CN106682639A - 一种基于视频监测的作物叶部异常图像提取方法 - Google Patents

Abstract

本发明公开了一种基于视频监测的作物叶部异常图像提取方法，其特征是包括1、采集作物生长视频，对作物生长视频分帧处理；2、通过自定义的相似度聚类方法提取作物生长关键帧图像；3、通过自定义的图像二值化方法提取作物生长关键帧图像显著性区域的二值图像；4、通过改进的去除图片复杂背景的方法，提取去除复杂背景的包含作物叶部异常区域的RGB图像。本发明能从大量作物生长帧图像中快速提取出冗余较少的关键帧图像、精确提取出作物叶部异常图像，从而为后续病虫害的自动识别、防治提供科学有效的依据。

Description

一种基于视频监测的作物叶部异常图像提取方法

技术领域

本发明属于农业视频监测领域，具体的说是一种基于视频监测的作物叶部异常图像提取方法。

背景技术

采用视频与图像处理相结合的方式提取作物异常信息在作物生长监测以及作物 科学种植方面具有良好的应用前景。通过计算机视觉技术采集作物生长视频、提取作物病 虫害信息，实现对作物生长状态及时有效的反馈，对病虫害识别、防治具有极大的指导意 义。现有的监测以及信息提取方法中，利用CCD摄像机、安卓手机摄像头采集作物图片，通过 图像增强、分割提取作物病虫害信息方面较为普遍。专利(“党宏社，张芳，田丽娜等.一种农 作物叶部病害检测方法：中国,CN201210235693.3.2012-10-30”)通过手机或数码相机在田 间现场对待检测的农作物叶片进行拍照及保存，通过图像分割、动态阈值以及形态学处理 等方法获取了只包含病斑信息的作物叶片二值图像，适用于病斑区域边界明显、内部均匀 的简单病斑信息提取。专利(“曾庆田；李彦成；段华等.一种基于移动终端的农作物病虫害 信息实时采集和交互服务技术与系统：中国,CN103139937A.2013-06-05”)提供一种基于移 动终端的农作物病虫害信息实时采集和交互服务技术与系统，通过智能手机采集农作物传 感器信息、农作物图片、农作物视频信息，适用于小区域采集分析农作物病害信息。文献 (“Juncheng Ma,Xinxing Li,Haojie Wen等.A key frame extraction method for processing greenhouse vegetables production monitoring video[J].Computers and Electronics in Agriculture 111(2015)92–102.”)和专利(“傅泽田；马浚诚；张领先等. 一种温室蔬菜病害监控视频关键帧提取方法即提取系统：中国,CN104021544A.2014-09- 03”)将视觉显著性与在线聚类算法相结合，利用显著图直方图相似度剔除相似度较高的帧 图像、利用在线聚类的方法获取关键帧，这种模式下的关键帧提取需要先提取出视频图像 中的帧显著图，运算量大，适用于监测周期较短的蔬菜关键帧图像提取。这些关键帧提取以 及叶部异常图像提取方法难以满足大田或者温室现场条件下的持续视频监测，存在以下不 足：

(1)现有的作物生长图像采集方法中，采用CCD相机或其他拍照设施采集作物生长期图像占多数，这种采集方式主要是人为控制采集间隔、数量，采集到的作物生长图像代表性差、异常信息不全面；

(2)现有的作物生长关键帧提取方法中，采用帧差法、在线聚类法等提取到的作物生长关键帧冗余多；针对作物生长周期长、特征变化不明显的关键帧提取，冗余帧数目没有得到控制；

(3)现有的显著性区域二值图像获取的方法中，在提取轮廓完整的作物生长关键帧二值图像方面，存在二值图像轮廓不显著、作物叶片信息提取不完整；

(4)现有的去除作物生长关键帧复杂背景、获取包含叶部异常区域的异常图像的方法中，针对温室或大田作物生长密集、背景复杂的情况下，不能有效的分离出叶部异常图像。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于视频监测的作物叶部异常图像提取方法，以期能从大量作物生长帧图像中快速提取出冗余较少的关键帧图像、精确提取出作物叶部异常图像，从而为后续病虫害的自动识别、防治提供科学有效的依据。

本发明为解决技术问题采用如下技术方案：

本发明一种基于视频监测的作物叶部异常图像提取方法的特点是按如下步骤进行：

步骤1：采集视频监测的作物生长视频记为crop，对所述作物生长视频crop进行分帧处理，得到作物生长图像集，记为A＝{A₁,…,A_i,…,A_n}；A_i表示所述作物生长图像集A中第i帧作物生长图像，n为所述作物生长图像集的总帧数；1≤i≤n；

步骤2：通过自定义的相似度聚类的方法，从所述作物生长图像集A中提取作物生长关键帧图像集，记为C＝{C₁,…,C_j,…,C_m}；C_j表示所述作物生长关键帧图像集C中第j帧关键帧图像，m为所述作物生长关键帧图像集的总帧数；1≤j≤m≤n；

步骤3：通过自定义的图像二值化的方法，从所述作物生长关键帧图像集C中提取显著性区域的二值图像序列S＝{S₁,…,S_j,…,S_m}；S_j表示所述二值图像序列S中第j帧关键帧图像B_j的二值图像；

步骤4：通过改进的去除图片复杂背景的方法，从所述作物生长关键帧图像集C中提取去除复杂背景的包含叶部异常区域的RGB图像集，记为Y＝{Y₁(R₁,G₁,B₁),…,Y_j(R_j,G_j,B_j),…,Y_m(R_m,G_m,B_m)}；Y_j(R_j,G_j,B_j)表示RGB图像集Y中第j帧RGB图像；R_j表示第j帧RGB图像的红色分量；G_j表示第j帧RGB图像的绿色分量；B_j表示第j帧RGB图像蓝色分量；以所述RGB图像集中的RGB图像作为包含叶部异常区域的异常图像。

本发明所述的基于视频监测的作物叶部异常图像提取方法的特点也在于，

所述步骤2中的自定义的相似度聚类的方法是按如下步骤进行：

步骤2.1：通过直方图相似度的方法从所述作物生长图像集A中筛选出初步关键帧图像集，记为C′＝{C′₁,…,C′_w,…,C′_W}；C′_w表示第w帧初步关键帧图像；W为所述初步关键帧图像集的总帧数；1≤w≤W≤m；

步骤2.1.1：将所述作物生长图像集A转化为灰度图像后计算颜色直方图，得到颜色直方图集记为H＝{H₁,…,H_i,…,H_n}；H_i表示第i帧颜色直方图；并记第i帧颜色直方图H_i中任意一个像素点为H_i(x)；0≤x≤a×b；a表示第i帧作物生长图像A_i的宽度，b表示第i帧作物生长图像A_i的高度；a×b第i帧作物生长图像A_i的像素值；

步骤2.1.2：通过式(1)计算所述作物生长图像集A中第i帧颜色直方图和第i+1帧颜色直方图的相似度sim_i，从而获得所有相邻帧颜色直方图的相似度sim＝{sim₁,…,sim_i,…sim_n-1}；

步骤2.1.3：利用式(2)计算作物图像集A中相邻帧颜色直方图的相似度阈值T：

步骤2.1.4：判断sim_i＞T是否成立，若成立，则选取第i+1帧作物生长图像A_i+1作为初步关键帧图像集C′中的元素，并舍弃第i帧作物生长图像A_i；若不成立，则将所述第i帧作物生长图像A_i和第i+1帧作物生长图像A_i+1均作为初步关键帧图像集C′中的元素；

步骤2.1.5：重复步骤2.1.4，从而获得初步关键帧图像集C′；

步骤2.2：通过自定义的互相关系数聚类的方法，从所述初步关键帧图像集C′提取作物生长关键帧图像集C；

步骤2.2.1：计算第w帧初步关键帧图像C′_w和第w+1帧初步关键帧图像C′_w+1的互相关系数r_w；从而获得所述初步关键帧图像集C′的互相关系数集r＝{r₁,…,r_w,…,r_W-1}；

