失活鱼卵识别装置、方法及计算机可存储介质与流程

本发明涉及图像处理技术领域，具体而言，涉及一种失活鱼卵识别装置、方法及计算机可存储介质。

背景技术：

鱼类养殖对环境要求较高，在鱼类孵化过程中失活的鱼卵需要及时筛选。现有技术中对失活鱼卵的筛选是通过人工观察失活鱼卵的颜色变化，再通过吸管等工具对失活鱼卵进行抽取。

技术实现要素：

本发明实施例至少提供一种失活鱼卵识别方法，能够解决现有技术中对失活鱼卵的位置筛选效率低的问题。

上述实施例的具体实现，如下所述。

所述方法包括：

step100、通过相机采集原始图像；

step200、获取所述原始图像的灰阶图像；

step300、对所述灰阶图像进行光照补偿获取补偿图像；

step400、根据一自适应的全局阈值对所述补偿图像二值化处理获取输出图像；

step500、根据所述输出图像确定任意失活鱼卵的坐标位置。

在本实施例中较佳方案是，所述step300，包括：

step310、根据所述灰阶图像获取平均灰度；

step320、切分所述灰阶图像为至少两个块图像；

step330、获取任意所述块图像的块平均灰度；

step340、根据所有所述的块平均灰度建立块矩阵；

step350、根据所述块矩阵的任意元素与所述平均灰度的差值建立差值矩阵；

step360、放大所述差值矩阵为所述补偿图像。

在本实施例中较佳方案是，所述step360配置为选用双立方插值法放大所述差值矩阵为所述补偿图像。

在本实施例中较佳方案是，所述step300及所述step400之间配置有根据预设孔径对所述补偿图像进行中值滤波获取中值图像；

所述step400配置为根据一自适应的全局阈值对所述中值图像二值化处理获取输出图像。

在本实施例中较佳方案是，所述step400，包括：

step410、选用最大类间方差法获取所述补偿图像的全局阈值；

step420、根据所述全局阈值对所述补偿图像二值化处理获取所述输出图像。

在本实施例中较佳方案是，所述step400及所述step500之间配置有选用形态学运算的开运算剔除所述输出图像的噪点。

在本实施例中较佳方案是，所述step400及所述step500之间配置有选用形态学运算的闭运算填补所述输出图像的物像。

在本实施例中较佳方案是，所述step500，包括：

step510、获取所述输出图像中圆形或椭圆形的目标轮廓；

step520、建立包括所述目标轮廓的最小轮廓矩阵；

step530、获取所述轮廓矩阵的中心坐标作为输出坐标。

本发明实施例另公开一种计算机可存储介质，用于存储指令，所述指令被处理器执行时实现上述步骤。

本发明实施例另公开一种失活鱼卵识别装置，所述装置包括：

采集模块，获取相机采集的原始图像；

灰度模块，获取所述原始图像的灰阶图像；

补偿模块，对所述灰阶图像进行光照补偿获取补偿图像；

二值化模块，根据一自适应的全局阈值对所述补偿图像二值化处理获取输出图像；

定位模块，根据所述输出图像确定任意失活鱼卵的坐标位置。

针对上述方案，本发明通过以下参照附图对公开的示例性实施例作详细描述，亦使本发明实施例的其它特征及其优点清楚。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。

图1为本实施例方法的流程图；

图2为本实施例方法的结构图。

图3为本实施装置的系统图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例提供一种失活鱼卵识别方法。通过本实施例通过鱼卵失去活性后至少呈乳白色的特点，对失活鱼卵进行图像识别，相比现有技术中人工筛选失活鱼卵的方式更加富有效率。

为了实现上述内容请参考图1，本实施例的方法包括：

step100、通过相机获取鱼卵所在位置的原始图像；

step200、运行opencv库中的cvtcolor函数转化原始图像，以初步对基本透明的正常鱼卵进行剔除，获取主要包括失活鱼卵的灰阶图像。

step300、考虑到在水下对失活鱼卵的采集可能存在光照不均的情况，对灰阶图像进行光照补偿获取补偿图像；优选地采用如下方案。

step310、根据灰阶图像的所有元素计算所有元素的平均灰度。

step320、将灰阶图像平均的分割成多个块图像。

step330、根据每个块图像的元素计算块平均灰度。

step340、根据所有的块平均灰度建立块矩阵。

step350、根据块矩阵的任意元素与平均灰度的差值建立差值矩阵。

step360、选用双立方插值法对低分辨率的差值矩阵进行图像放大，获取具有较高分辨率的补偿图像。

step370、根据补偿图像的分辨率选取合适大小的滤波矩阵作为孔径对补偿图像进行中值滤波获取中值图像，具体可以是选用opencv库中的medianblur函数对补偿图像进行中值滤波，补偿图像中的椒盐噪声。

step400、根据一自适应的全局阈值对中值图像二值化处理获取输出图像；优选地采用如下方案。

step410、选用otsu算法获取补偿图像的全局阈值，优选步骤为统计灰度级中每个像素在中值图像中的个数；计算每个像素在中值图像的概率分布；对灰度级进行遍历搜索，计算当前灰度值下前景与背景类间概率；通过目标函数计算出类内与类间方差下对应的阈值；获取最大类内方差对应的灰度值作为全局阈值。

step420、根据全局阈值对补偿图像二值化处理获取输出图像。

step430、选用形态学运算的开运算使输出图像轮廓平滑并剔除毛刺及孤立点。

与step430并行的配置有step440，其主要步骤是选用形态学运算的闭运算使填覆沟槽，弥合孔洞及裂缝。

当然，本实施例的step430及step440也可以是任选其一，用于针对性的对输出图像的存在缺陷进行补偿。

step500、根据输出图像确定任意失活鱼卵的坐标位置；优选地采用如下方案。

step510、运行opencv库的cvtcolor函数查找输出图像中失活鱼卵的目标轮廓。

step520、再运行boundingrect函数建立计算所有查找目标轮廓的最小轮廓矩阵。

step530、获取最小轮廓矩阵的中心坐标作为输出坐标，以确定失活鱼卵的平面位置。

当然，本实施例也可以是将最小轮廓矩阵作为一坐标集进行输出，用于后续为后续自动剔除失活鱼卵提供参考。

通过上述方案，本实施例的方法能够通过图像处理对失活鱼卵的位置进行确定，为后续对失活鱼卵的自动剔除提供位置信息。

本实施例另公开一种计算机可存储介质，用于存储指令，所述指令被处理器执行时实现上述步骤及opencv库中函数的运行。

本实施例再公开一种失活鱼卵识别装置，包括采集模块、灰度模块、补偿模块、二值化模块及定位模块。其中，采集模块获取相机采集的原始图像；灰度模块获取所述原始图像的灰阶图像；补偿模块对所述灰阶图像进行光照补偿获取补偿图像；二值化模块根据一自适应的全局阈值对所述补偿图像二值化处理获取输出图像；定位模块根据所述输出图像确定任意失活鱼卵的坐标位置。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。