CN107016680A - 一种基于显著性检测的害虫图像背景去除方法 - Google Patents
一种基于显著性检测的害虫图像背景去除方法 Download PDFInfo
- Publication number
- CN107016680A CN107016680A CN201710103546.3A CN201710103546A CN107016680A CN 107016680 A CN107016680 A CN 107016680A CN 201710103546 A CN201710103546 A CN 201710103546A CN 107016680 A CN107016680 A CN 107016680A
- Authority
- CN
- China
- Prior art keywords
- image
- notable
- similarity
- pixel
- lbp
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于显著性检测的害虫图像背景去除方法,与现有技术相比解决了害虫图像分割效果差的缺陷。本发明包括以下步骤:对原始害虫图像进行多尺度超像素预处理;显著图的获得与融合计算,在单尺度下基于多特征相似度融合显著性检测得到显著图,并融合多尺度下的显著图得到最终的显著图;对显著图进行阈值分割得到二值图;将二值图与原始害虫图像进行掩码处理得到去除背景后的害虫图像。本发明使用多特征相似度融合方法计算相似度,不仅考虑到图像的颜色信息还考虑到了图像的纹理信息,由此得到更准确的显著图,图像分割结果也更理想。
Description
技术领域
本发明涉及图像处理技术领域,具体来说是一种基于显著性检测的害虫图像背景去除方法。
背景技术
图像分割是目标识别、图像分析的关键步骤,是一种非常重要的图像处理技术。对于害虫图像的识别和分析而言,能否去掉背景图像,完整的把害虫目标从背景中分割出来,并且不破坏目标的质量,对于害虫图像的识别是至关重要的。
现阶段研究人员已经提出了多种害虫图像分割方法,这些方法在害虫图像背景比较简单的情况下,都取得了不错的效果。然而,在现实场景中害虫图像往往具有非常复杂的农田背景,导致现有的这些害虫分割方法的误判率比较高。因此,如何提高害虫分割方法的准确率已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中害虫图像分割效果差的缺陷,提供一种基于显著性检测的害虫图像背景去除方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种基于显著性检测的害虫图像背景去除方法,包括以下步骤:
对原始害虫图像进行多尺度超像素预处理;
显著图的获得与融合计算,在单尺度下基于多特征相似度融合显著性检测得到显著图,并融合多尺度下的显著图得到最终的显著图;
对显著图进行阈值分割得到二值图;
将二值图与原始害虫图像进行掩码处理得到去除背景后的害虫图像。
所述对原始害虫图像进行多尺度超像素预处理包括以下步骤:
设定n个不同的超像素尺度;
以n个不同的超像素尺度为基准,分别使用简单线性迭代聚类方法将害虫图像分割成大小不确定的区域X,其中,X={x1,x2,x3....xn}。
所述的显著图的获得与融合计算包括以下步骤:
在单尺度下,以区域X为结点构建无向图,
无向图定义为图中某一结点仅与其相邻的结点及与他们的相邻结点存在边连接,以邻接矩阵作为无向图的存储结构;
设置图像的中心点作为种子结点;
通过基于多特征相似度融合的显著度计算函数计算其他结点与种子结点的相似度;
基于图的流行排序生成显著图;
将多尺度下的显著图进行融合得到最终显著图。
所述的通过基于多特征相似度融合的显著度计算函数计算其他结点与种子结点的相似度包括以下步骤:
使用局部二值模式直方图特征计算纹理特征相似度,其具体步骤如下:
局部二值模式算子的计算公式如下所示:
其中,LBPP,R(x,y)表示局部二值模式特征,ic表示中心像素点(x,y)的灰度值、in表示在半径R处相邻点的灰度值、P表示中心像素点周围相邻像素点的个数,函数s(x)定义成下式所示
使用扩展后的LBP算子,扩展后的LBP算子定义如下:
其中,
中U(x)的结果根据LBPP,R模式计算得出,把LBPP,R模式结果首尾链接起来,在二进制序列中计算跳变数;
对图像中的每一个像素点,均利用扩展LBP模式,计算出相应的
利用若干个计算该图像中结点的LBP直方图,其如下式所示:
其中,i为由LBP算子产生的不同标记点的个数;
使用原始像素点的LBP直方图计算相邻结点间纹理特征相似度T_Hist(Hi,1,Hi,2),其公式如下:
使用颜色直方图计算相似度,颜色直方图定义如下:
