[发明专利]一种通过图像显著性改进适应的前景提取方法

说明书

本发明属于智慧云食堂领域，尤其是一种通过图像显著性改进适应的前景提取方法，针对现有的基于像素颜色的特征值提取餐具准确率低、容易受到环境光照影响，基于深度学习的餐具提取过于耗时，基于边缘检测误差太大的问题，现提出如下方案，其包括以下步骤：S1：获得输入的图像，对其进行中值滤波，然后将滤波后的图像存储至第一存储器，并进行标号，同时与第一存储器内已存储的滤波后的图像进行对比，选出差异最小的滤波后的图像；获取RGB图像，采用3x3的矩阵对其进行中值滤波，本发明满足通过摄像头实时获取图像进行计算，应用于智慧云食堂领域，实时进行摄像头画面中的餐具区域提取供后续识别。

技术领域

本发明涉及智慧云食堂技术领域，尤其涉及一种通过图像显著性改进适应的前景提取方法。

背景技术

随着智能识别在各领域的应用，图形分割和前景提取也在推动餐饮业的智能化。目前，相关技术主要有基于阈值的分割方法、基于边缘的分割方法、基于区域连通的分割方法以及使用神经网络建立背景模型提取前景等。

阈值分割的方法通常以灰度值的大小来对图像像素划分，没有考虑像素点与相邻像素和图片其它像素之间的关系，因此难以提取到完整物体且在复杂光照环境中效果较差。

边缘检测方法依据图像中不同物体重叠处的灰度值差值，在不同物体颜色相近时容易漏掉边缘，在图像中颜色差异复杂时又会检测出许多不需要的边缘。

区域分割方法需要选择一组能正确代表所需区域的种子像素，确定种子的生长的相似性准则和停止生长的条件，也是在灰度值上的处理，难以应对图像颜色相近的情况，且种子像素点在使用时难以准确地自动选取。

基于神经网络训练的背景模型提取前景，在实际使用中过于耗时，难以对相机进行逐帧或间隔少数帧进行检测。

在现有的智能餐具识别的餐具数据提取中，往往存在基于像素颜色的特征值提取餐具准确率低、容易受到环境光照影响，基于深度学习的餐具提取过于耗时，基于边缘检测误差太大的问题；因此，我们提出了一种通过图像显著性改进适应的前景提取方法。

发明内容

本发明提出的一种通过图像显著性改进适应的前景提取方法，解决了现有的基于像素颜色的特征值提取餐具准确率低、容易受到环境光照影响，基于深度学习的餐具提取过于耗时，基于边缘检测误差太大的问题。

为了实现上述目的，本发明采用了如下技术方案：

一种通过图像显著性改进适应的前景提取方法，包括以下步骤：

S1：获得输入的图像，对其进行中值滤波，然后将滤波后的图像存储至第一存储器，并进行标号，同时与第一存储器内已存储的滤波后的图像进行对比，选出差异最小的滤波后的图像；获取RGB图像，采用3x3的矩阵对其进行中值滤波，对于图像边缘像素不计算。

S2：将中值滤波后的图像从RGB颜色空间转换到Lab颜色空间，然后将其存储至第二存储器，并进行标号，同时与第二存储器内已存储的S1中差异最小的滤波后的图像的对应数据进行对比；对于滤波后的图像，将其从RGB颜色空间转换到过渡的XYZ颜色空间；对于XYZ颜色空间图像，将其从XYZ颜色空间转换到CIE-Lab颜色空间。

S3：根据Lab图像三通道值计算每个像素的显著性值，然后将其存储至第三存储器，并进行标号，同时与第三存储器内已存储的S2中对比数据的对应数据进行对比；对转换后的Lab图像，计算其中每个像素的原始显著性，得到对应的显著性图像；对显著性图像归一化，设置一个阈值区别餐具像素和其它像素，并将餐具像素标记。