CN109872301B - 一种用于水稻病虫害识别计数的彩色图像预处理方法 - Google Patents

一种用于水稻病虫害识别计数的彩色图像预处理方法 Download PDF

Info

Publication number
CN109872301B
CN109872301B CN201811600659.5A CN201811600659A CN109872301B CN 109872301 B CN109872301 B CN 109872301B CN 201811600659 A CN201811600659 A CN 201811600659A CN 109872301 B CN109872301 B CN 109872301B
Authority
CN
China
Prior art keywords
image
depth
value
color image
area
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.)
Active
Application number
CN201811600659.5A
Other languages
English (en)
Other versions
CN109872301A (zh
Inventor
张伟
陈亚龙
潘春荣
吴丽樱
何勇
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.)
Yangtze Delta Region Institute of Tsinghua University Zhejiang
Original Assignee
Yangtze Delta Region Institute of Tsinghua University Zhejiang
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 Yangtze Delta Region Institute of Tsinghua University Zhejiang filed Critical Yangtze Delta Region Institute of Tsinghua University Zhejiang
Priority to CN201811600659.5A priority Critical patent/CN109872301B/zh
Publication of CN109872301A publication Critical patent/CN109872301A/zh
Application granted granted Critical
Publication of CN109872301B publication Critical patent/CN109872301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Catching Or Destruction (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明一种用于水稻病害虫识别计数的彩色图像预处理方法，通过拍摄设备同时对同一目标进行拍摄，获取深度图像和彩色图像，对深度图像做灰度值增强处理、区域分割，获得二值图像及其连通区域Qk(k＝1,2…)；提取彩色图像中的R、G、B三分量，对彩色图像分割处理，获取具有颜色分量特征的连通区域Ri(i＝1,2…)；计算两连通区域质心之间的距离，以此作为两幅图像对应连通区域的初步筛选条件，将初步筛选后得到的连通区域Qk和Ri做差分处理，差分结果小于设定阈值时，Qk和Ri对应的区域完全匹配成功，即为目标害虫区域。本发明实现去除杂物尘埃堆积对图像预处理过程中产生的负面影响，便于后续对图像中害虫的识别和计数。