其中,nk是图像中具有特征值k的像素个数,N是像素总个数,k为颜色信息;
使用颜色直方图计算相邻颜色特征相似度C_Hist(Hi,1,Hi,2),其公式如下:
结合颜色特征和纹理特征计算结点相似度,相似度函数Sim(S,M)定义如下:
Sim(S,M)=(1-λ)*T_Hist(Hi,S,Hi,M)+λ*C_Hist(Hi,S,Hi,M)
其中,λ(0≤λ≥1)是调整颜色和纹理之间的参数。
有益效果
本发明的一种基于显著性检测的害虫图像背景去除方法,与现有技术相比使用多特征相似度融合方法计算相似度,不仅考虑到图像的颜色信息还考虑到了图像的纹理信息,由此得到更准确的显著图,图像分割结果也更理想。本发明改善了害虫图像分割的效果,减少了误判率。
附图说明
图1为本发明的方法顺序图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1所示,本发明所述的一种基于显著性检测的害虫图像背景去除方法,包括以下步骤:
第一步,对原始害虫图像进行多尺度超像素预处理。
首先选择不同的超像素尺度(每个超像素所包含的像素的个数),然后在不同的超像素尺度下,分别利用简单线性迭代聚类(Simple Linear Interative Culstering,SLIC),将害虫图像分割成大小不确定的区域即超像素(区域X)。其具体步骤如下:
(1)设定n个不同的超像素尺度。
(2)以n个不同的超像素尺度为基准,分别使用简单线性迭代聚类方法将害虫图像分割成大小不确定的区域X,其中,X={x1,x2,x3....xn}。在此,xi之间的像素均不相同。
第二步,显著图的获得与融合计算。在单尺度下基于多特征相似度融合显著性检测得到显著图,并融合多尺度下的显著图得到最终的显著图。其包括以下步骤:
(1)在单尺度下,以区域X为结点构建无向图,
无向图定义为图中某一结点仅与其相邻的结点及与他们的相邻结点存在边连接,以邻接矩阵作为无向图的存储结构。
(2)设置图像的中心点作为种子结点。针对实际应用中拍摄的害虫图像,图像的目标即害虫一般都在图像的中心位置,因此,我们选取图像的中心点作为种子结点。
(3)通过基于多特征相似度融合的显著度计算函数计算其他结点与种子结点的相似度。在此,多特征相似度融合采用针对于害虫图像较为具有代表性的颜色特征和纹理特征。其具体步骤如下:
A、使用局部二值模式直方图特征计算纹理特征相似度。LBP算子的思想是首先对图像中的像素点的灰度值和它的邻域内像素点的灰度值大小进行比较,然后把这种比较结果转成二进制模式来表征图像的纹理。
其具体步骤如下:
先计算局部二值模式算子,其计算公式如下所示:
其中,LBPP,R(x,y)表示局部二值模式特征,ic表示中心像素点(x,y)的灰度值、in表示在半径R处相邻点的灰度值、P表示中心像素点周围相邻像素点的个数,函数s(x)定义成下式所示
然后,使用扩展后的LBP算子,使得LBP算子不但具有灰度尺度不变特性,而且具有旋转不变特性。扩展后的LBP算子定义如下:
其中,
中U(x)的结果根据LBPP,R模式计算得出,把LBPP,R模式结果首尾链接起来,在二进制序列中计算跳变数。即序列中“1”位到“0”位,或者“0”位到“1”位的跳变数。例如“10111100”和“00010101”的U值分别为4和6。
其次,对图像中的每一个像素点,均利用扩展LBP模式,计算出相应的得到多个LBP算子。
再次,利用若干个计算该图像中结点的LBP直方图,其如下式所示:
其中,i为由LBP算子产生的不同标记点的个数。
最后,使用原始像素点的LBP直方图计算相邻结点间,即节点1与节点2纹理特征相似度T-Hist(Hi,1,Hi,2),其公式如下:
B、使用颜色直方图计算相似度,颜色直方图定义如下:
其中,nk是图像中具有特征值k的像素个数,N是像素总个数,k为颜色信息;
使用颜色直方图计算相邻颜色特征相似度C-Hist(Hi,1,Hi,2),其公式如下:
C、结合颜色特征和纹理特征计算结点相似度,相似度函数Sim(S,M)定义如下:
Sim(S,M)=(1-λ)*T-Hist(Hi,S,Hi,M)+λ*C-Hist(Hi,S,Hi,M)
其中,是调整颜色和纹理之间的参数。若害虫的颜色
和背景的颜色相近的情况下,可以适当减少λ的值。
(4)基于图的流行排序生成显著图。基于图的流行排序方法对超像素进行标记,利用显著性扩算来预测超像素的显著值,由每个超像素点的显著值即可得到显著图。
(5)将多尺度下的显著图进行融合得到最终显著图。不同尺度下得到的显著图在不同区域显著值是不同的,我们使用下式对显著图进行融合
其中,i表示尺度,S(i)表示在尺度i下生成的显著图。
第三步,对显著图进行阈值分割得到二值图。这里的阈值选取我们采用基于图像灰度直方图的阈值选取方法,根据直方图的波峰和波谷确定阈值,得到阈值后根据该阈值对显著图进行分割即可得到二值图。
第四步,将二值图与原始害虫图像进行掩码处理得到去除背景后的害虫图像。对于同一尺寸的二值图和原始图,分别比较相同位置的像素点,若二值图中像素点的像素值为0,则将原始图像中对应的该点像素值置为0,若二值图中像素点的像素值为1,则原始图像中对应的该点像素值不变,原始图像中所有像素点完成操作之后即去除了背景。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (4)
1.一种基于显著性检测的害虫图像背景去除方法,其特征在于,包括以下步骤:
11)对原始害虫图像进行多尺度超像素预处理;
12)显著图的获得与融合计算,在单尺度下基于多特征相似度融合显著性检测得到显著图,并融合多尺度下的显著图得到最终的显著图;
13)对显著图进行阈值分割得到二值图;
14)将二值图与原始害虫图像进行掩码处理得到去除背景后的害虫图像。
2.根据权利要求1所述的一种基于显著性检测的害虫图像背景去除方法,其特征在于,所述对原始害虫图像进行多尺度超像素预处理包括以下步骤:
21)设定n个不同的超像素尺度;
22)以n个不同的超像素尺度为基准,分别使用简单线性迭代聚类方法将害虫图像分割成大小不确定的区域X,其中,X={x1,x2,x3....xn}。
3.根据权利要求1所述的一种基于显著性检测的害虫图像背景去除方法,其特征在于,所述的显著图的获得与融合计算包括以下步骤:
31)在单尺度下,以区域X为结点构建无向图,
无向图定义为图中某一结点仅与其相邻的结点及与他们的相邻结点存在边连接,以邻接矩阵作为无向图的存储结构;
32)设置图像的中心点作为种子结点;
33)通过基于多特征相似度融合的显著度计算函数计算其他结点与种子结点的相似度;
34)基于图的流行排序生成显著图;
35)将多尺度下的显著图进行融合得到最终显著图。
4.根据权利要求3所述的一种基于多特征相似度融合显著性检测的害虫图像分割方法,其特征在于,所述的通过基于多特征相似度融合的显著度计算函数计算其他结点与种子结点的相似度包括以下步骤:
41)使用局部二值模式直方图特征计算纹理特征相似度,其具体步骤如下:
411)局部二值模式算子的计算公式如下所示:
其中,LBPP,R(x,y)表示局部二值模式特征,ic表示中心像素点(x,y)的灰度值、in表示在半径R处相邻点的灰度值、P表示中心像素点周围相邻像素点的个数,函数s(x)定义成下式所示
412)使用扩展后的LBP算子,扩展后的LBP算子定义如下:
其中,
中U(x)的结果根据LBPP,R模式计算得出,把LBPP,R模式结果首尾链接起来,在二进制序列中计算跳变数;
413)对图像中的每一个像素点,均利用扩展LBP模式,计算出相应的
414)利用若干个计算该图像中结点的LBP直方图,其如下式所示:
其中,i为由LBP算子产生的不同标记点的个数;
415)使用原始像素点的LBP直方图计算相邻结点间纹理特征相似度T_Hist(Hi,1,Hi,2),其公式如下:
42)使用颜色直方图计算相似度,颜色直方图定义如下:
其中,nk是图像中具有特征值k的像素个数,N是像素总个数,k为颜色信息;
使用颜色直方图计算相邻颜色特征相似度C_Hist(Hi,1,Hi,2),其公式如下:
43)结合颜色特征和纹理特征计算结点相似度,相似度函数Sim(S,M)定义如下:
Sim(S,M)=(1-λ)*T_Hist(Hi,S,Hi,M)+λ*C_Hist(Hi,S,Hi,M)
其中,λ(0≤λ≥1)是调整颜色和纹理之间的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710103546.3A CN107016680B (zh) | 2017-02-24 | 2017-02-24 | 一种基于显著性检测的害虫图像背景去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710103546.3A CN107016680B (zh) | 2017-02-24 | 2017-02-24 | 一种基于显著性检测的害虫图像背景去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107016680A true CN107016680A (zh) | 2017-08-04 |
CN107016680B CN107016680B (zh) | 2019-07-09 |
Family
ID=59440525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710103546.3A Active CN107016680B (zh) | 2017-02-24 | 2017-02-24 | 一种基于显著性检测的害虫图像背景去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107016680B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364273A (zh) * | 2018-01-30 | 2018-08-03 | 中南大学 | 一种空间域下的多聚焦图像融合的方法 |
CN108415260A (zh) * | 2018-02-10 | 2018-08-17 | 深圳众厉电力科技有限公司 | 一种智能家居服务机器人 |
CN109145770A (zh) * | 2018-08-01 | 2019-01-04 | 中国科学院合肥物质科学研究院 | 一种基于多尺度特征融合网络与定位模型相结合的麦蜘蛛自动计数方法 |
CN110188763A (zh) * | 2019-05-28 | 2019-08-30 | 江南大学 | 一种基于改进图模型的图像显著性检测方法 |
CN110648340A (zh) * | 2019-09-29 | 2020-01-03 | 惠州学院 | 一种基于二进制及水平集处理图像的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077612A (zh) * | 2014-07-15 | 2014-10-01 | 中国科学院合肥物质科学研究院 | 一种基于多特征稀疏表示技术的害虫图像识别方法 |
CN104217438A (zh) * | 2014-09-19 | 2014-12-17 | 西安电子科技大学 | 基于半监督的图像显著性检测方法 |
CN106056590A (zh) * | 2016-05-26 | 2016-10-26 | 重庆大学 | 基于Manifold Ranking和结合前景背景特征的显著性检测方法 |
CN106127210A (zh) * | 2016-06-17 | 2016-11-16 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于多特征的显著性检测方法 |
CN106296695A (zh) * | 2016-08-12 | 2017-01-04 | 西安理工大学 | 基于显著性的自适应阈值自然目标图像分割抽取算法 |
-
2017
- 2017-02-24 CN CN201710103546.3A patent/CN107016680B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077612A (zh) * | 2014-07-15 | 2014-10-01 | 中国科学院合肥物质科学研究院 | 一种基于多特征稀疏表示技术的害虫图像识别方法 |
CN104217438A (zh) * | 2014-09-19 | 2014-12-17 | 西安电子科技大学 | 基于半监督的图像显著性检测方法 |
CN106056590A (zh) * | 2016-05-26 | 2016-10-26 | 重庆大学 | 基于Manifold Ranking和结合前景背景特征的显著性检测方法 |
CN106127210A (zh) * | 2016-06-17 | 2016-11-16 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于多特征的显著性检测方法 |
CN106296695A (zh) * | 2016-08-12 | 2017-01-04 | 西安理工大学 | 基于显著性的自适应阈值自然目标图像分割抽取算法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364273A (zh) * | 2018-01-30 | 2018-08-03 | 中南大学 | 一种空间域下的多聚焦图像融合的方法 |
CN108364273B (zh) * | 2018-01-30 | 2022-02-25 | 中南大学 | 一种空间域下的多聚焦图像融合的方法 |
CN108415260A (zh) * | 2018-02-10 | 2018-08-17 | 深圳众厉电力科技有限公司 | 一种智能家居服务机器人 |
CN109145770A (zh) * | 2018-08-01 | 2019-01-04 | 中国科学院合肥物质科学研究院 | 一种基于多尺度特征融合网络与定位模型相结合的麦蜘蛛自动计数方法 |
CN109145770B (zh) * | 2018-08-01 | 2022-07-15 | 中国科学院合肥物质科学研究院 | 一种基于多尺度特征融合网络与定位模型相结合的麦蜘蛛自动计数方法 |
CN110188763A (zh) * | 2019-05-28 | 2019-08-30 | 江南大学 | 一种基于改进图模型的图像显著性检测方法 |
CN110188763B (zh) * | 2019-05-28 | 2021-04-30 | 江南大学 | 一种基于改进图模型的图像显著性检测方法 |
CN110648340A (zh) * | 2019-09-29 | 2020-01-03 | 惠州学院 | 一种基于二进制及水平集处理图像的方法及装置 |
CN110648340B (zh) * | 2019-09-29 | 2023-03-17 | 惠州学院 | 一种基于二进制及水平集处理图像的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107016680B (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016680B (zh) | 一种基于显著性检测的害虫图像背景去除方法 | |
CN109961049B (zh) | 一种复杂场景下香烟品牌识别方法 | |
Kuricheti et al. | Computer vision based turmeric leaf disease detection and classification: a step to smart agriculture | |
US20210342586A1 (en) | Systems and methods for extracting and vectorizing features of satellite imagery | |
Liu et al. | Automatic grape bunch detection in vineyards with an SVM classifier | |
CN107392925B (zh) | 基于超像素编码和卷积神经网络的遥感影像地物分类方法 | |
CN106683091B (zh) | 一种基于深度卷积神经网络的目标分类及姿态检测方法 | |
Jidong et al. | Recognition of apple fruit in natural environment | |
CN105931295B (zh) | 一种地质图专题信息提取方法 | |
CN106611420B (zh) | 基于反卷积网络和素描图方向约束的sar图像分割方法 | |
CN108470354A (zh) | 视频目标跟踪方法、装置和实现装置 | |
CN102938161B (zh) | 一种基于Mean Shift的三维形状自动分割方法 | |
CN106611423B (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 | |
CN108038435A (zh) | 一种基于卷积神经网络的特征提取与目标跟踪方法 | |
CN107341813A (zh) | 基于结构学习和素描特性推理网络的sar图像分割方法 | |
CN109815859A (zh) | 一种低等级道路自动提取及变化分析方法 | |
CN107808138A (zh) | 一种基于FasterR‑CNN的通信信号识别方法 | |
CN115115627B (zh) | 基于数据处理的土壤盐碱地监测方法 | |
CN108596920A (zh) | 一种基于彩色图像的目标分割方法及装置 | |
CN106203496A (zh) | 基于机器学习的水文曲线提取方法 | |
CN107067037A (zh) | 一种使用llc准则定位图像前景的方法 | |
CN104573701B (zh) | 一种玉米雄穗性状的自动检测方法 | |
CN109543498A (zh) | 一种基于多任务网络的车道线检测方法 | |
Saputra et al. | Integration CLAHE and Seeded Region Growing for Segmentation of Rubber Tree in HSI Color Space | |
CN107292268A (zh) | 快速脊波反卷积结构学习模型的sar图像语义分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |