作业提供定位支撑。

为解决上述问题，本发明提供一种基于局部特征和聚类算法的虾品图像分类方法，包括如下步骤：

S₁:对每幅训练图像采用融合预匹配、轨迹规划补偿、图像匹配滤波降噪、非线性尺度空间特征点描述与匹配方法进行定位和特征提取，全面捕捉虾品目标移动对象姿态的特征信息，还原虾品姿态的动态特性与时间上的关联性；

S₂:初始化设置，使用层次K-means聚类算法对虾品移动姿态特征表示进行聚类分析；

S₃:使用三种基于不同特征的图像分割方法，对多个初始聚类结果的质量进行量化，并得到三个权值向量，再通过加权求和的方式得到三个融合聚类结果；

S₄:把三个融合聚类结果整合在一起生成最终的集成聚类结果。

进一步的，在步骤S₁中，所述融合预匹配具体包括以下步骤：

在视频跟踪虾品目标过程中，根据运动学原理和虾品移动目标自身的运动规律，建立虾品移动姿态模型；

对目标位置的变化进行预测，以预测结果作为对下一帧目标的搜索中心；

自适应地调整目标搜索范围，准确定位视频图像位置。

进一步的，在步骤S₁中，所述轨迹规划补偿具体包括以下步骤：根据所述虾品移动姿态模型，判断出虾品轮廓轨迹偏离，并通过视觉伺服控制进行虾品轮廓偏差补偿。