CN109948543A - 一种田间近景图像的导航线提取方法 - Google Patents
一种田间近景图像的导航线提取方法 Download PDFInfo
- Publication number
- CN109948543A CN109948543A CN201910210935.5A CN201910210935A CN109948543A CN 109948543 A CN109948543 A CN 109948543A CN 201910210935 A CN201910210935 A CN 201910210935A CN 109948543 A CN109948543 A CN 109948543A
- Authority
- CN
- China
- Prior art keywords
- image
- threshold
- segmentation
- bianry image
- leading line
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种田间近景图像的导航线提取方法,包括以下步骤:(1)对采集到的田间图像,提取每个像素点的特征值,从而得到相应的灰度图;(2)对灰度图像通过最大类间方差法得到分割阈值。在分割阈值±10%的范围内,选择一个阈值区间,在这个阈值区间内按5‑20等分,获得n个阈值;(3)采用每个阈值分割灰度图像,获得n个二值图像。对获得的n个二值图像进行形态学操作获得新的二值图像,加上原有的二值图像,一共获得n×5幅二值图像;(4)将n×5幅二值图像融合得到新的灰度图像,聚类设定阈值,分割得到新的二值图像;(5)采用新的二值图像提取背景中心点作为特征点,并采用特征点拟合得到导航线。本发明实现了田间导航线的提取精度的提高。
Description
技术领域
本发明涉及的是一种导航线提取方法,具体涉及一种田间近景图像的导航线提取方法。
背景技术
在已有田间导航线的提取算法中一般分为三个步骤。首先,通过图像分割将获取的田间图像分割为二值图像。其次,在二值图像中,通过每一行垄间道路或作物垄提取中心点作为特征点。最后,通过拟合特征点获取导航线。在已有研究中,图像分割的结果被认为是提取导航线的基础,其分割精度直接影响最后导航线的提取效果。多阈值分割:对于同一幅图像,采取多个阈值分割得到多幅二值图像;(2)田间近景图像:指田间导航摄像头视野范围较小情况下获取的田间图像,只能获取近处的田间情况,在本发明中指只包括相邻两个作物垄的田间导航图像。
如图1及图2-5所示,原图按5个不同阈值分割的分割结果存在差异。在二值图中,白色的像素点表示植被,黑色的像素点表示背景。无论采用植被还是背景提取图像中每一行的中心点作为特征点,其提取特征点的精度强烈依赖分割结果的精度。
在已有研究中田间光照环境变化大,所获取图像的自然环境复杂,很难获得一个较为稳定的或固定的阈值。
在现有导航线提取技术中针对图像分割一般采用阈值分割的方法。对于每一个像素点,通过一个特征函数得到一个特征值。比如对于常见的RGB图像,每个像素点包括三个值R、G、B三个值分别表示这个像素点红、绿、蓝的程度,常用的特征函数就是超绿特征2G-R-B。通过特征函数,每个像素点都转化为一个特征值,然后通过一个阈值进行判断,大于阈值的就是植被,小于阈值的就是背景。由于自然光照环境的影响,现有技术中阈值选取的方法所得到的分割结果缺乏导航线提取所需的精度。
本发明针对这一情况,从导航线提取出发,针对近景田间图像只包括两垄的特点,提出采用多个阈值分割田间图像并将不同阈值分割的结果融合后提取特征点,从而提高导航线的提取精度。
综上所述,本发明设计了一种田间近景图像的导航线提取方法。
发明内容
针对现有技术上存在的不足,本发明目的是在于提供一种田间近景图像的导航线提取方法,从导航线提取出发,针对近景田间图像只包括两垄的特点,提出采用多个阈值分割田间图像并将不同阈值分割的结果融合后提取特征点,从而提高导航线的提取精度。
为了实现上述目的,本发明是通过如下的技术方案来实现:一种田间近景图像的导航线提取方法,包括以下步骤:
(1)对采集到的田间图像,提取每个像素点的特征值(可采用超绿特征2G-R-B或G特征),从而得到相应的灰度图;
(2)对灰度图像通过最大类间方差法得到分割阈值。在分割阈值±10%的范围内,选择一个阈值区间,在这个阈值区间内按5-20等分,获得n个阈值;
(3)采用每个阈值分割灰度图像,获得n个二值图像。对获得的n个二值图像进行形态学操作(腐蚀、膨胀、开操作、闭操作)获得新的二值图像,加上原有的二值图像,一共获得n×5幅二值图像;
(4)将n×5幅二值图像融合得到新的灰度图像,聚类设定阈值,分割得到新的二值图像;
(5)采用新的二值图像提取背景中心点作为特征点,并采用特征点拟合得到导航线。
由于多阈值分割结果的融合需要保证分割效果的重叠,因此本发明主要用于近景田间图像。本发明所指近景图像指只包括相邻两个作物垄的田间导航图像。
