[发明专利]医药检测机器人中基于序列图像时域特征的杂质检测方法

摘要

本发明公开了一种医药检测机器人中基于序列图像时域特征的杂质检测方法，根据序列图像像素的时域特征，将亮背景区域特征和暗背景区域特征映射到同一特征空间，消除亮背景与暗背景之间的差别，并通过神经网络对目标与背景进行分类，实现目标与背景的分割，根据异物特征运动轨迹，检测出异物。有效解决序列帧差法无法解决的亮背景、暗背景图像分割问题，异物检测漏检率、误检率更低；该发明方法相比现有序列差分方法，速度更快，且不受序列帧数目的影响，尤其在20帧以上的序列图像处理过程中，效果更明显；采用BP神经网络，通过样本学习的方法，自动建立分类标准，增强了复杂背景的适应能力，满足更多样本特征的有效提取。

主权项

一种医药检测机器人中基于序列图像时域特征的杂质检测方法，其特征在于，包括以下几个步骤： 步骤1：连续采集N帧图像作为单个样本序列图像，总共采集X个样本； 步骤2：从每个样本序列图像中提取原始特征向量，所述原始特征向量包括异物特征向量和背景特征向量，并分别对异物特征向量和背景特征向量进行升序排序后再归一化处理，建立异物特征样本数据库和背景特征样本数据库； 步骤3：利用异物特征样本数据库和背景特征样本数据库训练神经网络； 步骤4：从实时采集N帧序列图像中依次提取每个待测像素点的原始特征向量，对待测像素点的原始特征向量进行升序排序后，再进行归一化处理，并生成待测像素点的归一化特征向量； 步骤5：将所有待测像素点的有序特征向量输入到步骤3得到的神经网络中，输出每个待测像素点的灰度值，再基于得到的灰度值生成图像ImageR； 步骤6：对步骤5获得的图像ImageR进行二值化操作，二值化阈值为0.5，获得二值化图像ImageB，完成可见异物的目标分割，二值化图像中白色区域为被分割出来的异物区域，即为异物在图像中的运动轨迹，黑色区域为背景区域； 所述原始特征向量为，是指从序列图像中提取每帧图像在同一坐标点（x，y）的灰度值，表示第n帧图像中坐标点（x，y）的灰度值；所述有序特征向量为，是指依据的大小按照从小到大的顺序进行排序得到的向量，其中，且所述归一化特征向量为，其中n=1,...,N；所述异物特征向量是指原始特征向量中(x,y)为样本序列图像中出现异物的所有坐标点；所述背景特征向量是指原始特征向量中(x,y)为样本序列图像中均为出现异物的所有坐标点。