基于改进SLIC算法的紫色土图像分割提取方法与流程

本发明涉及图像分割提取方法，具体涉及一种基于改进slic算法的紫色土图像分割提取方法。
背景技术：
：机器视觉识别土壤在农业生产中有着重要的实用价值。在农业生产中，识别土壤是非常重要的。由于土壤分类系统复杂，只有极少数科研院所的专家才能准确辨识土壤，生产一线的农业技术人员要完全准确的把当地土壤辨识清楚也是非常困难的。基于土壤分类系统的土壤类型识别是一个农业生产实践中的共性难题。人工智能技术的发展，使机器视觉识别土壤成为可能。机器视觉辨识土壤是对野外自然条件下拍摄的具有复杂背景的土壤图像进行识别。在机器视觉辨识土壤中，我们只对图像的土壤部分感兴趣，如果我们能将图像的土壤部分从背景中分割出来，一方面只研究、处理我们感兴趣的图像的土壤部分，另一方面可以排除背景区域对进一步图像分析、特征提取、辨识造成干扰。紫色土是我国西南地区最主要耕地之一，紫色土是机器视觉土壤识别的研究重点。如何将彩色图像的紫色土图像从背景中准确、完整的分割出来是目前的技术难题。目前，已有的图像分割算法处理彩色图像的紫色土图像，将紫色土区域图像从背景中准确、完整分割的准确度低、误差大、时间开销大，不能在分割过程实现自适应的分割。技术实现要素：有鉴于此，本发明的目的是提供一种基于改进slic算法的紫色土图像分割提取方法，引入闵可夫斯基距离重新计算slic算法的颜色空间距离度量，改进slic算法，对紫色土彩色图像进行超像素初分割，对a分量变换得到新的测度anew，增强紫色土与背景差异，利用新的测度anew计算图像中各超像素与当前遍历超像素(紫色土土壤超像素)的相似度根据类间方差最大准则优化超像素自适应合并阈值；采用区域生长方法由内而外将大于阈值的相邻超像素合并到合并当前遍历超像素，实现合并紫色土超像素的自适应合并生长；再对紫色土区域内部的空洞进行填充，将紫色土图像从含有背景区域的彩色图像中快速、准确、完整分割提取出来。本发明提供一种基于改进slic算法的紫色土图像分割提取方法，包括步骤：s1：对slic算法进行改进，利用改进后的slic算法对包含有紫色土图像的原始图像进行处理，得到经超像素分割的图像；s2：对经超像素分割的图像的a分量进行变换，得到新的测度anew；s3：计算图像中各超像素与标准紫色土超像素基于测度anew均值的相似度；s4：建立土壤区域和背景区域超像素的类间方差最大化优化模型，自适应获取超像素合并阈值simt；s5：根据超像素合并阈值simt来合并紫色土区域的超像素，得到含有空洞的紫色土区域的二值图像；s6：填充含有空洞的紫色土区域的二值图像中的空洞，求填充空洞后的二值图像b与原始图像的哈达玛积，得到只包含有紫色土图像的分割图像。进一步，所述步骤s1包括步骤：s11：设定超像素尺寸为m×n像素，按照所设定的尺寸m×n像素将原始图像进行初始化分块，得到原始图像的初始化超像素；初始化与原始图像像素尺寸大小一样的标号矩阵a；s12：将每个初始化超像素的几何中心以及几何中心3×3邻域像素点的梯度值最小的像素点为种子点；s13：建立基于闵可夫斯基距离的像素点与种子点距离的计算模型，用于计算原始图像中每个像素点距以自身为中心的2m×2n范围内的每个种子点的距离，所述基于闵可夫斯基距离的像素点与种子点距离的计算模型为：其中，ds是像素点与种子点空间的欧氏距离，dc是像素点与种子点lab颜色的闵可夫斯基距离；η为颜色距离与空间距离调节系数，m×n为超像素的像素尺寸；s14：根据(1-1)式计算原始图像中每个像素点距以自身为中心的2m×2n范围内的每个种子点的距离；s15：将像素点归类于由(1-1)式计算得到的距离最近的种子点所属的初始化超像素，得到更新后的超像素；s16：计算步骤s15中得到的每一个更新后的超像素中像素点的均值将作为该超像素新的种子点；s17：重复步骤s14至s16，直到每个超像素的种子点不再变化为止或者达到预设的最大迭代次数，获得初始分割超像素的图像，给初始分割超像素的图像中超像素分配分类标号，并将该超像素的分类标号存储在标号矩阵a中分类标号所属超像素的对应位置，所述对应位置与分类标号所属超像素在初始分割超像素的图像中的位置相同，得到更新后的标号矩阵a；s18：判断初始分割超像素的连通性，根据判断结果，将初始分割超像素进行再次分割，得到超像素分割图像。进一步，所述ds的计算公式为：所述dc的计算公式为：其中，(x,y,l,a,b)和(xs,ys,ls,as,bs)分别是像素点与种子点的位置及lab颜色；p表示闵可夫斯基距离的属性变参数，且p＜1。