權(quán)利要求書： 1.用于廢金屬回收的智能分選方法，其特征在于，該方法包括以下步驟：

采集廢金屬圖像，預(yù)處理所述廢金屬圖像得到目標(biāo)圖像；

將所述目標(biāo)圖像轉(zhuǎn)換至LAB顏色空間得到LAB圖像，基于所述LAB圖像中各像素點對應(yīng)的顏色通道的顏色通道分量的差異，對所述像素點進行分類，得到多個第一類別；

獲取各第一類別的類別中心的中心顏色通道分量，計算所述中心顏色通道分量和多個標(biāo)準(zhǔn)有色金屬對應(yīng)的多個標(biāo)準(zhǔn)顏色通道分量之間的最小顏色差值；

選取任意像素點作為目標(biāo)像素點，獲取所述目標(biāo)像素點與其對應(yīng)的鄰域像素點之間的顏色分量向量的最大鄰域顏色差值，根據(jù)所述最大鄰域顏色差值和所述最小顏色差值計算有色金屬概率；

由所述像素點的橫坐標(biāo)、縱坐標(biāo)和所屬的第一類別構(gòu)建三維向量，基于所述三維向量和所述有色金屬概率對像素點進行二次分類，得到第二類別；根據(jù)各像素點對應(yīng)的鄰域像素點所屬的第二類別的分布情況對所述目標(biāo)圖像進行分塊，得到多個分塊區(qū)域；基于所述有色金屬概率對所述分塊區(qū)域進行圖像增強，得到增強圖像；分割所述增強圖像，得到多個有色金屬區(qū)域，基于所述有色金屬區(qū)域?qū)U金屬進行分類；

其中，第一類別的獲取方法為：獲取所述LAB圖像中各像素點對應(yīng)的a通道的通道分量，作為第一顏色通道分量；獲取所述LAB圖像中各像素點對應(yīng)的b通道的通道分量，作為第二顏色通道分量；由所述第一顏色通道分量和所述第二顏色通道分量構(gòu)建顏色分量向量；以所述第一顏色通道分量作為縱坐標(biāo)，以所述第二顏色通道分量作為橫坐標(biāo)，建立顏色坐標(biāo)軸；基于所述LAB圖像中各像素點對應(yīng)的顏色分量向量在所述顏色坐標(biāo)軸中的分布，將所述顏色分量向量對應(yīng)的像素點進行分類，得到多個第一類別；

其中，第二類別的獲取方法為：基于所述三維向量，利用DBSCAN算法對像素點進行二次分類，得到第二類別；其中，所述DBSCAN算法的度量依據(jù)為所述有色金屬概率；

其中，最小顏色差值的獲取方法為：將LAB顏色空間中a通道的顏色通道分量作為第一顏色通道分量，將b通道的顏色通道分量作為第二顏色通道分量；所述中心顏色通道分量中的第一顏色通道分量和所述標(biāo)準(zhǔn)顏色通道分量中的第一顏色通道分量作差，得到第一顏色差值；所述中心顏色通道分量中的第二顏色通道分量和所述標(biāo)準(zhǔn)顏色通道分量中的第二顏色通道分量作差，得到第二顏色差值；所述第一顏色差值的平方和所述第二顏色差值的平方的和，作為顏色差值；對于任意第一類別的類別中心，計算所述類別中心和所有標(biāo)準(zhǔn)有色金屬對應(yīng)的多個標(biāo)準(zhǔn)顏色通道分量之間的顏色差值，得到多個顏色差值；選取所述顏色差值中最小值作為所述類別中心的最小顏色差值。

2.根據(jù)權(quán)利要求1所述的用于廢金屬回收的智能分選方法，其特征在于，所述預(yù)處理所述廢金屬圖像得到目標(biāo)圖像，包括：利用維納濾波對所述廢金屬圖像進行運動模糊消除，得到初始圖像；利用中值濾波對所述初始圖像進行濾波，得到目標(biāo)圖像。

3.根據(jù)權(quán)利要求1所述的用于廢金屬回收的智能分選方法，其特征在于，所述獲取所述目標(biāo)像素點與其對應(yīng)的鄰域像素點之間的顏色分量向量的最大鄰域顏色差值，包括：將LAB顏色空間中a通道的顏色通道分量作為第一顏色通道分量，將b通道的顏色通道分量作為第二顏色通道分量；

所述目標(biāo)像素點對應(yīng)的第一顏色通道分量和所述鄰域像素點對應(yīng)的第一顏色通道分量作差，得到第三顏色差值；所述目標(biāo)像素點對應(yīng)的第二顏色通道分量和所述鄰域像素點對應(yīng)的第二顏色通道分量作差，得到第四顏色差值；所述第三顏色差值的平方和所述第四顏色差值的平方的和，作為鄰域顏色差值；

對于目標(biāo)像素點，計算所述目標(biāo)像素點和其對應(yīng)的多個鄰域像素點的鄰域顏色差值，得到多個鄰域顏色差值；選取所述鄰域顏色差值中最大值作為所述目標(biāo)像素點的最大鄰域顏色差值。

4.根據(jù)權(quán)利要求1所述的用于廢金屬回收的智能分選方法，其特征在于，所述根據(jù)所述最大鄰域顏色差值和所述最小顏色差值計算有色金屬概率，包括：所述最大鄰域顏色差值和所述最小顏色差值相乘，得到有色金屬概率參數(shù)；以自然常數(shù)為底數(shù)，以負的所述有色金屬概率參數(shù)為指數(shù)的指數(shù)函數(shù)，作為有色金屬概率。

5.根據(jù)權(quán)利要求1所述的用于廢金屬回收的智能分選方法，其特征在于，所述根據(jù)各像素點對應(yīng)的鄰域像素點所屬的第二類別的分布情況對所述目標(biāo)圖像進行分塊，得到多個分塊區(qū)域，包括：獲取每個像素點對應(yīng)的窗口內(nèi)的像素點所屬的第二類別；基于窗口內(nèi)各像素點所屬的第二類別的占比，計算窗口的信息熵；

將所述信息熵等于預(yù)設(shè)信息熵閾值的窗口內(nèi)像素點的像素值置為零，將所述信息熵大于預(yù)設(shè)信息熵閾值的窗口內(nèi)像素點的像素值置為一，得到對應(yīng)的二值圖；其中，預(yù)設(shè)信息熵閾值的取值為0；

利用圖像細化算法，提取所述二值圖中的分塊邊界，將所述分塊邊界映射至所述目標(biāo)圖像，得到目標(biāo)圖像中的多個分塊區(qū)域。

6.根據(jù)權(quán)利要求1所述的用于廢金屬回收的智能分選方法，其特征在于，所述基于所述有色金屬概率對所述分塊區(qū)域進行圖像增強，得到增強圖像，包括：對每個分塊區(qū)域進行直方圖均衡化，并得到各像素點對應(yīng)的原始灰度值拉伸系數(shù)；所述有色金屬概率和所述原始灰度值拉伸系數(shù)的乘積作為調(diào)整灰度值拉伸系數(shù)；基于所述調(diào)整灰度值拉伸系數(shù)，對所述分塊區(qū)域進行增強，得到對應(yīng)的增強圖像。

說明書： 用于廢金屬回收的智能分選方法技術(shù)領(lǐng)域[0001] 本發(fā)明涉及廢金屬回收智能分選技術(shù)領(lǐng)域，具體涉及用于廢金屬回收的智能分選方法。背景技術(shù)[0002] 隨著中國經(jīng)濟的快速發(fā)展和人民生活水平的不斷提高，人們對金屬材料和金屬制品的需求日益增加，導(dǎo)致金屬資源的消費量越來越大。同時，有色金屬的回收量也越來越大。廢金屬物料的回收利用具有重大的經(jīng)濟效益、社會效益和環(huán)境效益。但是在廢物料中金屬往往以元素或合金的形式存在，通常采用熔煉等方式進行二次資源回收。在熔煉前對廢金屬物料進行相應(yīng)的分選處理，能夠降低再生金屬提純工藝的難度、提高回收效率和利潤。在廢金屬回收中，為了提高回收效果，通常會添加圖像采集模塊，以進行有色金屬的精確分選，提高回收效率和回收質(zhì)量。

[0003] 目前，常見的對廢金屬進行分類是直接對廢金屬圖像中的有色金屬采用閾值分割，分割出有色金屬區(qū)域，但是閾值分割算法受環(huán)境影響較大，當(dāng)光線稍微過暗時，會導(dǎo)致前后背景區(qū)分不大，從而使得在采用閾值分割算法進行分割定位時效果不良，可能會導(dǎo)致對有色金屬定位出現(xiàn)偏差，進而影響對廢金屬的分選效果。發(fā)明內(nèi)容[0004] 為了解決上述技術(shù)問題，本發(fā)明的目的在于提供用于廢金屬回收的智能分選方法，所采用的技術(shù)方案具體如下：[0005] 采集廢金屬圖像，預(yù)處理所述廢金屬圖像得到目標(biāo)圖像；[0006] 將所述目標(biāo)圖像轉(zhuǎn)換至LAB顏色空間得到LAB圖像，基于所述LAB圖像中各像素點對應(yīng)的顏色通道的顏色通道分量的差異，對所述像素點進行分類，得到多個第一類別；[0007] 獲取各第一類別的類別中心的中心顏色通道分量，計算所述中心顏色通道分量和多個標(biāo)準(zhǔn)有色金屬對應(yīng)的多個標(biāo)準(zhǔn)顏色通道分量之間的最小顏色差值；[0008] 選取任意像素點作為目標(biāo)像素點，獲取所述目標(biāo)像素點與其對應(yīng)的鄰域像素點之間的顏色分量向量的最大鄰域顏色差值，根據(jù)所述最大鄰域顏色差值和所述最小顏色差值計算有色金屬概率；[0009] 由所述像素點的橫坐標(biāo)、縱坐標(biāo)和所屬的第一類別構(gòu)建三維向量，基于所述三維向量和所述有色金屬概率對像素點進行二次分類，得到第二類別；根據(jù)各像素點對應(yīng)的鄰域像素點所屬的第二類別的分布情況對所述目標(biāo)圖像進行分塊，得到多個分塊區(qū)域；基于所述有色金屬概率對所述分塊區(qū)域進行圖像增強，得到增強圖像；分割所述增強圖像，得到多個有色金屬區(qū)域，基于所述有色金屬區(qū)域?qū)U金屬進行分類。[0010] 優(yōu)選的，所述預(yù)處理所述廢金屬圖像得到目標(biāo)圖像，包括：[0011] 利用維納濾波對所述廢金屬圖像進行運動模糊消除，得到初始圖像；利用中值濾波對所述初始圖像進行濾波，得到目標(biāo)圖像。[0012] 優(yōu)選的，所述基于所述LAB圖像中各像素點對應(yīng)的顏色通道的顏色通道分量的差異，對所述像素點進行分類，得到多個第一類別，包括：[0013] 獲取所述LAB圖像中各像素點對應(yīng)的a通道的通道分量，作為第一顏色通道分量；獲取所述LAB圖像中各像素點對應(yīng)的b通道的通道分量，作為第二顏色通道分量；由所述第一顏色通道分量和所述第二顏色通道分量構(gòu)建顏色分量向量；

