CN110298362A - 一种牡丹花特征提取方法 - Google Patents

一种牡丹花特征提取方法 Download PDF

Info

Publication number
CN110298362A
CN110298362A CN201910501246.XA CN201910501246A CN110298362A CN 110298362 A CN110298362 A CN 110298362A CN 201910501246 A CN201910501246 A CN 201910501246A CN 110298362 A CN110298362 A CN 110298362A
Authority
CN
China
Prior art keywords
pixel
image
peony
follows
feature
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.)
Pending
Application number
CN201910501246.XA
Other languages
English (en)
Inventor
王宪保
吴梦岚
肖本督
杨敬
陈斌
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910501246.XA priority Critical patent/CN110298362A/zh
Publication of CN110298362A publication Critical patent/CN110298362A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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

Abstract

本发明公开了一种牡丹花特征提取方法，包含以下步骤：步骤(1)、先将拍摄的牡丹花图片进行前背景分割；步骤(2)、对步骤(1)得到的图片进行牡丹花的颜色进行特征提取；步骤(3)、分别对牡丹花的形状特征：凸包面积比，锐度特征，边界特征进行提取；步骤(4)、对牡丹花的纹理特征进行提取。在样本很少的情况下，这种方法提取的特征可用于之后分类器的学习样本。所提取到的22个特征f1到f22即为牡丹花的底层特征。本发明能够提取出花朵的底层特征，于其他的花卉分类也有一定的借鉴意义。

Description

一种牡丹花特征提取方法
技术领域
本发明涉及到花朵分类的领域，尤其涉及一种牡丹花特征提取方法。
背景技术
出于人文素养的提高，同种类别的植物园大规模地出现，为人们提供观赏场地。基于图像处理技术对不同种植物，如不同花卉的识别研究工作已经有很多，但是对于牡丹花而言，种内的识别，相较于不同中花卉识别，更为困难，而且由于其种类繁多，目前有的一些花卉种内识别的技术不能直接运用。特征提取是整个花卉识别流程中的重要环节，目的是找到适合于牡丹花的鉴别性特征。
发明内容
本发明要实现现有技术的上述空缺，提出一种牡丹花底特征提取的方法。
本文采用的技术方案如下：一种牡丹花特征提取方法，包含以下步骤：
步骤(1)、先将拍摄的牡丹花图片进行前背景分割；
步骤(2)、对步骤(1)得到的图片进行牡丹花的颜色进行特征提取；
步骤(3)、分别对牡丹花的形状特征：凸包面积比，锐度特征，边界特征进行提取；
步骤(4)、对牡丹花的纹理特征进行提取。
进一步的，所述步骤(1)包括如下子步骤：
步骤(1.1)先将图片f(x，y)转成灰度图片，对其进行阈值化操作，首先寻找图像的前景和背景的最佳阈值T；
步骤(1.2)根据得到的阈值T对图像进行二值化，再通过形态学——膨胀处理，提取最大的连通区域；
步骤(1.3)根据膨胀后的图像取最大的连通区域得到其最小的外接矩形，再利用grabcut算法进行图像前景背景分割。
进一步的，所述步骤(1.1)中最佳阈值T求解过程如下：
定义图片总的像素数为N个，Q1、Q2分别是属于前景和后景的像素数与总像素的比例，m1和m2分别是前景和后景的像素的平均灰度值；mg是整个图像的平均灰度，则类内方差σ2为：
σ2＝Q1(m1-mg)2+Q2(m2-mg)2 (1)
根据统计学的知识，Q1+Q2＝1，Q1m1+Q2m2＝mg；所以式子(1)可以改写成
σ2＝Q1Q2(m1-m2)2 (2)
从式子(2)可以看出，均值m1和m2彼此间隔越远，σ2越大，可以作为类间可分性测度；
计算不同阈值下，前景与背景的类内方差，当前景与背景的类内方差最大时，这个阈值就是最佳阈值T。
进一步的，所述步骤(1.2)中二值化即：
通过形态学——膨胀处理，提取最大的连通区域，即：
膨胀会“增长”或“粗化”二值图像中的物体，假设B是结构元，A是要被膨胀的集合(图像物体)，则B对A的膨胀定义为：
其中，A，B是二维整数空间Z2中的集合，是B关于其原点的反射，并进行距离为z的平移；式子(4)可以理解为逐步移动以滑过整个集合A，且它与A的交集是A的子集。
进一步的，所述步骤(1.3)中利用grabcut算法进行前景背景分割，具体如下：
A1)通过矩形框来选择要分割图片的子图像，矩形框外部的像素标记为背景，归为背景类，内部像素标记为未知，归为前景类；
A2)利用高斯混合模型(GMM)θ来描述前景与背景像素的分布，运用迭代的方法求取高斯混合模型中的各个参数；
A3)把背景类中的像素分配给能够产生这个像素可能性最高的背景GMM分量，对前景类中的像素作相同操作；
A4)根据上一步分配到的像素修正GMM；
A5)用最大流最小割算法切割，产生新的像素分类；
A6)重复A3)-A5)直到能量函数E(α，θ)收敛，其中α是像素点标号，α＝(α1，...，αn，...，αN)，α∈{0，1}。
进一步的，所述步骤(2)包括如下子步骤：
步骤(2.1)将得到去除背景后的图片的颜色空间从RGB转换成YUV空间，其中Y是亮度，U和V分别是构成彩色的分量，只需要用U和V两个分量即可表示色彩；RGB到YUV颜色空间的转换公式为：
步骤(2.2)用颜色各分量的前三阶颜色矩可以有效地表示图像颜色分布，其中颜色的前三阶矩分别是一阶矩均值μi，二阶矩方差σi，三阶矩斜度si，其计算公式如下：
其中，pi，j是彩色图像第i个颜色通道分量中灰度值为j的像素出现的概率，计算U，V两个通道的三阶颜色矩，此处得到的颜色特征有6个，分别为f1-f6。
进一步的，所述步骤(3)包括如下步骤：
步骤(3.1)花的饱和度作为轮廓特征，用凸包面积比描述，用花的面积/外轮廓凸包面积得到：
先用拉普拉斯算子将分割后的图片二值化，之后花朵的面积，因为图片只剩下花朵的成像，可以通过查找轮廓得到最大的连通区域，最大连通区域所含的像素点的个数就是该区域的面积sflower；花朵的凸包面积是由找的最大连通区域最小外接凸多边形的面积sch，所以轮廓特征f7的计算公式为：
步骤(3.2)对于形状特征，其锐度特征是花朵的中心到轮廓边界的最大距离与最小距离的比值；
定义花朵区域(即最大连通区域)的质心(X，Y)作为花朵中心，数学定义如下：
其中sn为花朵边界上所有像素点的个数，xn是第n个像素点的横坐标，yn是第n个像素点的纵坐标；像素点到花朵中心的距离d的计算公式如下：
所以锐度特征f8的数学表达式为：
步骤(3.3)采用Hu不变矩来描述图像的边界特征，首先一幅M×N图像f(x，y)的边界形状的p+q阶几何矩mpq定义为：
p+q阶中心矩μpq定义为：
其中归一化中心矩ηpq见式子(13)
用于描述边界特征的七个不变矩见式子f9-f15，见式子(14)-式子(20)
f9＝η20+η02 (14)
f11＝(η30-3η12)2+(3η21-η03)2 (16)
f12＝(η30+η12)2+(η21+η03)2 (17)
f13＝(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2] (18)
f14＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03) (19)
f15＝(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η12-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2] (20)
进一步的，所述步骤(4)包括如下子步骤：
步骤(4.1)先缩小纹理图像的大小：通过将纹理图像均匀分块，每一块是一个新的像素点，其灰度值的大小等于每一分块的像素灰度值的平均值，分块的灰度值hx计算公式如下：
其中n2是分块的大小，pi，j是分块内部相对位置为(i，j)像素的灰度值；
然后再在图像上使用LBP算子，得到LBP图像LBP(xc，yc)，其数学表达公式为：
其中(xc，yc)是像素值为ic的中心像素点坐标，ip是中心像素的第P个相邻像素点的像素值，s是符号函数定义如下：
步骤(4.2)设定四个方向，得到四个共生矩阵，用这四个矩阵的均值矩阵来描述图像的纹理特征；
步骤(4.3)计算用于描绘灰度共生矩阵特性的部分描绘子：能量，熵，对比度，逆差矩，相关性，均值和与方差；来表达图像的纹理特征。
进一步的，所述步骤(4.3)部分特征的计算方法即，先将得到的均值矩阵归一化，令Pi，j是均值矩阵的第ij项除以矩阵元素总和的数，然后各个特征值按如下的数学公式计算：
①能量f16其计算公式如下：
②熵f17计算公式如下：
③对比度f18计算公式如下：。
④逆差矩f19其计算公式如下：
⑤相关性f20其计算公式如下：
其中，L是矩阵的行(列)数，mr是沿归一化后的均值矩阵的行计算的均值，mc是沿归一化后的均值矩阵的列计算的均值；σr、σc是分别沿着行和列计算的标准差；
⑥均值f21与方差f22，计算公式如下：
其中c是Pi，j的均值；均值和是图像区域内像素点平均灰度值的度量，反映图像的明暗深浅；方差反映纹理的周期大小它的值越大，表明纹理的周期越大。
本发明的有益效果是：本发明采用的技术方案与现有技术相比，具有如下有益效果：本文针对牡丹花的特性，提出了从颜色、形状、纹理三方面提取到适合描述牡丹花的22个视觉特征，这相当于将原始的样本降维，可以减少后续分类器识别分类阶段的计算量，加快了计算速度。在预处理阶段，分割图片的前后景这一步骤中，使用寻找最佳阈值来自动获取初始矩形框的设定，取消了grabcut算法中人机交互的步骤，大大降低了用户交互的复杂性。最后，针对牡丹花纹理特征提取过程中易受光照、环境噪声、图像曝光等因素的影响，采用灰度共生矩和改进的LBP相融合的算法，构建一种可有效提取牡丹花特征的方法。
附图说明
图1是本发明的工作流程图；
图2是原始牡丹花图片二值化后的图片；
图3是得到最大区域矩形框图；
图4是去除背景后的图片
图5是花朵的最大连通区域；
图6是最大连通区域最小外接凸多边形形状；
图7是运用改进LBP算法后得到花朵的图片。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的方法的例子。
本发明提供的一种牡丹花特征提取方法的原理是：对于花朵种内的分类，1.牡丹花色泽丰富，不同品种的牡丹花通常可以分为复色类，绿色类，黄色类，墨紫色类，粉色类等九种色系。而且颜色特征通常与花朵的形状和图片上呈现的方向无关，所以可以将颜色特征作为牡丹花分类的重要依据。
2.不同品种之间，花型存在差异，所以形状特征也可以作为分类的依据。
3.纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面具有缓慢变化或者周期性变化的表面结构组织排列属性。纹理能够充分地利用图像信息，能较好地兼顾图像宏观性质和细微结构2个方面。所以纹理特征也能提高分类的准确性。
如图1所示，本发明提供的一种牡丹花特征提取方法，包含以下步骤：
步骤(1)、先将拍摄的牡丹花图片进行前背景分割；具体如下：
1.1先将图片f(x，y)转成灰度图片，对其进行阈值化操作，首先寻找图像的前景和背景的最佳阈值T；可以使用双峰法，最大方差法，迭代法，大津法等选择阈值，本发明以大津法(Otsu)为例：
采用遍历图片的像素值，计算不同阈值下，前景与背景的类内方差最大时，这个阈值T就是最佳阈值。
其中类内方差为：定义图片总的像素数为N个，Q1，Q2分别是属于前景和后景的像素数与总像素的比例，m1和m2分别是前景和后景的像素的平均灰度值。mg是整个图像的平均灰度，则类内方差为：
σ2＝Q1(m1-mg)2+Q2(m2-mg)2 (1)
根据统计学的知识，Q1+Q2＝1，Q1m1+Q2m2＝mg。所以式子(1)可以改写成
σ2＝Q1Q2(m1-m2)2 (2)
从式子(2)可以看出，均值m1和m2彼此间隔越远，σ2越大，可以作为类间可分性测度。
1.2根据得到的阈值T对图像进行二值化，如图2所示；再通过形态学——膨胀处理，提取最大的连通区域；所谓二值化，然后对目标区域进行膨胀，具体为：
通过形态学——膨胀处理，提取最大的连通区域，即：
膨胀会“增长”或“粗化”二值图像中的物体，假设B是结构元，A是要被膨胀的集合(图像物体)，则B对A的膨胀定义为：
其中，A，B是二维整数空间Z2中的集合，是B关于其原点的反射，并进行距离为z的平移；式子(4)可以理解为逐步移动以滑过整个集合A，且它与A的交集是A的子集。
1.3根据膨胀后的图像取最大的连通区域得到其最小的外接矩形，如图3所示，再利用grabcut算法进行前景背景分割：
①通过矩形框来选择要分割图片的子图像，矩形框外部的像素标记为背景，归为背景类，
内部像素标记为未知，归为前景类；
②利用高斯混合模型(GMM)θ来描述前景与背景像素的分布，运用迭代的方法求取高斯混合模型中的各个参数；
③把背景类中的像素分配给能够产生这个像素可能性最高的背景GMM分量，对前景类中的像素作相同操作；
④根据上一步分配到的像素修正GMM；
⑤用最大流最小割算法切割，产生新的像素分类；
⑥重复③-⑤直到能量函数E(α，θ)收敛，其中α是像素点标号，α＝(α1，...，αn，...，αN)，α∈{0，1}。
由此得到前景图像，如图4所示。
步骤(2)、对步骤(1)得到的图片进行牡丹花的颜色进行特征提取，包括如下子步骤：
2.1将得到去除背景后的图片的颜色空间从RGB转换成YUV空间，其中Y是亮度；U和V分别是构成彩色的分量，称为色度，描述了色彩及饱和度。YUV的优点是它的亮度信号(Y)和色度信号(U，V)相互独立，只需要用U和V两个分量即可表示色彩。RGB到YUV颜色空间的传统转换公式：
2.2用颜色各分量的前三阶颜色矩可以有效地表示图像颜色分布。其中颜色的前三阶矩分别是一阶矩均值μi，二阶矩方差σi，三阶矩斜度si，其计算公式如下：
其中，pi，j是彩色图像第i个颜色通道分量中灰度值为j的像素出现的概率，N如之前的定义是图像中像素的个数，因为是三通道的彩色图像，此处得到的颜色特征有6个。分别为f1-f6
步骤(3)、分别对牡丹花的形状特征：凸包面积比，锐度特征，边界特征进行提取；详细步骤如下：
3.1花的饱和度作为轮廓特征，用凸包面积比描述，用花的面积/外轮廓凸包面积得到：
先用拉普拉斯算子将分割后的图片二值化，之后花朵的面积，因为图片只剩下花朵的成像，可以通过查找轮廓得到最大的连通区域，如图5所示，最大连通区域所含的像素点的个数就是该区域的面积sflower；然后计算花朵的凸包面积，即最大连通区域最小外接凸多边形的面积sch，其形状如图6所示，所以轮廓特征f7的计算公式为：
3.2对于形状特征，其锐度特征是花朵的中心到轮廓边界的最大距离与最小距离的比值；
定义花朵区域(即最大连通区域)的质心(X，Y)作为花朵中心，数学定义如下：
其中sn为花朵边界上所有像素点的个数，xn是第n个像素点的横坐标，yn是第n个像素点的纵坐标。像素点到花朵中心的距离d计算公式如下：
所以锐度特征f8的数学表达式为：
3.3采用Hu不变矩来描述图像的边界特征，它是由图像矩的二阶矩和三阶矩导出的一组不变矩是一种高度浓缩的图像特征，具有平移、旋转和尺度不变性。首先一幅M×N图像f(x，y)的边界形状的p+q阶几何矩，mpq定义为：
p+q阶中心矩，μpq定义为：
其中归一化中心矩ηpq见式子(13)
用于描述边界特征的七个不变矩f9-f15，见式子(14)-式子(20)：
f9＝η20+η02 (14)
f11＝(η30-3η12)2+(3η21-η03)2 (16)
f12＝(η30+η12)2+(η21+η03)2 (17)
f13＝(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2] (18)
f14＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03) (19)
f15＝(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η12-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2] (20)
步骤(4)、对牡丹花的纹理特征进行提取，详细步骤如下：
对于纹理特征，用灰度共生矩来描述。若是用原始的LBP(Local Binary Pattern，局部二值模式)，一种用来描述图像局部纹理特征的算子，处理图片，可以有效地提取对象的本质特征，受光照变化的影响小，但是由于其易受噪声的影响。
4.1要先缩小纹理图像的大小：通过将纹理图像均匀分块，每一块是一个新的像素点，其灰度值的大小等于每一分块的像素灰度值的平均值，分块的灰度值hx计算公式如下：
其中n2是分块的大小，pi，j是分块内部相对位置为(i，j)像素的灰度值；
然后再在图像上使用LBP算子，得到LBP图像LBP(xc，yc)，如图7所示。原始的LBP算子定义在像素3*3的邻域内，以邻域中心像素为阈值，相邻的8个像素的灰度值与邻域中心的像素值进行比较，若周围像素大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经过比较可产生8位二进制数，将这8位二进制数依次排列形成一个二进制数字，这个二进制数字就是中心像素的LBP值——LBP(xc，yc)其数学表达公式为：
其中(xc，yc)是像素值为ic的中心像素点坐标，ip是中心像素的第P个相邻像素点的像素值，s是符号函数定义如下：
4.2灰度共生矩(GLCM)是对图像上保持某种相对位置的两像素分别具有某灰度值的状况进行统计得到的。具体描述如下：
取具有L个可能灰度级的图像f上任意一点(x，y)，其灰度值为zi，另一个点(x+a，y+b)，它的灰度值为zj，0≤i，j≤L-1。移动这两个具有特定距离的点组成的像素对(zi，zj)，统计其在整幅图像上出现的次数，而这像素对取值有L2种，每一种像素对在图片中出现的次数gi，j排列成方阵G即为灰度共生矩。不同的距离设定：(a，b)取不同的值，就会得到不同的灰度共生矩。
设定偏移offset＝1(每次移动像素对的距离)，分别从0°(a＝0，b＝1两像素点相对位置是水平的)，45°(a＝b＝1，两个像素点位于右对角上)，90°(a＝1，b＝0两像素点相对位置是垂直的)，135°(a＝b＝-1，两个像素点位于左对角上)，四个角度计算LBP特征谱的4个灰度共生矩阵，将得到的四个灰度共生矩阵求和并除以4，得到均值矩阵G，再对这个均值矩阵做归一化。为了更好地分析GLCM描述的纹理状况，Haralick提出14个反映矩阵状态的特征，本发明使用了7个常用的特征：能量(角二阶矩)、熵、对比度、逆差矩、相关性、均值和、方差来表达图像的纹理特征。
4.3计算灰度共生矩阵的特征量，将得到的均值矩阵归一化，令Pi，j是均值矩阵的第ij项除以矩阵元素总和的数。
7个特征能量(角二阶矩)、熵、对比度、逆差矩、相关性、均值和、方差(f16-f22)计算公式分别如下：
其中，L是矩阵的行(列)数，mr是沿归一化后的均值矩阵的行计算的均值，mc是沿归一化后的均值矩阵的列计算的均值。σr、σc是分别沿着行和列计算的标准差。
其中c是Pi，j的均值。均值和是图像区域内像素点平均灰度值的度量，反映图像的明暗深浅。方差反映纹理的周期大小它的值越大，表明纹理的周期越大。
另外，需要说明的是本发明能够提取出花朵的底层特征，于其他的花卉分类也有一定的借鉴意义。本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本申请的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (9)

1.一种牡丹花特征提取方法，其特征在于，包含以下步骤：
步骤(1)、先将拍摄的牡丹花图片进行前背景分割；
步骤(2)、对步骤(1)得到的图片进行牡丹花的颜色进行特征提取；
步骤(3)、分别对牡丹花的形状特征：凸包面积比，锐度特征，边界特征进行提取；
步骤(4)、对牡丹花的纹理特征进行提取。
2.根据权利要求1所述的一种牡丹花特征提取方法，其特征在于，所述步骤(1)包括如下子步骤：
步骤(1.1)先将图片f(x，y)转成灰度图片，对其进行阈值化操作，首先寻找图像的前景和背景的最佳阈值T；
步骤(1.2)根据得到的阈值T对图像进行二值化，再通过形态学——膨胀处理，提取最大的连通区域；
步骤(1.3)根据膨胀后的图像取最大的连通区域得到其最小的外接矩形，再利用grabcut算法进行图像前景背景分割。
3.根据权利要求2所述的一种牡丹花特征提取方法，其特征在于，所述步骤(1.1)中最佳阈值T求解过程如下：
定义图片总的像素数为N个，Q1、Q2分别是属于前景和后景的像素数与总像素的比例，m1和m2分别是前景和后景的像素的平均灰度值；mg是整个图像的平均灰度，则类内方差σ2为：
σ2＝Q1(m1-mg)2+Q2(m2-mg)2 (1)
根据统计学的知识，Q1+Q2＝1，Q1m1+Q2m2＝mg；所以式子(1)可以改写成
σ2＝Q1Q2(m1-m2)2 (2)
从式子(2)可以看出，均值m1和m2彼此间隔越远，σ2越大，可以作为类间可分性测度；
计算不同阈值下，前景与背景的类内方差，当前景与背景的类内方差最大时，这个阈值就是最佳阈值T。
4.根据权利要求3所述的一种牡丹花特征提取方法，其特征在于，所述步骤(1.2)中二值化即：
通过形态学——膨胀处理，提取最大的连通区域，即：
膨胀会“增长”或“粗化”二值图像中的物体，假设B是结构元，A是要被膨胀的集合(图像物体)，则B对A的膨胀定义为：
其中，A，B是二维整数空间Z2中的集合，是B关于其原点的反射，并进行距离为z的平移；式子(4)可以理解为逐步移动以滑过整个集合A，且它与A的交集是A的子集。
5.根据权利要求4所述的一种牡丹花特征提取方法，其特征在于，所述步骤(1.3)中利用grabcut算法进行前景背景分割，具体如下：
A1)通过矩形框来选择要分割图片的子图像，矩形框外部的像素标记为背景，归为背景类，内部像素标记为未知，归为前景类；
A2)利用高斯混合模型(GMM)θ来描述前景与背景像素的分布，运用迭代的方法求取高斯混合模型中的各个参数；
A3)把背景类中的像素分配给能够产生这个像素可能性最高的背景GMM分量，对前景类中的像素作相同操作；
A4)根据上一步分配到的像素修正GMM；
A5)用最大流最小割算法切割，产生新的像素分类；
A6)重复A3)—A5)直到能量函数E(α，θ)收敛，其中α是像素点标号，α＝(α1，...，αn，...，αN)，α∈{0，1}。
6.根据权利要求1或5所述的一种牡丹花特征提取方法，其特征在于，所述步骤(2)包括如下子步骤：
步骤(2.1)将得到去除背景后的图片的颜色空间从RGB转换成YUV空间，其中Y是亮度，U和V分别是构成彩色的分量，只需要用U和V两个分量即可表示色彩；RGB到YUV颜色空间的转换公式为：
步骤(2.2)用颜色各分量的前三阶颜色矩可以有效地表示图像颜色分布，其中颜色的前三阶矩分别是一阶矩均值μi，二阶矩方差σi，三阶矩斜度si，其计算公式如下：
其中，pi，j是彩色图像第i个颜色通道分量中灰度值为j的像素出现的概率，计算U，V两个通道的三阶颜色矩，此处得到的颜色特征有6个，分别为f1-f6。
7.根据权利要求6所述的一种牡丹花特征提取方法，其特征在于，所述步骤(3)包括如下步骤：
步骤(3.1)花的饱和度作为轮廓特征，用凸包面积比描述，用花的面积/外轮廓凸包面积得到：
先用拉普拉斯算子将分割后的图片二值化，之后花朵的面积，因为图片只剩下花朵的成像，可以通过查找轮廓得到最大的连通区域，最大连通区域所含的像素点的个数就是该区域的面积sflower；花朵的凸包面积是由找的最大连通区域最小外接凸多边形的面积sch，所以轮廓特征f7的计算公式为：
步骤(3.2)对于形状特征，其锐度特征是花朵的中心到轮廓边界的最大距离与最小距离的比值；
定义花朵区域(即最大连通区域)的质心(X，Y)作为花朵中心，数学定义如下：
其中sn为花朵边界上所有像素点的个数，xn是第n个像素点的横坐标，yn是第n个像素点的纵坐标；像素点到花朵中心的距离d的计算公式如下：
所以锐度特征f8的数学表达式为：
步骤(3.3)采用Hu不变矩来描述图像的边界特征，首先一幅M×N图像f(x，y)的边界形状的p+q阶几何矩mpq定义为：
p+q阶中心矩μpq定义为：
其中归一化中心矩ηpq见式子(13)
用于描述边界特征的七个不变矩见式子f9-f15，见式子(14)-式子(20)
f9＝η20+η02 (14)
f11＝(η30-3η12)2+(3η21-η03)2 (16)
f12＝(η30+η12)2+(η21+η03)2 (17)
f13＝(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2] (18)
f14＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03) (19)
f15＝(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η12-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2] (20)。
8.根据权利要求7所述的一种牡丹花特征提取方法，其特征在于，所述步骤(4)包括如下子步骤：
步骤(4.1)先缩小纹理图像的大小：通过将纹理图像均匀分块，每一块是一个新的像素点，其灰度值的大小等于每一分块的像素灰度值的平均值，分块的灰度值hx计算公式如下：
其中n2是分块的大小，pi，j是分块内部相对位置为(i，j)像素的灰度值；
然后再在图像上使用LBP算子，得到LBP图像LBP(xc，yc)，其数学表达公式为：
其中(xc，yc)是像素值为ic的中心像素点坐标，ip是中心像素的第P个相邻像素点的像素值，s是符号函数定义如下：
步骤(4.2)设定四个方向，得到四个共生矩阵，用这四个矩阵的均值矩阵来描述图像的纹理特征；
步骤(4.3)计算用于描绘灰度共生矩阵特性的部分描绘子：能量，熵，对比度，逆差矩，相关性，均值和与方差；来表达图像的纹理特征。
9.根据权利要求8所述的一种牡丹花特征提取方法，其特征在于，所述步骤(4.3)部分特征的计算方法即，先将得到的均值矩阵归一化，令Pi，j是均值矩阵的第ij项除以矩阵元素总和的数，然后各个特征值按如下的数学公式计算：
①能量f16其计算公式如下：
②熵f17计算公式如下：
③对比度f18计算公式如下：
④逆差矩f19其计算公式如下：
⑤相关性f20其计算公式如下：
其中，L是矩阵的行(列)数，mr是沿归一化后的均值矩阵的行计算的均值，mc是沿归一化后的均值矩阵的列计算的均值；σr、σc是分别沿着行和列计算的标准差；
⑥均值和f21与方差f22，计算公式如下：
其中c是Pi，j的均值；均值和是图像区域内像素点平均灰度值的度量，反映图像的明暗深浅；方差反映纹理的周期大小它的值越大，表明纹理的周期越大。
CN201910501246.XA 2019-06-11 2019-06-11 一种牡丹花特征提取方法 Pending CN110298362A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910501246.XA CN110298362A (zh) 2019-06-11 2019-06-11 一种牡丹花特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910501246.XA CN110298362A (zh) 2019-06-11 2019-06-11 一种牡丹花特征提取方法

Publications (1)

Publication Number Publication Date
CN110298362A true CN110298362A (zh) 2019-10-01

Family

ID=68027775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910501246.XA Pending CN110298362A (zh) 2019-06-11 2019-06-11 一种牡丹花特征提取方法

Country Status (1)

Country Link
CN (1) CN110298362A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112233107A (zh) * 2020-11-04 2021-01-15 安徽大学 基于图像处理技术的葵花籽品级分类方法
CN114820629A (zh) * 2022-07-01 2022-07-29 山东意吉希精密制造有限公司 一种汽车零部件的焊接识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182763A (zh) * 2014-08-12 2014-12-03 中国计量学院 一种基于花朵特征的植物种类识别系统
CN104361348A (zh) * 2014-10-27 2015-02-18 华南理工大学 一种智能终端上的花卉识别方法
CN104636757A (zh) * 2015-02-06 2015-05-20 中国石油大学(华东) 一种基于深度学习的食物图像识别方法
CN108229458A (zh) * 2017-12-22 2018-06-29 湖南源信光电科技股份有限公司 一种基于运动检测和多特征提取的火焰智能识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182763A (zh) * 2014-08-12 2014-12-03 中国计量学院 一种基于花朵特征的植物种类识别系统
CN104361348A (zh) * 2014-10-27 2015-02-18 华南理工大学 一种智能终端上的花卉识别方法
CN104636757A (zh) * 2015-02-06 2015-05-20 中国石油大学(华东) 一种基于深度学习的食物图像识别方法
CN108229458A (zh) * 2017-12-22 2018-06-29 湖南源信光电科技股份有限公司 一种基于运动检测和多特征提取的火焰智能识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
庞俊震 等: "基于移动端的月季花快速识别方法研究", 《计算机应用与软件》 *
李龙 等: "基于纹理和梯度特征的苹果伤痕与果梗/花萼在线识别", 《农业机械学报》 *
韩九强 等: "《数字图像处理基于XAVIS组态软件》", 30 September 2018 *
鱼滨 等: "《基于MATLAB和遗传算法的图像处理》", 31 October 2015 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112233107A (zh) * 2020-11-04 2021-01-15 安徽大学 基于图像处理技术的葵花籽品级分类方法
CN112233107B (zh) * 2020-11-04 2022-10-25 安徽大学 基于图像处理技术的葵花籽品级分类方法
CN114820629A (zh) * 2022-07-01 2022-07-29 山东意吉希精密制造有限公司 一种汽车零部件的焊接识别方法
CN114820629B (zh) * 2022-07-01 2022-09-02 山东意吉希精密制造有限公司 一种汽车零部件的焊接识别方法

Similar Documents

Publication Publication Date Title
CN108765371B (zh) 一种病理切片中非常规细胞的分割方法
CN103914699B (zh) 一种基于色彩空间的自动唇彩的图像增强的方法
CN109583425A (zh) 一种基于深度学习的遥感图像船只集成识别方法
CN102799901B (zh) 一种多角度人脸检测方法
CN109584251A (zh) 一种基于单目标区域分割的舌体图像分割方法
Xue et al. Design of digital camouflage by recursive overlapping of pattern templates
CN104182763B (zh) 一种基于花朵特征的植物种类识别系统
CN105761238B (zh) 一种通过灰度统计数据深度信息提取显著目标的方法
CN108830870A (zh) 基于多尺度结构学习的卫星影像高精度农田边界提取方法
CN108537239A (zh) 一种图像显著性目标检测的方法
Berezhnoy et al. Computer analysis of van Gogh’s complementary colours
CN102024144A (zh) 集装箱箱号自动识别方法
CN107844736A (zh) 虹膜定位方法和装置
CN102521616B (zh) 基于稀疏表示的行人检测方法
CN108710916B (zh) 图片分类的方法及装置
CN110084205A (zh) 一种基于改进的面向对象高分辨率遥感影像分类方法
CN104217440B (zh) 一种从遥感图像中提取建成区的方法
CN109583455A (zh) 一种融合递进图排序的图像显著性检测方法
CN111754538B (zh) Usb表面缺陷检测的阈值分割方法
CN106127735A (zh) 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置
CN109035254A (zh) 基于改进K-means聚类的运动鱼体阴影去除及图像分割方法
CN110298362A (zh) 一种牡丹花特征提取方法
CN109872331A (zh) 一种基于深度学习的遥感图像数据自动识别分类方法
CN109191429A (zh) 一种基于机器视觉的3d打印喷嘴检测方法
CN102129576B (zh) 全天空极光图像占空比参数的提取方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191001

RJ01 Rejection of invention patent application after publication