CN113223033A - 基于图像融合的家禽体温检测方法、设备以及介质 - Google Patents
基于图像融合的家禽体温检测方法、设备以及介质 Download PDFInfo
- Publication number
- CN113223033A CN113223033A CN202110506844.3A CN202110506844A CN113223033A CN 113223033 A CN113223033 A CN 113223033A CN 202110506844 A CN202110506844 A CN 202110506844A CN 113223033 A CN113223033 A CN 113223033A
- Authority
- CN
- China
- Prior art keywords
- image
- infrared
- visible light
- acquiring
- poultry
- 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
- 244000144977 poultry Species 0.000 title claims abstract description 58
- 230000004927 fusion Effects 0.000 title claims abstract description 57
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 230000036760 body temperature Effects 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 210000001015 abdomen Anatomy 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000009529 body temperature measurement Methods 0.000 abstract description 14
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 230000005764 inhibitory process Effects 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 9
- 238000007500 overflow downdraw method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 210000000436 anus Anatomy 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000001629 suppression Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000009435 building construction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像融合技术领域,尤其涉及一种基于图像融合的家禽体温检测方法、设备以及介质,所述方法包括:接收第一摄像机拍摄的目标家禽的可见光图像和第二摄像机拍摄红外线图像;根据可见光图像获取可见光边缘图像,根据红外线图像获取红外二值图像,在根据所述红外二值图像获取红外边缘图像;基于RANSAC算法的图像对所述可见光边缘图像和红外边缘图像进行配准;将配准后的可见光图像和红外热图像经分解后进行融合;获取融合后的图像的各区域面积以及对应温度值;根据所述各区域面积以及对应温度值输出平均温度值。本发明提供的技术方案,能够多样化的检测装置提高测量温度的准确度,并且提高环境影响的抑制,给测温工作带来了极大的方便。
Description
技术领域
本发明涉及家禽体温检测技术领域,尤其涉及一种基于图像融合的家禽体温检测方法、设备以及介质。
背景技术
现有的家禽体温检测装置比较单一,一般使用插入式温度计进行测量温度,也有一些通过红外测温设备进行测温,但使用插入式温度计测温所花费的时长较长,仅通过红外测温设备进行测温容易受出现测得的温度不准确或者受环境影响较大导致出现测量到的温度与实际值差别较大的情况,为家禽测温带来了极大的不便。
因此,亟需一种能够多样化的检测装置的基于图像融合的家禽体温检测方法、设备以及介质,从而解决现有的使用插入式温度计测温所花费的时长较长,仅通过红外测温设备进行测温容易出现测得的温度不准确或者出现测量到的温度与实际值差别较大的情况,为家禽测温带来了极大的不便的问题。
发明内容
本发明的主要目的在于提供能够多样化的检测装置的基于图像融合的家禽体温检测方法、设备以及介质,从而解决现有的使用插入式温度计测温所花费的时长较长,仅通过红外测温设备进行测温容易出现测得的温度不准确或者受环境影响较大导致出现测量到的温度与实际值差别较大的情况,为家禽测温带来了极大的不便的问题。
为实现上述目的,本发明第一方面提供了一种基于图像融合的家禽体温检测方法,所述方法包括:
接收第一摄像机拍摄的目标家禽的可见光图像和第二摄像机拍摄红外线图像;
根据可见光图像获取可见光边缘图像,根据红外线图像获取红外二值图像,在根据所述红外二值图像获取红外边缘图像;
基于RANSAC算法的图像对所述可见光边缘图像和红外边缘图像进行配准;
将配准后的可见光图像和红外热图像经分解后进行融合;
获取融合后的图像的各区域面积以及对应温度值;
根据所述各区域面积以及对应温度值输出平均温度值。
优选地,所述获取融合后的图像的各区域面积以及对应温度值,具体包括:
通过对加权运算获取融合后的图像的各区域面积以及对应温度值。
优选地,在所述根据可见光图像获取可见光边缘图像,根据红外线图像获取红外二值图像,在根据所述红外二值图像获取红外边缘图像的步骤之后,还包括:
将所述可见光边缘图像进行标准灰度化;
通过Candny算子提取灰度图像的边缘特征。
优选地,所述方法还包括:
获取灰度图像的边缘特征以及红外边缘图像的中心点和若干个边缘到中心点的点集;
根据灰度图像的边缘特征以及红外边缘图像的特征点位置的不同赋以不同的权值并计算出两个点集上最大距离和最小距离;
将所述最大距离和最小距离进行RPROP算法迭代得出最优尺寸因子;
根据最优尺寸因子得出可见光边缘图像。
优选地,所述接收第一摄像机拍摄的目标家禽的可见光图像和第二摄像机拍摄红外线图像,具体包括:
接收FLIRT250红外热像仪拍摄红外线图像。
优选地,所述方法还包括:
通过Otsu自动阈值分割和孔洞填充、小区域消除图像预处理方法提取出母标家禽前景二值图像。
优选地,所述方法还包括:
通过对加权运算获取融合后的图像的各区域面积以及对应温度值;其中,对目标家禽的脊腹轮廓上的特征点赋以较大的权值,对目标家禽的头尾部特征点赋以较小的权值。
优选地,所述通过对加权运算获取融合后的图像的各区域面积以及对应温度值,具体包括:
获取叠加图像的区域数值和各区域对应的面积数值以及对应温度值;其中,每相邻的两个区域的温度差值为±0.5℃。
本发明第二方面公开了一种基于图像融合的家禽体温检测设备,所述设备包括:
接收模块:用于接收第一摄像机拍摄的目标家禽的可见光图像和第二摄像机拍摄红外线图像;
获取模块:用于根据可见光图像获取可见光边缘图像,根据红外线图像获取红外二值图像,在根据所述红外二值图像获取红外边缘图像;
配准模块:用于基于RANSAC算法的图像对所述可见光边缘图像和红外边缘图像进行配准;
融合模块:用于将配准后的可见光图像和红外热图像经分解后进行融合;
获取模块:用于获取融合后的图像的各区域面积以及对应温度值;
计算模块:用于根据所述各区域面积以及对应温度值输出平均温度值。
本发明第三方面公开了一种存储介质,所述存储介质存储有可执行程序,所述可执行程序被执行时,实现上述基于图像融合的家禽体温检测方法。
本发明提供的技术方案,具有以下优点:根据可见光图像获取可见光边缘图像,根据红外线图像获取红外二值图像,在根据所述红外二值图像获取红外边缘图像;基于RANSAC算法的图像对所述可见光边缘图像和红外边缘图像进行配准;将配准后的可见光图像和红外热图像经分解后进行融合;获取融合后的图像的各区域面积以及对应温度值;根据所述各区域面积以及对应温度值输出平均温度值。能够多样化的检测装置提高测量温度的准确度,并且提高环境影响的抑制,给测温工作带来了极大的方便。
附图说明
图1为本发明提供的一实施例提供的一种基于图像融合的家禽体温检测方法的流程示意图。
