文档介绍：基于大数据的图像识别技术在粮食监管中的应用研究
摘 要:针对当前粮食监管中存在的安全性、方便性以及成本等问题,利用图像识别技术在大数据的环境下研究了一种粮食图像识别技术,将图像识别技术应用到了粮食监管中,实现了粮食库存的自析和辨别非常有利。本文采用大津律法对叶片图片进行二值化处理。这种方法使用方便、计算简单,不受图像亮度和对比度的影响,能很好地区分前景和背景。
图像锐化处理
通过对图像的锐化处理可以补偿图像的轮廓,增强粮食图像的边缘及灰度跳变的部分,从而使图像变得更清晰,同时也提高了地物边缘与周围像元之间的反差。目前Sobel算子、Laplace 算子以及Robert算子是图像锐化过程中经常采用的算子,本文在图像锐化的过程中采用了 Sobel算子。
2 图像的三维变换
本文采用一种基于AKAZE算法的多视图几何三维重建方法。这种算法使用非线性尺度分解算法,通过非线性扩散滤波构造任意步长、稳定的尺度空间。采用加性算子分裂算法进行非线性扩散滤波,使得灰度在平缓的图像区域扩散快,在边缘处扩散慢,可以较好地保存图像的边缘和细节。算法的基本步骤为:
(1)图像特征点提取与匹配。使用 AKAZE算法提取图像特征点并筛除误匹配点。
(2)相机参数本征矩阵、图像间旋转矩阵与平移矩阵的计算。根据步骤1)得到可靠的二视图关系,计算相机的本征矩阵、图像的全局旋转矩阵与全局平移矩阵。
(3)三维点云稀疏重建以及集束調整。根据每幅图像的特征点与图像间的几何约束关系,使用三角化重建方法重建点云模型并使用集束调整优化结果。
(4)使用PMVS算法扩散稀疏点云数据并进行过滤处理,剔除灰度一致性与几何一致性比较弱的点,得到稠密点云模型。
(5)模型网格化与纹理映射。对稠密点云模型进行三角网格化,之后会获得一个包含点与面信息的无纹理点云模型,将之前获取的图片信息作为纹理信息进行映射,最终得到一个包含纹理的目标三维模型。
3 粮食体积测量
在上面得到的三维图像的基础上可以方便地分析出粮仓的几何形状、空间分布等三维信息,因此可以方便地计算出粮食体积。当前,粮仓的形状主要有平方仓、浅圆仓以及散堆仓。
(1)平方仓体积测量。
由于平方仓形状比较规则,所以可以根据三维图像得到的长、宽、高信息利用立方体公式简单的计算出粮食体积。假设长为a,宽为b,测量所得粮面高为c,则体积可表示为:
(2)浅圆仓体积测量。
浅圆仓可以近似地看作一个规则的圆柱体,因此可以利用圆柱体公式计算粮食体积。假设粮仓底面积为s,所测得粮面的高为h,则体积可表示为:
(3)散堆仓体积测量。
散堆仓是将粮食随意堆积到仓内,得到的是一个不规则物体,由于粮食是由上到下堆积到一处,所以可以近似的看成是棱台体。假设所有的截面面积为Si(i=1,2,…n),截面间距为。
则体积可表示为:
由于三维图像是由二维图像转化得来的,以及图像在提取轮廓过程中的误差,因此所得到的体积是存在一定误差的,但这个误差对粮食体积变化的甄别不会产生很大影响。
通过图像识别测量出粮食体积后,以一个星期为比对周期,进行对体积变化的甄别,若体积减少超出了一定范围,会立即自动通过手