CN103236060A - 基于多特征融合的白粉虱图像分割方法 - Google Patents

Abstract

本发明基于多特征融合的白粉虱图像分割方法模仿人的信息处理功能，先通过图像的边缘特征粗略找出可能的病虫区域，然后利用病虫区域的面积、周长、最小灰度值、最大灰度值、平均灰度值、灰度值方差、最长轴、最小外接矩形、建立区域内八连通邻域的灰度值之差的混合高斯模型，并将混合高斯模型的参数与其他特征一同建模，反复剔除不符合模型分布的样本，提取真正害虫目标。

Description

基于多特征融合的白粉虱图像分割方法

技术领域

本发明涉及病虫害图像自动化识别领域，特别涉及一种基于多特征融合的白粉虱图像分割方法。

背景技术

随着机器视觉和图像处理技术的应用和发展，计算机软硬件水平的提高，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，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多特征融合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，并进行中值滤波去噪；S2、提取图像边缘；S3、标记所有闭合边缘，去除非闭合边缘；S4、标记闭合边缘内部点，提取连通区域，得到独立的目标区域；S5、计算区域特征，包括：面积、周长、最小灰度值、最大灰度值、平均灰度值、灰度值方差、最长轴、以及最小外接矩形面积，建立与八连通邻域灰度值之差的混合高斯模型；S6、设置阈值，将面积和周长小于一定阈值的区域认为是噪声区域；S7、利用剩余特征组成特征向量，进行建模，并将这些建模样本特征与模型比较，反复剔除偏离模型的样本，直到模型稳定，从而得到目标。

优选地，步骤S3中提取闭合边缘的方法是：用深度遍历方法遍历边缘，如果边缘中存在闭环，则认为是闭合边缘，否则认为是非闭合边缘。

优选地，步骤S5中：面积area为连通区域内的像素数，周长p为该连通区域对应的闭合边缘的像素数，最小灰度值min_k为：最大灰度值max_k为：平均灰度值μ_k为：

灰度值方差σ_k为： ${{\mathrm{\σ}}_k}^2=\frac{\underset{(i,j)\∈{\mathrm{Comp}}_k}{\mathrm{\Σ}}{[\mathrm{gray}(i,j)-{\mathrm{\μ}}_k]}^2}{\mathrm{count}((i,j)\∈{\mathrm{Comp}}_k)},$ 最长轴maxLen_k为： $\max {\mathrm{Len}}_k=\underset{(i,j),(x,y)\∈{\mathrm{edge}}_k}{\max }\mathrm{dist}[(i,j),(x,y)],$ 最小外接矩形面积a_k为：a_k=count[(i,j)∈rect_k]，用期望最大化方法计算连通区域内每个像素与八连通邻域的像素值之差的混合高斯模型，其中，Comp_k表示第k个连通分量，count（Comp_k）表示第k个连通分量的像素数，dist[(i,j),(x,y)]表示点(i,j)和点(x,y)之间的欧氏距离，edge_k为属于第k个连通区域的闭合边缘。

优选地，步骤S7中：将最小灰度值、最大灰度值、平均灰度值、灰度值方差、最长轴、最小外接矩形以及混合高斯模型的三个参数向量组成N维特征向量，建立高斯模型，并将建模样本的特征与模型比较，如果不符合模型分布则剔除，否则保留；将所有保留的样本特征继续建立高斯模型，继续剔除，直至模型不再变化。

优选地，所述三个参数向量包括权重、均值、以及方差，其按权重大小排序。

优选地，计算向量的距离公式为：

其中n为向量维度，不足的补0。

（三）有益效果

本发明的上述技术方案具有如下优点：基于多特征融合的白粉虱图像分割方法模仿人的信息处理功能，先通过图像的边缘特征粗略找出可能的病虫区域，然后利用病虫区域的面积、周长、最小灰度值、最大灰度值、平均灰度值、灰度值方差、最长轴、最小外接矩形、建立区域内八连通邻域的灰度值之差的混合高斯模型，并将混合高斯模型的参数与其他特征一同建模，反复剔除不符合模型分布的样本，提取真正害虫目标。

附图说明

图1是本发明基于多特征融合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。

根据本发明提出的一种基于多特征融合的白粉虱图像分割方法，包括步骤：

S1、将图像转换到灰度空间，并进行中值滤波去噪；

S2、提取图像边缘；

S3、标记所有闭合边缘，去除非闭合边缘；

S4、标记闭合边缘内部点，提取连通区域，得到独立的目标区域；

S5、计算区域特征，包括：面积、周长、最小灰度值、最大灰度值、平均灰度值、灰度值方差、最长轴、最小外接矩形面积，建立与八连通邻域灰度值之差的混合高斯模型；

S6、设置阈值，将面积和周长小于一定阈值的区域认为是噪声区域；

S7、利用剩余特征组成特征向量，进行建模，并将这些建模样本特征与模型比较，反复剔除偏离模型的样本，直到模型稳定，从而得到目标。

其中，步骤S3中提取闭合边缘的方法是：用深度遍历方法遍历边缘，如果边缘中存在闭环，则认为是闭合边缘，否则认为是非闭合边缘。

其中，步骤S5中：面积area为连通区域内的像素数，周长p为该连通区域对应的闭合边缘的像素数，最小灰度值min_k为：

最大灰度值max_k为：平均灰度值μ_k为：

灰度值方差σ_k为： ${{\mathrm{\σ}}_k}^2=\frac{\underset{(i,j)\∈{\mathrm{Comp}}_k}{\mathrm{\Σ}}{[\mathrm{gray}(i,j)-{\mathrm{\μ}}_k]}^2}{\mathrm{count}((i,j)\∈{\mathrm{Comp}}_k)},$ 最长轴maxLen_k为： $\max {\mathrm{Len}}_k=\underset{(i,j),(x,y)\∈{\mathrm{edge}}_k}{\max }\mathrm{dist}[(i,j),(x,y)],$ 最小外接矩形面积a_k为：a_k=count[(i,j)∈rect_k]，用期望最大化方法计算连通区域内每个像素与八连通邻域的像素值之差的混合高斯模型，其中，Comp_k表示第k个连通分量，count（Comp_k）表示第k个连通分量的像素数，dist[(i,j),(x,y)]表示点(i,j)和点(x,y)之间的欧氏距离，edge_k为属于第k个连通区域的闭合边缘。

其中，步骤S7中：将最小灰度值、最大灰度值、平均灰度值、灰度值方差、最长轴、最小外接矩形以及混合高斯模型的三个参数向量（权重，均值，方差，按权重大小排序）组成N维特征向量，建立高斯模型，并将建模样本的特征与模型比较，如果不符合模型分布则剔除，否则保留；将所有保留的样本特征继续建立高斯模型，继续剔除，直至模型不再变化。

其中，计算向量的距离公式为：

其中n为向量维度，不足的补0。

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，并进行中值滤波去噪；

2、用canny算法提取图像边缘；

3、利用深度遍历方法标记所有闭合边缘，并去除非闭合边缘；用象限法判断点是否在闭合边缘内：将坐标原点移到被判断的点位置将[0,π/2)定义为第一象限，[π/2,π)定义为第二象限，[π,3π/2)定义为第三象限，[3π/2,2π)定义为第四象限，对于第i条闭合曲线，初始化弧长和为0，顺序访问该闭合曲线上的点，如果p[k+1]和p[k]的相对位置如下：

A、p[k+1]在p[k]的下一象限，弧长和加π/2；

B、p[k+1]在p[k]的上一象限，弧长和减π/2；

C、p[k+1]在p[k]的相对象限，计算f=p[k+1].x*p[k].y-p[k].x*p[k+1].y，若果f=0，则点在多边形上，如果f<0，弧长和减π，如果f>0，弧长和加π。

将边缘遍历完成后，如果弧长和为0，则点在该闭合边缘外，弧长和为π，则在边缘上，弧长和为2π，则在边缘内部。

通过该方法标记点与图像中所有闭合边缘的关系，如果点在所有闭合边缘的外部，则认为该点位外部点，如果点在某条闭合边缘的内部，则点为内部点。

4、用序贯算法提取连通区域，为连通区域做不同标记，得到独立的目标区域；

5、计算区域特征，包括：面积、周长、最小灰度值、最大灰度值、平均灰度值、灰度值方差、最长轴、最小外接矩形面积，建立与八连通邻域灰度值之差的混合高斯模型；面积area为连通区域内的像素数，周长p为该连通区域对应的闭合边缘的像素数，最小灰度值min_k为：最大灰度值max_k为：

平均灰度值μ_k为：

灰度值方差σ_k为： ${{\mathrm{\&sigma;}}_k}^2=\frac{\underset{(i,j)\&Element;{\mathrm{Comp}}_k}{\mathrm{\&Sigma;}}{[\mathrm{gray}(i,j)-{\mathrm{\&mu;}}_k]}^2}{\mathrm{count}((i,j)\&Element;{\mathrm{Comp}}_k)},$ 最长轴maxLen_k为： $\max {\mathrm{Len}}_k=\underset{(i,j),(x,y)\&Element;{\mathrm{edge}}_k}{\max }\mathrm{dist}[(i,j),(x,y)],$ 最小外接矩形面积a_k为：a_k=count[(i,j)∈rect_k]，用期望最大化方法计算连通区域内每个像素与八连通邻域的像素值之差的混合高斯模型，其中，Comp_k表示第k个连通分量，count（Comp_k）表示第k个连通分量的像素数，dist[(i,j),(x,y)]表示点(i,j)和点(x,y)之间的欧氏距离，edge_k为属于第k个连通区域的闭合边缘；

6、设置阈值，将面积和周长小于一定阈值的区域认为是噪声区域；

7、将最小灰度值、最大灰度值、平均灰度值、灰度值方差、最长轴、最小外接矩形以及混合高斯模型的三个参数向量（权重，均值，方差，按权重大小排序）组成N维特征向量，建立高斯模型，并将建模样本的特征与模型比较，如果不符合模型分布则剔除，否则保留；将所有保留的样本特征继续建立高斯模型，继续剔除，直至模型不再变化。其中，计算向量的距离公式为：

其中n为向量维度，不足的补0。

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。

Claims (6)

1.一种基于多特征融合的白粉虱图像分割方法，其特征在于，包括步骤：

S1、将白粉虱图像转换到灰度空间，并进行中值滤波去噪；

S2、提取图像边缘；

S3、标记所有闭合边缘，去除非闭合边缘；

S4、标记闭合边缘内部点，提取连通区域，得到独立的目标区域；

S5、计算区域特征，包括：面积、周长、最小灰度值、最大灰度值、平均灰度值、灰度值方差、最长轴、以及最小外接矩形面积，建立与八连通邻域灰度值之差的混合高斯模型；

S6、设置阈值，将面积和周长小于一定阈值的区域认为是噪声区域；

S7、利用剩余特征组成特征向量，进行建模，并将这些建模样本特征与模型比较，反复剔除偏离模型的样本，直到模型稳定，从而得到目标。

2.根据权利要求1所述的方法，其特征在于，步骤S3中提取闭合边缘的方法是：用深度遍历方法遍历边缘，如果边缘中存在闭环，则认为是闭合边缘，否则认为是非闭合边缘。

3.根据权利要求1所述的方法，其特征在于，步骤S5中：面积area为连通区域内的像素数，周长p为该连通区域对应的闭合边缘的像素数，最小灰度值min_k为：

最大灰度值max_k为： ${\max }_{(i,j)\&Element;{\mathrm{Comp}}_k}\mathrm{gray}(i,j),$ 平均灰度值μ_k为： $\frac{\underset{(i,j)\&Element;{\mathrm{Comp}}_k}{\mathrm{\&Sigma;}}\mathrm{gray}(i,j)}{\mathrm{count}((i,j)\&Element;{\mathrm{Comp}}_k)},$ 灰度值方差σ_k为： ${{\mathrm{\&sigma;}}_k}^2=\frac{\underset{(i,j)\&Element;{\mathrm{Comp}}_k}{\mathrm{\&Sigma;}}{[\mathrm{gray}(i,j)-{\mathrm{\&mu;}}_k]}^2}{\mathrm{count}((i,j)\&Element;{\mathrm{Comp}}_k)},$ 最长轴maxLen_k为： $\max {\mathrm{Len}}_k=\underset{(i,j),(x,y)\&Element;{\mathrm{edge}}_k}{\max }\mathrm{dist}[(i,j),(x,y)],$ 最小外接矩形面积a_k为：a_k=count[(i,j)∈rect_k]，用期望最大化方法计算连通区域内每个像素与八连通邻域的像素值之差的混合高斯模型，其中，Comp_k表示第k个连通分量，count（Comp_k）表示第k个连通分量的像素数，dist[(i,j),(x,y)]表示点(i,j)和点(x,y)之间的欧氏距离，edge_k为属于第k个连通区域的闭合边缘。

4.根据权利要求1所述的方法，其特征在于，步骤S7中：将最小灰度值、最大灰度值、平均灰度值、灰度值方差、最长轴、最小外接矩形以及混合高斯模型的三个参数向量组成N维特征向量，建立高斯模型，并将建模样本的特征与模型比较，如果不符合模型分布则剔除，否则保留；将所有保留的样本特征继续建立高斯模型，继续剔除，直至模型不再变化。

5.根据权利要求4所述的方法，其特征在于，所述三个参数向量包括权重、均值、以及方差，其按权重大小排序。

6.根据权利要求4所述的方法，其特征在于，计算向量的距离公式为：其中n为向量维度，不足的补0。

Images