CN109461159A - 一种田间作物杂草的图像分割方法 - Google Patents
一种田间作物杂草的图像分割方法 Download PDFInfo
- Publication number
- CN109461159A CN109461159A CN201811380348.2A CN201811380348A CN109461159A CN 109461159 A CN109461159 A CN 109461159A CN 201811380348 A CN201811380348 A CN 201811380348A CN 109461159 A CN109461159 A CN 109461159A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- grayscale value
- weed
- field crops
- 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
- 241000196324 Embryophyta Species 0.000 title claims abstract description 139
- 244000037666 field crops Species 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005192 partition Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000005055 memory storage Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000009825 accumulation Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 239000012535 impurity Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
Abstract
本发明属于图像处理技术领域,公开了一种田间作物杂草的图像分割方法,通过图像采集模块利用摄像器采集田间作物杂草图像数据;主控模块通过图像增强模块利用图像处理软件增强图像清晰度;通过图像识别模块利用深度堆叠网络模型对杂草图像进行识别;通过特征提取模块利用图像处理软件根据识别内容提取分割出杂草图像数据;通过警示模块利用警示器根据提取的杂草数据进行警示;通过数据存储模块利用存储器存储采集的杂草图像数据;并通过显示模块利用显示器显示杂草图像数据。本发明通过图像识别模块采用深度堆叠网络不但具有很强的特征表达与分类能力,还减少了训练时间与识别时间,增强了杂草识别的鲁棒性。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种田间作物杂草的图像分割方法。
背景技术
农作物指农业上栽培的各种植物。生物的一种。包括粮食作物﹑经济作物(油料作物、蔬菜作物、花、草、树木)两大类。可食用的农作物是人类基本食物的来源之一。“人以食为天”,表达了人与食物的关系,合理的膳食搭配才能给人类带来健康。食物的自给自足,才是一个国家可持续性发展的基础。农作物的生长,离不开科学的科技生产技术,以及新型工业制造出来的能辅助农业生产的机械设备。然而,现有田间作物杂草的采集图像对比度仍较低,显示图像存在失真;同时,对田间作物杂草识别度不高。
综上所述,现有技术存在的问题是:
(1)现有田间作物杂草的采集图像对比度仍较低,显示图像存在失真;同时,对田间作物杂草识别度不高。
(2)现有技术中摄像器聚焦的速度较慢及精度较差,不利于得到高清晰度的图像;现有技术中高存储器的存储效率及存储精确度较差,不利于系统的高效运行;现有技术中显示器不能有效去除显示器的屏幕光斑,显示屏的光度不均匀,清晰度较差。
发明内容
针对现有技术存在的问题,本发明提供了一种田间作物杂草的图像分割方法。
本发明是这样实现的,一种田间作物杂草的图像分割方法,包括:
通过特征提取模块利用图像处理软件根据识别内容提取分割出杂草图像数据;包括:
消除杂草图像图形中的奇化部分;建立两杂草图像图形的数学模型,由描述杂草图像图形的完备向量组建立与图形对应的特征矩阵,计算出相邻两边的夹角;计算两图形间的最近距离;对计算结果的增强性处理。
进一步,所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S1表示多边形:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S1和该多边形有一一映射关系,其表示与边角初始顺序无关。
按逆时针方向,有2N个向量S1、S2……S2N-1、S2N和多边形均有一一映射关系,构成了该多边形的一个完备向量组,表示如下:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S2=(α1,l2,α2…lN-1,αN-1,lN,αN,l1);
……
S2N-1=(lN,αN,l1,α1,l2,α2…lN-1,αN-1);
S2N=(αN,l1,α1,l2,α2…lN-1,αN-1,lN);
用矩阵SE表示完备向量,并定义SE为该多边形的特征矩阵,SE表示如下:
进一步,所述田间作物杂草的图像分割方法具体包括:
步骤一,通过图像采集模块利用摄像器采集田间作物杂草图像数据;
步骤二,主控模块通过图像增强模块利用图像处理软件增强图像清晰度;
步骤三,通过图像识别模块利用深度堆叠网络模型对杂草图像进行识别;
步骤四,通过特征提取模块利用图像处理软件根据识别内容提取分割出杂草图像数据;通过警示模块利用警示器根据提取的杂草数据进行警示;
步骤五,通过数据存储模块利用存储器存储采集的杂草图像数据;并通过显示模块利用显示器显示杂草图像数据。
进一步,所述图像增强模块增强方法包括:
1)、提供一由呈矩阵式排布的多个像素组成的图像,并将该图像转换为灰阶图;
2)、计算每同一列相邻两行像素的灰阶值的差的绝对值Q1和第一灰阶值权重k1;
每同一列相邻两行像素的灰阶值的差的绝对值Q1的计算公式为:
Q1=abs(Gray(i,j)-Gray(i+1,j));
第一灰阶值权重k1的计算公式为:
其中,同一列相邻两行像素的灰阶值的差的绝对值Q1的取值范围为0至255,n为大于1的正整数;
依据第一灰阶值权重k1与每同一列相邻两行像素的灰阶值进行累加计算,计算公式为:
其中,i、j为正整数,分别代表像素所在的行数与列数,Gray(i,j)为第i行第j列像素的灰阶值,Gray(i+1,j)为第i+1行第j列像素的灰阶值,H1(a)为灰阶值为a的像素数量,C1(X)为从灰阶值Gray(i,j)到灰阶值Gray(i+1,j)之间各个灰阶值对应的像素数量之和;
3)、计算每同一行相邻两列像素的灰阶值的差的绝对值Q2和第二灰阶值权重k2;
每同一行相邻两列像素的灰阶值的差的绝对值Q2的计算公式为:
Q2=abs(Gray(i,j)-Gray(i,j+1));
第二灰阶值权重k2的计算公式为:
其中,同一行相邻两列像素的灰阶值的差的绝对值Q2的取值范围为0至255,n为大于1的正整数且与步骤2)中的取值相同;
依据第二灰阶值权重k2与每同一行相邻两列像素的灰阶值进行累加计算,计算公式为:
其中,i、j为正整数,分别代表像素所在的行数与列数,Gray(i,j)为第i行第j列像素的灰阶值,Gray(i,j+1)为第i行第j+1列像素的灰阶值,H3(a)为灰阶值为a的像素数量,C3(X)为从灰阶值Gray(i,j)到灰阶值Gray(i,j+1)之间各个灰阶值对应的像素数量之和;
4)、将步骤2)中的C1(X)与步骤3)中C3(x)相加得到C(X);
C(X)=C1(X)+C3(X);
5)、最大值归一化,计算公式为:
再将N(X)乘以255计算得到增强灰阶表out(X),并通过查表得到新的输出灰阶值out_gray(i,j)。
进一步,所述图像识别模块识别方法包括:
(1)对训练图像进行收集和预处理,收集各类杂草图像,每类杂草图像的收集数量大于100幅,将其作为训练图像,对所有训练图像进行大小归一化处理,将其处理为256×256像素,得到若干个训练样本;
(2)构造并训练深度堆叠网络模型,构造深度堆叠网络结构模块,将训练样本像素值作为输入,对深度堆叠网络结构模块进行训练,得到训练后的深度堆叠网络模型;
(3)对待测图像进行收集和预处理,利用采集设备拍摄待测的杂草图像,进行各类待测杂草图像的收集,每类待测杂草图像的收集数量大于30幅,并对待测的杂草图像按256×256像素进行归一化处理,得到测试样本;
(4)将测试样本输入经过训练后的深度堆叠网络模型,进行杂草图像的自动识别。
本发明的另一目的在于提供一种实现所述田间作物杂草的图像分割方法的计算机程序。
本发明的另一目的在于提供一种终端,所述终端至少搭载实现所述田间作物杂草的图像分割方法的控制器。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的田间作物杂草的图像分割方法。
本发明的另一目的在于提供一种田间作物杂草的图像分割系统,所述田间作物杂草的图像分割系统包括:
图像采集模块,与主控模块连接,用于通过摄像器采集田间作物杂草图像数据;
主控模块,与图像采集模块、图像增强模块、图像识别模块、特征提取模块、警示模块、数据存储模块、显示模块连接,用于通过单片机控制各个模块正常工作;
图像增强模块,与主控模块连接,用于通过图像处理软件增强图像清晰度;
图像识别模块,与主控模块连接,用于通过深度堆叠网络模型对杂草图像进行识别;
特征提取模块,与主控模块连接,用于通过图像处理软件根据识别内容提取分割出杂草图像数据;
警示模块,与主控模块连接,用于通过警示器根据提取的杂草数据进行警示;
数据存储模块,与主控模块连接,用于通过存储器存储采集的杂草图像数据;
显示模块,与主控模块连接,用于通过显示器显示采集的杂草图像数据。
本发明的另一目的在于提供一种至少搭载田间作物杂草的图像分割系统的田间作物杂草去除设备。
本发明的优点及积极效果为:
本发明通过图像增强模块根据分别计算同一列相邻两行和同一行相邻两列的像素之间的灰阶差的绝对值,依据该绝对值分别计算第一、第二灰阶值权重,再通过第一、第二灰阶值权重进行累加计算和归一化处理,最终获得增强灰阶表,进而对各个像素的灰阶值进行重新分配,能够提高图像的对比度,减小图像失真,优化显示效果;同时,通过图像识别模块采用深度堆叠网络不但具有很强的特征表达与分类能力,还减少了训练时间与识别时间,增强了杂草识别的鲁棒性。
本发明通过具有二次聚焦的摄像器采集田间作物杂草图像数据,采用相邻象素灰度方差法SMD进行第一聚焦,作为全局图像粗调的评判参数和第二次聚焦利用基于Laplacian算子的边缘检测算法对目标区域进行聚焦处理,有效提高摄像器聚焦的速度及精度,提高采集图像的清晰度,有利于高效精准的获得实时图像;
本发明通过具有PSO算法模型的存储器存储采集的杂草图像数据,通过采用PSO算法对存储器进行修正与补偿,有效提高存储器的存储杂草图像数据的效率及存储杂草图像数据的精确度,有利于系统的高效运行;
本发明通过采用采用改进的自适应神经模糊算法的显示器显示杂草图像数据,有效去除显示器的屏幕光斑,去除光度的不均匀,提高显示能力,增加屏幕的清晰度,有利于杂草图像数据的清晰高效显示。
本发明通过特征提取模块利用图像处理软件根据识别内容提取分割出杂草图像数据;包括:
消除杂草图像图形中的奇化部分;建立两杂草图像图形的数学模型,由描述杂草图像图形的完备向量组建立与图形对应的特征矩阵,计算出相邻两边的夹角;计算两图形间的最近距离;对计算结果的增强性处理。
本发明提高了机器对图形相似度的视觉分辨效果,尤其对人工不易分辨高相似度图形的难点有很大帮助;图形检测效果有较强的稳定性和可靠性;检测时间短,运行高效,实施效果成本低。本发明仅对图形的边进行查询,减少了数据处理量。本发明通过构造图形的特征矩阵,选取合适的判定准则,并对特征矩阵元素进行多次增强性非线性变换,用多数值、多标准的加权平均值建立相似度标准,达到了算法高效并有较强的稳定性。可准确获得杂草的图像,增强了设备智能化控制的要求。
附图说明
图1是本发明实施提供的田间作物杂草的图像分割方法流程图。
图2是本发明实施提供的田间作物杂草的图像分割系统结构框图。
图中:1、图像采集模块;2、主控模块;3、图像增强模块;4、图像识别模块;5、特征提取模块;6、警示模块;7、数据存储模块;8、显示模块。
具体实施方式
为了使本发明的目的、技术方案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。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示,本发明提供的一种田间作物杂草的图像分割方法,具体包括以下步骤:
S101:通过具有二次聚焦的摄像器采集田间作物杂草图像数据;利用图像处理软件增强图像清晰度;
S102:通过深度堆叠网络模型对杂草图像进行识别;
S103:利用图像处理软件根据识别内容提取分割出杂草图像数据;通过警示器根据提取的杂草数据进行警示;
S104:通过具有PSO算法模型的存储器存储采集的杂草图像数据;并通过采用改进的自适应神经模糊算法的显示器显示杂草图像数据。
步骤S101中,通过具有二次聚焦的摄像器采集田间作物杂草图像数据,采用相邻象素灰度方差法SMD进行第一聚焦,作为全局图像粗调的评判参数和第二次聚焦利用基于Laplacian算子的边缘检测算法对目标区域进行聚焦处理,有效提高摄像器聚焦的速度及精度,提高采集图像的清晰度,有利于高效精准的获得实时图像;具体算法如下:
(1)相邻象素灰度方差法SMD
第一次聚焦的清晰度检测函数,相邻象素灰度方差法的清晰度函数S的运算公式:
式中I(x,y)对应于(x,y)位置的灰度值或亮度分量,n为图像的象素总数;
(2)基于Laplacian算子的边缘检测算法
第二次聚焦的清晰度检测函数的计算:
首先对目标区域进行Laplacian算子的边缘检测,检测模板为:
目标区域的清晰度参数S定义为:
n为检测目标区域的象素总数。
步骤S104中,通过具有PSO算法模型的存储器存储采集的杂草图像数据,通过采用PSO算法对存储器进行修正与补偿,有效提高存储器的存储杂草图像数据的效率及存储杂草图像数据的精确度,有利于系统的高效运行;PSO算法具体为:
Pid=φ*Pid+(1-φ)*Pgd;
式中:avbest为杂草图像平均最优位置;
M为杂草图像数目;
φ、μ为均匀分布在(0,1)范围内的随机杂草图像数量;
β为杂草图像压缩-扩张因子,用于控制杂草图像的速度;
Pi为第i个杂草图像的中心吸引位置;
Pid为第i个粒子位置的历史最优值;
Pig为当前所有杂草图像位置的最优值;
xid为第i个杂草图像的位置;d为杂草图像维数。
步骤S104中,通过采用采用改进的自适应神经模糊算法的显示器显示杂草图像数据,有效去除显示器的屏幕光斑,去除光度的不均匀,提高显示能力,增加屏幕的清晰度,有利于杂草图像数据的清晰高效显示;具体算法为:
ci(k+1)=ci(k)+Δci(k)
σi(k+1)=σi(k)+Δσi(k)
式中:k为迭代步数;β(k)为第k步的学习率;λ为动量因子,取值范围为0~1,通常取0.90左右。
如图2所示,本发明提供的田间作物杂草的图像分割系统包括:图像采集模块1、主控模块2、图像增强模块3、图像识别模块4、特征提取模块5、警示模块6、数据存储模块7、显示模块8。
图像采集模块1,与主控模块2连接,用于通过摄像器采集田间作物杂草图像数据;
主控模块2,与图像采集模块1、图像增强模块3、图像识别模块4、特征提取模块5、警示模块6、数据存储模块7、显示模块8连接,用于通过单片机控制各个模块正常工作;
图像增强模块3,与主控模块2连接,用于通过图像处理软件增强图像清晰度;
图像识别模块4,与主控模块2连接,用于通过深度堆叠网络模型对杂草图像进行识别;
特征提取模块5,与主控模块2连接,用于通过图像处理软件根据识别内容提取分割出杂草图像数据;
警示模块6,与主控模块2连接,用于通过警示器根据提取的杂草数据进行警示;
数据存储模块7,与主控模块2连接,用于通过存储器存储采集的杂草图像数据;
显示模块8,与主控模块2连接,用于通过显示器显示采集的杂草图像数据。
本发明提供的图像增强模块3增强方法如下:
1)、提供一由呈矩阵式排布的多个像素组成的图像,并将该图像转换为灰阶图;
2)、计算每同一列相邻两行像素的灰阶值的差的绝对值Q1和第一灰阶值权重k1;
每同一列相邻两行像素的灰阶值的差的绝对值Q1的计算公式为:
Q1=abs(Gray(i,j)-Gray(i+1,j));
第一灰阶值权重k1的计算公式为:
其中,同一列相邻两行像素的灰阶值的差的绝对值Q1的取值范围为0至255,n为大于1的正整数;
依据第一灰阶值权重k1与每同一列相邻两行像素的灰阶值进行累加计算,计算公式为:
其中,i、j为正整数,分别代表像素所在的行数与列数,Gray(i,j)为第i行第j列像素的灰阶值,Gray(i+1,j)为第i+1行第j列像素的灰阶值,H1(a)为灰阶值为a的像素数量,C1(X)为从灰阶值Gray(i,j)到灰阶值Gray(i+1,j)之间各个灰阶值对应的像素数量之和;
3)、计算每同一行相邻两列像素的灰阶值的差的绝对值Q2和第二灰阶值权重k2;
每同一行相邻两列像素的灰阶值的差的绝对值Q2的计算公式为:
Q2=abs(Gray(i,j)-Gray(i,j+1));
第二灰阶值权重k2的计算公式为:
其中,同一行相邻两列像素的灰阶值的差的绝对值Q2的取值范围为0至255,n为大于1的正整数且与步骤2)中的取值相同;
依据第二灰阶值权重k2与每同一行相邻两列像素的灰阶值进行累加计算,计算公式为:
其中,i、j为正整数,分别代表像素所在的行数与列数,Gray(i,j)为第i行第j列像素的灰阶值,Gray(i,j+1)为第i行第j+1列像素的灰阶值,H3(a)为灰阶值为a的像素数量,C3(X)为从灰阶值Gray(i,j)到灰阶值Gray(i,j+1)之间各个灰阶值对应的像素数量之和;
4)、将步骤2)中的C1(X)与步骤3)中C3(x)相加得到C(X);
C(X)=C1(X)+C3(X);
5)、最大值归一化,计算公式为:
再将N(X)乘以255计算得到增强灰阶表out(X),并通过查表得到新的输出灰阶值out_gray(i,j)。
本发明提供的图像识别模块4识别方法如下:
(1)对训练图像进行收集和预处理,收集各类杂草图像,每类杂草图像的收集数量大于100幅,将其作为训练图像,对所有训练图像进行大小归一化处理,将其处理为256×256像素,得到若干个训练样本;
(2)构造并训练深度堆叠网络模型,构造深度堆叠网络结构模块,将训练样本像素值作为输入,对深度堆叠网络结构模块进行训练,得到训练后的深度堆叠网络模型;
(3)对待测图像进行收集和预处理,利用采集设备拍摄待测的杂草图像,进行各类待测杂草图像的收集,每类待测杂草图像的收集数量大于30幅,并对待测的杂草图像按256×256像素进行归一化处理,得到测试样本;
(4)将测试样本输入经过训练后的深度堆叠网络模型,进行杂草图像的自动识别。
下面结合实施例对本发明作进一步描述。
本发明实施例提供的田间作物杂草的图像分割方法,包括:
通过特征提取模块利用图像处理软件根据识别内容提取分割出杂草图像数据;包括:
消除杂草图像图形中的奇化部分;建立两杂草图像图形的数学模型,由描述杂草图像图形的完备向量组建立与图形对应的特征矩阵,计算出相邻两边的夹角;计算两图形间的最近距离;对计算结果的增强性处理。
进一步,所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S1表示多边形:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S1和该多边形有一一映射关系,其表示与边角初始顺序无关。
按逆时针方向,有2N个向量S1、S2……S2N-1、S2N和多边形均有一一映射关系,构成了该多边形的一个完备向量组,表示如下:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S2=(α1,l2,α2…lN-1,αN-1,lN,αN,l1);
……
S2N-1=(lN,αN,l1,α1,l2,α2…lN-1,αN-1);
S2N=(αN,l1,α1,l2,α2…lN-1,αN-1,lN);
用矩阵SE表示完备向量,并定义SE为该多边形的特征矩阵,SE表示如下:
所述图形中源图形和目标图形作预处理包括:
根据图形最小包容矩形长宽比设置适当域值,进行过滤;
根据源图形中各边长与周长比的最小值设置域值,去除目标图形中的奇化部分;
对目标图形边数作化简处理,使和源图形具有相同边数。
获取源图形和目标图形特征矩阵中最相似向量的欧式距离和最大相和系数具体包括:
首先,按逆时针方向分别建立源图形P和目标图形Q的特征矩阵PE和QE:
欧式距离公式d(x,y)和夹角余弦公式sim(x,y)如下:
以d(x,y)和为sim(x,y)基础,重新定义两个矩阵D和S,使:
求出D和S中的最小值;
分别令Eue=min{Dij},1≤i≤j=2N;Sime=max{Sij},1≤i≤j=2N;
然后再按顺序针方向构造图形P和Q的特征矩阵,重复上述计算方法,求出两特征矩阵中最完备向量间的最小值Euc和Simc;
最后令Eu=min{Eue,Euc};
Sim=min{Sime,Simc};
Eu和Sim即为P、Q两图形对应最相似向量的欧式距离和最大相和系数。
所述对计算结果的增强性处理包括:
对初始向量进行一次到多次变形,在用相邻边角序列构造初始向量的基础上,再添加图形的几何特征值,采用添加顺序的相邻边角比作为新的初始向量;将初始向量进行一次到多次非线性化处理,采用将初始向量进行开方处理;
对变形后的初始向量进行多次相似度计算,最后按加权平均取值,以欧式距离Eu和相和系数Sim的评定公式如下:
上式中n为向量变形的次数,ki为权重系数,Eui和Simi为第i次变形后向量的欧式距离,Eu(P,Q)为欧式距离的评定,n=4,ki取0.25。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种田间作物杂草的图像分割方法,其特征在于,所述田间作物杂草的图像分割方法包括:
通过特征提取模块利用图像处理软件根据识别内容提取分割出杂草图像数据;包括:
消除杂草图像图形中的奇化部分;建立两杂草图像图形的数学模型,由描述杂草图像图形的完备向量组建立与图形对应的特征矩阵,计算出相邻两边的夹角;计算两图形间的最近距离;对计算结果的增强性处理。
2.如权利要求1所述的田间作物杂草的图像分割方法,其特征在于,所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S1表示多边形:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S1和该多边形有一一映射关系,其表示与边角初始顺序无关。
按逆时针方向,有2N个向量S1、S2……S2N-1、S2N和多边形均有一一映射关系,构成了该多边形的一个完备向量组,表示如下:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S2=(α1,l2,α2…lN-1,αN-1,lN,αN,l1);
……
S2N-1=(lN,αN,l1,α1,l2,α2…lN-1,αN-1);
S2N=(αN,l1,α1,l2,α2…lN-1,αN-1,lN);
用矩阵SE表示完备向量,并定义SE为该多边形的特征矩阵,SE表示如下:
3.如权利要求1所述的田间作物杂草的图像分割方法,其特征在于,所述田间作物杂草的图像分割方法具体包括:
步骤一,通过图像采集模块利用摄像器采集田间作物杂草图像数据;
步骤二,主控模块通过图像增强模块利用图像处理软件增强图像清晰度;
步骤三,通过图像识别模块利用深度堆叠网络模型对杂草图像进行识别;
步骤四,通过特征提取模块利用图像处理软件根据识别内容提取分割出杂草图像数据;通过警示模块利用警示器根据提取的杂草数据进行警示;
步骤五,通过数据存储模块利用存储器存储采集的杂草图像数据;并通过显示模块利用显示器显示杂草图像数据。
4.如权利要求3所述的田间作物杂草的图像分割方法,其特征在于,所述图像增强模块增强方法包括:
1)、提供一由呈矩阵式排布的多个像素组成的图像,并将该图像转换为灰阶图;
2)、计算每同一列相邻两行像素的灰阶值的差的绝对值Q1和第一灰阶值权重k1;
每同一列相邻两行像素的灰阶值的差的绝对值Q1的计算公式为:
Q1=abs(Gray(i,j)-Gray(i+1,j));
第一灰阶值权重k1的计算公式为:
其中,同一列相邻两行像素的灰阶值的差的绝对值Q1的取值范围为0至255,n为大于1的正整数;
依据第一灰阶值权重k1与每同一列相邻两行像素的灰阶值进行累加计算,计算公式为:
其中,i、j为正整数,分别代表像素所在的行数与列数,Gray(i,j)为第i行第j列像素的灰阶值,Gray(i+1,j)为第i+1行第j列像素的灰阶值,H1(a)为灰阶值为a的像素数量,C1(X)为从灰阶值Gray(i,j)到灰阶值Gray(i+1,j)之间各个灰阶值对应的像素数量之和;
3)、计算每同一行相邻两列像素的灰阶值的差的绝对值Q2和第二灰阶值权重k2;
每同一行相邻两列像素的灰阶值的差的绝对值Q2的计算公式为:
Q2=abs(Gray(i,j)-Gray(i,j+1));
第二灰阶值权重k2的计算公式为:
其中,同一行相邻两列像素的灰阶值的差的绝对值Q2的取值范围为0至255,n为大于1的正整数且与步骤2)中的取值相同;
依据第二灰阶值权重k2与每同一行相邻两列像素的灰阶值进行累加计算,计算公式为:
其中,i、j为正整数,分别代表像素所在的行数与列数,Gray(i,j)为第i行第j列像素的灰阶值,Gray(i,j+1)为第i行第j+1列像素的灰阶值,H3(a)为灰阶值为a的像素数量,C3(X)为从灰阶值Gray(i,j)到灰阶值Gray(i,j+1)之间各个灰阶值对应的像素数量之和;
4)、将步骤2)中的C1(X)与步骤3)中C3(x)相加得到C(X);
C(X)=C1(X)+C3(X);
5)、最大值归一化,计算公式为:
再将N(X)乘以255计算得到增强灰阶表out(X),并通过查表得到新的输出灰阶值out_gray(i,j)。
5.如权利要求3所述的田间作物杂草的图像分割方法,其特征在于,所述图像识别模块识别方法包括:
(1)对训练图像进行收集和预处理,收集各类杂草图像,每类杂草图像的收集数量大于100幅,将其作为训练图像,对所有训练图像进行大小归一化处理,将其处理为256×256像素,得到若干个训练样本;
(2)构造并训练深度堆叠网络模型,构造深度堆叠网络结构模块,将训练样本像素值作为输入,对深度堆叠网络结构模块进行训练,得到训练后的深度堆叠网络模型;
(3)对待测图像进行收集和预处理,利用采集设备拍摄待测的杂草图像,进行各类待测杂草图像的收集,每类待测杂草图像的收集数量大于30幅,并对待测的杂草图像按256×256像素进行归一化处理,得到测试样本;
(4)将测试样本输入经过训练后的深度堆叠网络模型,进行杂草图像的自动识别。
6.一种实现权利要求1~5任意一项所述田间作物杂草的图像分割方法的计算机程序。
7.一种终端,其特征在于,所述终端至少搭载实现权利要求1~5任意一项所述田间作物杂草的图像分割方法的控制器。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的田间作物杂草的图像分割方法。
9.一种田间作物杂草的图像分割系统,其特征在于,所述田间作物杂草的图像分割系统包括:
图像采集模块,与主控模块连接,用于通过摄像器采集田间作物杂草图像数据;
主控模块,与图像采集模块、图像增强模块、图像识别模块、特征提取模块、警示模块、数据存储模块、显示模块连接,用于通过单片机控制各个模块正常工作;
图像增强模块,与主控模块连接,用于通过图像处理软件增强图像清晰度;
图像识别模块,与主控模块连接,用于通过深度堆叠网络模型对杂草图像进行识别;
特征提取模块,与主控模块连接,用于通过图像处理软件根据识别内容提取分割出杂草图像数据;
警示模块,与主控模块连接,用于通过警示器根据提取的杂草数据进行警示;
数据存储模块,与主控模块连接,用于通过存储器存储采集的杂草图像数据;
显示模块,与主控模块连接,用于通过显示器显示采集的杂草图像数据。
10.一种至少搭载田间作物杂草的图像分割系统的田间作物杂草去除设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811380348.2A CN109461159A (zh) | 2018-11-20 | 2018-11-20 | 一种田间作物杂草的图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811380348.2A CN109461159A (zh) | 2018-11-20 | 2018-11-20 | 一种田间作物杂草的图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109461159A true CN109461159A (zh) | 2019-03-12 |
Family
ID=65611026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811380348.2A Pending CN109461159A (zh) | 2018-11-20 | 2018-11-20 | 一种田间作物杂草的图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109461159A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977960A (zh) * | 2019-04-03 | 2019-07-05 | 杭州深数科技有限公司 | 基于神经网络的木料堆信息获取方法、系统、装置 |
CN112335351A (zh) * | 2020-11-06 | 2021-02-09 | 太原理工大学 | 具有图像识别的拔杆器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184754A (zh) * | 2015-09-25 | 2015-12-23 | 深圳市华星光电技术有限公司 | 图像对比度增强方法 |
CN105354866A (zh) * | 2015-10-21 | 2016-02-24 | 郑州航空工业管理学院 | 一种多边形轮廓相似度检测方法 |
CN107038410A (zh) * | 2017-02-24 | 2017-08-11 | 中国科学院合肥物质科学研究院 | 一种基于深度堆叠网络的杂草图像识别方法 |
CN108009542A (zh) * | 2017-11-01 | 2018-05-08 | 华中农业大学 | 油菜大田环境下杂草图像分割方法 |
-
2018
- 2018-11-20 CN CN201811380348.2A patent/CN109461159A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184754A (zh) * | 2015-09-25 | 2015-12-23 | 深圳市华星光电技术有限公司 | 图像对比度增强方法 |
CN105354866A (zh) * | 2015-10-21 | 2016-02-24 | 郑州航空工业管理学院 | 一种多边形轮廓相似度检测方法 |
CN107038410A (zh) * | 2017-02-24 | 2017-08-11 | 中国科学院合肥物质科学研究院 | 一种基于深度堆叠网络的杂草图像识别方法 |
CN108009542A (zh) * | 2017-11-01 | 2018-05-08 | 华中农业大学 | 油菜大田环境下杂草图像分割方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977960A (zh) * | 2019-04-03 | 2019-07-05 | 杭州深数科技有限公司 | 基于神经网络的木料堆信息获取方法、系统、装置 |
CN112335351A (zh) * | 2020-11-06 | 2021-02-09 | 太原理工大学 | 具有图像识别的拔杆器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Automated robust crop-row detection in maize fields based on position clustering algorithm and shortest path method | |
Achanta et al. | Salient region detection and segmentation | |
CN107292298B (zh) | 基于卷积神经网络和分类器模型的牛脸识别方法 | |
Yao et al. | Application of support vector machine for detecting rice diseases using shape and color texture features | |
Yun et al. | PNN based crop disease recognition with leaf image features and meteorological data | |
CN107480643B (zh) | 一种智能垃圾分类处理的机器人 | |
Jiang et al. | Fusion of the YOLOv4 network model and visual attention mechanism to detect low-quality young apples in a complex environment | |
WO2010083251A1 (en) | Method and system for representing image patches | |
Gui et al. | A new method for soybean leaf disease detection based on modified salient regions | |
Islam et al. | Rice leaf disease recognition using local threshold based segmentation and deep CNN | |
Kamath et al. | Classification of paddy crop and weeds using semantic segmentation | |
Zhang et al. | Detection of regions of interest in a high-spatial-resolution remote sensing image based on an adaptive spatial subsampling visual attention model | |
CN109461159A (zh) | 一种田间作物杂草的图像分割方法 | |
Amrani et al. | Insect detection from imagery using YOLOv3-based adaptive feature fusion convolution network | |
Varghese et al. | INFOPLANT: Plant recognition using convolutional neural networks | |
Astonkar et al. | Detection and analysis of plant diseases using image processing | |
Kulkarni et al. | IoT based weed detection using image processing and CNN | |
Patil et al. | Chili plant leaf disease detection using SVM and KNN classification | |
CN112528947A (zh) | 一种通过增加方向维度的假菌丝检测方法、设备及存储介质 | |
Meruliya et al. | Image processing for fruit shape and texture feature extraction-review | |
CN112651381A (zh) | 基于卷积神经网络的视频图像中家畜识别方法及装置 | |
CN104050674A (zh) | 一种显著性区域检测方法及装置 | |
CN113569772A (zh) | 遥感影像耕地实例掩膜提取方法及系统、设备、存储介质 | |
Bhagwat et al. | Indian plant species identification under varying illumination and viewpoint conditions | |
CN114821268A (zh) | 一种基于机器学习的杂草与作物识别方法 |
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 |