[发明专利]托辊图像高效分割方法、装置、设备及存储介质

权利要求书

1.一种托辊图像高效分割方法，其特征在于，包括：

利用霍夫变换的方法对托辊图像提取直线条；

对所有提取出来的直线条依据其斜率特征，进行基于聚类算法的递归运算，得到若干簇线条一，再根据该若干簇线条一得到托辊的上边界直线和下边界直线；

根据得到托辊的上边界直线和下边界直线确定托辊的左右边界，并最终分割出托辊图像区域。

2.根据权利要求1所述的托辊图像高效分割方法，其特征在于，所述霍夫变换的方法就为采用累计概率霍夫变换算法，以此来完成托辊图像中直线条的提取。

3.根据权利要求1所述的托辊图像高效分割方法，其特征在于，所述聚类算法的递归运算为K-means聚类算法的二分类递归运算，该递归运算的过程包括：

将所有利用霍夫变换的方法对托辊图像检测而提取出的直线条采用K-means聚类算法聚为两类；

分别计算每个聚类的直线斜率的方差，当该方差不小于预设直线方差阈值时，则记录下该簇直线条的数据作为一个类别；当该方差大于预设直线方差阈值时，继续返回所述将所有利用霍夫变换的方法对托辊图像检测而提取出的直线条采用K-means聚类算法聚为两类的方法中执行而聚为两类，如此以二分类方式聚类递归，直到每个聚类的斜率方差小于直线方差阈值，最后，得到若干簇线条一。

4.根据权利要求1所述的托辊图像高效分割方法，其特征在于，所述将所有利用霍夫变换的方法对托辊图像检测而提取出的直线条采用K-means聚类算法聚为两类的方法，包括：

计算所有检测得到的直线条的斜率，并将得到的所有直线条的斜率值作为待聚类对象，然后采用K-means++算法作为初始聚类中心的方法，生成所要聚成两个类别的初始中心来作为聚类中心；

计算距离阶段，所述计算距离阶段即计算每个待聚类对象到所有聚类中心的欧氏距离；并将每个聚类对象划分到距离它最近的聚类中心，作为其所属于该类别的一个成员；

重新计算每个类别的均值，作为该类别新的聚类中心；

当每个待聚类对象到其所属类别的聚类中心的距离之和不能再减小，即算法已经收敛时，就终止所述将所有利用霍夫变换的方法对托辊图像检测而提取出的直线条采用K-means聚类算法聚为两类的方法；否则返回计算距离阶段继续进行。

5.根据权利要求4所述的托辊图像高效分割方法，其特征在于，所述再根据该若干簇线条一得到托辊的上边界直线和下边界直线，包括：

计算若干簇线条一斜率均值并取整，合并取整后的斜率均值相等的线条簇为一簇，将原来的若干簇线条一缩减为若干簇线条二并得到若干簇线条二的斜率值；

检索所述若干簇线条二的斜率均值，找到其内具有垂直关系的两簇线条；

确定两簇线条中斜率方差较小的为托辊上边界直线簇和下边界直线簇；

基于上边界线条簇和下边界线条簇的截距差别，再根据预设的截距阈值分为上边界线条组和下边界线条组；最后分别挑选上下边界线条组中与该组直线中与斜率均值误差最小的一条直线作为托辊上边界直线和下边界直线。

6.根据权利要求4所述的托辊图像高效分割方法，其特征在于，所述利用霍夫变换的方法对托辊图像提取直线条的托辊图像是对原始托辊图像依次执行预处理、边缘检测、轮廓检测与筛选后的托辊图像。

7.根据权利要求6所述的托辊图像高效分割方法，其特征在于，所述原始托辊图像为普通摄像头采集而来的托辊图像。

8.根据权利要求6所述的托辊图像高效分割方法，其特征在于，所述预处理包括：

依次执行的图像灰度化处理、高斯滤波处理和中值滤波处理。