[0014] 以所述第一顏色通道分量作為縱坐標(biāo)，以所述第二顏色通道分量作為橫坐標(biāo)，建立顏色坐標(biāo)軸；基于所述LAB圖像中各像素點對應(yīng)的顏色分量向量在所述顏色坐標(biāo)軸中的分布，將所述顏色分量向量對應(yīng)的像素點進行分類，得到多個第一類別。[0015] 優(yōu)選的，所述計算所述中心顏色通道分量和多個標(biāo)準(zhǔn)有色金屬對應(yīng)的多個標(biāo)準(zhǔn)顏色通道分量之間的最小顏色差值，包括：[0016] 將LAB顏色空間中a通道的顏色通道分量作為第一顏色通道分量，將b通道的顏色通道分量作為第二顏色通道分量；[0017] 所述中心顏色通道分量中的第一顏色通道分量和所述標(biāo)準(zhǔn)顏色通道分量中的第一顏色通道分量作差，得到第一顏色差值；所述中心顏色通道分量中的第二顏色通道分量和所述標(biāo)準(zhǔn)顏色通道分量中的第二顏色通道分量作差，得到第二顏色差值；所述第一顏色差值的平方和所述第二顏色差值的平方的和，作為顏色差值；[0018] 對于任意第一類別的類別中心，計算所述類別中心和所有標(biāo)準(zhǔn)有色金屬對應(yīng)的多個標(biāo)準(zhǔn)顏色通道分量之間的顏色差值，得到多個顏色差值；選取所述顏色差值中最小值作為所述類別中心的最小顏色差值。[0019] 優(yōu)選的，所述獲取所述目標(biāo)像素點與其對應(yīng)的鄰域像素點之間的顏色分量向量的最大鄰域顏色差值，包括：[0020] 將LAB顏色空間中a通道的顏色通道分量作為第一顏色通道分量，將b通道的顏色通道分量作為第二顏色通道分量；[0021] 所述目標(biāo)像素點對應(yīng)的第一顏色通道分量和所述鄰域像素點對應(yīng)的第一顏色通道分量作差，得到第三顏色差值；所述目標(biāo)像素點對應(yīng)的第二顏色通道分量和所述鄰域像素點對應(yīng)的第二顏色通道分量作差，得到第四顏色差值；所述第三顏色差值的平方和所述第四顏色差值的平方的和，作為鄰域顏色差值；[0022] 對于目標(biāo)像素點，計算所述目標(biāo)像素點和其對應(yīng)的多個鄰域像素點的鄰域顏色差值，得到多個鄰域顏色差值；選取所述鄰域顏色差值中最大值作為所述目標(biāo)像素點的最大鄰域顏色差值。[0023] 優(yōu)選的，所述根據(jù)所述最大鄰域顏色差值和所述最小顏色差值計算有色金屬概率，包括：[0024] 所述最大鄰域顏色差值和所述最小顏色差值相乘，得到有色金屬概率參數(shù)；以自然常數(shù)為底數(shù)，以負的所述有色金屬概率參數(shù)為指數(shù)的指數(shù)函數(shù)，作為有色金屬概率。[0025] 優(yōu)選的，所述基于所述三維向量和所述有色金屬概率對像素點進行二次分類，得到第二類別，包括：[0026] 基于所述三維向量，利用DBSCAN算法對像素點進行二次分類，得到第二類別；其中，所述DBSCAN算法的度量依據(jù)為所述有色金屬概率。[0027] 優(yōu)選的，所述根據(jù)各像素點對應(yīng)的鄰域像素點所屬的第二類別的分布情況對所述目標(biāo)圖像進行分塊，得到多個分塊區(qū)域，包括：[0028] 獲取每個像素點對應(yīng)的窗口內(nèi)的像素點所屬的第二類別；基于窗口內(nèi)各像素點所屬的所述第二類別的占比，計算窗口的信息熵；[0029] 將所述信息熵等于預(yù)設(shè)信息熵閾值的窗口內(nèi)像素點的像素值置為零，將所述信息熵大于預(yù)設(shè)信息熵閾值的窗口內(nèi)像素點的像素值置為一，得到對應(yīng)的二值圖；[0030] 利用圖像細化算法，提取所述二值圖中的分塊邊界，將所述分塊邊界映射至所述目標(biāo)圖像，得到目標(biāo)圖像中的多個分塊區(qū)域。[0031] 優(yōu)選的，所述基于所述有色金屬概率對所述分塊區(qū)域進行圖像增強，得到增強圖像，包括：[0032] 對每個分塊區(qū)域進行直方圖均衡化，并得到各像素點對應(yīng)的原始灰度值拉伸系數(shù)；所述有色金屬概率和所述原始灰度值拉伸系數(shù)的乘積作為調(diào)整灰度值拉伸系數(shù)；基于所述調(diào)整灰度值拉伸系數(shù)，對所述分塊區(qū)域進行增強，得到對應(yīng)的增強圖像。[0033] 本發(fā)明實施例至少具有如下有益效果：[0034] 本發(fā)明首先通過對廢金屬圖像的數(shù)據(jù)分析，根據(jù)像素點的顏色通道分量的差異對像素點進行分類；進一步的，根據(jù)像素點與相鄰像素點的顏色通道分量的差異得到各像素點的有色金屬概率；結(jié)合有色金屬概率、分類情況和像素點的位置坐標(biāo)再次對像素點進行二次分類，實現(xiàn)了結(jié)合有色金屬的顏色特征和形態(tài)特征對有色金屬的定位識別，根據(jù)二次分類的情況對廢金屬圖像進行分塊，得到分塊區(qū)域，對分塊區(qū)域進行圖像增強得到增強圖像，基于該增強圖像對廢金屬進行分類。本發(fā)明通過對廢金屬圖像進行數(shù)據(jù)處理，識別出廢金屬中的有色金屬區(qū)域，根據(jù)有色金屬區(qū)域?qū)U金屬進行分類，實現(xiàn)了廢金屬回收的智能分選，結(jié)合有色金屬的顏色特征和形態(tài)特征不僅考慮了像素的顏色還考慮了像素的聚集程度和為有色金屬的概率，避免因環(huán)境的影響而導(dǎo)致的對有色金屬定位出現(xiàn)偏差的問題。附圖說明[0035] 為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案和優(yōu)點，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其它附圖。[0036] 圖1為本發(fā)明一個實施例所提供的用于廢金屬回收的智能分選方法的方法流程圖。具體實施方式[0037] 為了更進一步闡述本發(fā)明為達成預(yù)定發(fā)明目的所采取的技術(shù)手段及功效，以下結(jié)合附圖及較佳實施例，對依據(jù)本發(fā)明提出的用于廢金屬回收的智能分選方法，其具體實施方式、結(jié)構(gòu)、特征及其功效，詳細說明如下。在下述說明中，不同的“一個實施例”或“另一個實施例”指的不一定是同一實施例。此外，一或多個實施例中的特定特征、結(jié)構(gòu)或特點可由任何合適形式組合。[0038] 除非另有定義，本文所使用的所有的技術(shù)和科學(xué)術(shù)語與屬于本發(fā)明的技術(shù)領(lǐng)域的技術(shù)人員通常理解的含義相同。[0039] 本發(fā)明實施例提供了用于廢金屬回收的智能分選方法的具體實施方法，該方法適用于廢金屬回收分類場景。該場景下將相機作為圖像采集模塊，用于采集廢金屬圖像，且預(yù)先設(shè)定好分選平臺，使得識別得到的有色金屬區(qū)域和分類結(jié)果發(fā)送至分選平臺，通過分選平臺實現(xiàn)廢金屬分選。為了解決直接采用預(yù)制分割受環(huán)境影響較大，會導(dǎo)致對有色金屬定位出現(xiàn)偏差的問題。本發(fā)明通過對廢金屬圖像進行數(shù)據(jù)處理，識別出廢金屬中的有色金屬區(qū)域，根據(jù)有色金屬區(qū)域?qū)U金屬進行分類，實現(xiàn)了廢金屬回收的智能分選，結(jié)合有色金屬的顏色特征和形態(tài)特征不僅考慮了像素的顏色還考慮了像素的聚集程度和為有色金屬的概率，避免因環(huán)境的影響而導(dǎo)致的對有色金屬定位出現(xiàn)偏差的問題。[0040] 下面結(jié)合附圖具體的說明本發(fā)明所提供的用于廢金屬回收的智能分選方法的具體方案。[0041] 請參閱圖1，其示出了本發(fā)明一個實施例提供的用于廢金屬回收的智能分選方法的步驟流程圖，該方法包括以下步驟：[0042] 步驟S100，采集廢金屬圖像，預(yù)處理廢金屬圖像得到目標(biāo)圖像。[0043] 通過圖像采集模塊采集廢金屬圖像，需要說明的是，在采集廢金屬圖像時已經(jīng)過篩除，不存在重疊情況的出現(xiàn)。在采集得到的廢金屬圖像中，由于傳輸帶傳輸時會導(dǎo)致存在運動模糊，故需要對廢金屬圖像進行預(yù)處理，進而得到較為清晰的目標(biāo)圖像，具體的：利用維納濾波對廢金屬圖像進行運動模糊消除，得到初始圖像。由于在圖像采集的過程中會伴隨有圖像噪聲，故利用中值濾波對初始圖像進行再次濾波去噪，得到去噪后的目標(biāo)圖像。[0044] 步驟S200，將目標(biāo)圖像轉(zhuǎn)換至LAB顏色空間得到LAB圖像，基于LAB圖像中各像素點對應(yīng)的顏色通道的顏色通道分量的差異，對像素點進行分類，得到多個第一類別。[0045] 在得到預(yù)處理后的目標(biāo)圖像之后，可以采用直方圖均衡化的方法對目標(biāo)圖像進行增強，但是采用直方圖均衡化進行增強時，僅考慮了灰度值的大小和量之間的分布，導(dǎo)致會出現(xiàn)圖像過曝的情況。所以本發(fā)明通過優(yōu)化直方圖均衡化的過程，使得到增強效果較好的增強圖像，進而完成廢金屬圖像的增強。[0046] 為了完成對目標(biāo)圖像的增強，首先判斷目標(biāo)圖像中各像素點屬于有色金屬的可能性，進而進行針對性增強，將目標(biāo)圖像中屬于有色金屬的部分和不屬于有色金屬的部分進行擴大區(qū)分，便于進行閾值分割定位。需要說明的是，廢金屬物料上常有銅、鋁、鋅等有色金屬。[0047] 由于廢金屬圖像中不同有色金屬具有不同的顏色，并且有色金屬所占面積不大，所以為了在區(qū)分有色金屬區(qū)域和其他區(qū)域時更好的實現(xiàn)自動化，先將目標(biāo)圖像轉(zhuǎn)換至LAB顏色空間得到對應(yīng)的LAB圖像。因為LAB顏色空間中顏色的分布，更加符合人眼的視覺。其中，由于在使用中可能存在多種有色金屬，并且在不同的場景下，有色廢金屬分選機所回收的有色金屬并不一樣，為了讓有色金屬分選機具有更高的自適應(yīng)性，對目標(biāo)圖像中各像素點的顏色分量進行聚類，獲取目標(biāo)圖像中所存在的噪聲圖像數(shù)據(jù)部分，背景圖像數(shù)據(jù)部分、各種有色金屬圖像數(shù)據(jù)部分和廢金屬中的非有色金屬圖像數(shù)據(jù)部分。[0048] 基于LAB圖像中各像素點對應(yīng)的顏色通道的顏色通道分量的差異，對各像素點進行分類，得到多個第一類別，具體的：獲取LAB圖像中各像素點對應(yīng)的a通道的通道分量，作為第一顏色通道分量；獲取LAB圖像中各像素點對應(yīng)的b通道的通道分量，作為第二顏色通道分量；由第一顏色通道分量和第二顏色通道分量構(gòu)建顏色分量向量；以第一顏色通道分量作為縱坐標(biāo)，以第二顏色通道分量作為橫坐標(biāo)，建立顏色坐標(biāo)軸；基于LAB圖像中各像素點對應(yīng)的顏色分量向量在顏色坐標(biāo)軸中的分布，將顏色分量向量對應(yīng)的像素點進行分類，得到多個第一類別，也即在得到各像素點對應(yīng)的顏色分量向量在顏色坐標(biāo)軸上的分布后，對顏色分量向量采用均值漂移算法進行自適應(yīng)分類，得到多個第一類別。[0049] 其中，每個類別中的像素點顏色特征近似，每一類第一類別中的數(shù)據(jù)可能為噪聲圖像數(shù)據(jù)部分，背景圖像數(shù)據(jù)部分、各種有色金屬圖像數(shù)據(jù)部分和廢金屬中的非有色金屬圖像數(shù)據(jù)部分。需要說明的是，LAB顏色空間中有三個通道，分別為亮度通道、a通道和b通道，亮度通道也即L通道，L通道沒有顏色，a通道和b通道只有顏色。[0050] 步驟S300，獲取各第一類別的類別中心的中心顏色通道分量，計算中心顏色通道分量和多個標(biāo)準(zhǔn)有色金屬對應(yīng)的多個標(biāo)準(zhǔn)顏色通道分量之間的最小顏色差值。[0051] 預(yù)先建立一個有色金屬數(shù)據(jù)庫，有色金屬數(shù)據(jù)庫中存儲了大量的標(biāo)準(zhǔn)有色金屬的標(biāo)準(zhǔn)色，可以比當(dāng)前場景的有色金屬顏色多，但不能比當(dāng)前場景下的有色金屬顏色少?？梢垣@取目標(biāo)圖像中各部分和多種標(biāo)準(zhǔn)有色金屬的顏色差值，以區(qū)分當(dāng)前各顏色類別所屬的數(shù)據(jù)類型，比如是屬于噪聲圖像數(shù)據(jù)部分，背景圖像數(shù)據(jù)部分、各種有色金屬圖像數(shù)據(jù)部分和廢金屬中的非有色金屬圖像數(shù)據(jù)部分。[0052] 獲取各第一類別的類別中心的中心顏色通道分量。[0053] 計算中心顏色通道分量和有色金屬數(shù)據(jù)庫中所有標(biāo)準(zhǔn)有色金屬對應(yīng)的多個標(biāo)準(zhǔn)顏色通道分量之間的最小顏色差值，具體的：將LAB顏色空間中的a通道的顏色通道分量作為第一顏色通道分量，將b通道的顏色通道分量作為第二顏色通道分量；中心顏色通道分量重的第一顏色通道分量和標(biāo)準(zhǔn)顏色通道分量中的第一顏色通道分量作差，得到第一顏色差值；中心顏色通道分量重的第二顏色通道分量和標(biāo)準(zhǔn)顏色通道分量重的第二顏色通道分量作差，得到第二顏色差值；該第一顏色差值的平方和第二顏色差值的平方的和，作為顏色差值；對于任意第一類別的類別中心，計算類別中心和所有標(biāo)準(zhǔn)有色金屬對應(yīng)的多個標(biāo)準(zhǔn)顏色通道分量之間的顏色差值，得到多個顏色差值；選取顏色差值中最小值作為類別中心對應(yīng)的最小顏色差值。[0054] 該最小顏色差值越小，則與有色金屬數(shù)據(jù)庫中的標(biāo)準(zhǔn)有色金屬的顏色越接近，該第一類別內(nèi)對應(yīng)的像素點屬于有色金屬的可能性越高。[0055] 步驟S400，選取任意像素點作為目標(biāo)像素點，獲取目標(biāo)像素點與其對應(yīng)的鄰域像素點之間的顏色分量向量的最大鄰域顏色差值，根據(jù)最大鄰域顏色差值和最小顏色差值計算有色金屬概率。[0056] 不管是屬于噪聲圖像數(shù)據(jù)部分，背景圖像數(shù)據(jù)部分還是屬于廢金屬中的非有色金屬圖像數(shù)據(jù)部分噪聲數(shù)據(jù)部分的類別都有各自對應(yīng)的最小顏色差值，所以僅根據(jù)顏色差異難以界定為有色金屬的可能性。由于有色金屬一般都是塊狀的，即使是有色金屬絲也是連續(xù)的，所以根據(jù)各像素點的同色連續(xù)分布，得到目標(biāo)圖像中各像素點的有色金屬概率。[0057] 選取任意像素點作為目標(biāo)像素點，獲取目標(biāo)像素點與其對應(yīng)的鄰域像素點之間的顏色分量向量的最大鄰域顏色差值。最大鄰域顏色差值的獲取方式為：目標(biāo)像素點對應(yīng)的第一顏色通道分量和鄰域像素點對應(yīng)的第一顏色通道分量作差，得到第三顏色差值；目標(biāo)像素點對應(yīng)的第二顏色通道分量和鄰域像素點對應(yīng)的第二顏色通道分量作差，得到第四顏色差值；第三顏色差值的平方和第四顏色差值的平方的和，作為鄰域顏色差值；對于目標(biāo)像素點，計算目標(biāo)像素點和其對應(yīng)的多個鄰域像素點的鄰域顏色差值，得到多個鄰域顏色差值；選取鄰域顏色差值中最大值作為目標(biāo)像素點的最大鄰域顏色差值。最大鄰域顏色差值用于度量各像素點的同色連續(xù)分布，其最大鄰域顏色差值越大，則說明像素點的同色連續(xù)性越差，出現(xiàn)了較為突出的顏色變化，很有可能是屬于噪聲部分、背景部分、廢金屬中的非有色金屬圖像數(shù)據(jù)部分或者是一些邊緣，屬于有色金屬的可能性就越低，也即對應(yīng)的有色金屬概率越低。[0058] 根據(jù)最大鄰域顏色差值和最小顏色差值計算有色金屬概率。具體的：將最大鄰域顏色差值和最小顏色差值相乘，得到有色金屬概率參數(shù)；以自然常數(shù)為底數(shù)，以負的有色金屬概率參數(shù)為指數(shù)的指數(shù)函數(shù)，作為有色金屬概率。[0059] 該第個像素點對應(yīng)的有色金屬概率 的計算公式為：[0060][0061] 其中， 為第 個像素點對應(yīng)的最小顏色差值； 為第 個像素點對應(yīng)的最大鄰域顏色差值； 為以自然常數(shù)為底數(shù)的指數(shù)函數(shù)； 為第 個像素點對應(yīng)的有色金屬概率參數(shù)。[0062] 其中，該有色金屬概率的計算公式中，指數(shù)函數(shù)是為了防止最小顏色差值和最大鄰域顏色差值出現(xiàn)有一個為0的情況，且最小顏色差值和最大鄰域顏色差值越低，則屬于有色廢金屬的可能性越大，對應(yīng)的有色金屬概率也越大，所以指數(shù)函數(shù)也起到了一個負相關(guān)映射的作用，反映出第i個像素點屬于有色金屬的可能性就越大。[0063] 步驟S500，由像素點的橫坐標(biāo)、縱坐標(biāo)和所屬的第一類別構(gòu)建三維向量，基于三維向量和有色金屬概率對像素點進行二次分類，得到第二類別；根據(jù)各像素點對應(yīng)的鄰域像素點所屬的第二類別的分布情況對目標(biāo)圖像進行分塊，得到多個分塊區(qū)域；基于有色金屬概率對分塊區(qū)域進行圖像增強，得到增強圖像；分割增強圖像，得到多個有色金屬區(qū)域，基于有色金屬區(qū)域?qū)U金屬進行分類。[0064] 在得到各像素點對應(yīng)的有色金屬概率之后，可對各像素點的灰度值進行不同程度拉伸，實現(xiàn)圖像的增強。其中，灰度值拉伸也即直方圖均衡化。由于圖像中各有色金屬的灰度值并不一樣，所以當(dāng)基于有色金屬概率對整個圖像進行拉伸時，可以起到一定的圖像增強作用，但是提升有限。且由于金屬表面光滑的屬性，在直方圖均衡化時很容易出現(xiàn)部分區(qū)域過曝情況。常規(guī)方法處理直方圖均衡化過曝現(xiàn)象都是采用分塊處理，但是均勻分塊處理，并不能起到很好的凸顯作用。故本發(fā)明在分塊時，選擇將按有色金屬中各像素點的有色金屬概率進行分塊處理，使得在進行塊內(nèi)的直方圖均衡化操作時，能夠更好的將廢金屬中的有色金屬凸顯出來，并弱化背景，即一個分塊區(qū)域內(nèi)只有一種有色金屬，其余區(qū)域為背景數(shù)據(jù)部分、噪聲數(shù)據(jù)部分或廢金屬中的非有色金屬部分。[0065] 在分類時不應(yīng)直接基于有色金屬概率進行分類，因為直接基于有色金屬概率進行分類使得背景數(shù)據(jù)部分、噪聲數(shù)據(jù)部分和廢金屬中的非有色金屬部分也被為了一塊，而在進行局部直方圖均衡化時，導(dǎo)致背景數(shù)據(jù)、噪聲數(shù)據(jù)部分和廢金屬中的非有色金屬部分反而被凸顯出來。[0066] 故進一步的，以像素點的橫坐標(biāo)、縱坐標(biāo)和像素點所屬的第二類別構(gòu)建三維向量，基于三維向量，利用DBSCAN算法對像素點進行二次分類，得到第二類別；其中，DBSCAN算法的度量依據(jù)為有色金屬概率。不同的第一類別表示廢金屬中不同的有色金屬，但也有可能是背景、噪聲和非有色金屬數(shù)據(jù)類別。所以將像素點所屬的第一類別作為分類依據(jù)，區(qū)分不同像素點所屬的第一類別。[0067] 將有色金屬概率作為DBSCAN算法的度量依據(jù)，也即作為DBSCAN算法在聚類時的搜索依據(jù)。需要說明的是，即常規(guī)的DBSCAN算法在聚類時，是通過歐式距離作為度量依據(jù)，在本發(fā)明將有色金屬概率作為度量依據(jù)，且將有色金屬概率作為度量依據(jù)時不采用兩個像素點之間的有色金屬概率的差值，而是采用兩個像素點所對應(yīng)的有色金屬概率的最小值作為依據(jù)。實現(xiàn)基于各像素點對應(yīng)的三維向量，利用DBSCAN算法對像素點進行分類，將位置坐標(biāo)相近，大概率屬于同一種有色金屬的像素點聚為一類，得到多個第二類別。第二類別反映了有色金屬的劃分。[0068] 在對像素點進行二次分類得到第二類別之后，由于第二類別的邊界之間都是相對混亂的。故進一步的，根據(jù)各像素點對應(yīng)的鄰域像素點所屬的第二類別的分布情況對目標(biāo)圖像進行分塊，得到多個分塊區(qū)域。具體的：[0069] 步驟一，獲取每個像素點對應(yīng)的3*3窗口內(nèi)的像素點所屬的第二類別；基于窗口內(nèi)各像素點的所屬第二類別的占比，計算窗口的信息熵。當(dāng)窗口內(nèi)各像素點所屬的第二類別越多，則對應(yīng)的窗口的信息熵越大，當(dāng)窗口內(nèi)各像素點所屬的第二類別越單一，則對應(yīng)的窗口的信息熵越小。[0070] 步驟二，當(dāng)窗口的信息熵等于預(yù)設(shè)信息熵閾值時，則表示當(dāng)前局部區(qū)域的分類結(jié)果統(tǒng)一，將信息熵等于預(yù)設(shè)信息熵閾值的窗口內(nèi)的像素點的像素值置于0；當(dāng)窗口的信息熵大于預(yù)設(shè)信息熵閾值時，則表示當(dāng)前局部區(qū)域中出現(xiàn)了多個類別，將信息熵大于預(yù)設(shè)信息熵閾值的窗口內(nèi)像素點的像素值置為1，得到對應(yīng)的二值圖。在本發(fā)明實施例中預(yù)設(shè)信息熵閾值的取值為0，實施者可根據(jù)實際情況調(diào)整該取值。[0071] 步驟三，利用圖像細化算法，也即骨架化算法，提取得到的二值圖中的分塊邊界，將在二值圖中通過骨架化算法得到的分塊邊界映射至目標(biāo)圖像中，完成分塊操作，得到目標(biāo)圖像中的多個分塊區(qū)域。[0072] 在完成分塊操作后，基于有色金屬概率對分塊區(qū)域進行圖像增強，得到增強圖像。具體的：對于每個分塊區(qū)域進行直方圖均衡化，并在進行直方圖均衡化時，對各像素點的灰度值拉伸系數(shù)進行調(diào)整。各像素點對應(yīng)的調(diào)整后的調(diào)整灰度值拉伸系數(shù)為原始灰度值拉伸系數(shù)和其對應(yīng)的有色金屬概率的乘積；基于調(diào)整灰度值拉伸系數(shù)，對分塊區(qū)域進行增強，得到對應(yīng)的增強圖像，也即在基于調(diào)整灰度值拉伸系數(shù)對每個分塊區(qū)域內(nèi)的灰度值進行調(diào)整后，將每個分塊區(qū)域內(nèi)調(diào)整后的灰度值進行歸一化，再將灰度值歸一化后的圖像乘以255，得到最大灰度級為255的圖像，就是增強后的增強圖像。需要說明的是原始灰度值拉伸系數(shù)可由直方圖均衡化算法獲得。其中，有色金屬概率越大，則說明當(dāng)前像素點屬于有色廢金屬的可能性越高，則其對應(yīng)的灰度值調(diào)整后應(yīng)當(dāng)越大。

