CN108090910B - 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 - Google Patents

Abstract

本发明公开了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，在计算归一化色差C _n 后，使用简化PCNN模型对归一化色差灰度图进行图像分割迭代；计算图像分割结果Y(n)的信息熵s(n)；当s(n)变小或迭代次数n已达最大迭代次数M时，停止迭代；求最大信息熵s(max)及对应的max；计算s(max)与s(max‑1)的差值，即信息熵梯度Δs；判断Δs是否大于阈值T _s ，若是，则以第max+1次迭代获得的Y(max+1)为图像分割结果F，否则，以Y(max)为图像分割结果F；对F进行去噪处理。本发明采用信息熵梯度作为最佳图像分割结果评价准则，使用简化PCNN模型，克服了夜间主动照明条件下光照不均匀，存在阴影、高光区等对夜间室外番茄植株图像分割的影响，实现了夜间室外番茄植株图像分割。

Description

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

技术领域

本发明涉及一种图像处理方法，尤其是涉及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。

背景技术

番茄生产机器人是实现番茄生产自动化的一种解决方案，基于机器视觉的番茄植株组成器官(包括茎、叶、番茄等)识别是番茄生产机器人获取番茄植株组成器官大小及位置等信息(用于番茄生产机器人进行自动疏果、疏叶、对靶喷施、采摘、避障、导航等)的一种手段。实现番茄植株图像分割是实现番茄植株组成器官识别的前提。为延长番茄生产机器人的工作时间，提高番茄生产机器人的利用率和工作效率，实现番茄生产机器人在夜间环境下的自动化作业非常有必要，而实现夜间室外番茄植株图像分割是实现番茄生产机器人在夜间作业时自动获取番茄植株组成器官大小及位置等信息的前提。

夜间主动照明条件下采集的室外番茄植株图像存在如下特点：不同图像采集距离下，光照条件存在较大差异，对应所采集图像的亮度存在较大差异；同一图像中，亮度不均匀，光源分布中心对应区域较其他区域明显偏亮；茎秆、叶、果实面向光源一侧存在高光区。这些特点对夜间番茄植株图像分割造成了较大的困难。

在果蔬生产机器人视觉系统研究领域，已有较多的日间自然光照条件下采集的绿色农作物图像分割算法。由于日间和夜间，光照条件存在较大差异，因此日间采集的绿色农作物图像呈现出与夜间采集的番茄植株图像不同的特点。日间自然光照条件下，由于光照变化剧烈，不同光照条件下采集的图像，亮度差异较大，图像分割时体现为图像分割阈值差异较大；光照不均匀，导致图像上不同位置的绿色农作物区域亮度不同；背景复杂。日间自然光照条件下和夜间主动照明条件下采集的果蔬植株图像差异较大，导致图像分割算法同样存在较大差异。因此，用于日间自然光照条件下采集的绿色农作物图像的图像分割算法不能直接用于夜间主动照明条件下采集的番茄植株图像的图像分割。

当前，现有的夜间果蔬生产机器人视觉系统图像分割算法主要是夜间果实图像分割算法，另有少数的夜间主动照明条件下的枝叶异色的果树图像分割算法。番茄植株与果蔬树干、树枝及果实光学特性不同，且在颜色、大小等方面存在差异，因此，当前现有的夜间果实及枝叶异色果树图像分割算法不能直接用于夜间枝叶近色的番茄植株图像分割。

当前现有的适用于夜间主动照明条件下采集的枝叶近色果蔬植株图像分割算法极少，且未针对不同图像采集距离下的光照变化，光照不均匀，存在阴影、高光区等夜间果蔬植株图像的特点进行图像分割算法的设计，图像分割效果仍无法满足生产实践的需求。

发明内容

本发明的目的在于提供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，采用信息熵梯度作为最佳图像分割结果的判别准则，采用一种简化PCNN模型实现夜间室外番茄植株的图像分割，为夜间室外番茄植株器官的识别和定位奠定基础。

本发明采用的技术方案是：

使用照明系统对夜间室外番茄植株进行照明；图像接收装置接收到主动照明条件下的夜间室外番茄植株的光学图像后，将其转换为电子图像输出；图像接收装置输出的电子图像输入到图像分析处理系统；图像分析处理系统对输入的夜间室外番茄图像使用夜间室外番茄植株图像分割算法实现夜间室外番茄植株图像分割；用彩色相机采集夜间主动照明条件下室外番茄植株的彩色图像C，读取彩色图像C中各像素的R、G、B颜色分量；包括以下步骤：

①归一化色差值C_n计算：对彩色图像C上的每一个像素点分别按公式(1)计算绿红色差C_c，计算得到绿红色差C_c后，按公式(2)计算归一化色差值C_n，将C_n作为像素值，得到灰度图像I；

式(2)中，min(c_c)—彩色图像C上所有像素点的c_c的最小值；max(c_c)—彩色图像C上所有像素点的c_c的最大值。

②设置迭代次数n为1；

③使用简化PCNN模型对I进行图像分割，得到图像分割结果Y(n)；简化PCNN模型，将图像横坐标为i，纵坐标为j的像素视为一个神经元N_ij；将各像素在灰度图像I中像素值I_ij作为神经元的输入；神经元的输出为Y_ij(n)(即第n次迭代得到的图像分割结果Y(n)中，图像坐标系中横坐标为i，纵坐标为j的像素的像素值)通过式(3)计算得到；所有神经元的输出即为第n次迭代得到的图像分割结果Y(n)；

式(3)中，n—第n次迭代；U^* _ij(n)—内部活动项，如式(4)所示，E_ij(n)—动态阈值，如式(5)所示；Y_ij(0)为0；

式(4)中，F_ij(n)—神经元输入项，如式(6)所示；L^* _ij(n)—连接输入项，如式(7)所示；β—内部活动项连接系数，设为0.1；

E_ij(n)＝T⁺-n×N n≤M (5)

式(5)中，T⁺—动态阈值初始值，设为0.45；N—阈值衰减步长，设为0.025；M—最大迭代次数，如式(8)所示，为8；E_ij(0)为T⁺；

F_ij(n)＝I_ij (6)

式(6)中，I_ij—外部输入激励，即图像像素值；

式(7)中，L_ij(n)如式(9)所示；

式(8)中，K—动态阈值变化区间宽度，设为0.2；

L_ij(n)＝∑W_ijY_ij(n-1) (9)

式(9)中，W_ij—耦合连接域连接系数，如式(10)所示，

W_ij＝(1-|F_ij(n)-F_i+k,j+l(n)|)e^1-d (10)

式(10)中：e—欧拉数，近似等于2.718281828；d—神经元N_kl与神经元N_ij间的欧式距离，其计算如式(11)所示，

式(11)中：x_i+k，y_j+l—神经元N_kl坐标；x_i，y_j—神经元N_ij坐标；

④计算图像分割结果Y(n)的信息熵s(n)，判断n是否为1，若是，则将最大信息熵s(max)的值修改为s(1)，并将max的值修改为1，转入步骤⑥；否则，转入步骤⑤；

⑤判断s(n)是否大于最大信息熵s(max)，若是，则将最大信息熵s(max)的值修改为s(n)，并将max的值修改为n，转入步骤⑥；否则，结束迭代过程，转到步骤⑦；

⑥判断n是否等于预设的最大迭代次数M，若是，则结束迭代过程，转入步骤⑦；否则，迭代次数n自增1，跳转到步骤③；

⑦计算最大信息熵s(max)与第max-1次迭代得到的信息熵s(max-1)的差值，即信息熵梯度Δs；

⑧判断Δs是否大于阈值T_s(设为0.17)，若是，则以第max+1次迭代获得的Y(max+1)为图像分割结果F；否则，以最大信息熵对应的第max次迭代获得的Y(max)为图像分割结果F；

⑨图像分割结果去噪：去除图像分割结果F中面积小于预设阈值T_a的区域，得到去噪后的图像分割结果F_n。

本发明具有的有益效果是：

本发明采用信息熵梯度作为最佳图像分割结果评价准则，采用简化的PCNN模型，克服了夜间主动照明条件下不同图像采集距离下的光照变化，光照不均匀，存在阴影、高光区等对夜间室外番茄植株图像分割的影响，实现了主动照明条件下夜间室外番茄植株图像分割，为夜间室外番茄植株器官的识别和定位奠定了基础。

附图说明

图1是夜间室外番茄植株图像分割系统示意图。

图2是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流程图。

图3是简化PCNN模型图。

图1中：1、番茄植株，2、彩色相机，3、照明系统，4、1394图像采集卡，5、计算机，6、夜间室外番茄图像分割软件。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

图1示意了夜间室外番茄植株图像分割系统的一个具体实施例。照明系统3采用2盏3w的白色荧光灯构成的对角照射系统，对角距离为400mm。图像接收装置采用彩色相机2，彩色相机2中的图像传感器为彩色Sony ICX204 CCD，最大分辨率为1024×768，透镜焦距为6mm。图像采集卡4型号为MOGE 1394，带电源适配器。计算机5为Lenovo R400笔记本电脑，内存3G，CPU为Intel CoreDuo T6570，WIN 7操作系统。使用1394连接线将彩色相机2与1394图像采集卡4相连，1394图像采集卡4通过7合1读卡器接口安装在计算机5上。

夜间室外番茄植株图像分割的具体实现如下：

使用照明系统3对夜间室外番茄植株1进行照明；彩色相机2接收到番茄植株1的光学图像后，将其转换为电子图像输出；彩色相机2输出的电子图像输入到1394图像采集卡4；1394图像采集卡4将模拟图像信号转换为数字图像信号后输入到计算机5中的室外番茄植株图像分割软件6；室外番茄植株图像分割软件6使用室外番茄植株图像分割方法实现夜间主动照明条件下番茄植株图像分割。

用彩色相机采集夜间主动照明条件下室外番茄植株的彩色图像C(640×480像素)，读取彩色图像C中各像素的R、G、B颜色分量；如图2所示，包括以下步骤：

①归一化色差值C_n计算：对彩色图像C上的每一个像素点分别按公式(1)计算绿红色差C_c，计算得到绿红色差C_c后，按公式(2)计算归一化色差值C_n，将C_n作为像素值，得到灰度图像I；

式(2)中，min(c_c)—彩色图像C上所有像素点的c_c的最小值；max(c_c)—彩色图像C上所有像素点的c_c的最大值。

②设置迭代次数n为1；

③使用简化PCNN模型对I进行图像分割，得到图像分割结果Y(n)；简化PCNN模型，如图3所示，包括三部分：耦合输入区；内部活动域；脉冲发生器。将图像横坐标为i，纵坐标为j的像素视为一个神经元N_ij；将各像素在灰度图像I中像素值I_ij作为神经元的输入；神经元的输出为Y_ij(n)(即第n次迭代得到的图像分割结果Y(n)中，图像坐标系中横坐标为i，纵坐标为j的像素的像素值)通过式(3)计算得到；所有神经元的输出即为第n次迭代得到的图像分割结果Y(n)；

式(3)中，n—第n次迭代；U^* _ij(n)—内部活动项，内部活动域的输出，如式(4)所示，E_ij(n)—动态阈值，采用线性阈值衰减器获得，如式(5)所示；Y_ij(0)为0；

式(4)中，F_ij(n)—神经元输入项，如式(6)所示；L^* _ij(n)—连接输入项，如式(7)所示；β—内部活动项连接系数，设为0.1；

E_ij(n)＝T⁺-n×N n≤M (5)

式(5)中，T⁺—动态阈值初始值，设为0.45；N—阈值衰减步长，设为0.025；M—最大迭代次数，如式(8)所示，为8；E_ij(0)为T⁺；

F_ij(n)＝I_ij (6)

式(6)中，I_ij—外部输入激励，即图像像素值；

式(7)中，L_ij(n)如式(9)所示；

式(8)中，K—动态阈值变化区间宽度，设为0.2；

L_ij(n)＝∑W_ijY_ij(n-1) (9)

式(9)中，W_ij—耦合连接域连接系数，如式(10)所示，

W_ij＝(1-|F_ij(n)-F_i+k,j+l(n)|)e^1-d (10)

式(10)中：e—欧拉数，近似等于2.718281828；d—神经元N_kl与神经元N_ij间的欧式距离，其计算如式(11)所示，

式(11)中：x_i+k，y_j+l—神经元N_kl坐标；x_i，y_j—神经元N_ij坐标；

④计算图像分割结果Y(n)的信息熵s(n)，信息熵的计算如式(12)所示；判断n是否为1，若是，则将最大信息熵s(max)的值修改为s(1)，并将max的值修改为1，转入步骤⑥；否则，转入步骤⑤；

式(12)中，p_i(n)的计算如式(13)所示，

式(13)中，T_i(n)—Y(n)中像素值为i的像素数；T(n)—Y(n)中的像素总数；

⑤判断s(n)是否大于最大信息熵s(max)，若是，则将最大信息熵s(max)的值修改为s(n)，并将max的值修改为n，转入步骤⑥；否则，结束迭代过程，转到步骤⑦；

⑥判断n是否等于预设的最大迭代次数M，若是，则结束迭代过程，转入步骤⑦；否则，迭代次数n自增1，跳转到步骤③；

⑦计算最大信息熵s(max)与第max-1次迭代得到的信息熵s(max-1)的差值，即信息熵梯度Δs；

⑧判断Δs是否大于阈值T_s(设为0.17)，若是，则以第max+1次迭代获得的Y(max+1)为图像分割结果F；否则，以最大信息熵对应的第max次迭代获得的Y(max)为图像分割结果F；

⑨图像分割结果去噪：去除图像分割结果F中面积小于预设阈值T_a(设为300像素)的区域，得到去噪后的图像分割结果F_n。

Claims (1)

1.一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，用彩色相机采集夜间主动照明条件下室外番茄植株的彩色图像C，读取彩色图像C中各像素的R、G、B颜色分量；其特征在于，包括以下步骤：

①归一化色差值C_n计算：对彩色图像C上的每一个像素点分别按公式(1)计算绿红色差C_c，计算得到绿红色差C_c后，按公式(2)计算归一化色差值C_n，将C_n作为像素值，得到灰度图像I；

式(2)中，min(C_c)—彩色图像C上所有像素点的C_c的最小值；max(C_c)—彩色图像C上所有像素点的C_c的最大值；

②设置迭代次数n为1；

③使用简化PCNN模型对I进行图像分割，得到图像分割结果Y(n)；简化PCNN模型的特征在于：将图像横坐标为i，纵坐标为j的像素视为一个神经元N_ij；将各像素在灰度图像I中像素值I_ij作为神经元的输入；神经元的输出为Y_ij(n)即第n次迭代得到的图像分割结果Y(n)中，图像坐标系中横坐标为i，纵坐标为j的像素的像素值通过式(3)计算得到；所有神经元的输出即为第n次迭代得到的图像分割结果Y(n)；

式(3)中，n—第n次迭代；U^* _ij(n)—内部活动项，如式(4)所示，E_ij(n)—动态阈值，如式(5)所示；Y_ij(0)为0；

式(4)中，F_ij(n)—神经元输入项，如式(6)所示；L^* _ij(n)—连接输入项，如式(7)所示；β—内部活动项连接系数，设为0.1；

E_ij(n)＝T⁺-n×N n≤M (5)

式(5)中，T⁺—动态阈值初始值，设为0.45；N—阈值衰减步长，设为0.025；M—最大迭代次数，如式(8)所示，为8；E_ij(0)为T⁺；

F_ij(n)＝I_ij (6)

式(6)中，I_ij—外部输入激励，即图像像素值；

式(7)中，L_ij(n)如式(9)所示；

式(8)中，K—动态阈值变化区间宽度，设为0.2；

式(9)中，W_ijkl—耦合连接域连接系数，如式(10)所示，

W_ijkl＝(1-|F_ij(n)-F_i+k,j+l(n)|)e^1-d (10)

式(10)中：e—欧拉数，近似等于2.718281828；d—神经元N_kl与神经元N_ij间的欧式距离，其计算如式(11)所示，

式(11)中：x_i+k，y_j+l—神经元N_kl坐标；x_i，y_j—神经元N_ij坐标；

④计算图像分割结果Y(n)的信息熵s(n)，如式(12)所示，判断n是否为1，若是，则将最大信息熵s(max)的值修改为s(1)，并将max的值修改为1，转入步骤⑥；否则，转入步骤⑤；

式(12)中，p_i(n)的计算如式(13)所示，

式(13)中，T_i(n)—Y(n)中像素值为i的像素数；T(n)—Y(n)中的像素总数；

⑤判断s(n)是否大于最大信息熵s(max)，若是，则将最大信息熵s(max)的值修改为s(n)，并将max的值修改为n，转入步骤⑥；否则，结束迭代过程，转到步骤⑦；

⑥判断n是否等于预设的最大迭代次数M，若是，则结束迭代过程，转入步骤⑦；否则，迭代次数n自增1，跳转到步骤③；

⑦计算最大信息熵s(max)与第max-1次迭代得到的信息熵s(max-1)的差值，即信息熵梯度Δs；

⑧判断Δs是否大于阈值T_s，若是，则以第max+1次迭代获得的Y(max+1)为图像分割结果F；否则，以最大信息熵对应的第max次迭代获得的Y(max)为图像分割结果F；

⑨图像分割结果去噪：去除图像分割结果F中面积小于预设阈值T_a的区域，得到去噪后的图像分割结果F_n。

Images