CN108765442A - 一种基于室外多变光照条件下农田绿色作物快速分割方法 - Google Patents
一种基于室外多变光照条件下农田绿色作物快速分割方法 Download PDFInfo
- Publication number
- CN108765442A CN108765442A CN201810435039.4A CN201810435039A CN108765442A CN 108765442 A CN108765442 A CN 108765442A CN 201810435039 A CN201810435039 A CN 201810435039A CN 108765442 A CN108765442 A CN 108765442A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- carried out
- green crop
- illumination condition
- 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
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于室外多变光照条件下农田绿色作物快速分割方法,包括如下步骤:步骤1:采用加权法提取GR分量特征对彩色图像进行灰度化,消除光照变化及土壤背景环境对绿色作物信息提取的干扰;步骤2:采用中值滤波法对灰度图像进行去噪预处理,减少噪声点对图像后续分割精度的影响;步骤3:采用Otsu算法进行自动阈值分割,得到初步二值图像;步骤4:对二值图像进行膨胀腐蚀后续处理,求取8连通区域,利用面积阈值法过滤假目标。本发明不仅对作物、土壤和光照变化不敏感,而且可以消除图像阴影部分的影响,与颜色索引方法EXG‑Otsu和RGB算法(G>R and G>B)相比,本文算法分割效果更为理想。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于室外多变光照条件下农田绿色作物快速分割方法。
背景技术
基于机器视觉技术的农业自动导航系统在进行作业时,首先需要对采集到的田间图像进行目标与背景的分割,提取图像中的关键信息进而完成路径导航、农作物及杂草识别等过程。因此,在农田室外自然环境下,如何实现绿色作物与土壤背景的快速精准分割是实现农业机器视觉技术的关键前提。
颜色是人眼识别物体的重要特征之一,通常情况下,农田作物均呈绿色,而农田土壤颜色呈黄褐色或黑色等,并且对光照变化不敏感,计算简单,更符合实时操作的要求。因此,利用作物与土壤背景的颜色特征来进行农田图像分割是目前比较广泛的方法之一。其中被广泛采用的颜色指数包括ExG、ExR、CIVE、EXG-EXR等。此外,利用G和R分量的NDI指标也被广泛应用。在图像分割算法中,主要有阈值分割算法、聚类分割算法和边缘分割算法。张志斌等指出RGB颜色空间中作物存在绿色“恒量”的特征,认为作物的颜色特征为G>R并且G>B,提出了一种基于作物绿色特征提取垄行的分割方法。该算法是一种简单有效的绿色作物分割方法,对作物和土壤、光照变化不敏感,但对于阴影部分分割不是很理想;张春龙采用 G-R>Tr且G-B>Tb的方法进行田间背景图像分割。该方法存在的不足是需要根据不同光照情况手动调节阈值Tr和Tb,难以满足对光照变化的鲁棒性和稳定性要求。
发明内容
为解决上述问题,本发明提供了一种基于绿色作物GR颜色特征,结合Otsu和面积阈值分割的农田绿色作物图像分割方法,不仅可以消除图像阴影及部分绿色杂草的影响,而且计算简单,具有较好的鲁棒性和稳定性。
为实现上述目的,本发明采取的技术方案为:
一种基于室外多变光照条件下农田绿色作物快速分割方法,包括如下步骤:
步骤1:采用加权法提取GR分量特征对彩色图像进行灰度化,消除光照变化及土壤背景环境对绿色作物信息提取的干扰;
步骤2:采用中值滤波法对灰度图像进行去噪预处理,减少噪声点对图像后续分割精度的影响;
步骤3:采用Otsu算法进行自动阈值分割,得到初步二值图像。
步骤4:对二值图像进行膨胀腐蚀后续处理,求取8连通区域,利用面积阈值法过滤绿色小面积杂草等假目标。
进一步地,所述步骤1中根据农田绿色作物在室外光照条件变化情况下的颜色特征,采用加权法灰度化图像,计算公式如下:
Gray(x,y)=W1R(x,y)+W2G(x,y)+W3B(x,y) (1)
式(1)中,Gray(x,y)表示像素点(x,y)的灰度值;W1、W2、W3为各分量系数;文中取W1=-1, W2=1,W3=0;即为:
Gray(x,y)=G(x,y)-R(x,y) (2)
利用式(3)对图像进行灰度化:
进一步地,所述步骤2中采用的中值滤波法的表达式为:
g(x,y)=med{f(x-k,y-l),(k,l∈W)} (4)
其中,f(x,y)、g(x,y)分别为输入图像和输出图像;W为二维模板。
进一步地,所述步骤3中采用最大类间方差Otsu法自动获得阈值t;令图像的灰度级为 L(L=256),ni表示灰度值为i的像素个数;n表示像素总数,即n=n0+n1+...+nL-1;pi表示灰度值i的像素点在灰度图像中出现的概率,即pi=ni/n;其中,用阈值t将待分割的灰度图像按像素灰度值分成背景C0和目标C1两类,即C0={0,1,...,t}, C1={t+1,t+2,...,L-1};
背景C0分布的概率为:
目标C1分布的概率为:
背景C0的均值为:
目标C1的均值为:
最大类间方差为:
式中,当σB 2最大时,最佳阈值t*为:
本发明具有以下有益效果:
不仅对作物、土壤和光照变化不敏感,而且可以消除图像阴影部分的影响,与颜色索引方法EXG-Otsu和RGB算法(G>R and G>B)相比,本文算法分割效果更为理想。
附图说明
图1为阴影遮挡图像1第230行G-R分布;
图2为弱光图像2第340行G-R分布;
图3为强光图像3第300行G-R分布;
图4为阴影遮挡图像1第230行G-B分布;
图5为弱光图像2第340行G-B分布;
图6为强光图像3第300行G-B分布。
具体实施方式
为了使本发明的目的及优点更加清楚明白,以下结合实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
考虑到自然环境下,农田彩色图像的复杂性,本文采集了包含不同光照条件及土壤背景的农田绿色作物图像作为研究对象,图像分辨率为480×640,图像格式为.jpg。随机选取3 幅典型的不同光照条件及土壤背景的自然环境下玉米苗期图像。在RGB颜色空间,各图像中绿色作物和土壤背景R、G、B 3分量的均值统计情况如表1所示。
表1玉米植株和土壤背景样本颜色均值统计
从表1玉米植株与土壤背景样本的R、G、B 3分量均值统计情况可知,对于阴影遮挡,光线强弱等光照条件变化,以及土壤背景中含有残茬等环境,玉米植株像素中的均值关系为: G>R且G>B;而土壤背景像素中,随着光照条件的变化,具有一定的波动性,总体均值关系为: R>G>B,但受局部阴影影响,存在G>R和G<B的情况。因此,考虑将图像各分量进行线性组合,图1-图6为玉米植株及土壤背景的G-R和G-B分量差值分布情况,图中,“+”为玉米植株样本,“*”为土壤背景样本。图1、图2、图3中玉米植株和土壤背景在G-R分量差值分布中,存在较大的差异性,没有相互重叠区域;图4、图5、图6中玉米植株和土壤背景在G-B分量差值分布中,受光照变化及土壤环境影响,存在重叠区域。
根据以上分析,本发明实施例提出了一种基于室外多变光照条件下农田绿色作物快速分割方法,具体步骤如下:
步骤1:采用加权法提取GR分量特征对彩色图像进行灰度化,消除光照变化及土壤背景环境对绿色作物信息提取的干扰;
步骤2:采用中值滤波法对灰度图像进行去噪预处理,减少噪声点对图像后续分割精度的影响;
步骤3:采用Otsu算法进行自动阈值分割,得到初步二值图像。
步骤4:对二值图像进行膨胀腐蚀后续处理,求取8连通区域,利用面积阈值法过滤绿色小面积杂草等假目标。
灰度化
根据农田绿色作物在室外光照条件变化情况下的颜色特征,采用加权法灰度化图像,计算公式如下:
Gray(x,y)=W1R(x,y)+W2G(x,y)+W3B(x,y) (1)
式(1)中,Gray(x,y)表示像素点(x,y)的灰度值;W1、W2、W3为各分量系数;文中取W1=-1, W2=1,W3=0。即为:
Gray(x,y)=G(x,y)-R(x,y) (2)
利用式(3)对图像进行灰度化,
图像去噪预处理
图像信息在采集过程中受自然环境及采集方式等影响,往往存在各种噪声的干扰,对后期图像的分割和分析造成了一定的影响。通常去噪处理有频域和空域两种方法。文中采用计算量小、处理速度较快的空域法。中值滤波是一种能有效抑制噪声的非线性滤波,对于一些随机噪声以及椒盐噪声具有非常理想的降噪能力。其表达式为:
g(x,y)=med{f(x-k,y-l),(k,l∈W)} (4)
其中,f(x,y)、g(x,y)分别为输入图像和输出图像;W为二维模板,文中选取3×3模板进行去噪。
图像二值化
基于GR模型的灰度图像,基本排除了光照变化及土壤背景环境的干扰,在进行目标分割时,采用最大类间方差Otsu法[16]自动获得阈值t。令图像的灰度级为L(L=256),ni表示灰度值为i的像素个数;n表示像素总数,即n=n0+n1+...+nL-1;pi表示灰度值i的像素点在灰度图像中出现的概率,即pi=ni/n;其中,用阈值t将待分割的灰度图像按像素灰度值分成背景C0和目标C1两类,即C0={0,1,...,t},C1={t+1,t+2,...,L-1}。
背景C0分布的概率为:
目标C1分布的概率为:
背景C0的均值为:
目标C1的均值为:
最大类间方差为:
式中,当σB 2最大时,最佳阈值t*为:
基于面积阈值法的图像分割
初步二值化分割后的结果图像受农田绿色杂草的影响,通常包含绿色杂草等假目标,通过对二值图像的进一步观察发现,这些假目标分布杂乱、无规律且连通区域面积较小。文中根据二值图像中绿色作物与绿色杂草在8连通区域面积上的差异性,选取合适的面积阈值(本文取50)进行分割得到最终分割结果。可以得出:受光照强度和阴影影响,EXG-Otsu算法在绿色作物目标分割上存在过分割现象;文献算法在光线较弱和阴影区域分割的效果并不理想,存在误分。相比之下,本文分割算法取得了很好的分割效果。
实验结果与分析
实验测试环境为:CPU为Intel(R)Core(TM)i7-4558U@2.80GHz 2.10GHz,4G内存,开发环境为VS 2010 VC++。图像分割性能测试标准采用误分率即ME值[18],该值反映了背景或前景像素被误分到前景或背景区域的比例,该值越小说明分割的效果越好。计算公式如下:
其中,BO与FO分别为人工标记标准掩码图像中的背景与前景;BT与FT分别为分割后的背景与前景;|·|表示各部分像素点个数统计值。
为了验证本文算法在室外自然光照条件下农田绿色作物分割的有效性,文中对采集到的 40幅不同光照环境、不同绿色作物的彩色图像进行分割实验,统计的ME值和耗时如表2所示。与前两种算法相比,在耗时相差不多的情况下,本文算法在误分率ME值上更占优势。
表2多变光照条件下绿色作物图像各算法的ME值和耗时比较
综上所述,本具体实施主要解决了室外多变光照条件下农田绿色作物图像快速分割的问题,通过分析绿色作物在RGB颜色空间上各分量的分布规律,提出了一种基于GR分量特征,结合Otsu和面积阈值法的绿色作物快速分割方法。实验中,本文选取了阴影遮挡、弱光照、强光照以及光照不均等多幅农田绿色作物图像作为研究对象。实验证明,在误分率和耗时上,本文方法都能够取得很好的分割结果,具有较强的适应性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于室外多变光照条件下农田绿色作物快速分割方法,其特征在于,包括如下步骤:
步骤1:采用加权法提取GR分量特征对彩色图像进行灰度化,消除光照变化及土壤背景环境对绿色作物信息提取的干扰;
步骤2:采用中值滤波法对灰度图像进行去噪预处理,减少噪声点对图像后续分割精度的影响;
步骤3:采用Otsu算法进行自动阈值分割,得到初步二值图像。
步骤4:对二值图像进行膨胀腐蚀后续处理,求取8连通区域,利用面积阈值法过滤假目标。
2.如权利要求1所述的一种基于室外多变光照条件下农田绿色作物快速分割方法,其特征在于,所述步骤1中根据农田绿色作物在室外光照条件变化情况下的颜色特征,采用加权法灰度化图像,计算公式如下:
Gray(x,y)=W1R(x,y)+W2G(x,y)+W3B(x,y) (1)
式(1)中,Gray(x,y)表示像素点(x,y)的灰度值;W1、W2、W3为各分量系数;文中取W1=-1,W2=1,W3=0;即为:
Gray(x,y)=G(x,y)-R(x,y) (2)
利用式(3)对图像进行灰度化:
3.如权利要求1所述的一种基于室外多变光照条件下农田绿色作物快速分割方法,其特征在于,所述步骤2中采用的中值滤波法的表达式为:
g(x,y)=med{f(x-k,y-l),(k,l∈W)} (4)
其中,f(x,y)、g(x,y)分别为输入图像和输出图像;W为二维模板。
4.如权利要求1所述的一种基于室外多变光照条件下农田绿色作物快速分割方法,其特征在于,所述步骤3中采用最大类间方差Otsu法自动获得阈值t;令图像的灰度级为L(L=256),ni表示灰度值为i的像素个数;n表示像素总数,即n=n0+n1+…+nL-1;pi表示灰度值i的像素点在灰度图像中出现的概率,即pi=ni/n;其中,用阈值t将待分割的灰度图像按像素灰度值分成背景C0和目标C1两类,即C0={0,1,...,t},
C1={t+1,t+2,…,L-1};
背景C0分布的概率为:
目标C1分布的概率为:
背景C0的均值为:
目标C1的均值为:
最大类间方差为:
σB 2=ω0(μ0-μT)2+ω1(μ1-μT)2
=ω0ω1(μ0-μ1)2 (5)
式中,当σB 2最大时,最佳阈值t*为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810435039.4A CN108765442A (zh) | 2018-04-27 | 2018-04-27 | 一种基于室外多变光照条件下农田绿色作物快速分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810435039.4A CN108765442A (zh) | 2018-04-27 | 2018-04-27 | 一种基于室外多变光照条件下农田绿色作物快速分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108765442A true CN108765442A (zh) | 2018-11-06 |
Family
ID=64009260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810435039.4A Pending CN108765442A (zh) | 2018-04-27 | 2018-04-27 | 一种基于室外多变光照条件下农田绿色作物快速分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765442A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508713A (zh) * | 2018-12-12 | 2019-03-22 | 平安科技(深圳)有限公司 | 图片获取方法、装置、终端和存储介质 |
CN109948543A (zh) * | 2019-03-20 | 2019-06-28 | 广西科技大学 | 一种田间近景图像的导航线提取方法 |
CN110400319A (zh) * | 2019-07-16 | 2019-11-01 | 东华大学 | 一种基于区域分割法的丝饼油污分割算法 |
CN111080526A (zh) * | 2019-12-20 | 2020-04-28 | 广州市鑫广飞信息科技有限公司 | 航拍图像的农田面积的测算方法、装置、设备及介质 |
CN111681253A (zh) * | 2020-06-09 | 2020-09-18 | 山东大学 | 基于颜色与形态特征的叶片图像分割方法及系统 |
CN113205525A (zh) * | 2021-03-23 | 2021-08-03 | 中国科学院南京土壤研究所 | 一种基于超绿指数及超像素的土壤图像分割提取方法 |
CN115393352A (zh) * | 2022-10-27 | 2022-11-25 | 浙江托普云农科技股份有限公司 | 基于图像识别的作物夹角测量方法及其应用 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739570A (zh) * | 2009-12-28 | 2010-06-16 | 中国农业大学 | 棉花异性纤维在线分类方法和系统 |
CN106683069A (zh) * | 2015-11-04 | 2017-05-17 | 重庆泰升生态农业发展有限公司 | 农田苗期行内作物-杂草识别方法 |
-
2018
- 2018-04-27 CN CN201810435039.4A patent/CN108765442A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739570A (zh) * | 2009-12-28 | 2010-06-16 | 中国农业大学 | 棉花异性纤维在线分类方法和系统 |
CN106683069A (zh) * | 2015-11-04 | 2017-05-17 | 重庆泰升生态农业发展有限公司 | 农田苗期行内作物-杂草识别方法 |
Non-Patent Citations (3)
Title |
---|
NOBUYUKI OTSU: "A Threshold Selection Method from Gray-Level Histograms", 《IEEE TRANSACTIONS ON SYSTEMS,MAN,AND CYBERNETICS》 * |
关强: "田间植物分割方法的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
刁智华 等: "复杂背景下棉花病叶害螨图像分割方法", 《农业工程学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508713A (zh) * | 2018-12-12 | 2019-03-22 | 平安科技(深圳)有限公司 | 图片获取方法、装置、终端和存储介质 |
CN109948543A (zh) * | 2019-03-20 | 2019-06-28 | 广西科技大学 | 一种田间近景图像的导航线提取方法 |
CN110400319A (zh) * | 2019-07-16 | 2019-11-01 | 东华大学 | 一种基于区域分割法的丝饼油污分割算法 |
CN111080526A (zh) * | 2019-12-20 | 2020-04-28 | 广州市鑫广飞信息科技有限公司 | 航拍图像的农田面积的测算方法、装置、设备及介质 |
CN111080526B (zh) * | 2019-12-20 | 2024-02-02 | 广州市鑫广飞信息科技有限公司 | 航拍图像的农田面积的测算方法、装置、设备及介质 |
CN111681253A (zh) * | 2020-06-09 | 2020-09-18 | 山东大学 | 基于颜色与形态特征的叶片图像分割方法及系统 |
CN113205525A (zh) * | 2021-03-23 | 2021-08-03 | 中国科学院南京土壤研究所 | 一种基于超绿指数及超像素的土壤图像分割提取方法 |
CN115393352A (zh) * | 2022-10-27 | 2022-11-25 | 浙江托普云农科技股份有限公司 | 基于图像识别的作物夹角测量方法及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765442A (zh) | 一种基于室外多变光照条件下农田绿色作物快速分割方法 | |
Meyer et al. | Verification of color vegetation indices for automated crop imaging applications | |
CN108090888B (zh) | 基于视觉注意模型的红外图像和可见光图像的融合检测方法 | |
CN107563413B (zh) | 无人机航拍影像农田块对象精准提取方法 | |
CN104834912B (zh) | 一种基于图像信息检测的天气识别方法及装置 | |
DE60008486T2 (de) | Verfahren zur Himmelserkennung in Bildern | |
Sunny et al. | An efficient citrus canker detection method based on contrast limited adaptive histogram equalization enhancement | |
DE102011106052B4 (de) | Schattenentfernung in einem durch eine fahrzeugbasierte Kamera erfassten Bild unter Verwendung eines nichtlinearen beleuchtungsinvarianten Kerns | |
CN108549874A (zh) | 一种目标检测方法、设备及计算机可读存储介质 | |
DE102009038364A1 (de) | Verfahren und System zur automatischen Objekterkennung und anschließenden Objektverfolgung nach Maßgabe der Objektform | |
CN103914813A (zh) | 彩色雾霾图像去雾与光照补偿的复原方法 | |
CN102663397B (zh) | 一种小麦出苗的自动检测方法 | |
CN105761260B (zh) | 一种皮肤图像患处分割方法 | |
CN109859257B (zh) | 一种基于纹理方向性的皮肤图像纹理评估方法及系统 | |
CN111369570B (zh) | 一种视频图像的多目标检测跟踪方法 | |
CN111539980B (zh) | 一种基于可见光的多目标追踪方法 | |
Shaikh et al. | A novel approach for automatic number plate recognition | |
CN108760658A (zh) | 一种遥感影像植被抑制及岩石土壤信息还原方法 | |
CN105447825A (zh) | 图像去雾方法及其系统 | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
Sibi Chakkaravarthy et al. | Automatic leaf vein feature extraction for first degree veins | |
CN113269690A (zh) | 一种叶片病变区域检测方法及系统 | |
CN109241865B (zh) | 一种弱对比度交通场景下的车辆检测分割算法 | |
Mutaqin et al. | Increase dehazing process using fast guided filter on the dark channel prior | |
Ibrahim et al. | Texture and pixel intensity characterization-based image segmentation with morphology and watershed techniques |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |