CN106097320B - 水下海参图像自动分割方法及装置 - Google Patents

水下海参图像自动分割方法及装置 Download PDF

Info

Publication number
CN106097320B
CN106097320B CN201610393291.4A CN201610393291A CN106097320B CN 106097320 B CN106097320 B CN 106097320B CN 201610393291 A CN201610393291 A CN 201610393291A CN 106097320 B CN106097320 B CN 106097320B
Authority
CN
China
Prior art keywords
sea cucumber
image
edge
target
underwater
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.)
Active
Application number
CN201610393291.4A
Other languages
English (en)
Other versions
CN106097320A (zh
Inventor
李道亮
乔曦
包建华
王聪
位耀光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Agricultural University
Original Assignee
China Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Agricultural University filed Critical China Agricultural University
Priority to CN201610393291.4A priority Critical patent/CN106097320B/zh
Publication of CN106097320A publication Critical patent/CN106097320A/zh
Application granted granted Critical
Publication of CN106097320B publication Critical patent/CN106097320B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种水下海参图像自动分割方法及装置，涉及数字图像分析和处理技术领域，本发明中通过对图像颜色空间的分解和再融合使得海参边缘更清晰，通过边缘检测得到海参边缘，自动定位海参目标的大概中心位置，以此中心位置构建的初始轮廓区域与海参目标所在区域的大部分重合，可减少计算量和提高分割结果的准确性，并且分割过程不需要任何人工参与，智能化程度高。

Description

水下海参图像自动分割方法及装置
技术领域
本发明涉及数字图像分析和处理技术领域，特别涉及一种水下海参图像自动分割方法及装置。
背景技术
海参具有很高的营养价值，是理想的滋补保健品。目前常用的海参捕捞方法有拖网捕捞和人工潜水捕捞，拖网捕捞不仅造成海参的过多捕捞还破坏了海洋的生态环境，造成了海参资源锐减；人工捕捞则对潜水员的生命有着严重的威胁。因此随着人类对海洋的研究，越来越多的国内外学者把精力投入到了水下机器人的研究，利用机器视觉技术识别定位水下海参目标引导水下机器人实现海参的自动捕捞有着很广阔的前景，而数字图像的目标精准分割是实现海参自动捕捞的前提之一。
数字图像，尤其是水下数字图像，由于水下复杂的成像环境使水下海参图像对各种噪声和干扰比较敏感，造成获取水下海参图像成像质量不高而且信息冗余；另水下海参图像背景复杂、目标位置不确定、目标边缘模糊等特点，使得水下海参图像的快速自动分割变得十分困难。众多图像分割方法中，比较有代表性的是主动轮廓模型，最早由Kass等人于1988年提出，(Kass M，Witkin A，Terzopoulos D.Snakes：Active contour models，Int.J.Comput.Vision.321-331,(1988))。它建立一个包含基于图像灰度外能与轮廓内能的函数，通过轮廓曲线内力与灰度梯度外力的驱动，使初始轮廓产生形变，最终收敛到真实的目标边界，从而实现目标的分割。近年来，主动轮廓模型有了很多改进，并且应用到了水下目标的分割，但这些主动轮廓模型往往需要人工指定初始轮廓，当初始轮廓远离目标区域或者和目标区域重合较少时，主动轮廓模型往往无法完全分割出海参目标，甚至误分割。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种水下海参图像自动分割方法及装置。
依据本发明的一个方面，提供了一种水下海参图像自动分割方法，所述方法包括：
获取待分割水下海参图像，对所述待分割水下海参图像进行灰度转换及颜色空间分解，获得灰度图像和R、G、B图像；
对所述R、G、B图像进行R+G-B融合，以获得融合图像；
对所述融合图像进行边缘检测，以获得海参目标的边缘；
根据所述海参目标的边缘获取所述海参目标的中心坐标，以所述海参目标的中心坐标构建初始矩形轮廓；
根据构建的初始矩形轮廓通过主动轮廓模型对所述灰度图像进行海参目标分割。
可选地，所述根据所述海参目标的边缘获取所述海参目标的中心坐标，具体包括：
根据所述海参目标的边缘Bn(rn,wn)通过下式获取所述海参目标的中心坐标P(rc,wc)，
其中，rn为边缘点第n个像素的行坐标值，wn为边缘点第n个像素的列坐标值，N为边缘点像素数量。
可选地，所述以所述海参目标的中心坐标构建初始矩形轮廓，具体包括：
以所述海参目标的中心坐标P(rc,wc)通过下式构建初始矩形轮廓C0(r,w)，
式中，i为待分割水下海参图像像素的行数，j为待分割水下海参图像像素的列数。
可选地，所述根据构建的初始矩形轮廓通过主动轮廓模型对所述灰度图像进行海参目标分割之前，所述方法还包括：
采用对比度受限自适应直方图均衡法对所述灰度图像进行对比度增强。
可选地，所述对所述融合图像进行边缘检测，以获得海参目标的边缘，具体包括：
采用边缘检测算子对所述融合图像进行边缘检测，以获得海参目标的边缘。
依据本发明的另一个方面，提供了一种水下海参图像自动分割装置，所述装置包括：
图像获取单元，用于获取待分割水下海参图像，对所述待分割水下海参图像进行灰度转换及颜色空间分解，获得灰度图像和R、G、B图像；
图像融合单元，用于对所述R、G、B图像进行R+G-B融合，以获得融合图像；
边缘检测单元，用于对所述融合图像进行边缘检测，以获得海参目标的边缘；
轮廓构建单元，用于根据所述海参目标的边缘获取所述海参目标的中心坐标，以所述海参目标的中心坐标构建初始矩形轮廓；
目标分割单元，用于根据构建的初始矩形轮廓通过主动轮廓模型对所述灰度图像进行海参目标分割。
可选地，所述轮廓构建单元根据所述海参目标的边缘Bn(rn,wn)通过下式获取所述海参目标的中心坐标P(rc,wc)，
其中，rn为边缘点第n个像素的行坐标值，wn为边缘点第n个像素的列坐标值，N为边缘点像素数量。
可选地，所述轮廓构建单元以所述海参目标的中心坐标P(rc,wc)通过下式构建初始矩形轮廓C0(r,w)，
式中，i为待分割水下海参图像像素的行数，j为待分割水下海参图像像素的列数。
可选地，所述装置还包括：
对比增强单元，用于采用对比度受限自适应直方图均衡法对所述灰度图像进行对比度增强。
可选地，所述边缘检测单元采用边缘检测算子对所述融合图像进行边缘检测，以获得海参目标的边缘。
本发明中通过对图像颜色空间的分解和再融合使得海参边缘更清晰，通过边缘检测得到海参边缘，自动定位海参目标的大概中心位置，以此中心位置构建的初始轮廓区域与海参目标所在区域的大部分重合，可减少计算量和提高分割结果的准确性，并且分割过程不需要任何人工参与，智能化程度高。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明一种实施方式的水下海参图像自动分割方法的流程图；
图2是待分割水下海参图像的示意图；
图3是对灰度图像进行对比度受限自适应直方图均衡后的示意图；
图4是R+G-B融合的融合图像的示意图；
图5是融合图像的边缘检测结果示意图；
图6是初始矩形轮廓的示意图；
图7是水下海参的分割结果示意图；
图8是本发明一种实施方式的水下海参图像自动分割装置的结构框图。
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。
图1是本发明一种实施方式的水下海参图像自动分割方法的流程图；参照图1，所述方法包括：
S101：获取待分割水下海参图像，对所述待分割水下海参图像进行灰度转换及颜色空间分解，获得灰度图像和R、G、B图像；
需要说明的是，可通过图像采集设备(例如：Canon PowerShot G12防水相机)获取待分割水下海参图像，获取的待分割水下海参图像可参照图2。
应说明的是，所述R、G、B图像即为所述待分割水下海参图像R、G、B三分量分别对应的图像。
S102：采用对比度受限自适应直方图均衡法对所述灰度图像进行对比度增强；
本步骤中采用以Rayleigh分布为基础的对比度受限自适应直方图均衡法对所述灰度图像进行灰度直方图扩展，使所述图像的灰度分布更均匀，增强对比度，提高所述图像质量。图3为经过对比度受限自适应直方图均衡化后，图像对比度增强的结果。
S103：对所述R、G、B图像进行R+G-B融合，以获得融合图像；
可理解的是，本实施方式中通过R+G-B融合，参照图4，融合图像中绿色水草区域被消除，从而使得海参的边缘细节变得清晰。
S104：对所述融合图像进行边缘检测，以获得海参目标的边缘；
在具体实现中，可采用边缘检测算子对所述融合图像进行边缘检测，以获得海参目标的边缘，参照图5，大部分海参目标的边缘和少量背景物的边缘被检测出来。
S105：根据所述海参目标的边缘获取所述海参目标的中心坐标，以所述海参目标的中心坐标构建初始矩形轮廓；
所述海参目标的中心坐标可参照图5中的标记点，本步骤中，根据所述海参目标的边缘获取所述海参目标的中心坐标，可具体包括：
根据所述海参目标的边缘Bn(rn,wn)通过下式获取所述海参目标的中心坐标P(rc,wc)，
其中，rn为边缘点第n个像素的行坐标值，wn为边缘点第n个像素的列坐标值，N为边缘点像素数量。
由于海参目标在图像中的位置随机，且主动轮廓模型一般需要指定初始轮廓，初始轮廓与海参目标的相交区域越多，分割模型的计算时间越短、分割准确性越高，为缩短分割模型的计算时间及准确性，本本步骤中，以所述海参目标的中心坐标构建初始矩形轮廓，可具体包括：
以所述海参目标的中心坐标P(rc,wc)通过下式构建初始矩形轮廓C0(r,w)，
式中，i为待分割水下海参图像像素的行数，j为待分割水下海参图像像素的列数。
所述初始矩形轮廓能自适应海参目标的位置，与海参目标有较多重合区域，结果如图6所示。
S106：根据构建的初始矩形轮廓通过主动轮廓模型对所述灰度图像进行海参目标分割。
在具体实现中，所述海参目标的分割结果可参照图7。
本实施方式中通过对图像颜色空间的分解和再融合使得海参边缘更清晰，通过边缘检测得到海参边缘，自动定位海参目标的大概中心位置，以此中心位置构建的初始轮廓区域与海参目标所在区域的大部分重合，可减少计算量和提高分割结果的准确性，并且分割过程不需要任何人工参与，智能化程度高。
对于方法实施方式，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施方式并不受所描述的动作顺序的限制，因为依据本发明实施方式，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施方式均属于优选实施方式，所涉及的动作并不一定是本发明实施方式所必须的。
图8是本发明一种实施方式的水下海参图像自动分割装置的结构框图；参照图8，所述装置包括：
图像获取单元801，用于获取待分割水下海参图像，对所述待分割水下海参图像进行灰度转换及颜色空间分解，获得灰度图像和R、G、B图像；
图像融合单元803，用于对所述R、G、B图像进行R+G-B融合，以获得融合图像；
边缘检测单元804，用于对所述融合图像进行边缘检测，以获得海参目标的边缘；
轮廓构建单元805，用于根据所述海参目标的边缘获取所述海参目标的中心坐标，以所述海参目标的中心坐标构建初始矩形轮廓；
目标分割单元806，用于根据构建的初始矩形轮廓通过主动轮廓模型对所述灰度图像进行海参目标分割。
在本发明的一种可选实施方式中，所述轮廓构建单元805根据所述海参目标的边缘Bn(rn,wn)通过下式获取所述海参目标的中心坐标P(rc,wc)，
其中，rn为边缘点第n个像素的行坐标值，wn为边缘点第n个像素的列坐标值，N为边缘点像素数量。
在本发明的一种可选实施方式中，所述轮廓构建单元以所述海参目标的中心坐标P(rc,wc)通过下式构建初始矩形轮廓C0(r,w)，
式中，i为待分割水下海参图像像素的行数，j为待分割水下海参图像像素的列数。
在本发明的一种可选实施方式中，所述装置还包括：
对比增强单元802，用于采用对比度受限自适应直方图均衡法对所述灰度图像进行对比度增强。
在本发明的一种可选实施方式中，所述边缘检测单元804采用边缘检测算子对所述融合图像进行边缘检测，以获得海参目标的边缘。
对于装置实施方式而言，由于其与方法实施方式基本相似，所以描述的比较简单，相关之处参见方法实施方式的部分说明即可。
应当注意的是，在本发明的装置的各个部件中，根据其要实现的功能而对其中的部件进行了逻辑划分，但是，本发明不受限于此，可以根据需要对各个部件进行重新划分或者组合。
本发明的各个部件实施方式可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本装置中，PC通过实现因特网对设备或者装置远程控制，精准的控制设备或者装置每个操作的步骤。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样实现本发明的程序可以存储在计算机可读介质上，并且程序产生的文件或文档具有可统计性，产生数据报告和cpk报告等，能对功放进行批量测试并统计。应该注意的是上述实施方式对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施方式。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (8)

1.一种水下海参图像自动分割方法，其特征在于，所述方法包括：
获取待分割水下海参图像，对所述待分割水下海参图像进行灰度转换及颜色空间分解，获得灰度图像和R、G、B图像；
对所述R、G、B图像进行R+G-B融合，以获得融合图像；
对所述融合图像进行边缘检测，以获得海参目标的边缘；
根据所述海参目标的边缘获取所述海参目标的中心坐标，以所述海参目标的中心坐标构建初始矩形轮廓；所述以所述海参目标的中心坐标构建初始矩形轮廓，具体包括：以所述海参目标的中心坐标P(rc,wc)通过下式构建初始矩形轮廓C0(r,w)，
式中，i为待分割水下海参图像像素的行数，j为待分割水下海参图像像素的列数；
根据构建的初始矩形轮廓通过主动轮廓模型对所述灰度图像进行海参目标分割。
2.如权利要求1所述的方法，其特征在于，所述根据所述海参目标的边缘获取所述海参目标的中心坐标，具体包括：
根据所述海参目标的边缘Bn(rn,wn)通过下式获取所述海参目标的中心坐标P(rc,wc)，
其中，rn为边缘点第n个像素的行坐标值，wn为边缘点第n个像素的列坐标值，N为边缘点像素数量。
3.如权利要求1～2中任一项所述的方法，其特征在于，所述根据构建的初始矩形轮廓通过主动轮廓模型对所述灰度图像进行海参目标分割之前，所述方法还包括：
采用对比度受限自适应直方图均衡法对所述灰度图像进行对比度增强。
4.如权利要求1～2中任一项所述的方法，其特征在于，所述对所述融合图像进行边缘检测，以获得海参目标的边缘，具体包括：
采用边缘检测算子对所述融合图像进行边缘检测，以获得海参目标的边缘。
5.一种水下海参图像自动分割装置，其特征在于，所述装置包括：
图像获取单元，用于获取待分割水下海参图像，对所述待分割水下海参图像进行灰度转换及颜色空间分解，获得灰度图像和R、G、B图像；
图像融合单元，用于对所述R、G、B图像进行R+G-B融合，以获得融合图像；
边缘检测单元，用于对所述融合图像进行边缘检测，以获得海参目标的边缘；
轮廓构建单元，用于根据所述海参目标的边缘获取所述海参目标的中心坐标，以所述海参目标的中心坐标构建初始矩形轮廓；所述轮廓构建单元以所述海参目标的中心坐标P(rc,wc)通过下式构建初始矩形轮廓C0(r,w)，
式中，i为待分割水下海参图像像素的行数，j为待分割水下海参图像像素的列数；
目标分割单元，用于根据构建的初始矩形轮廓通过主动轮廓模型对所述灰度图像进行海参目标分割。
6.如权利要求5所述的装置，其特征在于，所述轮廓构建单元根据所述海参目标的边缘Bn(rn,wn)通过下式获取所述海参目标的中心坐标P(rc,wc)，
其中，rn为边缘点第n个像素的行坐标值，wn为边缘点第n个像素的列坐标值，N为边缘点像素数量。
7.如权利要求5～6中任一项所述的装置，其特征在于，所述装置还包括：
对比增强单元，用于采用对比度受限自适应直方图均衡法对所述灰度图像进行对比度增强。
8.如权利要求5～6中任一项所述的装置，其特征在于，所述边缘检测单元采用边缘检测算子对所述融合图像进行边缘检测，以获得海参目标的边缘。
CN201610393291.4A 2016-06-06 2016-06-06 水下海参图像自动分割方法及装置 Active CN106097320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610393291.4A CN106097320B (zh) 2016-06-06 2016-06-06 水下海参图像自动分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610393291.4A CN106097320B (zh) 2016-06-06 2016-06-06 水下海参图像自动分割方法及装置

Publications (2)

Publication Number Publication Date
CN106097320A CN106097320A (zh) 2016-11-09
CN106097320B true CN106097320B (zh) 2019-01-22

Family

ID=57447607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610393291.4A Active CN106097320B (zh) 2016-06-06 2016-06-06 水下海参图像自动分割方法及装置

Country Status (1)

Country Link
CN (1) CN106097320B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107883875B (zh) * 2017-11-23 2023-09-29 哈尔滨工程大学 自主式海参捕捞装置视觉检测定位装置及视觉检测定位方法
CN109287578B (zh) * 2018-11-08 2023-07-04 中国农业大学 一种海参捕捞系统
CN111080696B (zh) * 2019-10-25 2023-08-08 青岛农业大学 一种基于计算机视觉的水下海参识别及定位方法
CN111046726B (zh) * 2019-10-25 2023-08-08 青岛农业大学 一种基于ai智能视觉的水下海参识别及定位方法
CN111597973A (zh) * 2020-05-14 2020-08-28 大连工业大学 利用机器视觉检测盐渍海参合格品掺假情况的方法
CN116596954B (zh) * 2023-07-12 2023-11-10 北京大学 病变细胞图像分割方法、装置、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496155A (zh) * 2011-10-28 2012-06-13 河海大学 一种优化c-v模型的水下光学图像处理方法
CN104952069A (zh) * 2015-05-29 2015-09-30 中国农业大学 基于限制对比度直方图均衡化的水下海参图像处理方法
CN104951783A (zh) * 2015-05-29 2015-09-30 中国农业大学 一种基于小波变换算法的水下海参图像处理方法及系统

Also Published As

Publication number Publication date
CN106097320A (zh) 2016-11-09

Similar Documents

Publication Publication Date Title
CN106097320B (zh) 水下海参图像自动分割方法及装置
Mohamed et al. Msr-yolo: Method to enhance fish detection and tracking in fish farms
CN106971152B (zh) 一种基于航拍图像的检测输电线路中鸟巢的方法
CN106951870B (zh) 主动视觉注意的监控视频显著事件智能检测预警方法
CN109325504A (zh) 一种水下海参识别方法及系统
CN105046258B (zh) 一种小目标探测声呐图像的目标检测方法及装置
CN110163798B (zh) 渔场围网破损检测方法及系统
CN109684967A (zh) 一种基于ssd卷积网络的大豆植株茎荚识别方法
CN109344717A (zh) 一种多阈值动态统计的深海目标在线检测识别方法
CN111339902B (zh) 一种数显仪表的液晶屏示数识别方法及装置
CN112634202A (zh) 一种基于YOLOv3-Lite的混养鱼群行为检测的方法、装置及系统
CN109712128A (zh) 特征点检测方法、装置、计算机设备和存储介质
Liao et al. Research on intelligent damage detection of far-sea cage based on machine vision and deep learning
CN105913425B (zh) 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法
Burguera et al. Towards automatic visual sea grass detection in underwater areas of ecological interest
CN113484867B (zh) 一种基于成像声呐封闭空间下鱼群密度探测方法
CN111104976B (zh) 一种基于时间序列图像的蓝藻覆盖率计算方法
CN114943929A (zh) 基于图像融合技术的鱼类异常行为实时检测方法
Napier et al. Using mobile-based augmented reality and object detection for real-time Abalone growth monitoring
CN113591740B (zh) 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置
Ge et al. Real-time object detection algorithm for Underwater Robots
Yang et al. Cherry recognition based on color channel transform
CN103996044B (zh) 利用遥感图像提取目标的方法和装置
Rezo et al. Collecting information for biomass estimation in mariculture with a heterogeneous robotic system
Kannappan et al. Automated detection of scallops in their natural environment

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant