基于图像处理的原料油等级分类方法与流程

1.本技术涉及图像处理领域，具体涉及基于图像处理的原料油等级分类方法。


背景技术：

2.原料油是指用于生产各种化工产品或燃料的原始石油或植物油，主要是由不同的烃类化合物及其衍生物组成的，是许多油类产品的基础材料，由于原料油在不同领域均具有重要用途，需要根据原料油的杂质含量对原料油进行等级划分，根据原料油的不同等级对其进行不同程度的处理。由于原料油相对较为粘稠，故原料油中所包含的固体、悬浮物等杂质会被原料油包裹，与原料油颜色差异较小，边缘检测算法对原料油中的杂质进行识别划分等级时，对杂质的识别难度较大。
3.传统的图像增强算法对原料油图像增强时，能够保留图像中的细节信息，能够更好的保留图像的局部纹理特征，但参数设置较为困难，可能需要多次尝试才能得到相对合适的参数。
4.综上所述，本发明提出基于图像处理的原料油等级分类方法，采用ccd相机采集原料油图像，结合原料油与杂质之间的差异性特征，通过优化clahe算法（限制对比度自适应直方图均衡化算法）的变换函数对原料油图像进行特征增强，完成原料油等级分类。


技术实现要素：

5.为了解决上述技术问题，本发明提供基于图像处理的原料油等级分类方法，以解决现有的问题。
6.本发明的基于图像处理的原料油等级分类方法采用如下技术方案：本发明一个实施例提供了基于图像处理的原料油等级分类方法，该方法包括以下步骤：采集原始原料油图像预处理得到原料油图像；根据原料油图像的能量梯度得到原料油图像划分的区域数；根据原料油图像各区域中各像素点局部窗口内像素点的灰度信息得到各像素点的原料油标准灰度值；根据各像素点的灰度值与各区域的原料油标准灰度值的差值绝对值得到各像素点的标准差影值；根据局部窗口内各像素点的标准差影值得到局部窗口的各标准差影级；根据局部窗口的各标准差影级的分布得到各标准差影级的方向游程差；根据各像素点局部窗口内各标准差影级的方向游程差得到各像素点的杂质对比度因子；根据各像素点的杂质对比度因子得到各像素点的权重；根据各像素点的权重及局部窗口内的各像素点标准差影值得到各像素点的最终权重；根据各像素点的最终权重得到原料油图像标准差影值的累计分布函数，结合累计分布函数以及限制对比度自适应直方图均衡化算法获取原料油增强图像；使用大津阈值分割法对原料油增强图像进行分割得到杂质区域像素点，根据杂质区域像素点数量与预设阈值得到原料油等级分类。
7.优选的，根据原料油图像的能量梯度得到原料油图像划分的区域数的具体方法为：将原料油图像的能量梯度与原料油图像的面积的比值记作原料油图像的平均能量梯度，根据平均能量梯度的平方取整得到原料油图像划分的区域数。
8.优选的，根据原料油图像各区域中各像素点局部窗口内像素点的灰度信息得到各像素点的原料油标准灰度值的具体方法为：根据各区域中各像素点局部窗口内的灰度信息，分别计算区域内各像素点局部窗口内的灰度均值、灰度标准差与灰度极差；将局部窗口的灰度均值与区域灰度均值之差小于第一阈值作为第一优先级，将局部窗口的灰度极差作为第二优先级，将局部窗口的灰度标准差作为第三优先级；根据第一优先级、第二优先级和第三优先级的优先次序找到原料油标准窗口，将原料油标准窗口的灰度均值作为原料油无杂质时的标准灰度值。
9.优选的，根据局部窗口内各像素点的标准差影值得到局部窗口的各标准差影级的具体方法为：将局部窗口内各像素点相同的标准差影值作为同一标准差影级；统计局部窗口内不同标准差影级的数量作为局部窗口的标准差影级数。
10.优选的，根据局部窗口的各标准差影级的分布得到各标准差影级的方向游程差的表达式为：根据局部窗口的各标准差影级中各像素点，计算各像素点在局部窗口内各方向上的序列分布情况；基于各像素点在序列分布差异最大的方向计算的差异均值记为最大差异；将局部窗口内各标准差影级中各像素点的最大差异求均值，得到局部窗口内各标准差影级的方向游程差。
11.优选的，根据各像素点局部窗口内各标准差影级的方向游程差得到各像素点的杂质对比度因子的表达式为：式中，表示局部窗口内出现的标准差影值级数，表示局部窗口内第个标准差影级出现的概率，表示局部窗口内第个标准差影级的方向游程差，表示各像素点的杂质对比度因子。
12.优选的，根据各像素点的杂质对比度因子得到各像素点的权重的表达式为：式中，为以为底的指数函数，表示像素点的权重，表示各像素点的杂质对比度因子，表示用于调整像素点权重函数的增长速度的加权调节因子。
13.优选的，根据各像素点的权重及局部窗口内的各像素点标准差影值得到各像素点
的最终权重的表达式为：式中，为局部窗口大小，表示局部窗口内位置的像素点权重，表示局部窗口内位置的像素点的标准差影值，为像素点的标准差影值，表示各像素点的最终权重。
14.优选的，根据各像素点的最终权重得到原料油图像标准差影值的累计分布函数的具体方法为：根据原料油图像中各像素点的最终权重，将具有相同标准差影值的各像素点的最终权重求和得到各标准差影值的概率密度函数；基于各标准差影值的概率密度函数得到原料油图像中各标准差影值的累计分布函数。
15.优选的，根据杂质区域像素点数量与预设阈值得到原料油等级分类的具体方法为：使用大津阈值分割法对原料油增强图像进行阈值分割，得到杂质区域像素点；将原料油增强图像中的杂质区域像素点数量记作第一数量，将原料油图像中的原料油区域像素点记作第二数量，将第一数量与第二数量的比值记作杂质占比；将杂质占比与预设的一级阈值和二级阈值分别进行比较，将杂质占比低于一级阈值的原料油图像划分为一级，将杂质占比高于一级阈值且低于二级阈值的原料油图像划分为二级，将杂质占比高于二级阈值的原料油图像划分为三级，完成对原料油等级分类本发明至少具有如下有益效果：本发明方法可实现对原料油等级的分类，相比于传统的clahe算法，本发明针对原料油与杂质之间的特征差异，分析杂质边缘像素点的灰度值递变情况得到方向游程差，更准确地反应了各像素点的方向变化情况；同时，再结合各像素点窗口内与中心像素点标准差影值相同的像素点的权重，使用权重之和来表征该像素点的标准差影值占比，通过统计原料油图像中具有相同的标准差影值像素点的权重，归一化后得到原料油图像标准差影值的概率密度函数，从而优化了clahe算法的累计分布函数，更真实反映了杂质像素点的对比度增强效果，提高了原料油中杂质的检测精度，有助于对原料油等级进行精准分类。
附图说明
16.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
17.图1为本发明提供的基于图像处理的原料油等级分类方法的流程图。
具体实施方式
18.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于图像处理的原料油等级分类方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
19.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
20.下面结合附图具体的说明本发明所提供的基于图像处理的原料油等级分类方法的具体方案。
21.本发明一个实施例提供的基于图像处理的原料油等级分类方法。
22.具体的，提供了如下的基于图像处理的原料油等级分类方法，请参阅图1，该方法包括以下步骤：步骤s001，采集原料油图像并进行预处理。
23.本实施例主要通过图像处理技术对原料油等级进行分类，通过ccd相机拍摄采集原始原料油图像，该图像为rgb图像，将原始原料油图像转换为原料油灰度图像。
24.由于在拍摄过程中可能受到环境等因素影响产生噪声，影响到图像的质量和后续分析的结果，据此本发明实施例对所获灰度图像进行去噪处理，常用的去噪方法主要有双边滤波去噪、高斯滤波去噪、均值滤波去噪等，为尽可能多的保留图像边缘细节部分，本发明使用双边滤波去噪对所获灰度图像进行去噪处理，将经过预处理后的图像记为原料油图像。
25.至此，即可通过这种方法对原料油图像进行采集和预处理，用于对原料油的等级进行分类。
26.步骤s002，通过分析原料油灰度图像中的原料油像素点与杂质像素点之间的差异性特征，构建杂质对比度因子，优化clahe算法的变换函数，对原料油图像进行增强。
27.clahe算法的累计分布函数只考虑了图像中各像素点灰度级的概率密度，图像对比度增强较大程度上是由累计分布函数的斜率控制。传统clahe算法中的累计分布函数斜率偏陡，会导致各像素点灰度值不能延伸到整个取值范围内，不能将原料油以及杂质分开增强。如果像素点灰度值范围延伸较大，将对比度提升，可能会导致图片失真。
28.据此本发明实施例考虑原料油图像的局部特征构建权重，对clahe算法进行自适应加权处理，使得增强后的原料油图像中的原料油与杂质的对比更明显。
29.为了达到更好的图像增强效果，本发明实施例根据原料油图像清晰度对原料油图像进行区域划分，clahe算法中划分区域数的计算公式如下：式中，为对原料油图像划分的区域数，为取整函数，表示由原料油图像能量梯度与原料油图像面积的比值得到平均能量梯度，为比例系数。
30.需要说明的是，通常取经验值4。其中图像能量梯度的计算为公知技术，具体计算
过程本发明不再赘述。
31.得到划分的区域数后，将原料油图像均匀分为个区域。为方便描述，本发明实施例以区域s为例构建杂质对比度因子，其余区域的构建过程相似。
32.原料油中的杂质含量较少，可以根据区域内各像素点的灰度值计算区域灰度均值，将局部窗口在区域中滑动，并根据局部窗口内各像素点灰度值计算窗口灰度均值、灰度标准差与灰度极差，按照窗口灰度均值与区域灰度均值之差小于第一阈值、灰度极差最小、灰度标准差最小的优先级找到原料油标准窗口，将原料油标准窗口灰度均值作为原料油无杂质时的标准灰度值。第一阈值取经验值5，可以为实施者自行设定，这里将设定为5。
33.将区域中各像素点的灰度值与原料油标准灰度值的差值的绝对值记为每个像素点的标准差影值，遍历整个区域，将所有像素点的标准差影值替换为像素点的灰度值，替换后的结果记为差影区域，记差影区域内各像素点的值为标准差影值。差影区域内各像素点的标准差影值越大，表明该像素点越可能属于杂质像素点。
34.由于区域内的杂质像素点的灰度值具有沿着一个方向逐渐变大的特征，但是杂质被原油覆盖，导致杂质的边缘部分相对来说较不明显。
35.针对这种情况，为了反应杂质像素点在原料油图像中的明显程度，取差影区域中的各像素点，以其中一个像素点为例，以所取像素点为中心、大小的窗口为所述像素点的局部窗口。根据所取像素点的局部窗口内标准差影级的分布情况，计算所述像素点的杂质对比度因子，其计算公式如下：式中，表示局部窗口内出现的标准差影值级数，表示局部窗口内第个标准差影级出现的概率，即局部窗口中第个标准差影级出现的次数与窗口总像素点数量的比值，表示局部窗口内第个标准差影级的方向游程差，表示各像素点的杂质对比度因子。
36.需要说明的是，所述像素点的局部窗口内的标准差影级出现的数量越少且标准差影级的方向游程差越大，即窗口内的杂质越明显、方向差异越大，表示该像素点的杂质对比度越大。在后续步骤进行对比度增强时，其增强程度应当较大。
37.其中，所述像素点的局部窗口内的第个标准差影级的方向游程差的计算方法如下所示：式中，为取集合中的最大值函数，表示局部窗口内第个标准差影级出现的数量，表示像素点在局部窗口内的方向，表示局部窗口内第个标准差影级中第个标准差影值在方向上的标准差影值所构成的序列长度，表示局部窗口内第个标准差影级中第个标准差影值在方向上第个像素点的标准差影值，表示局部窗口内第个标
准差影级中的第个标准差影值，表示局部窗口内第个标准差影级的方向游程差。
38.需要说明的是，取1表示0度方向即水平向右方向，取2表示45度方向即水平向右逆时针旋转45度的方向，取3表示90度方向即垂直向上方向，取4表示135度方向即垂直向上逆时针旋转45度方向。计算所述像素点的局部窗口内的第个标准差影级的第个标准差影值在各方向上取差异最大值的均值，再将个标准差影值的差异求其均值，该值越大表明局部窗口内该标准差影级越可能为杂质像素点，其对比度越高，在后续步骤进行对比度增强时，其增强程度应当较大。
39.从原料油图像中可以看出，原料油的主要颜色为橙色，各个杂质的轮廓相对较模糊，没有清晰的边缘线，对比度较低，像素点的灰度值比较接近，在直方图均衡化的过程中可能会出现过度放大噪声的问题，所以对于低对比度图像，像素点权重函数变化应该较为平缓，对于高对比度图像，像素点权重函数应当变化较为迅速。
40.针对这种情况，本发明实施例构建增长趋势相对缓和的像素点权重公式，更适合对原料油图像的处理，对差影区域中的一个像素点的权重计算公式如下：式中，为以为底的指数函数，表示像素点的权重，表示各像素点的杂质对比度因子，表示用于调整像素点权重函数的增长速度的加权调节因子。
41.需要说明的是，通常取经验值2.8。如果所述像素点的杂质对比度越大，该像素点的权重应该越大，但是直接将杂质对比度因子设为这个权重，就会导致过度放大噪声的问题，因此将所述像素点的权重大小控制成平缓的变大，即相对来说平缓地增强该像素点。
42.由于在区域内，任意一个像素点的周围出现与这个像素点的标准差影值相同像素点的数量较少，那么即使该像素点的权重较大，也不足判断该像素点为杂质像素点，即该像素点也可能为噪声点。
43.针对这种情况，对各像素点的局部窗口内与该像素点的标准差影值相同的像素点的权重也作为评价该中心像素点的最终权重。
44.式中，为局部窗口大小，表示局部窗口内位置的像素点权重，表示局部窗口内位置的像素点的标准差影值，为所述像素点的标准差影值，表示所述像素点的标准差影值为的最终权重。
45.需要说明的是，通过计算各像素点为中心像素点的局部窗口内具有与该中心像素点相同的标准差影值的权重之和的均值记作最终权重，来表征所述像素点的周围具有相同特征的像素点对中心像素点的影响程度。
46.根据上述步骤所得各像素点的最终权重，则可以计算得到区域中各标准差影值的概率密度函数，进而得到累积分布函数，计算公式如下：
式中，表示原料油图像中标准差影值为的第个像素点的的最终权重，表示原料油图像中标准差影值为的概率密度函数，表示原料油图像中具有相同标准差影值为的数量，表示对括号内的数据进行归一化处理，为原料油图像中的标准差影值，表示原料油图像中标准差影值为的累计分布函数。所得累计分布函数即为clahe算法中的变换函数。
47.通过上述步骤所得的变换函数，将原clahe算法中的累计分布函数替换为上述步骤所得变换函数，使用clahe算法对原料油图像进行限制对比度增强，得到原料油增强图像。
48.至此得到原料油增强图像，方便后续步骤实现对原料油增强图像中杂质的识别。
49.步骤s003，根据分割算法得到的原料油增强图像中的杂质占比来对原料油进行等级分类。
50.使用大津阈值分割法对原料油增强图像进行阈值分割，得到杂质区域像素点，计算杂质占比，即杂质像素点数量占总像素点的比例。
51.根据杂质占比对原料油进行等级划分。杂质占比低于一级阈值时，将原料油等级划分为一级，杂质占比高于一级阈值时低于二级阈值时，将原料油等级划分为二级，杂质占比高于二级阈值时，将原料油等级划分为三级。其中，一级阈值通常取经验值0.03，二级阈值通常取经验值0.06。
52.至此实现对原料油的等级分类。
53.综上所述，本发明实施例提出基于图像处理的原料油等级分类方法，采用ccd相机采集原料油图像，结合原料油与杂质之间的差异性特征，通过优化clahe算法的变换函数对原料油图像进行特征增强，完成原料油等级分类。
54.本发明实施例方法可实现对原料油等级的分类，相比于传统的clahe算法，本发明实施例针对原料油与杂质之间的特征差异，分析杂质边缘像素点的灰度值递变情况得到方向游程差，更准确地反应了各像素点的方向变化情况；同时，再结合各像素点窗口内与中心像素点标准差影值相同的像素点的权重，使用权重之和来表征该像素点的标准差影值占比，通过统计原料油图像中具有相同的标准差影值像素点的权重，归一化后得到原料油图像标准差影值的概率密度函数，从而优化了clahe算法的累计分布函数，更真实反映了杂质像素点的对比度增强效果，提高了原料油中杂质的检测精度，有助于对原料油等级进行精准分类。
55.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理
也是可以的或者可能是有利的。
56.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
57.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围，均应包含在本技术的保护范围之内。

技术特征：
1.基于图像处理的原料油等级分类方法，其特征在于，该方法包括以下步骤：采集原始原料油图像预处理得到原料油图像；根据原料油图像的能量梯度得到原料油图像划分的区域数；根据原料油图像各区域中各像素点局部窗口内像素点的灰度信息得到各像素点的原料油标准灰度值；根据各像素点的灰度值与各区域的原料油标准灰度值的差值绝对值得到各像素点的标准差影值；根据局部窗口内各像素点的标准差影值得到局部窗口的各标准差影级；根据局部窗口的各标准差影级的分布得到各标准差影级的方向游程差；根据各像素点局部窗口内各标准差影级的方向游程差得到各像素点的杂质对比度因子；根据各像素点的杂质对比度因子得到各像素点的权重；根据各像素点的权重及局部窗口内的各像素点标准差影值得到各像素点的最终权重；根据各像素点的最终权重得到原料油图像标准差影值的累计分布函数，结合累计分布函数以及限制对比度自适应直方图均衡化算法获取原料油增强图像；使用大津阈值分割法对原料油增强图像进行分割得到杂质区域像素点，根据杂质区域像素点数量与预设阈值得到原料油等级分类。2.如权利要求1所述的基于图像处理的原料油等级分类方法，其特征在于，所述根据原料油图像的能量梯度得到原料油图像划分的区域数的具体方法为：将原料油图像的能量梯度与原料油图像的面积的比值记作原料油图像的平均能量梯度，根据平均能量梯度的平方取整得到原料油图像划分的区域数。3.如权利要求1所述的基于图像处理的原料油等级分类方法，其特征在于，所述根据原料油图像各区域中各像素点局部窗口内像素点的灰度信息得到各像素点的原料油标准灰度值的具体方法为：根据各区域中各像素点局部窗口内的灰度信息，分别计算区域内各像素点局部窗口内的灰度均值、灰度标准差与灰度极差；将局部窗口的灰度均值与区域灰度均值之差小于第一阈值作为第一优先级，将局部窗口的灰度极差作为第二优先级，将局部窗口的灰度标准差作为第三优先级；根据第一优先级、第二优先级和第三优先级的优先次序找到原料油标准窗口，将原料油标准窗口的灰度均值作为原料油无杂质时的标准灰度值。4.如权利要求1所述的基于图像处理的原料油等级分类方法，其特征在于，所述根据局部窗口内各像素点的标准差影值得到局部窗口的各标准差影级的具体方法为：将局部窗口内各像素点相同的标准差影值作为同一标准差影级；统计局部窗口内不同标准差影级的数量作为局部窗口的标准差影级数。5.如权利要求1所述的基于图像处理的原料油等级分类方法，其特征在于，所述根据局部窗口的各标准差影级的分布得到各标准差影级的方向游程差的表达式为：根据局部窗口的各标准差影级中各像素点，计算各像素点在局部窗口内各方向上的序列分布情况；基于各像素点在序列分布差异最大的方向计算的差异均值记为最大差异；将局部窗口内各标准差影级中各像素点的最大差异求均值，得到局部窗口内各标准差影级的方向游程差。6.如权利要求1所述的基于图像处理的原料油等级分类方法，其特征在于，所述根据各
像素点局部窗口内各标准差影级的方向游程差得到各像素点的杂质对比度因子的表达式为：式中，表示局部窗口内出现的标准差影值级数，表示局部窗口内第个标准差影级出现的概率，表示局部窗口内第个标准差影级的方向游程差，表示各像素点的杂质对比度因子。7.如权利要求1所述的基于图像处理的原料油等级分类方法，其特征在于，所述根据各像素点的杂质对比度因子得到各像素点的权重的表达式为：式中，为以为底的指数函数，表示像素点的权重，表示各像素点的杂质对比度因子，表示用于调整像素点权重函数的增长速度的加权调节因子。8.如权利要求1所述的基于图像处理的原料油等级分类方法，其特征在于，所述根据各像素点的权重及局部窗口内的各像素点标准差影值得到各像素点的最终权重的表达式为：式中，为局部窗口大小，表示局部窗口内位置的像素点权重，表示局部窗口内位置的像素点的标准差影值，为像素点的标准差影值，表示各像素点的最终权重。9.如权利要求1所述的基于图像处理的原料油等级分类方法，其特征在于，所述根据各像素点的最终权重得到原料油图像标准差影值的累计分布函数的具体方法为：根据原料油图像中各像素点的最终权重，将具有相同标准差影值的各像素点的最终权重求和得到各标准差影值的概率密度函数；基于各标准差影值的概率密度函数得到原料油图像中各标准差影值的累计分布函数。10.如权利要求1所述的基于图像处理的原料油等级分类方法，其特征在于，所述根据杂质区域像素点数量与预设阈值得到原料油等级分类的具体方法为：使用大津阈值分割法对原料油增强图像进行阈值分割，得到杂质区域像素点；将原料油增强图像中的杂质区域像素点数量记作第一数量，将原料油图像中的原料油区域像素点记作第二数量，将第一数量与第二数量的比值记作杂质占比；将杂质占比与预设的一级阈值和二级阈值分别进行比较，将杂质占比低于一级阈值的原料油图像划分为一级，将杂质占比高于一级阈值且低于二级阈值的原料油图像划分为二级，将杂质占比高于二级阈值的原料油图像划分为三级，完成对原料油等级分类。

技术总结
本发明涉及图像处理领域，具体涉及基于图像处理的原料油等级分类方法，采集原料油图像；根据原料油图像各像素点局部窗口灰度信息得到各像素点的标准差影值；根据各像素点的标准差影值得到各像素点的杂质对比度因子；根据各像素点的杂质对比度因子得到各像素点的最终权重，结合CLAHE算法得到原料油增强图像；对原料油增强图像分割得到杂质区域像素点，根据杂质区域像素点数量与预设阈值得到原料油等级分类。实现了原料油等级分类，提高了原料油中杂质边缘的检测精度，提高了杂质像素点的对比度增强效果，有助于原料油等级的精准分类。有助于原料油等级的精准分类。有助于原料油等级的精准分类。


技术研发人员：司传煜 王宾 张金刚 王东 张美荣 任洪娜 司洋洋
受保护的技术使用者：山东恒信科技发展有限公司
技术研发日：2023.08.21
技术公布日：2023/9/20