CN112785607A - 一种野外植物叶片分割方法 - Google Patents

一种野外植物叶片分割方法 Download PDF

Info

Publication number
CN112785607A
CN112785607A CN202110118071.1A CN202110118071A CN112785607A CN 112785607 A CN112785607 A CN 112785607A CN 202110118071 A CN202110118071 A CN 202110118071A CN 112785607 A CN112785607 A CN 112785607A
Authority
CN
China
Prior art keywords
function
image
matrix
energy
energy function
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
CN202110118071.1A
Other languages
English (en)
Other versions
CN112785607B (zh
Inventor
胡静
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.)
Taiyuan University of Science and Technology
Original Assignee
Taiyuan University of Science and Technology
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 Taiyuan University of Science and Technology filed Critical Taiyuan University of Science and Technology
Priority to CN202110118071.1A priority Critical patent/CN112785607B/zh
Publication of CN112785607A publication Critical patent/CN112785607A/zh
Application granted granted Critical
Publication of CN112785607B publication Critical patent/CN112785607B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • 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)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

一种野外植物叶片分割方法，包括以下步骤：基于偏差函数来定义图像中每个粒子的转移概率；以值域为[0,1]的连续函数和作为偏差函数权重的加权和形式；基于连续函数来计算输出的像素属于目标的概率；定义相邻像素边的权重参数；基于权重参数定义图像的拉普拉斯矩阵，同时基于随机游走能量函数和偏差函数的正则项获取能量函数；将图像划分成两个不相交的子集，以分别表示有标记像素集合和未标记像素集合；相应的，将能量参数的参数写成分块的形式，并将能量函数转化成未知变量的函数；对得到的函数进行求导，令导数为0，得到线性方程组；对线性方程组的解xU *进行二值化处理，获取图像的分割结果，从而得到光滑的、鲁棒性强的植物叶片分割图像。

Description

一种野外植物叶片分割方法
技术领域：
本发明涉及一种野外植物叶片分割方法。
背景技术：
树种识别的必要步骤是从叶片图像中分割出完整的目标树叶，为叶片区域特征提取及叶片分类识别打下基础，叶片分割结果的好坏直接影响识别的准确率；对于要分割的植物叶片，面临着叶片类内剧烈变化和复杂背景两方面的挑战；叶片类内主要影响有：由于光照变化的影响，目标叶片的颜色、亮度不均匀、目标叶片生长过程中遇到虫害或者发育不良而导致树叶残缺或者大小不均匀；复杂背景是指目标叶片周围除了叶片本身之外还有茎秆、果实、藤、树枝、树干等干扰物、目标叶片与周围背景过于相似，相邻叶子之间存在重叠粘连、目标叶片部分处于阴影区，部分处于光照区。
植物叶片图像分割通常用于确定图像中的叶片区域和边界，以减少背景区域的干扰，这是植物物种识别和植物病害检测与识别中的重要步骤；由于植物叶片有特定的整体形状，包括叶缘、叶形、叶脉，需要分割方法具有较强的细节保持能力，因此直接将一般目标分割方法应用到植物叶片图像上难以取得满意的效果，所以在一些复杂背景下的目标图像分割中常常采用随机游走算法进行运算和处理，易于求解、计算高效以及抗噪声能力强。
虽然随机游走算法可以广泛应用在复杂背景下的目标图像分割，但是在精细结构目标分割问题中，由于树叶结构不适合粒子转移，粒子是在二维空间中随机转移，在每个位置都有向各个方向转移的可能，无法做到仅沿着目标的细长部分向一个方向连续转移，导致细长部分无法正确分割；并且在叶片结构上不连通目标都需要逐个提供交互才可以将图像分割出来；粒子在二维平面转移的过程十分复杂，所以通过模拟得到每个粒子的随机游走概率显然是不现实的，操作步骤繁琐、效率低下，从而造成得到的图像会存在精准度不高的问题。
发明内容：
本发明实施例提供了一种野外植物叶片分割方法，方法设计合理，采用交互式的策略对用户指定像素进行传播，通过带数据引导项的随机游走算法实现植物叶片图像的分割，基于随机游走构成对像素的关系，建立一个超像素一致性约束模型，并结合人机交互技术，可以获取光滑的、精准度较高、鲁棒性强的叶片分割图像，操作步骤简便、提升了工作效率，解决了现有技术中存在的问题。
本发明为解决上述技术问题所采用的技术方案是：
一种野外植物叶片分割方法，包括以下步骤：
S1、基于偏差函数δ(xi)来定义图像中每个粒子的转移概率，以使图像边缘光滑；
S2、以值域为[0,1]的连续函数h(pi，ι，θ)和1-h(pi，ι，θ)作为偏差函数δ(xi)权重的加权和形式；
S3、基于连续函数h(pi，ι，θ)来计算输出的像素属于目标的概率ψ(pi，ι，θ)；
S4、定义相邻像素边的权重参数ωij，以提高整个过程的转移概率；
S5、基于权重参数ωij定义图像的拉普拉斯矩阵L，同时基于随机游走能量函数ERW(x)和偏差函数的正则项Eg(x)获取能量函数E(x)；
S6、将图像Г划分成两个不相交的子集ГL和ГU，以分别表示有标记像素集合和未标记像素集合，即ГL＝F∪B，ГU＝Г\ГL，其中F和B为种子点；相应的，将能量参数E(x)的参数写成分块的形式，并将能量函数E(x)转化成未知变量xu的函数E(xu)；
S7、对函数E(xu)进行求导，令导数为0，得到线性方程组AUxU＝λbU-CTxL；
S8、证明线性方程组的参数矩阵AU是一个正定矩阵，使线性方程组得到唯一解xU *；
S9、对线性方程组的解xU *进行二值化处理，获取图像的分割结果，从而得到光滑的、鲁棒性强的植物叶片分割图像。
所述偏差函数δ(xi)＝s(pi，ι，θ)|xi-1|γ+(1-s(pi，ι，θ))|xi-0|γ，其中，γ是一个正参数，s(pi，ι，θ)是一个二值函数，θ是参考模型，所述偏差函数δ(xi)的正则项Eg(x)＝∑n i＝1δ(xi)。
所述参考模型θ至少包括颜色直方图、高斯混合模型和深层卷积神经网络。
