一种基于大数据算法的微观目标检测方法与流程

1.本发明涉及微观目标检测技术领域，具体为一种基于大数据算法的微观目标检测方法。


背景技术：

2.目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中，需要对多个目标进行实时处理时，目标自动提取和识别就显得特别重要。随着计算机技术的发展和计算机视觉原理的广泛应用，利用计算机图像处理技术对目标进行实时跟踪研究越来越热门，对目标进行动态实时跟踪定位在智能化交通系统、智能监控系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。
3.目前针对微观目标的检测手段单一，检测时仅仅检测其图像特征，而微观图像的特征具有重复性，影响其检测精确，因此，有必要进行改进。


技术实现要素：

4.本发明的目的在于提供一种基于大数据算法的微观目标检测方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种基于大数据算法的微观目标检测方法，包括以下步骤：
6.a、首先采集微观目标图像；
7.b、对采集的图像进行预处理；
8.c、对预处理后的图像进行分割；
9.d、对分割后的图像进行特征提取；
10.e、之后对特征提取的图像进行无失真放大；
11.f、将放大后的图像传输至图像数据库中进行比较；
12.g、输出检测结果。
13.优选的，所述步骤a中微观目标图像通过高清摄像头进行多次采集。
14.优选的，所述步骤b中图像预处理方法如下：
15.a、将输出的图像的像素根据亮度值分成若干个图层，每个图层的亮度均不同，并将每个图层按亮度值，由低到高进行排列，且每一图层中的图像的边界都是由闭合曲线构成；
16.b、对于亮度最低的图层以及亮度最大的图层，先单独进行直方图均衡化处理，再去除背景噪声，最后进行噪点去除；
17.c、将处于最低亮度和最高亮度中间的图层先去除噪点，再去除背景噪声，最后进行直方图均衡化处理；
18.d、最后将处理过后的所有图层合并为一幅图像增强后的图像。
19.优选的，所述步骤c中图像分割方法如下：
20.a、将图像输入到分割神经网络中，对神经网络进行训练，直到神经网络的模型收敛；
21.b、将需要进行分割的图像输入到完成训练的神经网络中，得到图像区域的双圆边界信息和二值掩码图；
22.c、根据得到的双圆边界信息和二值掩码图完成图像的分割。
23.优选的，所述神经网络采用mask r-cnn神经网络。
24.优选的，所述步骤d中特征提取方法如下：
25.a、将图像区域换到ihs色彩空间中图像的简约双四元数矩阵；
26.b、获取预设的多通道滤波器函数矩阵；
27.c、查找多通道滤波器函数矩阵中邻接差值小于差值阈值的像素坐标，根据查找到的像素坐标生成图像特征。
28.优选的，所述步骤e中图像放大采用csdn图像无损放大器进行放大。
29.优选的，所述步骤f中比较时将特征提取后的图像合成后进行比较。
30.优选的，所述步骤f中比较图像是否有异常特征。
31.优选的，所述步骤g中输出的结果包括图像的异常区域、与正常图像的偏差率。
32.与现有技术相比，本发明的有益效果是：本发明采用的技术方案先对采集的图像进行预处理，之后对预处理后的图像进行分割，分割成多个不同的图像，再对每个图像进行特征提取后，最后对特征提取后的图像进行检测，该检测方法能够实现对微观目标进行快速检测，检测精确度高，检测时间短，降低了检测成本；其中，采用的图像预处理方法降低了图像的全局亮度差异，增强了图像对比度，有效的抑制了噪声，进一步提高了图像的清晰度，进一步提高检测精确度。
附图说明
33.图1为本发明流程图。
具体实施方式
34.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
35.请参阅图1，本发明提供如下技术方案：一种基于大数据算法的微观目标检测方法，包括以下步骤：
36.a、首先采集微观目标图像；
37.b、对采集的图像进行预处理；
38.c、对预处理后的图像进行分割；
39.d、对分割后的图像进行特征提取；
40.e、之后对特征提取的图像进行无失真放大；
41.f、将放大后的图像传输至图像数据库中进行比较；
42.g、输出检测结果。
43.本发明中，步骤a中微观目标图像通过高清摄像头进行多次采集。
44.本发明中，步骤b中图像预处理方法如下：
45.a、将输出的图像的像素根据亮度值分成若干个图层，每个图层的亮度均不同，并将每个图层按亮度值，由低到高进行排列，且每一图层中的图像的边界都是由闭合曲线构成；
46.b、对于亮度最低的图层以及亮度最大的图层，先单独进行直方图均衡化处理，再去除背景噪声，最后进行噪点去除；
47.c、将处于最低亮度和最高亮度中间的图层先去除噪点，再去除背景噪声，最后进行直方图均衡化处理；
48.d、最后将处理过后的所有图层合并为一幅图像增强后的图像。
49.本发明中，步骤c中图像分割方法如下：
50.a、将图像输入到分割神经网络中，对神经网络进行训练，直到神经网络的模型收敛；
51.b、将需要进行分割的图像输入到完成训练的神经网络中，得到图像区域的双圆边界信息和二值掩码图；
52.c、根据得到的双圆边界信息和二值掩码图完成图像的分割。
53.本发明中，神经网络采用mask r-cnn神经网络。
54.本发明中，步骤d中特征提取方法如下：
55.a、将图像区域换到ihs色彩空间中图像的简约双四元数矩阵；
56.b、获取预设的多通道滤波器函数矩阵；
57.c、查找多通道滤波器函数矩阵中邻接差值小于差值阈值的像素坐标，根据查找到的像素坐标生成图像特征。
58.本发明中，步骤e中图像放大采用csdn图像无损放大器进行放大。
59.本发明中，步骤f中比较时将特征提取后的图像合成后进行比较，步骤f中比较图像是否有异常特征。
60.本发明中，步骤g中输出的结果包括图像的异常区域、与正常图像的偏差率。
61.综上所述，本发明采用的检测方法能够实现对微观目标进行快速检测，检测精确度高，检测时间短，降低了检测成本；其中，采用的图像预处理方法降低了图像的全局亮度差异，增强了图像对比度，有效的抑制了噪声，进一步提高了图像的清晰度，进一步提高检测精确度。
62.需要说明的是，在本文中，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
63.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权
利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。