CN106296702B - 自然环境下棉花图像分割方法及装置 - Google Patents
自然环境下棉花图像分割方法及装置 Download PDFInfo
- Publication number
- CN106296702B CN106296702B CN201610671820.2A CN201610671820A CN106296702B CN 106296702 B CN106296702 B CN 106296702B CN 201610671820 A CN201610671820 A CN 201610671820A CN 106296702 B CN106296702 B CN 106296702B
- Authority
- CN
- China
- Prior art keywords
- image
- component image
- natural environment
- cotton
- cotton images
- 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
- 229920000742 Cotton Polymers 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 239000000284 extract Substances 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 30
- 238000001914 filtration Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000003709 image segmentation Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000427 antigen Substances 0.000 description 6
- 102000036639 antigens Human genes 0.000 description 6
- 108091007433 antigens Proteins 0.000 description 6
- 241000607479 Yersinia pestis Species 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 239000002362 mulch Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 241000238631 Hexapoda Species 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 229960005486 vaccine Drugs 0.000 description 1
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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种自然环境下棉花图像分割方法及装置，其中，该方法包括：将自然环境棉花图像转换至YIQ、Extra以及L*a*b颜色空间，并提取Q分量图像、Extra Green分量图像及a*分量图像；通过PCNN模型分别获取所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像；根据Q分量图像、Extra Green分量图像以及a*分量图像对应的目标区域与背景分割二值图像进行交集运算；根据交集运算图像与自然环境棉花图像获取棉花图像分割结果。本发明可实现自然环境下的棉花目标与复杂背景的准确自动分割，以及作物区域的准确提取，对作物生长状态判定等领域具有重要意义。
Description
技术领域
本发明涉及农业信息技术领域，尤其涉及一种自然环境下棉花图像分割方法及装置。
背景技术
棉花是世界上最主要的农作物之一，具有产量多、分布广、用途多等特点。作为中国的重要经济作物，棉花的种植对于调整农业生产结构和保障农户收入起到了重要作用。然而，棉花在生长发育过程中容易感染各种病害和虫害。通过图像处理方法与计算机视觉技术可以对棉花病虫害图像进行识别与判断，而棉花与复杂背景自动分割是图像处理与分析的第一步，也是至关重要的步骤，其分割结果的优劣直接影响着后续图像特征提取、目标识别的准确性。
理想的情况下，所有图像采集应在相同的条件下(固定的光源、背景与拍摄角度等)进行。然而在实际中，这种理想情况只能在受控环境中实现，如实验室内。在自然环境中进行叶片分割具有很多挑战，比如在实际的棉花种植环境中，一日之内的照明变化剧烈、不同背景下的反光、不同的气象条件都会对成像造成影响。同时，图像背景中还包括有土壤、秸秆、地膜、阴影等内容，以及作物种植土壤地表还覆盖有一些相关的生物种类，这些因素都的存在均使得叶片与茎秆等感兴趣区域的图像分割成为了一个难点。
目前常用的作物图像分割方法主要分包括：阈值法、边缘检测法、区域生长法、聚类法、模糊分割法等。但这些方法都缺少对图像受光照和复杂背景影响的考虑，鲁棒性较差。因此，现有的亟待解决的技术问题之一即为：如何弥补上述图像分割方法产生的种种不足，提供自然环境下对棉花叶片进行图像分割的鲁棒性方法。
发明内容
针对目前常用的作物图像分割方法未考虑对图像受光照和复杂背景影响、鲁棒性较差的缺陷，本发明提出如下技术方案：
一种自然环境下棉花图像分割方法，包括：
将自然环境棉花图像分别转换至YIQ颜色空间、Extra颜色空间以及L*a*b颜色空间，并分别提取转换后的YIQ颜色空间图像的Q分量图像、Extra颜色空间的Extra Green分量图像以及L*a*b颜色空间图像的a*分量图像；其中，所述自然环境棉花图像为在自然环境条件下获取的棉花作物图像；
通过脉冲耦合神经网络PCNN模型分别获取所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像；
根据所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像进行交集运算，以获取交集运算图像；
根据所述交集运算图像与所述自然环境棉花图像进行乘积运算，以获取棉花图像分割结果。
可选地，所述将自然环境棉花图像分别转换至YIQ颜色空间、Extra颜色空间以及L*a*b颜色空间之前，所述方法还包括：
对所述自然环境棉花图像进行滤波处理，以获取滤波后的自然环境棉花图像；
相应地，所述根据所述交集运算图像与所述自然环境棉花图像进行乘积运算，以获取棉花图像分割结果，包括：
根据所述交集运算图像与所述滤波后的自然环境棉花图像进行乘积运算，以获取棉花图像分割结果。
可选地，所述对所述自然环境棉花图像进行滤波处理，以获取滤波后的自然环境棉花图像，包括：
提取所述自然环境棉花图像的R分量图像、G分量图像以及B分量图像；
分别对所述R分量图像、G分量图像以及B分量图像进行标准偏差σ2＝1，模板尺度为[5,5]的Gaussian滤波处理；
对滤波处理后的R分量图像、G分量图像以及B分量图像进行合成处理，以获取所述滤波后的自然环境棉花图像。
可选地，所述通过脉冲耦合神经网络PCNN模型分别获取所述Q分量图像、ExtraGreen分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像之前，该方法还包括：
利用免疫算法优化PCNN模型参数；
其中，所述PCNN模型参数包括阈值初值VE、衰减参数αE、连接系数β。
可选地，所述通过脉冲耦合神经网络PCNN模型分别获取所述Q分量图像、ExtraGreen分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像之后，所述方法还包括：
对所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像进行形态学开运算处理。
一种自然环境下棉花图像分割装置，包括：
分量图像提取单元，用于将自然环境棉花图像分别转换至YIQ颜色空间、Extra颜色空间以及L*a*b颜色空间，并分别提取转换后的YIQ颜色空间图像的Q分量图像、Extra颜色空间的Extra Green分量图像以及L*a*b颜色空间图像的a*分量图像；其中，所述自然环境棉花图像为在自然环境条件下获取的棉花作物图像；
二值图像获取单元，用于通过脉冲耦合神经网络PCNN模型分别获取所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像；
交集运算图像获取单元，用于根据所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像进行交集运算，以获取交集运算图像；
图像分割结果获取单元，用于根据所述交集运算图像与所述自然环境棉花图像进行乘积运算，以获取棉花图像分割结果。
可选地，所述装置还包括：
滤波处理单元，用于对所述自然环境棉花图像进行滤波处理，以获取滤波后的自然环境棉花图像；
相应地，所述图像分割结果获取单元具体用于根据所述交集运算图像与所述滤波后的自然环境棉花图像进行乘积运算，以获取棉花图像分割结果。
可选地，所述滤波处理单元具体用于：
提取所述自然环境棉花图像的R分量图像、G分量图像以及B分量图像；
分别对所述R分量图像、G分量图像以及B分量图像进行标准偏差σ2＝1，模板尺度为[5,5]的Gaussian滤波处理；
对滤波处理后的R分量图像、G分量图像以及B分量图像进行合成处理，以获取所述滤波后的自然环境棉花图像。
可选地，所述装置还包括：
参数优化单元，用于利用免疫算法优化PCNN模型参数；
其中，所述PCNN模型参数包括阈值初值VE、衰减参数αE、连接系数β。
可选地，所述装置还包括：
开运算处理单元，用于对所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像进行形态学开运算处理。
本发明的自然环境下棉花图像分割方法及装置，通过将自然环境棉花图像分别转换至YIQ颜色空间、Extra颜色空间以及L*a*b颜色空间，并分别提取转换后的YIQ颜色空间图像的Q分量图像、Extra颜色空间的Extra Green分量图像以及L*a*b颜色空间图像的a*分量图像，进而通过脉冲耦合神经网络PCNN模型分别获取所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像，再根据所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像进行交集运算，以获取交集运算图像，最后根据所述交集运算图像与所述自然环境棉花图像进行乘积运算，以获取棉花图像分割结果，可以实现自然环境下的棉花目标与白地膜、黑地膜、秸秆、裸土等复杂背景的准确自动分割，以及作物区域的准确提取，对于作物生长状态判定与病虫害诊断领域具有重要的意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例的自然环境下棉花图像分割方法流程示意图；
图2为本发明一个实施例的自然环境下棉花图像分割装置结构示意图；
图3为本发明一个实施例的自然环境棉花彩色图像示意图；
图4为本发明另一个实施例的自然环境下棉花图像分割方法流程示意图；
图5为本发明一个实施例的棉花图像分割结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明一个实施例的自然环境下棉花图像分割方法流程示意图，如图1所示，该方法包括：
S1：将自然环境棉花图像分别转换至YIQ颜色空间、Extra颜色空间以及L*a*b颜色空间，并分别提取转换后的YIQ颜色空间图像的Q分量图像、Extra颜色空间的Extra Green分量图像以及L*a*b颜色空间图像的a*分量图像；
其中，所述自然环境棉花图像为在自然环境条件下获取的棉花作物图像。
具体来说，将所述自然环境棉花图像分别转换至YIQ颜色空间、Extra颜色空间、L*a*b*颜色空间，然后提取YIQ颜色空间的Q分量图像，提取Extra颜色空间的Extra Green分量图像，提取L*a*b*颜色空间的a*分量图像。
S2：通过脉冲耦合神经网络PCNN模型分别获取所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像；
具体来说，通过PCNN模型分别获取所述Q分量图像对应的目标区域与背景分割二值图像、Extra Green分量图像对应目标区域与背景分割二值图像以及a*分量图像对应的目标区域与背景分割二值图像。
S3：根据所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像进行交集运算，以获取交集运算图像；
具体地，将所述Q分量图像对应的目标区域与背景分割二值图像，Extra Green分量图像对应目标区域与背景分割二值图像与a*分量图像对应的目标区域与背景分割二值图像进行交集运算，以获取交集运算图像。
S4：根据所述交集运算图像与所述自然环境棉花图像进行乘积运算，以获取棉花图像分割结果。
本实施例的自然环境下棉花图像分割方法，通过将自然环境棉花图像分别转换至YIQ颜色空间、Extra颜色空间以及L*a*b颜色空间，并分别提取转换后的YIQ颜色空间图像的Q分量图像、Extra颜色空间的Extra Green分量图像以及L*a*b颜色空间图像的a*分量图像，进而通过脉冲耦合神经网络PCNN模型分别获取所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像，再根据所述Q分量图像、ExtraGreen分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像进行交集运算，以获取交集运算图像，最后根据所述交集运算图像与所述自然环境棉花图像进行乘积运算，以获取棉花图像分割结果，可以实现自然环境下的棉花目标与白地膜、黑地膜、秸秆、裸土等复杂背景的准确自动分割，以及作物区域的准确提取，对于作物生长状态判定与病虫害诊断领域具有重要的意义。
进一步地，作为上述方法实施例的优选，步骤S1所述将自然环境棉花图像分别转换至YIQ颜色空间、Extra颜色空间以及L*a*b颜色空间之前，所述方法还可以包括：
S0：对所述自然环境棉花图像进行滤波处理，以获取滤波后的自然环境棉花图像；
相应地，步骤S4所述根据所述交集运算图像与所述自然环境棉花图像进行乘积运算，以获取棉花图像分割结果，可以包括：
S41：根据所述交集运算图像与所述滤波后的自然环境棉花图像进行乘积运算，以获取棉花图像分割结果。
进一步地，作为上述各个方法实施例的优选，步骤S0所述对所述自然环境棉花图像进行滤波处理，以获取滤波后的自然环境棉花图像，还可以包括：
S01：提取所述自然环境棉花图像的R分量图像、G分量图像以及B分量图像；
S02：分别对所述R分量图像、G分量图像以及B分量图像进行标准偏差σ2＝1，模板尺度为[5,5]的Gaussian滤波处理；
S03：对滤波处理后的R分量图像、G分量图像以及B分量图像进行合成处理，以获取所述滤波后的自然环境棉花图像。
进一步地，作为上述各个方法实施例的优选，步骤S2所述通过脉冲耦合神经网络PCNN模型分别获取所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像之前，该方法还可以包括：
S2’：利用免疫算法优化PCNN模型参数；
其中，所述PCNN模型参数包括阈值初值VE、衰减参数αE、连接系数β。
进一步地，作为上述各个方法实施例的优选，步骤S2所述通过脉冲耦合神经网络PCNN模型分别获取所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像之后，所述方法还包括：
S2”：对所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像进行形态学开运算处理。
图2为本发明一个实施例的自然环境下棉花图像分割装置结构示意图，如图2所示，该装置包括分量图像提取单元10、二值图像获取单元20、交集运算图像获取单元30以及图像分割结果获取单元40，其中：
分量图像提取单元10用于将自然环境棉花图像分别转换至YIQ颜色空间、Extra颜色空间以及L*a*b颜色空间，并分别提取转换后的YIQ颜色空间图像的Q分量图像、Extra颜色空间的Extra Green分量图像以及L*a*b颜色空间图像的a*分量图像；其中，所述自然环境棉花图像为在自然环境条件下获取的棉花作物图像；
二值图像获取单元20用于通过脉冲耦合神经网络PCNN模型分别获取所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像；
交集运算图像获取单元30用于根据所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像进行交集运算，以获取交集运算图像；
图像分割结果获取单元40用于根据所述交集运算图像与所述自然环境棉花图像进行乘积运算，以获取棉花图像分割结果。
具体地，分量图像提取单元10将自然环境棉花图像分别转换至YIQ颜色空间、Extra颜色空间以及L*a*b颜色空间，并分别提取转换后的YIQ颜色空间图像的Q分量图像、Extra颜色空间的Extra Green分量图像以及L*a*b颜色空间图像的a*分量图像；
然后，二值图像获取单元20通过脉冲耦合神经网络PCNN模型分别获取所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像；
进而，交集运算图像获取单元30根据所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像进行交集运算，以获取交集运算图像；
最后，图像分割结果获取单元40根据所述交集运算图像与所述自然环境棉花图像进行乘积运算，以获取棉花图像分割结果。
本实施例所述的装置可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。
进一步地，作为上述装置实施例的优选，所述装置还可以包括：
滤波处理单元，用于对所述自然环境棉花图像进行滤波处理，以获取滤波后的自然环境棉花图像；
相应地，图像分割结果获取单元40具体用于根据所述交集运算图像与所述滤波后的自然环境棉花图像进行乘积运算，以获取棉花图像分割结果。
进一步地，作为上述各个装置实施例的优选，所述滤波处理单元还可以具体用于：
提取所述自然环境棉花图像的R分量图像、G分量图像以及B分量图像；
分别对所述R分量图像、G分量图像以及B分量图像进行标准偏差σ2＝1，模板尺度为[5,5]的Gaussian滤波处理；
对滤波处理后的R分量图像、G分量图像以及B分量图像进行合成处理，以获取所述滤波后的自然环境棉花图像。
进一步地，作为上述各个装置实施例的优选，所述装置还可以包括：
参数优化单元，用于利用免疫算法优化PCNN模型参数；
其中，所述PCNN模型参数包括阈值初值VE、衰减参数αE、连接系数β。
进一步地，作为上述各个装置实施例的优选，所述装置还可以包括：
开运算处理单元，用于对所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像进行形态学开运算处理。
需要说明的是，对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
下面以一具体的实施例来说明本发明，但不限定本发明的保护范围。
图3为本发明另一个实施例的自然环境下棉花图像分割方法流程示意图，如图3所示，本实施例提供的自然环境下棉花图像分割方法的具体步骤包括：
A1：将自然环境棉花彩色RGB图像f(参见图4)进行滤波处理，具体：提取自然环境棉花彩色图像的R分量图像、G分量图像、B分量图像，分别在R分量图像、G分量图像、B分量图像进行标准偏差σ2＝1模板尺度为[5,5]Gaussian滤波，将滤波后的R分量图像、G分量图像、B分量图像重新合成为棉花彩色图像f1。
A2：提取滤波后棉花图像f1每个像素的Q分量图像、Extra Green分量图像、a*分量图像；
具体地，将所述滤波后棉花图像分别转换至YIQ颜色空间、Extra颜色空间、L*a*b*颜色空间,然后，提取YIQ颜色空间的Q分量图像，提取Extra颜色空间的Extra Green分量图像、提取L*a*b*颜色空间的a*分量图像，其中：
所述Q分量转换数学公式为：
Q＝0.211×R-0.523×G+0.312×B+128(1)
式中，R、G、B为图像中的RGB值，下同；
Extra Green分量转换数学公式：
a*分量转换数学公式：
a*＝500[f(X)-f(Y)] (3)
式中，
X＝0.4124×R+0.3576×G+0.1805×B，
Y＝0.2126×R+0.7152×G+0.0722×B。
A3：利用免疫算法优化PCNN模型参数阈值初值VE、衰减参数αE、连接系数β，具体包括：
A31：将阈值初值VE、衰减参数αE、连接系数β初始抗体，将Q分量、Extra Green分量、a*分量作为抗原输入，并转换为二进制编码，组成抗体的初始种群；
A32：计算抗原的目标函数F应该为使训练样本的抗体最小，抗体函数定义为：
其中：
N为抗体群的大小，为期望输出值，yi为实际输出值。yi函数公式为：
式中，Bo、Fo分别为标准分割图像中背景和目标的像素数，BT、FT分别为PCNN算法分割图像中背景和目标的像素数。
A33:计算抗体与抗原的抗体浓度，当某个抗体与抗原的浓度较大时，表明该抗体已充分接近最优解。
A34：种群的选择、交叉与变异，对K父代种群进行选择、交叉和变异操作，得到新种群Bk。
新种群进行接种疫苗，得到更新一代种群Ck。使所有个体中具有较高亲和度的个体在数量上占绝对优势。首先对抗体集中的抗体按其亲和度进行降序排列，并计算选择集规模，然后根据选择集规模将抗体进行复制到选择集中，计算选择集规模的公式为：
式中，Nc为选择集的规模，a为选择系数，操作符表示取整。对选择集中每个抗体进行高频变异，从而得到变异集，变异公式为：
ri表示变异体，f为抗体和抗原的亲和度，β为变异控制系数。
A35：若满足终止条件，即产生个体的代数满足迭代最大次数或目标函数F的增值在一定的范围之内，则判定最终抗原为最优解。得出阈值初值VE、衰减参数αE、连接系数β的最优值。
A4：分别以Q分量图像f(Q)、Extra Green分量图像f(Extra Green)、a*分量图像f(a*)作为输入，根据免疫算法得到的阈值初值VE、衰减参数αE、连接系数β设置参数，利用PCNN模型分别得到Q分量图像、Extra Green分量图像、a*分量图像的自然环境下棉花与复杂背景分割二值图像，其PCNN模型数学公式为：
式中，参数n表示时间，αF是反馈输入域的衰减时间常数，Sij表示网络输入激励，这里表示图像像素点(i,j)灰度值，VF是反馈输入域的放大系数，Mijkl是权值矩阵，Fij表示对应Sij值的神经元反馈输入域，Lij为网络链接项，VL是耦合连接域的放大系数，wijkl耦合连接域权值矩阵，Uij为网络内部神经元活动项，Eij为脉冲激活动态阈值，w为网络内部连接权值矩阵，作为连接矩阵；Yij为对应神经元输出值；β为神经元交互连接系数；αE为激励脉冲衰减时间系数；VE为激励脉冲幅值系数；
对得到Q分量图像、Extra Green分量图像、a*分量图像的自然环境下棉花与复杂背景分割二值图像，进行圆盘为5的形态学开运算，其中，图像形态学开运算公式为：
可以理解的是，本实施例的圆盘选取为5像素仅为一个优选的示例，实际应用中，圆盘的选取可以根据实际情况进行设置，本发明对此不进行限定。
式中，A为分割二值图像，B为圆盘为5的结构体。
A5：将Q分量图像、Extra Green分量图像、a*分量图像的自然环境下棉花与复杂背景分割二值图像，分别是F(Q)、F(Extra Green)、F(a*)，进行交集运算，数学公式为：
F(I)＝F(Q)∩F(Extra Green)∩F(a*)。 (11)
再将交集运算结合与滤波处理图像进行乘运算，得到棉花区域图像(如图5所示)，数学公式为：
F′(I)＝[f(:,:,1)*F(I)，f，(:,:,2)*F(I) f(:,:,3)*F(I)] (12)
本实施例通过Gaussian滤波算法，分别提取Q分量、Extra Green分量、a*分量作为颜色特征，并结合免疫算法和PCNN模型原理，实现了自然环境下的棉花目标与白地膜、黑地膜、秸秆、裸土等复杂背景的准确自动分割以及作物区域的准确提取，对于作物生长状态判定与病虫害诊断领域具有重要的意义。
以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种自然环境下棉花图像分割方法，其特征在于，包括：
将自然环境棉花图像分别转换至YIQ颜色空间、Extra颜色空间以及L*a*b颜色空间，并分别提取转换后的YIQ颜色空间图像的Q分量图像、Extra颜色空间的Extra Green分量图像以及L*a*b颜色空间图像的a*分量图像；其中，所述自然环境棉花图像为在自然环境条件下获取的棉花作物图像；
通过脉冲耦合神经网络PCNN模型分别获取所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像；
对所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像进行形态学开运算处理；
根据所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像进行交集运算，以获取交集运算图像；
根据所述交集运算图像与所述自然环境棉花图像进行乘积运算，以获取棉花图像分割结果。
2.根据权利要求1所述的方法，其特征在于，所述将自然环境棉花图像分别转换至YIQ颜色空间、Extra颜色空间以及L*a*b颜色空间之前，所述方法还包括：
对所述自然环境棉花图像进行滤波处理，以获取滤波后的自然环境棉花图像；
相应地，所述根据所述交集运算图像与所述自然环境棉花图像进行乘积运算，以获取棉花图像分割结果，包括：
根据所述交集运算图像与所述滤波后的自然环境棉花图像进行乘积运算，以获取棉花图像分割结果。
3.根据权利要求2所述的方法，其特征在于，所述对所述自然环境棉花图像进行滤波处理，以获取滤波后的自然环境棉花图像，包括：
提取所述自然环境棉花图像的R分量图像、G分量图像以及B分量图像；
分别对所述R分量图像、G分量图像以及B分量图像进行标准偏差σ2＝1，模板尺度为[5,5]的Gaussian滤波处理；
对滤波处理后的R分量图像、G分量图像以及B分量图像进行合成处理，以获取所述滤波后的自然环境棉花图像。
4.根据权利要求1所述的方法，其特征在于，所述通过脉冲耦合神经网络PCNN模型分别获取所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像之前，该方法还包括：
利用免疫算法优化PCNN模型参数；
其中，所述PCNN模型参数包括阈值初值VE、衰减参数αE、连接系数β。
5.一种自然环境下棉花图像分割装置，其特征在于，包括：
分量图像提取单元，用于将自然环境棉花图像分别转换至YIQ颜色空间、Extra颜色空间以及L*a*b颜色空间，并分别提取转换后的YIQ颜色空间图像的Q分量图像、Extra颜色空间的Extra Green分量图像以及L*a*b颜色空间图像的a*分量图像；其中，所述自然环境棉花图像为在自然环境条件下获取的棉花作物图像；
二值图像获取单元，用于通过脉冲耦合神经网络PCNN模型分别获取所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像；
开运算处理单元，用于对所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像进行形态学开运算处理；
交集运算图像获取单元，用于根据所述Q分量图像、Extra Green分量图像以及a*分量图像各自对应的目标区域与背景分割二值图像进行交集运算，以获取交集运算图像；
图像分割结果获取单元，用于根据所述交集运算图像与所述自然环境棉花图像进行乘积运算，以获取棉花图像分割结果。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
滤波处理单元，用于对所述自然环境棉花图像进行滤波处理，以获取滤波后的自然环境棉花图像；
相应地，所述图像分割结果获取单元具体用于根据所述交集运算图像与所述滤波后的自然环境棉花图像进行乘积运算，以获取棉花图像分割结果。
7.根据权利要求6所述的装置，其特征在于，所述滤波处理单元具体用于：
提取所述自然环境棉花图像的R分量图像、G分量图像以及B分量图像；
分别对所述R分量图像、G分量图像以及B分量图像进行标准偏差σ2＝1，模板尺度为[5,5]的Gaussian滤波处理；
对滤波处理后的R分量图像、G分量图像以及B分量图像进行合成处理，以获取所述滤波后的自然环境棉花图像。
8.根据权利要求5所述的装置，其特征在于，所述装置还包括：
参数优化单元，用于利用免疫算法优化PCNN模型参数；
其中，所述PCNN模型参数包括阈值初值VE、衰减参数αE、连接系数β。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610671820.2A CN106296702B (zh) | 2016-08-15 | 2016-08-15 | 自然环境下棉花图像分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610671820.2A CN106296702B (zh) | 2016-08-15 | 2016-08-15 | 自然环境下棉花图像分割方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106296702A CN106296702A (zh) | 2017-01-04 |
| CN106296702B true CN106296702B (zh) | 2019-08-16 |
Family
ID=57672097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610671820.2A Expired - Fee Related CN106296702B (zh) | 2016-08-15 | 2016-08-15 | 自然环境下棉花图像分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106296702B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107452014B (zh) * | 2017-07-11 | 2020-06-30 | 中国农业科学院农业信息研究所 | 一种图像分割方法及装置 |
| CN111415357B (zh) * | 2020-03-19 | 2023-04-07 | 长光卫星技术股份有限公司 | 一种基于彩色影像的便携式阴影提取方法 |
| CN112330637A (zh) * | 2020-11-09 | 2021-02-05 | 哈尔滨理工大学 | 一种基于像素值的脉冲耦合神经网络骨骼肌图像处理方法 |
| CN112862841A (zh) * | 2021-04-09 | 2021-05-28 | 山东大学 | 基于形态学重构和自适应阈值的棉花图像分割方法及系统 |
| CN114489045B (zh) * | 2021-12-27 | 2023-05-02 | 广州极飞科技股份有限公司 | 一种作业控制方法、模块、设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102147920A (zh) * | 2011-03-02 | 2011-08-10 | 上海大学 | 高分辨率遥感影像中的阴影检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004097535A (ja) * | 2002-09-10 | 2004-04-02 | Toshiba Corp | 医用３次元画像データの領域分割方法 |
-
2016
- 2016-08-15 CN CN201610671820.2A patent/CN106296702B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102147920A (zh) * | 2011-03-02 | 2011-08-10 | 上海大学 | 高分辨率遥感影像中的阴影检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于机器视觉的棉花识别与定位技术的研究;冯康;《中国优秀硕士学位论文全文数据库信息科技辑》;20160115(第01期);第25-38页 * |
| 基于粗糙集和BP神经网络的棉花病害识别;张建华等;《农业工程学报》;20120401;第161-167页 * |
| 智能移动式水果采摘机器人系统的研究;顾宝兴;《中国博士学位论文全文数据库信息科技辑》;20131215(第12期);第69-107页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106296702A (zh) | 2017-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106296702B (zh) | 自然环境下棉花图像分割方法及装置 | |
| Chouhan et al. | Automated plant leaf disease detection and classification using fuzzy based function network | |
| CN110046631A (zh) | 用于自动推断时空图像的变化的系统和方法 | |
| Schallner et al. | Effect of superpixel aggregation on explanations in lime–a case study with biological data | |
| CN109740483A (zh) | 一种基于深层神经网络的水稻生长期检测方法 | |
| Roldán-Serrato et al. | Automatic pest detection on bean and potato crops by applying neural classifiers | |
| CN109325495A (zh) | 一种基于深度神经网络建模的作物图像分割系统及方法 | |
| Kavdır | Discrimination of sunflower, weed and soil by artificial neural networks | |
| Nasution et al. | Eggplant disease detection using yolo algorithm telegram notified | |
| Sakhamuri et al. | RETRACTED: An Overview on Prediction of Plant Leaves Disease using Image Processing Techniques | |
| Zhang et al. | Robust image segmentation method for cotton leaf under natural conditions based on immune algorithm and PCNN algorithm | |
| CN109190571A (zh) | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 | |
| Rekha et al. | Disease Detection in Tomato Plants Using CNN | |
| Kumar | Research Paper On Sugarcane Diseaese Detection Model | |
| Priya | Cotton leaf disease detection using Faster R-CNN with Region Proposal Network | |
| Hossain et al. | A convolutional neural network approach to recognize the insect: A perspective in Bangladesh | |
| Shobana et al. | Plants Classification Using Machine Learning Algorithm | |
| Dixit et al. | Approaches to identify paddy plant diseases using deep learning: A review | |
| Mori et al. | AI Based Potato and Tomato Leaf Disease Detection Using CNN and Pre-Trained Model | |
| Narayana et al. | Improvement of Precision in Agriculture Using IoT-Based Machine Learning Techniques | |
| Kushwaha et al. | Identification of Tomato Leaf Disease Prediction Using CNN | |
| Kaiyan et al. | A real time image segmentation approach for crop leaf | |
| Agarwal et al. | Plant Disease Detection using Deep Learning and Convolutionary Neural Network | |
| Chen et al. | Research on color and shape recognition of maize diseases based on HSV and OTSU method | |
| CR et al. | Web-based Framework for Identifying Plant Leaf Diseases |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190816 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |