针对高空云梯车作业图像特点， 分块纹理特征识别及分割的料堆轮廓实时检测方案， 珠海高空云梯车出租, 珠海高空云梯车租赁, 珠海高空云梯车多少钱一天    降质料堆图像预处理方法分析由于作业环境中烟尘及光照等因素，所采集高空云梯车图像通常不能获得理想的成像效果，料堆部分会出现光照分布不均或亮度偏低等现象，对后续纹理特征提取及识别造成一定影响。 烟尘遮挡、料堆曲面形态及光照条件使得实际作业图像与试验图像中料堆部分亮度及对比度出现不均匀分布现象，试验图像中料堆部分的动态范围较小而图像整体动态范围较大，此类图像降质一般都认由光照不均引起。 常用的光照不均图像增强方法，这些方法大致分基于全局与基于局部的处理方法，由于高空云梯车图像中料堆部分是识别及分割的主要对象，而对其他背景物体的处理效果没有严格要求，因此预处理目标是得到均匀且显著的料堆颗粒纹理图像，并且所提预处理算法应能够在连续图像帧中得到一致的处理结果——即各帧处理后所得料堆纹理图像应具有近似的亮度及对比度，同时算法还应均衡考虑实时性要求。以下针对高空云梯车图像特点及处理要求对现有处理算法进行分析及试验研究，给出适合于装车图像预处理方法。 高空云梯车实际作业图像及试验图像全局处理方法主要包括基于光照-反射模型的方法及梯度域处理方法，此类算法同时处理图像中所有像素点且过程都比较复杂，如：同态滤波主要涉及变换域处理及滤波器设计，Retinex方法中准确合理的光照分量模型往往也要通过复杂的计算得到，而梯度域处理方法则需对均衡后的梯度图像进行大量数值计算来重建亮度图像。全局处理方法本质上都是削弱图像低频分量来压缩图像整体动态范围，同时强化高频成分来提高局部对比度，并且这些方法需针对图像特点来设计参数以取得最佳的处理效果。然而，不同背景场景及光照条件下高空云梯车原始图像所具有的动态范围、局部对比度及频率成分都不完全相同，使得全局增强法处理后图像整体动态范围仍会存在较大差别，还需将图像动态范围做统一调整以使不同帧中料堆纹理获得一致的亮度及对比度。以同态滤波例， 一定程度上说明了该问题。

     珠海高空云梯车出租, 珠海高空云梯车租赁, 珠海高空云梯车多少钱一天 http://www.zhaoqingludengchechuzu.com/  

      在相同参数下的同态滤波处理结果，处理后图像动态范围均得到了压缩且局部对比度更加显著，但由于原始场景的亮度分布不同，使得处理后料堆部分的动态范围仍然有很大差距，图4.2c与4.2d进一步的全局直方图均衡化处理结果，直方图均衡化将两图像灰度范围均拉伸至255,0，此时可得到一致、均匀且较显著的料堆颗粒纹理图像，但上述处理过程较复杂。 均衡化是光照不均图像增强中最常用的局部处理方法，与上述全局增强方法相比计算复杂度相对较低，其中子块不重叠处理具有最小的计算量，但缺点是会产生块效应，其直接原因是相邻子块直方图累积函数的形态差异过大，典型情况如亮度分布较平滑子块与亮度方差较大子块的交界位置像素点在均衡化过程中会被映射差别较大的像素值，对此常用方法是采用子块重叠处理来弱化块效应。以下先来分析降质高空云梯车图像的不重叠子块直方图均衡化过程：对于料堆部分的图像来说，当子块尺寸较小时块内各部分纹理的亮度及对比度可认近似相同，均衡化后子块内与相邻子块间的纹理能够取得较一致的拉伸效果，而当子块尺寸较大时块内整体动态范围大于纹理结构的对比度，就会使均衡化后相邻子块交界位置像素亮度得到相反的增强从而产生块效应。因此，可采用尺寸较小的不重叠子块来对高空云梯车图像进行直方图均衡化，这样处理后其他区域及料堆轮廓与背景交界位置的子块仍可能出现块效应，但块效应形成的纹理与料堆纹理有一定区别，不会对后续的子块识别造成太大影响，所以不必采用重叠子块的处理方法。均衡化处理结果，正方形子块边长分别40、30、20和10像素。可以看到，随着子块尺寸减小块效应逐渐消失，且对轻微烟尘遮挡也有较好的消除作用，进一步分析可知，对于颗粒状纹理来说只要子块尺寸大于纹理基元即可得到较理想的处理效果。另外需注意的是，当子块尺寸较小时背景部分块效应形成的纹理与料堆纹理较相似，其原因是灰度分布平滑的背景子块中像素值均衡化后而产生颗粒状效果，但由于实际中只需保证料堆部分得到均匀一致的纹理图像，因此可以不处理这些平滑子块，从而一定程度上避免了大量的纹理近似现象。

     均衡化处理结果类似的，局部二值化用于光照不均图像处理时也存在块效应现象，对于降质料堆图像来说块效应的成因与直方图均衡化过程相似：当块内光照不均程度较大时，自适应阈值通常处于部分纹理的动态范围之外，因此也应选取较小的子块尺寸来保证料堆部分得到均匀一致的处理效果。 子块边长取10像素时实际作业图像与试验图像的二值化处理结果，其中各子块的阈值取子块平均亮度，且仅对平均梯度较大的子块进行处理以避免背景中出大量现颗粒状纹理。可以看到，由于亮度渐变的散料颗粒图像具有较均匀的直方图分布，使得均值阈值下即可得到较显著的颗粒纹理结构，不同场景下的处理结果较一致，且与直方图均衡化或OTSU等经典自适应阈值相比具有很小的计算量。另一方面，按照平均梯度对子块进行筛选也可看作对原始图像的预分割处理，由于亮度分布平滑子块通常不会包含料堆图像，因此其像素点可被直接设置0，这些子块不需要参与后续的特征提取与识别，一定程度上减小了算法计算量。综合考虑各算法的处理效果及料堆轮廓检测的实时性要求，本文选取不重叠子块局部二值化作降质高空云梯车图像的预处理方法。 SVM是一种基于统计学习理论的分类方法，本文用于对高空云梯车图像子块进行特征分类识别，识别后可得到料堆与背景的二分类标号结果，本节主要介绍SVM分类模型基本原理。SVM的基本思想是通过定义几何间距及其最大化来寻找最优分类超平面，以使部分样本点尽量远离该分类面，而不是在所有样本点上达到最优。首先来看二维平面线性可分样本点的情况：4.5a，二维平面上分布着若干不同坐标的点，坐标两轴分别表示样本两个维度上的特征，图中蓝色和红色直线表示所得的两种分类面结果，分类面两侧样本点具有不同的标记，可以看到其中点A离分类面较远，具有显著的类别属性，而点B和点C离分类面较近，SVM模型的目标就是使最终获得的分类面与B、C类样本点具有尽量大的距离，在该思想下红色直线所表示的分类面就相对优于蓝色直线分类面，这样能够取得更小的错误分类概率。说明了SVM对新样本点的分类过程，即新样本向量与训练集中所有样本进行内积运算，根据结果大于0或小于0来判断新样本属于正例还是负例。值得注意的是，根据KKT条件可知在两条间隔线外的样本点对应的i0，离群样本点对应的iC,而位于间隔线上的样本点i在上，因此实际上新样本只需要和这些在间隔线上的训练样本做内积即可，这些训练样本即所谓的支撑向量。图4.6SVM模型结果示意图另外，上述SVM模型能够解决样本特征线性可分的分类问题，但实际中的样本特征往往是线性不可分的，常用方法是将特征空间映射到更高维度来使训练样本特征变得线性可分，然而映射后的特征维数会大幅增加并导致中内积计算量变得非常大，对此SVM模型中运用了核函数技术来避免高维特征空间的计算，该过程可表示Kzxzx，其中特征映射函数，K核函数，最常用的高斯核函数形式exp2zx。通过以上介绍可知，SVM分类器具有较好的鲁棒性，即增减非支撑向量样本时对模型结果不会造成影响，并且其分类计算复杂度也仅取决于支撑向量个数而与训练样本总数关系不大。但是，训练样本及模型参数的选取对最终模型也有一定的影响，离群点权重C及高斯核函数中选取不当、训练样本正负例个数或取值范围不对称等情况都可能导致模型过度拟合或拟合不足，实际应用中一般对训练样本进行归一化及交叉验证来得出较合适的C与以改善上述情况。