(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210189625.1 (22)申请日 2022.02.28 (71)申请人 湖北科峰智能传动股份有限公司 地址 438000 湖北省黄冈市黄州区中粮大 道9号 (72)发明人 周志勇　吕小波　 (74)专利代理 机构 武汉知产时代知识产权代理 有限公司 42 238 专利代理师 张毅 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/80(2022.01) G06V 10/26(2022.01)G06V 10/44(2022.01) G06K 9/62(2022.01) (54)发明名称 一种基于局部特征和聚类算法的虾品图像 分类方法及系统 (57)摘要 本发明提供了一种基于局部特征和聚类算 法的虾品图像分类方法及系统， 包括如下步骤： S1:对每幅训 练图像采用融合预匹配、 轨迹规划 补偿、 图像匹配滤波降噪、 非线性尺度空间特征 点描述与匹配方法进行定位和特征提取， 全面捕 捉虾品目标移动对象姿态的特征信息； S2:初始 化设置， 使用层次K ‑means聚类算法对虾品移动 姿态特征表示进行聚类分析； S3:使用三种基于 不同特征的图像分割方法， 得到三个权值向量， 再通过加权求和的方式得到三个融合聚类结果； S4:把三个融合聚类结果整合在一起生成最终的 集成聚类结果。 本发明通过基于融合预匹配、 轨 迹规划补偿、 图像匹配滤波降噪、 非线性尺度空 间特征点描述与匹配方法进行小龙虾虾品深度 学习训练， 获得虾品图像的分类 。 权利要求书2页 说明书5页 附图2页 CN 114627495 A 2022.06.14 CN 114627495 A 1.一种基于局部特 征和聚类算法的虾品图像分类方法， 其特 征在于， 包括如下步骤： S1:对每幅训练图像采用融合预匹配、 轨迹规划补偿、 图像匹配滤波降噪、 非线 性尺度空 间特征点描述与匹配方法进行定位和特征提取， 全面捕捉虾品目标移动对象姿态的特征信 息， 还原虾品姿态的动态特性与时间上的关联性； S2:初始化设置， 使用层次K ‑means聚类算法对虾品移动姿态特 征表示进行聚类分析； S3:使用三种基于不同特征的图像分割方法， 对多个初始聚类结果的质量进行量化， 并 得到三个权值向量， 再通过加权求和的方式得到三个融合聚类结果； S4:把三个融合聚类结果整合在一 起生成最终的集成聚类结果。 2.根据权利要求1所述的基于局部特征和聚类算法的虾品图像分类方法， 其特征在于， 在步骤S1中， 所述融合预匹配具体包括以下步骤： 在视频跟踪虾品目标过程中， 根据运动学原理和虾品移动目标自身的运动规律， 建立 虾品移动姿态模型； 对目标位置的变化进行 预测， 以预测结果作为对下一帧目标的搜索中心； 自适应地调整目标搜索范围， 准确定位视频图像位置 。 3.根据权利要求2所述的基于局部特征和聚类算法的虾品图像分类方法， 其特征在于， 在步骤S1中， 所述轨迹规划 补偿具体包括以下步骤： 根据所述虾品移动姿态模型， 判断出虾 品轮廓轨 迹偏离， 并通过视 觉伺服控制进行虾品轮廓偏差补偿。 4.根据权利要求3所述的基于局部特征和聚类算法的虾品图像分类方法， 其特征在于， 所述图像匹配滤波降噪处 理具体包括如下步骤： 采用统计排序滤波器对图像进行中值滤波， 中值滤波器由FPGA来实现； 采用基于微分的细节锐化滤波器对图像进行锐化处理， 并采用Sobel算子对图像进行 边沿检测。 5.根据权利要求4所述的基于局部特征和聚类算法的虾品图像分类方法， 其特征在于， 在步骤S1中， 所述非线性尺度空间特 征点描述与匹配方法具体包括以下步骤： 构造非线性偏微分方程， 进行非线性扩散滤波； 利用AOS算法求 解方程， 得到非线性尺度空间的所有图像； 通过不同尺度归一化后的Hessian局部极大值来寻找特征点， 并根据泰勒展开 式， 进行 亚像素精确定位， 确定描述向量； 将得到的描述向量进行降维处 理， 得到降维后的描述子， 再进行 特征匹配。 6.根据权利要求1所述的基于局部特征和聚类算法的虾品图像分类方法， 其特征在于， 在步骤S2中， 所述层次K ‑means聚类算法具体包括以下步骤： S21:对聚类图像进行随机抽样得到样本图像集， 样本图像集与聚类图像满足预先设置 的相似度数值； S22:构造n个单成员聚类， 找到两个姿态最近的聚类， 并将其合并为一类， 聚类的个数就 减少一类； 依次类 推， 计算新生成的聚类与其 他聚类的相似度； S23:计算数据得出的层次聚类， 如果不加约束， 则聚类最终会聚为一类； 当数据分为k类 时， 函数取得最小， 即图像就分为 k类； S24:当数据分为K类时， 计算出每一类的聚类中心C1,C2,…CK； S25:以求出的聚类中心作为K均值的初始聚类中心， K值作为K均值聚类的个数， 进行K均权　利　要　求　书 1/2 页 2 CN 114627495 A 2值聚类得到聚类结果。 7.根据权利要求1所述的基于局部特征和聚类算法的虾品图像分类方法， 其特征在于， 在步骤S3中， 具体包括以下步骤： S31:使用三种基于不同特征的图像分割方法， 分别对原始图像进行分割， 得到三个粗分 割结果； S32:对边界图像进行操作， 得到新分割边界， 根据分割边界构建超像素； S33:对超像素建立相似性度量函数， 优化生成三个融合聚类相似矩阵后， 把三个矩阵融 合在一起生成最终的集成聚类结果， 并使其在此过程中能够自动识别类数， 产生最优的结 果。 8.根据权利要求7所述的基于局部特征和聚类算法的虾品图像分类方法， 其特征在于， 所述相似性度量函数采用最小二乘多项式法， 找到最佳拟合相似度数据x(t)的数学方程的 系数。 9.一种基于局部特征和聚类算法的虾品图像分类系统， 其特征在于， 所述虾品图像分 类系统包括： 提取模块， 用于采用姿态特 征提取算法提取每幅图像的姿态 ‑腰线特征向量； 聚类模块， 用于对整个训练图像集合的姿态 ‑腰线特征采用层次K均值聚类算法， 聚类 得到特征向量矩阵； 生成模块， 用于将待聚类的每幅图像的姿态 ‑腰线特征向量结合所述姿态 ‑腰线特征向 量矩阵， 生成表征 所述待聚类的每幅图像的角度特 征向量； 划分模块， 用于对所有待聚类图像的角度特征向量采用基于SNN相似度的DBSCAN聚类 算法进行聚类， 并根据所述聚类对图像进行相应的聚类。 10.根据权利要求9所述的基于局部特征和聚类算法的虾品图像分类系统， 其特征在 于， 所述提取模块包括： 特征向量提取子模块， 用于对每幅图像提取姿态特征点， 根据所述姿态特征点获取其 对应的姿态特 征向量； 姿态‑腰线特征向量提取子模块， 用于提取所述姿态特征向量对应的腰线特征向量， 根 据所述姿态特 征向量以及与其对应的腰线特 征向量得到姿态 ‑腰线特征向量。权　利　要　求　书 2/2 页 3 CN 114627495 A 3