CN111415360A - 烟叶图像切割方法、装置、设备和介质 - Google Patents
烟叶图像切割方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN111415360A CN111415360A CN202010239107.7A CN202010239107A CN111415360A CN 111415360 A CN111415360 A CN 111415360A CN 202010239107 A CN202010239107 A CN 202010239107A CN 111415360 A CN111415360 A CN 111415360A
- Authority
- CN
- China
- Prior art keywords
- tobacco leaf
- image
- leaf image
- tobacco
- cutting
- 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
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 332
- 238000005520 cutting process Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 65
- 244000061176 Nicotiana tabacum Species 0.000 title 1
- 241000208125 Nicotiana Species 0.000 claims abstract description 331
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000003064 k means clustering Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 12
- 239000007787 solid Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- ACWBQPMHZXGDFX-QFIPXVFZSA-N valsartan Chemical class C1=CC(CN(C(=O)CCCC)[C@@H](C(C)C)C(O)=O)=CC=C1C1=CC=CC=C1C1=NN=NN1 ACWBQPMHZXGDFX-QFIPXVFZSA-N 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Manufacture Of Tobacco Products (AREA)
Abstract
本申请提供的一种烟叶图像切割方法、装置、设备和介质。通过实时获取烟叶挑选作业线上的原始烟叶图像；剪切掉所述原始烟叶图像中叶尖和叶基区域以得到第一烟叶图像；依据均值模糊算法对所述第一烟叶图像进行噪音处理，以得到第二烟叶图像；基于k均值聚类算法对所述第二烟叶图像进行聚类，并通过切割保留烟叶正面有效区域以得到第三烟叶图像。本申请能使多片烟叶图像的切割效果不受烟叶摆放无序状态、拍摄高度的影响，最大限度将烟叶正面区域提取出来，为机器视觉在烟叶部位等级识别落地应用上提供坚实基础。
Description
技术领域
本申请涉及图像切割算法技术领域，特别是涉及一种烟叶图像切割方法、装置、设备和介质。
背景技术
烟叶图像切割是指将图像中非烟叶颜色部分去除，图像中烟叶颜色部分指烟叶正面颜色区域，非烟叶颜色区域包含烟叶反面、烟梗、非烟叶区域颜色。烟叶挑选线是指在打叶复烤环节前，对烟叶原料进行部位和等级分选，以达到提高烟叶原料可利用性的目的。目前，现有的烟叶图像切割算法仅针对单片烟叶图像，干扰因素少，可通过图像二值化的方法对烟叶图像进行快速切割，但机器视觉技术在未来对烟叶进行部位和等级识别应用时因作业空间、工序、效率等限制，不可能一张一张进行烟叶图像采集，而是以连续数张烟叶进行烟叶图像的拍摄，此时的烟叶图相相较单片烟叶变得更为复杂，图像中可能会包含很多非烟叶部分、烟叶背面、因烟叶折叠产生的烟叶阴影等区域。本方法可以针对传统切割算法的不足，对烟叶复杂图像中非烟叶部分、烟叶背面、烟叶阴影、烟梗等区域进行有效切割，最大限度抽提出烟叶有效正面区域，为未来机器视觉技术用于工业化烟叶部位和等级识别提供实现基础和保障。
因此，如何能够快速、准确对烟叶挑选环节拍摄的复杂烟叶图像进行切割是亟待解决的问题。
发明内容
鉴于以上所述现有技术的缺点，本申请的目的在于提供一种烟叶图像切割方法、装置、设备和介质，用于解决上述至少一个问题。
为实现上述目的及其他相关目的，本申请提供一种烟叶图像切割方法，所述方法包括：实时获取烟叶挑选作业线上的原始烟叶图像；剪切掉所述原始烟叶图像中叶尖和叶基区域以得到第一烟叶图像；依据均值模糊算法对所述第一烟叶图像进行噪音处理，以得到第二烟叶图像；基于k均值聚类算法对所述第二烟叶图像进行聚类，并通过切割保留烟叶正面有效区域以得到第三烟叶图像。
于本申请的一实施例中，所述依据均值模糊算法对所述第一烟叶图像进行噪音处理，以得到第二烟叶图像，包括：对所述第一烟叶图像进行灰度转化；设定预设阈值threshold并利用qtdecomp函数进行图像分割；通过qtgetblk函数获取对应所述第一烟叶图像分解后的图像子块的像素；再对每个所述图像子块依据原所述第一烟叶图像的RGB均值进行替换，以得到所述第二烟叶图像。
于本申请的一实施例中，所述基于k均值聚类算法对所述第二烟叶图像进行聚类，包括：预设若干个聚类类别数，并根据所述第二烟叶图像利用所述k均值聚类算法计算出对应各聚类合适的初始中心点；利用各所述初始中心点对所述第二烟叶图像进行聚类；依据颜色深浅对聚类后得到的若干个色集进行排序并定义属性，以通过不同色集表征烟叶上的不同区域。
于本申请的一实施例中，所述通过切割保留烟叶正面有效区域以得到第三烟叶图像，包括：在所述第二烟叶图像进行聚类后，提取表征烟叶正面有效区域的色集；对未表征烟叶正面有效区域的色集进行切割，以保留表征烟叶正面有效区域的色集，以得到所述第三烟叶图像。
于本申请的一实施例中，所述方法还包括：在所述第三烟叶图像，获取表征烟叶正面主色的第一色集Zn和表征烟叶背面区域的第二色集Bn；采用欧式距离算法分别计算所述第三烟叶图像中每个小块lab值与所述第一色集、及所述第二色集中的最小值，分别标记为dz_min和db_min；通过Zn和Bn相互计算欧式距离以获取合适的距离值dtz和dtb；当dz_min>dtz，则小块lab值置0，标记为Iz；和/或，当db_min>dtb时，则不属于烟叶背面区域，小块lab值置0，标记为Ib；根据Iz和Ib对所述第三烟叶图像进行修正。
于本申请的一实施例中，所述方法还包括：将得到的所述第三烟叶图像与所述原始烟叶图像进行比对；其中，对所述第三烟叶图像与所述原始烟叶图像进行RGB直方图分布展示，以验证烟叶图像切割。
于本申请的一实施例中，所述方法还包括：在实时获取烟叶挑选作业线上的原始烟叶图像的同时，还获取单张烟叶图像；对所述第三烟叶图像与所述单张烟叶图像进行RGB直方图分布展示，以观察分布的一致性。
为实现上述目的及其他相关目的，本申请提供一种烟叶图像切割装置，所述装置包括：获取模块，用于实时获取烟叶挑选作业线上的原始烟叶图像；处理模块，用于剪切掉所述原始烟叶图像中叶尖和叶基区域以得到第一烟叶图像；依据均值模糊算法对所述第一烟叶图像进行噪音处理，以得到第二烟叶图像；基于k均值聚类算法对所述第二烟叶图像进行聚类，并通过切割保留烟叶正面有效区域以得到第三烟叶图像。
为实现上述目的及其他相关目的，本申请提供一种计算机设备，所述设备包括：存储器、处理器、及通信器；所述存储器用于存储计算机程序；所述处理器运行计算机程序实现如上所述的方法；所述通信器用于通信连接外部设备。
为实现上述目的及其他相关目的，本申请提供一种计算机存储介质，存储有计算机程序，所述计算机程序被运行时执行如上所述的方法。
综上所述，本申请的一种烟叶图像切割方法、装置、设备和介质。通过实时获取烟叶挑选作业线上的原始烟叶图像；剪切掉所述原始烟叶图像中叶尖和叶基区域以得到第一烟叶图像；依据均值模糊算法对所述第一烟叶图像进行噪音处理，以得到第二烟叶图像；基于k均值聚类算法对所述第二烟叶图像进行聚类，并通过切割保留烟叶正面有效区域以得到第三烟叶图像。
通过本申请所构思的上述技术方案与现有技术相比，能够取得下列有益效果：
本申请能使多片烟叶图像的切割效果不受烟叶摆放无序状态、拍摄高度的影响，最大限度将烟叶正面区域提取出来，为机器视觉在烟叶部位等级识别落地应用上提供坚实基础。
附图说明
图1显示为本申请于一实施例中的烟叶图像切割方法的流程示意图。
图2A-2C显示为本申请于一实施例中的烟叶的上部叶、中部叶、下部叶应用烟叶图像切割方法的场景示意图。
图3A-3C显示为本申请于一实施例中的原始烟叶图像、最终图像以及单张烟叶正面图像的RGB直方图分布的折线示意图。
图4显示为本申请于一实施例中的烟叶图像切割装置的模块示意图。
图5显示为本申请于一实施例中的计算机设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，虽然图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，但其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
针对上述现有技术中的不足，本申请主要针对烟叶挑选线上的烟叶，在烟叶装框以后使用工业相机实时获取烟叶的图像，通过图像的模糊算法、聚类点搜寻算法、聚类算法、正面形态切割算法获取有效正面烟叶区域，然后通过图像比对确定切割效果是否达到预期。
如图1所示，展示本申请于一实施例中的烟叶图像切割方法的流程示意图。如图所示，所述方法包括：
步骤S101：实时获取烟叶挑选作业线上的原始烟叶图像。
烟叶挑选线是指在打叶复烤环节前，对烟叶原料进行部位和等级分选，以达到提高烟叶原料可利用性的目的。现有的烟叶图像切割算法仅针对单片烟叶图像，但因作业空间、工序、效率等限制，不可能一张一张进行烟叶图像采集。为此，本申请所提出的烟叶图像切割方法事能够对以连续数张烟叶进行烟叶图像的拍摄并进行图像切割处理。
于本实施例中，在烟叶挑选线上，将工人分选好的烟叶装入指定大小框中，在烟叶装框以后利用工业相机进行在线拍摄，如工业相机设置于挑选线上方进行拍摄，为便于理解，可将实时获取的原始烟叶图像标记为I。
步骤S102：剪切掉所述原始烟叶图像中叶尖和叶基区域以得到第一烟叶图像。
于本实施例中，当烟叶叠放时，烟叶叶尖和叶基部分会出现层次不齐，可通过图像识别技术对叶尖和叶基图像部分进行裁剪以切除，保留下来的图像为第一烟叶图像，可标记为Im。
步骤S103：依据均值模糊算法对所述第一烟叶图像进行噪音处理，以得到第二烟叶图像。
于本实施例中，所述步骤S103具体包括：
A、对所述第一烟叶图像进行灰度转化。
所述灰度值转化即图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。灰度值0：黑，灰度值255：白。通常一幅图像部件包括目标物体、背景，还会有噪声。要想从多像素值的数字图像中直接提取出目标物体，常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化。
B、设定预设阈值threshold并利用qtdecomp函数进行图像分割；
这里threshold函数是设定的阈值，其是OpenCV图像处理中二值化处理的常用阈值设定。
在本申请中采用qtdecomp函数实现区域分类，区域分裂是将不同特征的区域分离开，而合并将相同特征区域合并起来。qtdecomp函数：qtdecomp(I,threshold)。
C、通过qtgetblk函数获取对应所述第一烟叶图像分解后的图像子块的像素；
简单来说，首先，会将输入图像按允许的阀值threshold分割子块，返回一个稀疏矩阵，每个子块的左上角给出子块的大小；然后，qtgetblk函数可获得四叉树分解后的子块的像素即位置信息，返回值vals是dim*dim*k矩阵，k是符合dim*dim大小的子块个数。
D、再对每个所述图像子块依据原所述第一烟叶图像的RGB均值进行替换，以得到所述第二烟叶图像。
最后，qtsetblk函数将四叉树分解得到的子块中符合条件的部分替换为指定的子块。
举例来说，具体方法为：对第一烟叶图像Im进行灰度值转化，灰度图像标记为Ig，扩充Ig为2n*2n大小，设定合适的阈值threshold，并利用qtdecomp函数进行图像分割，标记为S，然后通过qtgetblk函数获取原第一烟叶图像Im对应S的图像小块，标记为val，再对每个val进行原Im的RGB均值替换，替换后以得到所述第二烟叶图像标记为It。
步骤S104：基于k均值聚类算法对所述第二烟叶图像进行聚类，并通过切割保留烟叶正面有效区域以得到第三烟叶图像。
其中，所述k均值聚类算法(K-Means算法)，也被称为K-平均或K-均值算法，是一种广泛使用的聚类算法。K-Means算法是聚焦于相似的无监督的算法，以距离作为数据对象间相似性度量的标准，即数据对象间的距离越小，则它们的相似性越高，则它们越有可能在同一个类簇。之所以被称为K-Means是因为它可以发现k个不同的簇，且每个簇的中心采用簇中所含值的均值计算而成。假定有一些数据，现在将相似的数据归在一起，簇识别会告诉我们这些簇到达都是些什么。聚类和分类最大的不同在于，分类的目标事先已知，而聚类则不一样。因为其产生的结果和分类相同，而只是类别没有预先定义。K-Means是发现给定数据集的k个簇的算法。簇个数k是用户给定的，每一个簇通过其质心(centroid)，即簇中所有点的中心来描述。
于本实施例中，所述基于k均值聚类算法对所述第二烟叶图像It进行聚类，具体包括：
A、预设若干个聚类类别数，并根据所述第二烟叶图像It利用所述k均值聚类算法计算出对应各聚类合适的初始中心点；
B、利用各所述初始中心点对所述第二烟叶图像It进行聚类；
C、依据颜色深浅对聚类后得到的若干个色集进行排序并定义属性，以通过不同色集表征烟叶上的不同区域。
通常K-Means算法的简单包括如下步骤：
1)初始化常数K，随机初始化k个聚类中心。在本申请中，K为预设的若干个聚类类别数。
2)重复如下计算就可知聚类中心不再改变：计算每个样本与每个聚类中心点的距离，将样本划分到最近的中心点；计算划分到每个类别中的所有样本特征的均值，并将该均值作为每个类新的聚类中心。在本申请中，根据所述第二烟叶图像It利用所述k均值聚类算法计算出对应各聚类合适的初始中心点。
3)输出最终的聚类中心以及每个样本所属的类别。
在本申请中，依据颜色深浅对聚类后得到的若干个色集进行排序，并对各聚类属性进行定义，以通过不同色集表征烟叶上的不同区域。
举例来说，通过改进后的K-Means算法对第二烟叶图像It进行聚类。预设类别数为5，利用K-Means算法计算出合适的初始聚类中心点(种子点)，设为ks，再用ks作为初始中心点对其他图像进行聚类，分类后的5个色集按颜色深浅排序，如标记为C1，C2，C3，C4，C5。
于本实施例中，所述通过切割保留烟叶正面有效区域以得到第三烟叶图像，具体包括：
A、所述第二烟叶图像进行聚类后，提取表征烟叶正面有效区域的色集；
B、对未表征烟叶正面有效区域的色集进行切割，以保留表征烟叶正面有效区域的色集，以得到所述第三烟叶图像。
举例来说，通过不同色集表征烟叶上的不同区域。例如，发现C1主要为烟叶与烟叶之间的层叠缝隙区域(黑洞)，C2为烟叶主脉、阴影及位置较暗的区域，C3与C4为烟叶正面有效区域，C5为烟叶背面区域。然后对分类后的五个色集进行提取，其中，针对以上C1、C2、C5区域部分进行切割(置0)，保留C3、C4部分，即得到第三烟叶图像，标记为It34。
至此，已基本实现烟叶图像正面有效区域的切割过程。
但是，在一些实际实施例中，由于本申请是对挑选线上大量烟叶进行拍摄，那么有一定概率在C4和C5区域部分之间存在交叉的情况，即在中部叶和下部叶仍含有部分背面区域，使得中部和上部部分正面区域存在误切，因此，在一些实施例中还需要进一步进行切割矫正。因此，本申请还提供对第三烟叶图像进行修正的方法，通过提取烟叶正面主色集和烟叶背面色集来实现对第三烟叶图像It34进行修正。该修正方法具体包括：
A、在所述第三烟叶图像，获取表征烟叶正面主色的第一色集Zn和表征烟叶背面区域的第二色集Bn；
B、采用欧式距离算法分别计算所述第三烟叶图像中每个小块lab值与所述第一色集、及所述第二色集中的最小值，分别标记为dz_min和db_min；
C、通过Zn和Bn相互计算欧式距离以获取合适的距离值dtz和dtb；
D、当dz_min>dtz，则小块lab值置0，标记为Iz；和/或，当db_min>dtb时，则不属于烟叶背面区域，小块lab值置0，标记为Ib；
E、根据Iz和Ib对所述第三烟叶图像进行修正。
举例来说，通过人机互动方式，利用imrect选取，imcrop获取烟叶正面主色和烟叶背面色集(lab颜色空间)，分别定义为Zn、Bn，采用欧式距离算法分别计算It34中每个小块lab值与Zn、Bn中的最小值，分别标记为dz_min、db_min。通过Zn和Bn相互计算欧式距离获取合适的dtz和dtb，当dz_min>dtz，则小块值置0，标记为Iz，当db_min>dtb时，则不属于背面色集，小块值置0，标记为Ib。通过Iz和Ib对It34进行修正，修正后的图像标记为I_final。
其中，算法中使用到距离可以是任何的距离计算公式，最常用的是欧氏距离，应用时具体应该选择哪种距离计算方式，需要可根据具体场景确定。
于本申请一实施例中，在得到第三烟叶图像It34后，本申请还提供一种验证切割效果的方法，所述方法包括：将得到的所述第三烟叶图像与所述原始烟叶图像进行比对；其中，对所述第三烟叶图像与所述原始烟叶图像进行RGB直方图分布展示，以验证烟叶图像切割。
例如，利用本申请所述的烟叶图像切割方法对挑选后的上、中、下部叶进行图像切割，与原始烟叶图像I进行比对，对原始烟叶图像I、第三烟叶图像It34或经修正的图像I_final进行RGB直方图分布展示，比对切割效果。
另外，在验证切割效果的同时，还可利用单张烟叶进行在线拍摄，单张烟叶拍摄时不存在堆放层叠问题以及烟叶背面影响等问题。该方法还包括：
A、在实时获取烟叶挑选作业线上的原始烟叶图像的同时，还获取单张烟叶图像；
B、对所述第三烟叶图像与所述单张烟叶图像进行RGB直方图分布展示，以观察分布的一致性。
综上所述，本申请提出的烟叶图像切割方法，其核心算法在于均值模糊降噪，优化的kmeans聚类算法，主色集和背面集提取算法，正面形态切割算法。通过运用本申请所述方法，多片烟叶图像的切割效果不受烟叶摆放无序状态、拍摄高度的影响，最大限度将烟叶正面区域提取出来，为机器视觉在烟叶部位等级识别落地应用上提供坚实基础。另外，本申请方法的主要思想在于对烟叶图像进行均值模糊降噪，防止烟叶正面的杂色被剔除，再通过优化过的kmeans聚类算法剔除非正面区域，最后用正面烟叶色集和反面色集共同协助优化。
如图2A、2B、2C，其分别展示为烟叶的上部叶、中部叶、下部叶应用烟叶图像切割方法的场景示意图，下面将通过具体实施例对本申请所述方法的应用进行展示：
1)根据步骤S101，实时进行在线挑选烟叶图像拍摄采集，其中在烟叶挑选作业线上挑选的烟叶有三个类别，分别为上部叶、中部叶、下部叶，烟叶的上部叶、中部叶、下部叶在线扫描的原始烟叶图像集合标记为I。
2)根据步骤S102对原始烟叶图像I进行裁剪，切除叶尖和叶基图像部分(烟叶叠放叶尖和叶基部分时会出现层次不齐)，保留的第一烟叶图像部分集合标记为Im。
3)根据步骤S103通过均值模糊处理对第一烟叶图像Im进行噪音处理，处理后的第二烟叶图像It。
4)根据步骤S104通过改进后的kmeans对It进行聚类。类别数为5，根据烟叶图像利用原始kmeans计算出合适的初始聚类种子点，设为ks，再用ks作为初始种子点对其他图像进行聚类，分类后的5个色集按颜色深到浅排序，标记为C1，C2，C3，C4，C5。
需说明的是，由于附图为黑白图，颜色效果无法直观看到，但本领域人员应能理解图中依据kmeans计算得到的不同色集的聚类效果图。其中，图2A、2B、2C中5个颜色区域类型与C1至C5对应顺序不一样，具体地：上部叶图像2A中，5对应C1，4对应C5，3对应C2，2对应C3，1对应C1；中部叶图像2B中，5对应C1，4对应C3，3对应C4，2对应C2，1对应C5；下部叶图像2C中，5对应C1，4对应C3，3对应C4，2对应C2，1对应C5。
5)通过与原始烟叶图像I比对可知，C1主要为烟叶与烟叶之间的层叠缝隙区域，C2为烟叶主脉、阴影及位置较暗的区域，C3与C4为烟叶正面有效区域，C5为烟叶背面区域，分类效果与烟叶部位、无序摆放状态无关。针对以上C1、C2、C5区域部分进行切割(置0)，保留C3、C4部分，则得到初步完成正面形态切割的烟叶图像，标记为It34。
至此，已基本实现烟叶图像正面有效区域的切割过程。但是，在一些实际实施例中，在中部叶和下部叶仍含有部分背面区域，并且中部和上部部分正面区域存在误切，因此，在一些实施例中还需要进一步进行切割矫正。
6)通过人机互动方式，利用imrect选取，imcrop获取烟叶正面主色和烟叶背面色集(lab颜色空间)，分别定义为Zn、Bn，采用欧式距离算法分别计算It34中每个小块lab值与Zn、Bn中的最小值，分别标记为dz_min、db_min。通过Zn和Bn相互计算欧式距离获取合适的dtz和dtb，当dz_min>dtz，则小块值置0，标记为Iz；当db_min>dtb时，则不属于背面色集，小块值置0，标记为Ib。通过Iz和Ib对It34进行修正，修正后的图像标记为I_final。至此完成了烟叶有效正面区域的切割。
7)为验证切割有效性，本申请可通过分别对原始烟叶图像I、最终图像I_final以及单张烟叶正面图像做RGB直方图分布展示，这里以烟叶的上部叶为例，如图3A、3B、3C所示。对比RGB直方分布，切割后的图像与单片烟叶图像RGB分布规律具有较好的一致性，均服从正太分布，且集中点相近，而原始图像分布受烟叶摆放状态等干扰，分布无规律。说明采用本方法可以有效排除烟叶摆放状态的干扰，提取烟叶正面有效信息。
如图4所示，展示为本申请于一实施例中的烟叶图像切割装置的模块示意图。如图所示，所述烟叶图像切割装置400包括：
获取模块401，用于实时获取烟叶挑选作业线上的原始烟叶图像；
处理模块402，用于剪切掉所述原始烟叶图像中叶尖和叶基区域以得到第一烟叶图像；依据均值模糊算法对所述第一烟叶图像进行噪音处理，以得到第二烟叶图像；基于k均值聚类算法对所述第二烟叶图像进行聚类，并通过切割保留烟叶正面有效区域以得到第三烟叶图像。
需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本申请所述方法实施例基于同一构思，其带来的技术效果与本申请方法实施例相同，具体内容可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。
还需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些单元可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。
例如，处理模块402可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上处理模块402的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital signal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
如图5所示，展示为本申请于一实施例中的计算机设备的结构示意图。如图所示，所述计算机设备500包括：存储器501、处理器502、及通信器503；所述存储器501用于存储计算机程序；所述处理器502运行计算机程序实现如图1所述的方法；所述通信器503用于通信连接外部设备，如与拍摄烟叶挑选作业线上的烟叶的相机通信连接。
在一些实施例中，计算机设备500中的所述存储器501的数量均可以是一或多个，所述处理器502的数量均可以是一或多个，所述通信器503的数量均可以是一或多个，而图5中均以一个为例。
于本申请一实施例中，所述计算机设备500中的处理器502会按照如图1所述的步骤，将一个或多个以应用程序的进程对应的指令加载到存储器501中，并由处理器502来运行存储在存储器502中的应用程序，从而实现如图1所述的方法中的各种功能。
所述存储器501可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。所述存储器501存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可包括各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。
所述处理器502可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
所述通信器503用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信连接。所述通信器503可包含一组或多组不同通信方式的模块，例如，与CAN总线通信连接的CAN通信模块。所述通信连接可以是一个或多个有线/无线通讯方式及其组合。通信方式包括：互联网、CAN、内联网、广域网(WAN)、局域网(LAN)、无线网络、数字用户线(DSL)网络、帧中继网络、异步传输模式(ATM)网络、虚拟专用网络(VPN)和/或任何其它合适的通信网络中的任何一个或多个。例如：WIFI、蓝牙、NFC、GPRS、GSM、及以太网中任意一种及多种组合。
在一些具体的应用中，所述计算机设备500的各个组件通过总线系统耦合在一起，其中总线系统出包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清除说明起见，在图5中将各种总线都成为总线系统。
于本申请的一实施例中，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图1所述的方法。
所述计算机可读存储介质，本领域普通技术人员可以理解：实现上述系统及各单元功能的实施例可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述系统及各单元功能的实施例；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本申请提供的一种烟叶图像切割方法、装置、设备和介质，通过实时获取烟叶挑选作业线上的原始烟叶图像；剪切掉所述原始烟叶图像中叶尖和叶基区域以得到第一烟叶图像；依据均值模糊算法对所述第一烟叶图像进行噪音处理，以得到第二烟叶图像；基于k均值聚类算法对所述第二烟叶图像进行聚类，并通过切割保留烟叶正面有效区域以得到第三烟叶图像。
本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中包含通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。
Claims (10)
1.一种烟叶图像切割方法，其特征在于，所述方法包括：
实时获取烟叶挑选作业线上的原始烟叶图像；
剪切掉所述原始烟叶图像中叶尖和叶基区域以得到第一烟叶图像；
依据均值模糊算法对所述第一烟叶图像进行噪音处理，以得到第二烟叶图像；
基于k均值聚类算法对所述第二烟叶图像进行聚类，并通过切割保留烟叶正面有效区域以得到第三烟叶图像。
2.根据权利要求1所述的方法，其特征在于，所述依据均值模糊算法对所述第一烟叶图像进行噪音处理，以得到第二烟叶图像，包括：
对所述第一烟叶图像进行灰度转化；
设定预设阈值threshold并利用qtdecomp函数进行图像分割；
通过qtgetblk函数获取对应所述第一烟叶图像分解后的图像子块的像素；
再对每个所述图像子块依据原所述第一烟叶图像的RGB均值进行替换，以得到所述第二烟叶图像。
3.根据权利要求1所述的方法，其特征在于，所述基于k均值聚类算法对所述第二烟叶图像进行聚类，包括：
预设若干个聚类类别数，并根据所述第二烟叶图像利用所述k均值聚类算法计算出对应各聚类合适的初始中心点；
利用各所述初始中心点对所述第二烟叶图像进行聚类；
依据颜色深浅对聚类后得到的若干个色集进行排序并定义属性，以通过不同色集表征烟叶上的不同区域。
4.根据权利要求3所述的方法，其特征在于，所述通过切割保留烟叶正面有效区域以得到第三烟叶图像，包括：
在所述第二烟叶图像进行聚类后，提取表征烟叶正面有效区域的色集；
对未表征烟叶正面有效区域的色集进行切割，以保留表征烟叶正面有效区域的色集，以得到所述第三烟叶图像。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
在所述第三烟叶图像，获取表征烟叶正面主色的第一色集Zn和表征烟叶背面区域的第二色集Bn；
采用欧式距离算法分别计算所述第三烟叶图像中每个小块lab值与所述第一色集、及所述第二色集中的最小值，分别标记为dz_min和db_min；
通过Zn和Bn相互计算欧式距离以获取合适的距离值dtz和dtb；
当dz_min>dtz，则小块lab值置0，标记为Iz；和/或，当db_min>dtb时，则不属于烟叶背面区域，小块lab值置0，标记为Ib；
根据Iz和Ib对所述第三烟叶图像进行修正。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将得到的所述第三烟叶图像与所述原始烟叶图像进行比对；其中，对所述第三烟叶图像与所述原始烟叶图像进行RGB直方图分布展示，以验证烟叶图像切割。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在实时获取烟叶挑选作业线上的原始烟叶图像的同时，还获取单张烟叶图像；
对所述第三烟叶图像与所述单张烟叶图像进行RGB直方图分布展示，以观察分布的一致性。
8.一种烟叶图像切割装置，其特征在于，所述装置包括：
获取模块，用于实时获取烟叶挑选作业线上的原始烟叶图像；
处理模块，用于剪切掉所述原始烟叶图像中叶尖和叶基区域以得到第一烟叶图像；依据均值模糊算法对所述第一烟叶图像进行噪音处理，以得到第二烟叶图像；基于k均值聚类算法对所述第二烟叶图像进行聚类，并通过切割保留烟叶正面有效区域以得到第三烟叶图像。
9.一种计算机设备，其特征在于，所述设备包括：存储器、处理器、及通信器；所述存储器用于存储计算机程序；所述处理器运行计算机程序实现如权利要求1至7中任意一项所述的方法；所述通信器用于通信连接外部设备。
10.一种计算机存储介质，其特征在于，存储有计算机程序，所述计算机程序被运行时执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010239107.7A CN111415360B (zh) | 2020-03-30 | 2020-03-30 | 烟叶图像切割方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010239107.7A CN111415360B (zh) | 2020-03-30 | 2020-03-30 | 烟叶图像切割方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111415360A true CN111415360A (zh) | 2020-07-14 |
| CN111415360B CN111415360B (zh) | 2022-12-20 |
Family
ID=71493421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010239107.7A Active CN111415360B (zh) | 2020-03-30 | 2020-03-30 | 烟叶图像切割方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111415360B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112577960A (zh) * | 2020-12-07 | 2021-03-30 | 上海威士顿信息技术股份有限公司 | 烟叶中的杂质检测方法、系统及计算机可读存储介质 |
| CN114925056A (zh) * | 2022-06-06 | 2022-08-19 | 江苏城乡空间规划设计研究院有限责任公司 | 一种基于空间约束聚类的交通可视化方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101021944A (zh) * | 2007-03-14 | 2007-08-22 | 哈尔滨工业大学 | 基于小波函数的多尺度显微图像分割处理方法 |
| CN101211356A (zh) * | 2006-12-30 | 2008-07-02 | 中国科学院计算技术研究所 | 一种基于显著区域的图像查询方法 |
| CN102254326A (zh) * | 2011-07-22 | 2011-11-23 | 西安电子科技大学 | 利用核传递进行图像分割的方法 |
| CN106296695A (zh) * | 2016-08-12 | 2017-01-04 | 西安理工大学 | 基于显著性的自适应阈值自然目标图像分割抽取算法 |
| CN108268895A (zh) * | 2018-01-12 | 2018-07-10 | 上海烟草集团有限责任公司 | 基于机器视觉的烟叶部位识别方法、电子设备及存储介质 |
| CN109785328A (zh) * | 2017-11-13 | 2019-05-21 | 南京大学 | 一种结合区域合并与深度连通性的似物性估计方法 |
| CN110097071A (zh) * | 2019-03-18 | 2019-08-06 | 深圳蓝韵医学影像有限公司 | 基于谱聚类与K-means结合的乳腺病变区域的识别方法与装置 |
| CN110472687A (zh) * | 2019-08-16 | 2019-11-19 | 厦门大学 | 基于颜色密度特征的道路图像聚类方法及道路识别的方法 |
-
2020
- 2020-03-30 CN CN202010239107.7A patent/CN111415360B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101211356A (zh) * | 2006-12-30 | 2008-07-02 | 中国科学院计算技术研究所 | 一种基于显著区域的图像查询方法 |
| CN101021944A (zh) * | 2007-03-14 | 2007-08-22 | 哈尔滨工业大学 | 基于小波函数的多尺度显微图像分割处理方法 |
| CN102254326A (zh) * | 2011-07-22 | 2011-11-23 | 西安电子科技大学 | 利用核传递进行图像分割的方法 |
| CN106296695A (zh) * | 2016-08-12 | 2017-01-04 | 西安理工大学 | 基于显著性的自适应阈值自然目标图像分割抽取算法 |
| CN109785328A (zh) * | 2017-11-13 | 2019-05-21 | 南京大学 | 一种结合区域合并与深度连通性的似物性估计方法 |
| CN108268895A (zh) * | 2018-01-12 | 2018-07-10 | 上海烟草集团有限责任公司 | 基于机器视觉的烟叶部位识别方法、电子设备及存储介质 |
| CN110097071A (zh) * | 2019-03-18 | 2019-08-06 | 深圳蓝韵医学影像有限公司 | 基于谱聚类与K-means结合的乳腺病变区域的识别方法与装置 |
| CN110472687A (zh) * | 2019-08-16 | 2019-11-19 | 厦门大学 | 基于颜色密度特征的道路图像聚类方法及道路识别的方法 |
Non-Patent Citations (5)
| Title |
|---|
| 吴焕丽,崔可旺,张馨等: ".基于改进K-means图像分割算法的细叶作物覆盖度提取", 《农业机械学报》 * |
| 宓超，沈阳，宓为建: "《装卸机器视觉及其应用》", 31 January 2016, 上海科学技术出版社 * |
| 张健,宋刚.: "基于分裂式K均值聚类的图像分割方法", 《计算机应用》 * |
| 王军敏,李艳: "基于K均值算法的数据聚类和图像分割研究", 《平顶山学院学报》 * |
| 郑继刚，王边疆.: "《基于MATLAB的数字图像处理研究》", 31 December 2010, 云南大学出版社 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112577960A (zh) * | 2020-12-07 | 2021-03-30 | 上海威士顿信息技术股份有限公司 | 烟叶中的杂质检测方法、系统及计算机可读存储介质 |
| CN112577960B (zh) * | 2020-12-07 | 2024-05-24 | 上海威士顿信息技术股份有限公司 | 烟叶中的杂质检测方法、系统及计算机可读存储介质 |
| CN114925056A (zh) * | 2022-06-06 | 2022-08-19 | 江苏城乡空间规划设计研究院有限责任公司 | 一种基于空间约束聚类的交通可视化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111415360B (zh) | 2022-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109033940B (zh) | 一种图像识别方法、装置、计算设备及存储介质 | |
| JP6192271B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
| CN111383232B (zh) | 抠图方法、装置、终端设备及计算机可读存储介质 | |
| JP4098021B2 (ja) | シーン識別方法および装置ならびにプログラム | |
| CN110807775A (zh) | 基于人工智能的中医舌像分割装置、方法及存储介质 | |
| CN111415360B (zh) | 烟叶图像切割方法、装置、设备和介质 | |
| JP7173309B2 (ja) | 学習方法、学習プログラム、および、学習装置 | |
| CN111091106B (zh) | 图像聚类方法及装置、存储介质、电子装置 | |
| EP4235525A1 (en) | Data enhancement method and apparatus, computer device, and computer-readable storage medium | |
| JP2021517281A (ja) | スマートホームシーン向けのマルチジェスチャー精分割方法 | |
| KR20210126485A (ko) | 매칭 방법, 장치, 전자 기기, 컴퓨터 판독 가능한 저장 매체, 및 컴퓨터 프로그램 | |
| CN114240978A (zh) | 基于自适应形态学的细胞边缘分割方法和装置 | |
| CN112507981B (zh) | 模型生成方法、虹膜图像质量评估方法及电子设备 | |
| CN109190637A (zh) | 一种图像特征提取方法 | |
| JP4967045B2 (ja) | 背景判別装置、方法及びプログラム | |
| CN112446417A (zh) | 基于多层超像素分割的纺锤形果实图像分割方法及系统 | |
| CN115393884A (zh) | 一种海图专题信息的提取处理方法、装置及系统 | |
| CN113963221B (zh) | 一种图像聚类方法、装置、计算机设备及可读存储介质 | |
| CN116129496A (zh) | 一种图像遮挡方法、装置、计算机设备及存储介质 | |
| Dimiccoli et al. | Hierarchical region-based representation for segmentation and filtering with depth in single images | |
| CN111507905B (zh) | 一种白平衡处理方法、白平衡处理装置以及存储介质 | |
| CN115619800A (zh) | 基于自适应阈值分割的covid-19 ct图像的分割方法及装置 | |
| CN114201999A (zh) | 异常账号的识别方法、系统、计算设备及存储介质 | |
| CN114648527B (zh) | 尿路上皮细胞玻片图像分类方法、装置、设备和介质 | |
| CN111767757A (zh) | 身份信息确定方法及装置 |
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 |