法律状态公告日
法律状态信息
法律状态
2016-01-20
授权
授权
2013-09-04
实质审查的生效 IPC(主分类):G06T7/00 申请日:20130428
实质审查的生效
2013-08-07
公开
公开
技术领域
本发明涉及病虫害图像自动化识别领域,特别涉及一种基于DCT 和区域生长的白粉虱图像分割方法。
背景技术
随着机器视觉技术的应用和发展,利用数字图像处理技术对作物 病虫害图像进行处理、分割、识别,从而实现病虫害自动化识别成为 可能,因此,机器视觉技术作为一种重要的病虫害自动化识别手段已 经日益引起人们的重视,并广泛地应用于病虫害防治领域。
作物上害虫种群密度和危害程度是害虫防治决策的重要依据,也 是精确喷药的关键信息。与人工方法相比,使用机器视觉自动获取害 虫信息,不仅可降低劳动强度、提高工作效率,更加客观,避免人为 因素的影响导致结果的不准确性,而且便于与后续的防治决策和精确 施药技术对接和技术集成。目前,害虫检测和技术的难点之一是:在 开放田间环境中,环境复杂,背景颜色变化多样,背景、叶片和害虫 的灰阶范围常常重叠,导致害虫的自动分割困难。目前研究较多的是 阈值法和阈值与聚类相结合的方法,在大田开放环境下,不可避免导 致误分割,因此找到一种能在田间开放环境下准确分割害虫的方法迫 在眉睫。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是如何对田间开放环境中的白粉虱图像 进行分割。
(二)技术方案
为解决上述问题,本发明提供一种基于DCT和区域生长的白粉虱 图像分割方法,包括步骤:S1、将白粉虱图像转换到灰度空间,对所 获得的灰度图像y进行中值滤波去噪得到y1;S2、将y1用8*8模板做 离散余弦变换得到dct1,截断dct1的高频信号,然后进行反离散余弦 变换,重新将图像转换到灰度空间,得到灰度图像y2;S3、令差值图 像diffy=|y-y2|;S4、将diffy归一化后投影到灰度空间得到灰度图像 gray_diff,计算灰度图像的模糊熵,通过最大化模糊熵得到分割阈值, 将图像分割成清晰区域和模糊区域,得到二值图像binary;S5、在原始 的白粉虱图像中标记清晰区域并建立灰度值高斯模型,对标记的清晰 区域进行自检测,剔除明显偏离模型的点,得到最终的清晰区域,开 闭运算去噪,消除离散噪声点,得到起始生长区域binary1;S6、计算 binary1中清晰区域的期望灰度值μ和方差σ;S7、从binary1标记的 起始生长区域开始生长,将邻域灰度相似的点标记为生长区域,所述 邻域灰度相似的点为邻域的灰度值和清晰区域的期望灰度值μ的差值 在一定方差范围内的点,并从该点继续生长;否则,找到下一个没有 标记的生长点进行生长,直到全部标记完成,从背景和叶片中分离出 病虫目标。
优选地,步骤S2中截断高频信号的方法是:计算8*8模板在原始 的白粉虱图像中对应的像素灰度值之和,记为gray,将截断高频信号 的阈值设置为gray/2。
优选地,步骤S4中将diffy归一化后投影到灰度空间得到灰度图 像gray_diff的计算方法是:gray_diff(i,j)=diffy(i,j)/max(diffy)*255, i,j分别为图像的高和宽,max(diffy)为diffy中的最大值。
优选地,步骤S4中计算阈值的方法是:将灰度图像gray_diff模糊 化,计算图像的模糊熵,通过设定模糊熵最大时的参数选择得到最优 阈值。
优选地,步骤S5中明显偏离模型的点为:与该高斯模型均值的差 值在3倍方差范围外。
优选地,步骤S6中,清晰区域的期望灰度值:
方差:
其中,H、W分别为图像的高和宽。
优选地,步骤S7中,用深度优先的方法进行区域生长。
(三)有益效果
本发明的上述技术方案具有如下优点:基于DCT和区域生长的白 粉虱图像分割方法方法模仿人的信息处理功能,先通过清晰度特征粗 略找出感兴趣区域,然后结合害虫图像局部聚合度较高的特性,利用 区域生长方法提取完整害虫目标。
附图说明
图1是本发明基于DCT和区域生长的白粉虱图像分割方法的流程 示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细 描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
根据本发明提出了一种基于DCT和区域生长的白粉虱图像方法, 包括步骤:
1、一种基于DCT和区域生长的白粉虱图像分割方法,其特征在 于,包括步骤:
S1、将图像转换到灰度空间,对灰度图像y进行中值滤波去噪得 到y1;
S2、将y1用8*8模板做离散余弦变换得到dct1,截断dct1的高频 信号,然后进行反离散余弦变换,重新将图像转换到灰度空间,得到 灰度图像y2;
S3、令差值图像diffy=|y-y2|;
S4、将diffy归一化后投影到灰度空间得到灰度图像gray_diff,计 算灰度图像的模糊熵,通过最大化模糊熵得到分割阈值,将图像分割 成清晰区域和模糊区域,得到二值图像binary;
S5、在原始图像中标记清晰区域并建立灰度值高斯模型,对标记 的清晰区域进行自检测,剔除那些明显偏离模型的点,得到最终的清 晰区域,开闭运算去噪,消除离散噪声点,得到起始生长区域binary1;
S6、计算binary1中清晰区域的期望灰度值μ和方差σ;
S7、从binary1标记的起始生长区域开始生长,将邻域灰度相似的 点标记为生长区域,即邻域的灰度值和清晰区域的期望灰度值μ的差 值在一定方差范围内,并从该点继续生长;否则,找到下一个没有标 记的生长点进行生长,直到全部标记完成,从背景和叶片中分离出病 虫目标。
其中,步骤S2中截断高频信号的方法是:计算8*8模板在原始图 像中对应的像素灰度值之和,记为gray,一般来说,高频信号远低于 低频信号,因此将截断高频信号的阈值设置为gray/2。
其中,步骤S4中将diffy归一化后投影到灰度空间得到灰度图像 gray_diff的计算方法是:gray_diff(i,j)=diffy(i,j)/max(diffy)*255,i,j 分别为图像的高和宽,max(diffy)为diffy中的最大值。
其中,步骤S4中计算阈值的方法是:将灰度图像gray_diff模糊化, 计算图像的模糊熵,通过设定模糊熵最大时的参数选择得到最优阈值。
其中,步骤S5中明显偏离模型的点为:与该高斯模型均值的差值 在3倍方差范围外。
其中,步骤S6中,清晰区域的期望灰度值:
方差:
其中,H、W分别为图像的高和宽(正确)。
其中,步骤S7中,用深度优先的方法进行区域生长。
如图1所示,白粉虱图像分割方法具体过程如下:
1、将图像转换到灰度空间,对灰度图像y进行中值滤波去噪得到 y1;
2、将y1用8*8模板做离散余弦变换得到dct1,计算8*8模板在 原始图像y1中对应的像素灰度值之和,记为gray,一般来说,高频信 号远低于低频信号,因此将截断高频信号的阈值设置为gray/2。截断 dct1的高频信号,然后进行反离散余弦变换,重新将图像转换到灰度 空间,得到灰度图像y2;
3、令差值图像diffy=|y-y2|;
4、将diffy归一化后投影到灰度空间得到灰度图像gray_diff,其 中gray_diff(i,j)=diffy(i,j)/max(diffy)*255,i,j分别为图像的高和宽, max(diffy)为diffy中的最大值;将灰度图像gray_diff分割成清晰区域 和模糊区域的阈值假设为x(0≤x≤255),则图像gray_diff的模糊熵 为:
其中,histi为灰度图像gray_diff中灰度值为i的像素数;
通过最大化模糊熵H(x)得到阈值x,从而将图像分割成清晰区域 和模糊区域,得到二值图像binary;
5、对二值图像binary中的清晰区域按照灰度建立高斯模型 gauss(μ,σ),μ为清晰区域的灰度平均值,σ为方差;并对模型进 行自检测,剔除那些明显偏离模型的点,即|ai-μ|>3*σ,其中,ai为像 素灰度值,得到最终的清晰区域,开闭运算去噪,消除离散噪声点, 得到起始生长区域binary1;
6、计算binary1中清晰区域的期望灰度值μ和方差σ:
其中,H、W分别为图像的高和宽;
7、从binary1标记的起始生长区域,用深度优先的方法进行生长, 将邻域灰度相似的点标记为生长区域,即邻域的灰度值和清晰区域的 期望灰度值μ的差值在3倍方差范围内,并从该点继续生长;否则, 找到下一个没有标记的生长点进行生长,直到全部标记完成,从背景 和叶片中分离出病虫目标。
本发明对病虫害图像分割具有通用性,但由于产品种类很多,因 此本发明只举一个用于白粉虱图像分割的实施实例,其它病虫害图像 分割可以参照该实施实例的方法,具体针对所识别的病虫害,改变相 关参数,就可以对新的病虫害图像进行分割。
本发明与人工分割相比,结果更客观公正,能适应田间开放环境, 并且分割速度快,分割结果稳定,更有利于与后期的精准施药相结合。 将机器视觉用于病虫害图像识别过程中,既可以让人们从复杂枯燥的 工作中脱离出来,又可以更加快速准确的得到病虫害的危害程度,提 高识别的精度和鲁棒性,该发明可以应用于田间开放环境中的病虫害 自动化分割与识别、精准施药中。
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 做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
机译: 基于运动矢量和DCT系数的基于可疑视频分类的基于DCT元数据的视频监控方法
机译: 基于变换深度的DCT尺寸决策的DCT装置和方法
机译: 基于共享信息的DCT域逆运动补偿的DCT系统及方法