CN108428239A - 基于图像纹理特征提取的智能割草机边界识别方法 - Google Patents

基于图像纹理特征提取的智能割草机边界识别方法 Download PDF

Info

Publication number
CN108428239A
CN108428239A CN201810229256.8A CN201810229256A CN108428239A CN 108428239 A CN108428239 A CN 108428239A CN 201810229256 A CN201810229256 A CN 201810229256A CN 108428239 A CN108428239 A CN 108428239A
Authority
CN
China
Prior art keywords
gray
map
scale map
straight line
intelligent grass
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
Application number
CN201810229256.8A
Other languages
English (en)
Inventor
王兴松
张晓春
田梦倩
毛玉良
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN201810229256.8A priority Critical patent/CN108428239A/zh
Publication of CN108428239A publication Critical patent/CN108428239A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于图像纹理特征提取的智能割草机边界识别方法，包括以下步骤：(1)将采集到的图像I1转换为灰度图I2；(2)求取灰度图I2对应的纹理特征值灰度图I4；(3)对纹理特征值灰度图I4进行自适应分割得到二值图I5；(4)对二值图I5进行噪声处理，得到用于提取最终边界直线的二值图I6；(5)利用直线拟合算法得到边界直线。与现有技术相比，本发明能够自动适应不同的草地，而无需事先进行草地样本的提取以得到草坪和背景的分界直线，解决了智能割草机无信标边界识别的问题。

Description

基于图像纹理特征提取的智能割草机边界识别方法
技术领域
本发明涉及智能割草机控制技术，尤其涉及基于图像纹理特征提取的智能割草机边界识别方法。
背景技术
随着经济的发展，城市绿化面积和家庭草地的大幅度增加，大量的草坪需要进行维护。传统的割草机多采用汽油提供动力，存在着耗能高、噪声大、污染严重等缺点，而且需要人工操作，费时费力；相比之下，可以自动完成草坪修剪作业的智能割草机越来越受到消费者的青睐。
智能割草机的边界识别技术是智能割草机的关键技术之一，通过一定的手段将割草机限制在一定的区域内工作是实现割草机完全自动化的关键。目前市场上的割草机几乎全部采用设立电子边界线的方式实现边界的识别，此方式存在着信号易被干扰、电缆易被割断等弊端。因此，近年来无信标边界识别技术引起了研究人员的兴趣。
目前在利用图像处理进行边界识别的领域，普遍采用简单阈值分割的方式，此方式在草坪和背景颜色差异较大时效果较好，但是在草坪和背景颜色差异较小的情况下易造成误识别；也有利用提前提取的草坪特征进行匹配的方式识别边界，但是采用此方式时，在更换草坪时需要进行繁琐的特征提取工作。因此，目前亟需提出一种能够自适应各种草坪环境的边界识别方法。
发明内容
发明目的：本发明的目的是提供基于图像纹理特征提取的智能割草机边界识别方法，以解决户外智能割草机无信标边界识别的问题。
技术方案：基于图像纹理特征提取的智能割草机边界识别方法，包括以下步骤：
(1)将采集到的图像I1转换为灰度图I2；
(2)求取灰度图I2对应的纹理特征值灰度图I4；
(3)对纹理特征值灰度图I4进行自适应分割得到二值图I5；
(4)对二值图I5进行噪声处理，得到用于提取最终边界直线的二值图I6；
(5)利用直线拟合算法得到边界直线。
步骤(1)中，将图像转换为灰度图的公式为：
Gray＝(R*38+G*75+B*15)》7 (2)
步骤(2)中，求取纹理特征值灰度图的步骤为：
(21)对256级灰度图进行灰度直方图均衡化；
(22)以设定像素为单位矩阵遍历整张灰度图，求取每个单位矩阵的归一化灰度共生矩阵，并计算能量特征值，将能量特征值转化为灰度值后赋值给这个单位矩阵的所有像素点，得到纹理特征值灰度图。
步骤(3)中，对纹理特征值灰度图进行自适应阈值分割的步骤如下：
(31)利用OTSU方法求出灰度图I4的最佳阈值；
(32)对纹理特征值灰度图进行阈值分割，低于最佳阈值的像素赋为黑色，其余赋为白色，得到二值图I5。
步骤(4)中，对二值图进行噪声处理的步骤如下：
(41)对二值图I5执行形态学滤波；
(42)提取二值图所有黑色区域的轮廓，并将面积小于某一个阈值的黑色像素块全部赋值为白色，得到可用于提取最终边界直线的二值图I6。
步骤(5)中，得到边界直线的步骤如下：
(51)建立用于直线拟合的点的集合；
(52)对于得到的点集，运用最小二乘法，拟合出所需的边界直线。
有益效果：与现有技术相比，本发明能够自动适应不同的草地，而无需事先进行草地样本的提取以得到草坪和背景的分界直线，解决了智能割草机无信标边界识别的问题。
附图说明
图1为边界识别方法流程图；
图2为边界识别效果图；
图3为均衡化前的灰度直方图；
图4为均衡化后的灰度直方图。
具体实施方式
本实施例中采用安装在割草机前端，且符合UVC协议、分辨率为640*480，视角为90°的USB摄像头作为图像采集装置，并利用Linux v4l2库采集图像；内置于智能割草机的微处理器作为图像处理装置，其通过v4l2接口对USB摄像头进行初始化，计算边界提取所需常量并将之存放到内存，摄像头不断采集RGB格式的图像，并通过USB传输到ARM Cortex-A9内核的Samsung S5P4418微处理器中对图像进行处理；微处理器和割草机运动控制系统连接。
如图1、图2所示，边界识别方法包括以下步骤：
(1)将采集到的RGB图像I1转换为256级灰度图I2，采用的公式如下：
Gray＝R*0.299+G*0.587+B*0.114 (1)
其中，R、G和B分别为RGB图像的红、黄、蓝三个分量，Gray为灰度值。
由于公式(1)涉及到浮点数的运算，计算机进行浮点运算的速度远慢于整数运算；而对整数而言，移位运算的速度远快于除法运算，所以将公式(1)优化为公式(2)：
Gray＝(R*38+G*75+B*15)＞＞7 (2)
(2)求取灰度图I2对应的纹理特征值灰度图I4：
(21)对256级灰度图I2进行灰度直方图均衡化得到灰度图I3；进行灰度直方图均衡化的目的是让灰度值分布在整个灰度级的范围内，而避免分布在某几个小的范围内；其中图3为均衡化前的灰度直方图，图4为均衡化后的灰度直方图，经对比体现了灰度直方图均衡化的效果。将灰度值0～255对应的8级灰度下的灰度值事先计算好存放在内存中，可以节省大量的除法运算的时间。
(22)将I3转换为8级灰度图，用9*9像素为单位矩阵遍历I3全图，对于每一个单位矩阵，求出对应的归一化灰度共生矩阵，灰度共生矩阵的任意元素P(i,j)被定义为具有空间位置关系δ＝(dx,dy)，并且灰度分别为i和j的两个像素出现的概率。对于归一化灰度共生矩阵，求取其能量值ASM，公式如下：
其中，i和j分别指灰度共生矩阵的横、纵坐标；p(i,j)指灰度共生矩阵第i行第j列的元素，即灰度共生矩阵对应的灰度图中灰度分别为i和j，且具有位置关系δ＝(dx,dy)的像素出现的概率；能量值ASM，又称角二阶矩，是Angular SecondMoment的缩写。
将能量值赋给对应单位矩阵的每个像素点，求出每一个单位矩阵对应的归一化特征矩阵和能量特征值，得到纹理特征值灰度图I4。在本实施例中，用以生成灰度共生矩阵的空间位置关系取为(-1,0)和(1,0)。
表1为草坪中某一个9*9像素单位矩阵对应的归一化灰度共生矩阵，表2为背景中某一个9*9像素单位矩阵对应的归一化灰度共生矩阵。
表1
表2
(3)利用大津算法OTSU得到纹理特征值灰度图I4的最佳阈值，并使用此最佳阈值对纹理特征值灰度图I4进行阈值分割，低于最佳阈值的像素赋为黑色，其余赋为白色，得到二值图I5。
(4)对二值图I5进行噪声处理，依次执行形态学闭运算和形态学开运算，提取二值图中所有黑色像素块的轮廓，并将面积小于S的黑色像素块全部赋为白色，至此完成了所有的去除噪声工作，得到可以用于提取最终的边界直线的二值图I6。
(5)利用直线拟合算法得到边界直线：
(51)建立用于直线拟合的点的集合，从二值图I6左边开始，找出图像每一列最上面一个黑色像素点，如果此像素点不在距图像边缘9个像素以内的范围内，则视为有效点，放入点集中，否则视为无效点。遍历完所有的列后，若有80％以上的列中能得到有效点，则点集有效，进入下一步；否则，则从图像上边缘开始，遍历图像每一行，找出每一行最左边一个黑色像素点，处理方式与前述相同。如果两次均未得到有效的点集，则此次识别无效，开启下一次识别；
(52)对得到的点集，采用最小二乘法，拟合出所需的边界直线；微处理器根据得到的边界直线控制割草机的运动。图2中I7为边界识别的效果图。

Claims (6)

1.一种基于图像纹理特征提取的智能割草机边界识别方法，其特征在于：包括以下步骤：
(1)将采集到的图像I1转换为灰度图I2；
(2)求取灰度图I2对应的纹理特征值灰度图I4；
(3)对纹理特征值灰度图I4进行自适应分割得到二值图I5；
(4)对二值图I5进行噪声处理，得到用于提取最终边界直线的二值图I6；
(5)利用直线拟合算法得到边界直线。
2.根据权利要求1所述的基于图像纹理特征提取的智能割草机边界识别方法，其特征在于：步骤(1)中，将所述图像转换为灰度图的公式为：
Gray＝(R*38+G*75+B*15)＞＞7 (2)
3.根据权利要求1所述的基于图像纹理特征提取的智能割草机边界识别方法，其特征在于：步骤(2)中，所述求取纹理特征值灰度图的步骤为：
(21)对灰度图I2进行灰度直方图均衡化；
(22)以设定像素为单位矩阵遍历整张灰度图，求取灰度共生矩阵，计算能量特征值，将能量特征值转化为灰度值，得到纹理特征值灰度图I4。
4.根据权利要求1所述的基于图像纹理特征提取的智能割草机边界识别方法，其特征在于：步骤(3)中，对所述纹理特征值灰度图I4进行自适应阈值分割的步骤如下：
(31)利用OTSU方法求出灰度图I4的最佳阈值；
(32)对纹理特征值灰度图进行阈值分割，低于最佳阈值的像素赋为黑色，其余赋为白色，得到二值图I5。
5.根据权利要求1所述的基于图像纹理特征提取的智能割草机边界识别方法，其特征在于：步骤(4)中，对所述二值图I5进行噪声处理的步骤如下：
(41)对二值图I5执行形态学滤波；
(42)提取二值图所有黑色区域的轮廓，将面积小于某一个阈值的黑色像素块全部赋值为白色，得到二值图I6。
6.根据权利要求1所述的基于图像纹理特征提取的智能割草机边界识别方法，其特征在于：步骤(5)中，得到所述边界直线的步骤如下：
(51)建立用于直线拟合的点的集合；
(52)对于得到的点集，运用最小二乘法，拟合出所需的边界直线。
CN201810229256.8A 2018-03-20 2018-03-20 基于图像纹理特征提取的智能割草机边界识别方法 Pending CN108428239A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810229256.8A CN108428239A (zh) 2018-03-20 2018-03-20 基于图像纹理特征提取的智能割草机边界识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810229256.8A CN108428239A (zh) 2018-03-20 2018-03-20 基于图像纹理特征提取的智能割草机边界识别方法

Publications (1)

Publication Number Publication Date
CN108428239A true CN108428239A (zh) 2018-08-21

Family

ID=63158505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810229256.8A Pending CN108428239A (zh) 2018-03-20 2018-03-20 基于图像纹理特征提取的智能割草机边界识别方法

Country Status (1)

Country Link
CN (1) CN108428239A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059669A (zh) * 2019-04-29 2019-07-26 四川农业大学 一种基于微处理器的智能割草机人边界识别方法
CN110378921A (zh) * 2019-07-22 2019-10-25 江苏海洋大学 基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法
CN110679274A (zh) * 2019-11-04 2020-01-14 黄可 一种市政草坪维护设备的管理系统
CN111060540A (zh) * 2019-12-18 2020-04-24 汇鸿智能科技(辽宁)有限公司 一种夹杂物自动识别系统中夹杂物颗粒自动识别方法
CN111340773A (zh) * 2020-02-24 2020-06-26 齐鲁工业大学 一种视网膜图像血管分割方法
CN112558596A (zh) * 2019-09-06 2021-03-26 苏州科瓴精密机械科技有限公司 自动工作系统、自动行走设备及其控制方法及计算机可读存储介质
WO2022095170A1 (zh) * 2020-11-09 2022-05-12 苏州科瓴精密机械科技有限公司 一种障碍物识别方法、装置、设备、介质及除草机器人
CN114881853A (zh) * 2022-03-24 2022-08-09 深圳拓邦股份有限公司 一种智能割草机局部全景图创建方法、装置、电子设备及存储介质
CN112434570B (zh) * 2020-11-09 2024-05-24 宜春钽铌矿有限公司 一种钽铌矿摇床矿带的图像识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101166997B1 (ko) * 2011-02-23 2012-07-24 서울대학교산학협력단 Ｇｌｃｍ 텍스처 분석을 이용한 볼륨 보존 영역 검출과 비강체 정합 방법 및 그 기록 매체
CN104239886A (zh) * 2014-09-30 2014-12-24 浙江理工大学 基于图像分析的草坪与背景分界线的提取方法
CN105335749A (zh) * 2015-08-28 2016-02-17 浙江理工大学 基于灰度共生矩阵的草地未割区域分界线提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101166997B1 (ko) * 2011-02-23 2012-07-24 서울대학교산학협력단 Ｇｌｃｍ 텍스처 분석을 이용한 볼륨 보존 영역 검출과 비강체 정합 방법 및 그 기록 매체
CN104239886A (zh) * 2014-09-30 2014-12-24 浙江理工大学 基于图像分析的草坪与背景分界线的提取方法
CN105335749A (zh) * 2015-08-28 2016-02-17 浙江理工大学 基于灰度共生矩阵的草地未割区域分界线提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王嘉梅: "《基于MATLAB的数字信号处理与实践开发》", 31 December 2007, 西安电子科技大学出版社 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059669A (zh) * 2019-04-29 2019-07-26 四川农业大学 一种基于微处理器的智能割草机人边界识别方法
CN110378921A (zh) * 2019-07-22 2019-10-25 江苏海洋大学 基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法
CN110378921B (zh) * 2019-07-22 2023-03-14 江苏海洋大学 基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法
CN112558596A (zh) * 2019-09-06 2021-03-26 苏州科瓴精密机械科技有限公司 自动工作系统、自动行走设备及其控制方法及计算机可读存储介质
CN110679274A (zh) * 2019-11-04 2020-01-14 黄可 一种市政草坪维护设备的管理系统
CN111060540A (zh) * 2019-12-18 2020-04-24 汇鸿智能科技(辽宁)有限公司 一种夹杂物自动识别系统中夹杂物颗粒自动识别方法
CN111340773A (zh) * 2020-02-24 2020-06-26 齐鲁工业大学 一种视网膜图像血管分割方法
CN111340773B (zh) * 2020-02-24 2022-11-22 齐鲁工业大学 一种视网膜图像血管分割方法
WO2022095170A1 (zh) * 2020-11-09 2022-05-12 苏州科瓴精密机械科技有限公司 一种障碍物识别方法、装置、设备、介质及除草机器人
CN112434570B (zh) * 2020-11-09 2024-05-24 宜春钽铌矿有限公司 一种钽铌矿摇床矿带的图像识别方法
CN114881853A (zh) * 2022-03-24 2022-08-09 深圳拓邦股份有限公司 一种智能割草机局部全景图创建方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN108428239A (zh) 基于图像纹理特征提取的智能割草机边界识别方法
CN108009542B (zh) 油菜大田环境下杂草图像分割方法
CN109657632B (zh) 一种车道线检测识别方法
CN109409355B (zh) 一种新型变压器铭牌识别的方法及装置
CN106845408A (zh) 一种复杂环境下的街道垃圾识别方法
CN103971126A (zh) 一种交通标志识别方法和装置
CN107705254B (zh) 一种基于街景图的城市环境评估方法
CN103177445B (zh) 基于分段阈值图像分割及光斑识别的室外番茄识别方法
CN102147867B (zh) 一种基于主体的国画图像和书法图像的识别方法
CN108256467B (zh) 一种基于视觉注意机制和几何特征的交通标志检测方法
CN106294705A (zh) 一种批量遥感影像预处理方法
CN102208099A (zh) 一种抗光照变化的作物彩色图像分割方法
CN107992856B (zh) 城市场景下的高分遥感建筑物阴影检测方法
CN114067207A (zh) 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法
CN109886267A (zh) 一种基于最优特征选择的低对比度图像显著性检测方法
CN111462044A (zh) 基于深度学习模型的温室草莓检测与成熟度评价方法
CN107563301A (zh) 基于图像处理技术的红灯信号检测方法
CN109584258A (zh) 草地边界识别方法及应用其的智能割草装置
CN112347805A (zh) 一种多目标二维码检测识别方法、系统、装置及存储介质
CN109165592B (zh) 一种基于pico算法的实时可旋转的人脸检测方法
CN113052110B (zh) 一种基于多视图投影和深度学习的三维兴趣点提取方法
CN103871084B (zh) 蓝印花布图案识别方法
CN114758139B (zh) 基坑积水检测方法
CN111985436A (zh) 一种基于lsd的车间地标线识别拟合方法
CN111241916A (zh) 一种交通标志识别模型的建立方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180821

RJ01 Rejection of invention patent application after publication