一种温室蔬菜病害监控视频关键帧提取方法即提取系统的制作方法
【专利摘要】本发明公开了一种温室蔬菜病害监控视频关键帧提取方法及提取系统，该发明将视觉显著性与在线聚类算法相结合，首先利用X2直方图法进行帧间差异度量，剔除具有相似特征的视频帧图像对算法计算量的影响；其次将视频帧图像转到HSV颜色空间，结合温室蔬菜监控视频的特点，利用H、S通道计算视觉显著图，提取视频帧图像中的显著性区域，然后利用形态学方法对显著性区域中可能丢失的病斑信息进行修复；最终利用在线聚类算法和像素帧平均算法实现关键帧提取。该方法可以有效的获取温室蔬菜监控视频中病害的信息，为温室蔬菜病害的准确识别奠定坚实的基础。该发明得与图像处理、模式识别等技术结合的基础上，会在设施蔬菜病害识别方面有很大的贡献。
【专利说明】一种温室蔬菜病害监控视频关键帧提取方法即提取系统
【技术领域】
[0001]本发明涉及视频分析与图像处理【技术领域】，更具体涉及一种温室蔬菜病害监控视频关键巾贞提取方法及提取系统。
【背景技术】
[0002]病害是制约我国温室蔬菜生产可持续发展的重要因素，作物病害现象造成温室蔬菜的品质下降，影响其质量和经济效益，造成难以估量的损失。因此，有效防治病害是确保蔬菜生产安全、提高蔬菜产量和质量的根本保证，病害防治的关键是能够准确地识别病害。
[0003]随着视频监控技术的发展，越来越多的设施农业现场都已经配备了视频监控摄像头，帮助农民实施掌握设施农业现场的状况以及农作物的生长情况。这些海量监控视频信息记录了设施蔬菜病害的特征信息，具有重要的价值，应用提取温室蔬菜监控视频关键帧的方法来呈现温室蔬菜监控视频中的病害信息，有助于病害的准确识别和防治，不但可以节约人力、物力，而且有效降低病害对设施农业造成的损失，具有重要的意义。
[0004]近年来，关于视频关键帧提取的研究有很多，常用方法有以下几种:
[0005](I)基于镜头边界的关键帧提取方法，其主要原理是将每个镜头的第一帧、最后一帧或者视频中间位置的任意一帧作为关键帧。
[0006](2)基于帧图像信息的关键帧提取算法，其主要思想是选择视频镜头的第一帧为关键帧，依次计算后续每一帧与第一帧的距离，当距离大于一个设定的阈值时，取该帧为新的关键帧，重复计算后续帧与该关键帧的距离直到视频镜头的最后一帧。
[0007](3)基于运动检测的关键帧提取算法，其主要思想是通过提取运动特征，在运动特征值取局部最小值时，提取关键帧。
[0008](4)基于聚类的关键帧提取算法。基于聚类的关键帧提取算法的基本思想是:首先根据视频帧图像中的某一特征信息确定初始聚类中心，然后计算每一帧与聚类中心的距离，若距离小于预先设定的阈值T，则将该帧归为这一类，若距离大于预先设定的阈值T，则确定该巾贞为新的聚类中心。
[0009]通过分析发现，温室蔬菜监控视频具有以下特点:监控画面以亮度变化为主；监控摄像头的运动特征为慢速运动与静止结合，镜头内容不存在快速变化，镜头内不存在局部运动；视频对象单一，主体只有农作物。如何将视频关键帧提取的方法与温室蔬菜监控视频的特点结合，面向温室蔬菜病害识别的需求，提出相应的关键帧提取算法是亟待解决的问题。
【发明内容】
[0010](一)要解决的技术问题
[0011]本发明要解决的技术问题是如何实现从温室蔬菜监控视频中获取包含病害信息的关键帧图像。
[0012](二)技术方案[0013]为了解决上述技术问题，本发明提供了一种温室蔬菜病害监控视频关键帧提取方法，所述方法包括以下步骤:
[0014]S1、将监控视频解析为帧序列，并对每一帧进行增强处理；
[0015]S2、识别摄像头的运动状态；
[0016]S3、将步骤SI所述的帧序列中每一帧图像从RGB颜色空间转为HSV颜色空间；
[0017]S4、计算步骤S3得到的HSV帧图像的视觉显著图，并提取显著性区域；
[0018]S5、将步骤S4得到的所述显著性区域进行在线聚类；
[0019]S6、根据步骤S5的聚类结果，选择每一类中的关键帧。
[0020]优选地，所述步骤S2中，采用X2直方图法计算每一帧图像与第一帧图像的相似度，识别摄像头运动状态。
[0021]优选地，所述步骤S4中计算步骤S3得到的HSV帧图像的视觉显著图的具体方法为:
[0022]S401、结合温室蔬菜监控视频的特点，利用两个参数a和b修正IG算法，修正后的模型为公式(9)
[0023]S (X, y) = a* I I Is-1s (x, y) | | +b* | | Ih-1h (x, y) | | (9)
[0024]其中，IH、Is分别表示步骤S3得到的HSV图像模型的H通道的平均值和S通道平均值，Ih U，y)>ls U，y)表示所述H通道经过高斯滤波后的对应值和所述S通道经过高斯滤波后的对应值，1111为欧氏距离，a的值小于零，b的值小于或等于I ;
[0025]S402、利用HSV帧图像的显著性区域与背景之间的显著性比率来确定参数a和b的数值，计算公式为公式(10)，然后利用公式(9)计算步骤S3得到的HSV帧图像的视觉显著图；
【权利要求】
1.一种温室蔬菜病害监控视频关键帧提取方法，其特征在于，所述方法包括以下步骤: S1、将监控视频解析为帧序列，并对每一帧进行增强处理； S2、识别摄像头的运动状态； S3、将步骤SI所述的帧序列中每一帧图像从RGB颜色空间转为HSV颜色空间； S4、计算步骤S3得到的HSV帧图像的视觉显著图，并提取显著性区域； S5、将步骤S4得到的所述显著性区域进行在线聚类； S6、根据步骤S5的聚类结果，选择每一类中的关键帧。
2.根据权利要求1所述的方法，其特征在于，所述步骤S2中，采用X2直方图法计算每一帧图像与第一帧图像的相似度，识别摄像头运动状态。
3.根据权利要求1所述的方法，其特征在于，所述步骤S4中计算步骤S3得到的HSV帧图像的视觉显著图的具体方法为: 5S401、结合温室蔬菜监控视频的特点，利用两个参数a和b修正IG算法，修正后的模型为公式(9)
S (X, y) = a* I I Is-1s (x, y) I +b* | | Ih-1h (x, y) | (9) 其中，IH、IS分别表示步骤S3得到的HSV图像模型的H通道的平均值和S通道平均值，Ih (x, y)> Is(x, y)表示所述H通道经过高斯滤波后的对应值和所述s通道经过高斯滤波后的对应值，1111为欧氏距离，a的值小于零，b的值小于或等于I ; S402、利用HSV帧图像的显著性区域与背景之间的显著性比率来确定参数a和b的数值，计算公式为公式(10)，然后利用公式(9)计算步骤S3得到的HSV帧图像的视觉显著图；
4.根据权利要求1所述的方法，其特征在于，步骤S5中，采用H分量直方图信息作为描述特征，对所述步骤S4计算出的显著性区域进行在线聚类，实现显著性区域的分类。
5.根据权利要求1所述的方法，其特征在于，步骤S6中，采用像素帧平均的方法，选择每一类中的关键帧。
6.一种温室蔬菜病害监控视频关键帧提取系统，其特征在于，所述系统包括: 视频解析模块，对输入的视频数据进行解析，将其分解为帧序列，并对每一帧图像进行小波增强处理；摄像头运动状态识别模块，将帧序列的每一帧与第一帧图像做相似性计算，识别摄像头的运动状态，剔除摄像头处于静止状态时获取的多余帧图像； 显著图计算模块，利用HSV帧图像的显著性区域与背景之间的显著性比率来确定参数的数值，从而利用修正的IG显著性计算模型，计算HSV帧图像的视觉显著图； 显著性区域提取模块，在HSV帧图像的视觉显著图的基础上，利用自适应阈值提取初始显著性区域，利用组和形态学运算，修复初始显著性区域中丢失的病斑信息，形成完整的显著性区域； 在线聚类模块，对完整的显著性区域进行聚类运算，输出聚类的结果； 关键帧选择模块，采用像素帧平均算法，从每一类中选择关键帧。
7.根据权利要求6所述的系统，其特征在于，所述显著性区域提取模块包括: 初始显著性区域提取模块，在计算出的HSV帧图像的视觉显著图的基础上选择自适应阈值，实现初步显著性区域的提取； 病斑信息修复模块，用组和形态学方法在步显著性区域的基础上进行丢失病斑信息的恢复，实现完整显著 性区域的提取。
【文档编号】G06T7/20GK104021544SQ201410191244
【公开日】2014年9月3日 申请日期:2014年5月7日 优先权日:2014年5月7日
【发明者】傅泽田, 马浚诚, 张领先, 李鑫星, 温皓杰, 陈英义, 李道亮 申请人:中国农业大学