本发明的有益效果:
本发明提出的多阈值分割,由于在最大类间方差周围的一个范围内选取阈值,较好的解决了光照环境的影响。然后,通过形态学操作,对于只包括两垄作物的近景图像,较好的保留了田间道路信息。通过多阈值分割结果的融合和提取背景图像中心点作为特征点两步操作,较好的降低了光照环境对于田间导航图像中田间道路区域的影响,从而提高了导航线提取的精度。
附图说明
下面结合附图和具体实施方式来详细说明本发明;
图1为本发明背景技术中的田间图像;
图2-6为图1的五个不同阈值分割示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
本具体实施方式采用以下技术方案:一种田间近景图像的导航线提取方法,包括以下步骤:
(1)对采集到的田间图像,提取每个像素点的特征值(可采用超绿特征2G-R-B或G特征),从而得到相应的灰度图;
(2)对灰度图像通过最大类间方差法得到分割阈值。在分割阈值±10%的范围内,选择一个阈值区间,在这个阈值区间内按5-20等分,获得n个阈值;
(3)采用每个阈值分割灰度图像,获得n个二值图像。对获得的n个二值图像进行形态学操作(腐蚀、膨胀、开操作、闭操作)获得新的二值图像,加上原有的二值图像,一共获得n×5幅二值图像;
(4)将n×5幅二值图像融合得到新的灰度图像,聚类设定阈值,分割得到新的二值图像;
(5)采用新的二值图像提取背景中心点作为特征点,并采用特征点拟合得到导航线。
本具体实施方式采用多阈值的选取方法:对田间图像转化为灰度图像通过最大类间方差法得到分割阈值。在分割阈值±10%的范围内,选择一个阈值区间,在这个阈值区间内按5-20等分,获得n个阈值。
本具体实施方式多个分割的结果的融合:对获得的n个二值图像进行形态学操作(腐蚀、膨胀、开操作、闭操作)获得新的二值图像,加上原有的二值图像,一共获得n×5幅二值图像。将n×5幅二值图像进行融合得到新的灰度图像。对于多阈值分割融合的近景图像采用背景图像中心点作为特征点。
目前田间机器人视觉导航的精度无法满足开发实用设备的需要,而光照环境的多样性是影响导航线提取精度的主要因素。因此,本发明提出在田间图像分割阶段,通过多个阈值进行图像分割,然后将不同阈值的分割结果融合后获取特征点,从而减少光照的影响,实现田间导航线的提取精度的提高。
光照的影响一直是图像分割的难点,特别是在田间环境下尤为突出。本方案通过两个方面有针对性的解决这一问题。一是通过多阈值图像分割尽量多的保留田间道路的信息,二是针对田间近景图像只包括两垄植被的特点,对分割后的二值图像通过形态学操作并加以融合突出田间道路信息。因此,本方案是对田间近景图像的针对性导航线提取方案,在已有研究中未见替代方案报道。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.一种田间近景图像的导航线提取方法,其特征在于,包括以下步骤:
(1)对采集到的田间图像,提取每个像素点的特征值,从而得到相应的灰度图;
(2)对灰度图像通过最大类间方差法得到分割阈值;在分割阈值±10%的范围内,选择一个阈值区间,在这个阈值区间内按5-20等分,获得n个阈值;
(3)采用每个阈值分割灰度图像,获得n个二值图像;对获得的n个二值图像进行形态学操作获得新的二值图像,加上原有的二值图像,一共获得n×5幅二值图像;
(4)将n×5幅二值图像融合得到新的灰度图像,聚类设定阈值,分割得到新的二值图像;
(5)采用新的二值图像提取背景中心点作为特征点,并采用特征点拟合得到导航线。
2.根据权利要求1所述的一种田间近景图像的导航线提取方法,其特征在于,所述的步骤1中的特征值采用超绿特征2G-R-B或G特征。
3.根据权利要求1所述的一种田间近景图像的导航线提取方法,其特征在于,所述的步骤3中的形态学操作包括腐蚀、膨胀、开操作、闭操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910210935.5A CN109948543B (zh) | 2019-03-20 | 2019-03-20 | 一种田间近景图像的导航线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910210935.5A CN109948543B (zh) | 2019-03-20 | 2019-03-20 | 一种田间近景图像的导航线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109948543A true CN109948543A (zh) | 2019-06-28 |
CN109948543B CN109948543B (zh) | 2023-02-03 |
Family