图2为本发明提供的另一实施例提供的一种基于图像融合的家禽体温检测方法的场景示意图。
图3为本发明提供的一实施例提供的一种基于图像融合的家禽体温检测设备的结构示意图。
图4为本申请另一实施例提供的服务器的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做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。
请参看图1和2,本发明的一方面提供了一种基于图像融合的家禽体温检测方法,应用于服务器、普通摄像机和红外摄像机之间的交互,本发明中家禽以猪为例,所述方法包括:
步骤S10:服务器接收第一摄像机拍摄的目标家禽的可见光图像和第二摄像机拍摄红外线图像。
在本实施例中,第一摄像机为普通摄像机,第二摄像机拍摄为红外摄像机,优选地,第二摄像机拍摄为FLIRT250红外热像仪;红外摄像机拍摄形成的图像不能看到光线。
步骤S20:根据可见光图像获取可见光边缘图像,根据红外线图像获取红外二值图像,在根据所述红外二值图像获取红外边缘图像。
在一些可行实施例中,服务器根据可见光图像获取可见光边缘图像,服务器根据红外线图像获取红外二值图像,服务器在根据所述红外二值图像获取红外边缘图像;例如,服务器通过Otsu自动阈值分割和孔洞填充、小区域消除图像预处理方法提取出母标家禽前景二值图像。
通过母标家禽前景二值图像的轮廓点构建特征点集,其中轮廓点为前景二值图像最外侧的点;具体包括步骤S21:对母标家禽前景二值图像标准灰度化;步骤S22:提取灰度图像的边缘特征。本发明采用Canny算子提取边缘图像,并通过构建辅助线提取与边缘图像的所有交点构成可见光图像中的特征点集Q。
另外首先计算二值图像区域中心,再以区域中心为原点,问隔一定角度构建辅助射线提取N个边缘特征点,构建待配准红外图像特征点P。
在构建射线轮廓特征点集的基础上,分别计算不同尺度变化下点集间的Hausdorff距离,以距离最小的尺度变化因子作为最优变换因子。本发明在部分Hausdorff距离的基础上,针对待配准生猪图像轮廊特点,米用加权部分距离的计算方法。
然后加权部分Hausdorff距离,并通过RPROP迭代加速获取最优变换因子。
步骤S30:基于RANSAC算法的图像对所述可见光边缘图像和红外边缘图像进行配准。
具体地,服务器基于RANSAC算法的图像对所述可见光边缘图像和红外边缘图像进行配准;其中,RANSAC算法是通过构建同尺度下高斯差分图像金字塔,计算不同尺度图像下梯度幅值和相角,建立特征点描述和匹配。RANSAC算法可以举例进行说明:1.随机从数据集中随机抽出4个样本数据(此4个样本之间不能共线),计算出单应矩阵H,记为模型M;2.计算数据集中所有数据与模型M的投影误差,若误差小于阈值,加入内点集I;3.如果当前内点集I元素个数大于最优内点集I_best,则更新I_best=I,同时更新迭代次数k;4.如果迭代次数大于k,则退出;否则迭代次数加1,并重复上述步骤;注:迭代次数k在不大于最大迭代次数的情况下,是在不断更新而不是固定的;其中,p为置信度,一般取0.995;w为"内点"的比例;m为计算模型所需要的最少样本数=4。
以下列出多个配准算法比较表格。
步骤S40:将配准后的可见光图像和红外热图像经分解后进行融合。
所述方法包括图像融合步骤S31:1.像素融合的算数运算法;具体为:在计算源图像A和B的协方差矩阵的基础上,协方差矩阵的特征向量中最大的特征值被用来作为权重系数。主成分分析融合方法同样被认为是一种简单、计算效率高的融合方法;对两幅图像和中坐标为待融合像素,其在融合图像F中的像素值可由式F(x,y)=a*A(x,y)+b*A(x,y)计算获得:其中;a和b和为对应的权重系数。2.基于生物学方法的像素融合;融合流程建立在拉普拉斯金字塔基础上,其始于对每一源图像的高斯和拉普拉斯金字塔的构建。通过比较对应像素的像素值,依据绝对值最大原则对相同尺度的带通图像进行融合。也就是说,根据局部最显著特征来进行融合,通过单金字塔来表述两幅源图像中多分辨率信息的组合。3.低通图像则通过加权平均方法进行融合。融合图像特征评价融合算法的性能可以通过计算融合图像的信息量或融合图像的清晰度来反映。图像的熵可以用来度量其信息量。融合图像与源图像间的关系可以通过融合图像中继承了多少来自源图像中的信息和丢失了多少信息来衡量。互信息通常用来作为融合图像与源图像的相似性量度。互信息是一种基于熵的概念,度量两幅图像间的统计独立性。为检测融合图像的质量,融合图像与每一幅源图像间的互信息需要分别计算再求和。互信息值越大,则表明融合效果越好。4.总体交叉熵是另一种融合图像和源图像间关系的量度。与互信息测量图像间的相似性不同,着重于检测融合图像与源图像间的差异。值越小说明融合效果越好。
融合图像与完美融合间的关系评价;如果存在着一幅完美融合图像,则融合图像与完美融合图像间的误差最能反映融合算法的性能。均方根误差和峰值信噪比可以用来反映二者之间的差异。
在一些可行实施例中,也可通过非子采样轮廓波变换对所述可见光边缘图像和红外边缘图像进行融合。非子采样轮廓波继承了轮廓波变换的优点,并取消了子采样,使其具有平移不变性,有利于改善图像融合质量。优选地,生猪可见光图像和红外热图像的融合采用了NSCT的融合方法。非子采样轮廓波变换是在变换基础上改进的一种多尺度二维图像表示方法,它将多尺度分析和方向分析拆分进行。首先,图像多尺度分解采用了平移不变的非子采样金字塔,获取图像多尺度结构,以捕获点奇异;接着,采用非子采样方向滤波器组对不同尺度子带图像进行方向分解,将分布在同方向上的奇异点合成一个系数。将配准后的可见光图像和红外热图像经分解后进行融合,既利用红外热图像中猪体与背景差异明显的优势,又保留可见光图像中猪体自身灰度分布较为一致的特征,以均化红外热图像中猪体各部位温度分布差异导致的颜色差异。
步骤S50:获取融合后的图像的各区域面积以及对应温度值。
具体的,通过对加权运算获取融合后的图像的各区域面积以及对应温度值;其中,对目标家禽的脊腹轮廓上的特征点赋以较大的权值,对目标家禽的头尾部特征点赋以较小的权值;获取叠加图像的区域数值和各区域对应的面积数值以及对应温度值;其中,每相邻的两个区域的温度差值为±0.5℃。由于生猪肛门的温度和体外的温度还是有些差别的,所以对肛门的温度的权值为最高,然后是脊腹轮廓上的特征点,最小的是头尾部特征点。
步骤S60:根据所述各区域面积以及对应温度值输出平均温度值。
本发明提供的技术方案,具有以下优点:根据可见光图像获取可见光边缘图像,根据红外线图像获取红外二值图像,在根据所述红外二值图像获取红外边缘图像;基于RANSAC算法的图像对所述可见光边缘图像和红外边缘图像进行配准;将配准后的可见光图像和红外热图像经分解后进行融合;获取融合后的图像的各区域面积以及对应温度值;根据所述各区域面积以及对应温度值输出平均温度值。能够多样化的检测装置提高测量温度的准确度,并且提高环境影响的抑制,给测温工作带来了极大的方便。
请参看图3,本申请还提供一种基于区块链的建筑施工安全质量监控设备,所述设备包括:
接收模块10:用于接收第一摄像机拍摄的目标家禽的可见光图像和第二摄像机拍摄红外线图像;
获取模块20:用于根据可见光图像获取可见光边缘图像,根据红外线图像获取红外二值图像,在根据所述红外二值图像获取红外边缘图像;
配准模块30:用于基于RANSAC算法的图像对所述可见光边缘图像和红外边缘图像进行配准;
融合模块40:用于融合模块将配准后的可见光图像和红外热图像经分解后进行融合;
获取模块20:用于获取融合后的图像的各区域面积以及对应温度值;
计算模块50:用于根据所述各区域面积以及对应温度值输出平均温度值。
请参阅图4,本申请还提供一种服务器30,服务器30包括存储器301以及处理器302,其中,存储器301与所述处理器302通过总线303电连接。
其中,存储器301至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器301在一些实施例中可以是服务器30的内部存储单元,例如该服务器30的硬盘。存储器301在另一些实施例中也可以是服务器30的外部存储设备,例如服务器30上配备的插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)等。存储器301不仅可以用于存储安装于车载设备的应用软件及各类数据,例如计算机可读程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据,也即该第一存储器可以作为存储介质,存储介质存储有计算机可执行的车辆出行预约程序。
处理器302在一些实施例中可以是中央处理器(CentralProcessingUnit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,处理器302可调用存储器301中存储的车辆出行预约程序,以实现如下步骤:
步骤S10:服务器接收第一摄像机拍摄的目标家禽的可见光图像和第二摄像机拍摄红外线图像。
在本实施例中,第一摄像机为普通摄像机,第二摄像机拍摄为红外摄像机,优选地,第二摄像机拍摄为FLIRT250红外热像仪;红外摄像机拍摄形成的图像不能看到光线。
步骤S20:根据可见光图像获取可见光边缘图像,根据红外线图像获取红外二值图像,在根据所述红外二值图像获取红外边缘图像。
在一些可行实施例中,服务器根据可见光图像获取可见光边缘图像,服务器根据红外线图像获取红外二值图像,服务器在根据所述红外二值图像获取红外边缘图像;例如,服务器通过Otsu自动阈值分割和孔洞填充、小区域消除图像预处理方法提取出母标家禽前景二值图像。
通过母标家禽前景二值图像的轮廓点构建特征点集,其中轮廓点为前景二值图像最外侧的点;具体包括步骤S21:对母标家禽前景二值图像标准灰度化;步骤S22:提取灰度图像的边缘特征。本发明采用Canny算子提取边缘图像,并通过构建辅助线提取与边缘图像的所有交点构成可见光图像中的特征点集Q。
另外首先计算二值图像区域中心,再以区域中心为原点,问隔一定角度构建辅助射线提取N个边缘特征点,构建待配准红外图像特征点P。
在构建射线轮廓特征点集的基础上,分别计算不同尺度变化下点集间的Hausdorff距离,以距离最小的尺度变化因子作为最优变换因子。本发明在部分Hausdorff距离的基础上,针对待配准生猪图像轮廊特点,米用加权部分距离的计算方法。
然后加权部分Hausdorff距离,并通过RPROP迭代加速获取最优变换因子。
步骤S30:基于RANSAC算法的图像对所述可见光边缘图像和红外边缘图像进行配准。
具体地,服务器基于RANSAC算法的图像对所述可见光边缘图像和红外边缘图像进行配准;其中,RANSAC算法是通过构建同尺度下高斯差分图像金字塔,计算不同尺度图像下梯度幅值和相角,建立特征点描述和匹配。RANSAC算法可以举例进行说明:1.随机从数据集中随机抽出4个样本数据(此4个样本之间不能共线),计算出单应矩阵H,记为模型M;2.计算数据集中所有数据与模型M的投影误差,若误差小于阈值,加入内点集I;3.如果当前内点集I元素个数大于最优内点集I_best,则更新I_best=I,同时更新迭代次数k;4.如果迭代次数大于k,则退出;否则迭代次数加1,并重复上述步骤;注:迭代次数k在不大于最大迭代次数的情况下,是在不断更新而不是固定的;其中,p为置信度,一般取0.995;w为"内点"的比例;m为计算模型所需要的最少样本数=4。
以下列出多个配准算法比较表格。
步骤S40:将配准后的可见光图像和红外热图像经分解后进行融合。
所述方法包括图像融合步骤S31:1.像素融合的算数运算法;具体为:在计算源图像A和B的协方差矩阵的基础上,协方差矩阵的特征向量中最大的特征值被用来作为权重系数。主成分分析融合方法同样被认为是一种简单、计算效率高的融合方法;对两幅图像和中坐标为待融合像素,其在融合图像F中的像素值可由式F(x,y)=a*A(x,y)+b*A(x,y)计算获得:其中;a和b和为对应的权重系数。2.基于生物学方法的像素融合;融合流程建立在拉普拉斯金字塔基础上,其始于对每一源图像的高斯和拉普拉斯金字塔的构建。通过比较对应像素的像素值,依据绝对值最大原则对相同尺度的带通图像进行融合。也就是说,根据局部最显著特征来进行融合,通过单金字塔来表述两幅源图像中多分辨率信息的组合。3.低通图像则通过加权平均方法进行融合。融合图像特征评价融合算法的性能可以通过计算融合图像的信息量或融合图像的清晰度来反映。图像的熵可以用来度量其信息量。融合图像与源图像间的关系可以通过融合图像中继承了多少来自源图像中的信息和丢失了多少信息来衡量。互信息通常用来作为融合图像与源图像的相似性量度。互信息是一种基于熵的概念,度量两幅图像间的统计独立性。为检测融合图像的质量,融合图像与每一幅源图像间的互信息需要分别计算再求和。互信息值越大,则表明融合效果越好。4.总体交叉熵是另一种融合图像和源图像间关系的量度。与互信息测量图像间的相似性不同,着重于检测融合图像与源图像间的差异。值越小说明融合效果越好。
融合图像与完美融合间的关系评价;如果存在着一幅完美融合图像,则融合图像与完美融合图像间的误差最能反映融合算法的性能。均方根误差和峰值信噪比可以用来反映二者之间的差异。
在一些可行实施例中,也可通过非子采样轮廓波变换对所述可见光边缘图像和红外边缘图像进行融合。非子采样轮廓波继承了轮廓波变换的优点,并取消了子采样,使其具有平移不变性,有利于改善图像融合质量。优选地,生猪可见光图像和红外热图像的融合采用了NSCT的融合方法。非子采样轮廓波变换是在变换基础上改进的一种多尺度二维图像表示方法,它将多尺度分析和方向分析拆分进行。首先,图像多尺度分解采用了平移不变的非子采样金字塔,获取图像多尺度结构,以捕获点奇异;接着,采用非子采样方向滤波器组对不同尺度子带图像进行方向分解,将分布在同方向上的奇异点合成一个系数。将配准后的可见光图像和红外热图像经分解后进行融合,既利用红外热图像中猪体与背景差异明显的优势,又保留可见光图像中猪体自身灰度分布较为一致的特征,以均化红外热图像中猪体各部位温度分布差异导致的颜色差异。
步骤S50:获取融合后的图像的各区域面积以及对应温度值。
具体的,通过对加权运算获取融合后的图像的各区域面积以及对应温度值;其中,对目标家禽的脊腹轮廓上的特征点赋以较大的权值,对目标家禽的头尾部特征点赋以较小的权值;获取叠加图像的区域数值和各区域对应的面积数值以及对应温度值;其中,每相邻的两个区域的温度差值为±0.5℃。由于生猪肛门的温度和体外的温度还是有些差别的,所以对肛门的温度的权值为最高,然后是脊腹轮廓上的特征点,最小的是头尾部特征点。
步骤S60:根据所述各区域面积以及对应温度值输出平均温度值。
本发明提供的技术方案,具有以下优点:根据可见光图像获取可见光边缘图像,根据红外线图像获取红外二值图像,在根据所述红外二值图像获取红外边缘图像;基于RANSAC算法的图像对所述可见光边缘图像和红外边缘图像进行配准;获取融合后的图像的各区域面积以及对应温度值;根据所述各区域面积以及对应温度值输出平均温度值。能够多样化的检测装置提高测量温度的准确度,并且提高环境影响的抑制,给测温工作带来了极大的方便。
本发明提供的技术方案,具有以下优点:根据可见光图像获取可见光边缘图像,根据红外线图像获取红外二值图像,在根据所述红外二值图像获取红外边缘图像;基于RANSAC算法的图像对所述可见光边缘图像和红外边缘图像进行配准;将配准后的可见光图像和红外热图像经分解后进行融合;获取融合后的图像的各区域面积以及对应温度值;根据所述各区域面积以及对应温度值输出平均温度值。能够多样化的检测装置提高测量温度的准确度,并且提高环境影响的抑制,给测温工作带来了极大的方便。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像融合的家禽体温检测方法,其特征在于,所述方法包括:
接收第一摄像机拍摄的目标家禽的可见光图像和第二摄像机拍摄红外线图像;
根据可见光图像获取可见光边缘图像,根据红外线图像获取红外二值图像,在根据所述红外二值图像获取红外边缘图像;
基于RANSAC算法的图像对所述可见光边缘图像和红外边缘图像进行配准;
将配准后的可见光图像和红外热图像经分解后进行融合;
获取融合后的图像的各区域面积以及对应温度值;
根据所述各区域面积以及对应温度值输出平均温度值。
2.如权利要求1所述的基于图像融合的家禽体温检测方法,其特征在于,所述获取融合后的图像的各区域面积以及对应温度值,具体包括:
通过非子采样轮廓波变换对所述可见光边缘图像和红外边缘图像进行融合。
3.如权利要求2所述的基于图像融合的家禽体温检测方法,其特征在于,在所述根据可见光图像获取可见光边缘图像,根据红外线图像获取红外二值图像,在根据所述红外二值图像获取红外边缘图像的步骤之后,还包括:
将所述可见光边缘图像进行标准灰度化;
通过Candny算子提取灰度图像的边缘特征。
4.如权利要求3所述的基于图像融合的家禽体温检测方法,其特征在于,所述方法还包括:
获取灰度图像的边缘特征以及红外边缘图像的中心点和若干个边缘到中心点的点集;
根据灰度图像的边缘特征以及红外边缘图像的特征点位置的不同赋以不同的权值并计算出两个点集上最大距离和最小距离;
将所述最大距离和最小距离进行RPROP算法迭代得出最优尺寸因子;
根据最优尺寸因子得出可见光边缘图像。
5.如权利要求1所述的基于图像融合的家禽体温检测方法,其特征在于,所述接收第一摄像机拍摄的目标家禽的可见光图像和第二摄像机拍摄红外线图像,具体包括:
接收FLIRT250红外热像仪拍摄红外线图像。
6.如权利要求1所述的基于图像融合的家禽体温检测方法,其特征在于,所述方法还包括:
通过Otsu自动阈值分割和孔洞填充、小区域消除图像预处理方法提取出母标家禽前景二值图像。
7.如权利要求2所述的基于图像融合的家禽体温检测方法,其特征在于,所述方法还包括:
通过对加权运算获取融合后的图像的各区域面积以及对应温度值;其中,对目标家禽的脊腹轮廓上的特征点赋以较大的权值,对目标家禽的头尾部特征点赋以较小的权值。
8.如权利要求2所述的基于图像融合的家禽体温检测方法,其特征在于,所述通过对加权运算获取融合后的图像的各区域面积以及对应温度值,具体包括:
获取叠加图像的区域数值和各区域对应的面积数值以及对应温度值;其中,每相邻的两个区域的温度差值为±0.5℃。
9.一种基于图像融合的家禽体温检测设备,其特征在于,所述设备包括:
接收模块:用于接收第一摄像机拍摄的目标家禽的可见光图像和第二摄像机拍摄红外线图像;
获取模块:用于根据可见光图像获取可见光边缘图像,根据红外线图像获取红外二值图像,在根据所述红外二值图像获取红外边缘图像;
配准模块:用于基于RANSAC算法的图像对所述可见光边缘图像和红外边缘图像进行配准;
获取模块:用于获取融合后的图像的各区域面积以及对应温度值;
计算模块:用于根据所述各区域面积以及对应温度值输出平均温度值。
10.一种介质,其特征在于,所述介质存储有可执行程序,所述可执行程序被执行时,实现如权利要求1-8任一项所述的基于图像融合的家禽体温检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110506844.3A CN113223033A (zh) | 2021-05-10 | 2021-05-10 | 基于图像融合的家禽体温检测方法、设备以及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110506844.3A CN113223033A (zh) | 2021-05-10 | 2021-05-10 | 基于图像融合的家禽体温检测方法、设备以及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113223033A true CN113223033A (zh) | 2021-08-06 |
Family
ID=77094295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110506844.3A Pending CN113223033A (zh) | 2021-05-10 | 2021-05-10 | 基于图像融合的家禽体温检测方法、设备以及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113223033A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114743224A (zh) * | 2022-06-13 | 2022-07-12 | 金乡县康华乳业有限公司 | 一种基于计算机视觉的畜牧业家畜体温监控方法与系统 |
-
2021
- 2021-05-10 CN CN202110506844.3A patent/CN113223033A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114743224A (zh) * | 2022-06-13 | 2022-07-12 | 金乡县康华乳业有限公司 | 一种基于计算机视觉的畜牧业家畜体温监控方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Robust registration of multimodal remote sensing images based on structural similarity | |
Fan et al. | Registration of optical and SAR satellite images by exploring the spatial relationship of the improved SIFT | |
WO2019144469A1 (zh) | 一种图像质量分类方法、系统及终端设备 | |
CN110660089A (zh) | 一种卫星图像的配准方法及装置 | |
CN111160169A (zh) | 人脸检测方法、装置、设备及计算机可读存储介质 | |
Liu et al. | Multi-sensor image registration by combining local self-similarity matching and mutual information | |
CN112529827A (zh) | 遥感图像融合模型的训练方法及装置 | |
CN111199198B (zh) | 一种图像目标定位方法、图像目标定位装置及移动机器人 | |
CN113095187A (zh) | 一种基于图像特征匹配对齐的试卷批改方法 | |
CN113223033A (zh) | 基于图像融合的家禽体温检测方法、设备以及介质 | |
CN114419599A (zh) | 障碍物识别方法、装置及电子设备 | |
CN111161348A (zh) | 一种基于单目相机的物体位姿估计方法、装置及设备 | |
CN116363583A (zh) | 一种用于顶视角的人体识别方法、装置、设备及介质 | |
CN113822361B (zh) | 一种基于汉明距离的sar图像相似程度度量方法和系统 | |
CN116091998A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
Wu et al. | An accurate feature point matching algorithm for automatic remote sensing image registration | |
Karagiannis et al. | Automated photogrammetric image matching with SIFT algorithm and Delaunay triangulation | |
CN111951211B (zh) | 一种目标检测方法、装置及计算机可读存储介质 | |
CN114255398A (zh) | 一种卫星视频图像的特征提取与匹配的方法及装置 | |
CN114972451A (zh) | 一种基于旋转不变的SuperGlue匹配的遥感影像配准方法 | |
CN113643369A (zh) | 针对遥感影像的定位信息校正方法 | |
Yu et al. | Coarse-to-fine accurate registration for airborne Sar images using SAR-FAST and DSP-LATCH | |
CN118037610B (zh) | 一种针对复杂环境的水尺图像畸变校正方法和系统 | |
CN116542997B (zh) | 磁共振图像的处理方法、装置以及计算机设备 | |
CN113658101B (zh) | 图像中地标点检测方法、装置、终端设备及存储介质 |
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 | ||
CB02 | Change of applicant information |
Address after: Room 238, room 406, 1 Yichuang street, Huangpu District, Guangzhou, Guangdong 510700 Applicant after: Guangzhou langguo Electronic Technology Co.,Ltd. Address before: Room 238, room 406, 1 Yichuang street, Huangpu District, Guangzhou, Guangdong 510700 Applicant before: GUANGZHOU LANGO ELECTRONIC SCIENCE & TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information |