所述概率ψ(pi，ι，θ)与函数h(pi，ι，θ)的对应关系为：
h(pi，ι，θ)＝logψ(pi，ι，θ)/(logψ(pi，ι，θ)+log(1-ψ(pi，ι，θ)))。
所述权重参数ωij＝exp(-a||pi-pj||2 2)，其中a是正参数。
所述随机游走能量函数为
ERW(x)＝1/2xTLx；
所述能量函数为
E(x)＝ERW(x)+λ/2Eg(x)。
基于权重参数ωij定义图像的拉普拉斯矩阵L，同时基于随机游走能量函数ERW(x)和偏差函数的正则项获取能量函数E(x)包括以下步骤：
S5.1、将γ的值设定为2，将正则项改写成矩阵形式
Eg(x)＝xTx-2xTH1n+1n TH1n
其中，H是一个对角矩阵，其第i个对角元素Hii＝ωij，1n是一个长度为n的全1向量；
S5.2、获取能量函数的最终形式
E(x)＝1/2xTAx-λxTb+Const
其中，A＝L+λI，b＝H1n，Const＝λ/2*1n TH1n。
将能量参数E(x)的参数写成分块的形式，并将能量函数E(x)转化成未知变量xu的函数E(xu)包括以下步骤：
S6.1，将能量函数E(x)的参数写成分块的形式，即
Figure BDA0002921065400000041
S6.2，基于ГL给定的像素标记，粒子转移到目标种子点的概率xL为已知变量；
S6.3，能量函数E(x)转换成未知变量xU的函数，即
E(xu)＝1/2xU TAUxU+xU TCTxL-λxU TbU+Const。
证明线性方程组的参数矩阵AU是一个正定矩阵，使线性方程组得到唯一解包括以下步骤：
S8.1，证明矩阵AU是对称矩阵，即AU T＝AU；
S8.2，证明对于任何非零向量a∈Rn，都满足aTAua>0，其中n为为标记像素的数目。
对线性方程组的解xU *进行二值化处理，获取图像的分割结果，从而获取光滑的、鲁棒性强的植物叶片分割图像包括以下步骤：
S9.1、对于未标记像素i，当xu≥0.5时，为其赋予标记fi＝fF；当xu<0.5时，为其赋予标记fi＝fB；
S9.2、对于种子点，保持其在交互中赋予的标记，即如果i∈F，则fi＝fF，如果i∈B，则fi＝fB；
S9.3，获取最终的叶片图像分割结果f。
本发明采用上述方法，通过偏差函数来定义图像中每个例子转移的概率，从而使得到的图像边缘光滑；通过定义相邻像素边的权重参数，来提高整个过程的转移概率；通过游走能量函数和偏差函数的正则项相结合获取能量函数，并将能量函数转换成未知变量xu的函数，进行求导得到线性方程组；通过对线性方程组进行求解，再对线性方程组的解进行二值化处理，获取图像的分割结果，从而得到光滑的、鲁棒性强的植物叶片分割图像，具有精准高效、实用简便的优点。
附图说明：
图1为本发明的流程示意图。
具体实施方式：
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。
如图1中所示，一种野外植物叶片分割方法，包括以下步骤：
S1、基于偏差函数δ(xi)来定义图像中每个粒子的转移概率，以使图像边缘光滑；
S2、以值域为[0,1]的连续函数h(pi，ι，θ)和1-h(pi，ι，θ)作为偏差函数δ(xi)权重的加权和形式；
S3、基于连续函数h(pi，ι，θ)来计算输出的像素属于目标的概率ψ(pi，ι，θ)；
S4、定义相邻像素边的权重参数ωij，以提高整个过程的转移概率；
S5、基于权重参数ωij定义图像的拉普拉斯矩阵L，同时基于随机游走能量函数ERW(x)和偏差函数的正则项Eg(x)获取能量函数E(x)；
S6、将图像Г划分成两个不相交的子集ГL和ГU，以分别表示有标记像素集合和未标记像素集合，即ГL＝F∪B，ГU＝Г\ГL，其中F和B为种子点；相应的，将能量参数E(x)的参数写成分块的形式，并将能量函数E(x)转化成未知变量xu的函数E(xu)；
S7、对函数E(xu)进行求导，令导数为0，得到线性方程组AUxU＝λbU-CTxL；
S8、证明线性方程组的参数矩阵AU是一个正定矩阵，使线性方程组得到唯一解xU *；
S9、对线性方程组的解xU *进行二值化处理，获取图像的分割结果，从而得到光滑的、鲁棒性强的植物叶片分割图像。
所述偏差函数δ(xi)＝s(pi，ι，θ)|xi-1|γ+(1-s(pi，ι，θ))|xi-0|γ，其中，γ是一个正参数，s(pi，ι，θ)是一个二值函数，θ是参考模型，所述偏差函数δ(xi)的正则项Eg(x)＝∑n i＝1δ(xi)。
所述参考模型θ至少包括颜色直方图、高斯混合模型和深层卷积神经网络。
所述概率ψ(pi，ι，θ)与函数h(pi，ι，θ)的对应关系为：
h(pi，ι，θ)＝logψ(pi，ι，θ)/(logψ(pi，ι，θ)+log(1-ψ(pi，ι，θ)))。
所述权重参数ωij＝exp(-a||pi-pj||2 2)，其中a是正参数。
所述随机游走能量函数为
ERW(x)＝1/2xTLx；
所述能量函数为
E(x)＝ERW(x)+λ/2Eg(x)。
基于权重参数ωij定义图像的拉普拉斯矩阵L，同时基于随机游走能量函数ERW(x)和偏差函数的正则项获取能量函数E(x)包括以下步骤：
S5.1、将γ的值设定为2，将正则项改写成矩阵形式
Eg(x)＝xTx-2xTH1n+1n TH1n
其中，H是一个对角矩阵，其第i个对角元素Hii＝ωij，1n是一个长度为n的全1向量；
S5.2、获取能量函数的最终形式
E(x)＝1/2xTAx-λxTb+Const
其中，A＝L+λI，b＝H1n，Const＝λ/2*1n TH1n。
将能量参数E(x)的参数写成分块的形式，并将能量函数E(x)转化成未知变量xu的函数E(xu)包括以下步骤：
S6.1，将能量函数E(x)的参数写成分块的形式，即
Figure BDA0002921065400000071
S6.2，基于ГL给定的像素标记，粒子转移到目标种子点的概率xL为已知变量；
S6.3，能量函数E(x)转换成未知变量xU的函数，即
E(xu)＝1/2xU TAUxU+xU TCTxL-λxU TbU+Const。
证明线性方程组的参数矩阵AU是一个正定矩阵，使线性方程组得到唯一解包括以下步骤：
S8.1，证明矩阵AU是对称矩阵，即AU T＝AU；
S8.2，证明对于任何非零向量a∈Rn，都满足aTAua>0，其中n为为标记像素的数目。
对线性方程组的解xU *进行二值化处理，获取图像的分割结果，从而获取光滑的、鲁棒性强的植物叶片分割图像包括以下步骤：
S9.1、对于未标记像素i，当xu≥0.5时，为其赋予标记fi＝fF；当xu<0.5时，为其赋予标记fi＝fB；
S9.2、对于种子点，保持其在交互中赋予的标记，即如果i∈F，则fi＝fF，如果i∈B，则fi＝fB；
S9.3，获取最终的叶片图像分割结果f。
本发明实施例中的一种野外植物叶片分割方法的工作原理为：采用交互式的策略对用户指定像素进行传播，通过带数据引导项的随机游走算法实现植物叶片图像的分割，基于随机游走构成对像素的关系，建立一个超像素一致性约束模型，并结合人机交互技术，可以获取光滑的、精准度较高、鲁棒性强的叶片分割图像，操作步骤简便、提升了工作效率。
在整体方案中，主要分为以下步骤：基于偏差函数来定义图像中每个粒子的转移概率；以值域为[0,1]的连续函数和作为偏差函数权重的加权和形式；基于连续函数来计算输出的像素属于目标的概率；定义相邻像素边的权重参数；基于权重参数定义图像的拉普拉斯矩阵，同时基于随机游走能量函数和偏差函数的正则项获取能量函数；将图像划分成两个不相交的子集，以分别表示有标记像素集合和未标记像素集合；相应的，将能量参数的参数写成分块的形式，并将能量函数转化成未知变量的函数；对得到的函数进行求导，令导数为0，得到线性方程组；对线性方程组的解xU *进行二值化处理，获取图像的分割结果，从而得到光滑的、鲁棒性强的植物叶片分割图像。
基于上述算法步骤，可以实现植物叶片图像的分割，结合人机交互技术，可以获取光滑的、精准度较高、鲁棒性强的叶片分割图像；具体的，偏差函数δ(xi)＝s(pi，ι，θ)|xi-1|γ+(1-s(pi，ι，θ))|xi-0|γ，其中，γ是一个正参数，s(pi，ι，θ)是一个二值函数，θ是参考模型，所述偏差函数δ(xi)的正则项Eg(x)＝∑n i＝1δ(xi)。
随机游走能量函数ERW(x)＝1/2xTLx，其中L是图像的拉普拉斯矩阵，从而得到能量函数E(x)＝ERW(x)+λ/2Eg(x)，令γ的值设定为2，从而得到能量函数的最终形式E(x)＝1/2xTAx-λxTb+Const，其中，A＝L+λI，b＝H1n，Const＝λ/2*1n TH1n。
将E(x)的参数写成分块的形式，将能量函数E(x)转换成未知变量xU的函数E(xu)＝1/2xU TAUxU+xU TCTxL-λxU TbU+Const；对函数E(xu)进行求导，令导数为0，得到线性方程组AUxU＝λbU-CTxL。
在求解线性方程组之前，需要先证明线性方程组的参数矩阵AU是一个正定矩阵，从而保证线性方程组有唯一解xU *；具体的，首先证明矩阵AU是一个对称矩阵，其次再证明对于任何非零向量a∈Rn，都满足aTAua>0，其中n为为标记像素的数目。
求解线性方程组之后，对线性方程组的解xU *进行二值化处理，获取图像的分割结果，从而获取光滑的、鲁棒性强的植物叶片分割图像。
实际应用中，以山西农业大学植物园内的木本植物为例，初始采集到的原始图像分辨率为3264*3488，水平、垂直分辨率72dpi，位深度24，大小2.76MB，利用这些图像建立图像集；采用随机角度选择、镜像变换以及增强图像亮度和对比度的方式，对原始数据集进行扩增，得到新的数据集。
数据集主要包括精细结构目标图像数据集Twigs&Legs和FineStruct100、一般目标图像数据集Grazbenchmark和Grabcut。Grazbenchmark数据集用目标背景二类笔划交互，Grabcut数据集用自带三元图交互；Twigs&Legs数据集共有16幅图像，FineStruct100数据集共有100幅自然图像，Grazbenchmark数据集共有243幅自然图像，Grabcut数据集共有50幅自然图像。
如附表1所示，列出了八种方法在四个数据集上的平均定量结果。从附表1中可以看出，在所以的数据集上，所提出的RRW均有比较好的表现；除了DRF、RRW相比于其他方法仍有一定优势，特别是相比于RW具有非常明显的提升。
Figure BDA0002921065400000101
附表1
如附表2所示，列出了各种方法分割图像的平均计算时间，可以看出RRW速度高于DRF；因此，RRW能够以较低的时间代价得到与更加复杂、耗时的DRF接近的分割效果。
Figure BDA0002921065400000111
附表2
综上所述，本发明实施例中的一种野外植物叶片分割方法采用交互式的策略对用户指定像素进行传播，通过带数据引导项的随机游走算法实现植物叶片图像的分割，基于随机游走构成对像素的关系，建立一个超像素一致性约束模型，并结合人机交互技术，可以获取光滑的、精准度较高、鲁棒性强的叶片分割图像，操作步骤简便、提升了工作效率；即本发明实施例中的分割方法能够准确高效的分割精细结构目标，从而可以应用在多种应用场合和应用环境中，为其在实际应用中发挥作用带来便利。
上述具体实施方式不能作为对本发明保护范围的限制，对于本技术领域的技术人员来说，对本发明实施方式所做出的任何替代改进或变换均落在本发明的保护范围内。
本发明未详述之处，均为本技术领域技术人员的公知技术。

Claims (10)

1.一种野外植物叶片分割方法，其特征在于，包括以下步骤：
S1、基于偏差函数δ(xi)来定义图像中每个粒子的转移概率，以使图像边缘光滑；
S2、以值域为[0,1]的连续函数h(pi，ι，θ)和1-h(pi，ι，θ)作为偏差函数δ(xi)权重的加权和形式；
S3、基于连续函数h(pi，ι，θ)来计算输出的像素属于目标的概率ψ(pi，ι，θ)；
S4、定义相邻像素边的权重参数ωij，以提高整个过程的转移概率；
S5、基于权重参数ωij定义图像的拉普拉斯矩阵L，同时基于随机游走能量函数ERW(x)和偏差函数的正则项Eg(x)获取能量函数E(x)；
S6、将图像Г划分成两个不相交的子集ГL和ГU，以分别表示有标记像素集合和未标记像素集合，即ГL＝F∪B，ГU＝Г\ГL，其中F和B为种子点；相应的，将能量参数E(x)的参数写成分块的形式，并将能量函数E(x)转化成未知变量xu的函数E(xu)；
S7、对函数E(xu)进行求导，令导数为0，得到线性方程组AUxU＝λbU-CTxL；
S8、证明线性方程组的参数矩阵AU是一个正定矩阵，使线性方程组得到唯一解xU *；
S9、对线性方程组的解xU *进行二值化处理，获取图像的分割结果，从而得到光滑的、鲁棒性强的植物叶片分割图像。
2.根据权利要求1所述的一种野外植物叶片分割方法，其特征在于：所述偏差函数δ(xi)＝s(pi，ι，θ)|xi-1|γ+(1-s(pi，ι，θ))|xi-0|γ，其中，γ是一个正参数，s(pi，ι，θ)是一个二值函数，θ是参考模型，所述偏差函数δ(xi)的正则项Eg(x)＝∑n i＝1δ(xi)。
3.根据权利要求2所述的一种野外植物叶片分割方法，其特征在于：所述参考模型θ至少包括颜色直方图、高斯混合模型和深层卷积神经网络。
4.根据权利要求1所述的一种野外植物叶片分割方法，其特征在于：所述概率ψ(pi，ι，θ)与函数h(pi，ι，θ)的对应关系为：
h(pi，ι，θ)＝logψ(pi，ι，θ)/(logψ(pi，ι，θ)+log(1-ψ(pi，ι，θ)))。
5.根据权利要求1所述的一种野外植物叶片分割方法，其特征在于：所述权重参数ωij＝exp(-a||pi-pj||2 2)，其中a是正参数。
6.根据权利要求2所述的一种野外植物叶片分割方法，其特征在于：所述随机游走能量函数为
ERW(x)＝1/2xTLx；
所述能量函数为
E(x)＝ERW(x)+λ/2Eg(x)。
7.根据权利要求1所述的一种野外植物叶片分割方法，其特征在于，基于权重参数ωij定义图像的拉普拉斯矩阵L，同时基于随机游走能量函数ERW(x)和偏差函数的正则项获取能量函数E(x)包括以下步骤：
S5.1、将γ的值设定为2，将正则项改写成矩阵形式
Eg(x)＝xTx-2xTH1n+1n TH1n
其中，H是一个对角矩阵，其第i个对角元素Hii＝ωij，1n是一个长度为n的全1向量；
S5.2、获取能量函数的最终形式
E(x)＝1/2xTAx-λxTb+Const
其中，A＝L+λI，b＝H1n，Const＝λ/2*1n TH1n。
8.根据权利要求7所述的一种野外植物叶片分割方法，其特征在于，将能量参数E(x)的参数写成分块的形式，并将能量函数E(x)转化成未知变量xu的函数E(xu)包括以下步骤：
S6.1，将能量函数E(x)的参数写成分块的形式，即
Figure FDA0002921065390000031
S6.2，基于ГL给定的像素标记，粒子转移到目标种子点的概率xL为已知变量；
S6.3，能量函数E(x)转换成未知变量xU的函数，即
E(xu)＝1/2xU TAUxU+xU TCTxL-λxU TbU+Const。
9.根据权利要求1所述的一种野外植物叶片分割方法，其特征在于，证明线性方程组的参数矩阵AU是一个正定矩阵，使线性方程组得到唯一解包括以下步骤：
S8.1，证明矩阵AU是对称矩阵，即AU T＝AU；
S8.2，证明对于任何非零向量a∈Rn，都满足aTAua>0，其中n为为标记像素的数目。
10.根据权利要求1所述的一种野外植物叶片分割方法，其特征在于，对线性方程组的解xU *进行二值化处理，获取图像的分割结果，从而获取光滑的、鲁棒性强的植物叶片分割图像包括以下步骤：
S9.1、对于未标记像素i，当xu≥0.5时，为其赋予标记fi＝fF；当xu<0.5时，为其赋予标记fi＝fB；
S9.2、对于种子点，保持其在交互中赋予的标记，即如果i∈F，则fi＝fF，如果i∈B，则fi＝fB；
S9.3，获取最终的叶片图像分割结果f。
CN202110118071.1A 2021-01-28 2021-01-28 一种野外植物叶片分割方法 Expired - Fee Related CN112785607B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110118071.1A CN112785607B (zh) 2021-01-28 2021-01-28 一种野外植物叶片分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110118071.1A CN112785607B (zh) 2021-01-28 2021-01-28 一种野外植物叶片分割方法

Publications (2)

Publication Number Publication Date
CN112785607A true CN112785607A (zh) 2021-05-11
CN112785607B CN112785607B (zh) 2021-09-21

Family

ID=75759319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110118071.1A Expired - Fee Related CN112785607B (zh) 2021-01-28 2021-01-28 一种野外植物叶片分割方法

Country Status (1)

Country Link
CN (1) CN112785607B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344714A (zh) * 2021-05-27 2021-09-03 北京优全智汇信息技术有限公司 保险行业专用客户管理分析系统及其分析方法
CN113469822A (zh) * 2021-06-03 2021-10-01 北京优全智汇信息技术有限公司 保险行业风险防控和预警的方法与系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127785A (zh) * 2016-06-30 2016-11-16 重庆大学 基于流形排序和随机游走的图像显著性检测方法
CN107016682A (zh) * 2017-04-11 2017-08-04 四川大学 一种自然图像显著对象自适应分割方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127785A (zh) * 2016-06-30 2016-11-16 重庆大学 基于流形排序和随机游走的图像显著性检测方法
CN107016682A (zh) * 2017-04-11 2017-08-04 四川大学 一种自然图像显著对象自适应分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡静等: "基于鲁棒随机游走的交互式植物叶片分割", 《模式识别与人工智能》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344714A (zh) * 2021-05-27 2021-09-03 北京优全智汇信息技术有限公司 保险行业专用客户管理分析系统及其分析方法
CN113469822A (zh) * 2021-06-03 2021-10-01 北京优全智汇信息技术有限公司 保险行业风险防控和预警的方法与系统

Also Published As

Publication number Publication date
CN112785607B (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
Neupane et al. Deep learning based banana plant detection and counting using high-resolution red-green-blue (RGB) images collected from unmanned aerial vehicle (UAV)
CN109360206B (zh) 基于深度学习的大田稻穗分割方法
CN102829739B (zh) 一种面向对象的作物叶面积指数遥感反演方法
CN109146889B (zh) 一种基于高分辨率遥感图像的农田边界提取方法
CN108416353B (zh) 基于深度全卷积神经网络的大田稻穗快速分割方法
CN112785607B (zh) 一种野外植物叶片分割方法
CN110728197B (zh) 基于深度学习的单木级树种识别方法
CN106296695A (zh) 基于显著性的自适应阈值自然目标图像分割抽取算法
CN111340826A (zh) 基于超像素与拓扑特征的航拍图像单株树冠分割算法
Khedaskar et al. A survey of image processing and identification techniques
CN111563430A (zh) 一种基于卷积神经的公益林地类图像智能识别方法及系统
CN110310246A (zh) 一种基于三线阵影像的甘蔗种植区遥感信息提取方法
CN115880487A (zh) 基于深度学习方法的林木激光点云枝叶分离方法
CN110473205A (zh) 基于矢栅模型的遥感影像信息提取方法和系统
Zhou et al. An automated, high-performance approach for detecting and characterizing broccoli based on UAV remote-sensing and transformers: A case study from Haining, China
CN114758132B (zh) 一种基于卷积神经网络的果树病虫害识别方法及系统
CN109859099A (zh) 基于sfm点云深度的盆栽玉米杂草快速去除方法
CN114119630B (zh) 基于耦合图谱特征的海岸线深度学习遥感提取方法
CN112580484A (zh) 基于深度学习的遥感影像玉米秸秆覆盖识别方法及装置
CN113780232B (zh) 一种城市湿地动态监测方法
Yang et al. Texture feature extraction of mountain economic forest using high spatial resolution remote sensing images
Politz et al. Exploring ALS and DIM data for semantic segmentation using CNNs
CN115049920A (zh) 基于gee结合生育期属性和面向对象的大区域作物提取方法
CN114463642A (zh) 一种基于深度学习的耕地地块提取方法
Litinsky Structure and dynamics of boreal ecosystems: another approach to Landsat imagery classification

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210921

CF01 Termination of patent right due to non-payment of annual fee