田间自然背景下甘蔗宿根图像分割方法

文档序号:9472214阅读:301来源:国知局
田间自然背景下甘蔗宿根图像分割方法
【技术领域】
[0001] 本发明设及农作物图像分割方法领域,特别设及一种田间自然背景下甘薦宿根图 像分割方法。
【背景技术】
[0002] 目前,国内在一定程度上实现了甘薦收割机械化,但机械化收割的便利会导致甘 薦的破头率较高,从而直接影响来年甘薦的萌芽率和甘薦产量。因此在对甘薦进行收割后, 需要实时检测甘薦宿根的破头情况,并根据检测结果实时控制与调节收割机来W降低宿根 破头率显得尤为重要。计算机视觉与图像处理技术已在农业有了广泛的应用,而要用图像 处理技术来实时检测宿根破头情况,需要先在田间的自然环境下通过相机采集宿根的图 像,由于田间环境较复杂,甘薦收割后,宿根周围除了有±壤之外,还包括甘薦叶和杂草等, 因此采集到的图像中需要进行分割处理,W消除图像中其他背景信息,并尽可能保留宿根 信息。
[0003] 现在常用的宿根图像分割方法有阀值分割和区域分割。阔值分割是根据设定不同 的特征阀值,从而把图像的像素值逐一的与阀值进行比较,从而把图像分为类前景和背景 两大类;区域分割是根据事先规定的一种相似性准则,并根据该准则提取出若干特征相近 的区域,而去除并不相似的区域。但是,由于甘薦干叶子、干±与宿根的灰度值较为接近,运 些方法仍不能很好地把宿根与背景很好地分离出来。
[0004] 公开于该【背景技术】部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应 当被视为承认或W任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