[0073] 得到增強圖像后，采用大津閾值法對該增強圖像進行自適應(yīng)分割，得到有色金屬的分割結(jié)果，采用形態(tài)學(xué)操作對有色金屬的分割結(jié)果進行填充，然后采用連通域算法得到多個有色金屬區(qū)域，實現(xiàn)對廢金屬內(nèi)的有色金屬進行定位。再基于有色金屬區(qū)域?qū)U金屬進行分類，進而將有色金屬區(qū)域和分類結(jié)果發(fā)送至分選平臺，由分選平臺完成分選。需要說明的是，該分類結(jié)果第二類別。[0074] 綜上所述，本發(fā)明實施例利用廢金屬回收智能分選技術(shù)領(lǐng)域。該方法采集廢金屬圖像，預(yù)處理廢金屬圖像得到目標(biāo)圖像和對應(yīng)的LAB圖像，基于LAB圖像中各像素點對應(yīng)的顏色通道的顏色通道分量的差異，對像素點進行分類得到多個第一類別；獲取各第一類別的類別中心的中心顏色通道分量和多個標(biāo)準(zhǔn)有色金屬對應(yīng)的多個標(biāo)準(zhǔn)顏色通道分量之間的最小顏色差值；選取任意像素點作為目標(biāo)像素點，獲取目標(biāo)像素點與其對應(yīng)的鄰域像素點之間的顏色分量向量的最大鄰域顏色差值，根據(jù)最大鄰域顏色差值和最小顏色差值計算有色金屬概率；由像素點的橫坐標(biāo)、縱坐標(biāo)和所屬的第一類別構(gòu)建三維向量，基于三維向量和有色金屬概率對像素點進行二次分類，得到第二類別；根據(jù)各像素點對應(yīng)的鄰域像素點所屬的第二類別的分布情況對目標(biāo)圖像進行分塊，得到多個分塊區(qū)域；基于有色金屬概率對分塊區(qū)域進行圖像增強，得到增強圖像；分割增強圖像得到多個有色金屬區(qū)域，基于有色金屬區(qū)域?qū)U金屬進行分類。本發(fā)明通過對廢金屬圖像進行數(shù)據(jù)處理，結(jié)合有色金屬的顏色特征和形態(tài)特征識別出廢金屬中的有色金屬區(qū)域，根據(jù)有色金屬區(qū)域?qū)U金屬進行分類，實現(xiàn)了廢金屬回收的智能分選，不僅考慮了像素的顏色還考慮了像素的聚集程度和為有色金屬的概率，避免因環(huán)境的影響而導(dǎo)致的對有色金屬定位出現(xiàn)偏差的問題。[0075] 需要說明的是：上述本發(fā)明實施例先后順序僅僅為了描述，不代表實施例的優(yōu)劣。在附圖中描繪的過程不一定要求示出的特定順序或者連續(xù)順序才能實現(xiàn)期望的結(jié)果。在某些實施方式中，多任務(wù)處理和并行處理也是可以的或者可能是有利的。

[0076] 本說明書中的各個實施例均采用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。[0077] 以上所述僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。