Description

一种用于水稻病虫害识别计数的彩色图像预处理方法
技术领域
本发明涉及农业水稻病虫害分类计数方法，具体涉及一种害虫识别算法及害虫计数。
背景技术
水稻在世界上达5亿t以上产量，有约1.5亿hm2的栽培面积，是最重要的粮食作物之一。中国水稻播种面积居世界第二，全中国水稻年产量达2000亿公斤，占世界产量的一半以上，平均单产是世界水平的1.6倍，为世界水稻生产做出了极大贡献。水稻作为我国主要粮食作物，在粮食安全中占有极其重要的地位。水稻常年种植面积约3000万公顷，占全国谷物种植面积的30％，世界水稻种植面积的20％；稻谷总产量近20000万吨，占全国粮食总产的40％，世界稻谷总产的35％；稻谷平均单产6.212吨/公顷，是单产最高的粮食作物。
对于水稻收成影响最大的因素当属两迁害虫，两迁害虫具有远距离迁飞性、突发性、爆发性和毁灭性等特点，对水稻危害严重。除上述特点以外，两迁害虫每次爆发还具有区域性的特点，不同地域害虫种类也有所不同，这也是传统虫害防治效果较差的原因之一。
通过害虫收集装置，对害虫拍摄图像，进行图像识别，以此估算出该区域害虫的种类和数目，从而可以针对性的施撒农药。目前对害虫的图像识别方法所面临的主要问题在于识别成功率较低，究其原因是拍摄过程中害虫附带的杂物尘埃对图像预处理阶段带来极大的困难，造成后续的图像识别成功大大降低。
发明内容
基于上述问题，为了解决图像识别所面临的问题，本发明提出一种用于水稻病虫害识别计数的彩色图像预处理方法，通过该算法可以有效地去除杂物堆积对图像预处理产生的影响，进而可以提升害虫计数和识别的成功率；
本发明所采取的技术方案如下：
一种用于水稻病害虫识别计数的彩色图像图像预处理方法，包括以下步骤：
S1、拍摄设备同时获取同一副图像的彩色图像和深度图像，且这两幅图像像素相等；
S2、将S1所得的深度图像进行预处理，即对深度图像作灰度增强处理，得灰度图像，公式为：
Figure BDA0001922409450000021
其中，f(x，y)为灰度图像灰度值，Depth(x，y)为深度图像像素点(x，y)的深度值，Depth(min)为深度图像中所有像素点深度值的最低值，Depth(max)为深度图像中像素点深度值的最高值；
S3、将S2所得灰度图像进一步转化为二值图像，公式为：
Figure BDA0001922409450000022
其中M＝f(x，y)，表示灰度图像像素点(x，y)的灰度值，G(x，y)表示二值图像像素值；
S4、将S3所得的二值图像进行连通域标定，记为Qk(k＝1，2...)，取连通域的质心点，标记Qk(Xk，Yk)，坐标计算公式为：
Figure BDA0001922409450000023
Figure BDA0001922409450000031
m为连通域像素数目；
S5、对S1所得彩色图像，以R、G、B颜色分量特征作为分割条件，进行图像分割，分割得连通域，记为Ri(i＝1，2....)，取连通域的质心点，标记Ri(Xi，Yi)，坐标计算公式为：
Figure BDA0001922409450000032
Figure BDA0001922409450000033
n为连通域像素数目；
S6、确定匹配区域，通过计算深度图像和彩色图像所对应连通区域质心距离，作为深度图像和彩色图像连通区域匹配条件；计算相对应的深度图像的质心与彩色图像图像的质心的距离d，即计算Qk(Xk，Yk)与Ri(Xi，Yi)距离d，
Figure BDA0001922409450000034
S7、根据S6所得d的值，当d小于10个单位像素点，即Qk与Ri区域匹配成功；当d大于10个单位像素点，匹配不成功，可判断为杂物尘埃；
S8、将S7中，对匹配成功的对应连通区域Qk与Ri做差分处理；如果差分结果小于设定阈值时，则该区域即为害虫图像区域；如果差分结果大于设定阈值时，则判断为杂物尘埃；
S9、将S8中害虫图像区域计数，累加即得到所有害虫的数目；害虫计数为对符合条件的连通区域计数。
S1中，深度图像和彩色图像为位置固定的相机对同一目标同时拍摄所得，两幅图像像素点数目一致，两幅图像像素点位置坐标存在一一对应关系。
S2中，灰度增强处理是通过对深度图像像素值进行增强，公式为：
Figure BDA0001922409450000035
其中，Depth(min)为深度图像中所有像素点深度值的最低值，Depth(max)为深度图像中像素点深度值的最高值。
S8中阈值取值为0.10。
S8中的差分处理，是利用差分算法对对应区域处理；差分结果处于设定阈值范围内时即为匹配成功，对应区域即为害虫图像区域。
本发明通过拍摄设备同时对同一目标进行拍摄，获取深度图像和彩色图像，得到目标图像的颜色和深度值，对深度图像做灰度值增强处理、区域分割，进而获得二值图像及其连通区域Qk(k＝1，2...)；提取彩色图像中的R、G、B三分量，对彩色图像对分割处理，获取具有颜色分量特征的连通区域Ri(i＝1，2...)；深度图像和彩色图像的像素点坐标存在对应关系，将两幅图中连通区域质心投影到一个坐标系下，计算质心之间的距离，以此作为两幅图像对应连通区域的初步筛选条件，将初步筛选后得到的连通区域Qk和Ri做差分处理，差分结果小于设定阈值时，Qk和Ri对应的区域完全匹配成功，即为目标害虫区域，反之则为非害虫区域，即杂物尘埃等产生的连通区域。从而实现去除杂物尘埃堆积对图像预处理过程中产生的负面影响，便于后续对图像中害虫的识别和计数。
说明书附图
图1为本发明预处理方法的流程框图。
具体实施方式
下面结合本算法的流程图，对本发明的目的及优点进行更加详细的说明。并且此处所描述的具体实施过程仅仅用于解释本发明，并不用于限定本发明。
一种用于水稻病害虫识别计数的彩色图像图像预处理方法，包括以下步骤：
S1、位置固定的拍摄设备，对同一目标同时获取彩色图像和深度图像；两幅图像像素点相等，像素点位置坐标存在一一对应关系；
S2对深度图像进行预处理，实际拍摄中由于昆虫和相机镜头距离与背景板和相机镜头距离相差较小，害虫区域深度值与背景图像深度值差异较小，导致两者区分不明显，需要对深度图像灰度值增强处理，公式为
Figure BDA0001922409450000051
其中，灰度值增强是通过对深度图像像素值进行增强，公式为：
Figure BDA0001922409450000052
Figure BDA0001922409450000053
对处理后深度图像做区域分割处理，其中，f(x，y)为灰度图像灰度值，Depth(x，y)为像素点(x，y)的深度值，Depth(min)为深度图像中所有像素点深度值的最低值，Depth(max)为深度图像中像素点深度值的最高值；
S3、将深度图像由灰度图像进一步转化为二值图像，公式为
Figure BDA0001922409450000054
其中M＝f(x，y)，表示灰度图像像素点(x，y)的灰度值，G(x，y)表示二值图像像素值；
S4、将二值化后的深度图像进行连通域标定，记为Qk(k＝1，2...)，取连通域的质心作为标定点Qk(Xk，Yk)，坐标计算公式为：
Figure BDA0001922409450000055
Figure BDA0001922409450000061
m为连通域像素数目；
S5、对彩色图像进行图像分割，以彩色图像颜色分量作为分割条件，分割得出Ri(i＝1，2....)个区域，取连通域的质心作为标定点Ri(Xi，Yi)，坐标计算公式为：
Figure BDA0001922409450000062
Figure BDA0001922409450000063
n为连通域像素数目；
S6、确定匹配区域，基于深度图像与彩色图像像素点坐标相对应，计算Qk(Xk，Yk)与Ri(Xi，Yi)距离d，计算公式
Figure BDA0001922409450000064
区域匹配方法是计算两幅图像中连通域质心点Qk(Xk，Yk)与Ri(Xi，Yi)之间距离，以此作为两幅图像连通区域初步匹配的条件，两幅图像中对应的连通区域将作为后续差分处理的对象；
S7、d小于10个单位像素点，即Qk与Ri区域匹配成功；当d大于10个单位像素点，匹配不成功，可判断为杂物尘埃；
S8、将S7中，匹配成功的对应区域Qk与Ri做差分处理，差分结果小于设定阈值时，则该区域即视为害虫图像区域；差分结果大于设定阈值时，则该区域即视为杂物尘埃区域；阈值取值为0.10；即差分结果小于0.10时，则该区域视为害虫图像区域。区域差分运算利用差分算法对对应区域处理，在差分结果处于阈值范围内时即为匹配成功，对应区域为害虫图像区域；
S9、对符合条件的连通区域计数，累加即得到所有害虫的数目。
本发明的一种基于彩色图像图像的害虫图像预处理算法，基于深度图像与彩色图像，通过该算法可以有效地去除杂物堆积对图像预处理产生的影响，进而可以提升害虫计数和识别的成功率。
以上显示和描述了本发明算法的基本原理、主要特征和本发明的优点，并不用于限制本发明，凡在本发明精神和原则之内，所作出的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (5)