【发明内容】

[0005] 本发明的目的在于提供一种田间自然背景下甘薦宿根图像分割方法,从而克服现 有的图像分割方法不能很好地把甘薦的宿根与背景分离出来的缺点。
[0006] 为实现上述目的,本发明提供了一种田间自然背景下甘薦宿根图像分割方法,其 中,其包括如下步骤:步骤一,在薦地上随机采集若干个彩色的图像样本,所述图像样本中 包括甘薦宿根及其周围的环境;步骤二,通过对步骤一中采集到的图像样本的灰度值进行 分析,W获得薦地中的甘薦宿根、甘薦干叶子、杂草、干及新±的灰度平均值W及之间 的关系,并且获得能够把宿根与其他物体区分开来的颜色特征值;步骤=,对步骤一中采集 到的图像样本进行SVM分割的训练过程,W获得对从薦地上采集到的待分割图像进行SVM 分割的最优分类函数;其包括W下过程:首先,从步骤一中采集到的图像样本中获取训练 样本集,W建立分割特征库;然后,通过对分割特征库寻找最优分类超平面来获取对从薦地 上采集到的待分割图像进行SVM分割的最优分类函数;W及步骤四,对从薦地上采集到的 待分割图像进行=次分割,W获得甘薦宿根信息,其包括如下过程:首先,采用阔值法对待 分割图像进行第一次分割,W初步消除图像背景中新±与杂草的信息;然后,采用区域分割 法对通过阔值法分割出来的图像进行第二次分割,W完全消除背景中新±信息,使图像中 只包含甘薦宿根、甘薦干叶子、干上及少量杂草的信息;最后,采用SVM分割法利用从步骤 =中获得的最优分类函数对通过区域分割法分割出来的图像进行第=次分割,W获得只含 甘薦宿根信息的图像。
[0007] 优选地,上述技术方案中,所述步骤=中建立分割特征库的过程中,由于干±、新 上及甘薦干叶子的2G-R-B值均为负值且均比较接近,可将其归为"-1"类,而杂草的2G-R-B 值非常高可归为"0"类,宿根的2G-R-B值处于其两类之间,归为"1"类,W运个分类为前 提,在步骤一中采集到的若干个图像样本中,对每个分类随机选取若干个像素点;再W所有 的像素点的2G-R-B值组成的分割特征向量作为SVM的训练样本集,并W运个训练样本集作 为分割特征库。
[0008] 优选地,上述技术方案中,该分割方法还包括步骤五,步骤五中对步骤四中获得的 只含甘薦宿根信息的图像中残留的噪声、空桐进行处理。
[0009] 优选地,上述技术方案中,所述步骤五中利用数学形态学运算、小边缘剔除及空桐 填充操作来对图像作进一步的处理,W消除图像中的噪声、空桐。 阳010] 与现有技术相比,本发明具有如下有益效果:
[0011] 本发明通过将阔值分割融入区域分割中,可W有效的减少区域分割的计算量,W 提高分割效率,且通过联合使用阔值分割、区域分割为SVM分割作预处理操作,可W有效的 剔除宿根图像的部分复杂背景,为SVM分割减少分类比较量,可大大的降低算法运算时间。 本发明能够提高分割准确率、降低分割时间,且有较好的分割效果,从而获得完整的甘薦宿 根信息,为甘薦宿根破头的识别提供参考。
【附图说明】
[0012] 图1是根据本发明田间自然背景下甘薦宿根图像分割方法流程图。
[0013] 图2是待分割图像的示意图。
[0014]图3是对待分割图像进行阔值法分割出来的图像示意图。
[0015] 图4是对阔值法分割出来的图像进行区域分割法分割出来的图像示意图。
[0016] 图5是对区域分割法分割出来的图像进行SVM分割法分割出来的图像示意图。 阳017] 图6是对SVM分割法分割出来的图像消除噪声和空桐后的图像示意图
【具体实施方式】
[0018] 下面结合附图,对本发明的【具体实施方式】进行详细描述,但应当理解本发明的保 护范围并不受【具体实施方式】的限制。
[0019] 除非另有其它明确表示,否则在整个说明书和权利要求书中,术语"包括"或其变 换如"包含"或"包括有"等等将被理解为包括所陈述的元件或组成部分,而并未排除其它 元件或其它组成部分。
[0020] 如图1所示,根据本发明【具体实施方式】的一种实施例为:一种田间自然背景下甘 薦宿根图像分割方法,其包括W下步骤:
[0021] 步骤一,在薦地上随机采集若干个彩色的图像样本。
[0022] 随机选取薦地上的甘薦宿根,采用工业相机对甘薦宿根及其周围环境进行拍照, 拍照在自然光条件下进行,把工业相机的镜头垂直朝向下方,使镜头正对甘薦宿根的截面 进行拍摄,如图2所示,每次拍摄需要把甘薦宿根及其周围的环境一起拍出来,W获得完整 的图像样本,共需采集若干个彩色的图像样本。例如,一共采集50个图像样本。
[0023]步骤二,通过对步骤一中采集到的图像样本的灰度值及颜色特征值进行分析,W获得整个薦地中的甘薦宿根、甘薦干叶子、杂草、干及新±各个物体的灰度平均值W及 之间的关系,并且获得能够把宿根与其他物体区分开来的颜色特征值。
[0024]从采集到的若干个图像样本中再随机挑选若干个图像样本进行灰度值分析。例 如,当采集到的图像样本共有50个时,从运50个图像样本中随机选取20个图像样本进行 分析。对随机挑选出来的每一个图像样本进行人工截取只含甘薦宿根、甘薦叶子、杂草、干 ±及新±的局部图像各一张,从而对每个物体均获得若干张图像。例如,当选取20个图像 样本进行分析时,便可得到只含甘薦宿根、甘薦干叶子、杂草、干±及新±的局部图像各20 张。
[0025]通过W上得到的各物体的局部图像转换为灰度图像进行灰度值分析,W求得薦 地上的甘薦宿根、甘薦叶子、杂草、干±及新±的平均灰度值。对灰度值的分析,可W利用 Matlab软件中提供的mean函数,把所有物体的局部图像的灰度值W矩阵的形式输入到 Matl油软件中,然后通过mean函数进行计算,W分别求得甘薦宿根、甘薦干叶子、杂草、干 ±及新±的平均灰度值,再把结果导入excel中进行统计分析。一般来说,甘薦宿根的截 面、甘薦干叶子W及干±的平均灰度值比较接近,均在180左右,而新±的灰度值和杂草的 灰度值明显低于甘薦宿根的截面、甘薦叶子W及干±运几个物体的灰度值,其中新±的平 均灰度值在80左右,而杂草的平均灰度值在100左右。
[00%]另外,再随机选择若干个图像样本进行颜色特征值分析。首先,在RGB颜色空间 下,随机选择采集到的若干幅图像样本,从每一样本中分别截取只含宿根、新±、干±、杂草 W及甘薦叶的40*40像素大小的图片。然后,对运些图片的R、G、B值W及G-B、G-R、B-R、 2R-G-B、2B-G-R、2G-R-B值进行统计分析。一般来说,宿根截面2G-R-B颜色特征与其他物 体不存在交错现象,其中杂草的2G-R-B值比较高,在80左右;宿根的2G-R-B在10-20区间 内;而干上、新上W及甘薦叶的2G-R-B值均为负值。
[0027]步骤S,对步骤一中采集到的图像样本进行SVM的训练过程,W获得从薦地上采 集到的待分割图像进行SVM分割的最优分类函数。其包括W下过程:
[002引首先,从步骤一中采集到的图像样本中获取训练样本集,W建立分割特征库。
[0029]由于干±、新±及甘薦干叶子的2G-R-B值比较接近且都为负数,因此将其归为一 类,并标记为"-1"类;而杂草的2G-R-B值很高,单独归为一类,并标记为"0"类;宿根的 2G-R-B值处于"-1"和"0"类之间,标记为"1"类,也即是将甘薦宿根图像的分割问题转化 为两类背景和一类前景的=分类问题。
[0030]W上述的=个分类为前提,在采集到的若干个图像样本中,对每个分类随机选取 若干个像素点,例如,对每个分类随机选选取15个像素点,则S个分类共可获得45个像素 点。再W所有的像素点的2G-R-B值组成的分割特征向量作为SVM的训练样本集,并W运个 训练样本集作为分割特征库。
[0031]然后,通过对分割特征库寻找最优分类超平面来获取对从薦地上采集到的待分割 图像进行SVM分割的最优分类函数。
[0032]二分类训练样本集为: 阳033] (Xi,Yi),(又2, 72),. . .(Xn,Yn),XGR。,yG{+1,-:L} (1)
[0034] 其中,n为样本数;X为训练样本,即所有像素点中的任意一个像素点的2G-R-B值; y为样本标签,即X所属于的类。
[0035] 然后,通过对分割特征库寻找最优分类超平面来获取对从薦地上采集到的待分割 图像进行SVM分割的最优分类函数。
[0036] 设有一个超平面《x+b=0能够使得两类样本完全分开,则分类如下:
[0037]
(苗
[0038] 若训练集能在毫无误差的情况下被准确分类,且每类数据与超平面最近的向量与 超平面之间的距离最大,则把该平面称为最优超平面。SVM分类的实质或目标就是寻找最优 分类超平面。
[0039] 在线性可分的情况下,求解最优超平面可W看成求解下式的二次型规划问题:
[0040]
(3)
[0041]引入拉格朗日乘子a,上式可转化为最大化函数:
[0042]
(4)
[0043] 同时该函数需要满足约束条件:
[0044]
[0045] S.t.a0,i二 1, 2, 3. ??,
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1