进一步，所述对经超像素分割的图像的a分量进行变换的公式为：其中，μa和σa分别表示紫色土区域样本在lab颜色空间a分量的均值和方差，asample为紫色土区域的lab颜色空间a分量样本值；anew为对a分量进行变化后得到的新的测度；a表示未经变化的a分量值；e表示自然指数。进一步，所述步骤s3中计算图像中各超像素与标准紫色土超像素基于度量anew均值的相似度的计算公式为：其中，sim(x,y)表示超像素x和超像素y基于anew的相似度；ux和uy分别为超像素x和超像素y在anew测度上的均值；sim(x,y)∈[0,1]，sim(x,y)取值越接近1超像素x和超像素y之间的相似度越大。进一步，所述步骤s4中土壤区域和背景区域超像素的类间方差最大化优化模型为：其中，simt为将超像素分为紫色土土壤与背景两类的超像素合并阈值；s1为相似度大于simt的超像素集合，表示土壤超像素集合；s2为相似度小于simt的超像素集合，表示背景集合；sim为步骤s3中获得的相似度作为元素组成的集合，sim的元素为相似度；w为集合sim中的元素个数；min(sim)为集合sim中值最小的元素；max(sim)为集合sim中值最大的元素；w1为s1的元素个数，w2为s2的元素个数，u1为s1的均值，u2为s2的均值，u为sim的均值；求解式(4)获取超像素合并阈值simt；为土壤区域和背景区域超像素的类间方差最大化优化模型的目标函数，表示以求s1和s2类间方差的最大值为优化目标；min(sim)＜simt＜max(sim)为土壤区域和背景区域超像素的类间方差最大化优化模型的约束条件。进一步，所述步骤s5包括步骤：s51：初始化空洞超像素链表；初始化与原始图像像素尺寸大小一样的全零的二值矩阵b；设定起始遍历超像素，将起始遍历超像素初始化为经超像素分割图像中的任一紫色土土壤超像素；将二值矩阵b中起始遍历超像素对应位置元素置1；将起始遍历超像素作为当前遍历超像素；s52：获取当前遍历超像素的任一未遍历的相邻超像素；根据(3)式分别计算该相邻超像素与当前遍历超像素的相似度simadjoin；所述相邻超像素为当前遍历超像素边界点的四连通邻域点所属的超像素，所述四连通邻域点不包含当前遍历超像素中的像素点；s53：判断simadjoin是否大于simt：若simadjoin大于simt，则将该相邻超像素合并到当前遍历超像素中；将该相邻超像素置在二值矩阵b中的对应位置的元素置1；若simadjoin小于或等于simt，且该相邻超像素未压入空洞超像素链表，则将该相邻超像素压入空洞超像素链表；s54：重复步骤s52至s53，直到当前遍历超像素的所有相邻超像素全部被遍历，得到新的当前遍历超像素；s55：判断新的当前遍历超像素的每一个相邻超像素的simadjoin是否均小于或等于simt：若是，得到合并超像素后的二值矩阵b，即含有空洞的紫色土区域的二值图像；若否，返回步骤s52。进一步，所述步骤s6包括步骤：s61：初始化空栈stack1；s62：从空洞超像素链表取出一个超像素压入栈stack1；s63：初始化空栈stack2；s64：从栈stack1中出栈一个超像素作为当前遍历超像素，判断当前遍历超像素是否处于完整图像的边界处；若是，则将合并超像素后的二值矩阵b中，存储在stack2中的所有超像素对应位置的元素值置0，返回步骤s64；若不是，则将合并超像素后的二值矩阵b中当前遍历超像素对应位置的元素值全部置1，并将当前遍历超像素压入栈stack2中，则进入步骤s65；s65：遍历当前遍历超像素相邻超像素，将元素值为0的当前遍历超像素相邻超像素压入栈stack1；s66：重复步骤s64至s65，直到栈stack1为空；s67：重复步骤s62至s66，直到空洞超像素链表为空，得到填充空洞后的二值图像b；s68：求填充空洞后的二值图像b与原始图像的哈达玛积，得到只包含有紫色土的分割图像。进一步，所述步骤s18中具体包括步骤：s181：初始化与原始图像像素尺寸大小一样的矩阵c，将矩阵c中的元素全部置为-1；设定超像素分类标号中间参数label，并初始化label为0；s182：以标号矩阵a中点(0,0)为遍历起点，将遍历起点作为当前遍历点；s183：判断矩阵c中当前遍历点对应位置点的元素值是否为-1，如是，则进入步骤s184，如不是，则按照预设的遍历顺序规则，将当前遍历点移动到下一点，返回步骤s183；其中，所述预设的遍历顺序规则为：从上至下逐行标号矩阵a中的点；在遍历标号矩阵a每一行像素时，从左到右依次遍历该行的像素点；s184：初始化空栈stack；将矩阵c中当前遍历点对应位置点的元素值赋值为label；并将当前遍历点压入stack；s185：从stack中出栈一个点，遍历该点的四邻域点，具体如下：判断在标号矩阵a中该点的四邻域点中其中一邻域点的分类标号值与该点的分类标号值相等且在矩阵c中该邻域点对应位置的元素值为-1；若是，则将矩阵c中该邻域点对应位置的元素值赋值为label，并将该邻域点压入stack；若不是，则不处理；跳到该点四邻域点中未遍历的下一邻域点，重复上述对该点的四邻域点的判断，直到该点的四邻点全部被遍历；s186：重复步骤s185，直到stack为空；s187：将label的值加1，按照预设的的遍历顺序规则，将当前遍历点移动到下一点，返回步骤s183；s188：重复步骤s183至步骤s187，直到标号矩阵a中的点全部被遍历，更新后的矩阵c，即经超像素分割的图像。本发明的有益效果：本发明引入闵可夫斯基距离重新计算slic算法的颜色空间距离度量，改进slic算法，对紫色土彩色图像进行超像素初分割，对a分量变换得到新的测度anew，增强紫色土与背景差异，利用新的测度anew计算图像中各超像素与当前遍历超像素(紫色土土壤超像素)的相似度根据类间方差最大准则优化超像素自适应合并阈值；采用区域生长方法由内而外将大于阈值的相邻超像素合并到合并当前遍历超像素，实现合并紫色土超像素的自适应合并生长；再对紫色土区域内部的空洞进行填充，将紫色土图像从含有背景区域的彩色图像中快速、准确、完整分割提取出来。附图说明下面结合附图和实施例对本发明作进一步描述：图1为本发明的方法流程图；图2为与原点的闵可夫斯基距离为1的坐标轨迹线；图3为常规实验图像样本1；图4为鲁棒性实验图像样本1；图5为实验1中常规实验图像样本1经过算法4对紫色土区域进行分割提取后的图像；图6为实验1中常规实验图像样本1经过算法5对紫色土区域进行分割提取后的图像；图7为实验1中常规实验图像样本1经过算法6对紫色土区域进行分割提取后的图像；图8为实验1中常规实验图像样本1经过本文方法对紫色土区域进行分割提取后的图像；图9为实验2中本文方法进行a分量变换对常规实验图像样本1紫色土区域进行分割提取后的图像；图10为实验2中本文方法不进行a分量变换对常规实验图像样本1紫色土区域进行分割提取后的图像；图11为实验1中鲁棒性实验图像样本1经过算法4对紫色土区域进行分割提取后的图像；图12为实验1中鲁棒性实验图像样本1经过算法5对紫色土区域进行分割提取后的图像；图13为实验1中鲁棒性实验图像样本1经过算法6对紫色土区域进行分割提取后的图像；图14为实验1中鲁棒性实验图像样本1经过本文方法对紫色土区域进行分割提取后的图像；图15为实验2中本文方法进行a分量变换对鲁棒性实验图像样本1紫色土区域进行分割提取后的图像；图16为实验2中本文方法不进行a分量变换对鲁棒性实验图像样本1紫色土区域进行分割提取后的图像；图17为本文方法不同η值对常规实验图像样本中其中三个样本图像进行紫色土分割的分割精度示意图。具体实施方式如图1所示，本发明提供的一种基于改进slic算法的紫色土图像分割提取方法，包括步骤：s1：对slic算法进行改进，利用改进后的slic算法对包含有紫色土图像的原始图像进行处理，得到经超像素分割的图像；s2：对经超像素分割的图像的a分量进行变换，得到新的测度anew；s3：计算图像中各超像素与标准紫色土超像素基于测度anew均值的相似度；s4：建立土壤区域和背景区域超像素的类间方差最大化优化模型，自适应获取超像素合并阈值simt；s5：根据超像素合并阈值simt来合并紫色土区域的超像素，得到含有空洞的紫色土区域的二值图像；s6：填充含有空洞的紫色土区域的二值图像中的空洞，求填充空洞后的二值图像b与原始图像的哈达玛积，得到只包含有紫色土图像的分割图像。所述只包含有紫色土图像的分割图像剔除了原始图像中的背景区域，只保留了紫色土区域。通过上述方法，引入闵可夫斯基距离重新计算slic算法的颜色空间距离度量，改进slic算法，对紫色土彩色图像进行超像素初分割，对a分量变换得到新的测度anew，增强紫色土与背景差异，利用新的测度anew计算图像中各超像素与当前遍历超像素(紫色土土壤超像素)的相似度根据类间方差最大准则优化超像素自适应合并阈值；采用区域生长方法由内而外将大于阈值的相邻超像素合并到当前遍历超像素，实现合并紫色土超像素的自适应合并生长；再对紫色土区域内部的空洞进行填充，将紫色土图像从含有背景区域的彩色图像中快速、准确、完整分割提取出来。所述步骤s1包括步骤：s11：设定超像素尺寸为m×n像素，按照所设定的尺寸m×n像素将原始图像进行初始化分块，得到原始图像的初始化超像素；初始化与原始图像像素尺寸大小一样的标号矩阵a；s12：将初始化超像素的几何中心以及几何中心3×3邻域像素点的梯度值最小的像素点为种子点；本实施例中，设定原始图像大小为m*n像素，将m*n图像分割为l*k个超像素，首先将图像等分为l*k个m*n的小图像。其中，m＝m/l，n＝n/k。在每一个m*n的小图像中，在传统slic算法中，用(1)式计算其中心点及其3×3邻域像素点的梯度值。所述梯度值的计算公式为：grad(x,y)＝||pixel(x-1,y)-pixel(x+1,y)||2+||pixel(x,y-1)-pixel(x,y+1)||2(1)其中，x∈{0,1,2...m-1}，y∈{0,1,2...n-1}，pixel(x,y)为像素的(l,a,b)颜色向量。s13：建立基于闵可夫斯基距离的像素点与种子点距离的计算模型，计算原始图像中每个像素距以自身为中心的2m×2n范围内的每个种子点的距离；所述基于闵可夫斯基距离的像素点与种子点距离的计算模型为：其中，ds是像素点与种子点空间的欧氏距离，dc是像素点与种子点lab颜色的闵可夫斯基距离；η为颜色距离与空间距离调节系数，m×n为超像素的像素尺寸；传统slc算法中，用式(1-1’)计算m*n图像中每个像素距以自身为中心的2m×2n范围内每个种子点的距离。d'c2＝(l-ls)2+(a-as)2+(b-bs)2(1-3’)其中，ds是像素点与种子点的空间距离，d'c是像素点与种子点的lab颜色距离，(x,y,l,a,b)和(xs,ys,ls,as,bs)分别是像素点与种子点的位置及lab颜色，η为颜色距离与空间距离调节系数。将像素点归结为距离最近种子点超像素。迭代直到种子点不再变化为止。紫色土机器视觉图像分割提取的紫色土区域是连续的一块，在考虑空间分布的基础上，重点是图像颜色的分割。式(1-2)和式(1-3’)显示，传统slic算法习惯采用欧氏距离，用其对紫色土机器视觉图像分割不准确，主要原因是欧氏距离描述的颜色相似度测度不能充分反映像素点之间的颜色差异。s14：根据(1-1)式计算原始图像中每个像素点距以自身为中心的2m×2n范围内的每个种子点的距离；s15：将像素点归类于由(1-1)式计算得到的距离最近的种子点所属的初始化超像素，得到更新后的超像素；s16：计算步骤s15中得到的每一个更新后的超像素中像素点的均值将作为该超像素新的种子点；本实施例中，若计算得到的不为整数，则采用向下取整，以方便计算。s17：重复步骤s14至s16，直到每个超像素的种子点不再变化为止或者达到预设的最大迭代次数，获得初始分割超像素的图像，给初始分割超像素的图像中超像素分配分类标号，并将该超像素的分类标号存储在标号矩阵a中分类标号所属超像素的对应位置，所述对应位置与分类标号所属超像素在初始分割超像素的图像中的位置相同，得到更新后的标号矩阵a；s18：判断初始分割超像素的连通性，根据判断结果，将初始分割超像素进行再次分割，得到超像素分割图像。如图2所示，经过研究发现，如果采用p＜1的闵可夫斯基距离，实际上是在欧氏距离的基础上进行了非线性拉伸，使两个空间点存有差异较小分量，被拉伸也就较小，差异较小分量越多，被拉伸得越少，比欧氏距离包含更多局部相似信息。也就是说，两个空间点相似度越小，距离被拉伸得更远。因此，采用p＜1的闵可夫斯基距离改进传统slic算法中颜色距离，同时进行像素空间、颜色距离的归一化，可提升紫色土机器视觉图像分割的分割效果。(1-1)式中，除以m×n，近似于用像素点到种子点最大距离去归一化ds。η的选取也应具有归一化dc的意义。因此，应用闵可夫斯基距离改造(1-1’)式中的d'c，得到所述ds的计算公式为：所述dc的计算公式为：其中，(x,y,l,a,b)和(xs,ys,ls,as,bs)分别是像素点与种子点的位置及lab颜色；p表示闵可夫斯基距离的属性变参数，且p＜1；本实施例中，令p＝0.5。