CN105184790A - 一种烟田图像分割方法 - Google Patents

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

一种烟田图像分割方法

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G_max，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：

$\left[\begin{array}{c}Y\\ U\\ V\end{array}\right]=\left[\begin{array}{ccc}0.297& 0.586& 0.112\\ -0.162& -0.335& 0.502\\ 0.503& -0.421& -0.082\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right];$

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：

$h\left(k\right)=\frac{p\left(k\right)}{M\×N},k=0,1,2,...,L-1;$

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μ_B(k)：

${\mathrm{\&mu;}}_O\left(k\right)=\left\{\begin{array}{cc}0& k\&le;a\\ \frac{k-a}{c-a}& a<k<c\\ 1& k\&GreaterEqual;c\end{array}\right.$

μ_B(k)＝1-μ_O(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：

$E_O=\frac{1}{MNln2}\underset{k=0}{\overset{256}{\&Sigma;}}{(k+1)}^{a}S\left({\mathrm{\&mu;}}_0\right(k\left)\right)h\left(k\right)$

$E_B=\frac{1}{MNln2}\underset{k=0}{\overset{256}{\&Sigma;}}{(k+1)}^{a}S\left({\mathrm{\&mu;}}_B\right(k\left)\right)h\left(k\right)$

式中S(x)＝-xln(x)-(1-x)ln(1-x)，图像总的加权模糊熵为：E＝E_O+E_B，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G_max，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：

$\left[\begin{array}{c}Y\\ U\\ V\end{array}\right]=\left[\begin{array}{ccc}0.297& 0.586& 0.112\\ -0.162& -0.335& 0.502\\ 0.503& -0.421& -0.082\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right];$

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：

$h\left(k\right)=\frac{p\left(k\right)}{M\&times;N},k=0,1,2,...,L-1;$

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μ_B(k)：

${\mathrm{\&mu;}}_O\left(k\right)=\left\{\begin{array}{cc}0& k\&le;a\\ \frac{k-a}{c-a}& a<k<c\\ 1& k\&GreaterEqual;c\end{array}\right.$

μ_B(k)＝1-μ_O(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：

$E_O=\frac{1}{MNln2}\underset{k=0}{\overset{256}{\&Sigma;}}{(k+1)}^{a}S\left({\mathrm{\&mu;}}_0\right(k\left)\right)h\left(k\right)$

$E_B=\frac{1}{MNln2}\underset{k=0}{\overset{256}{\&Sigma;}}{(k+1)}^{a}S\left({\mathrm{\&mu;}}_B\right(k\left)\right)h\left(k\right)$

式中S(x)＝-xln(x)-(1-x)ln(1-x)，图像总的加权模糊熵为：E＝E_O+E_B，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G_max，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：

$\left[\begin{array}{c}Y\\ U\\ V\end{array}\right]=\left[\begin{array}{ccc}0.297& 0.586& 0.112\\ -0.162& -0.335& 0.502\\ 0.503& -0.421& -0.082\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right];$

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：

$h\left(k\right)=\frac{p\left(k\right)}{M\&times;N},k=0,1,2,...,L-1;$

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μ_B(k)：

${\mathrm{\&mu;}}_O\left(k\right)=\left\{\begin{array}{cc}0& k\&le;a\\ \frac{k-a}{c-a}& a<k<c\\ 1& k\&GreaterEqual;c\end{array}\right.$

μ_B(k)＝1-μ_O(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：

$E_O=\frac{1}{MNln2}\underset{k=0}{\overset{256}{\&Sigma;}}{(k+1)}^{a}S\left({\mathrm{\&mu;}}_0\right(k\left)\right)h\left(k\right)$

$E_B=\frac{1}{MNln2}\underset{k=0}{\overset{256}{\&Sigma;}}{(k+1)}^{a}S\left({\mathrm{\&mu;}}_B\right(k\left)\right)h\left(k\right)$

式中S(x)＝-xln(x)-(1-x)ln(1-x)，图像总的加权模糊熵为：E＝E_O+E_B，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。