CN110427950A - 紫色土土壤图像阴影检测方法 - Google Patents

紫色土土壤图像阴影检测方法 Download PDF

Info

Publication number
CN110427950A
CN110427950A CN201910705753.5A CN201910705753A CN110427950A CN 110427950 A CN110427950 A CN 110427950A CN 201910705753 A CN201910705753 A CN 201910705753A CN 110427950 A CN110427950 A CN 110427950A
Authority
CN
China
Prior art keywords
value
new
matrix
elements
classification threshold
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
Application number
CN201910705753.5A
Other languages
English (en)
Other versions
CN110427950B (zh
Inventor
曾绍华
罗俣桐
郝森
詹林庆
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.)
Chongqing Normal University
Original Assignee
Chongqing Normal University
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 Chongqing Normal University filed Critical Chongqing Normal University
Priority to CN201910705753.5A priority Critical patent/CN110427950B/zh
Publication of CN110427950A publication Critical patent/CN110427950A/zh
Application granted granted Critical
Publication of CN110427950B publication Critical patent/CN110427950B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种紫色土土壤图像阴影检测方法，包括步骤：S1：将紫色土土壤的原始图像分割为阴影区域和非阴影区域；S2：消除离散的阴影区域，得到保留的阴影区域；S3：将保留的阴影区域分割为全影区域和半影区域；本发明通过建立紫色土土壤图像的光照模型，利用土壤图像的亮度的区别，精确分割出紫色土土壤图像的非阴影区域、半阴影区域和全阴影区域，方便后续消除紫色土土壤图像阴影，为进一步的紫色土土属和土种识别打下基础。

Description

紫色土土壤图像阴影检测方法
技术领域
本发明涉及紫色土图像分割提取的技术领域，具体涉及一种紫色土土壤图像阴影检测方法。
背景技术
机器视觉识别土壤在农业生产中有着重要的实用价值。在农业生产中，识别土壤是非常重要的。由于土壤分类系统复杂，只有极少数科研院所的专家才能准确辨识土壤，生产一线的农业技术人员要完全准确的把当地土壤辨识清楚也是非常困难的。基于土壤分类系统的土壤类型识别是一个农业生产实践中的共性难题。人工智能技术的发展，使机器视觉识别土壤成为可能。机器视觉辨识土壤是对野外自然条件下拍摄的具有复杂背景的土壤图像进行识别，提高对紫色土土壤图像的分割提取精度。
但是提取出紫色土图像受到直接光照和间接光照的影响，往往存在阴影，阴影的存在，对后续对紫色土土属和土种的识别造成影响，使识别出的紫色土土属和土种过程时间开销大，识别出的结果并不准确，甚至相差甚远。
发明内容
有鉴于此，本发明的目的是提供一种紫色土土壤图像阴影检测方法，通过建立紫色土土壤图像的光照模型，利用土壤图像的亮度的区别，精确分割出紫色土土壤图像的非阴影区域、半阴影区域和全阴影区域，方便后续消除紫色土土壤图像阴影，为进一步的紫色土土属和土种识别打下基础。
本发明提供一种紫色土土壤图像阴影检测方法，包括步骤：
S1：将紫色土土壤的原始图像分割为阴影区域和非阴影区域；
S2：消除离散的阴影区域，得到保留的阴影区域；
S3：将保留的阴影区域分割为全影区域和半影区域。
进一步，所述步骤S1包括步骤：
S11：将原始图像转换为HSI颜色模型的I域值矩阵；初始化与I域值矩阵大小相同的标记矩阵Mark；其中，I域值矩阵的元素值对应原始图像相同位置的像素的I域值，标记矩阵Mark初始化为0矩阵；
S12：计算I域值矩阵的整体均值μI，将μI作为分割非阴影区域和阴影区域的初始分类阈值T0；将T0作为当前分类阈值；
S13：将I域值矩阵中元素值小于当前分类阈值的元素划分为当前阴影区域，将I域值矩阵中元素值大于或等于当前分类阈值的元素划分为当前非阴影区域；
S14：分别计算当前阴影区域的算术平均值和当前非阴影区域的元素值的算术平均值；
S15：在当前阴影区域的元素值的算术平均值与当前非阴影区域的算术平均值的之间，获得新分类阈值Tnew，即μ1＜Tnew＜μ2，其中，μ1和μ2分别为当前阴影区域的所有元素值的算术平均值和当前非阴影区域的所有元素值的算术平均值；
S16：判断新分类阈值Tnew是否等于当前分类阈值；若是，停止迭代，将最后一次迭代中的当前阴影区域和当前非阴影区域对应的原始图像中的像素区域分别作为步骤S1最终分割得到的阴影区域和非阴影区域，进入步骤S17；若否，则将当前分类阈值更新为新分类阈值，返回步骤S13；
S17：更新标记矩阵Mark中的元素值，得到更新后的标记矩阵MarkⅠ，具体包括：将标记矩阵Mark中与最终分割得到的阴影区域位置相同的元素值置3，将标记矩阵Mark中与最终分割得到的非阴影区域位置相同的元素值置0，得到更新后的标记矩阵MarkⅠ。
进一步，所述步骤S15中新分类阈值Tnew的获得公式为：
其中，表示使得f(X)取得最大值所对应变量X的值；和分别为由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的两类元素的类间方差和类内方差；新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的两类元素具体为：新分类阈值Tnew作为分类阈值，重新将I域值矩阵中元素值小于Tnew和元素值大于或等于Tnew的元素划分为两类元素。
进一步，所述和的计算公式分别为：
其中，μ为I域值矩阵中所有元素值的算术平均值；μ1'表示由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新阴影区的所有元素值的算术平均值，μ2'表示由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新非阴影区的所有元素值的算术平均值；新分类阈值Tnew作为分类阈值将I域值矩阵中元素值小于Tnew的元素组成的区域划分为新阴影区，将元素值大于或等于Tnew的元素组成的元素划分为新非阴影区；σ1表示由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新阴影区的所有元素值的标准差，σ2表示由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新非阴影区的所有元素值的标准差；w1和w2分别为由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新阴影区和新非阴影区所包含的元素数量占I域值矩阵总元素数量的比例；N1为由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新阴影区的所有元素数量，N2为由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新非阴影区的所有元素数量。
进一步，所述步骤S2包括步骤：
S21：初始化与原始图像像素大小相同的类标签矩阵lab，用于存储标记矩阵MarkⅠ各个元素的类标签，类标签矩阵lab中各个位置元素值分别表示在标记矩阵MarkⅠ中与类标签矩阵lab位置对应的元素的类标签值；类标签矩阵lab的所有元素初始化为0；所述位置对应是指位置相同；
初始化元素数量阈值T；
S22：对类标签矩阵lab进行初始更新，得到初始更新后的类标签矩阵lab I；
S23：对类标签矩阵lab I进行更新，得到第一次更新后的类标签矩阵labⅡ；
S24：对类标签矩阵labⅡ进行更新，得到第二次更新后的类标签矩阵labⅢ；
S25：对类标签矩阵labⅢ进行更新，得到第三次更新后的类标签矩阵labⅣ；
S26：对类标签矩阵labⅣ进行更新，得到第四次更新后的类标签矩阵labⅤ；
S27：统计类标签矩阵labⅤ中各个非零类标签值对应的元素总数量；
S28：随机选取未被判断遍历的非零类标签值，判断该非零类标签值对应的元素总数量是否小于T，若是，则判定该非零类标签值对应的原始图像区域为离散阴影区域，将标记矩阵MarkⅠ中离散阴影区域对应的元素值更新为0，若否，则不做处理；
S29：重复步骤S28直到所有的非零类标签值均被判断遍历，得到更新后的标记矩阵MarkⅡ，其中，原始图像中与标记矩阵MarkⅡ中元素值为3的元素位置相同的元素组成区域为保留的阴影区域。
进一步，所述步骤S22包括步骤：
S221：按照预设的标签初始更新遍历顺序Ⅰ，选择一个未经初始更新遍历的标记矩阵MarkⅠ中的元素，作为当前初始更新遍历元素；其中，预设的标签初始更新遍历顺序Ⅰ为：以标记矩阵MarkⅠ中左上角的元素作为起始遍历元素，从上到下逐行遍历标记矩阵MarkⅠ中的元素；在遍历每一行元素时，按照从左到右的顺序遍历每一行的元素；
S222：判断当前初始更新遍历元素值是否为3，若是，则进入步骤S223；若否，则进入步骤S224；
S223：判断标记矩阵MarkⅠ中当前初始更新遍历元素的八连通邻域点中是否存在类标签矩阵lab中与当前初始更新遍历元素的八连通邻域点位置对应的元素值大于0的点，若存在，则将lab矩阵中当前初始更新遍历元素的八连通邻域点中类标签值最小的非零元素值作为当前初始更新遍历元素的类标签值，将类标签矩阵lab当前初始更新遍历元素对应位置的元素值更新为当前初始更新遍历元素的类标签值，进入步骤S224；若不存在，则将类标签矩阵lab中值最大的元素值增加1，作为当前初始更新遍历元素的类标签值，将类标签矩阵lab当前初始更新遍历元素对应位置的元素值更新为当前初始更新遍历元素的类标签值，进入步骤S224；
S224：判断标记矩阵MarkⅠ中是否还有未经初始更新遍历的元素，若有，则返回步骤S221，若无，则结束对标记矩阵MarkⅠ的初始更新遍历，得到初始更新后的类标签矩阵labI。
进一步，所述步骤S23具体包括：
S231：按照预设的更新遍历顺序Ⅱ，选择类标签矩阵lab I中一个非零元素作为当前遍历元素；其中，更新遍历顺序Ⅱ为：以类标签矩阵lab I中左上角的元素作为起始遍历元素，从上至下逐行遍历；在遍历每一行元素时，按照从左到右的顺序逐个遍历元素；
S232：判断类标签矩阵lab I中当前遍历元素的八连通邻域点中是否存在满足条件1的点：若存在，则将类标签矩阵lab I中当前遍历元素值更新为当前遍历元素的八连通邻域点中值非零的最小值，然后进入步骤S233；若不存在，则进入步骤S233；其中，条件1为：当前遍历元素的八连通邻域点的元素值小于当前遍历元素值，且值非零；
S233：判断类标签矩阵lab I中是否还有未被更新遍历的元素，若存在，则返回步骤S231，若不存在，则对类标签矩阵lab I进行第一次更新结束，得到第一次更新后类标签矩阵labⅡ；
所述步骤S24具体包括：
S241：按照预设的更新遍历顺序Ⅱ，选择类标签矩阵labⅡ中一个非零元素作为当前遍历元素；其中，更新遍历顺序Ⅱ为：以类标签矩阵labⅡ中右上角的元素作为起始遍历元素，从上至下逐行遍历；在遍历一行时，按照从右到左的顺序逐个遍历元素；
S242：判断类标签矩阵labⅡ中当前遍历元素的八连通邻域点中是否存在满足条件2的点：若存在，则将类标签矩阵labⅡ中当前遍历元素值更新为其八连通邻域点中值非零的最小值，然后进入步骤S243；若不存在，则进入步骤S243；其中，条件2为：当前遍历元素的八连通邻域点的元素值小于当前遍历元素值，且值非零；
S243：判断类标签矩阵labⅡ中是否还有未被更新遍历的元素，若存在，则返回步骤S241，若不存在，则对类标签矩阵labⅡ进行第二次更新结束，得到第二次更新后类标签矩阵labⅢ；
所述步骤S25具体包括：
S251：按照预设的更新遍历顺序Ⅲ，选择类标签矩阵labⅢ中一个非零元素作为当前遍历元素；其中，更新遍历顺序Ⅲ为：以类标签矩阵labⅢ中左下角的元素作为起始遍历元素，从下至上逐行遍历；在遍历一行时，按照从左到右的顺序逐个遍历元素；
S252：判断类标签矩阵labⅢ中当前遍历元素的八连通邻域点中是否存在满足条件3的点：若存在，则将类标签矩阵labⅢ中当前遍历元素值更新为其八连通邻域点中值非零的最小值，然后进入步骤S253；若不存在，则进入步骤S253；其中，条件3为：当前遍历元素的八连通邻域点的元素值小于当前遍历元素值，且值非零；
S253：判断类标签矩阵labⅢ中是否还有未被更新遍历的元素，若存在，则返回步骤S251，若不存在，则对类标签矩阵labⅢ进行第三次更新结束，得到第三次更新后类标签矩阵labⅣ；
所述步骤S26具体包括：
S261：按照预设的更新遍历顺序Ⅳ，选择类标签矩阵labⅣ中一个非零元素作为当前遍历元素；其中，更新遍历顺序Ⅳ为：以类标签矩阵labⅣ中右下角的元素作为起始遍历元素，从下至上逐行遍历；在遍历一行时，按照从右到左的顺序逐个遍历元素；
S262：判断类标签矩阵labⅣ中当前遍历元素的八连通邻域点中是否存在满足条件4的点：若存在，则将类标签矩阵labⅣ中当前遍历元素值更新为其八连通邻域点中值非零的最小值，然后进入步骤S263；若不存在，则进入步骤S263；其中，条件4为：当前遍历元素的八连通邻域点的元素值小于当前遍历元素值，且值非零；
S263：判断类标签矩阵labⅣ中是否还有未被更新遍历的元素，若存在，则返回步骤S261，若不存在，则对类标签矩阵labⅣ进行第四次更新结束，得到第四次更新后类标签矩阵labⅤ。
进一步，所述步骤S3包括步骤：
S31：计算步骤S11得到的I域值矩阵中保留的阴影区域对应位置的元素值的算术平均值μs，将μs作为分割全影区域和半影区域的初始分类阈值T0’；将T0’作为当前分类阈值；
S32：将I域值矩阵中的保留的阴影区域对应位置区域中，元素值小于当前分类阈值的元素划分为当前全影区域，将I域值矩阵中元素值大于或等于当前分类阈值的元素划分为当前半阴影区域；
S33：分别计算当前半阴影区域的算术平均值和当前全阴影区域的元素值的算术平均值；
S34：在当前全阴影区域的元素值的算术平均值与当前半阴影区域的算术平均值的之间，获得新分类阈值Tnew’，即μ全＜Tnew'＜μ半；其中，μ全和μ半分别为当前全阴影区域的所有元素值的算术平均值和当前半阴影区域的所有元素值的算术平均值；
S35：判断新分类阈值Tnew’是否等于当前分类阈值；若是，停止迭代，将最后一次迭代中的当前半阴影区域和当前全阴影区域对应的原始图像中的像素区域分别作为步骤S3最终分割得到的半阴影区域和全阴影区域；若否，则将当前分类阈值更新为新分类阈值，返回步骤S32。
进一步，所述步骤S34中新分类阈值Tnew’的获得公式为：
其中，表示使得f(X)取得最大值所对应变量X的值；μ全为当前全阴影区域的元素值的算术平均值，μ半为当前半阴影区域的算术平均值，和分别为由新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域元素划分得到的两类元素的类间方差和类内方差；新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域元素划分得到的两类元素具体为：新分类阈值Tnew’作为分类阈值，重新将I域值矩阵中保留的阴影区域中元素值小于Tnew’和元素值大于或等于Tnew’的元素划分为两类元素。
进一步，所述和的计算公式分别为：
其中，μ'为I域值矩阵中保留的阴影区域中所有元素值的算术平均值；μ全'表示由新分类阈值Tnew’作为分类阈值将I域值矩阵中元素划分得到的全阴影区的所有元素值的算术平均值，μ半'表示由新分类阈值Tnew’作为分类阈值将I域值矩阵中元素划分得到的半阴影区的所有元素值的算术平均值；新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域中元素值小于Tnew’的元素组成的区域划分为新全阴影区，将元素值大于或等于Tnew’元素组成的元素划分为新半阴影区；σ全表示由新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域中元素划分得到的新全阴影区的所有元素值的标准差，σ半表示由新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域中元素划分得到的新半阴影区的所有元素值的标准差；w全和w半分别为由新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域中元素划分得到的新全阴影区和新半阴影区所包含的元素数量占I域值矩阵中保留的阴影区域总元素数量的比例； N全为由新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域中元素划分得到的新全阴影区的所有元素数量，N半为由新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域中元素划分得到的新半阴影区的所有元素数量。
本发明的有益效果：本发明通过建立紫色土土壤图像的光照模型，利用土壤图像的亮度的区别，精确分割出紫色土土壤图像的非阴影区域、半阴影区域和全阴影区域，方便后续消除紫色土土壤图像阴影，为进一步的紫色土土属和土种识别打下基础。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的方法流程图；
图2为本发明的实验效果对比图。
具体实施方式
如图1所示，本发明提供的一种紫色土土壤图像阴影检测方法，包括步骤：
S1：将紫色土土壤的原始图像分割为阴影区域和非阴影区域；本实施例中，所述紫色土土壤的原始图像是指只包含有紫色土土壤的彩色图像，可以通过现有的紫色土图像分割提取方法对采集到的包含有紫色土的图像进行紫色土图像的分割提取得到，在此不赘述。
S2：消除离散的阴影区域，得到保留的阴影区域；
S3：将保留的阴影区域分割为全影区域和半影区域。通过上述方法，可以精确分割出紫色土土壤图像的非阴影区域、半阴影区域和全阴影区域，方便后续对紫色土土属和土种的准确识别。
进一步，所述步骤S1包括步骤：
S11：将原始图像转换为HSI颜色模型的I域值矩阵；初始化与I域值矩阵大小相同的标记矩阵Mark；其中，I域值矩阵的元素值对应原始图像相同位置的像素的I域值，标记矩阵Mark初始化为零矩阵；
S12：计算I域值矩阵的整体均值μI，将μI作为分割非阴影区域和阴影区域的初始分类阈值T0；将T0作为当前分类阈值；
S13：将I域值矩阵中元素值小于当前分类阈值的元素划分为当前阴影区域，将I域值矩阵中元素值大于或等于当前分类阈值的元素划分为当前非阴影区域；
S14：分别计算当前阴影区域的算术平均值和当前非阴影区域的元素值的算术平均值；
S15：在当前阴影区域的元素值的算术平均值与当前非阴影区域的算术平均值的之间范围内，获得新分类阈值Tnew；即μ1＜Tnew＜μ2，其中，μ1和μ2分别为当前阴影区域的所有元素值的算术平均值和当前非阴影区域的所有元素值的算术平均值；
S16：判断新分类阈值Tnew是否等于当前分类阈值；若是，停止迭代，将最后一次迭代中的当前阴影区域和当前非阴影区域对应的原始图像中的像素区域分别作为步骤S1最终分割得到的阴影区域和非阴影区域，进入步骤S17；若否，则将当前分类阈值更新为新分类阈值，返回步骤S13；
S17：更新标记矩阵Mark中的元素值，得到更新后的标记矩阵MarkⅠ，具体包括：将标记矩阵Mark中与最终分割得到的阴影区域位置相同的元素值置3，将标记矩阵Mark中与最终分割得到的非阴影区域位置相同的元素值置0，得到更新后的标记矩阵MarkⅠ。紫色土土壤图像的阴影区域相比正常光照区域具有平均亮度低的特点，因此，阴影区域的像素满足像素的亮度分量低于图像的平均亮度。根据阴影区域与正常光照区域的亮度特点，可以采用阈值分割的方法提取土壤图像中的阴影区域，而图像的整体亮度均值反应了图像的光照强度，因此，将图像的平均亮度视为阴影区域的分割阈值。当图像阴影区域的像素点较少时，利用图像的平均亮度作为紫色土土壤图像的分割阈值就能简单有效的分割提取图像的阴影区域，但对于图像中存在大量阴影区域时，图像的整体亮度均值较低，所得分割阈值不能准确有效的分割阴影区域。因此，上述方法中，采用类间方差迭代更新算法求取图像阴影区域的分割阈值，能够很好地适应各种阴影区域占比情况的紫色土土壤图像的阴影区域分割提取要求，准确地将紫色土土壤图像中的非阴影区域和阴影区域分割检测出来。
进一步，所述步骤S15中新分类阈值Tnew的获得公式为：
其中，表示使得f(X)取得最大值所对应变量X的值；和分别为由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的两类元素的类间方差和类内方差；新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的两类元素具体为：新分类阈值Tnew作为分类阈值，重新将I域值矩阵中元素值小于Tnew和元素值大于或等于Tnew的元素划分为两类元素。通过上述计算公式，能够得到适应能力强的新分类阈值，以适应包含不同占比的阴影区域的紫色土图像的分割阴影区域和非阴影区域的需求。
进一步，所述和的计算公式分别为：
其中，μ为I域值矩阵中所有元素值的的算术平均值；μ1'表示由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新阴影区的所有元素值的算术平均值，μ2'表示由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新非阴影区的所有元素值的算术平均值；新分类阈值Tnew作为分类阈值将I域值矩阵中元素值小于Tnew的元素组成的区域划分为新阴影区，将元素值大于或等于Tnew的元素组成的元素划分为新非阴影区；σ1表示由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新阴影区的所有元素值的标准差，σ2表示由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新非阴影区的所有元素值的标准差；w1和w2分别为由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新阴影区和新非阴影区所包含的元素数量占I域值矩阵总元素数量的比例；N1为由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新阴影区的所有元素数量，N2为由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新非阴影区的所有元素数量。