1.一种用于水稻病虫害识别计数的彩色图像预处理方法，其特征在于：包括以下步骤：
S1、拍摄设备同时获取同一副图像的彩色图像和深度图像，且这两幅图像像素相等；
S2、将S1所得的深度图像进行预处理，得灰度图像，公式为：
Figure FDA0003650451740000011
0＜f(x,y)＜1，其中，f(x,y)为灰度图像灰度值，Depth(x,y)为像素点(x，y)的深度值,Depth(min)为深度图像中所有像素点深度值的最低值，Depth(max)为深度图像中像素点深度值的最高值；
S3、将S2所得灰度图像进一步转化为二值图像，公式为：
Figure FDA0003650451740000012
其中M＝f(x,y)，表示灰度图像像素点(x，y)的灰度值；G(x,y)表示二值图像像素值；
S4、将S3所得的二值图像进行连通域标定，记为Qk，k＝1,2…；取连通域的质心点，标记Qk(Xk,Yk)，坐标计算公式为：
Figure FDA0003650451740000013
Figure FDA0003650451740000014
m为连通域像素数目；
S5、对S1所得彩色图像，以R、G、B颜色分量特征作为分割条件，进行图像分割，分割得连通域，记为Ri，i＝1,2…个；取连通域的质心点，标记Ri(Xi,Yi)，坐标计算公式为：
Figure FDA0003650451740000015
Figure FDA0003650451740000016
n为连通域像素数目；
S6、确定匹配区域，通过计算S4和S5的连通区域质心距离，作为深度图像和彩色图像连通区域匹配条件；计算相对应的深度图像的质心点与彩色图像的质心点的距离d，即计算Qk(Xk,Yk)与Ri(Xi,Yi)距离d，
Figure FDA0003650451740000021
S7、根据S6所得d的值，当d小于10个单位像素点，即Qk与Ri区域匹配成功；当d大于10个单位像素点，匹配不成功；
S8、将S7中，对匹配成功的对应连通区域Qk与Ri做差分处理；如果差分结果小于设定阈值时，则该区域即为害虫图像区域；如果差分结果大于设定阈值时，则判断为杂物尘埃；
S9、将S8中害虫图像区域计数，累加即得到所有害虫的数目；害虫计数为对符合条件的连通区域计数。
2.根据权利要求1所述的一种用于水稻病虫害识别计数的彩色图像预处理方法，其特征在于所述S1中，深度图像和彩色图像为位置固定的相机对同一目标拍摄所得，两幅图像像素点数目一致，两幅图像像素点位置坐标存在一一对应关系。
3.根据权利要求1所述的一种用于水稻病虫害识别计数的彩色图像预处理方法，其特征在于所述S2中，深度图像进行预处理，即对深度图像作灰度增强处理，深度图像像素值表示目标点与拍摄相机镜头之间距离，即深度值Depth，灰度增强处理是通过对深度图像像素值进行增强，公式为：
Figure FDA0003650451740000022
其中，Depth(min)为深度图像中所有像素点深度值的最低值，Depth(max)为深度图像中像素点深度值的最高值。
4.根据权利要求1所述的一种用于水稻病虫害识别计数的彩色图像预处理方法，其特征在于所述S8中设定阈值取值为0.10。
5.根据权利要求1所述的一种用于水稻病虫害识别计数的彩色图像预处理方法，其特征在于所述S8中的差分处理，是利用差分算法对对应区域处理；差分结果处于阈值范围内时即为匹配成功，对应区域为害虫图像区域。
CN201811600659.5A 2018-12-26 2018-12-26 一种用于水稻病虫害识别计数的彩色图像预处理方法 Active CN109872301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811600659.5A CN109872301B (zh) 2018-12-26 2018-12-26 一种用于水稻病虫害识别计数的彩色图像预处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811600659.5A CN109872301B (zh) 2018-12-26 2018-12-26 一种用于水稻病虫害识别计数的彩色图像预处理方法

Publications (2)

Publication Number Publication Date
CN109872301A CN109872301A (zh) 2019-06-11
CN109872301B true CN109872301B (zh) 2022-07-15

Family

ID=66917142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811600659.5A Active CN109872301B (zh) 2018-12-26 2018-12-26 一种用于水稻病虫害识别计数的彩色图像预处理方法

Country Status (1)

Country Link
CN (1) CN109872301B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110427880B (zh) * 2019-08-01 2023-05-02 齐鲁工业大学 一种基于图像处理的线虫脂肪酸定量方法及系统
CN110634136B (zh) * 2019-09-17 2022-09-13 北京华捷艾米科技有限公司 一种管道壁破损检测方法、装置及系统
CN110717911A (zh) * 2019-10-16 2020-01-21 南京工程学院 一种基于模板匹配的病害定位方法
CN114463649B (zh) * 2021-12-30 2023-02-14 广州极飞科技股份有限公司 土壤虫害确定方法及装置、农药配方生成方法及装置
CN114782682B (zh) * 2022-06-20 2022-09-06 西安道法数器信息科技有限公司 基于神经网络的农业害虫图像智能识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999888A (zh) * 2012-11-27 2013-03-27 西安交通大学 一种基于彩色图像分割的深度图去噪方法
CN105447859A (zh) * 2015-11-18 2016-03-30 扬州大学 一种田间麦蚜虫计数方法
CN108305270A (zh) * 2018-03-19 2018-07-20 河南工业大学 一种基于手机拍照的仓储粮虫计数系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9430701B2 (en) * 2014-02-07 2016-08-30 Tata Consultancy Services Limited Object detection system and method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999888A (zh) * 2012-11-27 2013-03-27 西安交通大学 一种基于彩色图像分割的深度图去噪方法
CN105447859A (zh) * 2015-11-18 2016-03-30 扬州大学 一种田间麦蚜虫计数方法
CN108305270A (zh) * 2018-03-19 2018-07-20 河南工业大学 一种基于手机拍照的仓储粮虫计数系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《A Vision-Based Counting and Recognition System for Flying inserts in Intelligent Agriculture》;Yuanhong zhong，et al;《sensors》;20180509;第1-19页 *
《基于迭代和连通域的储粮图像粮虫分割算法》;卢亚玲;《湖北工业大学学报》;20071231;第22卷(第6期);第14-16页 *

Also Published As

Publication number Publication date
CN109872301A (zh) 2019-06-11

Similar Documents

Publication Publication Date Title
CN109872301B (zh) 一种用于水稻病虫害识别计数的彩色图像预处理方法
CN109711325B (zh) 一种芒果采摘点识别方法
Dandawate et al. An automated approach for classification of plant diseases towards development of futuristic Decision Support System in Indian perspective
CN104598883B (zh) 一种多摄像机监控网络中目标再识别的方法
CN110046631A (zh) 用于自动推断时空图像的变化的系统和方法
CN103810476B (zh) 基于小群体信息关联的视频监控网络中行人重识别方法
CN107909081B (zh) 一种深度学习中图像数据集的快速获取和快速标定方法
Islam et al. Rice leaf disease recognition using local threshold based segmentation and deep CNN
CN113298023B (zh) 一种基于深度学习及图像技术的昆虫动态行为识别方法
Zhang et al. Real-time monitoring of optimum timing for harvesting fresh tea leaves based on machine vision
CN117456428B (zh) 基于视频图像特征分析的垃圾投放行为检测方法
CN114882468B (zh) 清扫车清扫刷角度自适应调整方法
CN113947570B (zh) 一种基于机器学习算法和计算机视觉的裂纹辨识方法
CN105426928B (zh) 一种基于Haar特征和EOH特征的行人检测方法
CN108734277A (zh) 一种基于卷积神经网络的靶向药物喷洒方法
CN106951841B (zh) 一种基于颜色和距离聚类的多目标跟踪方法
Kumar et al. Pest detection using adaptive thresholding
Sabzi et al. The use of soft computing to classification of some weeds based on video processing
CN110334631B (zh) 一种基于人脸检测与二值运算的坐姿检测方法
CN105447860A (zh) 一种麦苗计数方法
JP7096175B2 (ja) オブジェクト抽出方法および装置
CN114037650B (zh) 变化检测及目标检测的地面目标可见光毁伤图像处理方法
CN103927517B (zh) 一种基于人体全局特征直方图熵的动作检测方法
CN105335717B (zh) 基于智能移动终端视频抖动分析的人脸识别系统
CN110674799A (zh) 一种基于图像处理的植物提取参数设置系统

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