CN112734786A - 一种基于hsv颜色空间的自适应葡萄叶图像分割方法 - Google Patents
一种基于hsv颜色空间的自适应葡萄叶图像分割方法 Download PDFInfo
- Publication number
- CN112734786A CN112734786A CN202011619170.XA CN202011619170A CN112734786A CN 112734786 A CN112734786 A CN 112734786A CN 202011619170 A CN202011619170 A CN 202011619170A CN 112734786 A CN112734786 A CN 112734786A
- Authority
- CN
- China
- Prior art keywords
- color space
- adaptive
- grape
- hsv color
- pixels
- 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
Links
- 235000009754 Vitis X bourquina Nutrition 0.000 title claims abstract description 64
- 235000012333 Vitis X labruscana Nutrition 0.000 title claims abstract description 64
- 235000014787 Vitis vinifera Nutrition 0.000 title claims abstract description 64
- 238000003709 image segmentation Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 26
- 240000006365 Vitis vinifera Species 0.000 title 1
- 241000219095 Vitis Species 0.000 claims abstract description 63
- 230000003044 adaptive effect Effects 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 3
- 241000219094 Vitaceae Species 0.000 description 2
- 235000021021 grapes Nutrition 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于HSV颜色空间的自适应葡萄叶图像分割方法,包括以下步骤:(1)数据采集:采集葡萄叶的图片数据;所述图片数据的为BGR图像;(2)转换至HSV颜色空间:读取步骤(1)中的葡萄叶的图片数据,并将所述图片数据转换至HSV颜色空间;(3)提取S通道数据:提取步骤(2)中HSV颜色空间的S通道数据;(4)自适应葡萄叶图像分割:对步骤(3)中的S通道数据进行OTSU自适应阈值选取,并对所述葡萄叶的图片数据进行葡萄叶图像分割;(5)输出分割结果:针对步骤(4)中的葡萄叶图像分割的结果,进行图像处理,并输出最终分割结果。本发明无需人工标注,能够进行自适应,有效提升葡萄叶图像的分割效果。
Description
技术领域
本发明涉及图像识别技术领域,更具体地,涉及一种基于HSV颜色空间的自适应葡萄叶图像分割方法。
背景技术
葡萄叶生长情况与生长环境、施肥、灌溉情况等有着密切关系,不同物候期的葡萄叶生长情况影响后期的枝条成熟情况、葡萄产量及品质。葡萄叶的自动测量技术是葡萄研究的重要方向,尤其是葡萄园批量葡萄叶测量技术,对园区葡萄生长情况具有一定的统计意义。
随着人工智能与计算机视觉技术的发展,葡萄叶的自动测量基于图像的葡萄叶测量技术以低成本、高效率的优势成为主流选择。目前存在几种方案:基于RGB颜色空间的图像分割方案,易受光照条件影响;基于边缘检测的方案,常因干扰因素无法形成闭合区域;基于深度学习语义分割的方案,标注成本高、研发周期较长。
发明内容
本发明针对背景技术存在的不足,本发明根据葡萄园中葡萄叶的颜色特征、环境光照较复杂的特点,采用图像识别技术,提供了一种基于HSV颜色空间的自适应葡萄叶图像分割方法,该方法无需人工标注,能够针对葡萄园环境进行自适应,有效提升葡萄叶图像的分割效果。
为解决上述问题,提供一种基于HSV颜色空间的自适应葡萄叶图像分割方法,包括以下步骤:
(1)数据采集:采集葡萄叶的图片数据;所述图片数据的为BGR图像;
(2)转换至HSV颜色空间:读取步骤(1)中的葡萄叶的图片数据,并将所述图片数据转换至HSV颜色空间;
(3)提取S通道数据:提取步骤(2)中HSV颜色空间的S通道数据;
(4)自适应葡萄叶图像分割:对步骤(3)中的S通道数据进行OTSU自适应阈值选取,并对所述葡萄叶的图片数据进行葡萄叶图像分割;
(5)输出分割结果:针对步骤(4)中的葡萄叶图像分割的结果,进行图像处理,并输出最终分割结果。
特别的,所述步骤(1)采集葡萄叶的图片数据的方法为通过相机在与葡萄叶的表面垂直向上的角度拍摄获得。
特别的,所述步骤(2)所述图片数据转换至HSV颜色空间的方法为通过OpenCV的cvtColor(frame,cv.COLOR_BGR2HSV)函数将BGR图像转换至HSV颜色空间。
特别的,所述步骤(4)进行OTSU自适应阈值选取的方法为:根据自适应阈值将步骤(3)中的S通道数据转换为前景与背景,所述前景为葡萄叶片,所述背景为除葡萄叶片外的其他目标。
特别的,所述自适应阈值的具体计算方法为:
(a)输入S通道数据,初始化分割阈值t=0;
(b)将S通道数据中灰度值大于或等于阈值t的像素记作前景,计算前景的灰度值占比w0(t)以及前景的灰度值均值μ0(t);其中,w0(t)为前景的像素点数量除以S通道数据的像素点总数;μ0(t)为前景的像素点灰度总和除以前景的像素点总数;
(c)将灰度值小于阈值t的像素记作背景,计算背景的灰度值占比w1(t)以及背景的灰度值均值μ1(t);其中,w1(t)为背景的像素点数量除以S通道数据的像素点总数;μ1(t)为背景的像素点灰度总和除以背景的像素点总数;
(e)将下一个阈值t=1带入并执行步骤(b)-步骤(d),直至阈值t=255;
(f)选取步骤(e)中最大的类间方差值以及其对应的阈值,该阈值即为自适应阈值。
特别的,所述步骤(5)中进行图像处理的方法为:通过中值滤波进行过滤,并通过限定尺寸移除图像中的小区域。
本发明的有益效果:
本发明与现有葡萄叶图像分割方法相比,根据葡萄叶图像在HSV颜色空间的S通道具有前景背景区分性较强的特点,在不同光照条件下鲁棒性较好,运行速度快,无需人工标注,通过自适应阈值的方式实现葡萄叶的图像分割。
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简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明实施例的图像分割方法流程图;
图2为本发明实施例的二维OTSU自适应阈值选取算法流程图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
如图1所示,本实施例的一种基于HSV颜色空间的自适应葡萄叶图像分割方法,包括以下步骤:
(1)数据采集:在葡萄园区,通过相机在与葡萄叶的表面垂直向上的角度拍摄,采集葡萄叶的图片数据。图片数据的为BGR图像。
(2)转换至HSV颜色空间:读取步骤(1)中的葡萄叶的图片数据,并通过OpenCV的cvtColor(frame,cv.COLOR_BGR2HSV)函数将BGR图像转换至HSV颜色空间。
(3)提取S通道数据:提取步骤(2)中HSV颜色空间的S通道数据。HSV颜色空间数据的S通道,即HSV第2通道,对应饱和度通道,饱和度通道下葡萄叶片与背景的差异相对其他通道比较明显,便于后续的图像分割操作。
(4)自适应葡萄叶图像分割:对步骤(3)中的S通道数据进行OTSU自适应阈值选取,并对所述葡萄叶的图片数据进行葡萄叶图像分割。进行OTSU自适应阈值选取的方法为:根据自适应阈值将步骤(3)中的S通道数据转换为前景与背景。前景为葡萄叶片,背景为除葡萄叶片外的其他目标。
自适应阈值的具体流程如图2所示,计算方法为:
(a)输入S通道数据,初始化分割阈值t=0;
(b)将S通道数据中灰度值大于或等于阈值t的像素记作前景,计算前景的灰度值占比w0(t)以及前景的灰度值均值μ0(t);其中,w0(t)为前景的像素点数量除以S通道数据的像素点总数;μ0(t)为前景的像素点灰度总和除以前景的像素点总数;
(c)将灰度值小于阈值t的像素记作背景,计算背景的灰度值占比w1(t)以及背景的灰度值均值μ1(t);其中,w1(t)为背景的像素点数量除以S通道数据的像素点总数;μ1(t)为背景的像素点灰度总和除以背景的像素点总数;
(e)将下一个阈值t=1带入并执行步骤(b)-步骤(d),直至阈值t=255;
(f)选取步骤(e)中最大的类间方差值以及其对应的阈值,该阈值即为自适应阈值。并按自适应阈值进行前景与背景的图像分割,即可得到前景为葡萄叶片,背景为其他目标的葡萄叶二值化分割图像。
(5)输出分割结果:针对步骤(4)中的葡萄叶图像分割的结果,由于葡萄叶二值化图像仍存在一些噪声还需要进行图像处理,并输出最终分割结果。本发明实施例进行图像处理的方法为:通过中值滤波进行过滤,并通过限定尺寸移除图像中的小区域。
虽然结合附图描述了本发明的实施方式,但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改,只要不超过本发明的权利要求所描述的保护范围,都应当在本发明的保护范围之内。
Claims (6)
1.一种基于HSV颜色空间的自适应葡萄叶图像分割方法,其特征在于,包括以下步骤:
(1)数据采集:采集葡萄叶的图片数据;所述图片数据的为BGR图像;
(2)转换至HSV颜色空间:读取步骤(1)中的葡萄叶的图片数据,并将所述图片数据转换至HSV颜色空间;
(3)提取S通道数据:提取步骤(2)中HSV颜色空间的S通道数据;
(4)自适应葡萄叶图像分割:对步骤(3)中的S通道数据进行OTSU自适应阈值选取,并对所述葡萄叶的图片数据进行葡萄叶图像分割;
(5)输出分割结果:针对步骤(4)中的葡萄叶图像分割的结果,进行图像处理,并输出最终分割结果。
2.根据权利要求1所述的一种基于HSV颜色空间的自适应葡萄叶图像分割方法,其特征在于:所述步骤(1)采集葡萄叶的图片数据的方法为通过相机在与葡萄叶的表面垂直向上的角度拍摄获得。
3.根据权利要求1所述的一种基于HSV颜色空间的自适应葡萄叶图像分割方法,其特征在于:所述步骤(2)所述图片数据转换至HSV颜色空间的方法为通过OpenCV的cvtColor(frame,cv.COLOR_BGR2HSV)函数将BGR图像转换至HSV颜色空间。
4.根据权利要求1所述的一种基于HSV颜色空间的自适应葡萄叶图像分割方法,其特征在于:所述步骤(4)进行OTSU自适应阈值选取的方法为:根据自适应阈值将步骤(3)中的S通道数据转换为前景与背景,所述前景为葡萄叶片,所述背景为除葡萄叶片外的其他目标。
5.根据权利要求1所述的一种基于HSV颜色空间的自适应葡萄叶图像分割方法,其特征在于:所述自适应阈值的具体计算方法为:
(a)输入S通道数据,初始化分割阈值t=0;
(b)将S通道数据中灰度值大于或等于阈值t的像素记作前景,计算前景的灰度值占比w0(t)以及前景的灰度值均值μ0(t);其中,w0(t)为前景的像素点数量除以S通道数据的像素点总数;μ0(t)为前景的像素点灰度总和除以前景的像素点总数;
(c)将灰度值小于阈值t的像素记作背景,计算背景的灰度值占比w1(t)以及背景的灰度值均值μ1(t);其中,w1(t)为背景的像素点数量除以S通道数据的像素点总数;μ1(t)为背景的像素点灰度总和除以背景的像素点总数;
(e)将下一个阈值t=1带入并执行步骤(b)-步骤(d),直至阈值t=255;
(f)选取步骤(e)中最大的类间方差值以及其对应的阈值,该阈值即为自适应阈值。
6.根据权利要求1所述的一种基于HSV颜色空间的自适应葡萄叶图像分割方法,其特征在于:所述步骤(5)中进行图像处理的方法为:通过中值滤波进行过滤,并通过限定尺寸移除图像中的小区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011619170.XA CN112734786A (zh) | 2020-12-31 | 2020-12-31 | 一种基于hsv颜色空间的自适应葡萄叶图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011619170.XA CN112734786A (zh) | 2020-12-31 | 2020-12-31 | 一种基于hsv颜色空间的自适应葡萄叶图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112734786A true CN112734786A (zh) | 2021-04-30 |
Family
ID=75608241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011619170.XA Pending CN112734786A (zh) | 2020-12-31 | 2020-12-31 | 一种基于hsv颜色空间的自适应葡萄叶图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734786A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538275A (zh) * | 2021-07-14 | 2021-10-22 | 华中科技大学 | 一种基于CycleGAN的果实遮挡恢复方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609564A (zh) * | 2017-09-19 | 2018-01-19 | 浙江大学 | 基于联合分割和傅里叶描述子库的水下目标图像识别方法 |
CN109636807A (zh) * | 2018-11-27 | 2019-04-16 | 宿州新材云计算服务有限公司 | 一种图像分割与像素复原的葡萄病害叶片分割法 |
CN110334692A (zh) * | 2019-07-17 | 2019-10-15 | 河南科技大学 | 一种基于图像处理的盲道识别方法 |
-
2020
- 2020-12-31 CN CN202011619170.XA patent/CN112734786A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609564A (zh) * | 2017-09-19 | 2018-01-19 | 浙江大学 | 基于联合分割和傅里叶描述子库的水下目标图像识别方法 |
CN109636807A (zh) * | 2018-11-27 | 2019-04-16 | 宿州新材云计算服务有限公司 | 一种图像分割与像素复原的葡萄病害叶片分割法 |
CN110334692A (zh) * | 2019-07-17 | 2019-10-15 | 河南科技大学 | 一种基于图像处理的盲道识别方法 |
Non-Patent Citations (2)
Title |
---|
孙宏杰: "基于叶片图像分析的葡萄品种识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 48 - 10 * |
汪庆等: "结合颜色差异和模糊聚类的叶片图像分", 《安庆师范大学学报(自然科学版)》, pages 1 - 4 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538275A (zh) * | 2021-07-14 | 2021-10-22 | 华中科技大学 | 一种基于CycleGAN的果实遮挡恢复方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10088600B2 (en) | Weather recognition method and device based on image information detection | |
CN109154978B (zh) | 用于检测植物疾病的系统和方法 | |
CN108230264B (zh) | 一种基于ResNet神经网络的单幅图像去雾方法 | |
WO2022099598A1 (zh) | 一种基于图像像素相对统计特征的视频动态目标检测的方法 | |
CN113313657B (zh) | 一种用于低光照图像增强的非监督学习方法和系统 | |
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 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN103295010B (zh) | 一种处理人脸图像的光照归一化方法 | |
CN112949704B (zh) | 一种基于图像分析的烟叶成熟度状态识别方法及装置 | |
CN112561899A (zh) | 电力巡检图像识别方法 | |
CN110728694B (zh) | 一种基于持续学习的长时视觉目标跟踪方法 | |
CN109740553B (zh) | 一种基于识别的图像语义分割数据筛选方法及系统 | |
CN112200746A (zh) | 一种雾天交通场景图像的去雾方法和设备 | |
CN111784764A (zh) | 一种茶叶嫩芽识别与定位算法 | |
CN112949378A (zh) | 一种基于深度学习网络的细菌显微图像分割方法 | |
CN110807744A (zh) | 一种基于卷积神经网络的图像去雾方法 | |
CN111738931A (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN112734786A (zh) | 一种基于hsv颜色空间的自适应葡萄叶图像分割方法 | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
CN115035293A (zh) | 一种无监督深度学习的sar影像海水养殖智能提取方法 | |
CN113554568A (zh) | 一种基于自监督约束和不成对数据的无监督循环去雨网络方法 | |
CN111950349A (zh) | 基于语义分割的田间导航线提取方法 | |
CN109241865B (zh) | 一种弱对比度交通场景下的车辆检测分割算法 | |
CN116385293A (zh) | 基于卷积神经网络的雾天自适应目标检测方法 | |
CN115661111A (zh) | 一种胶囊内窥镜胃肠微光图像的自适应增强方法 |
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 |