具体地，σ1和σ2的计算公式为：
其中，Ii为由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新阴影区中第i个元素值(I域值)，Ij为由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新非阴影区中第j个元素值(I域值)。通过上述方法，能够得到适应能力强的新分类阈值，以适应包含不同占比的阴影区域的紫色土图像的分割阴影区域和非阴影区域的需求。
进一步，所述步骤S2包括步骤：
S21：初始化与原始图像像素大小相同的类标签矩阵lab，用于存储标记矩阵MarkⅠ各个元素的类标签，类标签矩阵lab中各个位置元素值分别表示在标记矩阵MarkⅠ中与类标签矩阵lab位置对应的元素的类标签值；类标签矩阵lab的所有元素初始化为0；所述位置对应是指位置相同；
初始化元素数量阈值T；
S22：对类标签矩阵lab进行初始更新，得到初始更新后的类标签矩阵lab I；
S23：对类标签矩阵lab I进行更新，得到第一次更新后的类标签矩阵labⅡ；
S24：对类标签矩阵labⅡ进行更新，得到第二次更新后的类标签矩阵labⅢ；
S25：对类标签矩阵labⅢ进行更新，得到第三次更新后的类标签矩阵labⅣ；
S26：对类标签矩阵labⅣ进行更新，得到第四次更新后的类标签矩阵labⅤ；步骤S23至S26是执行对合并类标签的操作，在减少类标签值数量同时，简化并方便了后续对离散阴影区域的判定。
S27：统计类标签矩阵labⅤ中各个非零类标签值对应的元素总数量；
S28：随机选取未被判断遍历的非零类标签值，判断该非零类标签值对应的元素总数量是否小于T，若是，则判定该非零类标签值对应的原始图像区域为离散阴影区域，将标记矩阵MarkⅠ中离散阴影区域对应的元素值更新为0，若否，则不做处理；
S29：重复步骤S28直到所有的非零类标签值均被判断遍历，得到更新后的标记矩阵MarkⅡ，其中，原始图像中与标记矩阵MarkⅡ中元素值为3的元素位置相同的元素组成区域为保留的阴影区域。通过步骤S1对紫色土土壤图像分割后，分割得到土壤的阴影区域和非阴影区域。在本实施例中，阴影区域的元素不仅可以赋值为3，还可以赋值为其他值，只要能与非阴影区域进行区别即可。由于自然条件下拍摄的土壤图像中存在大量的自然断口，导致分割后阴影区域中存在较多的离散阴影区域。离散阴影区域具有面积小，分布不连续的特点，对离散阴影区域增强将导致增强后土壤图像存在大量的伪边界。同时，由于离散阴影区域面积小，对土壤类型识别的干扰较小，因此，可以将离散阴影区域中离散区域剔除，以方便后续对紫色土土壤的土种和土属的识别，同时，也能提高后续对紫色土土壤的土种和土属的识别精度。
进一步，所述步骤S22包括步骤：
S221：按照预设的标签初始更新遍历顺序Ⅰ，选择一个未经初始更新遍历的标记矩阵MarkⅠ中的元素，作为当前初始更新遍历元素；其中，预设的标签初始更新遍历顺序Ⅰ为：以标记矩阵MarkⅠ中左上角的元素作为起始遍历元素，从上到下逐行遍历标记矩阵MarkⅠ中的元素；在遍历每一行元素时，按照从左到右的顺序遍历每一行的元素；
S222：判断当前初始更新遍历元素值是否为3，若是，则进入步骤S223；若否，则进入步骤S224；
S223：判断标记矩阵MarkⅠ中当前初始更新遍历元素的八连通邻域点中是否存在类标签矩阵lab中与当前初始更新遍历元素的八连通邻域点位置对应的元素值(类标签值)大于0的点，若存在，则将lab矩阵中当前初始更新遍历元素的八连通邻域点中类标签值最小的非零元素值作为当前初始更新遍历元素的类标签值，将类标签矩阵lab当前初始更新遍历元素对应位置的元素值更新为当前初始更新遍历元素的类标签值，进入步骤S224；若不存在，则将类标签矩阵lab中值最大的元素值增加1，作为当前初始更新遍历元素的类标签值，将类标签矩阵lab当前初始更新遍历元素对应位置的元素值更新为当前初始更新遍历元素的类标签值，进入步骤S224；
S224：判断标记矩阵MarkⅠ中是否还有未经初始更新遍历的元素，若有，则返回步骤S221，若无，则结束对标记矩阵MarkⅠ的初始更新遍历，得到初始更新后的类标签矩阵labI。例如：一个300×300像素的原始图像，标记矩阵MarkⅠ也是300×300的大小，在类标签矩阵lab中，当初始更新遍历到第2行第4列的类标签值为3时，第2行第4列的元素的八连通邻域点(位于第1行第3列的元素、位于第1行第4列的元素、位于第1行第5列的元素、位于第2行第3列的元素、位于第2行第5列的元素、位于第3行第3列的元素、位于第3行第4列的元素、位于第3行第5列的元素)中，位于第1行第5列的元素值的类标签值为3，位于第3行第3列的类标签值为5，将位于第1行第5列的类标签值3作为第2行第4列的元素的类标签值存储在类标签矩阵lab中第2行第4列的元素中，即类标签矩阵lab中第2行第4列的元素值更新为3。再例如：一个300×300像素的原始图像，标记矩阵MarkⅠ也是300×300的大小，，在类标签矩阵lab中，当初始更新遍历到第2行第4列的类标签值为3时，第2行第4列的元素的八连通邻域点(位于第1行第3列的元素、位于第1行第4列的元素、位于第1行第5列的元素、位于第2行第3列的元素、位于第2行第5列的元素、位于第3行第3列的元素、位于第3行第4列的元素、位于第3行第5列的元素)的类标签值均为0，此时，类标签矩阵lab中最大的元素值(类标签值)为15，则将类标签矩阵lab中第2行第4列的元素置为16。通过上述方法，用类标签将阴影区域的各个像素点进行分类。
进一步，所述步骤S23具体包括：
S231：按照预设的更新遍历顺序Ⅱ，选择类标签矩阵lab I中一个非零元素作为当前遍历元素；其中，更新遍历顺序Ⅱ为：以类标签矩阵lab I中左上角的元素作为起始遍历元素，从上至下逐行遍历；在遍历每一行元素时，按照从左到右的顺序逐个遍历元素；
S232：判断类标签矩阵lab I中当前遍历元素的八连通邻域点中是否存在满足条件1的点：若存在，则将类标签矩阵lab I中当前遍历元素值更新为当前遍历元素的八连通邻域点中值非零的最小值，然后进入步骤S233；若不存在，则进入步骤S233；其中，条件1为：当前遍历元素的八连通邻域点的元素值小于当前遍历元素值，且值非零；
S233：判断类标签矩阵lab I中是否还有未被更新遍历的元素，若存在，则返回步骤S231，若不存在，则对类标签矩阵lab I进行第一次更新结束，得到第一次更新后类标签矩阵labⅡ；
所述步骤S24具体包括：
S241：按照预设的更新遍历顺序Ⅱ，选择类标签矩阵labⅡ中一个非零元素作为当前遍历元素；其中，更新遍历顺序Ⅱ为：以类标签矩阵labⅡ中右上角的元素作为起始遍历元素，从上至下逐行遍历；在遍历一行时，按照从右到左的顺序逐个遍历元素；
S242：判断类标签矩阵labⅡ中当前遍历元素的八连通邻域点中是否存在满足条件2的点：若存在，则将类标签矩阵labⅡ中当前遍历元素值更新为其八连通邻域点中值非零的最小值，然后进入步骤S243；若不存在，则进入步骤S243；其中，条件2为：当前遍历元素的八连通邻域点的元素值小于当前遍历元素值，且值非零；
S243：判断类标签矩阵labⅡ中是否还有未被更新遍历的元素，若存在，则返回步骤S241，若不存在，则对类标签矩阵labⅡ进行第二次更新结束，得到第二次更新后类标签矩阵labⅢ；
所述步骤S25具体包括：
S251：按照预设的更新遍历顺序Ⅲ，选择类标签矩阵labⅢ中一个非零元素作为当前遍历元素；其中，更新遍历顺序Ⅲ为：以类标签矩阵labⅢ中左下角的元素作为起始遍历元素，从下至上逐行遍历；在遍历一行时，按照从左到右的顺序逐个遍历元素；
S252：判断类标签矩阵labⅢ中当前遍历元素的八连通邻域点中是否存在满足条件3的点：若存在，则将类标签矩阵labⅢ中当前遍历元素值更新为其八连通邻域点中值非零的最小值，然后进入步骤S253；若不存在，则进入步骤S253；其中，条件3为：当前遍历元素的八连通邻域点的元素值小于当前遍历元素值，且值非零；
S253：判断类标签矩阵labⅢ中是否还有未被更新遍历的元素，若存在，则返回步骤S251，若不存在，则对类标签矩阵labⅢ进行第三次更新结束，得到第三次更新后类标签矩阵labⅣ；
所述步骤S26具体包括：
S261：按照预设的更新遍历顺序Ⅳ，选择类标签矩阵labⅣ中一个非零元素作为当前遍历元素；其中，更新遍历顺序Ⅳ为：以类标签矩阵labⅣ中右下角的元素作为起始遍历元素，从下至上逐行遍历；在遍历一行时，按照从右到左的顺序逐个遍历元素；
S262：判断类标签矩阵labⅣ中当前遍历元素的八连通邻域点中是否存在满足条件4的点：若存在，则将类标签矩阵labⅣ中当前遍历元素值更新为其八连通邻域点中值非零的最小值，然后进入步骤S263；若不存在，则进入步骤S263；其中，条件4为：当前遍历元素的八连通邻域点的元素值小于当前遍历元素值，且值非零；
S263：判断类标签矩阵labⅣ中是否还有未被更新遍历的元素，若存在，则返回步骤S261，若不存在，则对类标签矩阵labⅣ进行第四次更新结束，得到第四次更新后类标签矩阵labⅤ。通过上述方法，用类标签将阴影区域的各个像素点进行分类，然后再合并相互连通(相互连通是指相互为对方的八连通邻域点)的像素，形成连通区域，再判断各连通区域(各连通区域用类标签进行区分)的大小是否小于元素数量阈值T，若小于则可判定该连通区域是离散阴影区域，这样可以精确地将离散阴影区域识别并去除。例如：将初始化元素数量阈值T为20，也就是连通区域的元素总数量少于20，则将该连通区域作为离散阴影区域并去除。
进一步，所述步骤S3包括步骤：
S31：计算步骤S11得到的I域值矩阵中保留的阴影区域对应位置的元素值的算术平均值μs，将μs作为分割全影区域和半影区域的初始分类阈值T0’；将T0’作为当前分类阈值；
S32：将I域值矩阵中的保留的阴影区域对应位置区域中，元素值小于当前分类阈值的元素划分为当前全影区域，将I域值矩阵中元素值大于或等于当前分类阈值的元素划分为当前半阴影区域；
S33：分别计算当前半阴影区域的算术平均值和当前全阴影区域的元素值的算术平均值；
S34：在当前全阴影区域的元素值的算术平均值与当前半阴影区域的算术平均值的之间范围内，获得新分类阈值Tnew’，即μ全＜Tnew'＜μ半；其中，μ全和μ半分别为当前全阴影区域的所有元素值的算术平均值和当前半阴影区域的所有元素值的算术平均值；
S35：判断新分类阈值Tnew’是否等于当前分类阈值；若是，停止迭代，将最后一次迭代中的当前半阴影区域和当前全阴影区域对应的原始图像中的像素区域分别作为步骤S3最终分割得到的半阴影区域和全阴影区域；若否，则将当前分类阈值更新为新分类阈值，返回步骤S32。彩色图像中的像素点的亮度由两种光照决定，在图像的非阴影区域像素，其亮度主要由直接光照和间接光照决定；在图像阴影区域的像素点，其亮度主要由部分直接光照和间接光照决定。通过对阴影区域中像素点所受直接光照的量进行判断，将阴影区域像素分为全影区域和半影区域。当像素点所受直接光照为0时，该像素点即可视为全影区域；当像素点受到部分直接光照时，该像素点即可视为半影区域。在半影区域中的像素点由于受到部分直接光照，因此，半影区像素点的亮度是介于非阴影区域和全影区域的。将全影区域像素和半影区域像素视为两类，通过像素点亮度求取分割阈值，实现阴影区域像素的分类，方便后续进一步对紫色土土壤的土种和土属的识别。
具体地，根据图像的光照原理，一幅图像可以视为由反射分量与照度分量构成，反射分量代表了图像中像素点的内在属性，而照度分量可以视为图像所受的外部光照。在自然光照条件下拍摄的土壤图像中，每个像素点的照度分量可以看作是受直接光照和间接光照的影响，其中直接光照可以视为太阳光的照射，间接光照可以视为物体表面光线的漫反射。因此，构成了图像的基本光照模型如下：
I(x,y)＝L(x,y)×R(x,y)(6)
其中，I(x,y)表示原始图像，R(x,y)表示反射图像，L(x,y)表示照度图像。将照度分量分解为直接照度分量和间接照度分量，得到下式：
I(x,y)＝[Ld(x,y)+Le(x,y)]×R(x,y)(7)
其中，Ld(x,y)和Le(x,y)分别为直接照度图像和间接照度图像。
在自然条件下拍摄的图像中，处于图像非阴影区域的像素，其所受光照为直接光照和间接光照，对于处于图像全影区域的像素，其所受光照仅为间接光照。即为：
Il(x,y)＝[Ld(x,y)+Le(x,y)]×R(x,y)(8)
Is(x,y)＝Le(x,y)×R(x,y)(9)
对于一幅自然条件下拍摄的土壤图像，可以视为光照充足图像与阴影图像的组合，得到自然条件下图像光照模型：
I(x,y)＝ki×Il(x,y)+(1-ki)×Is(x,y)(10)
其中Il(x,y)表示光照充足图像，Is(x,y)表示阴影图像，ki表示遮蔽系数。将式(8)和式(9)带入式(10)，得到：
上式即为图像的基本光照模型，其中当ki＝1时，表示当前像素点位于图像的非阴影区域；当ki＝0时，表示当前像素点位于图像的全影区域；当0＜ki＜1时，表示当前像素点位于图像的半影区域。通过(6)至(11)式的推导过程可以推导出阴影区域可以再次划分为全阴影区域和半阴影区域。
进一步，所述步骤S34中新分类阈值Tnew’的获得公式为：
其中，表示使得f(X)取得最大值所对应变量X的值；μ全为当前全阴影区域的元素值的算术平均值，μ半为当前半阴影区域的算术平均值，和分别为由新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域元素划分得到的两类元素的类间方差和类内方差；新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域元素划分得到的两类元素具体为：新分类阈值Tnew’作为分类阈值，重新将I域值矩阵中保留的阴影区域中元素值小于Tnew’和元素值大于或等于Tnew’的元素划分为两类元素。
进一步，所述和的计算公式分别为：
其中，μ'为I域值矩阵中保留的阴影区域中所有元素值的算术平均值；μ全'表示由新分类阈值Tnew’作为分类阈值将I域值矩阵中元素划分得到的全阴影区的所有元素值的算术平均值，μ半'表示由新分类阈值Tnew’作为分类阈值将I域值矩阵中元素划分得到的半阴影区的所有元素值的算术平均值；新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域中元素值小于Tnew’的元素组成的区域划分为新全阴影区，将元素值大于或等于Tnew’元素组成的元素划分为新半阴影区；σ全表示由新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域中元素划分得到的新全阴影区的所有元素值的标准差，σ半表示由新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域中元素划分得到的新半阴影区的所有元素值的标准差；w全和w半分别为由新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域中元素划分得到的新全阴影区和新半阴影区所包含的元素数量占I域值矩阵中保留的阴影区域总元素数量的比例； N全为由新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域中元素划分得到的新全阴影区的所有元素数量，N半为由新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域中元素划分得到的新半阴影区的所有元素数量。由于w全+w半＝1，则Tnew'始终满足μ全＜Tnew'＜μ半。通过上述计算方法，可以得到适应能力强的新分类阈值，可以适应各种全阴影区域和半阴影区域占比的阴影区域，以精确划分全阴影区域和半阴影区域，方便后续对紫色土土壤的土种和土属的准确识别。
进一步，通过实验对本文方法进行验证，具体如下：
在野外自然环境下用土锹锹出耕层0～20cm左右的紫色土，拍摄其无锹痕的(心土)自然断口图像(心土能最大限度地保持紫色土自然颜色和原状土壤结构)100张，通过手动分割提取无背景杂质的土壤图像区域，作为算法实验图像样本。
随机选取4张紫色土土壤区域分割结果图像作为一组实验对象，共计25组紫色土土壤图像。选取文献1中的算法为对比算法1；其中，文献1：Anoopa S,Dhanya V,Kizhakkethottam J J.Shadow Detection and Removal Using Tri-Class BasedThresholding and Shadow Matting Technique[J].Procedia Technology,2016,24:1358-1365。仿真实验环境为：CPU为Intel(R)Core(TM)i5 8300H，2.30GHz；内存为8GB，显卡为GTX1050Ti，操作系统为Windows 10专业版，VC++2015与OpenCV3.4。对所有25组实验图像进行实验，所得实验结果是类似的。图2为本发明的实验效果对比图，其中，图2第一行的图是一组实验对象的四个原始图像，图2第二行的图是第一行的图经本文方法中的步骤S1(为了方便观察将步骤S17中的标记矩阵MarkⅠ中元素值为3的元素值更新为1，求更新后的标记矩阵MarkⅠ与第一行对应的图的哈达玛积，得到第二行图)处理后得到图，图2第三行的图是第二行的图经本文方法中的步骤S2(为了方便观察将步骤S29中的标记矩阵MarkⅡ中元素值为3的元素值更新为1，求更新后的标记矩阵MarkⅠ与第一行对应的图的哈达玛积，得到第三行图)处理后得到图。
实验的数据结果如表1所示。
表1阴影区域分割算法亮度及面积
通过实验可以得出本文阴影分割算法对紫色土土壤图像分割效果较好，分割后非阴影区域亮度均值为143.9995，相比于对比算法非阴影区域亮度更高，分割所得阴影区域面积占比为53.06％，高于对比算法所得阴影面积的52.06％。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种紫色土土壤图像阴影检测方法，其特征在于：包括步骤：
S1：将紫色土土壤的原始图像分割为阴影区域和非阴影区域；
S2：消除离散的阴影区域，得到保留的阴影区域；
S3：将保留的阴影区域分割为全影区域和半影区域。
2.根据权利要求1所述紫色土土壤图像阴影检测方法，其特征在于：所述步骤S1包括步骤：
S11：将原始图像转换为HSI颜色模型的I域值矩阵；初始化与I域值矩阵大小相同的标记矩阵Mark；其中，I域值矩阵的元素值对应原始图像相同位置的像素的I域值，标记矩阵Mark初始化为0矩阵；
S12：计算I域值矩阵的整体均值μI，将μI作为分割非阴影区域和阴影区域的初始分类阈值T0；将T0作为当前分类阈值；
S13：将I域值矩阵中元素值小于当前分类阈值的元素划分为当前阴影区域，将I域值矩阵中元素值大于或等于当前分类阈值的元素划分为当前非阴影区域；
S14：分别计算当前阴影区域的算术平均值和当前非阴影区域的元素值的算术平均值；
S15：在当前阴影区域的元素值的算术平均值与当前非阴影区域的算术平均值的之间，获得新分类阈值Tnew，即μ1＜Tnew＜μ2，其中，μ1和μ2分别为当前阴影区域的所有元素值的算术平均值和当前非阴影区域的所有元素值的算术平均值；
S16：判断新分类阈值Tnew是否等于当前分类阈值；若是，停止迭代，将最后一次迭代中的当前阴影区域和当前非阴影区域对应的原始图像中的像素区域分别作为步骤S1最终分割得到的阴影区域和非阴影区域，进入步骤S17；若否，则将当前分类阈值更新为新分类阈值，返回步骤S13；
S17：更新标记矩阵Mark中的元素值，得到更新后的标记矩阵MarkⅠ，具体包括：将标记矩阵Mark中与最终分割得到的阴影区域位置相同的元素值置3，将标记矩阵Mark中与最终分割得到的非阴影区域位置相同的元素值置0，得到更新后的标记矩阵Mark Ⅰ。
3.根据权利要求2所述紫色土土壤图像阴影检测方法，其特征在于：所述步骤S15中新分类阈值Tnew的获得公式为：
其中，表示使得f(X)取得最大值所对应变量X的值；和分别为由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的两类元素的类间方差和类内方差；新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的两类元素具体为：新分类阈值Tnew作为分类阈值，重新将I域值矩阵中元素值小于Tnew和元素值大于或等于Tnew的元素划分为两类元素。
4.根据权利要求3所述紫色土土壤图像阴影检测方法，其特征在于：所述和的计算公式分别为：
其中，μ为I域值矩阵中所有元素值的算术平均值；μ1'表示由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新阴影区的所有元素值的算术平均值，μ2'表示由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新非阴影区的所有元素值的算术平均值；新分类阈值Tnew作为分类阈值将I域值矩阵中元素值小于Tnew的元素组成的区域划分为新阴影区，将元素值大于或等于Tnew的元素组成的元素划分为新非阴影区；σ1表示由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新阴影区的所有元素值的标准差，σ2表示由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新非阴影区的所有元素值的标准差；w1和w2分别为由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新阴影区和新非阴影区所包含的元素数量占I域值矩阵总元素数量的比例；N1为由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新阴影区的所有元素数量，N2为由新分类阈值Tnew作为分类阈值将I域值矩阵中元素划分得到的新非阴影区的所有元素数量。
5.根据权利要求3所述紫色土土壤图像阴影检测方法，其特征在于：所述步骤S2包括步骤：
S21：初始化与原始图像像素大小相同的类标签矩阵lab，用于存储标记矩阵Mark Ⅰ各个元素的类标签，类标签矩阵lab中各个位置元素值分别表示在标记矩阵Mark Ⅰ中与类标签矩阵lab位置对应的元素的类标签值；类标签矩阵lab的所有元素初始化为0；所述位置对应是指位置相同；
初始化元素数量阈值T；
S22：对类标签矩阵lab进行初始更新，得到初始更新后的类标签矩阵labI；
S23：对类标签矩阵labI进行更新，得到第一次更新后的类标签矩阵lab Ⅱ；
S24：对类标签矩阵lab Ⅱ进行更新，得到第二次更新后的类标签矩阵lab Ⅲ；
S25：对类标签矩阵lab Ⅲ进行更新，得到第三次更新后的类标签矩阵lab Ⅳ；
S26：对类标签矩阵lab Ⅳ进行更新，得到第四次更新后的类标签矩阵lab Ⅴ；
S27：统计类标签矩阵lab Ⅴ中各个非零类标签值对应的元素总数量；
S28：随机选取未被判断遍历的非零类标签值，判断该非零类标签值对应的元素总数量是否小于T，若是，则判定该非零类标签值对应的原始图像区域为离散阴影区域，将标记矩阵MarkⅠ中离散阴影区域对应的元素值更新为0，若否，则不做处理；
S29：重复步骤S28直到所有的非零类标签值均被判断遍历，得到更新后的标记矩阵MarkⅡ，其中，原始图像中与标记矩阵MarkⅡ中元素值为3的元素位置相同的元素组成区域为保留的阴影区域。
6.根据权利要求5所述紫色土土壤图像阴影检测方法，其特征在于：所述步骤S22包括步骤：
S221：按照预设的标签初始更新遍历顺序Ⅰ，选择一个未经初始更新遍历的标记矩阵MarkⅠ中的元素，作为当前初始更新遍历元素；其中，预设的标签初始更新遍历顺序Ⅰ为：以标记矩阵MarkⅠ中左上角的元素作为起始遍历元素，从上到下逐行遍历标记矩阵MarkⅠ中的元素；在遍历每一行元素时，按照从左到右的顺序遍历每一行的元素；
S222：判断当前初始更新遍历元素值是否为3，若是，则进入步骤S223；若否，则进入步骤S224；
S223：判断标记矩阵MarkⅠ中当前初始更新遍历元素的八连通邻域点中是否存在类标签矩阵lab中与当前初始更新遍历元素的八连通邻域点位置对应的元素值大于0的点，若存在，则将lab矩阵中当前初始更新遍历元素的八连通邻域点中类标签值最小的非零元素值作为当前初始更新遍历元素的类标签值，将类标签矩阵lab当前初始更新遍历元素对应位置的元素值更新为当前初始更新遍历元素的类标签值，进入步骤S224；若不存在，则将类标签矩阵lab中值最大的元素值增加1，作为当前初始更新遍历元素的类标签值，将类标签矩阵lab当前初始更新遍历元素对应位置的元素值更新为当前初始更新遍历元素的类标签值，进入步骤S224；
S224：判断标记矩阵MarkⅠ中是否还有未经初始更新遍历的元素，若有，则返回步骤S221，若无，则结束对标记矩阵MarkⅠ的初始更新遍历，得到初始更新后的类标签矩阵labI。
7.根据权利要求6所述紫色土土壤图像阴影检测方法，其特征在于：所述步骤S23具体包括：
S231：按照预设的更新遍历顺序Ⅱ，选择类标签矩阵labI中一个非零元素作为当前遍历元素；其中，更新遍历顺序Ⅱ为：以类标签矩阵labI中左上角的元素作为起始遍历元素，从上至下逐行遍历；在遍历每一行元素时，按照从左到右的顺序逐个遍历元素；
S232：判断类标签矩阵lab I中当前遍历元素的八连通邻域点中是否存在满足条件1的点：若存在，则将类标签矩阵lab I中当前遍历元素值更新为当前遍历元素的八连通邻域点中值非零的最小值，然后进入步骤S233；若不存在，则进入步骤S233；其中，条件1为：当前遍历元素的八连通邻域点的元素值小于当前遍历元素值，且值非零；
S233：判断类标签矩阵labI中是否还有未被更新遍历的元素，若存在，则返回步骤S231，若不存在，则对类标签矩阵lab I进行第一次更新结束，得到第一次更新后类标签矩阵lab Ⅱ；
所述步骤S24具体包括：
S241：按照预设的更新遍历顺序Ⅱ，选择类标签矩阵lab Ⅱ中一个非零元素作为当前遍历元素；其中，更新遍历顺序Ⅱ为：以类标签矩阵lab Ⅱ中右上角的元素作为起始遍历元素，从上至下逐行遍历；在遍历一行时，按照从右到左的顺序逐个遍历元素；
S242：判断类标签矩阵lab Ⅱ中当前遍历元素的八连通邻域点中是否存在满足条件2的点：若存在，则将类标签矩阵lab Ⅱ中当前遍历元素值更新为其八连通邻域点中值非零的最小值，然后进入步骤S243；若不存在，则进入步骤S243；其中，条件2为：当前遍历元素的八连通邻域点的元素值小于当前遍历元素值，且值非零；
S243：判断类标签矩阵lab Ⅱ中是否还有未被更新遍历的元素，若存在，则返回步骤S241，若不存在，则对类标签矩阵lab Ⅱ进行第二次更新结束，得到第二次更新后类标签矩阵lab Ⅲ；
所述步骤S25具体包括：
S251：按照预设的更新遍历顺序Ⅲ，选择类标签矩阵lab Ⅲ中一个非零元素作为当前遍历元素；其中，更新遍历顺序Ⅲ为：以类标签矩阵lab Ⅲ中左下角的元素作为起始遍历元素，从下至上逐行遍历；在遍历一行时，按照从左到右的顺序逐个遍历元素；
S252：判断类标签矩阵lab Ⅲ中当前遍历元素的八连通邻域点中是否存在满足条件3的点：若存在，则将类标签矩阵lab Ⅲ中当前遍历元素值更新为其八连通邻域点中值非零的最小值，然后进入步骤S253；若不存在，则进入步骤S253；其中，条件3为：当前遍历元素的八连通邻域点的元素值小于当前遍历元素值，且值非零；
S253：判断类标签矩阵lab Ⅲ中是否还有未被更新遍历的元素，若存在，则返回步骤S251，若不存在，则对类标签矩阵lab Ⅲ进行第三次更新结束，得到第三次更新后类标签矩阵lab Ⅳ；
所述步骤S26具体包括：
S261：按照预设的更新遍历顺序Ⅳ，选择类标签矩阵lab Ⅳ中一个非零元素作为当前遍历元素；其中，更新遍历顺序Ⅳ为：以类标签矩阵lab Ⅳ中右下角的元素作为起始遍历元素，从下至上逐行遍历；在遍历一行时，按照从右到左的顺序逐个遍历元素；
S262：判断类标签矩阵lab Ⅳ中当前遍历元素的八连通邻域点中是否存在满足条件4的点：若存在，则将类标签矩阵lab Ⅳ中当前遍历元素值更新为其八连通邻域点中值非零的最小值，然后进入步骤S263；若不存在，则进入步骤S263；其中，条件4为：当前遍历元素的八连通邻域点的元素值小于当前遍历元素值，且值非零；
S263：判断类标签矩阵lab Ⅳ中是否还有未被更新遍历的元素，若存在，则返回步骤S261，若不存在，则对类标签矩阵lab Ⅳ进行第四次更新结束，得到第四次更新后类标签矩阵lab Ⅴ。
8.根据权利要求5所述紫色土土壤图像阴影检测方法，其特征在于：所述步骤S3包括步骤：
S31：计算步骤S11得到的I域值矩阵中保留的阴影区域对应位置的元素值的算术平均值μs，将μs作为分割全影区域和半影区域的初始分类阈值T0’；将T0’作为当前分类阈值；
S32：将I域值矩阵中的保留的阴影区域对应位置区域中，元素值小于当前分类阈值的元素划分为当前全影区域，将I域值矩阵中元素值大于或等于当前分类阈值的元素划分为当前半阴影区域；
S33：分别计算当前半阴影区域的算术平均值和当前全阴影区域的元素值的算术平均值；
S34：在当前全阴影区域的元素值的算术平均值与当前半阴影区域的算术平均值的之间，获得新分类阈值Tnew’，即μ全＜Tnew'＜μ半；其中，μ全和μ半分别为当前全阴影区域的所有元素值的算术平均值和当前半阴影区域的所有元素值的算术平均值；
S35：判断新分类阈值Tnew’是否等于当前分类阈值；若是，停止迭代，将最后一次迭代中的当前半阴影区域和当前全阴影区域对应的原始图像中的像素区域分别作为步骤S3最终分割得到的半阴影区域和全阴影区域；若否，则将当前分类阈值更新为新分类阈值，返回步骤S32。
9.根据权利要求8所述紫色土土壤图像阴影检测方法，其特征在于：所述步骤S34中新分类阈值Tnew’的获得公式为：
其中，表示使得f(X)取得最大值所对应变量X的值；μ全为当前全阴影区域的元素值的算术平均值，μ半为当前半阴影区域的算术平均值，和分别为由新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域元素划分得到的两类元素的类间方差和类内方差；新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域元素划分得到的两类元素具体为：新分类阈值Tnew’作为分类阈值，重新将I域值矩阵中保留的阴影区域中元素值小于Tnew’和元素值大于或等于Tnew’的元素划分为两类元素。
10.根据权利要求9所述紫色土土壤图像阴影检测方法，其特征在于：所述和的计算公式分别为：
其中，μ'为I域值矩阵中保留的阴影区域中所有元素值的算术平均值；μ全'表示由新分类阈值Tnew’作为分类阈值将I域值矩阵中元素划分得到的全阴影区的所有元素值的算术平均值，μ半'表示由新分类阈值Tnew’作为分类阈值将I域值矩阵中元素划分得到的半阴影区的所有元素值的算术平均值；新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域中元素值小于Tnew’的元素组成的区域划分为新全阴影区，将元素值大于或等于Tnew’元素组成的元素划分为新半阴影区；σ全表示由新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域中元素划分得到的新全阴影区的所有元素值的标准差，σ半表示由新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域中元素划分得到的新半阴影区的所有元素值的标准差；w全和w半分别为由新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域中元素划分得到的新全阴影区和新半阴影区所包含的元素数量占I域值矩阵中保留的阴影区域总元素数量的比例； N全为由新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域中元素划分得到的新全阴影区的所有元素数量，N半为由新分类阈值Tnew’作为分类阈值将I域值矩阵中保留的阴影区域中元素划分得到的新半阴影区的所有元素数量。
CN201910705753.5A 2019-08-01 2019-08-01 紫色土土壤图像阴影检测方法 Active CN110427950B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910705753.5A CN110427950B (zh) 2019-08-01 2019-08-01 紫色土土壤图像阴影检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910705753.5A CN110427950B (zh) 2019-08-01 2019-08-01 紫色土土壤图像阴影检测方法

Publications (2)

Publication Number Publication Date
CN110427950A true CN110427950A (zh) 2019-11-08
CN110427950B CN110427950B (zh) 2021-08-27

Family

ID=68413662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910705753.5A Active CN110427950B (zh) 2019-08-01 2019-08-01 紫色土土壤图像阴影检测方法

Country Status (1)

Country Link
CN (1) CN110427950B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111754501A (zh) * 2020-06-30 2020-10-09 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102147920A (zh) * 2011-03-02 2011-08-10 上海大学 高分辨率遥感影像中的阴影检测方法
CN104463853A (zh) * 2014-11-22 2015-03-25 四川大学 一种基于图像分割的阴影检测与去除算法
CN107808366A (zh) * 2017-10-21 2018-03-16 天津大学 一种基于块匹配的自适应光转移单幅阴影去除方法
CN108305217A (zh) * 2017-12-28 2018-07-20 北京大学深圳研究生院 图像阴影消除方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102147920A (zh) * 2011-03-02 2011-08-10 上海大学 高分辨率遥感影像中的阴影检测方法
CN104463853A (zh) * 2014-11-22 2015-03-25 四川大学 一种基于图像分割的阴影检测与去除算法
CN107808366A (zh) * 2017-10-21 2018-03-16 天津大学 一种基于块匹配的自适应光转移单幅阴影去除方法
CN108305217A (zh) * 2017-12-28 2018-07-20 北京大学深圳研究生院 图像阴影消除方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
程 蓉，曾绍华，罗俣桐，付登伟，王 帅，杨圣明: "紫色土彩色图像的Ｈ阈值分割", 《重庆师范大学学报（自然科学版）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111754501A (zh) * 2020-06-30 2020-10-09 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法
CN111754501B (zh) * 2020-06-30 2021-08-27 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法

Also Published As

Publication number Publication date
CN110427950B (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
Wang et al. Image segmentation of overlapping leaves based on Chan–Vese model and Sobel operator
CN111415363B (zh) 一种图像边缘识别方法
CN104834912B (zh) 一种基于图像信息检测的天气识别方法及装置
CN105261017B (zh) 基于路面约束的图像分割法提取行人感兴趣区域的方法
CN108537239B (zh) 一种图像显著性目标检测的方法
CN114820627B (zh) 一种基于光学手段的纺织品质量检测方法
CN112132843A (zh) 基于无监督深度学习的苏木精-伊红染色病理图像分割方法
CN104182763B (zh) 一种基于花朵特征的植物种类识别系统
CN105809121A (zh) 多特征协同的交通标志检测与识别方法
CN110569782A (zh) 一种基于深度学习目标检测方法
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
CN108985247A (zh) 多光谱图像城市道路识别方法
CN110288538A (zh) 一种多特征融合的运动目标阴影检测及消除方法
CN110428380B (zh) 紫色土土壤图像阴影增强方法
CN110111322A (zh) 一种基于图像的隧道病害识别系统
Wang et al. An maize leaf segmentation algorithm based on image repairing technology
CN112102224A (zh) 一种基于深度卷积神经网络的布匹疵点识别方法
CN110084820B (zh) 基于改进fcm算法的紫色土图像自适应分割提取方法
CN113019993B (zh) 一种籽棉的杂质分类识别方法及系统
CN110852207A (zh) 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法
CN102938053A (zh) 一种基于计算机视觉的甘蔗特征提取与识别方法
CN111768455A (zh) 一种基于图像的木材区域和主色提取方法
CN106815851B (zh) 一种基于视觉测量的栅格圆形油位计自动读数方法
CN111868783B (zh) 基于边界提取的区域合并图像分割算法
CN110427950A (zh) 紫色土土壤图像阴影检测方法

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