ID=67010883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910210935.5A Active CN109948543B (zh) | 2019-03-20 | 2019-03-20 | 一种田间近景图像的导航线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948543B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028309A (zh) * | 2019-12-06 | 2020-04-17 | 深圳大学 | 基于LoRa节点的昆虫密度图构建方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005266910A (ja) * | 2004-03-16 | 2005-09-29 | Hitachi High-Technologies Corp | 画像データ転送方法、画像処理装置およびウェハ外観検査装置 |
CN103530606A (zh) * | 2013-09-30 | 2014-01-22 | 中国农业大学 | 一种杂草环境下的农机导航路径提取方法 |
CN103914848A (zh) * | 2014-04-16 | 2014-07-09 | 浙江理工大学 | 一种基于小波变换及最大类间方差的农田图像分割方法 |
CN104616014A (zh) * | 2014-12-15 | 2015-05-13 | 广西科技大学 | 基于形态学操作的田间曲线导航线提取方法 |
EP2880568A2 (en) * | 2012-07-30 | 2015-06-10 | Brainlab AG | Method for inverse trajectory planning |
CN104866820A (zh) * | 2015-04-29 | 2015-08-26 | 中国农业大学 | 一种基于遗传算法的农机导航线提取方法及装置 |
CN105987684A (zh) * | 2015-12-18 | 2016-10-05 | 中国科学院合肥物质科学研究院 | 一种基于单目视觉的农业车辆导航线检测系统及方法 |
CN106225774A (zh) * | 2016-08-26 | 2016-12-14 | 武汉大学 | 一种基于计算机视觉的无人驾驶农机耕道测量装置及方法 |
CN108710840A (zh) * | 2018-05-10 | 2018-10-26 | 江苏大学 | 一种农田喷药机器人视觉导航路径识别方法 |
CN108765442A (zh) * | 2018-04-27 | 2018-11-06 | 吉林农业科技学院 | 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 |
CN109344843A (zh) * | 2018-09-07 | 2019-02-15 | 华南农业大学 | 水稻秧苗行线提取方法、装置、计算机设备和存储介质 |
-
2019
- 2019-03-20 CN CN201910210935.5A patent/CN109948543B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005266910A (ja) * | 2004-03-16 | 2005-09-29 | Hitachi High-Technologies Corp | 画像データ転送方法、画像処理装置およびウェハ外観検査装置 |
EP2880568A2 (en) * | 2012-07-30 | 2015-06-10 | Brainlab AG | Method for inverse trajectory planning |
CN103530606A (zh) * | 2013-09-30 | 2014-01-22 | 中国农业大学 | 一种杂草环境下的农机导航路径提取方法 |
CN103914848A (zh) * | 2014-04-16 | 2014-07-09 | 浙江理工大学 | 一种基于小波变换及最大类间方差的农田图像分割方法 |
CN104616014A (zh) * | 2014-12-15 | 2015-05-13 | 广西科技大学 | 基于形态学操作的田间曲线导航线提取方法 |
CN104866820A (zh) * | 2015-04-29 | 2015-08-26 | 中国农业大学 | 一种基于遗传算法的农机导航线提取方法及装置 |
CN105987684A (zh) * | 2015-12-18 | 2016-10-05 | 中国科学院合肥物质科学研究院 | 一种基于单目视觉的农业车辆导航线检测系统及方法 |
