CN105184790A - 一种烟田图像分割方法 - Google Patents
一种烟田图像分割方法 Download PDFInfo
- Publication number
- CN105184790A CN105184790A CN201510548451.3A CN201510548451A CN105184790A CN 105184790 A CN105184790 A CN 105184790A CN 201510548451 A CN201510548451 A CN 201510548451A CN 105184790 A CN105184790 A CN 105184790A
- Authority
- CN
- China
- Prior art keywords
- image
- color space
- segmentation
- component
- threshold
- 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.)
- Pending
Links
Landscapes
- Facsimile Image Signal Circuits (AREA)
- Color Image Communication Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种烟田图像分割方法,该方法是一种基于Lab和YUV颜色空间的农田图像分割方法,该方法将基于Lab颜色空间的Otsu阈值分割得到的二值图像与基于YUV颜色空间的加权模糊熵分割方法得到的二值图像进行合并、滤波,以取得最佳的分割效果。试验,文方法能够更好地滤除噪声及抑制光照不均匀等复杂环境带来的影响,获得令人满意的分割结果,实现农田图像的精准分割。
Description
技术领域
本发明涉及数字图像领域,更具体地,涉及一种烟田图像分割方法。
背景技术
要对烟叶种植大田进行实时监控,就要对烟田的图像进行实时的采集和处理,而对烟田图像的处理首先要解决的一个基础性问题就是完成对烟田对象的识别即烟田图像分割,而现有技术中的一些分割方式因受光照不同而影响其分割识别准确率,而农田环境非结构化特征明显,容易受光照、阴影、天气变化等环境因素的影响,因此其分割识别效果不太理想。
发明内容
本发明提供一种一种烟田图像分割方法,能够更好地滤除噪声及抑制光照不均匀等复杂环境带来的影响。
为了达到上述技术效果,本发明的技术方案如下:
一种烟田图像分割方法,包括以下步骤:
S1:将采集的烟田彩色图像分别转换为Lab和YUV颜色空间图像;
S2:然后将Lab颜色空间图像采用Ostu方法进行阈值分割,将YUV颜色空间图像采用加权模糊熵方法进行分割;
S3:将进行Ostu方法进行阈值分割的图像与进行加权模糊熵方法进行分割的图像进行合并、滤波得到分割结果。
进一步地,所述步骤S2中将Lab颜色空间图像采用Ostu方法进行阈值分割的过程如下:
将采集到的烟田彩色图像从RGB颜色空间转换到LAB颜色空间,选择LAB颜色空间的a分量使用Ostu法进行图像的背景分割:
21)计算a分量图像的灰度概率分布:
p(k)k=0,1,2,···,L-1;
22)分别计算属于a分量图像和其背景的像素的比例X0、X1,灰度平均值D0、D1,两类间距d2,平均方差
23)计算阈值选取函数G(t),t=0,1,2,···,L-1;
24)求出G(t)的最大的值Gmax,并记下相应的灰度级t,即为最佳阈值Th;
25)利用阈值Th实现对a分量的分割并进行二值化。
进一步地,所述步骤S2中将YUV颜色空间图像采用加权模糊熵方法进行分割的过程如下:
31)将采集到的烟田彩色图像从RGB颜色空间转换到YUV颜色空间:
32)提取出YUV颜色空间的V分量,以256个灰度等级划分V分量,则V分量的值为0-255,设V分量图像为:
V=[f(x,y)]M×N
式中f(x,y)表示像素点(x,y)的灰度值,取值范围为0,1,2,···,L-1,L为图像的灰度级即256,V图像大小为M×N,图像中的灰度值为k的像素点总数记为p(k),则灰度值k出现的概率可以表示为:
33)对V分量图像进行模糊化,设分割阈值T将V图像分割为目标O和背景B两部分,选择梯形分布模糊度隶属函数分别对O和B进行模糊化,目标O的模糊度隶属函数为μ0(k),背景B的模糊度隶属函数为μB(k):
μB(k)=1-μO(k);
34)计算加权模糊熵,目标O和背景B两个模糊集合的加权模糊熵分别为:
式中S(x)=-xln(x)-(1-x)ln(1-x),图像总的加权模糊熵为:E=EO+EB,其权重为(g+1)a;
35)计算加权模糊熵的最大值,则其最大值对应的阈值Th1就是分割阈值,利用Th1实现对V分量的分割并进行二值化。
进一步地,所述步骤S3中将进行Ostu方法进行阈值分割的图像与进行加权模糊熵方法进行分割的图像进行合并、滤波的过程如下:
将基于Lab颜色空间的Ostu阈值分割得到的二值图像与在基于YUV颜色空间的加权模糊熵分割方法得到的二值图像做数学或运算,再用均值滤波加以处理得到分割结果。
与现有技术相比,本发明技术方案的有益效果是:
本发明提出了一种基于Lab和YUV颜色空间的农田图像分割方法,该方法将基于Lab颜色空间的Otsu阈值分割得到的二值图像与基于YUV颜色空间的加权模糊熵分割方法得到的二值图像进行合并、滤波,以取得最佳的分割效果。试验,文方法能够更好地滤除噪声及抑制光照不均匀等复杂环境带来的影响,获得令人满意的分割结果,实现农田图像的精准分割。
附图说明
图1为本发明算法流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
一种烟田图像分割方法,包括以下步骤:
S1:将采集的烟田彩色图像分别转换为Lab和YUV颜色空间图像;
S2:然后将Lab颜色空间图像采用Ostu方法进行阈值分割,将YUV颜色空间图像采用加权模糊熵方法进行分割;
S3:将进行Ostu方法进行阈值分割的图像与进行加权模糊熵方法进行分割的图像进行合并、滤波得到分割结果。
步骤S2中将Lab颜色空间图像采用Ostu方法进行阈值分割的过程如下:
将采集到的烟田彩色图像从RGB颜色空间转换到LAB颜色空间,选择LAB颜色空间的a分量使用Ostu法进行图像的背景分割:
21)计算a分量图像的灰度概率分布:
p(k)k=0,1,2,···,L-1;
22)分别计算属于a分量图像和其背景的像素的比例X0、X1,灰度平均值D0、D1,两类间距d2,平均方差
23)计算阈值选取函数G(t),t=0,1,2,···,L-1;
24)求出G(t)的最大的值Gmax,并记下相应的灰度级t,即为最佳阈值Th;
25)利用阈值Th实现对a分量的分割并进行二值化。
步骤S2中将YUV颜色空间图像采用加权模糊熵方法进行分割的过程如下:
31)将采集到的烟田彩色图像从RGB颜色空间转换到YUV颜色空间:
32)提取出YUV颜色空间的V分量,以256个灰度等级划分V分量,则V分量的值为0-255,设V分量图像为:
V=[f(x,y)]M×N
式中f(x,y)表示像素点(x,y)的灰度值,取值范围为0,1,2,···,L-1,L为图像的灰度级即256,V图像大小为M×N,图像中的灰度值为k的像素点总数记为p(k),则灰度值k出现的概率可以表示为:
33)对V分量图像进行模糊化,设分割阈值T将V图像分割为目标O和背景B两部分,选择梯形分布模糊度隶属函数分别对O和B进行模糊化,目标O的模糊度隶属函数为μ0(k),背景B的模糊度隶属函数为μB(k):
μB(k)=1-μO(k);
34)计算加权模糊熵,目标O和背景B两个模糊集合的加权模糊熵分别为:
式中S(x)=-xln(x)-(1-x)ln(1-x),图像总的加权模糊熵为:E=EO+EB,其权重为(g+1)a;
35)计算加权模糊熵的最大值,则其最大值对应的阈值Th1就是分割阈值,利用Th1实现对V分量的分割并进行二值化。
步骤S3中将进行Ostu方法进行阈值分割的图像与进行加权模糊熵方法进行分割的图像进行合并、滤波的过程如下:
将基于Lab颜色空间的Ostu阈值分割得到的二值图像与在基于YUV颜色空间的加权模糊熵分割方法得到的二值图像做数学或运算,再用均值滤波加以处理得到分割结果。
本发明提出了一种基于Lab和YUV颜色空间的农田图像分割方法,该方法将基于Lab颜色空间的Otsu阈值分割得到的二值图像与基于YUV颜色空间的加权模糊熵分割方法得到的二值图像进行合并、滤波,以取得最佳的分割效果。试验,文方法能够更好地滤除噪声及抑制光照不均匀等复杂环境带来的影响,获得令人满意的分割结果,实现农田图像的精准分割。
对比基于Lab空间的Otsu法和基于YUV空间的加权模糊熵法,本发明算法优势明显(如表1所示):
表1各算法实验结果比较
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种烟田图像分割方法,其特征在于,包括以下步骤:
S1:将采集的烟田彩色图像分别转换为Lab和YUV颜色空间图像;
S2:然后将Lab颜色空间图像采用Ostu方法进行阈值分割,将YUV颜色空间图像采用加权模糊熵方法进行分割;
S3:将进行Ostu方法进行阈值分割的图像与进行加权模糊熵方法进行分割的图像进行合并、滤波得到分割结果。
2.根据权利要求1所述的烟田图像分割方法,其特征在于,所述步骤S2中将Lab颜色空间图像采用Ostu方法进行阈值分割的过程如下:
将采集到的烟田彩色图像从RGB颜色空间转换到LAB颜色空间,选择LAB颜色空间的a分量使用Ostu法进行图像的背景分割:
21)计算a分量图像的灰度概率分布:
p(k)k=0,1,2,···,L-1;
22)分别计算属于a分量图像和其背景的像素的比例X0、X1,灰度平均值D0、D1,两类间距d2,平均方差
23)计算阈值选取函数G(t),t=0,1,2,···,L-1;
24)求出G(t)的最大的值Gmax,并记下相应的灰度级t,即为最佳阈值Th;
25)利用阈值Th实现对a分量的分割并进行二值化。
3.根据权利要求1所述的烟田图像分割方法,其特征在于,所述步骤S2中将YUV颜色空间图像采用加权模糊熵方法进行分割的过程如下:
31)将采集到的烟田彩色图像从RGB颜色空间转换到YUV颜色空间:
32)提取出YUV颜色空间的V分量,以256个灰度等级划分V分量,则V分量的值为0-255,设V分量图像为:
V=[f(x,y)]M×N
式中f(x,y)表示像素点(x,y)的灰度值,取值范围为0,1,2,···,L-1,L为图像的灰度级即256,V图像大小为M×N,图像中的灰度值为k的像素点总数记为p(k),则灰度值k出现的概率可以表示为:
33)对V分量图像进行模糊化,设分割阈值T将V图像分割为目标O和背景B两部分,选择梯形分布模糊度隶属函数分别对O和B进行模糊化,目标O的模糊度隶属函数为μ0(k),背景B的模糊度隶属函数为μB(k):
μB(k)=1-μO(k);
34)计算加权模糊熵,目标O和背景B两个模糊集合的加权模糊熵分别为:
式中S(x)=-xln(x)-(1-x)ln(1-x),图像总的加权模糊熵为:E=EO+EB,其权重为(g+1)a;
35)计算加权模糊熵的最大值,则其最大值对应的阈值Th1就是分割阈值,利用Th1实现对V分量的分割并进行二值化。
4.根据权利要求1所述的烟田图像分割方法,其特征在于,所述步骤S3中将进行Ostu方法进行阈值分割的图像与进行加权模糊熵方法进行分割的图像进行合并、滤波的过程如下:
将基于Lab颜色空间的Ostu阈值分割得到的二值图像与在基于YUV颜色空间的加权模糊熵分割方法得到的二值图像做数学或运算,再用均值滤波加以处理得到分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510548451.3A CN105184790A (zh) | 2015-08-31 | 2015-08-31 | 一种烟田图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510548451.3A CN105184790A (zh) | 2015-08-31 | 2015-08-31 | 一种烟田图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105184790A true CN105184790A (zh) | 2015-12-23 |
Family
ID=54906843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510548451.3A Pending CN105184790A (zh) | 2015-08-31 | 2015-08-31 | 一种烟田图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184790A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274426A (zh) * | 2017-06-22 | 2017-10-20 | 中国农业机械化科学研究院 | 一种田间秸秆覆盖率在线检测方法及系统 |
CN107464233A (zh) * | 2017-07-19 | 2017-12-12 | 国家电网公司 | 基于Lab颜色模式的复合绝缘子的图像检测方法及系统 |
CN107871302A (zh) * | 2016-09-23 | 2018-04-03 | 电子科技大学 | 一种基于yuv颜色空间的红外图像伪彩色处理方法 |
CN108038864A (zh) * | 2017-12-05 | 2018-05-15 | 中国农业大学 | 一种动物目标图像的提取方法及系统 |
CN108939584A (zh) * | 2018-08-14 | 2018-12-07 | 浙江大丰实业股份有限公司 | 背景巨屏内容分析平台 |
CN114092437A (zh) * | 2021-11-18 | 2022-02-25 | 国网四川省电力公司电力科学研究院 | 一种变压器渗漏油检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101546421A (zh) * | 2009-04-01 | 2009-09-30 | 河北农业大学 | 一种基于gis的省域可比耕地质量评价方法 |
US20140334692A1 (en) * | 2012-01-23 | 2014-11-13 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Device and method for detecting a plant against a background |
CN104574405A (zh) * | 2015-01-15 | 2015-04-29 | 北京天航华创科技股份有限公司 | 一种基于Lab空间的彩色图像阈值分割方法 |
CN104616014A (zh) * | 2014-12-15 | 2015-05-13 | 广西科技大学 | 基于形态学操作的田间曲线导航线提取方法 |
-
2015
- 2015-08-31 CN CN201510548451.3A patent/CN105184790A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101546421A (zh) * | 2009-04-01 | 2009-09-30 | 河北农业大学 | 一种基于gis的省域可比耕地质量评价方法 |
US20140334692A1 (en) * | 2012-01-23 | 2014-11-13 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Device and method for detecting a plant against a background |
CN104616014A (zh) * | 2014-12-15 | 2015-05-13 | 广西科技大学 | 基于形态学操作的田间曲线导航线提取方法 |
CN104574405A (zh) * | 2015-01-15 | 2015-04-29 | 北京天航华创科技股份有限公司 | 一种基于Lab空间的彩色图像阈值分割方法 |
Non-Patent Citations (1)
Title |
---|
刘琼、史诺: "基于Lab和YUV颜色空间的农田图像分割方法", 《国外电子测量技术》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871302A (zh) * | 2016-09-23 | 2018-04-03 | 电子科技大学 | 一种基于yuv颜色空间的红外图像伪彩色处理方法 |
CN107274426A (zh) * | 2017-06-22 | 2017-10-20 | 中国农业机械化科学研究院 | 一种田间秸秆覆盖率在线检测方法及系统 |
CN107274426B (zh) * | 2017-06-22 | 2023-08-18 | 中国农业机械化科学研究院 | 一种田间秸秆覆盖率在线检测方法及系统 |
CN107464233A (zh) * | 2017-07-19 | 2017-12-12 | 国家电网公司 | 基于Lab颜色模式的复合绝缘子的图像检测方法及系统 |
CN107464233B (zh) * | 2017-07-19 | 2021-11-05 | 国家电网公司 | 基于Lab颜色模式的复合绝缘子的图像检测方法及系统 |
CN108038864A (zh) * | 2017-12-05 | 2018-05-15 | 中国农业大学 | 一种动物目标图像的提取方法及系统 |
CN108038864B (zh) * | 2017-12-05 | 2020-06-05 | 中国农业大学 | 一种动物目标图像的提取方法及系统 |
CN108939584A (zh) * | 2018-08-14 | 2018-12-07 | 浙江大丰实业股份有限公司 | 背景巨屏内容分析平台 |
CN114092437A (zh) * | 2021-11-18 | 2022-02-25 | 国网四川省电力公司电力科学研究院 | 一种变压器渗漏油检测方法 |
CN114092437B (zh) * | 2021-11-18 | 2023-04-25 | 国网四川省电力公司电力科学研究院 | 一种变压器渗漏油检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184790A (zh) | 一种烟田图像分割方法 | |
Padmavathi et al. | Implementation Of RGB And Grayscale Images In Plant Leaves Disease Detection –Comparative Study | |
US10088600B2 (en) | Weather recognition method and device based on image information detection | |
CN106780091B (zh) | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 | |
CN102254319B (zh) | 一种多层次分割的遥感影像变化检测方法 | |
CN103258332B (zh) | 一种抗光照变化的运动目标的检测方法 | |
CN103247059B (zh) | 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法 | |
CN106204509B (zh) | 基于区域特性的红外与可见光图像融合方法 | |
CN103455991B (zh) | 一种多聚焦图像融合方法 | |
CN106127688B (zh) | 一种超分辨率图像重建方法及其系统 | |
CN107273853A (zh) | 一种基于类心和协方差对齐的遥感图像迁移学习方法 | |
CN103942803A (zh) | 基于sar图像的水域自动检测方法 | |
CN104867130B (zh) | 一种基于裂纹图像子区灰度均值的自适应分割方法 | |
CN103413303A (zh) | 基于联合显著性的红外目标分割方法 | |
CN101447027B (zh) | 磁码字符区域的二值化方法及其应用 | |
CN107154044A (zh) | 一种中餐食物图像的分割方法 | |
CN104036526A (zh) | 一种基于自适应窗的灰度目标跟踪方法 | |
CN104102928A (zh) | 一种基于纹理基元的遥感图像分类方法 | |
CN102081799B (zh) | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 | |
CN103217676A (zh) | 基于双谱去噪的噪声背景下雷达目标识别方法 | |
CN103761726A (zh) | 基于fcm的分块自适应图像分割方法 | |
CN110276782B (zh) | 一种结合空谱特征和相关滤波的高光谱目标跟踪方法 | |
CN102496154B (zh) | 一种基于马尔科夫随机场的多时相遥感图像变化检测方法 | |
Shire et al. | A review paper on: agricultural plant leaf disease detection using image processing | |
Dannemiller et al. | A new method for the segmentation of algae images using retinex and support vector machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151223 |
|
WD01 | Invention patent application deemed withdrawn after publication |