CN110059682B - 一种基于流行排序算法的近色系目标识别方法 - Google Patents
一种基于流行排序算法的近色系目标识别方法 Download PDFInfo
- Publication number
- CN110059682B CN110059682B CN201910231166.7A CN201910231166A CN110059682B CN 110059682 B CN110059682 B CN 110059682B CN 201910231166 A CN201910231166 A CN 201910231166A CN 110059682 B CN110059682 B CN 110059682B
- Authority
- CN
- China
- Prior art keywords
- image
- boundary
- nodes
- color
- carrying
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000010276 construction Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 229940060587 alpha e Drugs 0.000 claims 1
- 238000005516 engineering process Methods 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 description 5
- 240000008384 Capsicum annuum var. annuum Species 0.000 description 4
- 235000008534 Capsicum annuum var annuum Nutrition 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于流行排序算法的近色系目标识别方法，首先获取近色系目标图像，并利用模糊集理论进行图像增强，接着利用SLIC算法对图像进行超像素块构造，比较边界节点与未被标记的节点之间的相似性，对超像素块图像的边界进行查询，再采用流行排序算法进行排序，获得边界显著图，并融合边界显著图，最后去除噪声，获得近色系目标的轮廓，实现目标的识别。本发明有效地解决了图像识别领域对近色系作物目标识别的问题，提高近色系目标的识别率。
Description
技术领域
本发明涉及一种基于流行排序算法的近色系目标识别方法，属于图像识别技术领域。
背景技术
目前对于背景叶子与果实颜色近似、区分不明显的果实识别研究，应用常规的图像处理方法(如OTSU)会导致水果目标的错误识别，使得识别困难增加、成功率偏低。流行排序算法是一种有效的显著性检测技术，因为它利用了内在的图形结构，并在图形标记中结合了局部分组提示。进一步的分析显示，流行排序本质上是沿着相邻的图形传播查询标签，从而对其性能产生显著影响。由于从每个超像素提取的特征决定了构造图中两个节点之间的权重，因此它们是显著性检测中的重要提示。
发明内容
本发明根据现有技术的不足与缺陷，提出了一种基于流行排序算法的近色系目标识别方法，提高近色系目标的识别率，以满足精准农业的需求。
本发明采用的具体技术方案如下：
一种基于流行排序算法的近色系目标识别方法，包括：采集近色系目标的图像，并对其进行图像增强，对增强图像进行超像素块构造，然后比较边界节点与未被标记的节点之间的相似性，接着进行边界查询获取，并融合边界显著图，最后去噪，将融合显著图中大于某一阈值的像素点合成为最终Mask掩膜，识别近色系目标。
上述方案中，所述图像增强采集模糊集理论；所述超像素块构造采用简单线性迭代聚类算法；所述去噪采用形态学。
本发明的有益效果：本发明首次采用模糊集理论结合流行排序算法来识别近色系目标，首先采用模糊集理论增强图像，接着利用SLIC算法对增强图像进行超像素块构造，然后使用流行排序算法对超像素块进行排序获得显著图，最后利用形态学操作处理显著图获得近色系目标。本发明提高了果实识别率，达到满足精准农业的需求；解决了一种图像识别领域对近色系作物目标识别的问题。
附图说明
图1为本发明提供的一种基于流行排序算法的近色系目标识别方法的流程图；
图2为本发明提供的一种基于流行排序算法的近色系目标识别方法预处理的青椒图；
图3为本发明提供的一种基于流行排序算法的近色系目标识别方法的两个特征分量的增强图，图3(a)为基于模糊处理的I分量调整图，图3(b)为基于非线性拉伸的S分量调整图；
图4为本发明采用SLIC算法的超像素块构造图；
图5为本发明融合后的显著图像；
图6为本发明提供的一种基于流行排序算法的近色系目标识别方法识别的结果图。
具体实施方式
以下结合附图对本发明的方法进一步描述，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及应用。
如图1所示，本发明提供了一种基于流行排序算法的近色系目标识别方法，具体包括以下步骤：
步骤1：将型号为MX808、分辨率为640(h)×480(v)的林柏视摄像头连接计算机，通过计算机实时获取自然生长的青椒植株图像，并对青椒目标RGB图像进行双边滤波预处理，获得较好的保存边缘的效果，如图2所示。
步骤2：由于光照情况可能导致果面颜色不均匀，将步骤1获取的预处理后的图像转换成HSI颜色空间图像，基于HSI颜色空间中I分量和S分量的两个特征组件图像增强原理，采用模糊集理论对HSI颜色空间图像进行增强，如图3(a)、(b)所示。考虑到I分量图像中给定像素与平均值
标准偏差σ、最大值gmax和最小值gmin之间的关系，隶属函数设计成：
其中，μmn是像素(m，n)处的隶属函数，gmn是像素(m，n)处的灰度值。
当
时，隶属函数μmn随着gmn的增加而增加，以达到抑制亮区的目的。相反，随着gmn的增加μmn减小，以增强暗区的强度。为了确保图像对比度恒定，再次变换像素隶属函数，并获得由μ’mn表示的新模糊集隶属函数，如公式(2)所示：
由于μmn∈[0，1]，μ’mn≥μmn；μ’mn执行逆变换，变换公式为公式(3)；通过比较gmn与
的值，在公式(3)基础上实现图像高光和阴影去除。
模糊集理论对HSI颜色空间图像进行增强，可以有效地抑制图像中的亮区并改善低光区的效果。因此，图像的整体强度更均匀，以确保目标提取的完整性。
步骤3：将上述步骤2利用模糊集理论处理的HSI颜色空间图像转换成Lab颜色空间图像，根据Lab空间中的像素距离，使用简单线性迭代聚类算法(SLIC算法)进行Lab颜色空间图像的超像素块构造。假设Lab颜色空间图像包含P个像素，将像素划分为n个超像素块，每个超像素块包括
像素，并且相邻的超像素块中心之间的初始距离由/>
表示。Lab颜色空间中每个超像素块的初始中心是Ck＝[lk,ak,bk,xk,yk]，lk,ak,bk分别表示像素点K处的Lab颜色空间中的值，xk,yk表示像素点K处坐标；则像素点i与K处的距离Dp可以通过公式(4)进行计算：
其中dxy代表像素点i与K的空间距离，dlab代表像素点i与K的颜色距离，m用于调整dxy的权重。
根据公式(4)，每个像素移动到最近的超像素块中，计算新超像素块的中心坐标，重复上述过程，直到每个超像素块没有变化。以这种方式，可以生成超像素块以实现图像像素的局部聚类，如图4所示。
步骤4：由于图像边界区域包含很多背景信息，对步骤3的超像素块进行边界查询，以上边界为例，使用边界上的节点作为查询节点，图像上其他的节点作为未被标记的节点，根据公式(5)排序函数，计算出所有节点的排序值：
f*＝(I-αS)-1y (5)
其中I是单位矩阵，S是归一化拉普拉斯矩阵，α∈[0,1)，y＝[y1,y2,…,yN]T为指向向量；得到的每一个像素是一个节点和查询节点的显著性，像素点i的显著性为：
其中N是图像中节点的总数，
表示由排序值组成的归一化向量。
获得上边界显著图St后，同样可得下边界Sb、左边界Sl和右边界Sr的显著图，根据式(7)融合4个显著图，获得最终的显著性图像Sbq，如图5所示：
Sbq(i)＝St(i)*Sb(i)*Sl(i)*Sr(i) (7)
步骤5：对步骤4获得的融合显著图采用形态滤波处理技术，进行孔填充、开闭运算等形态学操作去除噪声，将处理后的显著图中大于某一阈值的像素点合成为最终Mask掩膜，然后将原图像中的青椒识别出来，如图6所示。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。
Claims (4)
1.一种基于流行排序算法的近色系目标识别方法，其特征在于，包括：采集近色系目标的图像，并对其进行图像增强，对增强图像进行超像素块构造，然后比较边界节点与未被标记的节点之间的相似性，接着进行边界查询获取，并融合边界显著图，最后去噪，将融合显著图中大于某一阈值的像素点合成为最终Mask掩膜，识别近色系目标；
所述进行边界查询获取，并融合边界显著图，具体为：以上边界为例，使用边界上的节点作为查询节点，其他的作为未被标记的节点，根据排序函数f*＝(I-αS)-1y计算出所有节点的排序值，得到每一个元素为一个节点和查询节点的显著性，素节点i的显著性为：
其中I是单位矩阵，S是归一化拉普拉斯矩阵，α∈[0,1)，y为指向向量，N是图像中节点的总数，/>
表示由排序值组成的归一化向量；获得上边界显著图St后，同样可得下边界Sb、左边界S1和右边界Sr的显著图，根据式Sbq(i)＝St(i)*Sb(i)*Sl(i)*Sr(i)融合4个显著图，获得最终的显著性图像。
2.根据权利要求1所述的基于流行排序算法的近色系目标识别方法，其特征在于，所述图像增强采集模糊集理论，具体地：将所采集近色系目标图像转换到HSI颜色空间图像，采用模糊集理论对HSI颜色空间图像中的I分量和S分量的两个特征组件进行图像增强。
3.根据权利要求1所述的基于流行排序算法的近色系目标识别方法，其特征在于，所述超像素块构造采用简单线性迭代聚类算法。
4.根据权利要求1所述的基于流行排序算法的近色系目标识别方法，其特征在于，所述去噪采用形态学，具体地：对融合显著图采用形态滤波处理技术，进行孔填充和开闭运算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910231166.7A CN110059682B (zh) | 2019-03-26 | 2019-03-26 | 一种基于流行排序算法的近色系目标识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910231166.7A CN110059682B (zh) | 2019-03-26 | 2019-03-26 | 一种基于流行排序算法的近色系目标识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110059682A CN110059682A (zh) | 2019-07-26 |
| CN110059682B true CN110059682B (zh) | 2023-06-13 |
Family
ID=67316298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910231166.7A Active CN110059682B (zh) | 2019-03-26 | 2019-03-26 | 一种基于流行排序算法的近色系目标识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110059682B (zh) |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104680546A (zh) * | 2015-03-12 | 2015-06-03 | 安徽大学 | 一种图像显著目标检测方法 |
| CN109447136A (zh) * | 2018-10-15 | 2019-03-08 | 方玉明 | 一种对于360度图像的显著性检测方法 |
-
2019
- 2019-03-26 CN CN201910231166.7A patent/CN110059682B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110059682A (zh) | 2019-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022099598A1 (zh) | 一种基于图像像素相对统计特征的视频动态目标检测的方法 | |
| Wang et al. | Detection and counting of immature green citrus fruit based on the Local Binary Patterns (LBP) feature using illumination-normalized images | |
| CN109154978B (zh) | 用于检测植物疾病的系统和方法 | |
| CN104268583B (zh) | 基于颜色区域特征的行人重识别方法及系统 | |
| Sunny et al. | An efficient citrus canker detection method based on contrast limited adaptive histogram equalization enhancement | |
| CN108319973A (zh) | 一种树上柑橘果实检测方法 | |
| CN110309806B (zh) | 一种基于视频图像处理的手势识别系统及其方法 | |
| Masood et al. | Plants disease segmentation using image processing | |
| CN109784216B (zh) | 基于概率图的车载热成像行人检测RoIs提取方法 | |
| CN112561899A (zh) | 电力巡检图像识别方法 | |
| CN108711160B (zh) | 一种基于hsi增强性模型的目标分割方法 | |
| CN112257702A (zh) | 一种基于增量学习的农作物病害识别方法 | |
| CN107516083A (zh) | 一种面向识别的远距离人脸图像增强方法 | |
| CN106157266A (zh) | 一种果园果实图像获取方法 | |
| CN107154044A (zh) | 一种中餐食物图像的分割方法 | |
| CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
| CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
| CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 | |
| Hua et al. | Image segmentation algorithm based on improved visual attention model and region growing | |
| CN110059682B (zh) | 一种基于流行排序算法的近色系目标识别方法 | |
| PL | A study on various image processing techniques | |
| Kumar et al. | The Different Techniques for Detection of Plant Leaves Diseases | |
| CN111489371B (zh) | 一种场景的直方图近似单峰分布时的图像分割方法 | |
| CN110516686B (zh) | 三色rgb图像的蚊虫识别方法 | |
| CN109165681A (zh) | 一种动物种类的识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240407 Address after: 230000 Room 203, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Hefei Jiuzhou Longteng scientific and technological achievement transformation Co.,Ltd. Country or region after: China Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301 Patentee before: JIANGSU University Country or region before: China |