CN106225774A (zh) * | 2016-08-26 | 2016-12-14 | 武汉大学 | 一种基于计算机视觉的无人驾驶农机耕道测量装置及方法 |
CN108765442A (zh) * | 2018-04-27 | 2018-11-06 | 吉林农业科技学院 | 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 |
CN108710840A (zh) * | 2018-05-10 | 2018-10-26 | 江苏大学 | 一种农田喷药机器人视觉导航路径识别方法 |
CN109344843A (zh) * | 2018-09-07 | 2019-02-15 | 华南农业大学 | 水稻秧苗行线提取方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
LU LIU等: "The method of coordinate recognition for maize straws under canopy by monocular vision", 《2016 2ND INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND ROBOTICS (ICCAR)》 * |
刁智华等: "基于机器视觉的农田机械导航线提取算法研究", 《农机化研究》 * |
赵帅领: "田间机器人双目视觉导航算法研究", 《CNKI优秀硕士学位论文全文库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028309A (zh) * | 2019-12-06 | 2020-04-17 | 深圳大学 | 基于LoRa节点的昆虫密度图构建方法及装置 |
CN111028309B (zh) * | 2019-12-06 | 2023-07-14 | 深圳大学 | 基于LoRa节点的昆虫密度图构建方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109948543B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107578035B (zh) | 基于超像素-多色彩空间的人体轮廓提取方法 | |
CN106780438A (zh) | 基于图像处理的绝缘子缺陷检测方法及系统 | |
WO2018023916A1 (zh) | 一种彩色图像去阴影方法和应用 | |
CN102024146B (zh) | 猪舍监控视频中前景提取方法 | |
CN102568005A (zh) | 一种基于混合高斯模型的运动目标检测方法 | |
CN105574514B (zh) | 温室生西红柿自动识别方法 | |
CN109584258B (zh) | 草地边界识别方法及应用其的智能割草装置 | |
CN106228157B (zh) | 基于图像识别技术的彩色图像文字段落分割与识别方法 | |
CN109446984A (zh) | 自然场景中道路交通标志识别方法 | |
CN101650782A (zh) | 基于肤色模型和形状约束的正面人脸轮廓提取方法 | |
CN106157323A (zh) | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 | |
CN105354864A (zh) | 一种具有较高真实感的纺织物组织颜色替换模拟方法 | |
CN109726669A (zh) | 基于对抗网络的不同光照条件下行人再识别数据生成方法 | |
CN104299210A (zh) | 基于多特征融合的车辆阴影消除方法 | |
CN105719275A (zh) | 一种并行组合的图像缺陷分割方法 | |
CN108711160B (zh) | 一种基于hsi增强性模型的目标分割方法 | |
CN106373096A (zh) | 一种多特征权值自适应的阴影消除方法 | |
CN107481183A (zh) | 一种基于多维数据关联规则的微光图像彩色化方法 | |
CN103500451B (zh) | 一种用于卫星数据的独立浮冰提取方法 | |
CN104021527A (zh) | 一种图像中雨雪的去除方法 | |
CN110136079A (zh) | 基于场景深度分割的图像去雾方法 | |
CN104408407B (zh) | 苹果采摘机器人的夜间识别方法 | |
CN109948543A (zh) | 一种田间近景图像的导航线提取方法 | |
CN109493361B (zh) | 一种火灾烟雾图像分割方法 | |
CN109859220B (zh) | 一种线形图像分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |