CN111723663B - 一种地膜识别方法、装置及存储介质 - Google Patents
一种地膜识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111723663B CN111723663B CN202010420960.9A CN202010420960A CN111723663B CN 111723663 B CN111723663 B CN 111723663B CN 202010420960 A CN202010420960 A CN 202010420960A CN 111723663 B CN111723663 B CN 111723663B
- Authority
- CN
- China
- Prior art keywords
- image
- mulching film
- area
- determining
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000002362 mulch Substances 0.000 title claims description 43
- 230000011218 segmentation Effects 0.000 claims description 119
- 230000006870 function Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 6
- 239000002689 soil Substances 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06V10/40—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
Abstract
本发明实施例提供一种地膜识别方法、装置及存储介质,所述方法包括:获取包含地膜的灰度图像;将所述灰度图像划分为至少一个图像区域;分别确定每个图像区域对应的平均亮度,并计算所述每个图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离;将所述距离小于预设判决阈值的平均亮度所对应的图像区域确定为地膜区域。本发明实施例通过图像分割可以将包含地膜的图像分割为至少一个图像区域,然后根据各个图像区域的平均亮度与地膜区域的实际亮度之间的距离进行判断,可以快速地从包含地膜的图像中识别出实际为地膜的图像区域,地膜区域的识别速度可以达到毫秒级别,能够大大提高地膜识别的效率。
Description
技术领域
本发明涉及计算机领域,具体涉及一种地膜识别方法、装置及存储介质。
背景技术
地膜即地面覆盖薄膜,用于地面覆盖,以提高土壤温度,保持土壤水分,维持土壤结构,防止害虫侵袭作物和某些微生物引起的病害,促进植物生长等。地膜的作用非常大,不仅能够提高地温、保水、保土、保肥提高肥效,而且还有灭草、防病虫、防旱抗涝、抑盐保苗、改进近地面光热条件,使产品卫生清洁等多项功能,因此,深受广大农民的欢迎,在农业中得到广泛的使用。
在地膜广泛使用的同时,如不对地膜的残留片进行清理和回收则不可避免地会对土壤造成污染。现有技术中对地膜的图像进行识别,会由于拍摄时亮度值差别过大会造成识别不准确的问题,且识别效率不高。
因此,如何实现地膜快速准确地识别方法,提升地膜识别效率,成为亟待解决的问题。
发明内容
针对现有技术中的缺陷,本发明实施例提供一种地膜识别方法、装置及存储介质。
第一方面,本发明实施例提供一种地膜识别方法,包括:
获取包含地膜的灰度图像;
将所述灰度图像划分为至少一个图像区域;
分别确定每个图像区域对应的平均亮度,并计算所述每个图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离;
将所述距离小于预设判决阈值的平均亮度所对应的图像区域确定为地膜区域。
可选地,所述将所述灰度图像划分为至少一个图像区域,具体包括:
基于预设分割阈值确定所述灰度图像的轮廓线信息;
基于分水岭算法,并根据所述灰度图像的轮廓线信息将所述灰度图像划分为至少一个图像区域。
可选地,所述基于预设分割阈值确定所述灰度图像的轮廓线信息,具体包括:
基于预设分割阈值对所述灰度图像进行二值化处理,得到二值图像;
对所述二值图像进行膨胀处理,提取膨胀处理后的二值图像的轮廓线,获得所述灰度图像的轮廓线信息。
可选地,所述分别确定每个图像区域对应的平均亮度,并计算所述每个图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离,具体包括:
针对每个图像区域,确定所述图像区域的所有像素点在三个基色波段RGB上的分量的平均值,获得所述图像区域对应的平均亮度;
通过测量得到地膜区域的所有像素点在三个基色波段RGB上的分量的平均值;
计算所述图像区域的所有像素点在三个基色波段RGB上的分量的平均值和所述地膜区域的所有像素点在三个基色波段RGB上的分量的平均值之间的欧式距离,获得所述图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离。
可选地,所述分别确定每个图像区域对应的平均亮度,并计算所述每个图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离,具体包括:
针对每个图像区域,确定所述图像区域的所有像素点的灰度值的平均值,获得图像区域对应的平均亮度;
通过测量得到地膜区域的所有像素点的灰度值的平均值;
计算所述图像区域的所有像素点的灰度值的平均值与所述地膜区域的所有像素点的灰度值的平均值之差,获得所述图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离。
可选地,所述方法还包括:
确定预设判决阈值;
确定预设分割阈值;
所述确定预设判决阈值,具体包括:
根据判决测试数据拟合一个输入为待选判决阈值,输出为判决准确率的函数,并根据所述函数确定判决准确率最大时所对应的待选判决阈值,将所述待选判决阈值作为预设判决阈值;
所述确定预设分割阈值,具体包括:
根据分割测试数据拟合一个输入为待选分割阈值,输出为分割准确率的函数,并根据所述函数确定分割准确率最大时所对应的待选分割阈值,将所述待选分割阈值作为预设分割阈值。
可选地,所述预设分割阈值的取值范围为95至100;所述预设判决阈值的取值范围为34至40。
第二方面,本发明实施例提供一种地膜识别装置,包括:
灰度图像获取模块,用于获取包含地膜的灰度图像;
图像分割模块,用于将所述灰度图像划分为至少一个图像区域;
距离计算模块,用于分别确定每个图像区域对应的平均亮度,并计算所述每个图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离;
识别模块,用于将所述距离小于预设判决阈值的平均亮度所对应的图像区域确定为地膜区域。
第三方面本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以上第一方面任一项所述的地膜识别方法的步骤。
第四方面本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以上第一方面任一项所述的地膜识别方法的步骤。
本发明实施例提供了地膜识别方法,该方法中,通过图像分割可以将包含地膜的图像分割为至少一个图像区域,然后根据各个图像区域的平均亮度与地膜区域的实际亮度之间的距离进行判断,可以快速地从包含地膜的图像中识别出实际为地膜的图像区域,地膜区域的识别速度可以达到毫秒级别,能够大大提高地膜识别的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种地膜识别方法的流程示意图;
图2为本发明实施例提供的将灰度图像划分为至少一个图像区域的方法流程示意图;
图3为本发明实施例提供的地膜识别装置的结构示意图;
图4是本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例提供的一种地膜识别方法的流程示意图,如图1所示,所述方法包括:
S101:获取包含地膜的灰度图像。
具体地,灰度图像可以是将由检测人员拍摄的包含地膜的彩色图像转换得到的灰度图像。检测人员可以通过照相机或者移动终端中的图像拍摄装置拍摄得到包含地膜的彩色图像。接下来,再将拍摄得到的彩色图像转换成灰度图像。
将彩色图像转换成灰度图像的具体过程可以包括:针对彩色图像上的每个像素点,分别根据该像素点在RGB三个基色波段上的分量计算得到一个代表颜色深度的灰度值,从而将彩色图像转换为灰度图像。
本发明实施例中,可以通过多种方法根据各个像素点在RGB三个基色波段上的分量确定该像素点的灰度值。例如,可以采用平均法(也即将每个像素点上RGB三个基色波段上的分量求平均值),最大最小平均法(也即将每个像素点上RGB三个基色波段上的最大分量和最小分类求平均值)、加权平均法(也即将每个像素点上RGB三个基色波段上的分量求加权平均值)等方法实现。
上述灰度图像还可以是由检测人员直接拍摄得到的包含地膜的灰度图像。
S102:将所述灰度图像划分为至少一个图像区域。
S103:分别确定每个图像区域对应的平均亮度,并计算所述每个图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离。
上述图像区域的平均亮度可以包括:该图像区域内所有像素点分别在RGB三个基色波段上的分量的平均值,也即可以包括:该图像区域内所有像素点在R基色波段上分量的平均值、该图像区域内所有像素点在G基色波段上分量的平均值、以及该图像区域内所有像素点在B基色波段上分量的平均值。该图像区域内所有像素点分别在RGB三个基色波段上的分量的平均值,可以用第一向量表示。此时,上述通过测量得到的地膜区域的实际亮度为通过测量得到的实际为地膜的地膜区域内所有像素点在RGB三个基色波段上的分量的平均值,可以用第二向量表示。计算第一向量和第二向量之间的距离,即得到每个图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离。
S104:将所述距离小于预设判决阈值的平均亮度所对应的图像区域确定为地膜区域。
将上述距离小于预设判决阈值的平均亮度所对应的图像区域确定为地膜区域,所述预设判决阈值可以设置为固定的值也可以设置为一个取值范围,并且可以在具体的应用中,根据拍摄的图像情况动态调整。
本发明实施例提供了地膜识别方法,该方法中,通过图像分割可以将包含地膜的图像分割为至少一个图像区域,然后根据各个图像区域的平均亮度与地膜区域的实际亮度之间的距离进行判断,可以快速地从包含地膜的图像中识别出实际为地膜的图像区域。上述地膜区域的识别速度可以达到毫秒级别,能够大大提高地膜识别的效率。
图2为本发明实施例提供的将灰度图像划分为至少一个图像区域的方法流程示意图,如图2所示,所述将所述灰度图像划分为至少一个图像区域,具体包括:
S1021:基于预设分割阈值确定所述灰度图像的轮廓线信息;
S1022:基于分水岭算法,并根据所述灰度图像的轮廓线信息将所述灰度图像划分为至少一个图像区域。
其中,所述分水岭算法将跟临近像素点间的相似性作为重要的参考依据,从而将在空间位置上相近并且灰度值相近的像素点互相连接起来构成一个封闭的轮廓,将一副图像分割成至少一个图像区域。
具体地,基于预设分割阈值确定所述灰度图像的轮廓线信息,所述预设分割阈值可以设置为固定的值也可以设置为一个取值范围,并且可以在具体的应用中,根据拍摄的图像情况动态调整,上述预设分割阈值和预设判决阈值也可以联合设置,也即通过多次测试同时确定预设分割阈值和预设判决阈值的取值。需要说明的是,分水岭算法是一种图像区域分割法。在分割的过程中,该算法会把跟临近像素点间的相似性作为重要的参考依据,从而将在空间位置上相近并且灰度值相近的像素点互相连接起来构成一个封闭的轮廓,从而将一副图像分割成至少一个图像区域。如果把灰度图像看作是测地学上的拓扑地貌,图像中每一像素点的灰度值则表示该像素点的海拔高度。分水岭算法可以通过自下而上的模拟泛洪算法实现,其基本思想是:假设在每个图像区域最小值的位置上打一个洞并且让水以均匀的上升速率从洞中涌出,从低到高淹没整个地形。当处在不同的汇聚盆地中的水将要聚合在一起时,则修建大坝阻止水的聚合。当水线上只能见到各个水坝的顶部这样一个程度时,这些大坝的边界对应于分水岭的分割线。这些分割线是由分水岭算法提取出来的连续的边界线。根据这些边界线,可以将图像分割成至少一个图像区域。轮廓线提取处理以及分水岭算法均可以通过调用开源Opencv库中的相应函数实现。
本发明实施例提供了地膜识别方法,该方法中,通过预设分割阈值确定所述灰度图像的轮廓线信息,基于分水岭算法并根据所述灰度图像的轮廓线信息将所述灰度图像划分为至少一个图像区域,可以快速准确地划分出的图像区域,进一步能够提高地膜识别的效率和准确率。
进一步地,在上述发明实施例的基础上,所述基于预设分割阈值确定所述灰度图像的轮廓线信息,具体包括:
基于预设分割阈值对所述灰度图像进行二值化处理,得到二值图像;
对所述二值图像进行膨胀处理,提取膨胀处理后的二值图像的轮廓线,获得所述灰度图像的轮廓线信息。
具体地,首先基于预先确定的分割阈值将上述灰度图像进行二值化处理,得到二值图像;然后,对上述二值图像进行膨胀处理;最后,再提取经过膨胀处理后的二值图像的轮廓线,从而得到上述灰度图像的轮廓线信息。上述二值化处理、膨胀处理和轮廓线提取处理均可以通过调用开源Opencv库中的相应函数实现。
在上述二值化处理过程中,需要设置一个取值范围在[0,255]的分割阈值。这个分割阈值的取值不同,会导致得到的二值图像的不同,最终导致提取轮廓线的不同,进而直接影响分水岭算法的分割效果。
本发明实施例提供了地膜识别方法,该方法中,通过对所述二值图像进行膨胀处理,提取膨胀处理后的二值图像的轮廓线,获得所述灰度图像的轮廓线信息,可以快速准确地得到灰度图像的轮廓线信息,进一步能够提高地膜识别的效率和准确率。
进一步地,在上述发明实施例的基础上,所述分别确定每个图像区域对应的平均亮度,并计算所述图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离,具体包括:
针对每个图像区域,确定所述图像区域的所有像素点在三个基色波段RGB上的分量的平均值,获得所述图像区域对应的平均亮度;
通过测量得到地膜区域的所有像素点在三个基色波段RGB上的分量的平均值;
计算所述图像区域的所有像素点在三个基色波段RGB上的分量的平均值和所述地膜区域的所有像素点在三个基色波段RGB上的分量的平均值之间的欧式距离,获得所述图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离。
具体地,该图像区域内各个像素点分别在RGB三个基色波段上的分量的平均值,也即可以包括:该图像区域内各个像素点在R基色波段上分量的平均值、该图像区域内各个像素点在G基色波段上分量的平均值、以及该图像区域内各个像素点在B基色波段上分量的平均值。在该发明实施例中,上述图像区域的平均亮度可以用一个三维的向量表示,用第一向量表示。此时,针对一个图像区域,分别确定所述图像区域内所有像素点在RGB三个基色波段上的分量的平均值;并将所述图像区域内所有像素点在RGB三个基色波段上的分量的平均值作为所述图像区域对应的平均亮度。通过测量得到的地膜区域的实际亮度为通过测量得到的实际为地膜的地膜区域内所有像素点在RGB三个基色波段上的分量的平均值,可以用第二向量表示。则每个图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离即可以为上述第一向量和上述第二向量之间的欧式距离。
本发明实施例提供了地膜识别方法,该方法中,通过计算所述图像区域的所有像素点在三个基色波段RGB上的分量的平均值和所述地膜区域的所有像素点在三个基色波段RGB上的分量的平均值之间的欧式距离,可以快速准确地获取图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离,进一步能够提高地膜识别的效率和准确率。
进一步地,在上述发明实施例的基础上,所述分别确定每个图像区域对应的平均亮度,并计算所述每个图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离,具体包括:
针对每个图像区域,确定所述图像区域的所有像素点的灰度值的平均值,获得图像区域对应的平均亮度;
通过测量得到地膜区域的所有像素点的灰度值的平均值;
计算所述图像区域的所有像素点的灰度值的平均值与所述地膜区域的所有像素点的灰度值的平均值之差,获得所述图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离。
具体地,针对每个图像区域,确定所述图像区域的所有像素点的灰度值的平均值,获得图像区域对应的平均亮度,通过测量得到的地膜区域的实际亮度为通过测量得到的地膜区域的所有像素点的灰度值的平均值,计算所述图像区域的所有像素点的灰度值的平均值与所述地膜区域的所有像素点的灰度值的平均值之差,获得所述图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离。
本发明实施例提供了地膜识别方法,该方法中,通过计算所述图像区域的所有像素点的灰度值的平均值与所述地膜区域的所有像素点的灰度值的平均值之差,可以快速准确地获取图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离,进一步能够提高地膜识别的效率和准确率。
进一步地,在上述发明实施例的基础上,所述方法还包括:
确定预设判决阈值;
确定预设分割阈值;
所述确定预设判决阈值,具体包括:
根据判决测试数据拟合一个输入为待选判决阈值,输出为判决准确率的函数,并根据所述函数确定判决准确率最大时所对应的待选判决阈值,将所述待选判决阈值作为预设判决阈值;
所述确定预设分割阈值,具体包括:
根据分割测试数据拟合一个输入为待选分割阈值,输出为分割准确率的函数,并根据所述函数确定分割准确率最大时所对应的待选分割阈值,将所述待选分割阈值作为预设分割阈值。
具体地,根据判决测试数据拟合一个输入为待选判决阈值,输出为判决准确率的函数,并根据所述函数确定判决准确率最大时所对应的待选判决阈值,将所述待选判决阈值作为预设判决阈值,通过测试可以确定,在分割包含地膜的灰度图像的过程中,可以确定合适的判决阈值的取值范围。根据分割测试数据拟合一个输入为待选分割阈值,输出为分割准确率的函数,并根据所述函数确定分割准确率最大时所对应的待选分割阈值,将所述待选分割阈值作为预设分割阈值,可以确定合适的预设分割阈值的取值范围。
上述预设分割阈值和预设判决阈值也可以联合设置,也即通过多次测试同时确定分割阈值和判决阈值的取值。具体地,可以根据设置的待选分割阈值和待选判决阈值以及测试得到的判决准确率和分割准确率拟合一个输入为待选分割阈值和待选判决阈值,输出为分割准确率和判决准确率的函数,并根据所述函数确定分割准确率和判决准确率最大时所对应的待选分割阈值和待选判决阈值,将所述待选分割阈值和待选判决阈值作为预设分割阈值和预设判决阈值。
本发明实施例提供了地膜识别方法,该方法中,通过设置适合的分割阈值和判决阈值,可以达到很高的地膜识别准确率,可以有效解决某些包含地膜的图像由于拍摄时亮度值差别过大所带来的识别不准确问题。
进一步地,在上述发明实施例的基础上,所述预设分割阈值的取值范围为95至100;所述预设判决阈值的取值范围为34至40。
具体地,通过测试可以确定,在分割包含地膜的灰度图像的过程中,预设分割阈值的取值范围在选择95至100时可以得到较好的分割准确率。上述预设分割阈值为98时,可以得到最优的分割准确率。通过测试可以确定,在判决一个图像区域是否为地膜区域的过程中,预设判决阈值的取值范围在选择34至40时可以得到较好的判决准确率,在预设判决阈值设置为37时,可以得到最优的判决准确率。
上述预设判决阈值和预设分割阈值可以设置为固定的值也可以设置为一个取值范围,并且可以在具体的应用中,根据拍摄的图像情况动态调整。
更进一步,在上述发明实施例的基础上,所述方法还可以包括:计算识别出的各个地膜区域的面积,并基于上述地膜区域的面积确定单位面积内地膜的残留量,也即地膜的残留率。
上述地膜的残留率可以作为地膜的回收参考标准指标之一。也即在进行地膜回收时,地膜的实际回收率应该基本达到通过上述方法确定的地膜的残留率,保证基本没有地膜残留在农田的土壤之中,从而为实现农业环保奠定一个实施基础。
例如从农田之中实际采样得到的预定面积上残留的地膜的灰度图像。上述地膜的灰度图像可以是对采样得到的彩色图像进行转换后得到的灰度图像。接下来,将所述灰度图像进行分割处理后得到的多个图像区域。,各个图像区域使用不同的灰度表示。在实际的应用中,可以使用不同的颜色标注不同的图像区域,从而可以更为直观地显示出划分出的各个图像区域。再接下来,分别确定每个图像区域的平均亮度(也即各个像素点在RGB三个基色波段上的分量的平均值),并与测量得到的地膜区域的实际亮度进行比较,当二者之间的欧式距离小于预先设定的判定阈值时,则可以确定一个图像区域为地膜区域。并且,进一步通过计算地膜区域的面积可以得到地膜的残留率为37.54%,该残留率即为计算的得到的地膜区域的面积与上述采样的预定面积的比值。采用本发明实施例所述地膜识别方法的识别准确率是非常高的。
图3为本发明实施例提供的地膜识别装置的结构示意图,如图3所示,所述装置包括:
灰度图像获取模块301,用于获取包含地膜的灰度图像;
图像分割模块302,用于将所述灰度图像划分为至少一个图像区域;
距离计算模块303,用于分别确定每个图像区域对应的平均亮度,并计算所述每个图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离;
识别模块304,用于将所述距离小于预设判决阈值的平均亮度所对应的图像区域确定为地膜区域。
该地膜识别装置用于实现前述各方法实施例提供的地膜识别方法。因此,在前述各方法实施例中的描述和定义,可以用于本发明实施例提供的地膜识别装置中各个执行模块的理解,在此不再赘述。
本发明实施例提供了地膜识别装置,该装置中,通过图像分割可以将包含地膜的图像分割为至少一个图像区域,然后根据各个图像区域的平均亮度与地膜区域的实际亮度之间的距离进行判断,可以快速地从包含地膜的图像中识别出实际为地膜的图像区域。上述地膜区域的识别速度可以达到毫秒级别,能够大大提高地膜识别的效率。
进一步地,在上述发明实施例的基础上,所述图像分割模块具体包括:
轮廓线提取单元,基于预设分割阈值确定所述灰度图像的轮廓线信息;
分割单元,基于分水岭算法,并根据所述灰度图像的轮廓线信息将所述灰度图像划分为至少一个图像区域。
进一步地,在上述发明实施例的基础上,所述轮廓线提取单元具体包括:
二值化子模块,基于预设分割阈值对所述灰度图像进行二值化处理,得到二值图像;
膨胀处理子模块,对所述二值图像进行膨胀处理,提取膨胀处理后的二值图像的轮廓线,获得所述灰度图像的轮廓线信息。
进一步地,在上述发明实施例的基础上,所述距离计算模块具体用于:
针对每个图像区域,确定所述图像区域的所有像素点在三个基色波段RGB上的分量的平均值,获得所述图像区域对应的平均亮度;
通过测量得到地膜区域的所有像素点在三个基色波段RGB上的分量的平均值;
计算所述图像区域的所有像素点在三个基色波段RGB上的分量的平均值和所述地膜区域的所有像素点在三个基色波段RGB上的分量的平均值之间的欧式距离,获得所述图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离。
进一步地,在上述发明实施例的基础上,所述距离计算模块还可以用于:
针对每个图像区域,确定所述图像区域的所有像素点的灰度值的平均值,获得图像区域对应的平均亮度;
通过测量得到地膜区域的所有像素点的灰度值的平均值;
计算所述图像区域的所有像素点的灰度值的平均值与所述地膜区域的所有像素点的灰度值的平均值之差,获得所述图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离。
进一步地,在上述发明实施例的基础上,所述装置还包括:
预设判决阈值确定模块,用于确定预设判决阈值;
预设分割阈值确定模块,用于确定预设分割阈值;
所述确定预设判决阈值,具体包括:
根据判决测试数据拟合一个输入为待选判决阈值,输出为判决准确率的函数,并根据所述函数确定判决准确率最大时所对应的待选判决阈值,将所述待选判决阈值作为预设判决阈值;
所述确定预设分割阈值,具体包括:
根据分割测试数据拟合一个输入为待选分割阈值,输出为分割准确率的函数,并根据所述函数确定分割准确率最大时所对应的待选分割阈值,将所述待选分割阈值作为预设分割阈值。
进一步地,在上述发明实施例的基础上,所述预设分割阈值的取值范围为95至100;所述预设判决阈值的取值范围为35至40。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(Processor)401、存储器(Memory)402、通信接口(Communications Interface)403和通信总线404,其中,处理器401,存储器402,通信接口403通过通信总线404完成相互间的通信。处理器401可以调用存储器402中的逻辑指令,以执行上述各方法实施例所提供的方法,例如包括:获取包含地膜的灰度图像;将所述灰度图像划分为至少一个图像区域;分别确定每个图像区域对应的平均亮度,并计算所述每个图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离;将所述距离小于预设判决阈值的平均亮度所对应的图像区域确定为地膜区域。
此外,上述的存储器402中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法实施例所提供的方法,例如包括:获取包含地膜的灰度图像;将所述灰度图像划分为至少一个图像区域;分别确定每个图像区域对应的平均亮度,并计算所述每个图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离;将所述距离小于预设判决阈值的平均亮度所对应的图像区域确定为地膜区域。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种地膜识别方法,其特征在于,包括:
获取包含地膜的灰度图像;
将所述灰度图像划分为至少一个图像区域;
分别确定每个图像区域对应的平均亮度,并计算所述每个图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离;
将所述距离小于预设判决阈值的平均亮度所对应的图像区域确定为地膜区域;
所述每个图像区域对应的平均亮度包括:每个图像区域内所有像素点分别在RGB三个基色波段上的分量的平均值,所述测量得到的地膜区域的实际亮度包括测量得到的地膜区域的所有像素点在三个基色波段RGB上的分量的平均值;或者,所述每个图像区域对应的平均亮度包括:该图像区域的所有像素点的灰度值的平均值,所述测量得到的地膜区域的实际亮度包括测量得到的地膜区域的所有像素点的灰度值的平均值;
所述将所述灰度图像划分为至少一个图像区域,具体包括:
基于预设分割阈值确定所述灰度图像的轮廓线信息;
基于分水岭算法,并根据所述灰度图像的轮廓线信息将所述灰度图像划分为至少一个图像区域;
所述基于预设分割阈值确定所述灰度图像的轮廓线信息,具体包括:
基于预设分割阈值对所述灰度图像进行二值化处理,得到二值图像;
对所述二值图像进行膨胀处理,提取膨胀处理后的二值图像的轮廓线,获得所述灰度图像的轮廓线信息;
所述方法还包括:
确定预设判决阈值;
确定预设分割阈值;
所述确定预设判决阈值,具体包括:
根据判决测试数据拟合一个输入为待选判决阈值,输出为判决准确率的函数,并根据所述函数确定判决准确率最大时所对应的待选判决阈值,将所述待选判决阈值作为预设判决阈值;
所述确定预设分割阈值,具体包括:
根据分割测试数据拟合一个输入为待选分割阈值,输出为分割准确率的函数,并根据所述函数确定分割准确率最大时所对应的待选分割阈值,将所述待选分割阈值作为预设分割阈值;
或
根据设置的待选分割阈值和待选判决阈值以及测试得到的判决准确率和分割准确率拟合一个输入为待选分割阈值和待选判决阈值,输出为分割准确率和判决准确率的函数,并根据所述函数确定分割准确率和判决准确率最大时所对应的待选分割阈值和待选判决阈值,将所述待选分割阈值和待选判决阈值作为预设分割阈值和预设判决阈值。
2.根据权利要求1所述的地膜识别方法,其特征在于,所述分别确定每个图像区域对应的平均亮度,并计算所述每个图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离,具体包括:
针对每个图像区域,确定所述图像区域的所有像素点在三个基色波段RGB上的分量的平均值,获得所述图像区域对应的平均亮度;
通过测量得到地膜区域的所有像素点在三个基色波段RGB上的分量的平均值;
计算所述图像区域的所有像素点在三个基色波段RGB上的分量的平均值和所述地膜区域的所有像素点在三个基色波段RGB上的分量的平均值之间的欧式距离,获得所述图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离。
3.根据权利要求1所述的地膜识别方法,其特征在于,所述分别确定每个图像区域对应的平均亮度,并计算所述每个图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离,具体包括:
针对每个图像区域,确定所述图像区域的所有像素点的灰度值的平均值,获得图像区域对应的平均亮度;
通过测量得到地膜区域的所有像素点的灰度值的平均值;
计算所述图像区域的所有像素点的灰度值的平均值与所述地膜区域的所有像素点的灰度值的平均值之差,获得所述图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离。
4.根据权利要求1所述的地膜识别方法,其特征在于,所述预设分割阈值的取值范围为95至100;所述预设判决阈值的取值范围为34至40。
5.一种地膜识别装置,其特征在于,包括:
灰度图像获取模块,用于获取包含地膜的灰度图像;
图像分割模块,用于将所述灰度图像划分为至少一个图像区域;
距离计算模块,用于分别确定每个图像区域对应的平均亮度,并计算所述每个图像区域对应的平均亮度与测量得到的地膜区域的实际亮度之间的距离;
识别模块,用于将所述距离小于预设判决阈值的平均亮度所对应的图像区域确定为地膜区域;
所述每个图像区域对应的平均亮度包括:每个图像区域内所有像素点分别在RGB三个基色波段上的分量的平均值,所述测量得到的地膜区域的实际亮度包括测量得到的地膜区域的所有像素点在三个基色波段RGB上的分量的平均值;或者,所述每个图像区域对应的平均亮度包括:该图像区域的所有像素点的灰度值的平均值,所述测量得到的地膜区域的实际亮度包括测量得到的地膜区域的所有像素点的灰度值的平均值;
所述将所述灰度图像划分为至少一个图像区域,具体包括:
基于预设分割阈值确定所述灰度图像的轮廓线信息;
基于分水岭算法,并根据所述灰度图像的轮廓线信息将所述灰度图像划分为至少一个图像区域;
所述基于预设分割阈值确定所述灰度图像的轮廓线信息,具体包括:
基于预设分割阈值对所述灰度图像进行二值化处理,得到二值图像;
对所述二值图像进行膨胀处理,提取膨胀处理后的二值图像的轮廓线,获得所述灰度图像的轮廓线信息;
所述装置还包括:
第一确定单元,用于确定预设判决阈值;
第二确定单元,用于确定预设分割阈值;
所述确定预设判决阈值,具体包括:
根据判决测试数据拟合一个输入为待选判决阈值,输出为判决准确率的函数,并根据所述函数确定判决准确率最大时所对应的待选判决阈值,将所述待选判决阈值作为预设判决阈值;
所述确定预设分割阈值,具体包括:
根据分割测试数据拟合一个输入为待选分割阈值,输出为分割准确率的函数,并根据所述函数确定分割准确率最大时所对应的待选分割阈值,将所述待选分割阈值作为预设分割阈值;
或
根据设置的待选分割阈值和待选判决阈值以及测试得到的判决准确率和分割准确率拟合一个输入为待选分割阈值和待选判决阈值,输出为分割准确率和判决准确率的函数,并根据所述函数确定分割准确率和判决准确率最大时所对应的待选分割阈值和待选判决阈值,将所述待选分割阈值和待选判决阈值作为预设分割阈值和预设判决阈值。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述的地膜识别方法的步骤。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述的地膜识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010420960.9A CN111723663B (zh) | 2020-05-18 | 2020-05-18 | 一种地膜识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010420960.9A CN111723663B (zh) | 2020-05-18 | 2020-05-18 | 一种地膜识别方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111723663A CN111723663A (zh) | 2020-09-29 |
CN111723663B true CN111723663B (zh) | 2024-01-23 |
Family
ID=72564657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010420960.9A Active CN111723663B (zh) | 2020-05-18 | 2020-05-18 | 一种地膜识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723663B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123731A (zh) * | 2014-08-04 | 2014-10-29 | 山东农业大学 | 低对比度皮棉地膜图像分割方法 |
CN104598895A (zh) * | 2015-02-10 | 2015-05-06 | 天津艾思科尔科技有限公司 | 一种基于视频图像分析的火焰检测方法与装置 |
CN105261108A (zh) * | 2015-10-15 | 2016-01-20 | 深圳怡化电脑股份有限公司 | 一种人民币币值识别的方法和系统 |
CN107331026A (zh) * | 2017-06-14 | 2017-11-07 | 深圳怡化电脑股份有限公司 | 一种纸币识别方法及装置 |
CN107742359A (zh) * | 2017-09-11 | 2018-02-27 | 深圳怡化电脑股份有限公司 | 一种纸币识别方法、装置、终端设备及可读存储介质 |
CN107862657A (zh) * | 2017-10-31 | 2018-03-30 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机设备及计算机可读存储介质 |
CN108537155A (zh) * | 2018-03-29 | 2018-09-14 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN110210376A (zh) * | 2019-05-30 | 2019-09-06 | 农业农村部农业生态与资源保护总站 | 一种基于深度学习的高分遥感影像西北地区农膜提取方法 |
CN110687119A (zh) * | 2018-07-04 | 2020-01-14 | 东腾投资集团有限公司 | 一种缺陷检测方法、系统与装置、计算机可读存储介质 |
EP3614308A1 (en) * | 2018-08-24 | 2020-02-26 | Ordnance Survey Limited | Joint deep learning for land cover and land use classification |
-
2020
- 2020-05-18 CN CN202010420960.9A patent/CN111723663B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123731A (zh) * | 2014-08-04 | 2014-10-29 | 山东农业大学 | 低对比度皮棉地膜图像分割方法 |
CN104598895A (zh) * | 2015-02-10 | 2015-05-06 | 天津艾思科尔科技有限公司 | 一种基于视频图像分析的火焰检测方法与装置 |
CN105261108A (zh) * | 2015-10-15 | 2016-01-20 | 深圳怡化电脑股份有限公司 | 一种人民币币值识别的方法和系统 |
CN107331026A (zh) * | 2017-06-14 | 2017-11-07 | 深圳怡化电脑股份有限公司 | 一种纸币识别方法及装置 |
CN107742359A (zh) * | 2017-09-11 | 2018-02-27 | 深圳怡化电脑股份有限公司 | 一种纸币识别方法、装置、终端设备及可读存储介质 |
CN107862657A (zh) * | 2017-10-31 | 2018-03-30 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机设备及计算机可读存储介质 |
CN108537155A (zh) * | 2018-03-29 | 2018-09-14 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN110687119A (zh) * | 2018-07-04 | 2020-01-14 | 东腾投资集团有限公司 | 一种缺陷检测方法、系统与装置、计算机可读存储介质 |
EP3614308A1 (en) * | 2018-08-24 | 2020-02-26 | Ordnance Survey Limited | Joint deep learning for land cover and land use classification |
CN110210376A (zh) * | 2019-05-30 | 2019-09-06 | 农业农村部农业生态与资源保护总站 | 一种基于深度学习的高分遥感影像西北地区农膜提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111723663A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881816B (zh) | 一种长时序的河湖围埂养殖区域监测方法 | |
CN109447945A (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN109886146B (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
Dandrifosse et al. | Deep learning for wheat ear segmentation and ear density measurement: From heading to maturity | |
CN115687850A (zh) | 一种农田的灌溉需水量计算方法及装置 | |
CN112164030A (zh) | 水稻穗粒快速检测方法、装置、计算机设备及存储介质 | |
Setyawan et al. | Comparison of hsv and lab color spaces for hydroponic monitoring system | |
CN114419458A (zh) | 一种基于高分辨率卫星遥感的裸土监测方法、装置和设备 | |
CN111723663B (zh) | 一种地膜识别方法、装置及存储介质 | |
CN107067384B (zh) | 一种基于射线法的黄土高原梯田提取方法 | |
CN111583050A (zh) | 融合多尺度遥感影像的农作物病虫害预警方法及系统 | |
CN110853050A (zh) | 一种sar图像河流分割方法、装置及介质 | |
CN113192100B (zh) | 分时重叠植株图像关键特征区域边缘路径获取方法 | |
CN110688990B (zh) | 一种水稻种植候选区确定方法 | |
CN110443811B (zh) | 一种复杂背景叶片图像的全自动分割方法 | |
CN113984212A (zh) | 农业灌区提取方法及系统 | |
CN108967246B (zh) | 虾苗定位方法 | |
CN113807129A (zh) | 一种作物区域识别方法、装置、计算机设备和存储介质 | |
CN117557915B (zh) | 作物品种识别方法、装置、电子设备和存储介质 | |
CN110827243A (zh) | 网格梁覆盖区域异常检测方法和装置 | |
CN116630811B (zh) | 一种河流提取方法、装置、终端设备和可读存储介质 | |
CN115761460B (zh) | 大棚房风险识别方法、装置、电子设备及存储介质 | |
CN113421301B (zh) | 一种田间作物中心区域定位方法及系统 |
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 |