一种基于视觉显著性的农业害虫检测方法

1.本发明涉及一种基于视觉显著性的农业害虫检测方法，属于图像检测技术领域。


背景技术：

2.农业是人类赖以生存的基本行业之一。在农业生产中，害虫一直是人们大为头疼的问题。目前世界上大部分地区采用肉眼直接观察的方式来检测害虫。这种方法存在着巨大的缺陷，由于人工不能时时刻刻观察农田、且一旦观察时间过长，工作准确率不能得到保障。因此本发明提出的基于视觉显著性的检测方法，能够在很好的节约人力成本同时也能够提高工作效率。
3.利用视觉显著性来进行目标检测是目前常用的检测方法之一。人类接收到的外部信息大都来自于视觉系统，人眼每秒可接收超100亿比特的信息量，但是大脑的处理水平远远跟不上接收能力。视觉神经网络利用注意机制来先行处理复杂信息，它能够快速去除冗余信息，保留关键信息，大大降低了大脑的计算量。视觉显著性就是模仿这一特性，采用自下而上的itti算法，首先用多尺度特征技术生成高斯金字塔，利用center-surround方法提取特征图，最终将不同的特征图归一化为一张显著图像。显著图像相比于原始图像，具有更少的无效信息，大大缩短了检测过程，但存在的缺点有：(1)受光照因素影响较大。(2)受背景因素影响较大，部分场景检测正确率不高。
4.视觉显著性的原理就是基于检测目标特性的局部增强。本发明目的是用于农业生产中检测害虫，害虫的颜色往往和农作物的颜色相近，itti算法在实际应用中对于和背景颜色相近的目标并不能很好的分离出来，而且夜晚条件下的识别效果不是很好。害虫预防工作晚上也要正常进行。因此并不能很好的满足农业检测害虫的实际需要。


技术实现要素：

5.本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于视觉显著性的农业害虫检测方法，提出了一种基于亮度、局部方差和全局对比度三分量的特征图，相较于传统itti算法对小目标和背景颜色相近的目标具有更好的检测效果。
6.为达到上述目的，本发明提供一种基于视觉显著性的农业害虫检测方法，包括如下步骤：
7.获取待测农业区的图像，进行预处理；
8.对预处理后的图像进行边缘处理；
9.基于边缘处理后的图像进行采样，构建亮度特征图；
10.基于预处理后的图像构建局部方差特征图和全局对比特征图；
11.基于亮度特征图、局部方差特征图和全局对比特征图构建显著性图像；
12.基于显著性图像检测农业害虫。
13.进一步地，对图像进行预处理包括：
14.对图像进行线性滤波操作，去除图像中存在的噪声；
15.将图像灰度化，公式包括：
16.gray1(i，j)＝r(i，j)
17.gray2(i，j)＝g(i，j)
18.gray3(i，j)＝b(i，j)
19.其中，r，g，b是图像的三个分量，即红、绿、蓝三原色，gray1(i，j)，gray2(i，j)，gray3(i，j)是对三分量灰度化的结果。
20.进一步地，所述边缘处理包括：
21.基于预处理后的图像求解其梯度幅值和方向；
22.依据角度对梯度幅值进行非极大值抑制操作；
23.采用双阈值的方法去除图像的伪边缘，并将边缘闭合。
24.进一步地，基于边缘处理后的图像进行采样，构建亮度特征图，包括：
25.对边缘处理后的图像进行高斯降采样操作；
26.将高斯降采样后的图像分为九层，每层为一个尺度；
27.基于九个尺度构建亮度特征图，公式包括：
28.i(c，s)＝|i(c)θi(s)|
29.其中，i为亮度特征图，c和s为尺度，c∈{2，3，4}、s＝c+δ、δ∈{3，4}，θ表示每层级像素点与周围像素的差值。
30.进一步地，构建局部方差特征图包括：
[0031][0032]
其中，i(i，j)表示像素值，(x，y)表示以大小为n的局部窗口坐标，n为(x，y)的窗口长度，v(x，y)表示局部方差特征图。
[0033]
进一步地，构建全局对比特征图包括：
[0034]
c(x，y)＝|i
μ-i
whc
(x，y)|
[0035]
其中，c(x，y)为全局对特征图，i
μ
是图像平均值，i
whc
(x，y)是高斯模糊后的像素值。
[0036]
进一步地，构建显著性图像包括：
[0037]
将亮度特征图转化为亮度显著性图，局部方差特征图转化局部方差显著性图，全局对比特征图转化为全局对比显著性图；
[0038]
将亮度显著性图、局部方差显著性图和全局对比显著性图进行归一化操作，构建最终显著性图。
[0039]
进一步地，亮度特征图转化为亮度显著性图，包括：
[0040][0041]
其中，fi是亮度显著性图，是将多图像调整至同一尺寸后相加的操作，i(c，s)是亮度特征图；
[0042]
局部方差特征图转化为局部方差显著性图，包括：
[0043]
[0044]
其中，fv是局部方差显著性图，是将多图像调整至同一尺寸后相加的操作，v(x，y)是局部方差特征图；
[0045]
全局对比特征图转化为全局对比显著性图，包括：
[0046][0047]
其中，fc是全局对比显著性图，是将多图像调整至同一尺寸后相加的操作，c(x，y)是全局对比特征图；
[0048]
进一步地，将亮度显著性图、局部方差显著性图和全局对比显著性图进行归一化操作，构造的最终显著性图像的公式如下：
[0049]
s＝γ(fi)
×
γ(fv)
×
γ(fc)
[0050]
其中，s是最终的显著性图像，γ为归一化操作，fi为亮度显著性图，fv为局部方差显著性图，fc为全局对比显著性图。
[0051]
进一步地，归一化操作γ包括：
[0052][0053]mmax
属于[0....m]，m为灰度图像中的任意值，m
max
为全局最大值，为局部最大值。
[0054]
本发明所达到的有益效果：
[0055]
本发明提出的一种基于视觉显著性的害虫检测方法，精度较高且时间复杂度低，计算量少。能够很好的描述小目标的特征信息，显著性图像中绝大部分杂波噪声被去除，害虫的形状和轮廓在检测结果中被很好的保留下来。而传统的itti算法利用颜色、方向和亮度做特征，面对害虫颜色和农作物颜色相近或者在夜晚弱光的情况，往往会把害虫当做背景处理掉，检测正确率很低。本发明提出改进itti算法。用局部方差和全局对比度代替了颜色和方向分量，降低了误检率，大大提高了害虫检测效率，能够满足农业的实际检测需要。
附图说明
[0056]
图1是本发明实施例提供的一种基于视觉显著性的农业害虫检测方法的方法流程图；
[0057]
图2是具体的最终显著性图像；
[0058]
图3是白天强光下显著性检测效果图；
[0059]
图4是夜晚弱光下显著性检测效果图；
[0060]
图5是非极大值抑制操作的示意图。
具体实施方式
[0061]
下面基于附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0062]
本发明实施例提供一种基于视觉显著性的农业害虫检测方法，采用本发明进行农业害虫检测可有效提高检测精度并降低时间复杂度，减少计算量；本发明能够很好的描述小目标的特征信息，在显著性图像中可有效去除绝大部分杂波噪声，使得害虫的形状和轮廓在检测结果中被很好的保留下来；传统的itti算法利用颜色、方向和亮度做特征，面对害
虫颜色和农作物颜色相近或者在夜晚弱光的情况，往往会把害虫当做背景处理掉，检测正确率很低，而本发明通过改进itti算法，使用局部方差和全局对比度代替了颜色和方向分量，降低了误检率，大大提高了害虫检测效率，能够满足农业的实际检测需要。
[0063]
如图1至图5所示，包括如下步骤：
[0064]
步骤一：获取待测农业区的图像，进行预处理：
[0065]
对图像进行与处理的过程包括线性滤波操作和灰度化：
[0066]
线性滤波操作包括：由于一幅图像或者视频的一帧具有很多噪声干扰，对后期识别影响很大，首先对图像进行线性滤波操作。本发明采用了高斯滤波，高斯滤波在去除图像噪声上有着非常好的效果因此被广泛应用于图像降噪中。具体实施是对输入数组的每个点与输入的高斯滤波模板进行卷积计算，输出为数组形式，通俗来说就是每一个像素点都是由其邻域其他像素进行加权平均后得到的值。其中的值是个常数，在归一化之后往往会忽略，x2和y2分别代表邻域内其他像素与该像素点的距离，具体公式如下：
[0067][0068]
灰度化包括：现实中的往往都是彩色照片，每一个像素点颜色变化范围高达1600万种，而灰度图像像素点变化范围只有255种，因此在图像处理中，将彩色图像变成灰度图像后可以大大降低工作量，也能去除某些特定的干扰。简单来说就是将三通道的r、g、b变为单通道。本发明采用分量法将图像灰度化，具体公式如下：
[0069]
gray1(i，j)＝r(i，j)
[0070]
gray2(i，j)＝g(i，j)
[0071]
gray3(i，j)＝b(i，j)
[0072]
其中，r，g，b是图像的三个分量，即红、绿、蓝三原色。gray1(i，j)，gray2(i，j)，gray3(i，j)是对三分量灰度化的结果。
[0073]
步骤二：对预处理后的图像进行边缘处理：
[0074]
2.1基于预处理后的图象求解其梯度幅值和方向：
[0075]
绝大数情况下图像的边缘具有大部分的信息，很多的干扰信息在边缘处理的步骤中去除，可有效减少后期的处理量。本发明采用canny算子来进行边缘检测。由于canny算子只能对灰度图像进行操作，因此在步骤一中对图片进行灰度化是很有必要的。灰度化之后需要计算梯度幅值和方向，梯度近似于一阶有限差分，canny所用卷积算子比较简单，如下图公式所示：
[0076][0077]
其中，s
x
，sy分别是x，y方向上的偏导。
[0078]
2.2依据角度对梯度幅值进行非极大值抑制操作：
[0079]
找到像素点的局部最大值，将剩下的其他值都归零，以剔除一部分的非边缘的点。在知道了倾斜角θ的大小的前提下，可以直接确定m和n差值的位置，它两取决于邻域内两个
像素点的灰度和距离。其中dy表示mq的长度，具体如图5所示。
[0080]
2.3采用双阈值的方法去除图像的伪边缘，并将边缘闭合：
[0081]
用双阈值去除图像的伪边缘，同时将真正的边缘闭合，具体步骤包括：
[0082]
设立最低阈值和最高阈值，把像素点低于最低阈值的认定为非边缘信息舍弃，灰度值置0，而像素点高于最高阈值的认定为是边缘信息保留，将灰度值置1；剩下的在最低阈值和最高阈值之间的像素点，若它的邻域内含有真边，则也认定为边缘信息，同样将灰度值置1。
[0083]
步骤三：基于边缘处理后的图像进行采样，构建亮度特征图：
[0084]
对边缘处理后的图像进行高斯降采样操作；
[0085]
将高斯降采样后的图像分为九层，每层为一个尺度；
[0086]
基于九个尺度构建亮度特征图，公式包括：
[0087]
i(c，s)＝|i(c)θi(s)|
[0088]
其中，i为亮度特征图，c和s为尺度，c∈{2，3，4}、s＝c+δ、δ∈{3，4}，θ表示每层级像素点与周围像素的差值。
[0089]
步骤五：基于预处理后的图像构建局部方差特征图和全局对比特征图：
[0090]
构建局部方差特征图包括：
[0091]
局部方差可以更好的反应灰度图像中局部区域之间的差异，因此可以很好地应用在害虫检测中，其中i(i，j)表示像素值，(x，y)表示以大小为n的局部窗口坐标，n为(x，y)的窗口长度，v(x，y)表示局部方差值，具体公式如下：
[0092][0093]
构建全局对比特征图包括：
[0094]
全局对比度比颜色更符合本发明的实际应用需要，对比度可以很好的衡量图像像素点的差异，视觉注意机制对高对比度的区域也更敏感。其中，c(x，y)为全局对比特征图，i
μ
是图像的平均值，i
whc
(x，y)是图像高斯模糊后的像素值。具体公式如下：
[0095]
c(x，y)＝|i
μ-i
whc
(x，y)|
[0096]
步骤六：基于亮度特征图、方差特征图和全局对比特征图构建显著性图像：
[0097]
将亮度特征图转化为亮度显著性图，局部方差特征图转化局部方差显著性图，全局对比特征图转化为全局对比显著性图；
[0098]
将亮度显著性图、亮度显著性图和全局对比显著性图进行归一化操作，构建最终显著性图；
[0099]
其中，亮度特征图转化为亮度显著性图，包括：
[0100][0101]
其中，fi是亮度显著性图，是将多图像调整至同一尺寸后相加的操作，i(c，s)是亮度特征图；
[0102]
局部方差特征图转化为局部方差显著性图，包括：
[0103]
[0104]
其中，fv是局部方差显著性图，是将多图像调整至同一尺寸后相加的操作，v(x，y)是局部方差特征图；
[0105]
全局对比特征图转化为全局对比显著性图，包括：
[0106][0107]
其中，fc是全局对比显著性图，是将多图像调整至同一尺寸后相加的操作，c(x，y)是全局对比特征图。
[0108]
最后将亮度显著性图、局部方差显著性图和全局对比显著性图进行归一化操作，构造的最终显著性图像的公式如下：
[0109]
s＝γ(fi)
×
γ(fv)
×
γ(fc)
[0110]
其中，s是最终的显著性图像，γ为归一化操作，fi为亮度显著性图，fv为局部方差显著性图，fc为全局对比显著性图。
[0111]
在归一化操作中γ包括：
[0112][0113]mmax
属于[0....m]，m为灰度图像中的任意值，m
max
为全局最大值，为局部最大值。
[0114]
害虫无时无刻都有可能侵害农作物。因此害虫的检测不光在白天需要进行，晚上也要进行检测。本发明对白天强光下和夜晚弱光下对小目标物体进行了对应的检测实验，实验结果如图3和图4所示。经实验结果可知无论是在强光还是弱光条件下，检测结果均比较良好，能很好的识别出显著性物体。充分说明本发明提出的基于itti的改进算法受光照影响较小，能够满足农业生产对害虫检测的实际要求。
[0115]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。