基于大数据的智慧社区资源管理方法及系统.pdf

《基于大数据的智慧社区资源管理方法及系统.pdf》由会员分享，可在线阅读，更多相关《基于大数据的智慧社区资源管理方法及系统.pdf（16页完成版）》请在专利查询网上搜索。

1、(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 202410008063.5(22)申请日 2024.01.04(71)申请人 深圳对对科技有限公司地址 518000 广东省深圳市南山区粤海街道滨海社区高新南十道81、83、85号深圳市软件产业基地1栋C13层 申请人 深圳市通网通信工程有限公司(72)发明人 陈永洲(74)专利代理机构 深圳海豚知识产权代理事务所(普通合伙)44952专利代理师 董会明(51)Int.Cl.G06T 5/90(2024.01)G06Q 50/26(2024.01)G06T 5/20(2006.01)G06T 7。

2、/00(2017.01)G06T 7/187(2017.01)G06T 7/40(2017.01)(54)发明名称一种基于大数据的智慧社区资源管理方法及系统(57)摘要本发明涉及图像滤波增强技术领域，具体涉及一种基于大数据的智慧社区资源管理方法及系统，本发明首先根据智慧社区监测灰度图像中像素点的局部灰度差异，得到局部离群程度；在根据灰度值分布趋势得到的条纹干扰方向上，根据像素点的灰度值、局部离群程度和位置，得到整体干扰强度；结合整体干扰强度和条纹干扰方向上的局部离群程度分布，以及垂直于条纹干扰方向上的像素点的局部离群程度分布规律，得到修正干扰程度；最后根据修正干扰程度得到更加准确的非局部均值滤。

3、波权重，使得结合非局部均值滤波权重后的非局部均值滤波效果更好，也即根据滤波增强后的智慧社区监测增强图像进行智慧社区资源管理的效果更好。权利要求书2页 说明书10页 附图3页CN 117522758 A2024.02.06CN 117522758 A1.一种基于大数据的智慧社区资源管理方法，其特征在于，所述方法包括：获取受到条纹干扰的智慧社区监测灰度图像；根据每个像素点与其局部邻域像素点之间的整体灰度差异，得到每个像素点的局部离群程度；根据智慧社区监测灰度图像中像素点的灰度值分布趋势，得到条纹干扰方向；根据每个像素点对应的条纹干扰方向上各个像素点的灰度值、局部离群程度和位置的分布情况，得到每个像。

4、素点的整体干扰强度；根据所述整体干扰强度，以及每个像素点对应的条纹干扰方向上邻域内各个像素点的局部离群程度分布情况，得到每个像素点的参考干扰程度；根据每个像素点与其对应的垂直于条纹干扰方向上的各个像素点之间的局部离群程度分布规律，对所述参考干扰程度进行修正，得到每个像素点的修正干扰程度；根据所述修正干扰程度得到每个像素点的非局部均值滤波权重；根据所述非局部均值滤波权重对智慧社区监测灰度图像进行非局部均值滤波，得到智慧社区监测增强图像；根据智慧社区监测增强图像进行智慧社区资源管理。2.根据权利要求1所述的一种基于大数据的智慧社区资源管理方法，其特征在于，所述局部离群程度的获取方法包括：将每个像素。

5、点的预设第一邻域范围内所有像素点的灰度值均值，作为每个像素点的局部灰度均值；将每个像素点的灰度值与对应的局部灰度均值之间差异的正相关映射值，作为每个像素点的局部离群程度。3.根据权利要求1所述的一种基于大数据的智慧社区资源管理方法，其特征在于，所述条纹干扰方向的获取方法包括：在智慧社区监测灰度图像中，选取预设第一数量个种子点并基于各个像素点的灰度值根据预设生长准则进行区域生长，直至满足预设截止生长条件后，得到至少两个生长连通域；其中，预设生长准则包括：将每个种子点预设第二邻域范围内与对应的种子点灰度值差异最小的其中一个像素点作为新的种子点；预设截止生长条件包括：区域生长过程中得到的生长连通域中。

6、的像素点数量大于预设第二数量；对每个生长连通域的所有像素点进行直线拟合，得到每个生长连通域的拟合直线；将所述拟合直线与水平方向的夹角，作为每个生长连通域的参考夹角；将所有生长连通域的参考夹角的均值，作为条纹干扰方向与水平方向的夹角。4.根据权利要求1所述的一种基于大数据的智慧社区资源管理方法，其特征在于，所述整体干扰强度的计算公式包括：其中，为第 个像素点的整体干扰强度；为第 个像素点在对应的条纹干扰方向上的像素点数量；为第 个像素点在对应的条纹干扰方向上的第 个像素点的局部离群程度；为第 个像素点在对应的条纹干扰方向上的第 个像素点的预设第一邻域范围内所有像素点的灰度值均值；为第 个像素点的。

7、预设第一邻域范围内所有像素点的灰度值均值；为第 个像素点与第 个像素点在对应的条纹干扰方向上的第 个像素点之间的欧氏距离；权利要求书1/2 页2CN 117522758 A2为以自然常数为底的对数函数；为以自然常数为底的指数函数；为绝对值符号。5.根据权利要求1所述的一种基于大数据的智慧社区资源管理方法，其特征在于，所述参考干扰程度的计算公式包括：其中，为第 个像素点的参考干扰程度；为第 个像素点的整体干扰强度；为第 个像素点在对应的条纹干扰方向上的预设第三邻域范围内所有像素点的局部离群程度的标准差；为第 个像素点在对应的条纹干扰方向上的预设第三邻域范围内所有像素点的局部离群程度的最大值；为第。

8、 个像素点在对应的条纹干扰方向上的预设第三邻域范围内所有像素点的局部离群程度的最小值；为双曲正切函数。6.根据权利要求1所述的一种基于大数据的智慧社区资源管理方法，其特征在于，所述修正干扰程度的获取方法包括：将与所述条纹干扰方向垂直的方向，作为条纹垂直参考方向；将每个像素点在对应的条纹垂直参考方向上的预设第四邻域范围内所有像素点的局部离群程度的众数，作为每个像素点的参考离群程度；将每个像素点的局部离群程度与对应的参考离群程度之间的差异的正相关映射值，作为每个像素点的干扰程度修正权重；根据所述干扰程度修正权重和每个像素点的参考干扰程度，得到每个像素点的修正干扰程度，所述干扰程度修正权重和所述参考。

9、干扰程度均与所述修正干扰程度呈正相关关系。7.根据权利要求1所述的一种基于大数据的智慧社区资源管理方法，其特征在于，所述非局部均值滤波权重的获取方法包括：将所述修正干扰程度与预设第一调节参数之间和值的倒数的归一化值，作为每个像素点的非局部均值滤波权重。8.根据权利要求6所述的一种基于大数据的智慧社区资源管理方法，其特征在于，所述根据所述干扰程度修正权重和每个像素点的参考干扰程度，得到每个像素点的修正干扰程度的方法包括：将所述干扰程度修正权重和所述参考干扰程度的乘积，作为每个像素点的修正干扰程度。9.根据权利要求1所述的一种基于大数据的智慧社区资源管理方法，其特征在于，所述非局部均值滤波的搜索窗。

10、口为99尺寸大小窗口。10.一种基于大数据的智慧社区资源管理系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求19任意一项所述方法的步骤。权利要求书2/2 页3CN 117522758 A3一种基于大数据的智慧社区资源管理方法及系统技术领域0001本发明涉及图像滤波增强技术领域，具体涉及一种基于大数据的智慧社区资源管理方法及系统。背景技术0002随着监控技术的普及和大数据分析的快速发展，通常利用监控对智慧社区资源进行监测，根据监测得到的图像结合大数据进行分析处理，从而进行智慧社区资源管理。但是通过监控得到的。

11、智慧社区监测图像通常会受到电磁干扰、电压波动等因素的影响，导致出现条纹干扰，从而导致智慧社区监测图像的质量降低，影响智慧社区资源管理。因此需要对智慧社区监测图像进行图像增强。0003现有技术通常通过非局部均值滤波对智慧社区监测图像进行图像滤波增强，但是条纹干扰影响下的智慧社区监测图像中，受到条纹干扰的像素点数量较多，采用非局部均值滤波时，会导致图像原本的有效信息被覆盖，使得滤波效果较差，即现有技术通常通过非局部均值滤波对智慧社区监测图像进行图像滤波增强效果较差，也即增强后的智慧社区监测图像较为模糊，使得对智慧社区资源管理的效果较差。发明内容0004为了解决现有技术通常通过非局部均值滤波对智慧社。

12、区监测图像进行图像滤波增强效果较差，也即增强后的智慧社区监测图像较为模糊，使得对智慧社区资源管理的效果较差的技术问题，本发明的目的在于提供一种基于大数据的智慧社区资源管理方法及系统，所采用的技术方案具体如下：本发明提出了一种基于大数据的智慧社区资源管理方法，所述方法包括：获取受到条纹干扰的智慧社区监测灰度图像；根据每个像素点与其局部邻域像素点之间的整体灰度差异，得到每个像素点的局部离群程度；根据智慧社区监测灰度图像中像素点的灰度值分布趋势，得到条纹干扰方向；根据每个像素点对应的条纹干扰方向上各个像素点的灰度值、局部离群程度和位置的分布情况，得到每个像素点的整体干扰强度；根据所述整体干扰强度，以。

13、及每个像素点对应的条纹干扰方向上邻域内各个像素点的局部离群程度分布情况，得到每个像素点的参考干扰程度；根据每个像素点与其对应的垂直于条纹干扰方向上的各个像素点之间的局部离群程度分布规律，对所述参考干扰程度进行修正，得到每个像素点的修正干扰程度；根据所述修正干扰程度得到每个像素点的非局部均值滤波权重；根据所述非局部均值滤波权重对智慧社区监测灰度图像进行非局部均值滤波，得到智慧社区监测增强图像；根据智慧社区监测增强图像进行智慧社区资源管理。0005进一步地，所述局部离群程度的获取方法包括：将每个像素点的预设第一邻域范围内所有像素点的灰度值均值，作为每个像素点说明书1/10 页4CN 1175227。

14、58 A4的局部灰度均值；将每个像素点的灰度值与对应的局部灰度均值之间差异的正相关映射值，作为每个像素点的局部离群程度。0006进一步地，所述条纹干扰方向的获取方法包括：在智慧社区监测灰度图像中，选取预设第一数量个种子点并基于各个像素点的灰度值根据预设生长准则进行区域生长，直至满足预设截止生长条件后，得到至少两个生长连通域；其中，预设生长准则包括：将每个种子点预设第二邻域范围内与对应的种子点灰度值差异最小的其中一个像素点作为新的种子点；预设截止生长条件包括：区域生长过程中得到的生长连通域中的像素点数量大于预设第二数量；对每个生长连通域的所有像素点进行直线拟合，得到每个生长连通域的拟合直线；将所。

15、述拟合直线与水平方向的夹角，作为每个生长连通域的参考夹角；将所有生长连通域的参考夹角的均值，作为条纹干扰方向与水平方向的夹角。0007进一步地，所述整体干扰强度的计算公式包括：其中，为第 个像素点的整体干扰强度；为第 个像素点在对应的条纹干扰方向上的像素点数量；为第 个像素点在对应的条纹干扰方向上的第 个像素点的局部离群程度；为第 个像素点在对应的条纹干扰方向上的第 个像素点的预设第一邻域范围内所有像素点的灰度值均值；为第 个像素点的预设第一邻域范围内所有像素点的灰度值均值；为第 个像素点与第 个像素点在对应的条纹干扰方向上的第 个像素点之间的欧氏距离；为以自然常数为底的对数函数；为以自然常数。

16、为底的指数函数；为绝对值符号。0008进一步地，所述参考干扰程度的计算公式包括：其中，为第 个像素点的参考干扰程度；为第 个像素点的整体干扰强度；为第 个像素点在对应的条纹干扰方向上的预设第三邻域范围内所有像素点的局部离群程度的标准差；为第 个像素点在对应的条纹干扰方向上的预设第三邻域范围内所有像素点的局部离群程度的最大值；为第 个像素点在对应的条纹干扰方向上的预设第三邻域范围内所有像素点的局部离群程度的最小值；为双曲正切函数。0009进一步地，所述修正干扰程度的获取方法包括：将与所述条纹干扰方向垂直的方向，作为条纹垂直参考方向；将每个像素点在对应的条纹垂直参考方向上的预设第四邻域范围内所有像。

17、素点的局部离群程度的众数，作为每个像素点的参考离群程度；将每个像素点的局部离群程度与对应的参考离群程度之间的差异的正相关映射值，作为每个像素点的干扰程度修正权重；根据所述干扰程度修正权重和每个像素点的参考干扰程度，得到每个像素点的修正干扰程度，所述干扰程度修正权重和所述参考干扰程度均与所述修正干扰程度呈正相关关系。0010进一步地，所述非局部均值滤波权重的获取方法包括：说明书2/10 页5CN 117522758 A5将所述修正干扰程度与预设第一调节参数之间和值的倒数的归一化值，作为每个像素点的非局部均值滤波权重。0011进一步地，所述根据所述干扰程度修正权重和每个像素点的参考干扰程度，得到每。

18、个像素点的修正干扰程度的方法包括：将所述干扰程度修正权重和所述参考干扰程度的乘积，作为每个像素点的修正干扰程度。0012进一步地，所述非局部均值滤波的搜索窗口为99尺寸大小窗口。0013本发明还提出了一种基于大数据的智慧社区资源管理系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现任意一项一种基于大数据的智慧社区资源管理方法的步骤。0014本发明具有如下有益效果：考虑到智慧社区监测灰度图像中不同像素点受到条纹干扰的影响程度不同，若在非局部均值滤波过程中，降低受到条纹干扰影响较高的像素点的权重，则能够在采用非局部均值滤波对图像进行增强。

19、的同时，减少受到条纹干扰的像素点的影响，使得增强后的智慧社区监测增强图像的增强效果更好，因此需要计算每个像素点受到条纹干扰的程度。考虑到干扰条纹的存在影响智慧社区监测灰度图像中像素点的灰度值，使其灰度值发生明显偏移，因此本发明根据每个像素点与其局部邻域像素点之间的整体灰度差异，得到每个像素点的局部离群程度。进一步地结合不同条纹区域上的像素点受到整体条纹干扰的强度不同的特点，根据每个像素点对应的条纹干扰方向上各个像素点的灰度值、局部离群程度和位置的分布情况，得到每个像素点的整体干扰强度，也即从局部和整体两个角度表征每个像素点受到干扰的影响程度；进一步地将局部离群程度和整体干扰程度结合，并考虑到同。

20、一条纹上干扰强度部分不均匀的特点，根据整体干扰强度，以及每个像素点对应的条纹干扰方向上邻域内各个像素点的局部离群程度分布情况，得到每个像素点的参考干扰程度。进一步地为了使得对条纹干扰的衡量更加准确，结合智慧社区监测灰度图像中受到条纹干扰影响较小的像素点的位置分布，通过每个像素点与其对应的垂直于条纹干扰方向上的各个像素点之间的局部离群程度分布规律，对所述参考干扰程度进行修正，得到更加准确的修正干扰程度，使得根据修正干扰程度得到的非局部均值滤波权重更加准确，从而使得结合非局部均值滤波权重后对智慧社区监测灰度图像进行非局部均值滤波效果更好，也即智慧社区监测增强图像的图像滤波增强效果更好，图像增强后的。

21、智慧社区监测增强图像更加清晰，使得根据智慧社区监测增强图像进行智慧社区资源管理的效果更好。附图说明0015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。0016图1为本发明一个实施例所提供的一种基于大数据的智慧社区资源管理方法流程图；图2为本发明一个实施例所提供的一种智慧社区监测图像增强方法流程图；说明书3/10 页6CN 117522758 A6图3为本发明一个实施例所提供的一种受。

22、到条纹干扰的智慧社区监测灰度图像。具体实施方式0017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一种基于大数据的智慧社区资源管理方法及系统，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。0018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。0019一种基于大数据的智慧社区资源管理方法及系统实施例：下面结合附图具体的说明本发明所提供的一。

23、种基于大数据的智慧社区资源管理方法及系统的具体方案。0020请参阅图1，其示出了本发明一个实施例提供的一种基于大数据的智慧社区资源管理方法流程图，该方法包括：步骤S1：获取受到条纹干扰的智慧社区监测灰度图像。0021本发明实施例旨在提供一种基于大数据的智慧社区资源管理方法，用于根据智慧社区监测灰度图像通过图像处理方法进行滤波增强，得到增强效果更好的智慧社区监测增强图像，使得根据智慧社区监测增强图像进行智慧社区资源管理的效果更好。因此首先需要获取受到条纹干扰的智慧社区监测灰度图像。在本发明实施例中，通过智慧社区的监控摄像头采集受到条纹干扰的智慧社区监测初始图像，并且考虑到后续需要根据图像中的灰度。

24、值进行分析，因此进一步地将智慧社区监测初始图像进行灰度化，得到本发明实施例所需要的获取受到条纹干扰的智慧社区监测灰度图像。请参阅图3，其示出了本发明一个实施例所提供的一种受到条纹干扰的智慧社区监测灰度图像，在图3中，条纹的分布具有明显的规律性，且对图像的观测有显著的影响。0022步骤S2：根据每个像素点与其局部邻域像素点之间的整体灰度差异，得到每个像素点的局部离群程度；根据智慧社区监测灰度图像中像素点的灰度值分布趋势，得到条纹干扰方向；根据每个像素点对应的条纹干扰方向上各个像素点的灰度值、局部离群程度和位置的分布情况，得到每个像素点的整体干扰强度。0023考虑到智慧社区监测灰度图像中不同像素点。

25、受到条纹干扰的影响程度不同，若在非局部均值滤波过程中，降低受到条纹干扰影响较高的像素点的权重，则能够在采用非局部均值滤波对图像进行增强的同时，减少受到条纹干扰的像素点的影响，使得增强后的智慧社区监测增强图像的增强效果更好，因此需要计算每个像素点受到条纹干扰的程度。而条纹干扰通常会使得像素点的灰度值发生偏移，因此可初步通过灰度值偏移的情况根据每个像素点与其局部邻域像素点之间的整体灰度差异，得到每个像素点的局部离群程度，也即通过局部离群程度，从而每个像素点的局部邻域像素点的分布情况的角度上，初步表征条纹干扰程度。0024优选地，局部离群程度的获取方法包括：将每个像素点的预设第一邻域范围内所有像素点。

26、的灰度值均值，作为每个像素点说明书4/10 页7CN 117522758 A7的局部灰度均值；将每个像素点的灰度值与对应的局部灰度均值之间差异的正相关映射值，作为每个像素点的局部离群程度。在本发明实施例中，预设第一邻域范围设置为24邻域，也即以每个像素点为中心的55大小的窗口中，除中心像素点外的其他像素点组成的区域。局部灰度均值能够表征每个像素点邻域内的灰度分布情况，每个像素点的灰度值与局部灰度均值之间的差异越大，说明像素点与其邻域内的像素点偏离程度越大，也即在灰度上的离散程度越大，越可能受到条纹干扰影响导致灰度值发生明显的偏移，对应的局部离群程度越大。0025在本发明实施例中，依次将每个像素。

27、点作为第 个像素点，则第 个像素点的局部离群程度的获取方法在公式上表现为：其中，为第 个像素点的局部离群程度；为第 个像素点的灰度值；为第 个像素点的局部离群程度，也即第 个像素点的预设第一邻域范围内所有像素点的灰度值均值；为以自然常数为底的对数函数；为绝对值符号。需要说明的是，除外，实施者也可通过其他方法进行正相关映射，但要保证映射后的值大于等于0，例如采样双曲正切函数，在此不做进一步赘述。0026局部离群程度只能通过每个像素点的相对于局部邻域像素点的灰度偏差来表征对应的灰度偏离，对图像整体而言局限性较高。当智慧社区监测灰度图像受到条纹干扰时，通常存在规律排列的多个条纹，所有条纹均有明确的方。

28、向性，而不同条纹的干扰强度是不同的，因此需要进一步地从每个条纹整体对每个像素点进行干扰程度分析。由于条纹排列具有显著的方向规律性，因此要确定每个像素点的条纹区域，则首先需要确定条纹的方向。考虑受到条纹干扰的智慧社区监测灰度图像上，条纹方向上通常会存在一定程度的灰度相似性，并且受到干扰的区域是相互平行的条状区域，因此未受到干扰的区域也在条纹方向上存在灰度相似性，本发明实施例根据智慧社区监测灰度图像中像素点的灰度值分布趋势，得到条纹干扰方向。0027优选地，条纹干扰方向的获取方法包括：在智慧社区监测灰度图像中，选取预设第一数量个种子点并基于各个像素点的灰度值根据预设生长准则进行区域生长，直至满足预。

29、设截止生长条件后，得到至少两个生长连通域；其中，预设生长准则包括：将每个种子点预设第二邻域范围内与对应的种子点灰度值差异最小的其中一个像素点作为新的种子点；预设截止生长条件包括：区域生长过程中得到的生长连通域中的像素点数量大于预设第二数量。在本发明实施例中，预设第一数量设置为20，预设第二数量设置为50，预设第二邻域范围设置为八邻域，实施者可根据具体实施环境自行调整预设第一数量、预设第二数量和预设第二邻域范围的大小，在此不做进一步赘述。由于条纹方向上像素点通常会存在一定程度的灰度相似性，因此通过区域生长算法能够使得生长连通域以条纹方向进行延伸，因此得到各个生长连通域后，对每个生长连通域的所有像。

30、素点进行直线拟合，得到每个生长连通域的拟合直线；将拟合直线与水平方向的夹角，作为每个生长连通域的参考夹角；将所有生长连通域的参考夹角的均值，作为条纹干扰方向与水平方向的夹角，通过均值结合所有生长连通域对应的延伸方向，使得得到的条纹干扰方向更加准确。需要说明的是，为了减少偶然数据的干扰，可通过方法排说明书5/10 页8CN 117522758 A8除异常参考夹角的干扰后进行均值计算，实施者可根据具体实施环境自行调整，且方法为本领域技术人员所熟知的现有技术，在此不做进一步限定和赘述。0028在获取条纹干扰方向后，根据不同条纹的干扰强度不同的特性，从每个条纹整体对每个像素点进行干扰程度分析。考虑到图。

31、像中正常的区域会存在正常的灰度波动，而条纹干扰下，条纹干扰方向上的像素点灰度波动会受到影响，对应的条纹干扰方向上像素点邻域分布越相似，各个像素点的局部离群程度越大，则说明像素点受到整体干扰的强度越大，并且与条纹干扰方向上的像素点与对应的像素点距离越近，则参考价值越大，根据计算得到的整体干扰强度也就越大。因此本发明实施例根据每个像素点对应的条纹干扰方向上各个像素点的灰度值、局部离群程度和位置的分布情况，得到每个像素点的整体干扰强度。0029优选地，整体干扰强度的计算公式包括：其中，为第 个像素点的整体干扰强度；为第 个像素点在对应的条纹干扰方向上的像素点数量；为第 个像素点在对应的条纹干扰方向上。

32、的第 个像素点的局部离群程度；为第 个像素点在对应的条纹干扰方向上的第 个像素点的预设第一邻域范围内所有像素点的灰度值均值；为第 个像素点的预设第一邻域范围内所有像素点的灰度值均值；为第 个像素点与第 个像素点在对应的条纹干扰方向上的第 个像素点之间的欧氏距离；为以自然常数为底的对数函数；为以自然常数为底的指数函数；为绝对值符号。0030由于第 个像素点在对应的条纹干扰方向上存在多个其他像素点，因此对每个其他像素点进行分析，其他像素点与第 个像素点距离越远，则对应的干扰影响的参考价值越小，因此以其他像素点与第 个像素点之间的欧氏距离为分母进行正相关映射，实施者也可选择除对数函数外的其他方法进行。

33、正相关映射。而根据条纹干扰方向上的像素点灰度波动会受到影响，对应的条纹干扰方向上像素点邻域分布越相似则像素点受到整体干扰的强度越大的特点，对应的第 个像素点的局部灰度均值与其他像素点的局部灰度均值差异越小，也即越小，则像素点邻域分布越相似，对应的像素点受到整体干扰的强度越大，因此通过对进行负相关映射，实施者也可通过倒数等其他负相关映射方法进行处理。进一步地考虑到局部离群程度越大的像素点，受到条纹干扰的影响越大，因此在条纹干扰方向上的像素点受到条纹干扰的影响整体越大，则说明整体干扰强度越大。最后通过均值的方式将所有其他像素点对整体干扰强度的影响结合，得到第 个像素点的整体干扰强度，对应的整体干扰。

34、强度越大，则说明第 个像素点所处条纹方向上的离群程度越大，则第 个像素点与周围背景的灰度差异越大，并且所处条纹方向上的条纹整体干扰也就越大。0031步骤S3：根据整体干扰强度，以及每个像素点对应的条纹干扰方向上邻域内各个像素点的局部离群程度分布情况，得到每个像素点的参考干扰程度；根据每个像素点与其对应的垂直于条纹干扰方向上的各个像素点之间的局部离群程度分布规律，对参考干扰程说明书6/10 页9CN 117522758 A9度进行修正，得到每个像素点的修正干扰程度。0032通过不同条纹区域上的像素点受到条纹干扰的强度不同，得到每个像素点的整体干扰强度；进一步地需要考虑到每个像素点所处条纹方向上的。

35、干扰强度分布也是不均匀的，以及每个像素点所处条纹方向上各个像素点的实际干扰强度不同，因此进一步地在整体干扰强度的基础上进行进一步地分析，得到表征每个像素点受到干扰影响程度的参考干扰程度。并且考虑到局部离群程度能够在一定程度上表征每个像素点在邻域灰度值上的干扰特征，因此本发明实施例根据整体干扰强度，以及每个像素点对应的条纹干扰方向上邻域内各个像素点的局部离群程度分布情况，得到每个像素点的参考干扰程度。0033优选地，参考干扰程度的计算公式包括：其中，为第 个像素点的参考干扰程度；为第 个像素点的整体干扰强度；为第 个像素点在对应的条纹干扰方向上的预设第三邻域范围内所有像素点的局部离群程度的标准差。

36、；为第 个像素点在对应的条纹干扰方向上的预设第三邻域范围内所有像素点的局部离群程度的最大值；为第 个像素点在对应的条纹干扰方向上的预设第三邻域范围内所有像素点的局部离群程度的最小值；为双曲正切函数。0034在本发明实施例中，预设第三邻域范围设置为在条纹干扰方向上以每个像素点为中心的20个最接近的像素点对应的范围。对于智慧社区监测灰度图像而言，虽然条纹干扰方向上整体会存在灰度波动，但是局部的灰度波动在没有受到条纹干扰影响时通常并不明显，对应的为预设第三邻域范围内所有像素点的局部离群程度的标准差，标准差能够表征波动程度，越大，则对应的邻域范围内像素点的局部离群程度的波动程度越大，说明第个像素点的邻。

37、域灰度分布与预设第三邻域范围内像素点的邻域灰度分布差异越大，对应的局部灰度波动越明显，说明第 个像素点越可能为受到干扰的像素点。而第 个像素点的整体干扰强度越大，则所处的条纹区域受到条纹干扰越明显，对应的参考干扰程度也就越大。与同理，也在一定程度上表征第 个像素点预设第三邻域范围内像素点的局部离群程度的波动程度，在此不做进一步赘述。需要说明的是，双曲正切函数作用是正相关归一化，实施者也可通过其他方法实现正相关归一化，例如线性归一化等，在此不做进一步赘述。0035此外，需要考虑到参考干扰程度只是通过不同的参数指标计算出的表征干扰程度的参数，其具体的数值大小对于像素点真实干扰程度表征不够准确，因为。

38、通过上述计算，没有受到条纹干扰影响的条纹区域也会计算出对应的参考干扰程度，不符合实际情况，因此进一步地需要对参考干扰程度进行修正，使得后续得到的非局部均值滤波权重更加准确。本发明实施例根据每个像素点与其对应的垂直于条纹干扰方向上的各个像素点之间的局部离群程度分布规律，对参考干扰程度进行修正，得到每个像素点的修正干扰程度。0036优选地，修正干扰程度的获取方法包括：将与条纹干扰方向垂直的方向，作为条纹垂直参考方向；将每个像素点在对应的条纹垂直参考方向上的预设第四邻域范围内所有像素点的局部离群程度的众数，作为每个像素点的参考离群程度。由于智慧社区监测灰度图像上的条纹是规律分布的，虽然不同条说明书7。

39、/10 页10CN 117522758 A10纹区域之间的干扰强度存在差别，但是没有受到条纹干扰影响的条纹区域所计算出的灰度值的局部离群程度通常一致，而受到条纹干扰的区域上像素点的局部离群程度通常存在波动变化，并且每隔两个真实干扰条纹之间的条纹区域，通常为没有受到条纹干扰影响的条纹区域。因此条纹垂直参考方向上的局部离群程度的众数即没有受到条纹干扰影响的条纹区域的离群程度标准，以此为标准进行后续每个像素点参考干扰程度的修正，使得各个像素点的参考干扰程度更加贴合实际情况。在本发明实施例中，预设第四邻域范围设置为在条纹垂直参考方向上以每个像素点为中心的20个最接近的像素点对应的范围，实施者可根据具体。

40、实施环境自行调整。0037将每个像素点的局部离群程度与对应的参考离群程度之间的差异的正相关映射值，作为每个像素点的干扰程度修正权重。没有受到条纹干扰影响的条纹区域上的像素点对应的局部离群程度与对应的参考离群程度之间的差异通常为0，或与0接近，也即对应的干扰程度修正权重越大，受到条纹干扰影响的程度越大。0038进一步地根据干扰程度修正权重和每个像素点的参考干扰程度，得到每个像素点的修正干扰程度，干扰程度修正权重和参考干扰程度均与修正干扰程度呈正相关关系。优选地，根据干扰程度修正权重和每个像素点的参考干扰程度，得到每个像素点的修正干扰程度的方法包括：将干扰程度修正权重和参考干扰程度的乘积，作为每个。

41、像素点的修正干扰程度。0039在本发明实施例中，第 个像素点的修正干扰程度的获取方法在公式上表现为：其中，为第 个像素点的修正干扰程度，为第 个像素点的参考干扰程度，为第 个像素点的干扰程度修正权重，为第 个像素点的参考离群程度，为第 个像素点的局部离群程度；为预设第二调节参数，在本发明实施例中，预设第二调节参数设置为0.1，实施者可根据具体实施环境自行调整。根据修正干扰程度的获取方法可知，第 个像素点的局部离群程度相比于对应的表征没有受到干扰的正常区域的参考离群程度越大时，对应的干扰程度修正权重越大，也即修正干扰程度也就越大，当第 个像素点的局部离群程度与对应的参考离群程度相等时，对应的修正。

42、干扰程度为0，也即没有受到条纹干扰。0040步骤S4：根据修正干扰程度得到每个像素点的非局部均值滤波权重；根据非局部均值滤波权重对智慧社区监测灰度图像进行非局部均值滤波，得到智慧社区监测增强图像；根据智慧社区监测增强图像进行智慧社区资源管理。0041进一步地根据修正干扰程度得到每个像素点的非局部均值滤波权重。根据非局部均值滤波原理，削弱受到干扰较大的像素点的滤波权重，能够提高滤波效果，因此像素点的修正干扰程度越大时，对应的非局部均值滤波权重越小。0042优选地，非局部均值滤波权重的获取方法包括：将修正干扰程度与预设第一调节参数之间和值的倒数的归一化值，作为每个像素点的非局部均值滤波权重。在本发。

43、明实施例中，预设第一调节参数设置为1，实施者可根据具体实施环境自行调整。需要说明的是，除倒数外，实施者也可通过其他方法进行负相关映说明书8/10 页11CN 117522758 A11射，例如，其中为以自然常数为底的指数函数。0043在本发明实施例中，第 个像素点的非局部均值滤波权重的获取方法在公式上表现为：其中，为第 个像素点的非局部均值滤波权重，为第 个像素点的修正干扰程度，为预设第一调节参数；为归一化函数，本发明实施例中归一化方法采样线性归一化，实施者可根据具体实施环境自行调整归一化方法，在此不做进一步赘述。0044进一步地根据非局部均值滤波权重对智慧社区监测灰度图像进行非局部均值滤波，。

44、得到智慧社区监测增强图像；优选地，非局部均值滤波的搜索窗口为99尺寸大小窗口。也即在搜索窗口中，结合每个像素点的非局部均值滤波权重进行加权后参与非局部均值滤波计算。需要说明的是，实施者可根据具体实施环境自行选择搜索窗口的尺寸大小，且非局部均值滤波为本领域技术人员所熟知的滤波方法，在此不做进一步限定和赘述。0045最后根据智慧社区监测增强图像进行智慧社区资源管理。智慧社区监测增强图像为去除条纹增强后的智慧社区监测图像，相比于智慧社区监测灰度图像更加清晰，实施者可根据增强后的智慧社区监测增强图像进行智慧社区资源管理，例如实时监测、社区资源清点等。0046综上所述，本发明首先根据智慧社区监测灰度图像。

45、中像素点的局部灰度差异，得到局部离群程度；在根据灰度值分布趋势得到的条纹干扰方向上，根据像素点的灰度值、局部离群程度和位置，得到整体干扰强度；结合整体干扰强度和条纹干扰方向上的局部离群程度分布，以及垂直于条纹干扰方向上的像素点的局部离群程度分布规律，得到修正干扰程度；最后根据修正干扰程度得到更加准确的非局部均值滤波权重，使得结合非局部均值滤波权重后的非局部均值滤波效果更好，也即根据滤波增强后的智慧社区监测增强图像进行智慧社区资源管理的效果更好。0047本发明还提出了一种基于大数据的智慧社区资源管理系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行所述计。

46、算机程序时实现任意一项一种基于大数据的智慧社区资源管理方法的步骤。0048一种智慧社区监测图像增强方法实施例：现有的对智慧社区监测图像进行增强的方法为通过非局部均值滤波对智慧社区监测图像进行图像滤波增强，但是条纹干扰影响下的智慧社区监测图像中，受到条纹干扰的像素点数量较多，采用非局部均值滤波时，会导致图像原本的有效信息被覆盖，使得滤波效果较差，即现有技术通常通过非局部均值滤波对智慧社区监测图像进行图像滤波增强效果较差。为了解决现有技术通过非局部均值滤波对智慧社区监测图像进行图像滤波增强的效果较差的技术问题，本实施例提供一种智慧社区监测图像增强方法。请参阅图2，其示出了本发明一个实施例所提供的一。

47、种智慧社区监测图像增强方法，该方法包括：步骤S01：获取受到条纹干扰的智慧社区监测灰度图像；步骤S02：根据每个像素点与其局部邻域像素点之间的整体灰度差异，得到每个像素点的局部离群程度；根据智慧社区监测灰度图像中像素点的灰度值分布趋势，得到条纹说明书9/10 页12CN 117522758 A12干扰方向；根据每个像素点对应的条纹干扰方向上各个像素点的灰度值、局部离群程度和位置的分布情况，得到每个像素点的整体干扰强度；步骤S03：根据整体干扰强度，以及每个像素点对应的条纹干扰方向上邻域内各个像素点的局部离群程度分布情况，得到每个像素点的参考干扰程度；根据每个像素点与其对应的垂直于条纹干扰方向上。

48、的各个像素点之间的局部离群程度分布规律，对参考干扰程度进行修正，得到每个像素点的修正干扰程度；步骤S04：根据修正干扰程度得到每个像素点的非局部均值滤波权重；根据非局部均值滤波权重对智慧社区监测灰度图像进行非局部均值滤波，得到智慧社区监测增强图像。0049其中，步骤S01步骤S04在上述一种基于大数据的智慧社区资源管理方法及系统实施例中已给出了详细说明，不再赘述。0050一种智慧社区监测图像增强方法涉及图像增强技术领域，该方法考虑到智慧社区监测灰度图像中不同像素点受到条纹干扰的影响程度不同，若在非局部均值滤波过程中，降低受到条纹干扰影响较高的像素点的权重，则能够在采用非局部均值滤波对图像进行增。

49、强的同时，减少受到条纹干扰的像素点的影响，使得增强后的智慧社区监测增强图像的增强效果更好，因此需要计算每个像素点受到条纹干扰的程度。考虑到干扰条纹的存在影响智慧社区监测灰度图像中像素点的灰度值，使其灰度值发生明显偏移，因此本发明根据每个像素点与其局部邻域像素点之间的整体灰度差异，得到每个像素点的局部离群程度。进一步地结合不同条纹区域上的像素点受到整体条纹干扰的强度不同的特点，根据每个像素点对应的条纹干扰方向上各个像素点的灰度值、局部离群程度和位置的分布情况，得到每个像素点的整体干扰强度，也即从局部和整体两个角度表征每个像素点受到干扰的影响程度；进一步地将局部离群程度和整体干扰程度结合，并考虑到。

50、同一条纹上干扰强度部分不均匀的特点，根据整体干扰强度，以及每个像素点对应的条纹干扰方向上邻域内各个像素点的局部离群程度分布情况，得到每个像素点的参考干扰程度。进一步地为了使得对条纹干扰的衡量更加准确，结合智慧社区监测灰度图像中受到条纹干扰影响较小的像素点的位置分布，通过每个像素点与其对应的垂直于条纹干扰方向上的各个像素点之间的局部离群程度分布规律，对所述参考干扰程度进行修正，得到更加准确的修正干扰程度，使得根据修正干扰程度得到的非局部均值滤波权重更加准确，从而使得结合非局部均值滤波权重后对智慧社区监测灰度图像进行非局部均值滤波效果更好，也即智慧社区监测增强图像的图像滤波增强效果更好。0051需。