步骤2.2.2：使用meanShift数据聚类算法对互相关系数集r进行聚类，得到Q个聚类数据簇，记为r′＝{r′₁,…,r′_q,…,r′_Q}；r′_q为所述聚类数据簇的第q个簇，1≤q≤Q≤W；并将所述第q个簇r′_q的质心记为λ_q；

步骤2.2.3：从所述Q个聚类数据簇的质心中选取最大质心所对应的簇，记为r′_max；从而获得所述最大质心所对应的簇r′_max中所有互相关系数所对应的初步关键帧图像的序号集β；

步骤2.2.4：将其余簇中的初步关键帧图像直接存入作物生长关键帧图像集中；再判断所述序号集β中的元素是否为相邻序号，如是相邻序号，则保留较大的序号，删除较小的序号，否则，均保留；从而获得m个序号；由所述m个序号得到相应的m帧关键帧图像，进而构成作物生长关键帧图像集C。

所述步骤3中的自定义的图像二值化的方法是按如下步骤进行：

步骤3.1：使用形态学方法对所述作物生长关键帧图像集C进行处理，得到形态学二值图像集，记为S′＝{S′₁,…,S′_j,…,S′_m}，S′_j表示第j帧形态学二值图像；

步骤3.1.1：将所述作物生长关键帧图像集C转化为灰度图像集后，再通过二值化方法获取二值化图像集；

步骤3.1.2：选取开运算的圆盘半径P1，从而生成半径为P1的圆盘形结构，并对所述二值化图像集进行形态学开运算，得到形态学开运算图像集；

步骤3.1.3：通过形态学填充方法填充所述形态学开运算图像集的非连通区域后，再使用形态学移除小对象的方法移除面积小于面积阈值P2的区域，从而得到形态学二值图像集S′；

步骤3.2：采用K均值聚类方法对所述作物生长关键帧图像集C进行处理，获得K均值二值图像集S″＝{S″₁,…,S″_j,…,S″_m}；S″_j表示第j帧K均值二值图像；

步骤3.2.1：采用K-means图像聚类方法对所述作物关键帧图像集C进行聚类处理后，再进行图像反运算处理，得到聚类二值化图像集；

步骤3.2.2：选取开运算的圆盘半径P3，并生成半径为P3的圆盘形结构，从而对所述聚类二值化图像集进行形态学开运算，得到聚类开运算图像集；

步骤3.2.3：使用形态学移除小对象的方法移除所述聚类开运算图像集中面积小于面积阈值P4的区域，从而得到K均值二值图像集S″；

步骤3.3：将所述形态学二值图像集S′和K均值二值图像集S″中相对应帧序号的图像进行逻辑“或”运算，从而得到显著性区域的二值图像序列S。

所述步骤4中的改进的去除图片复杂背景的方法是按如下步骤进行：

步骤4.1：将所述二值图像序列S转化为三维图像矩阵集，记为Y′＝{Y′₁(R′₁,G′₁,B′₁),…,Y′_j(R′_j,G′_j,B′_j),…,Y′_m(R′_m,G′_m,B′_m)}；Y′_j(R′_j,G′_j,B′_j)表示所述三维图像矩阵集Y′中第j帧RGB图像；R′_j表示所述三维图像矩阵集Y′中第j帧RGB图像的红色分量；G′_j表示所述三维图像矩阵集Y′中第j帧RGB图像的绿色分量；B′_j表示所述三维图像矩阵集Y′中第j帧RGB图像蓝色分量；

步骤4.2：将所述三维图像矩阵集Y′中第j帧RGB图像Y′_j(R′_j,G′_j,B′_j)与所述第j帧关键帧图像C_j进行逻辑“与”运算，从而得到去除复杂背景的第j帧RGB图像Y_j(R_j,G_j,B_j)，进而得到去除复杂背景的包含叶部异常区域RGB图像集Y。

与现有技术相比，本发明的有益效果在于：

1、本发明采用一种基于视频监测的作物叶部异常图像提取方法，采用相似度聚类、自定义的二值化方法和改进的去除复杂背景的方法，先提取出作物生长关键帧图像，再获取关键帧二值化图像，最后获取叶部异常图像，克服了现有技术中作物生长关键帧提取中存在的关键帧冗余帧多、叶部异常图像提取不精确的问题，提高了作物生长关键帧提取的效率和精确度，提高了叶部异常区域提取的精准度；

2、本发明采用摄像头采集作物生长视频，将视频分解成图像帧，克服了现有技术中存在的由人为控制采集间隔、数量，采集到的作物生长图像代表性差、异常信息不全面、帧分解效率差的问题，采用设定低帧率下摄像头采集作物生长视频的方法，提高了帧提取的效率和监测的可信度。

3、本发明采用自定义的相似度聚类的方法，采用颜色直方图相似度和互相关系数聚类技术，先初步筛选出关键帧图像，再将初步筛选得到的关键帧图像进行互相关系数聚类，最终得到作物生长关键帧图像，克服了现有的技术中存在的关键帧提取冗余帧多的问题，减少关键帧冗余、精准提取关键帧。

4、本发明采用自定义的图像二值化方法，获取关键帧图像的显著性区域二值图像序列，采用形态学二值化图像与K均值聚类二值化图像逻辑运算的方法，克服了现有技术中存在的二值图像轮廓不显著、作物叶片信息提取不完整的问题，获取区域轮廓显著、作物信息完整的显著性区域二值图像序列；

5、本发明采用改进的去除图片复杂背景的方法，获取去除复杂背景的包含叶部异常区域的RGB图像集，采用二值化图像序列维度转换和逻辑运算技术，克服了现有技术中针对温室或大田作物生长密集、背景复杂的情况不能准确完好的分离作物与背景的问题，精准提取出作物叶部异常图像。

附图说明

图1为本发明的整体流程图；

图2为本发明的作物生长图像集中相邻帧颜色直方图相似度曲线示意图；

图3为本发明的初步关键帧图像集中相邻帧互相关系数曲线示意图；

图4为本发明提取出的作物生长关键帧图像集中的一帧示意图；

图5为本发明的显著性区域二值图像序列集中的一帧示意图；

图6为本发明的去除复杂背景的包含叶部异常区域的RGB图像集中的一帧示意图。

具体实施方式

本实施例中，如图1所示，一种基于视频监测的作物叶部异常图像提取方法能高效提取作物生长关键帧图像以及作物叶部异常图像，从而具有实现提取出的作物生长关键帧图像冗余少、提取出的异常图像区域显著的优点，具体的说，是按如下步骤进行：

步骤1：摄像头采集作物生长周期内的生长视频记为crop，对采集到的作物生长视频crop进行并行分帧处理，得到作物生长图像集A＝{A₁,…,A_i,…,A_n}；A_i表示作物生长图像集A中第i帧作物生长图像，n为作物生长图像集的总帧数；1≤i≤n；

步骤2：通过自定义的相似度聚类的方法，从作物生长图像集A中提取作物生长关键帧图像集C＝{C₁,…,C_j,…,C_m}；C_j表示作物生长关键帧图像集C中第j帧关键帧图像，m为所述作物生长关键帧图像集的总帧数；1≤j≤m≤n；具体实施步骤如下：

步骤2.1：通过直方图相似度的方法从所述作物生长图像集A中筛选出初步关键帧图像集，记为C′＝{C′₁,…,C′_w,…,C′_W}；C′_w表示第w帧初步关键帧图像；W为所述初步关键帧图像集的总帧数；1≤w≤W≤m；

步骤2.1.1：将作物生长图像集A中图像转化为灰度图像，并通过式(1)计算作物生长图像集中帧图像灰度图像的颜色直方图，从而得到颜色直方图集记为H＝{H₁,…,H_i,…,H_n}：

H_i＝(h(N₁),…,h(N_k),…,h(N_l)) (1)

式(1)中，H_i为A第i帧图像灰度直方图，a表示第i帧作物生长图像A_i的宽度，b表示第i帧作物生长图像A_i的高度；a×b第i帧作物生长图像A_i的像素值；k为灰度帧图像灰度级，0≤k≤l≤255，N_k为k灰度级的像素数；

步骤2.1.2：通过式(2)计算作物生长图像集A中第i帧灰度图像颜色直方图和第i+1帧灰度图像颜色直方图相似度sim_i，从而获得作物生长图像集中相邻帧图像颜色直方图的相似度sim＝{sim₁,…,sim_i,…sim_n-1}；本实施例中，0≤sim_i≤100，sim_i值越大，则表示相邻两幅帧图像相似度越高，相邻帧颜色直方图相似度曲线示意图如图2所示；

步骤2.1.3：利用式(3)计算作物图像集A中相邻帧颜色直方图的相似度阈值T，对作物生长图像集中的帧图像进行初步筛选；

步骤2.1.4：判断sim_i＞T是否成立，若成立，则选取第i+1帧作物生长图像A_i+1作为初步关键帧图像集C′中的元素，并舍弃第i帧作物生长图像A_i；若不成立，则将上述第i帧作物生长图像A_i和第i+1帧作物生长图像A_i+1均作为初步关键帧图像集C′中的元素；

步骤2.1.5：重复执行步骤2.1.4，获取初步筛选得到的帧图像对应于作物图像集中的帧序列号，将筛选得到的帧序列号，按序存入新的集合W后获得初步关键帧图像集C′＝{C′₁,…,C′_w,…,C′_W}，C′_w表示第w帧初步关键帧图像；W为初步关键帧图像集的总帧数；1≤w≤W≤m；

步骤2.2、通过自定义的互相关系数聚类的方法，从所述初步关键帧图像集C′提取作物生长关键帧图像集C；

步骤2.2.1：读取初步关键帧图像集中第w帧和第w+1帧图像，通过式(4)计算第w帧和第w+1帧图像的互相关系数r_w，从而获得相邻帧图像的互相关系数集r＝{r₁,…,r_w,…,r_W-1}，相邻帧图像的互相关系数曲线示意图如图3所示，与图2相比，图像密集度明显下降；

式(4)中，C′_wab为C′中第w帧灰度图像矩阵，为C′中第w帧图像灰度矩阵均值，类似的，C′(w+1)ab为C′中第w+1帧灰度图像矩阵，为C′中第w+1帧图像灰度矩阵均值。

步骤2.2.2：获取W个互相关系数后，使用meanShift数据聚类算法对互相关系数集r进行数据聚类，得到Q个聚类数据簇r′＝{r′₁,…,r′_q,…,r′_Q}以及簇的质心；r′_q为所述聚类数据簇的第q个簇，1≤q≤Q≤W；并将所述第q个簇r′_q的质心记为λ_q；

步骤2.2.3：从Q个聚类数据簇的质心中选取最大质心所对应的簇，记为r′_max，从而获得最大质心所对应的簇r′_max中所有互相关系数所对应的初步关键帧图像的序号集β；

步骤2.2.4：先将其余簇中的初步关键帧图像直接存入作物生长关键帧图像集中；再判断序号集β中的元素是否为相邻序号，如是相邻序号，则将序号较大的存入关键帧图像集，删除较小的序号，否则，则将两帧均保留并存入关键帧图像集；从而获得m个序号；由m个序号得到相应的m帧作物生长关键帧图像，进而构成作物生长关键帧图像集C，图4为提取出的作物生长关键帧图像集中的一帧示意图。

步骤3：通过自定义的图像二值化的方法，从作物生长关键帧图像集C中提取显著性区域的二值图像序列S＝{S₁,…,S_j,…,S_m}；S_j表示所述二值图像序列S中第j帧关键帧图像B_j的二值图像，具体实施步骤如下：

步骤3.1：使用形态学方法对作物生长关键帧图像集C进行处理，得到形态学二值图像集，记为S′＝{S′₁,…,S′_j,…,S′_m}，S′_j表示第j帧形态学二值图像；

步骤3.1.1：将作物生长关键帧图像集C转化为灰度图像集后，再通过二值化方法获取二值化图像集；

步骤3.1.2：根据二值化图像的实际结构特点，选取开运算的圆盘半径P1，P1≥0，本实施例中选取的半径为5，从而生成半径为P1的圆盘形结构，并对二值化图像集进行形态学开运算，得到形态学开运算图像集；

步骤3.1.3：通过形态学填充方法填充所述形态学开运算图像集的非连通区域后，再使用形态学移除小对象的方法移除面积小于面积阈值P2的区域，P2≥0，本实施例中选取的阈值为3500，从而得到形态学二值图像集S′；

步骤3.2：采用K均值聚类方法对所述作物生长关键帧图像集C进行处理，获得K均值二值图像集S″＝{S″₁,…,S″_j,…,S″_m}；S″_j表示第j帧K均值二值图像；

步骤3.2.1：采用K-means图像聚类方法对所述作物关键帧图像集C进行聚类处理后，再进行图像反运算处理，得到聚类二值化图像集；

步骤3.2.2：根据聚类二值化图像的实际结构特点，选取开运算的圆盘半径P3，P3≥0，本实施例中选取的半径为8，并生成半径为P3的圆盘形结构，从而对聚类二值化图像集进行形态学开运算，得到聚类开运算图像集；

步骤3.2.3：使用形态学移除小对象的方法移除聚类开运算图像集中面积小于面积阈值P4的区域，从而得到K均值二值图像集S″＝{S″₁,…,S″_j,…,S″_m}；S″_j表示第j帧K均值二值图像；

步骤3.3：将形态学二值图像集S′和K均值二值图像集S″中相对应帧序号的图像进行逻辑“或”运算，得到如图5所示的显著性区域的二值图像，获取显著性区域的二值图像序列S。

步骤4：通过改进的去除图片复杂背景的方法，从所述作物生长关键帧图像集C中提取去除复杂背景的包含叶部异常区域的RGB图像集，记为Y＝{Y₁(R₁,G₁,B₁),…,Y_j(R_j,G_j,B_j),…,Y_m(R_m,G_m,B_m)}；Y_j(R_j,G_j,B_j)表示RGB图像集Y中第j帧RGB图像；R_j表示第j帧RGB图像的红色分量；G_j表示第j帧RGB图像的绿色分量；B_j表示第j帧RGB图像蓝色分量；以所述RGB图像集中的RGB图像作为包含叶部异常区域的异常图像。

步骤4.1：将二值图像序列S转化为三维图像矩阵集，记为Y′＝{Y′₁(R′₁,G′₁,B′₁),…,Y′_j(R′_j,G′_j,B′_j),…,Y′_m(R′_m,G′_m,B′_m)}，Y′_j(R′_j,G′_j,B′_j)表示所述三维图像矩阵集Y′中第j帧RGB图像；R′_j表示所述三维图像矩阵集Y′中第j帧RGB图像的红色分量；G′_j表示所述三维图像矩阵集Y′中第j帧RGB图像的绿色分量；B′_j表示所述三维图像矩阵集Y′中第j帧RGB图像蓝色分量；

步骤4.2：将三维图像矩阵集Y′中第j帧RGB图像Y′_j(R′_j,G′_j,B′_j)与第j帧关键帧图像C_j进行逻辑“与”运算，从而得到去除复杂背景的第j帧RGB图像Y_j(R_j,G_j,B_j)，进而得到去除复杂背景的包含叶部异常区域RGB图像集Y。如图6所示，一帧去除复杂背景的包含叶部异常区域的RGB图像，进而得到去除复杂背景的包含叶部异常区域的RGB图像集。

综上所述，本实施例的基于视频监测的作物叶部异常图像提取方法，能够通过自定义的相似度聚类、自定义的二值化方法和改进的去除图片复杂背景的方法，高效、准确地从采集到的视频监测图像中提取出作物生长图像中的异常图像。

Claims (4)

1.一种基于视频监测的作物叶部异常图像提取方法，其特征是按如下步骤进行：

步骤1：采集视频监测的作物生长视频记为crop，对所述作物生长视频crop进行分帧处理，得到作物生长图像集，记为A＝{A₁,…,A_i,…,A_n}；A_i表示所述作物生长图像集A中第i帧作物生长图像，n为所述作物生长图像集的总帧数；1≤i≤n；

步骤2：通过自定义的相似度聚类的方法，从所述作物生长图像集A中提取作物生长关键帧图像集，记为C＝{C₁,…,C_j,…,C_m}；C_j表示所述作物生长关键帧图像集C中第j帧关键帧图像，m为所述作物生长关键帧图像集的总帧数；1≤j≤m≤n；

步骤3：通过自定义的图像二值化的方法，从所述作物生长关键帧图像集C中提取显著性区域的二值图像序列S＝{S₁,…,S_j,…,S_m}；S_j表示所述二值图像序列S中第j帧关键帧图像B_j的二值图像；

步骤4：通过改进的去除图片复杂背景的方法，从所述作物生长关键帧图像集C中提取去除复杂背景的包含叶部异常区域的RGB图像集，记为Y＝{Y₁(R₁,G₁,B₁),…,Y_j(R_j,G_j,B_j),…,Y_m(R_m,G_m,B_m)}；Y_j(R_j,G_j,B_j)表示RGB图像集Y中第j帧RGB图像；R_j表示第j帧RGB图像的红色分量；G_j表示第j帧RGB图像的绿色分量；B_j表示第j帧RGB图像蓝色分量；以所述RGB图像集中的RGB图像作为包含叶部异常区域的异常图像。

2.根据权利要求1所述的基于视频监测的作物叶部异常图像提取方法，其特征在于，所述步骤2中的自定义的相似度聚类的方法是按如下步骤进行：

步骤2.1：通过直方图相似度的方法从所述作物生长图像集A中筛选出初步关键帧图像集，记为C′＝{C′₁,…,C′_w,…,C′_W}；C′_w表示第w帧初步关键帧图像；W为所述初步关键帧图像集的总帧数；1≤w≤W≤m；

步骤2.1.1：将所述作物生长图像集A转化为灰度图像后计算颜色直方图，得到颜色直方图集记为H＝{H₁,…,H_i,…,H_n}；H_i表示第i帧颜色直方图；并记第i帧颜色直方图H_i中任意一个像素点为H_i(x)；0≤x≤a×b；a表示第i帧作物生长图像A_i的宽度，b表示第i帧作物生长图像A_i的高度；a×b第i帧作物生长图像A_i的像素值；

步骤2.1.2：通过式(1)计算所述作物生长图像集A中第i帧颜色直方图和第i+1帧颜色直方图的相似度sim_i，从而获得所有相邻帧颜色直方图的相似度sim＝{sim₁,…,sim_i,…sim_n-1}；

${\mathrm{sim}}_i=\frac{1}{a\×b}\underset{x=0}{\overset{a\×b}{\Σ}}(1-\frac{|H_i\left(x\right)-H_{i+1}\left(x\right)|}{Max\left(H_i\right(x),H_{i+1}(x\left)\right)})---\left(1\right)$

步骤2.1.3：利用式(2)计算作物图像集A中相邻帧颜色直方图的相似度阈值T：

$T=\frac{1}{n-1}\left(\underset{i=1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{sim}}_i\right)---\left(2\right)$

步骤2.1.4：判断sim_i＞T是否成立，若成立，则选取第i+1帧作物生长图像A_i+1作为初步关键帧图像集C′中的元素，并舍弃第i帧作物生长图像A_i；若不成立，则将所述第i帧作物生长图像A_i和第i+1帧作物生长图像A_i+1均作为初步关键帧图像集C′中的元素；

步骤2.1.5：重复步骤2.1.4，从而获得初步关键帧图像集C′；

步骤2.2：通过自定义的互相关系数聚类的方法，从所述初步关键帧图像集C′提取作物生长关键帧图像集C；

步骤2.2.1：计算第w帧初步关键帧图像C′_w和第w+1帧初步关键帧图像C′_w+1的互相关系数r_w；从而获得所述初步关键帧图像集C′的互相关系数集r＝{r₁,…,r_w,…,r_W-1}；

步骤2.2.2：使用meanShift数据聚类算法对互相关系数集r进行聚类，得到Q个聚类数据簇，记为r′＝{r′₁,…,r′_q,…,r′_Q}；r′_q为所述聚类数据簇的第q个簇，1≤q≤Q≤W；并将所述第q个簇r′_q的质心记为λ_q；

步骤2.2.3：从所述Q个聚类数据簇的质心中选取最大质心所对应的簇，记为r′_max；从而获得所述最大质心所对应的簇r′_max中所有互相关系数所对应的初步关键帧图像的序号集β；

步骤2.2.4：将其余簇中的初步关键帧图像直接存入作物生长关键帧图像集中；再判断所述序号集β中的元素是否为相邻序号，如是相邻序号，则保留较大的序号，删除较小的序号，否则，均保留；从而获得m个序号；由所述m个序号得到相应的m帧关键帧图像，进而构成作物生长关键帧图像集C。

3.根据权利要求1所述的基于视频监测的作物叶部异常图像提取方法，其特征是，所述步骤3中的自定义的图像二值化的方法是按如下步骤进行：

步骤3.1：使用形态学方法对所述作物生长关键帧图像集C进行处理，得到形态学二值图像集，记为S′＝{S′₁,…,S′_j,…,S′_m}，S_j′表示第j帧形态学二值图像；

步骤3.1.1：将所述作物生长关键帧图像集C转化为灰度图像集后，再通过二值化方法获取二值化图像集；

步骤3.1.2：选取开运算的圆盘半径P1，从而生成半径为P1的圆盘形结构，并对所述二值化图像集进行形态学开运算，得到形态学开运算图像集；

步骤3.1.3：通过形态学填充方法填充所述形态学开运算图像集的非连通区域后，再使用形态学移除小对象的方法移除面积小于面积阈值P2的区域，从而得到形态学二值图像集S′；

步骤3.2：采用K均值聚类方法对所述作物生长关键帧图像集C进行处理，获得K均值二值图像集S″＝{S″₁,…,S″_j,…,S″_m}；S_j″表示第j帧K均值二值图像；

步骤3.2.1：采用K-means图像聚类方法对所述作物关键帧图像集C进行聚类处理后，再进行图像反运算处理，得到聚类二值化图像集；

步骤3.2.2：选取开运算的圆盘半径P3，并生成半径为P3的圆盘形结构，从而对所述聚类二值化图像集进行形态学开运算，得到聚类开运算图像集；

步骤3.2.3：使用形态学移除小对象的方法移除所述聚类开运算图像集中面积小于面积阈值P4的区域，从而得到K均值二值图像集S″；

步骤3.3：将所述形态学二值图像集S′和K均值二值图像集S″中相对应帧序号的图像进行逻辑“或”运算，从而得到显著性区域的二值图像序列S。

4.根据权利要求1所述的基于视频监测的作物叶部异常图像提取方法，其特征是，所述步骤4中的改进的去除图片复杂背景的方法是按如下步骤进行：

步骤4.1：将所述二值图像序列S转化为三维图像矩阵集，记为Y′＝{Y′₁(R′₁,G′₁,B′₁),…,Y′_j(R′_j,G′_j,B′_j),…,Y′_m(R′_m,G′_m,B′_m)}；Y′_j(R′_j,G′_j,B′_j)表示所述三维图像矩阵集Y′中第j帧RGB图像；R′_j表示所述三维图像矩阵集Y′中第j帧RGB图像的红色分量；G′_j表示所述三维图像矩阵集Y′中第j帧RGB图像的绿色分量；B′_j表示所述三维图像矩阵集Y′中第j帧RGB图像蓝色分量；

步骤4.2：将所述三维图像矩阵集Y′中第j帧RGB图像Y′_j(R′_j,G′_j,B′_j)与所述第j帧关键帧图像C_j进行逻辑“与”运算，从而得到去除复杂背景的第j帧RGB图像Y_j(R_j,G_j,B_j)，进而得到去除复杂背景的包含叶部异常区域RGB图像集Y。