进一步，得到所述基于闵可夫斯基距离的像素点与种子点距离的计算模型为：其中，ds是像素点与种子点空间的欧氏距离，dc是像素点与种子点lab颜色的闵可夫斯基距离；η为颜色距离与空间距离调节系数，m×n为超像素的像素尺寸；本实施例中，在进行步骤s1的同时，还得到了每个超像素的中心点位置信息和每个超像素区域的边界点位置信息，此为现有技术，在此不赘述。所述对经超像素分割的图像的a分量进行变换的公式为：其中，μa和σa分别紫色土区域样本在lab颜色a分量的均值和方差，asample为紫色土区域的a分量样本值；anew为对a分量进行变化后得到的新的测度；a表示未经变化的a分量值；e表示自然指数。本实施例中，经过实践和研究发现紫色土区域和背景区域在lab颜色空间仅在a分量上存在相对较明显的分布差异，为了提升紫色土与背景的区分度，对全图a分量以紫色土区域样本的a分量均值μa为中心进行拉伸，然后以紫色土区域样本最大a分量变换值为基准用(2)式进行变换处理，从而提高对紫色土区域分割提取的精确度。本实施例中，在机器视觉识别紫色土土种类型中，为了实现自动分割提取，规定：土壤分布于视觉图像的中心区域，并有一定的面积占比，由于紫色土土壤区域的形状随机，并不是完全对称的，所以在获取原始图像时，使属于紫色土土壤区域的其中一个超像素覆盖整个原始图像中的中心点位置即可，这样的操作可以通过人工简单设置可以实现，属于现有技术在此不赘述。铁锹锹出的紫色土自然断口图像是块片状的。用于识别的视觉图像的紫色土区域是视觉图像中心区域一个连续的区块，因此，在进行步骤s5时，可以将起始遍历超像素初始化为视觉图像(经超像素分割的图像)的中心超像素(中心超像素为覆盖经超像素分割的图像中心点位置的超像素)，从中心超像素出发由内向外通过区域生长的方法对颜色相似的超像素合并，分割提取出完整的紫色土区域图像。本实施例中，在经步骤s1得到的经超像素分割的图像取f’个像素尺寸为n’×n’的窗口(保证每个窗口至少覆盖了部分紫色土区域，且f’个窗口相互之间不完全覆盖)，剔除a分量均值最大和最小的窗口，将剩余的f’-2个窗口合并作为紫色土区域样本。本实施例中，f’取5，n’取50。进一步，由于获取的原始图像中，紫色土土壤分布于视觉图像的中心区域，并有一定的面积占比，故在获取紫色土区域样本时，可直接在经超像素分割的图像的中心区域任意选取f’个像素尺寸为n’×n’且相互之间不完全覆盖的窗口，然后剔除a分量均值最大和最小的窗口，将剩余的f’-2个窗口合并作为紫色土区域样本。(2)式的变换，使紫色土区域与背景在新度量anew上具有更明显差异，可计算图像中各超像素与标准紫色土超像素基于度量anew均值的相似度来作为合并超像素的依据。所述步骤s3中计算图像中各超像素与标准紫色土超像素基于度量anew均值的相似度的计算公式为：其中，sim(x,y)表示超像素x和超像素y基于anew的相似度；ux和uy分别为超像素x和超像素y在anew分量上的均值；sim(x,y)∈[0,1]，sim(x,y)取值越接近1超像素x和超像素y之间的相似度越大。所述步骤s4中土壤区域和背景区域超像素的类间方差最大化优化模型为：其中，simt为将超像素分为紫色土土壤与背景两类的超像素合并阈值；s1为相似度大于simt的超像素集合，表示土壤超像素集合；s2为相似度小于simt的超像素集合，表示背景集合；sim为步骤s3中获得的相似度作为元素组成的集合，sim的元素为相似度；w为集合sim中的元素个数；min(sim)为集合sim中值最小的元素；max(sim)为集合sim中值最大的元素；w1为s1的元素个数，w2为s2的元素个数，u1为s1的均值，u2为s2的均值，u为sim的均值；求解式(4)获取超像素合并阈值simt；为土壤区域和背景区域超像素的类间方差最大化优化模型的目标函数，表示以求s1和s2类间方差的最大值为优化目标；min(sim)＜simt＜max(sim)为土壤区域和背景区域超像素的类间方差最大化优化模型的约束条件。所述步骤s5包括步骤：s51：初始化空洞超像素链表；初始化与原始图像像素尺寸大小一样的全零的二值矩阵b；设定起始遍历超像素，将起始遍历超像素初始化为经超像素分割图像中的任一紫色土土壤超像素；将二值矩阵b中起始遍历超像素对应位置元素置1；将起始遍历超像素作为当前遍历超像素；本实施例中，由于获取的原始图像中，紫色土土壤区域的其中一个超像素覆盖整个原始图像中的中心点位置，取变换a分量后的图像中中心点像素所述超像素为起始遍历超像素，保证起始遍历超像素一定是属于紫色土区域的超像素。s52：获取当前遍历超像素的任一未遍历的相邻超像素；根据(3)式分别计算该相邻超像素与当前遍历超像素的相似度simadjoin；所述相邻超像素为当前遍历超像素边界点的四连通邻域点所属的超像素，所述四连通邻域点不包含当前遍历超像素中的像素点；本实施例中，当前遍历超像素边界点已在步骤s1中获取。s53：判断simadjoin是否大于simt：若simadjoin大于simt，则将该相邻超像素合并到当前遍历超像素中；将该相邻超像素置在二值矩阵b中的对应位置的元素置1；若simadjoin小于或等于simt，且该相邻超像素未压入空洞超像素链表，则将该相邻超像素压入空洞超像素链表；s54：重复步骤s52至s53，直到当前遍历超像素的所有相邻超像素全部被遍历，得到新的当前遍历超像素；s55：判断新的当前遍历超像素的每一个相邻超像素的simadjoin是否均小于或等于simt：若是，得到合并超像素后的二值矩阵b，即含有空洞的紫色土区域的二值图像；若否，返回步骤s52。通过上述方法，得到初步分割的紫色土图像，方法简单，分割出的紫色土完整性好。由于土壤表面凹凸不平，拍摄角度、光照强度在紫色土区域图像会形成阴影，及土壤杂质的影响，步骤s5合并紫色土超像素提取的紫色土区域图像可能含有空洞。由于空洞被土壤像素包围，通过搜索空洞像素进行填充，具体如下：所述步骤s6包括步骤：s61：初始化空栈stack1；s62：从空洞超像素链表取出一个超像素压入栈stack1；s63：初始化空栈stack2；s64：从栈stack1中出栈一个超像素作为当前遍历超像素，判断当前遍历超像素是否处于完整图像的边界处；若是，则将合并超像素后的二值矩阵b中，存储在stack2中的所有超像素对应位置的元素值置0，返回步骤s64；若不是，则将合并超像素后的二值矩阵b中当前遍历超像素对应位置的元素值全部置1，并将当前遍历超像素压入栈stack2中，则进入步骤s65；s65：遍历当前遍历超像素相邻超像素，将元素值为0的当前遍历超像素相邻超像素压入栈stack1；s66：重复步骤s64至s65，直到栈stack1为空；s67：重复步骤s62至s66，直到空洞超像素链表为空，得到填充空洞后的二值图像b；s68：求填充空洞后的二值图像b与原始图像的哈达玛积，得到只包含有紫色土的分割图像。本实施例中，空洞超像素链表中不仅包含空洞超像素，还包含紫色土区域边界的外圈超像素(外圈超像素是指与紫色土区域边界点所属超像素相邻且不属于紫色土区域的超像素)，其中空洞超像素是需要填充，而外圈超像素是不需要填充的，在填充空洞区域时，需对两者进行区分。区分条件为该填充区域是否在紫色土区域内(即该待填充区域不含有处于完整紫色土图像边界外圈的超像素)；若是，则为空洞区域，若不是，则为非空洞区域。填充过程中，是从起始超像素开始不断由内向外边填充边搜索。对于非空洞区域，当搜索到完整图像边界超像素时，则需要对从起始超像素到当前超像素搜素过程在填充过的超像素进行还原。栈stack2是用于保存填充过程中被填充过的超像素信息，方便还原。所述只包含有紫色土的分割图像剔除了原始图像中的背景区域，保留了紫色土区域，便于后续对紫色土展开研究分析。通过上述方法，进一步提高了紫色土图像分割的精确度和准确度，能够快速的将紫色土从背景区域中完整的分割出来。所述步骤s18中具体包括步骤：s181：初始化与原始图像像素尺寸大小一样的矩阵c，将矩阵c中的元素全部置为-1；设定超像素分类标号中间参数label，并初始化label为0；s182：以标号矩阵a中点(0,0)为遍历起点，将遍历起点作为当前遍历点；s183：判断矩阵c中当前遍历点对应位置点的元素值是否为-1，如是，则进入步骤s184，如不是，则按照预设的遍历顺序规则，将当前遍历点移动到下一点，返回步骤s183；其中，所述预设的遍历顺序规则为：从上至下逐行标号矩阵a中的点；在遍历标号矩阵a每一行像素时，从左到右依次遍历该行的像素点；s184：初始化空栈stack；将矩阵c中当前遍历点对应位置点的元素值赋值为label；并将当前遍历点压入stack；s185：从stack中出栈一个点，遍历该点的四邻域点，具体如下：判断在标号矩阵a中该点的四邻域点中其中一邻域点的分类标号值与该点的分类标号值相等且在矩阵c中该邻域点对应位置的元素值为-1；若是，则将矩阵c中该邻域点对应位置的元素值赋值为label，并将该邻域点压入stack；若不是，则不处理；跳到该点四邻域点中未遍历的下一邻域点，重复上述对该点的四邻域点的判断，直到该点的四邻点全部被遍历；s186：重复步骤s185，直到stack为空；s187：将label的值加1，按照预设的的遍历顺序规则，将当前遍历点移动到下一点，返回步骤s183；s188：重复步骤s183至步骤s187，直到标号矩阵a中的点全部被遍历，更新后的矩阵c，即经超像素分割的图像。在传统的slc算法中，步骤s17得到初始分割超像素的图像后，将初始分割超像素的图像中的孤立点和面积小于m*n/2的超像素归类于距离其最近的超像素，得到最终经超像素分割的图像，这种就近归类的方式并没有考虑到孤立点和面积小于m*n/2的超像素与被归类的超像素之间的相似性，其归类的原则并不科学，甚至会降低紫色土图像的分割提取精度。本文方法中，利用步骤s18对步骤s17得到的初始分割超像素的图像中的超像素相似性进行比对，对超像素进行进一步细分归类，将相似度较高的初始分割的超像素进一步合并，相对传统slc算法其对超像素细分归类的依据更为科学，提高了分割提取紫色土图像的精度。结合具体的实验例，对本文进行分析，具体如下：仿真实验环境：在intel(r)xeon(r)cpue5-2687wv2@3.40ghz(2cpu)，内存64gb，显卡nvidiaquadrok5000的图形工作站，windows7专业版，vc++2015与opencv3.2.0环境完成试验分析。实验组：设置三组实验，具体如下：实验1：本文算法与阈值分割算法(后文简称：算法4)、核fcm聚类算法(后文简称：算法5)、张亚亚改进的slic算法联合本文超像素合并(步骤s5的算法)和空洞填充算法(步骤s6的算法)的方法(后文简称：算法6)对比的紫色土彩色图像分割仿真实验。算法4详见文献：聂方彦,李建奇,屠添翼.一种基于信息论距离的复杂图像分割方法[j/ol].红外技术:(2018-08-17)[2018-09-02].http://kns.cnki.net/kcms/detail/53.1053.tn.20180817.1722.020.html.niefy,lijq,tuty.amethodforcompleximagesegmentationbasedoninformation-theoreticdistance[j/ol].infraredtechnology:(2018-08-17)[2018-09-02].http://kns.cnki.net/kcms/detail/53.1053.tn.20180817.1722.020.html.算法5详见文献：陈书文,覃华,苏一丹.最优正则化参数的核fcm聚类算法[j].小型微型计算机系统,2018,39(07):1537-1541.chengsw,qinh,suyd.kernelfcmclusteringalgorithmbasedonoptimalregularizationparameters[j].journalofchinesecomputersystems,2018,39(07):1537-1541.张亚亚改进的slic算法详见文献：张亚亚,刘小伟,刘福太,张建廷.基于改进slic方法的彩色图像分割[j].计算机工程,2015,41(04):205-209.zhangyy,liuxw,liuft,zhangjt.colorimagesegmentationbasedonimprovedslicmethod[j].computerengineering,2015,41(04):205-209.实验2：本文算法a分量变换与不变换的紫色土彩色图像分割对比仿真实验；实验3：本文算法不同η值的紫色土彩色图像分割对比仿真实验。样本图像采集：选择图像背景区域无散落土锹锹出紫色土心土，紫色土区域无大块成片阴影区域的彩色图像60张，组成20组常规实验图像样本，其中一张常规实验图像样本(常规实验图像样本1)如图3所示。选择图像紫色土区域有大块成片阴影区域，或者背景区域有散落土紫色土心土(或散落心土与紫色土区域粘连)的彩色图像30张，组成10组鲁棒性实验图像样本，其中一张鲁棒性实验图像样本(鲁棒性实验图像样本1)如图4。图5至图8为实验1中常规实验图像样本1分别经过算法4、算法5、算法6和本文方法对紫色土区域进行分割提取后的图像。图9和图10分别为实验2中本文方法进行和不进行a分量变换对常规实验图像样本1紫色土区域进行分割提取后的图像。图11至图14为鲁棒性实验图像样本1分别经过算法4、算法5、算法6和本文方法对紫色土区域进行分割提取后的图像。图15和图16分别为实验2中本文方法进行和不进行a分量变换对鲁棒性实验图像样本1紫色土区域进行分割提取后的图像。以手工分割出的紫色土区域图像为参照标准，采用杰卡德系数评定仿真实验分割精度。表1为对常规实验图像样本中其中三个样本图像中的紫色土分割精度表。表1常规实验图像仿真实验分割精度算法图像样本1(％)图像样本2(％)图像样本3(％)均值(％)算法469.8773.8764.0669.27算法591.0672.4669.4677.66算法693.6692.994.3293.63本文算法仅a分量未变换94.782.8386.8888.14本文算法94.893.2894.5594.21其中，杰卡德系数定义：j(a1,a2)＝|a1∩a2|/|a1∪a2|×100％，其中a2为采用图像分割算法分割后得到的紫色土像素点集，a1为手工分割的紫色土区域的像素点集，j(a1,a2)为紫色土分割精度。表2为对鲁棒性实验图像样本中其中三个样本图像中的紫色土分割精度表。表2鲁棒性实验图像仿真实验分割精度算法图像样本1(％)图像样本2(％)图像样本3(％)均值(％)算法434.2349.0630.2437.84算法557.5566.0335.9953.19算法684.9180.338.2767.83本文算法仅a分量未变换86.1780.4836.8867.84本文算法87.5780.2836.768.18图17为本文方法不同η值对常规实验图像样本中其中三个样本图像进行紫色土分割的分割精度示意图(实验3)。对图3至图17和表1至表2进行分析，具体如下：常规实验图像样本仿真结果分析：实验1的图像显示：算法4和算法5不能去除紫色土周围零散的表土和杂质，且对紫色土某些阴影部分过分割，形成紫色土内部空洞；算法6对紫色土边缘过分割；本文算法分割提取图像更完整。表1的分割精度结果显示：本文方法的分割精度均比算法4、算法5精度和算法6高，精确度分别提高了24.94％、16.55％、0.58％。实验2图像与数据结果显示：本文方法仅a分量未变换的情形下，不能去除位于紫色土边缘且与紫色土在a分量上接近的表土，造成欠分割。a分量变换后，欠分割现象得到较好的改善，可知a分量变换对拉伸紫色土与背景之间在a值上的均值差异是有效的。本文由于篇幅有限的原因，仅是列出了常规实验图像其中一张图像的实验结果，在对其他常规实验图像样本进行紫色土分割的实验中也有相同的结果。鲁棒性实验图像样本仿真结果分析：本文方法对鲁棒性实验图像样本1的分割结果显示：本文方法对含大块阴影图像中紫色土区域图像的分割提取是有效的，对紫色土区域和背景区域的大块成片阴影均具鲁棒性。本文由于篇幅有限的原因，仅是列出了鲁棒性实验图像其中一张图像的实验结果，在对其他鲁棒性实验图像样本进行紫色土分割的实验中也有相同的结果。如图17所示，实验3中η值1倍m×n—40倍m×n都可以获得91％分割精度，本文方法在常规实验图像中对η取值是鲁棒的。本文由于篇幅有限的原因，仅是列出了部分常规实验图像取部分不同η值的分割精度，本文方法对在其他常规实验图像中取其他不同η值来分割紫色土图像均是鲁棒的。本文方法引入(p＝0.5)闵可夫斯基距离，使紫色土图像中相似点的颜色距离被相对压缩变小，差异大的点颜色距离被相对拉伸变大，实现像素点颜色距离的非线性拉伸变换，提升超像素分割的颜色距离差异。然后，根据紫色土区域与背景紫色土图像的a分量具有较明显分布差异特性，以紫色土a分量均值为基准进行a分量的拉伸变换，对背景进行指数级拉伸；再用紫色土区域样本的最大拉伸值进行了归一化，变换得到基于a分量的测度anew，实现紫色土区域超像素与背景超像素之间差异进一步提升，从而提升合并超像素提取紫色土区域图像精度。根据重构度量anew定义的超像素相似度和类间方差最大化准则，建立优化模型，获取自适应超像素合并阈值。本文方法相比阈值分割算法和聚类分割算法能有效去除背景区域的零散小土块和土壤内部的杂质空洞。相对算法6本文算法对紫色土边缘的误分割较小，且本文方法对分割提取紫色土区域图像是有效的。(p＝0.5)闵可夫斯基距离引入，提升超像素初分割精度；a分量变换重构得到新的测度anew，提升超像素合并精度。最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。当前第1页12