CN110246140B - 一种改进的基于凹点匹配的粘连颗粒目标分割方法 - Google Patents
一种改进的基于凹点匹配的粘连颗粒目标分割方法 Download PDFInfo
- Publication number
- CN110246140B CN110246140B CN201910398169.XA CN201910398169A CN110246140B CN 110246140 B CN110246140 B CN 110246140B CN 201910398169 A CN201910398169 A CN 201910398169A CN 110246140 B CN110246140 B CN 110246140B
- Authority
- CN
- China
- Prior art keywords
- pit
- contour
- image
- processing
- segmentation
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000002245 particle Substances 0.000 title claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 95
- 238000012545 processing Methods 0.000 claims abstract description 83
- 230000000877 morphologic effect Effects 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 16
- 241000209094 Oryza Species 0.000 description 10
- 235000007164 Oryza sativa Nutrition 0.000 description 10
- 235000009566 rice Nutrition 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000007797 corrosion Effects 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000010419 fine particle Substances 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000009194 climbing Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 210000000265 leukocyte Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 241000722842 Blennosperma Species 0.000 description 1
- 241000370001 Hantavirus Liu Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T7/64—Analysis of geometric attributes of convexity or concavity
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种改进的基于凹点匹配的粘连颗粒目标分割方法，属于图像处理技术领域。本发明首先进行图像预处理，以获得待分割目标的轮廓及凹点；然后，基于形态学操作进行初步分割，从而有效减少进行匹配处理的凹点数量；接着，基于局部凹点匹配的分割处理，即首先进行局部凹点匹配处理，再基于匹配结果实现第一分割处理；最后，基于距离变换处理进行第二分割处理，解决孤立凹点的技术问题。本发明可以用于农业数种、分割等技术领域，其分割准确高。
Description
技术领域
本发明属于图像处理技术领域，具体涉及对粘连颗粒目标的分割处理。
背景技术
近年来，产品的检测和分类技术一直是各个科学领域研究的热点，而颗粒状产品的生产、 加工、检测在实际生产过程中又具有重要的地位。由于颗粒状目标通常数目巨大，人工测量 统计非常困难，因此采用图像处理技术先将其转换为二维图像，然后再将粘连的目标进行合 理准确地分离。
目前较好的粘连目标分割方法有形态学分割算法、分水岭分割算法、凹点匹配算法等等， 这些算法对于不同的粘连多目标不具备普适性。形态学分割算法是以形态结构元素为基础对 图像进行分割的算法，其基本思想是用具有一定形态的结构元素去度量和提取图像中的对应 形状以达到对图像分析和识别的目的，该分割算法应用广泛，但针对粘连十分严重的目标无 法正常将其分离；分水岭分割算法是一种基于拓扑理论的数学形态学的分割方法，其基本思 想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度， 每一个局部极小值及其影响区域称为集水盆，集水盆的边界则形成了分水岭，该分割算法常 常由于图像上的噪声和图局部不连续等原因出现过度分割。
现有的图像分割方法主要存在以下几个缺陷：
(1)误分割与过分割。目前已有的分割算法，针对粘连程度较为严重的图像时会经常出 现误分割以及过分割问题；
(2)效率低。现有的分割算法运行效率较低，浪费大量的计算成本，需要进一步提高；
(3)局限性。现有的基于全局凹点匹配的分割算法具有很大的局限性，该算法的前提是 必须要有两个凹点形成凹点对，而在凹点匹配算法过后可能会出现孤立凹点，这些孤立凹点 无法使用凹点匹配算法进行分割。
发明内容
本发明的发明目的在于：针对上述存在的问题，提供一种改进的基于凹点匹配的粘连颗 粒目标分割方法。
本发明的改进的基于凹点匹配的粘连颗粒目标分割方法，包括下列步骤：
步骤1：将待分割图像转换为灰度图后，进行图像二值化处理及高斯滤波去噪处理；再 进行边缘检测处理，得到粘连目标二值图像的初始轮廓图像；
步骤2：基于预设的粘连目标的圆形模板图像，提取初始轮廓图像中的轮廓凹点；
步骤3：基于初始轮廓图像，采用形态学操作的图像分割处理，实现对轮廓图像的初步 分割，并将分割出来的目标从初始轮廓图像中去除，得到第一轮廓图像；
步骤4：基于局部凹点匹配的图像分割处理：对第一轮廓图像进行轮廓凹点的局部凹点 匹配处理，并以得到的匹配凹点对作为分割线，实现对第一轮廓图像的第一分割处理；
其中，局部凹点匹配处理具体为：
步骤401：计算每一个凹点与其各备用凹点之间的凹点距离；其中备用凹点为位于局部 筛选范围内凹点，所述局部筛选范围为：以当前凹点为中心，半径为待分割目标平均长度的 圆区域；
步骤402：遍历每个未匹配的凹点，对未匹配的凹点进行凹点匹配处理；
步骤403：在当前凹点的备用凹点中搜索距离当前凹点最近且未匹配过的凹点，作为待 匹配凹点；
步骤404：判断当前凹点在待匹配凹点的备用凹点中的未匹配凹点中是否也属于距离最 近的凹点，若是，则执行步骤405；否则继续执行步骤403；
步骤405：判断当前凹点与待匹配凹点间的连线是否在待分割目标内部，若是，则执行 步骤406；否则继续执行步骤403；
步骤406：两凹点间连线是否位于两个凹点的夹角中间，若是，则判断所有凹点是否都 被匹配，若是，则结束；否则继续执行步骤403。
在凹点匹配处理中，已经进行过匹配处理单未匹配成功的备用凹点，则在下一次的匹配 处理中，不再考虑，例如步骤403中，若上一次进行判断的待匹配凹点未能满足步骤404、 405和/或406，则下一次搜索距离当前凹点最近的未匹配过的凹点时，将不再考虑。若某个 凹点其所有备用凹点均不满足404、405和406，则其为孤立凹点，未能匹配到对应的匹配点。
步骤5：对第一分割处理后的各孤立轮廓凹点，基于距离变换处理进行第二分割处理：
对包括孤立轮廓凹点的轮廓图进行距离变换处理，即将轮廓图中的各像素点的灰度值替 换为各像素点到轮廓边界的最短欧式距离，得到距离变换后的轮廓图；
在距离变换后的轮廓图中，设置对应孤立轮廓点第二分割线，基于各第二分割线完成轮 廓图的第二分割处理；
其中第二分割线为：从孤立轮廓凹点处沿梯度的反方向以最短路径到达灰度值最大的像 素点后，再从该灰度值最大的像素点处沿梯度方向以最短路径到达灰度值最小的像素点。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
(1)避免误分割与过分割。现有的分割方法有形态学分割算法、分水岭分割算法、凹点 匹配算法等等，这些算法对于不同的粘连多目标不具备普适性，本发明基于现有的凹点匹配 算法设置了一种适用于粘连多目标分割方案；
(2)提高分割处理的运行效率。改进现有的分割效果最好的基于全局凹点匹配的分割算 法，提高分割运行效率；
(3)解决孤立凹点无法分割的技术问题。通过将凹点匹配算法与水滴下落算法有机结合， 解决孤立凹点无法分割的技术问题。
附图说明
图1为具体实施方式中针对稻米种子的分割处理示意图；
图2为二值化处理示意图，其中图2-a为二值化之前的灰度图；图2-b为二值化处理结果；
图3为存在颗粒物的粘连目标的示意图；
图4为圆形模板检测凹点示意图，其中图4-a为去除了颗粒物的二值化图，图4-b为经过 Canny边缘检测后的轮廓图，图4-c为圆形模板检测凹点示意图。
图5为全局凹点匹配处理中的凹点匹配示例图，其中图5-a、图5-b和图5-c为不同的匹 配结果示例图；
图6为全局凹点匹配示意图。(a)原二值图；(b)全局凹点匹配；
图7为基于局部凹点匹配的分割处理流程示意图
图8为孤立凹点示意图，其中图8-a为分割前的凹点示意图，图8-b为分割后的孤立凹点 示意图；
图9为距离变换处理示意图，其中图9-a为距离变换处理前的二值图，图9-b为距离变换 处理后的对应图像；
图10为将距离变换处理后的图像像素对应的灰度值设置为高度的示意图；
图11为本发明的最短路径分割示意图，其中图11-a为含孤立凹点的二值图像；图11-b 为对应的分割效果图；
图12为本发明与基于全局匹配的分割方案的准确率对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作 进一步地详细描述。
本发明的目的在于提高粘连多目标(如稻米、药片、白细胞等)的分割效率，提高分割 的精确度，解决孤立凹点无法分割的技术问题。本发明的分割方法尤其适用于自身没有凹点 的目标的粘连颗粒目标分割，例如：稻米、药片、白细胞等。
本发明的分割处理主要包括三个部分：
首先，通过传统形态学操作来分割粘连程度较轻的粘连目标，减少凹点数量；
其次，使用基于局部凹点匹配的方式，以改进现有的基于全局凹点匹配方式的不足，在 保证相同准确率的前提下提升算法运行效率；
最后，使用基于距离变换函数的分割方法解决第二步无法处理的孤立凹点技术问题。
参加图1，本具体实施方式中，针对分割目标为稻米种子的图像的具体分割处理包括下 述处理步骤：
步骤1：图像预处理：
将待分割图像转换为灰度图后，进行图像二值化处理及高斯去噪处理；再进行边缘检测 处理，得到粘连目标二值图像的轮廓图像。
本具体实施方式中，采用阈值处理方式将原图中的背景设置为黑色(像素值(灰度值) 设置为0)，粘连目标设置为白色(像素值设置为1)，可用公式表示如下：
其中T为阈值，f(x,y)表示原图中坐标为(x,y)的灰度值，g(x,y)对应于阈值处理后结 果图中坐标为(x,y)的值，值为1时为白色，值为0时为黑色；
本具体实施方式中，根据经验选择T＝20，处理效果如图2所示，其中图2-a表示二值 化处理示意图，图2-b表示对应的二值化处理结果图。
处理后的二值图像会存在一些细小的颗粒物，如图3所示。本发明中为了解决这些细小 的颗粒物，通过高斯滤波进行降噪处理，去除图像中的杂质。
在图像处理中，高斯滤波是利用二维的高斯核作为卷积算子对图像进行卷积运算以平滑 细节和去除噪声。
二维的高斯函数表示为：
其中，σ表示标准差，为了计算方便， 本具体实施方式中，设置σ为1。
由二维高斯函数可得到高斯核，5×5大小的高斯核可以表示为：
即在二维高斯分布中，越接近中心，取值越大；越远离中心，取值越小。本具体实施方 式中，对待进行高斯滤波的图像，采用上述5×5大小的高斯核进行卷积，完成高斯滤波。从 而消除得到的二值图像中的细小颗粒物。
为了提取粘连目标图像上的凹点，需要进行边缘提取。
Canny边缘检测算法是一种包含了最优化思想的算法，具有良好的检测精度和较低的信 噪比，是当前广泛使用的边缘检测算法之一。Canny边缘检测算法首先对图像使用高斯滤波 以去除噪声点和平滑图像边缘，接着计算图像中每个像素的梯度幅值和梯度方向，然后对每 一个像素采用非极大值抑制算法以抑制非边缘点的像素，最后用双阈值处理和连接分析来检 测和连接边缘。具体处理过程包括下述步骤
Step 1：高斯滤波平滑图像边缘。
Step 2：计算梯度幅值和方向。
用(gx,gy)表示图像上(x,y)坐标处的梯度，其具体计算公式为：
根据梯度可计算出梯度幅值M(x,y)和方向α(x,y)：
基于梯度幅值和方向可求得包含每一像素梯度幅值和方向的梯度幅值图像和梯度方向图 像，此处的梯度幅值图像已经包含了边缘信息。
Step 3：非极大值抑制选取候选像素点。
通过梯度幅值提取的边缘很模糊，依然存在不少的“粗边缘”。采用非极大值抑制可将原 本的多个边缘像素减少为单一像素，从而实现边缘细化的效果。非极大值抑制算法具体过程 主要是对比当前边缘像素与其梯度正负方向上两个像素的梯度幅值，若当前像素的梯度幅值 比另外两个像素的梯度幅值都大，则该像素点保留为边缘点，否则抑制该像素点。
Step 4：双阈值处理和连接边缘。
经过非极大值抑制得到的边缘点仍然不全是边缘点，需采用双阈值操作来进一步提取边 缘点。设置高阈值Th和低阈值Tl，然后使用这两个阈值分别对第三步得到的像素点进行分割， 得到Gh(x,y)和Gl(x,y)两个边缘图像。在Gh(x,y)中，由于Th设置较高，一些边缘点可能被剔 除掉，故图像的边缘不连续，但留下的都是有效边缘像素；在Gl(x,y)中，由于Tl设置较低， 得到的边缘也比较多，故存在较多的伪边缘点。此时从Gl(x,y)的伪边缘点中寻找像素点使 Gh(x,y)中的有效边缘像素点连通，最后将得到连续的边缘像素点。
本具体实施方式中，采用Canny边缘检测算法提取粘连目标二值图像的轮廓像素，从而 得到取粘连目标二值图像的轮廓图像。
步骤2：基于预设的粘连目标的圆形模板图像提取轮廓凹点。
为了实现凹点匹配处理，在上一步提取了粘连目标边缘轮廓之后还需要提取出轮廓上的 凹点。
本具体实施方式中，针对待分割的目标为米粒，所以采用圆形模板来检测凹点。圆形模 板是指沿边缘轮廓像素逐点移动的圆，
本具体实施方式中，定义圆形模板比例公式为：
其中，Ci表示内部弧长与圆形模板周长的比值，|Ai|表示圆形模板位于分割目标内部的 弧长，R为圆的半径，此处根据经验选R＝4，即取4个像素为模板的半径长度。
凹点检测标准设置为：
其中，n表示凹点检测数，α为预设阈值。
圆形模板检测凹点示意图如图4所示，其中图4-a为去除了颗粒物的二值化图，图4-b 为经过Canny边缘检测后的轮廓图，图4-c为圆形模板检测凹点示意图。
本具体实施方式中，阈值α＝0.65。在凹点处会有多个连续的边缘点满足式其预设的检 测标准，即会存在多个待选凹点，选取Ci最大值对应的那个待选凹点作为凹点。
步骤3：基于形态学操作的图像分割处理。
在粘连目标图像中有不少目标相互之间只是轻微粘连。经验证发现，采用传统的形态学 方法可以有效地将这些粘连程度较轻的稻米种子分离。
其中，形态学的处理包括：首先将腐蚀分割后的目标单独提取出来，然后使用膨胀的方 法恢复腐蚀过后的边缘。
本具体实施方式中，设置腐蚀最高次数为8次，判断分割成功的条件是目标的凹点数目 变少，即由单个目标分割成多个目标。其具体处理流程为：
(1)提取所有目标轮廓；
(2)取新的目标作为当前处理对象；
(3)进行一次腐蚀；
(4)该目标轮廓是否已经分离，若是，则执行步骤(6)；否则执行步骤(5)；
(5)判断腐蚀次数是否超过预设上限(8次)，若是，则执行步骤(6)；否则返回步骤(2)；
(6)判断所有目标是否处理完毕，若是，则结束；否则返回步骤(2)。
按照上述处理过程的形态学分割处理可以初步分割出粘连程度较轻的目标，将这些通过 形态学分割处理过后的目标从原图中去掉，从而大幅度减少凹点的数量，减轻后续凹点匹配 算法的计算量。但当粘连目标的粘连区域的长度比分割目标自身长度还要长时，该方法不可 行。
步骤4：基于局部凹点匹配的图像分割处理。
相比基于形态学操作的分割处理方式而言，凹点匹配方式在处理粘连多目标的复杂情况 时相比其他分割方式的分割效果更突出，速度更快，处理规则也比较简单，误分割率更低。
当前，在基于全局凹点匹配的分割处理中(具体可参考文献“L.Gao,C.Y.Zhao,M.H.Liu. Segmentation of touching seeds based on shape feature and multipleconcave point detection[C].IEEE International Conference on Imaging Systemsand Techniques(IST),Beijing, 2017:44-48”)，首先计算所有凹点之间的距离，即对每一个凹点都计算出与其他凹点之间的 欧式距离，并进行距离大小排序。然后就每一个凹点选择一个距离较近的未匹配凹点，进行 匹配判断。基于全局凹点匹配判断流程如下：
Step 1：本凹点在此凹点的未匹配凹点中是否也属于距离较近的凹点。
这一步是为了筛选出每个点的待匹配凹点，同时将所有待匹配凹点按距离从近到远进行 排序，通过此步骤可以避免出现远距离匹配的问题。如图5所示，图中共有6个待分割目标， 其中1-5号的目标粘连在了一起，6号为孤立目标，共有8个凹点，其中A点和B点、C点 和D点相对都是最近的凹点。通过Step 1就可以避免出现A点和C点进行匹配。
Step 2：两凹点之间的连线长度是否短于完整目标的平均长度。
因为目标粘连区域的分割线必定短于目标的长度，如图5-a所示，连线AB、CD、EF和GH均比目标的长度要短很多。这一步是同Step 1一样是为了避免出现远距离匹配的情况。
Step 3：两凹点的连线是否在目标内部。
因为稻米种子排列错综复杂，可能会存在两个凹点实际并不匹配，但在空间上距离却很 近的情形，这一步判断就是为了规避该类错误匹配情况。如图5-a所示，点F和点G距离相 对都是最近的，但它们的连线却在目标外面，故不匹配。根据Step 1和Step 2可将点F与点 E相匹配。
Step 4：两凹点间连线是否位于两个凹点的夹角中间。
该步骤用于排除大多数错误的凹点匹配情况。因为正确的凹点对之间的连线，必定是处 于两凹点夹角之间的。图5-b中有A、B两个凹点，灰色线标记的是两个凹点的夹角，白色 线标记的是两个凹点之间的连线，可见连线AB位于两个夹角中间。图5-c中共有4个目标， 6个凹点。观察凹点D，发现离其最近的凹点是F，同时与F的连线DF也在目标内部，但其连线并不位于两凹点的夹角中间，故不匹配；离D点第二近的是E点，同样连线DE并不在 两凹点的夹角中间，也不匹配；最后是C点，连线CD在两凹点的夹角中间，故点C和点D 为匹配的凹点对。
本发明基于凹点对之间的距离往往不可能超过一个完整目标的平均长度的匹配准则，即 一个凹点在匹配另一个凹点时，只需要搜索局部范围的凹点即可，而不需要最开始一步全局 去搜索凹点并计算凹点距离，然后又在Step 2判断连线长度，这样会浪费大量的计算成本与 时间成本。
参考图6，图中共有24个凹点，当匹配A点时，只需要将点A与邻近的点(比如点B、点C、点D)进行匹配判断即可，而不是针对所有的凹点，比如与点M、点N等匹配，也不 需要将这些远距离的凹点作为待匹配凹点。从而减少搜索范围，提高匹配处理效率。
故本发明采用基于局部凹点匹配的分割方式实现对粘连颗粒目标的分割。
参见图7，本发明将全局凹点匹配的分割处理中的一个凹点的备用凹点筛选方式由全局 筛选改为局部筛选。即设置每个凹点的备用凹点的搜索范围为：以当前凹点为中心，半径为 目标平均长度的圆区域。这样，全局凹点匹配的分割处理中的判断连线长度的Step 2也可去 除，即就减少判断步骤，从而带来分割效率的提升。
即本发明中的局部凹点匹配方式具体为：
首先，计算每一个凹点与其一定范围内的凹点距离，即在每个凹点的局部筛选范围(以 当前凹点为中心，半径为待分割目标平均长度的圆区域)内，计算当前凹点与其具备筛选范 围内的凹点间的凹点距离；
然后，选定一个凹点进行凹点匹配处理；
凹点匹配：在当前凹点的备用凹点中搜索距离当前凹点最近且未匹配过的凹点，作为待 匹配凹点；
判断当前凹点在待匹配凹点的备用凹点中的未匹配凹点中是否也属于距离较近(本发明 中判定其是否为距离最近)的凹点(step1)，若是，则执行步骤step2；否则继续执行凹点匹 配步骤；
step2：两凹点的连线是否在目标内部，若是，则执行步骤step3；否则继续执行凹点匹配 步骤；
step3：两凹点间连线是否位于两个凹点的夹角中间，若是，则判断所有凹点是否都被匹 配，若是，则结束；否则继续执行凹点匹配。
本具体实施方式中，选取了100张总数为600的稻米种子图片进行局部凹点匹配方式的 分割处理与全局凹点匹配方式的分割处理的对比，在基于全局凹点匹配的分割处理的平均时 间为2.307s，基于局部凹点匹配的分割算法的平均时间为1.748s，相比原方式减少了24.2％ 的运行时间。
凹点匹配处理的前提必须是要有两个凹点形成凹点对，而在凹点匹配处理过后可能会出 现孤立凹点，使得无法再使用凹点匹配处理进行分割，如图8所示。由图可见使用凹点匹配 处理可能会出现孤立凹点，该类凹点无法使用凹点匹配处理，本发明通过基于距离变换函数 的图像分割方式解决存在孤立凹点的问题。
步骤5：基于距离变换处理的图像分割。
距离变换(Distance Transform)的处理方式，主要是通过标识空间点(目标点与背景点) 的过程，最后转换的结果是一张灰度图像，图像中目标物的轮廓与原图相似，只是其像素点 的灰度发生了变化。每个目标物像素点的灰度值是原图像中此像素到其边界的最短距离。
处理时采用欧式距离变换，即像素之间的距离使用欧氏距离计算，设内部点为(xi,yi)，其 到边界最短距离所对应的边界点为(xj,yj)，则两者间的欧式距离为：
经过距离变换处理后的结果如图10所示，其中图9-a为距离变换处理前的二值图，图9-b 为距离变换处理后的对应图像。从图9-b可知，像素点距离中心位置越近，距离变换所对应 的点灰度值越亮；像素点距离边缘越近，距离变换所对应的点灰度值越暗。
若将距离变换处理后的图像像素对应的灰度值设置为高度，则可得到一张3维的“山峰 图”，如图10所示。
目前已知其中一个孤立凹点，该点位于两座“山峰”交界处的“山底”位置。本发明提 出一种通过最短路径来分割粘连种子的方法：从孤立凹点的位置以最短路程从“山底”位置 爬上“山峰”，然后再从“山峰”以最短路程爬到另一面的“山底”位置，其中走过的路径就 是分割线。
其该处理方式一共分为两个阶段：在越过“山峰”之前，从孤立凹点处沿最陡的方向“爬 山”；在越过最高点“山峰”之后，此时沿最陡的方向“下山”。在图像上，“爬山”的方向即 梯度的反方向，“下山”的方向即梯度方向。最终分割结果如图11所示，其中图11-a为含孤 立凹点的二值图像；图11-b为对应的分割效果图。
即在本发明的分割方法中，首先进行图像预处理，以获得待分割目标的轮廓及凹点；
然后，基于形态学操作进行初步分割，从而有效减少进行匹配处理的凹点数量；
接着，基于局部凹点匹配的分割处理，即首先进行局部凹点匹配处理，再基于匹配结果 实现第一分割处理；
最后，基于距离变换处理进行第二分割处理，解决孤立凹点的技术问题。
与现有的基于全局凹点匹配的分割处理(图像预处理获得待分割目标的轮廓及凹点，基 于全局凹点匹配的分割)相比，本发明在分割准确率上明显的优势。
采用100张总数为600的稻米种子图片进行两种分割方式(本发明与基于全局凹点匹配 的分割处理)的对比，评判标准为算法运行时间和分割准确率。其运行时间对比中，本发明 的平均时间为2.553s，而基于全局凹点匹配的分割处理的平均时间为2.305s，本发明比其处 理时间要慢了10.76％，主要原因是本发明多了形态学操作以及用距离变换处理解决孤立凹点 的步骤。而在精度对比中，参考图12，其中将分割的结果划分成三个区间，纵坐标表示对应 区间的样本数与总样本数的比值。可见本发明的准确率大幅提升。由于凹点匹配可能会出现 匹配出错，从而导致过分割，而本发明由于前面多了形态学腐蚀操作，减少了凹点数量，故 本发明的过分割情况也相应减少了。同时本发明增加了孤立凹点匹配，使得分割精度得到提 升。
再将本发明与当前流行的可以用于粘连颗粒目标的分割算法进行准确率对比，使用样本 为100张总数为600的稻米种子图片，对比结果如表1所示。
表1分割处理方式性能对比表
表1中，基于形态学算法的分割方案具体可参考文献“P.Shatadal,D.S.Jayas,N.R.Bulley. Digital image analysis for software separation and classificationof touching grains:I.Disconnect algorithm[J].Transactions of the Asae,1995,38(2):635-643”，基于分水岭算法的分割方案具体 可参考文献“基于改进分水岭算法的粘连颗粒图像分割[J].计算机技术与发展,2013, 23(3):19-22”。由表1可知，与其它分割处理方式相比，在处理时间优势上优于现有的基于 形态学算法的分割方案，虽然在处理时间与基于全局凹点匹配的分割方式相比，不具有优势， 但是其准确率更高，且能解决全局凹点匹配过程中的孤立凹点的技术问题，故在农业数种、 分割这种对准确率要求高的领域，本发明优势更明显。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述， 均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过 程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。
Claims (6)
1.一种改进的基于凹点匹配的粘连颗粒目标分割方法，其特征在于，包括下列步骤：
步骤1：将待分割图像转换为灰度图后，进行图像二值化处理及高斯滤波去噪处理；再进行边缘检测处理，得到粘连目标二值图像的初始轮廓图像；
步骤2：基于预设的粘连目标的圆形模板图像，提取初始轮廓图像中的轮廓凹点；
步骤3：基于初始轮廓图像，采用形态学操作的图像分割处理，实现对轮廓图像的初步分割，并将分割出来的目标从初始轮廓图像中去除，得到第一轮廓图像；
步骤4：基于局部凹点匹配的图像分割处理：对第一轮廓图像进行轮廓凹点的局部凹点匹配处理，并以得到的匹配凹点对作为分割线，实现对第一轮廓图像的第一分割处理；
其中，局部凹点匹配处理具体为：
步骤401：计算每一个凹点与其各备用凹点之间的凹点距离；其中备用凹点为位于局部筛选范围内凹点，所述局部筛选范围为：以当前凹点为中心，半径为待分割目标平均长度的圆区域；
步骤402：遍历每个未匹配的凹点，对未匹配的凹点进行凹点匹配处理；
步骤403：在当前凹点的备用凹点中搜索距离当前凹点最近且未匹配过的凹点，作为待匹配凹点；
步骤404：判断当前凹点在待匹配凹点的备用凹点中的未匹配凹点中是否也属于距离最近的凹点，若是，则执行步骤405；否则继续执行步骤403；
步骤405：判断当前凹点与待匹配凹点间的连线是否在待分割目标内部，若是，则执行步骤406；否则继续执行步骤403；
步骤406：两凹点间连线是否位于两个凹点的夹角中间，若是，则判断所有凹点是否都被匹配，若是，则结束；否则继续执行步骤403；
步骤5：对第一分割处理后的各孤立轮廓凹点，基于距离变换处理进行第二分割处理：
对包括孤立轮廓凹点的轮廓图进行距离变换处理，即将轮廓图中的各像素点的灰度值替换为各像素点到轮廓边界的最短欧式距离，得到距离变换后的轮廓图；
在距离变换后的轮廓图中，设置对应孤立轮廓点第二分割线，基于各第二分割线完成轮廓图的第二分割处理；
其中第二分割线为：从孤立轮廓凹点处沿梯度的反方向以最短路径到达灰度值最大的像素点后，再从该灰度值最大的像素点处沿梯度方向以最短路径到达灰度值最小的像素点。
2.如权利要求1所述的方法，其特征在于，在步骤2执行前，先执行步骤3得到第一轮廓图像，再对第一轮廓图像执行步骤，获取对应的轮廓凹点。
3.如权利要求1或2所述的方法，其特征在于，轮廓凹点的处理具体为：
设置内部弧长与圆形模板周长的比值为：
其中，|Ai|表示圆形模板位于分割目标内部的弧长，R为预设的圆的半径；
轮廓凹点检测标准设置为：若当前待检测点的比值Ci大于预设阈值α，则认为当前待检测点为待选凹点；否则为非凹点；
并选取比值Ci最大的待选凹点作为轮廓凹点。
4.如权利要求3所述的方法，其特征在于，R的值设置为4。
5.如权利要求3所述的方法，其特征在于，阈值α的值设置为0.65。
6.如权利要求1或2所述的方法，其特征在于，步骤1中，高斯滤波去噪处理时，采用5×5大小的高斯核，其具体为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910398169.XA CN110246140B (zh) | 2019-05-14 | 2019-05-14 | 一种改进的基于凹点匹配的粘连颗粒目标分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910398169.XA CN110246140B (zh) | 2019-05-14 | 2019-05-14 | 一种改进的基于凹点匹配的粘连颗粒目标分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110246140A CN110246140A (zh) | 2019-09-17 |
| CN110246140B true CN110246140B (zh) | 2022-03-29 |
Family
ID=67884338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910398169.XA Expired - Fee Related CN110246140B (zh) | 2019-05-14 | 2019-05-14 | 一种改进的基于凹点匹配的粘连颗粒目标分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110246140B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766709B (zh) * | 2019-10-30 | 2021-03-30 | 成都理工大学 | 基于图像识别的滑坡颗粒堆积特征识别方法 |
| CN111583178B (zh) * | 2020-04-02 | 2022-11-08 | 电子科技大学 | 一种在藻类细胞显微图像中分割黏连藻类细胞的方法 |
| CN111582111B (zh) * | 2020-04-29 | 2022-04-29 | 电子科技大学 | 一种基于语义分割的细胞各成分分割方法 |
| CN111667496B (zh) * | 2020-05-18 | 2023-11-21 | 中国农业大学 | 粘连鱼体图像分割方法及装置 |
| CN113743161B (zh) * | 2020-05-29 | 2024-04-09 | 合肥美亚光电技术股份有限公司 | 花生果的果仁数量识别方法及装置 |
| CN112150487B (zh) * | 2020-10-15 | 2023-08-18 | 武汉轻工大学 | 米粒分割方法、终端及存储介质 |
| CN112270679B (zh) * | 2020-11-19 | 2022-04-22 | 浙江大学 | 一种结合凹点与凹边的凸多边形轮廓的图像分割方法 |
| CN113902713B (zh) * | 2021-10-12 | 2023-02-14 | 广东电网有限责任公司广州供电局 | 一种基于图像分割算法的多菌落体计数方法 |
| CN114049494B (zh) * | 2022-01-13 | 2022-04-22 | 安徽高哲信息技术有限公司 | 粮食籽粒标注方法及设备、存储介质 |
| CN117576135A (zh) * | 2023-11-27 | 2024-02-20 | 北京霍里思特科技有限公司 | 一种基于矿石图像分割矿石的方法、设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102013102A (zh) * | 2010-12-01 | 2011-04-13 | 华中科技大学 | 一种图像中的粘连细胞分割方法 |
| AU2012261556A1 (en) * | 2005-10-20 | 2013-01-10 | Scanalyse Pty Ltd | A System and Method for Measuring and Mapping a Surface Relative to a Reference |
| CN106447669A (zh) * | 2016-04-08 | 2017-02-22 | 潍坊学院 | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 |
-
2019
- 2019-05-14 CN CN201910398169.XA patent/CN110246140B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2012261556A1 (en) * | 2005-10-20 | 2013-01-10 | Scanalyse Pty Ltd | A System and Method for Measuring and Mapping a Surface Relative to a Reference |
| CN102013102A (zh) * | 2010-12-01 | 2011-04-13 | 华中科技大学 | 一种图像中的粘连细胞分割方法 |
| CN106447669A (zh) * | 2016-04-08 | 2017-02-22 | 潍坊学院 | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于凹点匹配和分水岭变换的车辆图像分割算法研究";陶德威;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315(第03期);I138-4941 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110246140A (zh) | 2019-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110246140B (zh) | 一种改进的基于凹点匹配的粘连颗粒目标分割方法 | |
| CN106447669B (zh) | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 | |
| CN109636824B (zh) | 一种基于图像识别技术的多目标计数方法 | |
| CN104268872B (zh) | 基于一致性的边缘检测方法 | |
| CN110009638B (zh) | 基于局部统计特征的桥梁拉索图像外观缺陷检测方法 | |
| CN110415208B (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
| CN108855988B (zh) | 基于机器视觉的核桃仁分级方法及核桃仁分级装置 | |
| CN111738271B (zh) | 自然环境中被遮挡果实的识别方法 | |
| CN103778627B (zh) | 一种基于sar图像的海域溢油检测方法 | |
| CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
| CN107481225B (zh) | 一种自动寻找最优参数分割粘连细胞的方法 | |
| CN104036523A (zh) | 一种基于SURF特征的改进Mean Shift的目标跟踪方法 | |
| CN111583178B (zh) | 一种在藻类细胞显微图像中分割黏连藻类细胞的方法 | |
| CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
| Zhang et al. | A practical segmentation method for automated screening of cervical cytology | |
| Li et al. | Automatic infrared ship target segmentation based on structure tensor and maximum histogram entropy | |
| CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 | |
| CN110853000B (zh) | 一种车辙的检测方法 | |
| Gao et al. | Intelligent crack damage detection system in shield tunnel using combination of retinanet and optimal adaptive selection | |
| Peng et al. | A novel SVM-based edge detection method | |
| CN111145197A (zh) | 一种精确的基于直方图和局部梯度的道岔转辙机缺口边缘定位方法 | |
| CN111191534B (zh) | 一种模糊航空图像中的道路提取方法 | |
| CN111489371B (zh) | 一种场景的直方图近似单峰分布时的图像分割方法 | |
| Gillet et al. | Color image segmentation by analysis of 3D histogram with fuzzy morphological filters | |
| Lo et al. | Shadow detection by integrating multiple features |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220329 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |