CN109584301A - 一种非均一颜色果实区域的获取方法 - Google Patents
一种非均一颜色果实区域的获取方法 Download PDFInfo
- Publication number
- CN109584301A CN109584301A CN201811430186.9A CN201811430186A CN109584301A CN 109584301 A CN109584301 A CN 109584301A CN 201811430186 A CN201811430186 A CN 201811430186A CN 109584301 A CN109584301 A CN 109584301A
- Authority
- CN
- China
- Prior art keywords
- region
- fruit
- zonule
- image
- uniform color
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种非均一颜色果实区域的获取方法,包括图像采集:采集果园果实RGB图像;图像预处理:突出非均一颜色果实中的颜色显著区域;种块区域提取:提取图像果实中的颜色显著区域,作为后续区域生长的种块区域;计算区域框定:框定后续种块区域生长的计算区域;小类别区域划分:将各个除种块以外的计算区域划分为同色、多色和异色小区域;异色小区域细分:将异色小区域近一步细分为同色和多色小区域;种块区域生长:基于种块区域依据位置邻近和纹理相近原则生长合并同色区域,由此获得非均一颜色果实的整个区域。该发明对于像水蜜桃青里泛白、白里透红等非均一颜色类果实区域的获取提供一种有效方法,为其机器人采摘视觉识别奠定基础。
Description
技术领域
本发明涉及一种果实区域获取方法,尤其是非均一颜色果实区域的获取。
背景技术
实现果实的自动智能化采摘,其工作的首要任务是果实识别,其结果直接影响后续采摘的成功率。在自然界中,有些水果果实在采摘期色彩不均一,红系与绿系色彩相间,以往针对颜色均一性高的水果果实的区域获取方法并不适用,无法完整获取果实区域,进而不能准确对其进行识别。为此,本发明结合非均一颜色果实的自身特点,提出了一种非均一颜色果实区域的获取方法。
发明内容
本发明的目的是:提供一种非均一颜色果实区域的获取方法,使得采摘机器人能够完整获取非均一颜色果实区域,为进一步对其精确识别定位奠定基础。实现本发明的技术方案包括如下步骤:
(1)图像采集步骤:基于视觉传感器实时采集果园果实RGB图像;
(2)图像预处理步骤:对图像进行预处理,以突出非均一颜色果实中的颜色显著区域;
(3)种块区域提取步骤:对预处理的图像进行过分割处理,提取出图像果实中的颜色显著区域,以此作为后续区域生长的种块区域;
(4)计算区域框定步骤:框定后续种块区域生长的计算区域;
(5)小类别区域划分步骤:将各个除种块以外的计算区域划分为同色小区域、多色小区域和异色小区域;
(6)异色小区域细分步骤:将异色小区域近一步细分为同色小区域和多色小区域;
(7)种块区域生长步骤:基于种块区域依据位置邻近和纹理相近原则生长合并同色区域,由此获得非均一颜色果实的整个区域。
进一步优选方案,步骤(2)中:首先以图像目标主色系与背景主色系的颜色通道差值代替目标主色系通道值,剩余颜色通道值置为0,然后转换为HSV图像并调整S、V通道值,再转换为RGB图像从而突出非均一颜色果实中的颜色显著区域。
进一步优选方案,步骤(3)中:首先基于步骤(2)所获HSV图像中目标所在H通道阈值范围来过滤步骤(2)预处理后的RGB图像,然后以2中心聚类方法再对图像进行过分割处理,再经过孔洞填充、边缘抑制、开运算操作提取出图像果实中的颜色显著区域,以此作为后续区域生长的种块区域。
进一步优选方案,步骤(4)中以各种块区域的形心为中心,完整果实在图像中的平均直径为半径作圆作为后续种块区域生长的计算区域。
进一步优选方案,步骤(5)中首先采用SLIC算法将各个除种块以外的计算区域划分成形状规则,大小一致的小区域,然后提取各个小区域的主色调,根据主色调值及主色调个数划分为同色小区域、多色小区域和异色小区域。
进一步优选方案,步骤(6)中采用SLIC算法将异色小区域进一步细分,基于主色调值及主色调个数再分为同色小区域和多色小区域,这里依据的色调值及个数标准与步骤(5)不同。
进一步优选方案,步骤(7)中首先基于位置邻近原则合并同色小区域,然后基于Lab颜色空间L颜色通道提取各区域纹理特征,再基于种块区域依据位置邻近和纹理相近原则生长合并同色区域,由此获得非均一颜色果实的整个区域。
本发明的有益效果:对于果实采摘机器人来说,该发明方法能够实现非均一颜色果实区域的完整获取,方便后续采用相应方法来实现该种类果实的精确识别,为推动果实采摘机器人的实用化起到重要作用。
附图说明
图1为非均一颜色果实区域获取方法总流程;
图2为非均一颜色果实区域获取过程效果图。
具体实施方式
下面结合附图对本发明的实施方式做进一步的描述。本发明以水蜜桃为例进行说明,但本发明同样适用于其他非均一颜色果实。
如图1所示,本发明提出的非均一颜色果实区域的获取方法包括如下步骤:
(1)图像采集步骤
图像的采集基于视觉传感器,用作后续果实区域的提取,采集图像如图2(a)。
(2)图像预处理步骤
水蜜桃图像目标的主色系颜色通道为R,背景主色系颜色通道为G,首先将其通道色差值2R-G-B代替R颜色通道值,而G和B颜色通道值置为0;然后转换为HSV图像并调小S、增大V通道值,再转换为RGB图像从而突出非均一颜色果实中的颜色显著区域,如图2(b)。
(3)图像预分割步骤
该步骤首先基于步骤(2)所获HSV图像中目标所在H通道阈值范围来过滤步骤(2)预处理后的RGB图像,然后以2中心聚类方法再对图像进行过分割处理,再基于漫水填充算法进行孔洞填充、边缘抑制、半径为10的圆盘形结构元素开运算操作提取出图像果实中的颜色显著区域,以此作为后续区域生长的种块区域,如图2(c)。
(4)计算区域框定步骤
以各种块区域的形心为中心,完整果实在图像中的平均直径为半径作圆作为后续种块区域生长的计算区域,如图2(d)。
(5)小类别区域划分步骤
SLIC是一种超像素产生算法,它是一种具有类似颜色和纹理,能够保证一定图像局部结构特征的像素集合。而该步骤则采用此算法将各个除种块以外的计算区域划分成形状规则,大小一致的小区域(如图2(e)),然后提取各个小区域的主色调,根据主色调值及主色调个数划分为同色小区域、多色小区域和异色小区域。所谓同色小区域是指颜色相近的小区域;多色小区域是指有多种颜色,比如水蜜桃图像中有多种背景(天空、树枝、树叶)信息的小区域;异色小区域是指包含有目标和背景信息的小区域,即小区域内即有水蜜桃果实也有背景。
(6)异色小区域细分步骤
采用SLIC算法将异色小区域进一步细分,基于与步骤(5)不同的主色调值及主色调个数再分为同色小区域和多色小区域。
(7)种块区域生长步骤
首先基于位置邻近原则合并同色小区域;然后基于Lab颜色空间L颜色通道提取各区域纹理特征,再基于种块区域依据位置邻近和纹理相近原则生长合并同色区域,由此获得非均一颜色果实的整个区域,如图2(f)。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (7)
1.一种非均一颜色果实区域的获取方法,其特征在于,包括以下步骤:
(1)图像采集步骤:基于视觉传感器实时采集果园果实RGB图像;
(2)图像预处理步骤:对图像进行预处理,以突出非均一颜色果实中的颜色显著区域;
(3)种块区域提取步骤:对预处理的图像进行过滤分割处理,提取出图像果实中的颜色显著区域,以此作为后续区域生长的种块区域;
(4)计算区域框定步骤:框定后续种块区域生长的计算区域;
(5)小类别区域划分步骤:将各个除种块以外的计算区域划分为同色、多色和异色小区域;
(6)异色小区域细分步骤:将异色小区域近一步细分为同色和多色小区域;
(7)种块区域生长步骤:基于种块区域依据位置邻近和纹理相近原则生长合并同色区域,由此获得非均一颜色果实的整个区域。
2.根据权利要求1所述的一种非均一颜色果实区域的获取方法,其特征在于,步骤(2)中:首先以图像目标主色系与背景主色系的颜色通道差值代替目标主色系通道值,剩余颜色通道值置为0,然后转换为HSV图像并调整S、V通道值,再转换为RGB图像从而突出非均一颜色果实中的颜色显著区域。
3.根据权利要求1所述的一种非均一颜色果实区域的获取方法,其特征在于,步骤(3)中:首先基于步骤(2)所获HSV图像中目标所在H通道阈值范围来过滤步骤(2)预处理后的RGB图像,然后以2中心聚类方法再对图像进行过分割处理,再经过孔洞填充、边缘抑制、开运算操作提取出图像果实中的颜色显著区域,以此作为后续区域生长的种块区域。
4.根据权利要求1所述的一种非均一颜色果实区域的获取方法,其特征在于,步骤(4)中:以各种块区域的形心为中心,完整果实在图像中的平均直径为半径作圆作为后续种块区域生长的计算区域。
5.根据权利要求1所述的一种非均一颜色果实区域的获取方法,其特征在于,步骤(5)中:首先采用SLIC算法将各个除种块以外的计算区域划分成形状规则,大小一致的小区域,然后提取各个小区域的主色调,根据主色调值及主色调个数划分为同色小区域、多色小区域和异色小区域。
6.根据权利要求1所述的一种非均一颜色果实区域的获取方法,其特征在于,步骤(6)中:采用SLIC算法将异色小区域进一步细分,基于主色调值及主色调个数再分为同色小区域和多色小区域,这里依据的色调值及个数标准与步骤(5)不同。
7.根据权利要求1所述的一种非均一颜色果实区域的获取方法,其特征在于,步骤(7)中:首先基于位置邻近原则合并同色小区域,然后基于Lab颜色空间L颜色通道提取各区域纹理特征,再基于种块区域依据位置邻近和纹理相近原则生长合并同色区域,由此获得非均一颜色果实的整个区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811430186.9A CN109584301B (zh) | 2018-11-28 | 2018-11-28 | 一种非均一颜色果实区域的获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811430186.9A CN109584301B (zh) | 2018-11-28 | 2018-11-28 | 一种非均一颜色果实区域的获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109584301A true CN109584301A (zh) | 2019-04-05 |
CN109584301B CN109584301B (zh) | 2023-05-23 |
Family
ID=65925120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811430186.9A Active CN109584301B (zh) | 2018-11-28 | 2018-11-28 | 一种非均一颜色果实区域的获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584301B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361315A (zh) * | 2021-02-23 | 2021-09-07 | 仲恺农业工程学院 | 基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065149A (zh) * | 2012-12-21 | 2013-04-24 | 上海交通大学 | 网纹甜瓜果实表型提取与量化方法 |
CN103295013A (zh) * | 2013-05-13 | 2013-09-11 | 天津大学 | 一种基于成对区域的单幅图像阴影检测方法 |
CN105354599A (zh) * | 2015-11-25 | 2016-02-24 | 安徽创世科技有限公司 | 一种基于改进的slic超像素分割算法的颜色识别方法 |
CN105719282A (zh) * | 2016-01-16 | 2016-06-29 | 常州大学 | 一种果园红色苹果图像果实枝叶区域获取方法 |
CN105930815A (zh) * | 2016-05-04 | 2016-09-07 | 中国农业大学 | 一种水下生物检测方法和系统 |
CN107424198A (zh) * | 2017-07-27 | 2017-12-01 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
CN107767383A (zh) * | 2017-11-01 | 2018-03-06 | 太原理工大学 | 一种基于超像素的道路图像分割方法 |
CN108345835A (zh) * | 2018-01-15 | 2018-07-31 | 上海大学 | 一种基于仿复眼感知的目标识别方法 |
-
2018
- 2018-11-28 CN CN201811430186.9A patent/CN109584301B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065149A (zh) * | 2012-12-21 | 2013-04-24 | 上海交通大学 | 网纹甜瓜果实表型提取与量化方法 |
CN103295013A (zh) * | 2013-05-13 | 2013-09-11 | 天津大学 | 一种基于成对区域的单幅图像阴影检测方法 |
CN105354599A (zh) * | 2015-11-25 | 2016-02-24 | 安徽创世科技有限公司 | 一种基于改进的slic超像素分割算法的颜色识别方法 |
CN105719282A (zh) * | 2016-01-16 | 2016-06-29 | 常州大学 | 一种果园红色苹果图像果实枝叶区域获取方法 |
CN105930815A (zh) * | 2016-05-04 | 2016-09-07 | 中国农业大学 | 一种水下生物检测方法和系统 |
CN107424198A (zh) * | 2017-07-27 | 2017-12-01 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
CN107767383A (zh) * | 2017-11-01 | 2018-03-06 | 太原理工大学 | 一种基于超像素的道路图像分割方法 |
CN108345835A (zh) * | 2018-01-15 | 2018-07-31 | 上海大学 | 一种基于仿复眼感知的目标识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361315A (zh) * | 2021-02-23 | 2021-09-07 | 仲恺农业工程学院 | 基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109584301B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Malik et al. | Mature tomato fruit detection algorithm based on improved HSV and watershed algorithm | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
Gavhale et al. | Unhealthy region of citrus leaf detection using image processing techniques | |
CN110610506B (zh) | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 | |
CN105701829B (zh) | 一种套袋绿色果实图像分割方法 | |
Liu et al. | Detection of citrus fruit and tree trunks in natural environments using a multi-elliptical boundary model | |
CN108710840A (zh) | 一种农田喷药机器人视觉导航路径识别方法 | |
CN108875747A (zh) | 一种基于机器视觉的小麦不完善粒识别方法 | |
CN111798470B (zh) | 一种应用于智能农业的农作物图像实体分割方法及系统 | |
CN105719282B (zh) | 一种果园红色苹果图像果实枝叶区域获取方法 | |
CN108846862A (zh) | 一种颜色先验知识导向的草莓机器手目标定位方法 | |
CN106682639A (zh) | 一种基于视频监测的作物叶部异常图像提取方法 | |
CN107301401A (zh) | 一种多目标猕猴桃果实识别方法与图像获取装置 | |
CN107154044A (zh) | 一种中餐食物图像的分割方法 | |
CN112131952A (zh) | 基于无人机遥感影像的玉米苗期株数信息提取 | |
CN112329506A (zh) | 枸杞采摘机器人的果实识别方法及系统、定位方法及系统 | |
CN110399785B (zh) | 一种基于深度学习与传统算法的树叶遮挡的检测方法 | |
CN109584301A (zh) | 一种非均一颜色果实区域的获取方法 | |
Rahman et al. | Identification of mature grape bunches using image processing and computational intelligence methods | |
Wang et al. | Application of support vector machine to apple recognition using in apple harvesting robot | |
CN115601690B (zh) | 一种基于智慧农业的食用菌环境检测方法 | |
Wang et al. | A color-texture segmentation method to extract tree image in complex scene | |
CN110175582B (zh) | 基于像素分布的茶树嫩芽智能识别方法 | |
CN116128816A (zh) | 基于机器视觉的植物高垄栽培环境的作物导航线提取方法 | |
CN106504258B (zh) | 一种植物叶片图像提取方法及装置 |
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 |