CN106791320A - 一种养殖鱼类图像增强装置及方法 - Google Patents
一种养殖鱼类图像增强装置及方法 Download PDFInfo
- Publication number
- CN106791320A CN106791320A CN201611260488.7A CN201611260488A CN106791320A CN 106791320 A CN106791320 A CN 106791320A CN 201611260488 A CN201611260488 A CN 201611260488A CN 106791320 A CN106791320 A CN 106791320A
- Authority
- CN
- China
- Prior art keywords
- image
- gray value
- cultured fishes
- control process
- original image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 47
- 230000009466 transformation Effects 0.000 claims abstract description 24
- 238000005286 illumination Methods 0.000 claims abstract description 22
- 230000002708 enhancing effect Effects 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 239000002245 particle Substances 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- JEGUKCSWCFPDGT-UHFFFAOYSA-N h2o hydrate Chemical compound O.O JEGUKCSWCFPDGT-UHFFFAOYSA-N 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/50—Constructional details
- H04N23/55—Optical parts specially adapted for electronic image sensors; Mounting thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/56—Cameras or camera modules comprising electronic image sensors; Control thereof provided with illuminating means
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/70—Circuitry for compensating brightness variation in the scene
- H04N23/74—Circuitry for compensating brightness variation in the scene by influencing the scene brightness using illuminating means
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及渔业信息化技术领域,公开了一种养殖鱼类图像增强装置及方法,所述方法为,控制处理器接收来自近红外相机拍摄的原始图像,并计算原始图像的灰度值;根据原始图像的灰度值对原始图像进行初步增强,消除光照不均匀和变化的影响,得到反射图像的灰度值;对反射图像的灰度值进行非线性变换得到最终的增强图像。本发明提供的养殖鱼类图像增强方法,提高了图像的对比度,可以为后续的图像处理提供准确的、连续一致的分割的基础。
Description
技术领域
本发明涉及渔业信息化技术领域,尤其涉及一种养殖鱼类图像增强装置及方法。
背景技术
近年来,计算机视觉技术在循环水养殖中一直是研究的热点领域,由于循环水养殖现场光线一般都比较暗,而基于近红外视觉获取到的近红外图像不受可见光强度的影响,其成像效果相比普通机器视觉效果要好,非常适合用于循环水养殖过程中。但是,总之还是在一个光照条件相对不足的条件下,其采集的近红外图像总体偏暗,加之部分鱼有随环境改变体色的情况,难免会造成图像整体偏暗,对比度低的情况,给目标识别带来了很大的困难,因此需要经过增强处理改善图像质量。
常用的图像增强方法主要有直方图均衡算法、小波变换法、Retinex算法、线性增强法等。但以上增强方法在处理采集到的近红外图像时,或多或少存在计算量大,不宜于实时处理的问题,算法的智能型和自适应性差或者容易丢失图像的细节信息。
发明内容
(一)要解决的技术问题
本发明提供一种养殖鱼类图像增强装置及方法,针对光线较暗的循环水养殖现场的鱼类图像的采集现状而进行的设计,解决了近红外视觉图像采集过程中存在的偏暗、对比度低的问题,且不影响鱼类正常生长。
(二)技术方案
为解决上述问题,本发明提供了一种养殖鱼类图像增强装置,包括近红外相机、近红外光源、光照度变送器以及控制处理器,其中,近红外相机、近红外光源和光照度变送器设置在养殖鱼的水槽上方,所述控制处理器与所述近红外相机、近红外光源和光照度变送器分别连接;
所述近红外相机能够在所述控制处理器的控制下采集鱼群的近红外图像,所述近红外光源用于为所述近红外相机补光,所述光照度变送器能够感应环境的光线强度并将光线强度信息传送给所述控制处理器,所述控制处理器根据光线强度信息控制所述近红外光源开关以及光照强度,且所述控制处理器能接收近红外相机采集的图像并对图像进行对比度增强处理。
进一步地,所述光照度变送器包括依次光照度传感器、微控制器以及通信接口,所述微控制器与所述光照度传感器和通信接口分别相连,所述微控制器能够控制光照度传感器采集数据,并通过通信接口将光照度传感器采集的数据传递给控制处理器。
为了解决上述技术问题,本发明还提供了一种养殖鱼类图像增强方法,包括如下步骤:
步骤1:控制处理器接收来自近红外相机拍摄的原始图像,并计算原始图像的灰度值;
步骤2:根据原始图像的灰度值对原始图像进行初步增强,消除光照不均匀和变化的影响,得到反射图像的灰度值;
步骤3:对反射图像的灰度值进行非线性变换得到最终的增强图像。
进一步地,所述步骤3的具体过程为:
步骤3-1:对反射图像的每个灰度值进行归一化变换;
步骤3-2:根据归一化变换后的灰度值选取灰度拉伸的非线性变换函数;
步骤3-3:利用粒子群算法自动选取最优的所述非线性变换函数的关键参数;
步骤3-4:对归一化变换后的图像利用非线性变换函数进行灰度变换;
步骤3-5:将非线性变换后的图像反归一化处理,得到对比度增强后的图像。
进一步地,所述计算原始图像的灰度值的具体步骤为:获取原始图像的大小,计算其像素点数和其长宽,然后分别读取其每个像素点的灰度值,存入灰度值矩阵,完成原始图像的各个像素点的灰度值I(x,y)计算。
进一步地,所述根据原始图像的灰度值对原始图像进行初步增强,消除光照不均匀和变化的影响,得到反射图像的灰度值的公式为:
其中,原始图像在(x,y)点的灰度值为I(x,y),反射图像在(x,y)的灰度值为f(x,y),F(x,y,ck)为中心环绕函数,Q为高斯中心环绕函数的个数,ck为尺度,wK为每个尺度的权重,为卷积。
进一步地,所述对反射图像的每个灰度值进行归一化变换的公式为:
f′(x,y)=(f(x,y)-Lmin)/(Lmax-Lmin)
其中,f'(x,y)为(x,y)点的归一化变换后的灰度值,Lmax和Lmin分别为反射图像所有像素点的灰度值的最大灰度值和最小灰度值。
进一步地,所述非线性变换函数为:
其中,B(α,β)表示为:
其中,F(μ)为非线性变换后的灰度值,u为归一化后的灰度值且0<μ<1,0<α,β<10。
进一步地,所述关键参数为(α,β),所述利用粒子群算法自动选取最优的非线性变换函数的关键参数的公式为:
其中,M和N为图像的宽和高,i为(x,y)点的某粒子,f”(x,y)为经过非线性变换函数F处理后得到的图像在(x,y)点的灰度值。
进一步地,所述将非线性变换后的图像反归一化处理,得到对比度增强后的图像的公式为
f″′(x,y)=(Lmax′-Lmin′)f″(x,y)+Lmin′
其中,f”(x,y)为经过非线性变换函数F处理后得到的图像在(x,y)点的灰度值,f″′(x,y)为反归一处理后(x,y)点的灰度值,Lmax′和Lmin′分别为影像灰度值范围中的最大和最小灰度值。
(三)有益效果
本发明的上述技术方案具有如下优点:本发明养殖鱼类图像增强方法,通过控制处理器对近红外图像进行对比度增强处理,首先初步增强,消除光照不均匀和变化的影响。但是初步增强后的图像会变灰,此后又对初步增强后的图像进行灰度的非线性变换,显示淹没的细节,得到对比度高的图像。本发明可以在光线较暗的水产养殖现场使用,不改变鱼类的生长环境,不会对其生长造成影响。可以对采集的循环水养殖现场的图像进行对比度增强,为后续图像处理和目标识别提取提供基础。
本发明养殖鱼类图像增强装置通过设置近红外相机以及近红外光源获取鱼群的近红外图像,然后由控制处理器对近红外图像进行对比度增强处理,提高了图像的对比度。
除了上面所描述的本发明解决的技术问题、构成的技术方案的技术特征以及有这些技术方案的技术特征所带来的优点之外,本发明的其他技术特征及这些技术特征带来的优点,将结合附图作出进一步说明。
附图说明
图1是本发明实施例1养殖鱼类图像增强方法的流程图;
图2是本发明实施例1养殖鱼类图像增强方法的对反射图像的灰度值进行非线性变换得到最终的增强图像的流程图;
图3是本发明实施例2养殖鱼类图像增强装置的示意图;
图4是本发明实施例2养殖鱼类图像增强装置的光照度变送器示意图。
图中:1:近红外相机;2:近红外光源;3:光照度变送器,31:光照度传感器,32:微控制器;33:通信接口;4:控制处理器;5:水槽;6:水处理设备。
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、完整地描述,显然,所描述的实施例是本发明的一部分实施例,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的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。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,在本发明的描述中,除非另有说明,“多个”、“多根”、“多组”的含义是两个或两个以上,“若干个”、“若干根”、“若干组”的含义是一个或一个以上。
如图1所示,本发明实施例提供的养殖鱼类图像增强方法,包括如下步骤:
S1:控制处理器接收来自近红外相机拍摄的原始图像,并计算原始图像的灰度值。
S2:根据原始图像的灰度值对原始图像进行初步增强,消除光照不均匀和变化的影响,得到反射图像的灰度值。
S3:对反射图像的灰度值进行非线性变换得到最终的增强图像。
下面结合附图对本发明提供的计算方法的各步骤进行详细说明。
S1,控制处理器接收来自近红外相机拍摄的原始图像,并计算原始图像的灰度值:控制处理器根据程序获取原始图像的大小,计算其像素点数和其长宽,然后分别读取其每个像素点的灰度值,存入灰度值矩阵,完成原始图像的各个像素点的灰度值I(x,y)计算。
S2,根据原始图像的灰度值对原始图像进行初步增强,消除光照不均匀和变化的影响,得到反射图像的灰度值:本实施例采用的对原始图像进行初步增强的公式为:
其中,原始图像在(x,y)点的灰度值为I(x,y),反射图像在(x,y)的灰度值为f(x,y),F(x,y,ck)为中心环绕函数,Q为高斯中心环绕函数的个数,ck为尺度,wK为每个尺度的权重,为卷积。
具体的本实施例中Q的值取为3,并且w1=w2=w3=1/3,且c1、c2、c3分别取15,80,120。经过上述公式变换,得到初步增强后的图像也即反射图像的像素值f(x,y),经过上述增强后,可以消除光照不均匀和变换对图像对比度的影响。
经过步骤S2的初步增强后,虽然消除了原始图像本身的光照不均匀和变化的影响,但是初步增强后的图像也即反射图像会变灰,因此还需要对图像的灰度进行拉伸变换。
所述S3,对反射图像的灰度值进行非线性变换得到最终的增强图像的具体过程包括以下几步:
S31:对反射图像的每个灰度值进行归一化变换:本实施例采用的归一化变换的公式为:
f′(x,y)=(f(x,y)-Lmin)/(Lmax-Lmin)
其中,f'(x,y)为(x,y)点的归一化变换后的灰度值,Lmax和Lmin分别为反射图像的最大灰度值和最小灰度值。
S32:选取灰度拉伸的非线性变换函数:所述非线性变换函数为:
其中,B(α,β)表示为:
其中,F(μ)用来表示非线性变换后的灰度值,u在实际应用中代表的是归一化后的灰度值,t表示积分变量,具体测算时u=f'(x,y),且0<μ<1,0<α,β<10。
S33:利用粒子群算法自动选取最优的所述非线性变换函数的关键参数。
由于本实施例在步骤S32中选用的是B(α,β)函数,所以所述关键参数为α、β,非线性变换函数的关键参数α和β决定了图像灰度变换的类型,主要类型有对亮拉伸、暗区域拉伸,中间区域拉伸两端压缩和中间区域压缩拉伸两端拉伸。由于每帧图片中灰度分布不一样,因此需要针对每帧的灰度分布情况自动选取能达到最好对比度效果的α和β值。本发明实施例中,使用粒子群算法自动选取最优的参数值。其中,将原始图像初步增强的反射图像的对比度的函数设计为粒子群算法的适用度函数,其值越大,图像的对比效果越好,其可以表示为:
其中,M和N为图像的宽和高,i为(x,y)点的某粒子,f”(x,y)为经过非线性变换函数F处理后得到的图像在(x,y)点的灰度值。在一个具体实施例的控制处理器对粒子群算法软件的参数设置时,粒子群算法的各项参数设置为:取粒子群数量为10,最大速度vmax=5,最大迭代次数Tmax=100,两个加速常数相同均为2,最大和最小惯性权分别为0.9和0.4。
S34:对归一化变换后的图像利用非线性变换函数进行灰度变换:具体公式即步骤4-2中选择的非线性变换函数为:
f″(x,y)=F(f′(x,y))
其中,f”(x,y)为经过非线性变换函数F处理后得到的图像在(x,y)点的灰度值。
S35:将非线性变换后的图像反归一化处理,得到对比度增强后的图像:具体公式为
f″′(x,y)=(Lmax′-Lmin′)f″(x,y)+Lmin′
其中,f”(x,y)为经过非线性变换函数F处理后得到的图像在(x,y)点的灰度值,f″′(x,y)为反归一处理后(x,y)点的灰度值,Lmax′和Lmin′分别为影像灰度值范围中的最大和最小灰度值。其中,影像灰度值与结果影像的位数有关,对于8位结果影像,Lmax′=255,Lmin′=0。
本实施例通过控制处理器控制获取近红外图像,并对其进行初步增强,初步增强后消除了光照不均匀和变化的影响,但总体变灰,所以又对其进行再次的灰度非线性变换,结合对比度测量函数作为评价图像质量的适用度函数,利用粒子群算法自动选取了灰度非线性变换函数的最优参数,显示淹没的细节,提高了图像的对比度,得到了细节清晰、信息丰富的近红外图像。
下面给出本实施例养殖鱼类图像增强方法在循环水养殖车间实验室进行实际使用的一个具体案例效果。
采集到的原始图片整体偏暗,对比度低,按照本发明实施例的方法和设定的参数,粒子群算法在第92次迭代后达到最优值,此时对应非线性转换函数的参数α=5.0919,β=9.9716,将上述参数代入风险性变换函数中,经过增强处理后,分别利用对比度函数计算其对比度值,增强后,对比度值由原始图片的2087上升到10867。图片整体对比度提高,淹没的细节也显示出来,并且蕴含的信息丰富,取得了较好效果。
实施例2
如图3所示,本发明实施例提供的养殖鱼类图像增强装置,包括近红外光源2、近红外相机1、光照度变送器3、控制处理器4、水槽5和水处理设备6。其中近红外光源2、近红外相机1和光照度变送器3设置在水槽5的正上方,并且均与控制处理器4连接。且所述近红外相机1、所述近红外光源2两者的光轴光线垂直于所述水槽5。
所述近红外相机1,用于在所述控制处理器4的控制下采集鱼群的近红外图像;所述近红外光源2,用于在所述控制处理器4的控制下按需或者按设定为所述近红外相机1补光;所述光照度变送器3,用于在控制处理器4的控制下采集当前环境的光照强度数据并将所述光照强度数据传送给所述控制处理器4;所述控制处理器4能够根据光照强度信息控制所述近红外光源2的开关以及近红外光源2的光照强度,所述控制处理器4还能接收近红外相机1采集的图像并对图像进行对比度增强处理;所述水槽5,用于存放养殖的鱼类;所述水处理设备6,用于养殖用水的物理过滤和生化反应。
需要说明的是,本实施例养殖鱼类图像增强装置中,近红外相机1所采集的近红外图像与该近红外相机1物理像素上接收的光线的反射强度线性分布;实际应用中,相对于水槽中的水对光线的吸收情况,由空气和水中小颗粒引起的光线散射可以忽略。可选地,本实施例养殖鱼类图像增强装置中近红外相机采用德国AVT生产的,型号为Manta G-223B NIR近红外相机,镜头型号为KOWA LM8HC,8mm定焦,视场角为79.7×63.0°。
本实施例养殖鱼类图像增强装置在近红外相机1需要采集鱼类图像时所述控制处理器可以根据光线强度信息智能控制近红外光源打开,并能根据环境光线的强度合理配给所述光照强度,实现了对鱼类图像采集过程中光线强度的智能控制,节约了电能以及人工操作的成本,同时本实施例通过控制处理器对近红外相机采集中的图像进行增强处理,提高了图像的对比度。
本实施例养殖鱼类图像增强装置,近红外光源2优选为环形点状光源,且设置其焦点与近红外相机1的镜头的焦点大致重合(大致重合指的是近红外光源2的焦点和近红外相机1的镜头的焦点重合或者在重合范围内偏差1cm左右),发出光线的中心波长为850nm,功率为24W,其开启方式为按需要由控制处理器控制自动开启或者也可以内置定时设备,定时开启;其次,也可以通过设置人工开关,手动开启。
另外,该近红外相机1与近红外光源2的光轴光线互相平行并且垂直于水槽5。
近红外相机1的镜头的焦点与近红外光源2的焦点大致重合,这样可以在近红外光源2可以对近红外相机1拍照点附近的补光均匀,同时也是对近红外光源2光照强度的合理布置,可以以最小的近红外光源2的强度满足近红外相机1的补光需求。
近红外相机1与近红外光源2的光轴光线互相平行并且垂直于水槽5,这样近红外相机1能够以最优角度捕捉鱼群图像,近红外光源2也可以最大范围内的将水槽内环境照亮。
如图4所示,所述光照度变送器3包括依次光照度传感器31、微控制器32以及通信接口33,所述微控制器32与所述光照度传感器31和通信接口33分别相连,所述微控制器32能够控制光照度传感器31采集数据,并通过通信接口33将光照度传感器采集的数据传递给控制处理器。
具体的,光照度变送器3的光照度传感器31与所述微控制器32通过I2C总线相连,通信接口33和所述微控制器32通过UART接口相连。可选地,在本实施例中,光照度传感器31选用的型号为ISL29020,微控制器32的型号为LPC832M101FDH20,通信接口33选择电平转换芯片为MAX232。需要说明的是,本发明实施例中,控制处理器4与所述近红外相机1通过GigE接口相连,与所述近红外光源2通过IO接口相连,与所述光照度变送器3通过UART接口相连。图4中,标号34表示的是电源。
实际应用中,本发明实施例中控制处理器4可采用现有技术中的处理方法增强图像的对比度。该控制处理器4可以是PC机、工控机或其他有处理能力的嵌入式设备。当然,控制处理器4也可以采用其他处理器,选择不同的图像处理方法实现图像对比度增强,得到基本相同的技术效果,同样落入本发明的保护范围。
作为一种实现方式,本实施例养殖鱼类图像增强装置还包括固定支架,所述固定支架包括设置在水槽外侧底面上的竖直杆,以及水平连接在所述竖直杆上的水平杆,所述水平杆设置在所述水槽的上方,所述近红外相机、近红外光源以及光照度变送器均设置在所述水平杆面向所述水槽的侧面上。
作为一种优选方式,所述固定支架的竖直杆和水平杆均为中空的管状结构,所述近红外相机、近红外光源以及光照度变送器与控制处理器连接的电线设置在管状结构内。
可以理解的是,固定支架内部中空的管状结构,这样近红外相机、近红外光源以及光照度变送器与控制处理器连接的电线可设置在管状结构内,避免了由于鱼类养殖环境潮湿电线没有保护装置而引起危险。
作为一种实现方式,所述竖直杆包括相互套设的套管和套杆,所述套管上设置有手动螺母,所述套杆能够在所述套管内伸缩且由所述手动螺母固定。
可以理解的是,竖直杆包括相互套设的套管和套杆,可以通过套杆在套杆内伸缩,调节竖直杆的高度,相应的也即调节了连接在水平杆上的近红外相机、近红外光源以及光照度变送器的高度,从而可以根据需要进行近红外相机、近红外光源以及光照度变送器高度的合理调节,使之处于最优的高度位置。
同时,本实施例固定支架的水平杆通过环套套设在所述竖直杆上,所述环套预留有缺口,所述缺口上设置有连接所述缺口两侧的环套的调节组件。
可以理解的是,环套配合调节组件可以调节环套的大小,也即实现了环套与竖直杆的固定连接和活动连接。将环套通过调节组件调至松动状态,就可以通过转动环套实现水平杆位置的旋转,从而避免水平杆在不使用时影响水槽附近的正常作业;进一步,环套也可以在松动状态下从竖直杆上取下,也即可以通过环套将水平杆和竖直杆分离,从而方便了固定支架的收纳。
综上所述,本实施例养殖鱼类图像增强装置,根据光照度变送器采集到的光照强度数据,通过近红外相机以及近红外光源获取鱼群的近红外图像,然后由控制处理器对近红外图像进行对比度增强处理,提高了图像的对比度,可以为后续的图像处理提供准确的、连续一致的分割的基础。
最后应说明的是:以上实施例仅用以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;而这些修改或者替换,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 (10)
1.一种养殖鱼类图像增强装置,其特征在于:包括近红外相机、近红外光源、光照度变送器以及控制处理器,其中,近红外相机、近红外光源和光照度变送器设置在养殖鱼的水槽上方,所述控制处理器与所述近红外相机、近红外光源和光照度变送器分别连接;
所述近红外相机能够在所述控制处理器的控制下采集鱼群的近红外图像,所述近红外光源用于为所述近红外相机补光,所述光照度变送器能够感应环境的光线强度并将光线强度信息传送给所述控制处理器,所述控制处理器根据光线强度信息控制所述近红外光源开关以及光照强度,且所述控制处理器能接收近红外相机采集的图像并对图像进行对比度增强处理。
2.根据权利要求1所述的养殖鱼类图像增强装置,其特征在于:所述光照度变送器包括依次光照度传感器、微控制器以及通信接口,所述微控制器与所述光照度传感器和通信接口分别相连,所述微控制器能够控制光照度传感器采集数据,并通过通信接口将光照度传感器采集的数据传递给控制处理器。
3.一种养殖鱼类图像增强方法,其特征在于:包括如下步骤:
步骤1:控制处理器接收来自近红外相机拍摄的原始图像,并计算原始图像的灰度值;
步骤2:根据原始图像的灰度值对原始图像进行初步增强,消除光照不均匀和变化的影响,得到反射图像的灰度值;
步骤3:对反射图像的灰度值进行非线性变换得到最终的增强图像。
4.根据权利要求3所述的养殖鱼类图像增强方法,其特征在于:所述步骤3的具体过程为:
步骤3-1:对反射图像的每个灰度值进行归一化变换;
步骤3-2:根据归一化变换后的灰度值选取灰度拉伸的非线性变换函数;
步骤3-3:利用粒子群算法自动选取最优的所述非线性变换函数的关键参数;
步骤3-4:对归一化变换后的图像利用非线性变换函数进行灰度变换;
步骤3-5:将非线性变换后的图像反归一化处理,得到对比度增强后的图像。
5.根据权利要求3所述的养殖鱼类图像增强方法,其特征在于:所述计算原始图像的灰度值的具体步骤为:获取原始图像的大小,计算其像素点数和其长宽,然后分别读取其每个像素点的灰度值,存入灰度值矩阵,完成原始图像的各个像素点的灰度值I(x,y)计算。
6.根据权利要求3所述的养殖鱼类图像增强方法,其特征在于:所述根据原始图像的灰度值对原始图像进行初步增强,消除光照不均匀和变化的影响,得到反射图像的灰度值的公式为:
其中,原始图像在(x,y)点的灰度值为I(x,y),反射图像在(x,y)的灰度值为f(x,y),F(x,y,ck)为中心环绕函数,Q为高斯中心环绕函数的个数,ck为尺度,wK为每个尺度的权重,为卷积。
7.根据权利要求4所述的养殖鱼类图像增强方法,其特征在于:所述对反射图像的每个灰度值进行归一化变换的公式为:
f′(x,y)=(f(x,y)-Lmin)/(Lmax-Lmin)
其中,f'(x,y)为(x,y)点的归一化变换后的灰度值,Lmax和Lmin分别为反射图像所有像素点的灰度值的最大灰度值和最小灰度值。
8.根据权利要求7所述的养殖鱼类图像增强方法,其特征在于:所述非线性变换函数为:
其中,B(α,β)表示为:
其中,F(μ)为非线性变换后的灰度值,u为归一化后的灰度值且0<μ<1,0<α,β<10,t为积分变量。
9.根据权利要求7所述的养殖鱼类图像增强方法,其特征在于:所述关键参数为(α,β),所述利用粒子群算法自动选取最优的非线性变换函数的关键参数的公式为:
其中,M和N为图像的宽和高,i为(x,y)点的某粒子,f″(x,y)为经过非线性变换函数F处理后得到的图像在(x,y)点的灰度值。
10.根据权利要求9所述的养殖鱼类图像增强方法,其特征在于:所述将非线性变换后的图像反归一化处理,得到对比度增强后的图像的公式为
f″′(x,y)=(Lmax′-Lmin′)f″(x,y)+Lmin′
其中,f″(x,y)为经过非线性变换函数F处理后得到的图像在(x,y)点的灰度值,f″′(x,y)为反归一处理后(x,y)点的灰度值,Lmax′和Lmin′分别为影像灰度值范围中的最大和最小灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611260488.7A CN106791320A (zh) | 2016-12-30 | 2016-12-30 | 一种养殖鱼类图像增强装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611260488.7A CN106791320A (zh) | 2016-12-30 | 2016-12-30 | 一种养殖鱼类图像增强装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106791320A true CN106791320A (zh) | 2017-05-31 |
Family
ID=58953916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611260488.7A Pending CN106791320A (zh) | 2016-12-30 | 2016-12-30 | 一种养殖鱼类图像增强装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106791320A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107369175A (zh) * | 2017-06-16 | 2017-11-21 | 深圳先进技术研究院 | 一种用于水产养殖的蚝排面积测算方法及系统 |
CN107507215A (zh) * | 2017-08-07 | 2017-12-22 | 广东电网有限责任公司珠海供电局 | 一种基于自适应量化增强的电力设备红外热图分割方法 |
CN108782312A (zh) * | 2018-03-22 | 2018-11-13 | 杨明 | 基于图像处理的污水处理系统 |
CN109358063A (zh) * | 2018-04-22 | 2019-02-19 | 杨娟 | 跨栏完整度的检测方法 |
CN109905586A (zh) * | 2019-04-07 | 2019-06-18 | 华北理工大学 | 水面拍摄补光方法 |
CN111795927A (zh) * | 2020-06-05 | 2020-10-20 | 厦门大学 | 一种基于图像自动计数的便携式赤潮藻类密度监测装置 |
CN114972060A (zh) * | 2022-03-16 | 2022-08-30 | 武汉大学 | 基于自适应粒子群算法的灰度图像增强方法及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000186999A (ja) * | 1998-10-15 | 2000-07-04 | Sysmex Corp | 光学情報計測装置 |
CN102118554A (zh) * | 2010-01-04 | 2011-07-06 | 鸿富锦精密工业(深圳)有限公司 | 监控系统 |
CN204188821U (zh) * | 2014-11-13 | 2015-03-04 | 青岛市光电工程技术研究院 | 一种工厂化养鱼水面鱼群摄食探测装置 |
TW201511668A (zh) * | 2012-12-11 | 2015-04-01 | Univ Nat Kaohsiung Applied Sci | 水生物檢測裝置 |
CN104765073A (zh) * | 2015-03-24 | 2015-07-08 | 江苏省交通规划设计院股份有限公司 | 一种激光水面漂浮物体识别方法 |
-
2016
- 2016-12-30 CN CN201611260488.7A patent/CN106791320A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000186999A (ja) * | 1998-10-15 | 2000-07-04 | Sysmex Corp | 光学情報計測装置 |
CN102118554A (zh) * | 2010-01-04 | 2011-07-06 | 鸿富锦精密工业(深圳)有限公司 | 监控系统 |
TW201511668A (zh) * | 2012-12-11 | 2015-04-01 | Univ Nat Kaohsiung Applied Sci | 水生物檢測裝置 |
CN204188821U (zh) * | 2014-11-13 | 2015-03-04 | 青岛市光电工程技术研究院 | 一种工厂化养鱼水面鱼群摄食探测装置 |
CN104765073A (zh) * | 2015-03-24 | 2015-07-08 | 江苏省交通规划设计院股份有限公司 | 一种激光水面漂浮物体识别方法 |
Non-Patent Citations (3)
Title |
---|
杜秋菊: "基于鱼群跟踪和行为分析的在线生物水质预警技术研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
温海滨等: "消除光晕和细节增强的多尺度Retinex红外图像增强", 《红外技术》 * |
马苗等: "基于人工蜂群算法的图像对比度自适应增强", 《2011 AASRI CONFERENCE ON ARTIFICIAL INTELLIGENCE AND INDUSTRY APPLICATION》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107369175A (zh) * | 2017-06-16 | 2017-11-21 | 深圳先进技术研究院 | 一种用于水产养殖的蚝排面积测算方法及系统 |
CN107507215A (zh) * | 2017-08-07 | 2017-12-22 | 广东电网有限责任公司珠海供电局 | 一种基于自适应量化增强的电力设备红外热图分割方法 |
CN107507215B (zh) * | 2017-08-07 | 2020-07-14 | 广东电网有限责任公司珠海供电局 | 一种基于自适应量化增强的电力设备红外热图分割方法 |
CN108782312A (zh) * | 2018-03-22 | 2018-11-13 | 杨明 | 基于图像处理的污水处理系统 |
CN108782312B (zh) * | 2018-03-22 | 2020-10-16 | 诸暨易阳环保科技有限公司 | 基于图像处理的污水处理系统 |
CN109358063A (zh) * | 2018-04-22 | 2019-02-19 | 杨娟 | 跨栏完整度的检测方法 |
CN109358063B (zh) * | 2018-04-22 | 2019-10-01 | 河北金特力斯体育设施有限公司 | 跨栏完整度的检测方法 |
CN109905586A (zh) * | 2019-04-07 | 2019-06-18 | 华北理工大学 | 水面拍摄补光方法 |
CN111795927A (zh) * | 2020-06-05 | 2020-10-20 | 厦门大学 | 一种基于图像自动计数的便携式赤潮藻类密度监测装置 |
CN114972060A (zh) * | 2022-03-16 | 2022-08-30 | 武汉大学 | 基于自适应粒子群算法的灰度图像增强方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106791320A (zh) | 一种养殖鱼类图像增强装置及方法 | |
CN106169081B (zh) | 一种基于不同照度的图像分类及处理方法 | |
CN110148120A (zh) | 一种基于cnn与迁移学习的病害智能识别方法及系统 | |
Chen et al. | A YOLOv3-based computer vision system for identification of tea buds and the picking point | |
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 | |
CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
CN107844797A (zh) | 一种基于深度图像的哺乳母猪姿态自动识别的方法 | |
CN107094429A (zh) | 一种多轴水果采摘机器人 | |
CN107506705A (zh) | 一种瞳孔‑普尔钦斑视线跟踪与注视提取方法 | |
CN109376728A (zh) | 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 | |
CN104751199B (zh) | 一种棉花裂铃期自动检测方法 | |
CN109034184A (zh) | 一种基于深度学习的均压环检测识别方法 | |
CN109726796A (zh) | 一种基于神经网络的养殖场管理方法 | |
CN116012721B (zh) | 一种基于深度学习的水稻叶片病斑检测方法 | |
CN109271900A (zh) | 一种基于计算机视觉的垃圾识别方法 | |
CN115689960A (zh) | 一种夜间场景下照度自适应的红外与可见光图像融合方法 | |
CN111179208A (zh) | 基于显著图与卷积神经网络的红外-可见光图像融合方法 | |
CN109166127B (zh) | 一种可穿戴式植物表型感知系统 | |
CN102519971A (zh) | 食用菌杂质在线识别装置及方法 | |
CN102495067A (zh) | 一种食用菌杂质在线识别系统 | |
CN110084774A (zh) | 一种增强的梯度传递和总变差最小化融合图像的方法 | |
Liang et al. | Recognition and classification of ornamental fish image based on machine vision | |
CN109711253A (zh) | 基于卷积神经网络与循环神经网络的电表数值识别方法 | |
CN105631451A (zh) | 一种基于安卓系统的植物叶片识别方法 | |
CN108090910A (zh) | 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |
|
RJ01 | Rejection of invention patent application after publication |