CN103473550B - 基于Lab空间和局域动态阈值的植物叶片图像分割方法 - Google Patents
基于Lab空间和局域动态阈值的植物叶片图像分割方法 Download PDFInfo
- Publication number
- CN103473550B CN103473550B CN201310435960.6A CN201310435960A CN103473550B CN 103473550 B CN103473550 B CN 103473550B CN 201310435960 A CN201310435960 A CN 201310435960A CN 103473550 B CN103473550 B CN 103473550B
- Authority
- CN
- China
- Prior art keywords
- image
- lab
- dynamic threshold
- leaf
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种基于Lab空间和局域动态阈值的植物叶片图像分割方法,包括以下步骤:把图像由RGB图像转换为Lab图像;提取出Lab图像中的b通道图像;统计b通道图像的像素值分布直方图,采用OTSU法计算动态阈值;采用上述动态阈值对b通道图像进行阈值分割,完成二值化。其中,统计像素分布直方图继而计算动态阈值是针对一选定的局部矩形区域进行。相较于目前多见的针对RGB图像的识别方法,本发明创造性地提出针对颜色较暗的叶片图像,先将其RGB图像转换为Lab图像,然后利用其b通道图像中叶片和背景对比明显这一特点,对叶片b通道图像进行OTSU法阈值分割,从而对于颜色偏暗叶片的图像,以至普通叶片图像,均能取得良好的分割效果。
Description
技术领域
本发明涉及图像识别研究领域,特别涉及一种基于Lab空间和局域动态阈值的植物叶片图像分割方法。
背景技术
我国幅员辽阔,自然条件复杂,植物种类繁多。据不完全统计,我国约有植物3万多种。要准确鉴别某植物的种类、有无药用价值,实非易事。药用植物鉴别,涵盖分类和药用价值分析两个层面的内容。单从分类而言,实质上等同于植物的分类。虽然叶、花、果、茎、枝等的特征都可用于植物的分类,但是对于机器而言,由于花、果、茎、枝存在复杂的立体几何特征,叶片的分类相对简单有效。
叶片图像分类的首要步骤是分割。当前,常见的图像分割方法是先把彩色图像转化为灰度图像,然后再做处理。例如StephenGangWu等人先把叶片RGB图像转换为灰度图像,然后用固定阈值分割方法,得到二值图像,再用概率神经网络(PNN,ProbabilisticNeuralNetwork)对植物叶片进行分类。实验表明,对32种植物叶片的分类正确率为90%。Qing-KuiMan等人则采用动态阈值分割方法对由RGB图像转换而来的灰度图像进行分割。然后提取颜色特征和纹理特征,并用支持向量机进行分类。在结合这两种特征对24种植物叶片进行的分类实验中,正确率为92%。
另,本申请人提出的、申请号为201010242703.7的中国发明授权专利公开了一种叶片的图像识别方法,该方法是把叶片RGB图像转换为灰度图像,并使用最大类间方差法(OTSU)进行动态阈值分割,再提取特征,最后应用自行研究的神经网络进行识别。该方法虽在常规的条件下具有较高的识别率,但是颜色偏暗的叶片图像由于其RGB图像转换为灰度图像后,叶片区域和背景的灰度值无明显差别,因此在使用此方法分割时,效果非常差。
彩色图像转换为灰度图像,是一个有损压缩的过程。直接在彩色空间中进行分割,是发展的趋势。韩殿元等提出计算叶片图像中每个像素的R、G、B三通道值的方差,然后进行阈值分割。在RGB图像的叶片区域的R、G、B方差较大时,背景噪声很小,分割效果良好。然而,对于颜色偏暗的叶片的反光区域,其R、G、B三通道值的方差较小,而部分背景的R、G、B方差反而更大,从而导致错误的分割结果。
袁媛等提出了一种基于先验信息的水平集模型,实现作物病叶图像分割。不过由于依赖先验信息,只能用于指定的某类植物。
此外,GonzalezRC等提出了一种RGB空间距离阈值的分割方法。此方法对一般的叶片图像的分割效果良好,但是也无法很好地实现颜色偏暗叶片的图像分割。
因此,提出一种针对偏暗叶片图像仍能够进行识别的植物叶片识别方法具有重要应用价值。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种基于Lab空间和局域动态阈值的植物叶片图像分割方法,该方法无论是针对一般的叶片图像还是偏暗叶片的图像,均能够更准确地分割出前景叶片和背景,达到更好的分割识别效果。
本发明的目的通过以下的技术方案实现:基于Lab空间和局域动态阈值的植物叶片图像分割方法,包括以下步骤:
(1)把图像由RGB图像转换为Lab图像;
(2)提取出Lab图像中的b通道图像;
(3)统计b通道图像的像素值分布直方图,采用最大类间方差法(OTSU)计算动态阈值;
(4)采用上述动态阈值对b通道图像进行阈值分割,完成二值化。
在应用中,有时背景中的噪声点过多且像素值不是非常集中时,会导致在直方图上,背景点像素值分布出现两个或以上的波峰,而前景点的波峰过小,动态阈值错误地定在背景点的两个波峰之间。此外,一些离目标叶片较远,且与之不连通的前景点,像素值相对目标叶片偏大,也会对阈值计算带来干扰。因此为了克服上述问题,在所述步骤(3)统计像素值分布直方图前,先选定一局部矩形区域,针对该局部矩形区域计算动态阈值,该区域的大小如下:
设叶基点坐标为(Xb,Yb),叶尖点坐标为(Xt,Yt),叶基点至叶尖点的线段的中点坐标为(Xm,Ym),叶基点至叶尖点的距离为DISbt,局部矩形区域左上角坐标点(startX,startY),右下角坐标点(endX,endY),则计算如下:
startX=Xm-DISbt×ratio;
startY=Ym-DISbt×ratio;
endX=Xm+DISbt×ratio;
endY=Ym+DISbt×ratio;
其中ratio为参数,取值范围在0.1-3之间。根据实际图像中叶片的位置、背景中噪声的个数等考虑选择。
具体的,所述步骤(1)把图像由RGB图像转换为Lab图像的具体步骤是:
首先将RGB空间转换到XYZ空间,转换矩阵为:
然后再从XYZ空间转换到Lab空间:
其中:X0=95.04,Y0=100,Z0=108.89。在Lab色彩模型中,L表示亮度,a表示从红色至绿色的范围,b表示从黄色至蓝色的范围。+a*表示红色,-a*表示绿色;+b*表示黄色,-b*表示蓝色。
优选的,所拍摄的植物叶片图像中有可能只包括一个叶片,也有可能包括多个叶片,因此为了将其中唯一一个目标图像分割出来,在步骤(4)之后,还包括步骤:(5)保留与叶基点连通的区域,删除其余区域。
优选的,在进行二值化处理后,有可能产生孔洞的问题,为克服此问题,本发明在步骤(4)完成二值化后,把图像背景中与图像四边边框连通的区域标记为最终的背景,其余区域标记为前景。
本发明与现有技术相比,具有如下优点和有益效果:
1、相较于传统方法中大多仅针对RGB图像进行识别和提取,本发明创造性地指出颜色较暗的叶片图像的RGB图像转换为Lab图像后,其中的b通道图像的叶片和背景的对比明显,并利用这一特征提出对叶片b通道图像进行最大类间方差法阈值分割,并且在目标叶片所在的局部范围内统计像素分布直方图继而计算阈值,因而对于颜色偏暗叶片的图像,以及普通叶片图像,均能取得良好的分割效果。
2、本发明方法实现简单,且方法中不包含数学形态学的膨胀或腐蚀运算,能更为完整地保留叶片边缘的细节部分。
附图说明
图1是本发明方法的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
如图1所示,基于Lab空间和局域动态阈值的植物叶片图像分割方法包括以下步骤:
(1)打开叶片图像,选定叶基点(Xb,Yb)和叶尖点(Xt,Yt),连接叶片和枝干的、常呈圆柱形的部分称为叶柄;叶柄与叶片轮廓线的交界处称为叶基点。叶尖点指的是叶片的顶端。
(2)计算叶基点至叶尖点的线段的中点(Xm,Ym),把此点近似看作叶片的中心。
(3)计算局部矩形区域。计算叶基点至叶尖点距离DISbt。则局部矩形区域左上角坐标点(startX,startY),右下角坐标点(endX,endY)为:
startX=Xm-DISbt×ratio;
startY=Ym-DISbt×ratio;
endX=Xm+DISbt×ratio;
endY=Ym+DISbt×ratio;
其中,ratio可以根据实际图像中叶片的位置、背景中噪声的个数等综合考虑选取,在此设置ratio=1,使得阈值统计范围包含了目标叶片前景和邻近的面积相当的背景,却排除了远处的区域,有效避免背景干扰的问题。
(4)把RGB图像转换为Lab图像。从RGB空间到Lab空间的转换是非线性的。首先要将RGB空间转换到XYZ空间,转换矩阵为:
然后再从XYZ空间转换到Lab空间:
其中:X0=95.04,Y0=100,Z0=108.89。
(5)对所得的Lab图像提取b分量的图像,得到一张b通道图像。
(6)统计该b通道图像局部矩形区域内的像素值分布直方图。
(7)计算动态阈值。基于像素值分布直方图,采用最大类间方差法,计算动态阈值。
(8)用所得的动态阈值,对该b通道图像进行阈值分割,得到一张二值图像。
(9)把该二值图像的背景中与图像四边边框连通的区域标记为最终的背景,其余区域标记为前景。从而填充了图中的空洞。
(10)在该二值图像中,保留与叶基点八连通的区域,删除其余区域。
当然,在实际应用本发明所述方法时,也可以先确定局部矩形区域,然后仅对该局部矩形区域进行Lab图像的转换,再进行后面的提取。
在实际应用本发明所述方法时,重点是以Lab图像提取的b通道图像进行图像分割,本发明虽然给出了最大类间方差法,但其他已有的二值化分割方法,也均可应用到此图像上进行分割。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (4)
1.基于Lab空间和局域动态阈值的植物叶片图像分割方法,其特征在于,包括以下步骤:
(1)把图像由RGB图像转换为Lab图像;
(2)提取出Lab图像中的b通道图像;
(3)选定一局部矩形区域,该区域的大小如下:
设叶基点坐标为(Xb,Yb),叶尖点坐标为(Xt,Yt),叶基点至叶尖点的线段的中点坐标为(Xm,Ym),叶基点至叶尖点的距离为DISbt,局部矩形区域左上角坐标点(startX,startY),右下角坐标点(endX,endY),则计算如下:
startX=Xm-DISbt×ratio;
startY=Ym-DISbt×ratio;
endX=Xm+DISbt×ratio;
endY=Ym+DISbt×ratio;
其中ratio为参数,取值范围在0.1-3之间;
然后统计该局部矩形区域内b通道图像的像素值分布直方图,采用最大类间方差法计算动态阈值;
(4)采用上述动态阈值对b通道图像进行阈值分割,完成二值化。
2.根据权利要求1所述的基于Lab空间和局域动态阈值的植物叶片图像分割方法,其特征在于,所述步骤(1)把图像由RGB图像转换为Lab图像的具体步骤是:
首先将RGB空间转换到XYZ空间,转换矩阵为:
然后再从XYZ空间转换到Lab空间:
其中:X0=95.04,Y0=100,Z0=108.89,在Lab色彩模型中,L表示亮度,L*表示计算得到的L的值;a表示从红色至绿色的范围,a*表示计算得到的a的值;b表示从黄色至蓝色的范围,b*表示计算得到的b的值。
3.根据权利要求1所述的基于Lab空间和局域动态阈值的植物叶片图像分割方法,其特征在于,在步骤(4)之后,还包括步骤:
(5)保留与叶基点连通的区域,删除其余区域。
4.根据权利要求1或3所述的基于Lab空间和局域动态阈值的植物叶片图像分割方法,其特征在于,所述步骤(4)完成二值化后,把图像背景中与图像四边边框连通的区域标记为最终的背景,其余区域标记为前景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310435960.6A CN103473550B (zh) | 2013-09-23 | 2013-09-23 | 基于Lab空间和局域动态阈值的植物叶片图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310435960.6A CN103473550B (zh) | 2013-09-23 | 2013-09-23 | 基于Lab空间和局域动态阈值的植物叶片图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103473550A CN103473550A (zh) | 2013-12-25 |
CN103473550B true CN103473550B (zh) | 2016-04-13 |
Family
ID=49798394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310435960.6A Expired - Fee Related CN103473550B (zh) | 2013-09-23 | 2013-09-23 | 基于Lab空间和局域动态阈值的植物叶片图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103473550B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050670B (zh) * | 2014-06-24 | 2016-08-17 | 广州中医药大学 | 结合简单交互和标记分水岭的复杂背景叶片图像分割方法 |
CN106683098B (zh) * | 2016-11-15 | 2019-08-13 | 北京农业信息技术研究中心 | 一种重叠叶片图像的分割方法 |
CN107292894B (zh) * | 2017-06-28 | 2021-03-09 | 新绎健康科技有限公司 | 一种用于对罐斑图像特征进行处理的方法及系统 |
CN107392920B (zh) * | 2017-06-30 | 2020-02-14 | 北京农业信息技术研究中心 | 一种基于可见光-太赫兹光的植株健康辨别方法和装置 |
CN108335307A (zh) * | 2018-04-19 | 2018-07-27 | 云南佳叶现代农业发展有限公司 | 基于暗原色的自适应烟叶图片分割方法及系统 |
CN110110638B (zh) * | 2019-04-29 | 2019-12-17 | 江苏省人民医院(南京医科大学第一附属医院) | 用于医院消毒室的控制命令解析系统 |
CN110443811B (zh) * | 2019-07-26 | 2020-06-26 | 广州中医药大学(广州中医药研究院) | 一种复杂背景叶片图像的全自动分割方法 |
CN113378706B (zh) * | 2021-06-10 | 2022-08-23 | 浙江大学 | 一种辅助儿童观察植物和学习生物多样性的绘画系统 |
CN114897735B (zh) * | 2022-05-20 | 2023-08-11 | 河南科技学院 | 局部自适应的水下图像对比度增强方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901477B (zh) * | 2010-07-27 | 2013-03-06 | 中国农业大学 | 植物叶片田间图像边缘提取方法及其系统 |
CN103077529A (zh) * | 2013-02-27 | 2013-05-01 | 电子科技大学 | 基于图像扫描的植物叶片特征分析系统 |
-
2013
- 2013-09-23 CN CN201310435960.6A patent/CN103473550B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901477B (zh) * | 2010-07-27 | 2013-03-06 | 中国农业大学 | 植物叶片田间图像边缘提取方法及其系统 |
CN103077529A (zh) * | 2013-02-27 | 2013-05-01 | 电子科技大学 | 基于图像扫描的植物叶片特征分析系统 |
Non-Patent Citations (3)
Title |
---|
《A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural Network》;Stephen Gang Wu el at.;《See discussions, stats, and author profiles for this publication at: http://www.researchgate.net/publication/1757884》;20070831;正文第1-6页 * |
《A Neural Network Classifier Based on Prior Evolution and Iterative Approximation Used for Leaf Recognition》;Liwen Gao el at.;《2010 Sixth International Conference on Natural Computation》;20101231;正文第1038-1043页 * |
《一种基于自动化技术的植物鉴别泛在学习模式》;高理文等;《中国中药局现代远程教育》;20130531;第11卷(第9期);正文第63-64页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103473550A (zh) | 2013-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103473550B (zh) | 基于Lab空间和局域动态阈值的植物叶片图像分割方法 | |
Luo et al. | A vision methodology for harvesting robot to detect cutting points on peduncles of double overlapping grape clusters in a vineyard | |
Jidong et al. | Recognition of apple fruit in natural environment | |
CN108710840B (zh) | 一种农田喷药机器人视觉导航路径识别方法 | |
Liu et al. | A method of segmenting apples at night based on color and position information | |
CN102759528B (zh) | 一种农作物叶部病害检测方法 | |
CN103699900B (zh) | 卫星影像中建筑物水平矢量轮廓自动批量提取方法 | |
CN107895376A (zh) | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 | |
CN102568005A (zh) | 一种基于混合高斯模型的运动目标检测方法 | |
CN104077806B (zh) | 基于城市建筑三维模型的自动分体提取方法 | |
CN102332157B (zh) | 一种消除阴影的方法 | |
CN107016403B (zh) | 一种基于夜间灯光数据提取城市建成区阈值的方法 | |
CN105894044A (zh) | 一种基于车载激光扫描数据的单株树木点云自动提取方法 | |
CN102184404B (zh) | 掌纹图像中手掌区域的获取方法及装置 | |
CN102982534B (zh) | 基于弦线切线法的Canny边缘检测双阈值获取方法 | |
CN104408424A (zh) | 一种基于图像处理的多信号灯识别方法 | |
CN103279762B (zh) | 一种自然环境下果实常见生长形态判定方法 | |
CN104036294B (zh) | 基于光谱标记的多光谱遥感图像自适应分类方法 | |
CN102542560B (zh) | 一种水稻移栽后密度自动检测的方法 | |
CN103063311A (zh) | 基于土壤指数的裸露基岩信息提取方法 | |
CN111681253A (zh) | 基于颜色与形态特征的叶片图像分割方法及系统 | |
CN105654099A (zh) | 基于改进视觉的甘蔗分割与识别方法 | |
CN108846862A (zh) | 一种颜色先验知识导向的草莓机器手目标定位方法 | |
CN104766316A (zh) | 中医望诊中新型嘴唇分割算法 | |
CN103593652A (zh) | 一种基于黄瓜叶片症状图像处理的黄瓜病害识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160413 Termination date: 20210923 |
|
CF01 | Termination of patent right due to non-payment of annual fee |