分别是均值为 零、方差为σ 2的高斯白噪声，用于模拟含噪目标轮廓中的加性噪声；
[0050]
:对含噪轮廓进行平滑，命名为Κ滤波器，经过轮廓点分类 和区域划分，含噪轮廓GN(t) '表示为不同类型轮廓分段的组合：GN(t)' =? Gf (t) + S G严⑴， 其中Gf (t)表示包含特征区域的轮廓分段，GfF (t):表示包含非特征区域的轮廓分段，根 据轮廓特征分布选取K滤波器的参数，同时考虑全局特征和局部特征因素，在特征区域，为 了保留细节信息，令Χσ〇,在非特征区域，关注抑制噪声的效果，令 σ > max(V,|I() X 〇())，其中(/为先验估算得到的全局方差，〇1为所选特征区域的先验估算 方差，σ〇为所选非特征区域的先验估算方差，Pi:为所选特征区域的平均实时曲率修正系数， Ρα:为所选非特征区域的平均实时曲率修正系数;为了达到较好的平滑效果，选取每种类型 区域最小长度S的一半作为Κ滤波器85%置信区间的长度，从而根据两类区域的长度自适应 不同参数的Κ滤波器。
[0051 ] 在此实施例中，S = 19，阈值h = 0.24，窗函数宽度D e {1 〇，12}，对噪声强度I e {20dB，30dB}的含噪图像有较好的平滑效果，垃圾分类处理装置通过目标轮廓识别目标，识 别过程中能有效滤除目标轮廓噪声，与手工作业相比，垃圾的分类速度提高了92%，对垃圾 的正确分类也达到了 90 %以上。
[0052]实施例3: -种具有快速分类功能的垃圾分类处理装置，包括普通垃圾分类处理装 置和安装在垃圾分类处理装置上的目标识别装置，该垃圾分类处理装置具有很强的垃圾分 类处理能力，垃圾分类处理装置通过目标轮廓识别目标，识别过程中能有效滤除目标轮廓 噪声，从而根据轮廓对垃圾种类做出正确识别，其特征是，包括建模模块、分段模块、合并模 块和滤波t吴块；
[0053] 建模模块，用于建立目标轮廓的参数化方程:对于给定的目标轮廓G(t)，其弧长参 数化方程表示为G(t) = (x(t)，y(t))，其中x(t)和y(t)分别表示轮廓点的坐标，t表示轮廓 曲线方程的参数，且te[0，i];
[0054] 含噪轮廓的弧长参数化方程表示为AWOiGUHNKO+NdOGU)，其中加性噪 声部分Ni(t)=Ni(xi(t)，yi(t))，乘性噪声部分N2(t)=N2(X2(t)，y2(t));
[0055] 分段模块，用于对轮廓的分段：目标轮廓G(t)和含噪轮廓GN(t)所对应的曲率分别 为k(t)和k N(t);由于受到噪声的影响，含噪轮廓GN(t)上部分特征点的曲率值kN(t)不能准 确表示轮廓信息，为了得到准确的曲率，选宽度为De {13,14}的窗函数W(n)，对曲率kN(t) 进行邻域平均，得到平均曲率kiN(t)，同时对窗口内的曲率值排序，选定中值曲率k2N(t)，将 平均曲率k 1N⑴和中值曲率k2N⑴差的绝对值与选定的阈值1^ = 0.26进行比较，根据比较结 果决定含噪轮廓曲率k'UhBP:
[0056] 当 | kiN(t)_k2N(t) | >Τι时，k' N(t) =kiN(t)
[0057] 否则，k'N(t) =k2N(t);
[0058] 由于曲率值较大的轮廓点通常反映了目标的显著特征，根据k'U)将轮廓中所有 轮廓点划分为特征点或非特征点，设定可变权值Τκ，通过判断目标轮廓特征多少，自适应的 决定Τκ，
[0059] 当 | k7 N(t) |〈TK*max | k7 N(t) | 时，特征函数 f(t) =0
[0060] 否则，特征函数f(t) = 1;
[0061] 分类后所得到的特征点和非特征点的分布并不连续，无法选取滤波器对其进行有 效的轮廓平滑。为了得到较好的轮廓平滑效果，有必要对同类型的轮廓点进行合并处理。
[0062] 合并模块：用于剔除由于噪声干扰产生的伪特征点，以及对无法形成连续区域的 特征点和非特征点进行合并操作，从而得到有效的特征区域与非特征区域:选定一个起始 点〇,轮廓起始点向两侧延伸合并相邻的点，以该起始点类型作为该区域预设类型，向两侧 延伸各S X μ〇时停止，其中S为预设的最小长度，在此实施例中S = 21:
为〇点处的实时曲率修正系数，
代表0点的曲率半径，
；代表由上述窗函数得到的0 点的平均曲率半径，实时曲率修正系数用于根据不同点的曲率不同，自动修正延伸长度， 曲率大的地方需要的长度小些，曲率小的地方需要的长度大些，这样能有效减小合并后的 失真现象;分别计算两侧区域内相异点的个数Ν+1和Ν-1，若相异点的个数小于设定的该类 型相异点最小个数，则该区域与预设类型相同，否则，与预设类型相反;再以两个停止点〇 +1 和点0-1作为起始点重新开始计算，向外侧延伸时停止，其中 代表点〇+1和点Ο-i处的实时曲率修正系数，〇 +1两侧区域内相异点个数为Ν+2,0^两侧区域内 相异点个数为Ν-2,根据上述判定条件，依次确定各段轮廓类型，长度不足S的部分根据其与S 的比例计算相异点个数，计入相应的特征区域;对相邻的同类型区域进行合并，得到连续的 特征区域和非特征区域。
[0063]滤波模块:乘性噪声由于和图像信号是相关的，随图像信号的变化而变化，采用维 纳滤波来进行一级滤除，此时图像信息还包含有残余乘性噪音，通过F滤波器F(x，y)=qX exp(_(x2+y 2)/P2进行二级滤除，其中q是将函数归一化的系数，即：JJqXexp(-(x2+y 2)/P2) dxdy = l，β为图像模板参数；
[0064]乘性噪声滤除后，含噪目标轮廓的弧长参数化方程表示为6〃(丨）'=6(〇+见(〇;假 设加性噪声为高斯白噪声:XN(t) ' = X(t)+gi(t，〇2)，yN(t) ' =y(t)+g2(t，〇2)，其中xN(t) ' 和 yN(t)'分别表示去除乘性噪声后含噪轮廓上各点坐标，gl(t，〇 2)和g2(t，〇2)分别是均值为 零、方差为σ 2的高斯白噪声，用于模拟含噪目标轮廓中的加性噪声；
[0065]
:对含噪轮廓进行平滑，命名为K滤波器，经过轮廓点分类 和区域划分，含噪轮廓GN(t) '表示为不同类型轮廓分段的组合:GN(t)' ⑴+ Σ? GfF⑴， 其中Gf (t)表示包含特征区域的轮廓分段，(t)表示包含非特征区域的轮廓分段，根据 轮廓特征分布选取K滤波器的参数，同时考虑全局特征和局部特征因素，在特征区域，为了 保留细节信息，令σ S pi X σι ) :，在非特征区域，关注抑制噪声的效果，令 _σ > _m.ax.(a'，j!() X au)·其中σ'为先验估算得到的全局方差，〇ι为所选特征区域的先验估算 方差，σ〇为所选非特征区域的先验估算方差，Pl·为所选特征区域的平均实时曲率修正系数， Po为所选非特征区域的平均实时曲率修正系数;为了达到较好的平滑效果，选取每种类型 区域最小长度S的一半作为K滤波器85%置信区间的长度，从而根据两类区域的长度自适应 不同参数的K滤波器。
[0066] 在此实施例中，S = 21，阈值h = 0.26，窗函数宽度D e {13，14}，对噪声强度I e {30dB，40dB}的含噪图像有较好的平滑效果，计算量和细节信息保留情况均在可接受区间 内且取得较佳的平衡，垃圾分类处理装置通过目标轮廓识别目标，识别过程中能有效滤除 目标轮廓噪声，与手工作业相比，垃圾的分类速度提高了93%，对垃圾的正确分类也达到了 90%以上。
[0067]实施例4: 一种具有快速分类功能的垃圾分类处理装置，包括普通垃圾分类处理装 置和安装在垃圾分类处理装置上的目标识别装置，该垃圾分类处理装置具有很强的垃圾分 类处理能力，垃圾分类处理装置通过目标轮廓识别目标，识别过程中能有效滤除目标轮廓 噪声，从而根据轮廓对垃圾种类做出正确识别，其特征是，包括建模模块、分段模块、合并模 块和滤波t吴块；
[0068] 建模模块，用于建立目标轮廓的参数化方程:对于给定的目标轮廓G(t)，其弧长参 数化方程表示为G(t) = (x(t)，y(t))，其中x(t)和y(t)分别表示轮廓点的坐标，t表示轮廓 曲线方程的参数，且te[0，i];
[0069] 含噪轮廓的弧长参数化方程表示为AWOiGUHNKO+NdOGU)，其中加性噪 声部分Ni(t)=Ni(xi(t)，yi(t))，乘性噪声部分N2(t)=N2(X2(t)，y2(t));
[0070] 分段模块，用于对轮廓的分段：目标轮廓G(t)和含噪轮廓GN(t)所对应的曲率分别 为k(t)和k N(t);由于受到噪声的影响，含噪轮廓GN(t)上部分特征点的曲率值kN(t)不能准 确表示轮廓信息，为