CN108038864B - 一种动物目标图像的提取方法及系统 - Google Patents

一种动物目标图像的提取方法及系统 Download PDF

Info

Publication number
CN108038864B
CN108038864B CN201711268122.9A CN201711268122A CN108038864B CN 108038864 B CN108038864 B CN 108038864B CN 201711268122 A CN201711268122 A CN 201711268122A CN 108038864 B CN108038864 B CN 108038864B
Authority
CN
China
Prior art keywords
region
shadow
brightness level
image
class
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
CN201711268122.9A
Other languages
English (en)
Other versions
CN108038864A (zh
Inventor
孙龙清
李玥
邹远炳
刘岩
罗冰
李亿杨
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 CN201711268122.9A priority Critical patent/CN108038864B/zh
Publication of CN108038864A publication Critical patent/CN108038864A/zh
Application granted granted Critical
Publication of CN108038864B publication Critical patent/CN108038864B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种动物目标图像提取方法及系统，设计结合亮度信息亮度等级信息、邻域梯度信息的模糊集理论隶属函数，通过设计的模糊集理论隶属函数以及亮度直方图曲线对动物图像中的阴影区域和其它区域进行初步区分，并采用大津法对其它区域中的阴影区域再次进行精确检测，检测出整个动物图像中的所有阴影区域，并将阴影区域剔除掉，得到动物图像，对动物图像中的阴影区域和目标区域的检测精度高，对主要影响图像的外界因素达到了很好的调控，具有较高的阴影检测精度和鲁棒性能，为目标跟踪、特征提取等工作奠定了基础。

Description

一种动物目标图像的提取方法及系统
技术领域
本发明涉及计算机技术领域，更具体地，涉及一种动物目标图像提取方法及系统。
背景技术
动物图像阴影去除是目标动物检测、识别和跟踪等工作的基础，在复杂背景下，由于光照和动物自身阴影的特点，动物的影子与其一起运动，动物的阴影会影响检测出的目标形状和大小，严重影响运动目标的提取，若将阴影去除可以提高图像处理的精度。因此，有效、高精度的动物阴影检测和去除方法就显得尤为重要，其中，阴影检测是阴影去除的基础工作。
一些学者提出了很多方法来检测运动阴影，Salvador等将阴影检测方法分为基于模型和基于特征的阴影检测。基于模型的阴影检测常采用高斯混合模型，核密度估计，支持向量机等统计学方法建立模型检测阴影，需要预先对场景中的光照或场景几何分布进行估计，只能应用在特定的场景中，或不需要对光照进行估计而直接采用统计学习的方法对阴影进行建模，但对目标有较高的限制。基于特征的阴影检测计算量小，实时性高，具有普遍性。万俊甫等利用阴影的光学特性，结合纹理特征，利用区域生长的方法来检测阴影；Cucchiara等在HSV(色度、饱和度、亮度)空间中进行阴影检测；Stauder提出利用阴影与目标颜色的差异分割阴影，需要建立阴影区域特性假设。基于特征阴影检测算法的计算量远小于基于模型的阴影检测算法，但当阴影与运动物体颜色相近时，检测效果较差，算法鲁棒性不强。
近年，模糊理论在目标检测、阴影去除领域的优越性引起了学者们的广泛关注与研究，是一种刻画不完整、不确定性信息的数据分析理论，该理论不需要任何先验知识，有着较强的生命力和广阔的应用前景，一些学者将其应用于动物福利养殖的研究与分析中。周龙等提出的模糊边缘检测；罗衡峰等提出一种基于模糊集理论的阴影边缘分类方法，根据模糊集理论、梯度、最大邻域差及噪声的条件属性，对阴影进行分类；Zadeh提出的一种模糊集理论，虽然比经典数学模型解决问题的范围更宽，但具有局限性，由于该模型隶属度函数是确定的，很难最小化不确定的影响。在实际应用中，隶属度函数经常是专家根据直觉经验确定的，具有较大主观性。针对以上缺陷，一些学者们在模糊理论模型的基础上提出了若干改进。宋怀波等提出一种基于模糊集理论的苹果表面阴影去除方法，将含阴影的图像作为一个模糊矩阵，利用所设计的隶属函数进行图像去模糊化处理，达到图像增强的目的；Li等提出了一种基于模糊控制理论的控制器设计方法，实现多产出猪舍控制器变为模糊控制，有效监测猪舍环境。综上研究表明，模糊集理论可以实现目标阴影检测，算法易于接受与理解，设计简单，但所研究方法中都存在局限性，需要建立先验知识或阴影区域的特性假设，可操作性差、阴影去除效果一般。
发明内容
本发明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动物目标图像提取方法及系统。
根据本发明的一个方面，提供一种动物目标图像提取方法，包括：
设计基于图像的亮度等级信息和邻域梯度信息的模糊集理论隶属函数；
根据设计的所述模糊集理论隶属函数，计算动物图像中每一个像素点属于设定模糊集的隶属度，根据所述隶属度的大小，将动物图像划分为第一类区域和第二类区域；
确定动物图像中阴影区域的亮度等级阈值，根据所述阴影区域的亮度等级阈值，从所述第一类区域中区分出第一阴影区域，得到第一类区域中除去第一阴影区域的第一类子区域，以及从所述第二类区域中区分出第二阴影区域，得到第二类区域中除去第二阴影区域的第二类子区域；
确定所述第一类子区域和所述第二类子区域分别为前景区域或者背景区域，并区分出前景区域中的第三阴影区域，剔除动物图像中的第一阴影区域、第二阴影区域、第三阴影区域和背景区域，得到动物目标图像。
在上述技术方案的基础上，本发明还可以作如下改进。
进一步的，所述设计基于图像的亮度等级信息和邻域梯度信息的模糊集理论隶属函数具体包括：
分别设计基于图像的亮度等级信息的模糊集理论隶属函数和基于图像的邻域梯度信息的模糊集理论隶属函数，并进行融合处理，得到基于图像的亮度等级信息和邻域梯度信息的模糊集理论隶属函数.
进一步的，所述设计基于图像的亮度等级信息的模糊集理论隶属函数具体包括：
将动物图像看做一连续函数f(x，y)，像素点I(i,j)的四邻域像素点I4(i,j)可以表示为：
I4(i,j)＝{I(i,j-1),I(i,j+1),I(i-1,j),I(i+1,j)}；
基于图像的亮度等级信息，像素点I(i,j)属于设定模糊集的隶属函数μA,I(i,j)定义如下：
Figure BDA0001494992920000031
其中，fi,j为像素点I(i,j)的亮度等级值，
Figure BDA0001494992920000032
为I4(i,j)的亮度等级均值，fmax和fmin分别为动物图像所有像素点中的亮度等级最大值和亮度等级最小值。
进一步的，所述设计基于邻域梯度信息的模糊集理论隶属函数具体包括：
基于图像的邻域梯度信息，像素点I(i,j)处的梯度矢量为：
Figure BDA0001494992920000041
式中，Gi表示像素点I(i,j)在i方向上的梯度，Gj表示像素点I(i,j)在j方向上的梯度，像素点I(i,j)的梯度幅值为：
Figure BDA0001494992920000042
像素点I(i,j)的梯度方向为：
Figure BDA0001494992920000043
基于图像的邻域梯度信息，像素点I(i,j)属于设定模糊集的隶属函数μA,G(i,j)定义如下：
μA，G(i，j)＝e-(g(i，j)+Φ(i，j))；
式中，g(i,j)为像素点I(i,j)的梯度幅值，Φ(i,j)为像素点I(i,j)的梯度方向。
进一步的，采用如下方式对基于亮度等级信息的模糊集理论隶属函数和基于邻域梯度信息的模糊集理论隶属函数进行融合：
Figure BDA0001494992920000044
式中，μA(i,j)为像素点I(i,j)属于模糊集的隶属函数，μA,l(i,j)为像素点I(i,j)基于亮度等级信息属于模糊集的隶属函数，μA,G(i,j)为像素点I(i,j)基于邻域梯度信息属于模糊集的隶属函数。
进一步的，采用如下方式对基于亮度等级信息的模糊集理论隶属函数和基于邻域梯度信息的模糊集理论隶属函数进行融合：
Figure BDA0001494992920000045
式中，μA(i,j)为像素点I(i,j)属于设定模糊集的隶属函数，μA,I(i,j)为像素点I(i,j)基于图像的亮度等级信息属于设定模糊集的隶属函数，μA,G(i,j)为像素点I(i,j)基于图像的邻域梯度信息属于设定模糊集的隶属函数。
进一步的，所述确定动物图像中阴影区域的亮度等级阈值具体包括：
根据动物图像中每一个像素点的亮度等级值，统计每一个亮度等级值对应的像素点个数，生成亮度等级值与像素点个数的亮度直方图曲线；
将所述亮度直方图曲线中第一个峰值所对应的亮度等级值作为阴影区域的亮度等级阈值。
进一步的，所述根据所述阴影区域的亮度等级阈值，从所述第一类区域中区分出第一阴影区域，得到第一类区域去除第一阴影区域的第一类子区域，以及从所述第二类区域中区分出第二阴影区域，得到第二类区域去除第二阴影区域的第二类子区域具体包括：
将所述第一类区域中的每一个像素点的亮度等级值与所述阴影区域的亮度等级阈值进行比较，亮度等级值小于所述阴影区域的亮度等级阈值的所有像素点组成第一类区域中的第一阴影区域，第一类区域中除掉第一阴影区域的其它区域为第一类子区域；
以及，
将所述第二类区域中的每一个像素点的亮度等级值与所述阴影区域的亮度等级阈值进行比较，亮度等级值小于所述阴影区域的亮度等级阈值的所有像素点组成第二类区域中的第二阴影区域，第二类区域中除掉第二阴影区域的其它区域为第二类子区域。
进一步的,所述确定第一类子区域和第二类子区域分别为前景区域或者背景区域具体包括：
将第一类子区域和第二类子区域作为整个图像，采用如下公式将整个图像划分为两类：
Figure BDA0001494992920000061
Figure BDA0001494992920000062
μ＝W1×μ1+W2×μ2；
σ2＝w1(μ1-μ)2+w2(μ2-μ)2；
使T在[0,L-1]范围内依次取值，求取使σ2最大的T值；
根据求取的亮度等级阈值T以及第一子区域中每一个像素点的亮度等级值和第二子区域中每一个像素点的亮度等级值，确定第一子区域为前景区域或者背景区域，以及确定第二子区域为前景区域或背景区域；
式中，L为动物图像中的亮度等级，T为区分第一子区域和第二子区域的亮度等级阈值，N为动物图像的总像素数，ni为亮度等级为i的像素数，w1为背景区域的像素数占动物图像总像素数的比例，w2为前景区域的像素数占动物图像总像素数的比例，μ1为背景区域所有像素点的亮度等级平均值，μ2为前景区域所有像素点的亮度等级平均值，μ为动物图像所有像素点的亮度等级平均值，σ2为背景区域和前景区域的类间方差。
根据本发明的另一个方面，提供了一种动物目标图像提取系统，包括：
设计模块，用于设计基于亮度等级信息和邻域梯度信息的模糊集理论隶属函数；
划分模块，用于根据设计的所述模糊集理论隶属函数，计算动物图像中每一个像素点属于特定模糊集的隶属度，根据所述隶属度的大小，将动物图像划分为第一类区域和第二类区域；
确定模块，用于基于亮度直方图曲线计算动物图像中阴影区域的亮度等级阈值；
第一区分模块，用于根据所述阴影区域的亮度等级阈值，从所述第一类区域中区分出阴影区域，得到第一类子区域，以及从所述第二类区域中区分出阴影区域，得到第二类子区域；
第二区分模块，用于采用大津法确定第一类子区域和第二类子区域为前景区域或者背景区域，并区分出前景区域中的阴影区域，并剔除动物图像中的所有阴影区域和背景区域，得到动物目标图像。
根据本发明的又一个方面，提供了一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行动物目标图像提取方法。
本发明提供的一种动物目标图像提取方法及系统，设计结合亮度等级信息、邻域梯度信息的模糊集理论隶属函数，通过设计的模糊集理论隶属函数以及亮度直方图曲线对动物图像中的阴影区域和其它区域进行初步区分，并采用大津法对其它区域中的阴影区域再次进行精确检测，检测出整个动物图像中的所有阴影区域，并将阴影区域剔除掉，得到动物图像的目标二值化图像，对动物图像中的阴影区域和目标区域的检测精度高，对主要影响图像的外界因素达到了很好的调控，具有较高的阴影检测精度和鲁棒性能，为目标跟踪、特征提取等工作奠定了基础。
附图说明
图1为本发明一个实施例的动物目标图像提取方法流程图；
图2为本发明一个实施例中绘制的动物图像中所有像素点的亮度直方图曲线图；
图3为本发明一个实施例的动物目标图像提取系统连接框图；
图4为动物目标图像提取系统中设计模块的内部连接框图；
图5为本发明另一个实施例的动物目标图像提取系统的整体连接框图；
图6为本发明一个实施例的动物目标图像提取方法的设备连接框图。
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。
参见图1，提供了本发明一个实施例的动物目标图像提取方法，能够准确地检测出动物图像中的阴影区域和背景区域，该方法包括：设计基于图像的亮度等级信息和邻域梯度信息的模糊集理论隶属函数；根据设计的所述模糊集理论隶属函数，计算动物图像中每一个像素点属于设定模糊集的隶属度，根据所述隶属度的大小，将动物图像划分为第一类区域和第二类区域；确定动物图像中阴影区域的亮度等级阈值，根据所述阴影区域的亮度等级阈值，从所述第一类区域中区分出第一阴影区域，得到第一类区域中除去第一阴影区域的第一类子区域，以及从所述第二类区域中区分出第二阴影区域，得到第二类区域中除去第二阴影区域的第二类子区域；确定所述第一类子区域和所述第二类子区域分别为前景区域或者背景区域，并区分出前景区域中的第三阴影区域，剔除动物图像中的第一阴影区域、第二阴影区域、第三阴影区域和背景区域，得到动物目标图像。
本实施例对动物图像中的阴影区域进行检测的过程中，结合亮度等级信息和邻域梯度信息来融合检测，具有较高的精度，其中，动物可以为猪、牛、羊等。首先设计基于亮度等级信息和邻域梯度信息的模糊集理论隶属函数，基于设计的模糊集理论隶属函数，计算动物图像中每一个像素点属于设定模糊集的隶属度。随后根据每一个像素点的隶属度的大小，将整个动物图像划分为第一类区域和第二类区域。比如，设置一个隶属度阈值大小，隶属度小于等于设定的隶属度阈值的区域为第一类区域，隶属度大小大于设定的隶属度阈值的区域为第二类区域。其中，第一类区域和第二类区域分别是前景区域和背景区域中的一种，采用模糊集理论隶属函数是无法区分这两个区域到底是属于前景区域还是属于背景区域。此时划分出来的第一类区域和第二类区域中均包含有阴影区域，需要从第一类区域和第二类区域中区分出阴影区域。
具体为，基于亮度直方图曲线确定动物图像中阴影区域的亮度等级阈值，根据阴影区域的亮度等级阈值，从第一类区域中区分出第一阴影区域，得到第一类子区域，即第一类区域中去掉阴影区域的部分，以及从第二类区域中区分出第二阴影区域，得到第二类子区域，即第二类区域中去掉阴影区域的部分。
由于此时区分出来的第一类子区域和第二类子区域无法确定是前景区域还是背景区域，以及前景区域和背景区域中依然存在阴影区域，因此，需要确定出第一类子区域和第二类子区域的类型。本实施例中采用大津法确定第一类子区域和第二类子区域为前景区域或者背景区域，并区分出前景区域中的第三阴影区域，并剔除动物图像中的所有阴影区域(包括第一阴影区域、第二阴影区域和第三阴影区域)和背景区域。
在本发明的一个实施例中，所述设计基于图像的亮度等级信息和邻域梯度信息的模糊集理论隶属函数具体包括：分别设计基于图像的亮度等级信息的模糊集理论隶属函数和基于图像的邻域梯度信息的模糊集理论隶属函数，并进行融合处理，得到基于图像的亮度等级信息和邻域梯度信息的模糊集理论隶属函数。
具体的，设计基于图像的亮度等级信息和邻域梯度信息的模糊集理论隶属函数的方法为，分别设计基于图像亮度等级信息的模糊集理论隶属函数和基于图像邻域梯度信息的模糊集理论隶属函数，再采用一定的方法将这两个模糊集理论隶属函数进行融合，就得到基于图像亮度等级信息和邻域梯度信息的模糊集理论隶属函数。
在本发明的一个实施例中，设计基于亮度等级信息的模糊集理论隶属函数的具体过程为，所述设计基于图像的亮度等级信息的模糊集理论隶属函数具体包括：
将动物图像看做一连续函数f(x，y)，像素点I(i,j)的四邻域像素点I4(i,j)可以表示为：
I4(i，j)＝{I(i，j-l)，I(i，j+l)，I(i-l，j)，I(i+1，j)}·
基于图像的亮度等级信息，像素点I(i,j)属于设定模糊集的隶属函数μA,I(i,j)定义如下：
Figure BDA0001494992920000101
其中，fi,j为像素点I(i,j)的亮度等级值，
Figure BDA0001494992920000102
为I4(i,j)的亮度等级均值，fmax和fmin分别为动物图像所有像素点中的亮度等级最大值和亮度等级最小值。
在本发明的另一个实施例中，所述设计基于邻域梯度信息的模糊集理论隶属函数具体过程为，基于图像的邻域梯度信息，像素点I(i,j)处的梯度矢量为：
Figure BDA0001494992920000103
式中，Gi表示像素点I(i,j)在i方向上的梯度，Gj表示像素点I(i,j)在j方向上的梯度，像素点I(i,j)的梯度幅值为：
Figure BDA0001494992920000104
像素点I(i,j)的梯度方向为：
Figure BDA0001494992920000105
基于图像的邻域梯度信息，像素点I(i,j)属于设定模糊集的隶属函数μA,G(i,j)定义如下：
μA，G(i，j)＝e-(g(i，j)+Φ(i，j))；
式中，g(i,j)为像素点I(i,j)的梯度幅值，Φ(i,j)为像素点I(i,j)的梯度方向。
在本发明的又一个实施例中，采用如下方式对基于亮度等级信息的模糊集理论隶属函数和基于邻域梯度信息的模糊集理论隶属函数进行融合：
Figure BDA0001494992920000111
式中，μA(i,j)为像素点I(i,j)属于设定模糊集的隶属函数，μA,I(i,j)为像素点I(i,j)基于图像的亮度等级信息属于设定模糊集的隶属函数，μA,G(i,j)为像素点I(i,j)基于图像的邻域梯度信息属于设定模糊集的隶属函数。
其中，上述实施例分别设计了基于图像的亮度等级信息的模糊集理论隶属函数和基于图像的邻域梯度信息的模糊集理论隶属函数，将这两个隶属函数取平均值作为本实施例最终的模糊集理论隶属函数。其中，进行融合的方式并不局限于本实施例中提出的取平均值的方式，还可以采取其它的融合方式得到亮度等级信息和邻域梯度信息融合的模糊集理论隶属函数。
在上述各实施例的基础上，本发明的一个实施例中，所述确定动物图像中阴影区域的亮度等级阈值具体包括：根据动物图像中每一个像素点的亮度等级值，统计每一个亮度等级值对应的像素点个数，生成亮度等级值与像素点个数的亮度直方图曲线；将所述亮度直方图曲线中第一个峰值所对应的亮度等级值作为阴影区域的亮度等级阈值。
基于亮度直方图得出动物图像中阴影区域的亮度等级阈值的方法为，根据整个动物图像中每一个像素点的亮度等级值，统计每一个亮度等级值对应的像素点总个数，绘制亮度等级值与像素点个数的曲线图，参见图2，通过曲线图能够确定动物图像中每一个亮度等级值对应的像素点总个数。根据经验，其中，曲线中第一个峰值所对应的亮度等级值的左右值为阴影区域的亮度等级阈值，本实施例可以将曲线中第一个峰值所对应的亮度等级值前后五个等级值范围作为阴影区域的亮度等级阈值，作为后续区分阴影区域和其它区域的亮度等级阈值。
在上述各实施例的基础上，本发明的另一个实施例中，所述根据所述阴影区域的亮度等级阈值，从所述第一类区域中区分出第一阴影区域，得到第一类区域去除第一阴影区域的第一类子区域，以及从所述第二类区域中区分出第二阴影区域，得到第二类区域去除第二阴影区域的第二类子区域具体包括：将所述第一类区域中的每一个像素点的亮度等级值与所述阴影区域的亮度等级阈值进行比较，亮度等级值小于所述阴影区域的亮度等级阈值的所有像素点组成第一类区域中的第一阴影区域，第一类区域中除掉第一阴影区域的其它区域为第一类子区域；以及，将所述第二类区域中的每一个像素点的亮度等级值与所述阴影区域的亮度等级阈值进行比较，亮度等级值小于所述阴影区域的亮度等级阈值的所有像素点组成第二类区域中的第二阴影区域，第二类区域中除掉第二阴影区域的其它区域为第二类子区域。
上述实施例采用模糊集理论隶属函数从整个动物图像中划分出第一类区域和第二类区域，划分出的第一类区域和第二类区域均存在阴影区域，因此需要要第一类区域中的阴影区域和第二类区域中的阴影区域区分出来。具体为，将第一类区域中的每一个像素点的亮度等级值与前述确定出来的阴影区域的亮度等级阈值进行比较，将亮度等级值小于阴影区域的亮度等值阈值的所有像素点组成第一类区域中的第一阴影区域；同样的，将第二类区域中的每一个像素点的亮度等级值与前述确定出来的阴影区域的亮度等级阈值进行比较，将亮度等级值小于阴影区域的亮度等值阈值的所有像素点组成第二类区域中的第二阴影区域。这样，就将第一类区域和第二类区域中的阴影区域区分出来了，为下面描述方便，将第一类区域中去除掉第一阴影区域的其它区域称为第一类子区域，将第二类区域中去除掉第二阴影区域的其它区域称为第二类子区域。
在上述各实施例的基础上，本发明的一个实施例中，所述确定第一类子区域和第二类子区域分别为前景区域或者背景区域具体包括：将第一类子区域和第二类子区域作为整个图像，采用如下公式将整个图像划分为两类：
Figure BDA0001494992920000131
Figure BDA0001494992920000132
μ＝W1×μ1+W2×μ2；
σ2＝w1(μ1-μ)2+w2(μ2-μ)2；
使T在[0,L-1]范围内依次取值，求取使σ2最大的T值；
根据求取的亮度等级阈值T以及第一子区域中每一个像素点的亮度等级值和第二子区域中每一个像素点的亮度等级值，确定第一子区域为前景区域或者背景区域，以及确定第二子区域为前景区域或背景区域；
式中，L为动物图像中的亮度等级，T为区分第一子区域和第二子区域的亮度等级阈值，N为动物图像的总像素数，ni为亮度等级为i的像素数，w1为背景区域的像素数占动物图像总像素数的比例，w2为前景区域的像素数占动物图像总像素数的比例，μ1为背景区域所有像素点的亮度等级平均值，μ2为前景区域所有像素点的亮度等级平均值，μ为动物图像所有像素点的亮度等级平均值，σ2为背景区域和前景区域的类间方差。
上述得到了第一类子区域和第二类子区域，由于无法确定第一类子区域和第二类子区域为前景区域还是背景区域，因此，采用大津法来进行确定。将第一类子区域和第二类子区域作为整个图像，采用上述的公式将整个图像划分为两大类，并可以求出使σ2最大的亮度等级阈值T，该T值为区分两大类的临界值。根据求出的亮度等级阈值T，就能够确定第一类子区域和第二类子区域的类型。例如，第一类子区域的像素点的亮度等级值在0-100的范围内，第二类子区域的像素点的亮度等级值在100-200的范围内，求出的亮度等级阈值T为110，由于第一类子区域的像素点的亮度等级值均小于T值，则可以确定第一类子区域为背景区域，同样的方法可以确定第二类子区域为前景区域。
由于此时的背景区域和前景区域中依然可能存在阴影区域，为了提高动物图像中阴影区域检测的精确度，需要将背景区域和前景区域中的阴影区域再次区分出来。由于动物图像中的阴影区域和背景区域都会剔除掉，得到动物图像中的前景区域，即最终希望得到的目标区域。因此，此时只需要将前景区域中的第三阴影区域区分出来即可。由于前景区域中的像素点的亮度等级值为100-200范围内，而亮度值小于亮度等级阈值T的像素点为阴影区域，因此，前景区域中亮度等级值在100-110的像素点组成的区域为阴影区域，也就找出了前景区域中的阴影区域，记为第三阴影区域。
随后将从第一类区域和第二类区域中区分出来的第一阴影区域和第二阴影区域以及最后从前景区域中区分出来的第三阴影区域，另外还有区分出来的背景区域均从整个动物图像中剔除，得到最后的动物目标图像。
此处，需要说明的是,比如通过大津法确定出来的亮度等级阈值T为90，此时确定第一类子区域依然为背景区域，第二类子区域为前景区域，但是此时前景区域中不存在阴影区域，那么，这种情况下，只需要将从第一类区域中区分的第一阴影区域、第二类区域中区分出来的第二阴影区域、前景区域中的第三阴影区域和此时区分出来的背景区域从整个动物图像中剔除，即可得到动物图像的目标区域。
参见图3，提供了本发明一个实施例的动物目标图像提取系统，包括设计模块21、划分模块22、确定模块23、第一区分模块24和第二区分模块25。
设计模块21，用于设计基于图像的亮度等级信息和邻域梯度信息的模糊集理论隶属函数。
划分模块22，用于根据设计的所述模糊集理论隶属函数，计算动物图像中每一个像素点属于设定模糊集的隶属度，根据所述隶属度的大小，将动物图像划分为第一类区域和第二类区域。
确定模块23，用于确定动物图像中阴影区域的亮度等级阈值。
第一区分模块24，用于根据所述阴影区域的亮度等级阈值，从所述第一类区域中区分出第一阴影区域，得到第一类区域中除去第一阴影区域的第一类子区域，以及从所述第二类区域中区分出第二阴影区域，得到第二类区域中除去第二阴影区域的第二类子区域。
第二区分模块25，用于确定所述第一类子区域和所述第二类子区域分别为前景区域或者背景区域，并区分出前景区域中的第三阴影区域，剔除动物图像中的第一阴影区域、第二阴影区域、第三阴影区域和背景区域，得到动物目标图像。
参见图4，设计模块21具体包括第一设计子单元211、第二设计子单元212和融合单元213。
第一设计子单元211，用于将动物图像看做一连续函数f(x，y)，像素点I(i,j)的四邻域像素点I4(i,j)可以表示为：
I4(i，j)＝{I(i，j-l)，I(i，j+l)，I(i-l，j)，I(i+1，j)}·
基于图像的亮度等级信息，像素点I(i,j)属于设定模糊集的隶属函数μA,I(i,j)定义如下：
Figure BDA0001494992920000151
其中，fi,j为像素点I(i,j)的亮度等级值，
Figure BDA0001494992920000152
为I4(i,j)的亮度等级均值，fmax和fmin分别为动物图像所有像素点中的亮度等级最大值和亮度等级最小值。
第二设计子单元212，用于基于图像的邻域梯度信息，像素点I(i,j)处的梯度矢量为：
Figure BDA0001494992920000153
式中，Gi表示像素点I(i,j)在i方向上的梯度，Gj表示像素点I(i,j)在j方向上的梯度，像素点I(i,j)的梯度幅值为：
Figure BDA0001494992920000161
像素点I(i,j)的梯度方向为：
Figure BDA0001494992920000162
基于图像的邻域梯度信息，像素点I(i,j)属于设定模糊集的隶属函数μA,G(i,j)定义如下：
μA，G(i，j)＝e-(g(i，j)+Φ(i，j))；
式中，g(i,j)为像素点I(i,j)的梯度幅值，Φ(i,j)为像素点I(i,j)的梯度方向。
融合单元213，用于采用如下方式对基于亮度等级信息的模糊集理论隶属函数和基于邻域梯度信息的模糊集理论隶属函数进行融合：
Figure BDA0001494992920000163
式中，μA(i,j)为像素点I(i,j)属于模糊集的隶属函数，μA,l(i,j)为像素点I(i,j)基于亮度等级信息属于模糊集的隶属函数，μA,G(i,j)为像素点I(i,j)基于邻域梯度信息属于模糊集的隶属函数。
参见图5，提供了本发明另一个实施例的基于模糊集理论的动物图像中阴影去除的系统，包括设计模块21、划分模块22、确定模块23、第一区分模块24、第二区分模块25和生成模块26。
设计模块21，用于设计基于图像的亮度等级信息和邻域梯度信息的模糊集理论隶属函数。
划分模块22，用于根据设计的所述模糊集理论隶属函数，计算动物图像中每一个像素点属于设定模糊集的隶属度，根据所述隶属度的大小，将动物图像划分为第一类区域和第二类区域。
确定模块23，用于确定动物图像中阴影区域的亮度等级阈值。
第一区分模块24，用于根据所述阴影区域的亮度等级阈值，从所述第一类区域中区分出第一阴影区域，得到第一类区域中除去第一阴影区域的第一类子区域，以及从所述第二类区域中区分出第二阴影区域，得到第二类区域中除去第二阴影区域的第二类子区域。
第二区分模块25，用于确定所述第一类子区域和所述第二类子区域分别为前景区域或者背景区域，并区分出前景区域中的第三阴影区域，剔除动物图像中的第一阴影区域、第二阴影区域、第三阴影区域和背景区域，得到动物目标图像。
其中，设计模块11，具体用于分别设计基于亮度等级信息的模糊集理论隶属函数和基于邻域梯度信息的模糊集理论隶属函数，并进行融合处理，得到基于亮度等级信息和邻域梯度信息的模糊集理论隶属函数。
生成模块26，用于根据动物图像中每一个像素点的亮度等级值，并统计每一个亮度等级值对应的像素点个数，生成亮度等级值与像素点个数的曲线图；相应的，确定模块23，用于将所述曲线中第一个峰值所对应的亮度等级值作为阴影区域的亮度等级阈值。
第一区分模块24，具体用于将所述第一类区域中的每一个像素点的亮度等级值与所述阴影区域的亮度等级阈值进行比较，亮度等级值小于所述阴影区域的亮度等级阈值的所有像素点组成第一类区域中的第一阴影区域，第一类区域中除掉第一阴影区域的其它区域为第一类子区域；以及还用于将所述第而类区域中的每一个像素点的亮度等级值与所述阴影区域的亮度等级阈值进行比较，亮度等级值小于所述阴影区域的亮度等级阈值的所有像素点组成第二类区域中的第二阴影区域，第二类区域中除掉第二阴影区域的其它区域为第二类子区域。
第二区分模块25，用于将第一类子区域和第二类子区域作为整个图像，采用如下公式将整个图像划分为两类：
Figure BDA0001494992920000171
Figure BDA0001494992920000181
μ＝W1×μ1+W2×μ2；
σ2＝w1(μ1-μ)2+w2(μ2-μ)2；
使T在[0,L-1]范围内依次取值，求取使σ2最大的T值；
根据求取的亮度等级阈值T以及第一子区域中每一个像素点的亮度等级值和第二子区域中每一个像素点的亮度等级值，确定第一子区域为前景区域或者背景区域，以及确定第二子区域为前景区域或背景区域；
式中，L为动物图像中的亮度等级，T为区分第一子区域和第二子区域的亮度等级阈值，N为动物图像的总像素数，ni为亮度等级为i的像素数，w1为背景区域的像素数占动物图像总像素数的比例，w2为前景区域的像素数占动物图像总像素数的比例，μ1为背景区域所有像素点的亮度等级平均值，μ2为前景区域所有像素点的亮度等级平均值，μ为动物图像所有像素点的亮度等级平均值，σ2为背景区域和前景区域的类间方差。
参见图6，提供了本发明一个实施例的一种电子设备，包括：处理器(processor)601、存储器(memory)602和总线603；其中，所述处理器601和存储器602通过所述总线603完成相互间的通信。
所述处理器601用于调用所述存储器602中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：设计基于图像的亮度等级信息和邻域梯度信息的模糊集理论隶属函数；根据设计的所述模糊集理论隶属函数，计算动物图像中每一个像素点属于设定模糊集的隶属度，根据所述隶属度的大小，将动物图像划分为第一类区域和第二类区域；确定动物图像中阴影区域的亮度等级阈值，根据所述阴影区域的亮度等级阈值，从所述第一类区域中区分出第一阴影区域，得到第一类区域中除去第一阴影区域的第一类子区域，以及从所述第二类区域中区分出第二阴影区域，得到第二类区域中除去第二阴影区域的第二类子区域；确定所述第一类子区域和所述第二类子区域分别为前景区域或者背景区域，并区分出前景区域中的第三阴影区域，剔除动物图像中的第一阴影区域、第二阴影区域、第三阴影区域和背景区域，得到动物目标图像。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的动物目标图像提取方法的设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分方法。
本发明提供的一种动物目标图像提取方法及系统，设计结合亮度等级信息、邻域梯度信息的模糊集理论隶属函数，通过设计的模糊集理论隶属函数以及亮度直方图曲线对动物图像中的阴影区域和其它区域进行初步区分，并采用大津法对其它区域中的阴影区域再次进行精确检测，检测出整个动物图像中的所有阴影区域，并将阴影区域剔除掉，得到动物图像的目标二值化图像，对动物图像中的阴影区域和目标区域的检测精度高，对主要影响图像的外界因素达到了很好的调控，具有较高的阴影检测精度和鲁棒性能，为目标跟踪、特征提取等工作奠定了基础。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种动物目标图像提取方法，其特征在于，包括：
设计基于图像的亮度等级信息和邻域梯度信息的模糊集理论隶属函数；
根据设计的所述模糊集理论隶属函数，计算动物图像中每一个像素点属于设定模糊集的隶属度，根据所述隶属度的大小，将动物图像划分为第一类区域和第二类区域；
确定动物图像中阴影区域的亮度等级阈值，根据所述阴影区域的亮度等级阈值，从所述第一类区域中区分出第一阴影区域，得到第一类区域中除去第一阴影区域的第一类子区域，以及从所述第二类区域中区分出第二阴影区域，得到第二类区域中除去第二阴影区域的第二类子区域；
确定所述第一类子区域和所述第二类子区域分别为前景区域或者背景区域，并区分出前景区域中的第三阴影区域，剔除动物图像中的第一阴影区域、第二阴影区域、第三阴影区域和背景区域，得到动物目标图像；
其中，所述设计基于图像的亮度等级信息和邻域梯度信息的模糊集理论隶属函数具体包括：
分别设计基于图像的亮度等级信息的模糊集理论隶属函数和基于图像的邻域梯度信息的模糊集理论隶属函数，并进行融合处理，得到基于图像的亮度等级信息和邻域梯度信息的模糊集理论隶属函数；
所述设计基于图像的亮度等级信息的模糊集理论隶属函数具体包括：
将动物图像看做一连续函数f(x，y)，像素点I(i,j)的四邻域像素点I4(i,j)可以表示为：
I4(i,j)＝{I(i,j-1),I(i,j+1),I(i-1,j),I(i+1,j)}；
基于图像的亮度等级信息，像素点I(i,j)属于设定模糊集的隶属函数μA,I(i,j)定义如下：
Figure FDA0002374530810000021
其中，fi,j为像素点I(i,j)的亮度等级值，
Figure FDA0002374530810000022
为I4(i,j)的亮度等级均值，fmax和fmin分别为动物图像所有像素点中的亮度等级最大值和亮度等级最小值；
所述设计基于邻域梯度信息的模糊集理论隶属函数具体包括：
基于图像的邻域梯度信息，像素点I(i,j)处的梯度矢量为：
Figure FDA0002374530810000023
式中，Gi表示像素点I(i,j)在i方向上的梯度，Gj表示像素点I(i,j)在j方向上的梯度，像素点I(i,j)的梯度幅值为：
Figure FDA0002374530810000024
像素点I(i,j)的梯度方向为：
Figure FDA0002374530810000025
基于图像的邻域梯度信息，像素点I(i,j)属于设定模糊集的隶属函数μA,G(i,j)定义如下：
μA,G(i,j)＝e-(g(i,j)+Φ(i,j))；
式中，g(i,j)为像素点I(i,j)的梯度幅值，Φ(i,j)为像素点I(i,j)的梯度方向；
采用如下方式对基于亮度等级信息的模糊集理论隶属函数和基于邻域梯度信息的模糊集理论隶属函数进行融合：
Figure FDA0002374530810000026
式中，μA(i,j)为像素点I(i,j)属于设定模糊集的隶属函数，μA,I(i,j)为像素点I(i,j)基于图像的亮度等级信息属于设定模糊集的隶属函数，μA,G(i,j)为像素点I(i,j)基于图像的邻域梯度信息属于设定模糊集的隶属函数；
所述确定动物图像中阴影区域的亮度等级阈值具体包括：
根据动物图像中每一个像素点的亮度等级值，统计每一个亮度等级值对应的像素点个数，生成亮度等级值与像素点个数的亮度直方图曲线；
将所述亮度直方图曲线中第一个峰值所对应的亮度等级值作为阴影区域的亮度等级阈值；
所述根据所述阴影区域的亮度等级阈值，从所述第一类区域中区分出第一阴影区域，得到第一类区域去除第一阴影区域的第一类子区域，以及从所述第二类区域中区分出第二阴影区域，得到第二类区域去除第二阴影区域的第二类子区域具体包括：
将所述第一类区域中的每一个像素点的亮度等级值与所述阴影区域的亮度等级阈值进行比较，亮度等级值小于所述阴影区域的亮度等级阈值的所有像素点组成第一类区域中的第一阴影区域，第一类区域中除掉第一阴影区域的其它区域为第一类子区域；
以及，
将所述第二类区域中的每一个像素点的亮度等级值与所述阴影区域的亮度等级阈值进行比较，亮度等级值小于所述阴影区域的亮度等级阈值的所有像素点组成第二类区域中的第二阴影区域，第二类区域中除掉第二阴影区域的其它区域为第二类子区域。
2.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1所述的方法。
CN201711268122.9A 2017-12-05 2017-12-05 一种动物目标图像的提取方法及系统 Active CN108038864B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711268122.9A CN108038864B (zh) 2017-12-05 2017-12-05 一种动物目标图像的提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711268122.9A CN108038864B (zh) 2017-12-05 2017-12-05 一种动物目标图像的提取方法及系统

Publications (2)

Publication Number Publication Date
CN108038864A CN108038864A (zh) 2018-05-15
CN108038864B true CN108038864B (zh) 2020-06-05

Family

ID=62095367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711268122.9A Active CN108038864B (zh) 2017-12-05 2017-12-05 一种动物目标图像的提取方法及系统

Country Status (1)

Country Link
CN (1) CN108038864B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110765875B (zh) * 2019-09-20 2022-04-19 浙江大华技术股份有限公司 交通目标的边界检测方法、设备及装置
CN118362207B (zh) * 2024-06-19 2024-08-30 开信(大连)互联网服务有限公司 一种畜牧兽医用动物体温检测系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184790A (zh) * 2015-08-31 2015-12-23 中国烟草总公司广东省公司 一种烟田图像分割方法
CN107169993A (zh) * 2017-05-12 2017-09-15 甘肃政法学院 利用公安视频监控模糊图像对目标物进行检测识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184790A (zh) * 2015-08-31 2015-12-23 中国烟草总公司广东省公司 一种烟田图像分割方法
CN107169993A (zh) * 2017-05-12 2017-09-15 甘肃政法学院 利用公安视频监控模糊图像对目标物进行检测识别方法

Also Published As

Publication number Publication date
CN108038864A (zh) 2018-05-15

Similar Documents

Publication Publication Date Title
Scharfenberger et al. Statistical textural distinctiveness for salient region detection in natural images
Trujillo et al. Automated design of image operators that detect interest points
Vanhamel et al. Multiscale gradient watersheds of color images
CN110009556A (zh) 图像背景虚化方法、装置、存储介质及电子设备
Chien et al. Video object segmentation and tracking framework with improved threshold decision and diffusion distance
CN108647694A (zh) 基于上下文感知和自适应响应的相关滤波目标跟踪方法
US11720745B2 (en) Detecting occlusion of digital ink
Spizhevoi et al. OpenCV 3 Computer Vision with Python Cookbook: Leverage the power of OpenCV 3 and Python to build computer vision applications
Zhao et al. Automatic blur region segmentation approach using image matting
US9940718B2 (en) Apparatus and method for extracting peak image from continuously photographed images
CN108038864B (zh) 一种动物目标图像的提取方法及系统
CN107527348B (zh) 基于多尺度分割的显著性检测方法
Shrestha et al. A real world dataset for multi-view 3d reconstruction
KR102537947B1 (ko) 약한 지도학습 기반 객체 위치 검출 방법 및 장치
Zhu et al. Foreground object sensing for saliency detection
Jung et al. Automatic segmentation of salient objects using iterative reversible graph cut
Lukac et al. Machine learning based adaptive contour detection using algorithm selection and image splitting
Zhang et al. Image Cosegmentation via Multi-task Learning.
CN116228850A (zh) 物体姿态估计方法、装置、电子设备及可读存储介质
Chang et al. Efficient topology-controlled sampling of implicit shapes
Li et al. Visual salience learning via low rank matrix recovery
CN111476821B (zh) 基于在线学习的目标跟踪方法
Yildirim et al. Saliency detection using regression trees on hierarchical image segments
Xiao et al. An effective graph and depth layer based RGB-D image foreground object extraction method
Suhre et al. Microscopic image classification using sparsity in a transform domain and Bayesian learning

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