CN113223097A - 一种提高密度计数精度的图像预处理方法 - Google Patents

一种提高密度计数精度的图像预处理方法 Download PDF

Info

Publication number
CN113223097A
CN113223097A CN202110471381.1A CN202110471381A CN113223097A CN 113223097 A CN113223097 A CN 113223097A CN 202110471381 A CN202110471381 A CN 202110471381A CN 113223097 A CN113223097 A CN 113223097A
Authority
CN
China
Prior art keywords
counting
image
target
counting target
value
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
Application number
CN202110471381.1A
Other languages
English (en)
Inventor
余博文
黄巍
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.)
Wuhan Institute of Technology
Original Assignee
Wuhan Institute of 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 Wuhan Institute of Technology filed Critical Wuhan Institute of Technology
Priority to CN202110471381.1A priority Critical patent/CN113223097A/zh
Publication of CN113223097A publication Critical patent/CN113223097A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种提高密度计数精度的图像预处理方法，通过对包含计数目标的图像进行HSV颜色空间值分析，再利用分析结果对使用超像素分割获得的超像素颜色均值图进行干扰因素过滤，最终获得包含计数目标的图像对应的目标过滤图用于密度计数，对经过预处理后的目标过滤图进行密度计数，提高了密度计数的准确率和计数效率。本发明消除了图像中的干扰项像素，配合现有的密度计数技术，代替人工处理计数图像，极大地减少了人工实地计数工作，减少人为因素造成的错误，保证了目标计数的准确率，提高了计数定位的效率，方法简单，适合普遍推广。

Description

一种提高密度计数精度的图像预处理方法
技术领域
本发明属于图像处理技术领域，具体涉及一种提高密度计数精度的图像预处理方法。
背景技术
随着计算机视觉技术的迅速更新发展与理论研宄的不断深入，智能图像处理已经成为一个非常重要且活跃的研宄领域。在固定场景下的目标计数是图像处理的一个热点研究课题,在社会生活的方方面面都有着巨大的实际应用价值，比如医学领域的细胞计数工作和松材线虫病树的计数定位工作，利用图像处理中的目标计数方法可以代替人工完成这些重复又繁重的工作，并保证目标计数的准确率，提高计数效率。现有目标计数可分为：
检测计数：这种方法通过定位出每个计数目标进行计数，无法适用于计数目标密度高、遮挡情况较严重的计数情况。
回归计数：这种方法可以得到较好的计数结果，但失去了计数目标的空间信息，无法进行目标定位。
密度计数：这种方法通过图像特征与图像计数目标密度图的映射关系来对目标计数，有效保留了计数目标的空间信息。
目前计数定位效果最好的方法是密度计数法，密度计数常用于医学领域的细胞计数工作，但对于例如松材线虫病树的计数定位工作，由于松材线虫病树区域地形复杂，存在梯田、土壤、建筑等大量的干扰因素，密度计数无法达到理想的计数精度。
发明内容
本发明要解决的技术问题是：提供一种提高密度计数精度的图像预处理方法，用于提高密度计数的准确率和计数效率。
本发明为解决上述技术问题所采取的技术方案为：一种提高密度计数精度的图像预处理方法，包括以下步骤：
S1：获取多个包含计数目标的图像；
S2：对包含计数目标的图像进行HSV颜色空间值分析；
S3：通过包含计数目标的图像生成对应的超像素颜色均值图；
S4：根据HSV颜色空间值分析结果对超像素颜色均值图进行干扰因素过滤，得到包含计数目标的图像对应的目标过滤图。
按上述方案，所述的步骤S2中，具体步骤为：
S21：分析判断包含计数目标的图像，得到除了计数目标以外的干扰项分类；
S22：在包含计数目标的图像中对计数目标和其他干扰项分类随机提取大量中心点的HSV颜色空间通道值；
S23：将提取出来的通道值根据所属分类绘制成散点图；
S24：通过散点图判断计数目标在HSV颜色空间的通道阈值。
按上述方案，所述的步骤S3中，具体步骤为：
S31：计算包含计数目标的图像像素总数M，估计计数目标在图像中占据像素数N，计算超像素聚类中心个数K＝M÷N；
S32：使用简单线性迭代聚类算法对包含计数目标的图像进行超像素分割，聚类中心个数为K；
S33：将每个超像素块里的像素均值化，得到包含计数目标的图像对应的超像素颜色均值图。
进一步的，所述的步骤S4中，具体步骤为：
S41：根据步骤S24得到的计数目标在HSV颜色空间的通道阈值设置图像过滤规则；
S42：采用过滤规则对步骤S33得到的超像素颜色均值图逐像素遍历筛选；
S43：将满足过滤规则的像素设置为指定的RGB值；将不满足过滤规则的像素设置为黑色，RGB值为(0，0，0)；得到包含计数目标的图像对应的目标过滤图，表现为一幅二值图像，前景像素为指定RGB值的计数目标区域，背景像素为黑色。
进一步的，所述的步骤S24中，提取中心点的HSV颜色空间通道值包括色调H通道值、饱和度S通道值、亮度V通道值；
色调H通道值由计数目标H通道值散点图得到H通道值阈值，用于提高包含计数目标的图像的色调过滤效果和便于区分色调与计数目标不同的干扰项；
饱和度S通道值由计数目标S通道值散点图得到S通道值阈值，用于提高包含计数目标的图像的饱和度过滤效果和便于区分饱和度与计数目标不同的干扰项；
亮度V通道值由计数目标V通道值散点图得到V通道值阈值，用于提高包含计数目标的图像的亮度过滤效果和便于区分亮度与计数目标不同的干扰项。
一种计算机存储介质，其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行一种提高密度计数精度的图像预处理方法。
本发明的有益效果为：
1.本发明的一种提高密度计数精度的图像预处理方法，通过对包含计数目标的图像进行HSV颜色空间值分析，再利用分析结果对使用超像素分割获得的超像素颜色均值图进行干扰因素过滤，最终获得包含计数目标的图像对应的目标过滤图用于密度计数，对经过预处理后的目标过滤图进行密度计数，提高了密度计数的准确率和计数效率。
2.本发明消除了图像中的干扰项像素，配合现有的密度计数技术，代替人工处理计数图像，极大地减少了人工实地计数工作，减少人为因素造成的错误，保证了目标计数的准确率，提高了计数定位的效率，方法简单，适合普遍推广。
附图说明
图1是本发明实施例的总流程图。
图2是本发明实施例的分步骤流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1，本发明实施例为通过无人机于高度350米航拍松材线虫病区图像，共计92张包含松材线虫病树这种计数目标的松材线虫病区图像，采用一种提高密度计数精度的图像预处理方法，包括以下步骤：
S1：获取多个包含计数目标的图像；
S2：对包含计数目标的图像进行HSV颜色空间值分析；
S21：对所述包含计数目标的图像进行分析判断，得到除了计数目标以外的干扰项分类；
S22：对计数目标和其他干扰项分类在所述图像中随机提取大量中心点的HSV颜色空间通道值；
S23：将提取出来的通道值根据所属分类绘制成散点图。
S24：通过散点图判断计数目标在HSV颜色空间的通道阈值。
本实施例松材线虫病区图像中除计数目标松材线虫病树以外的干扰项分类包括：健康树木、土壤、梯田、建筑。最终得到的松材线虫病树在HSV颜色空间的通道阈值为：H通道9到35，S通道20到33，V通道29到46。
通过对包含计数目标的图像进行分析，可以获得除计数目标以外的干扰项的信息，对计数目标和其他干扰项分类在HSV颜色空间的通道数值分析，最终获得计数目标在HSV颜色空间的通道阈值，由于HSV颜色空间相对于RGB颜色空间更接近人眼观察图像时对彩色图像的描述，因此所述阈值更利于密度计数的计数精度和准确度。
其中，提取中心点的HSV颜色空间通道值有多种，例如色调H通道值，由计数目标H通道值散点图得到H通道值阈值，该阈值可以提高包含计数目标的图像的色调过滤效果，便于区分色调与计数目标不同的干扰项；例如饱和度S通道值，由计数目标S通道值散点图得到S通道值阈值，该阈值可以提高包含计数目标的图像的饱和度过滤效果，便于区分饱和度与计数目标不同的干扰项；例如亮度V通道值，由计数目标V通道值散点图得到V通道值阈值，该阈值可以提高包含计数目标的图像的亮度过滤效果，便于区分亮度与计数目标不同的干扰项。根据步骤1.3中散点图选择合适的通道设置阈值更利于密度计数的计数精度和准确度。
S3：通过包含计数目标的图像生成对应的超像素颜色均值图；
S31：计算包含计数目标的图像像素总数M，估计计数目标在图像中占据像素数N，计算超像素聚类中心个数K＝M÷N；
S32：使用简单线性迭代聚类算法对包含计数目标的图像进行超像素分割，聚类中心个数为K；
S33：将每个超像素块里的像素均值化，得到包含计数目标的图像对应的超像素颜色均值图。
本实施例松材线虫病区图像的像素总数M＝972*728，计数目标松材线虫病树在图像中占据像素数N＝10*10，超像素聚类中心个数K＝M÷N≈7076，使用聚类中心个数为7076的简单线性迭代聚类算法对松材线虫病区图像进行超像素分割，得到的超像素块大小接近计数目标松材线虫病树在图像中占据像素数。
对这些包含计数目标的图像生成对应的超像素颜色均值图，可以便于校准计数目标和干扰项的HSV颜色空间的通道值，由于计数目标和干扰项所包含的像素区域偶尔会出现HSV颜色空间的通道值异常的点，简单的过滤算法无法过滤这些异常点，而超像素颜色均值图可以将这些点的HSV颜色空间的通道值修正，便于后续的干扰项过滤操作，从而提高密度计数的计数精度和准确度。
S4：根据HSV颜色空间值分析结果对超像素颜色均值图进行干扰因素过滤，得到包含计数目标的图像对应的目标过滤图。
S41：利用步骤S24中得到的计数目标在HSV颜色空间的通道阈值设置图像过滤规则；
S42：使用所述过滤规则对步骤S33中得到的超像素颜色均值图逐像素遍历筛选；
S43：对于满足过滤规则的像素设置为指定的RGB值，对于不满足过滤规则的像素设置为黑色即RGB值为(0，0，0)，最终得到包含计数目标的图像对应的目标过滤图，表现为一幅二值图像，其前景像素为指定RGB值的计数目标区域，背景像素为黑色。
本实施例选取的过滤规则为松材线虫病树在HSV颜色空间的H通道阈值9到35与V通道阈值29到46，对于满足过滤规则的像素设置为RGB值(255，0，0)作为前景像素。
通过利用HSV颜色空间值分析结果对超像素颜色均值图进行干扰因素过滤，得到包含计数目标的图像对应的目标过滤图，由于目标过滤图表现为一幅二值图像，干扰项已被过滤由黑色背景像素代替，只留下代表计数目标区域的指定RGB值的前景像素，有利于密度计数的计数和定位效果，能实现代替人工处理图像计数工作，智能化高，不会出现人为因素造成的错误，准确率高、效率高，方法简单，适合普遍推广。
由于本实施例松材线虫病区图像中包含健康树木、土壤、梯田、建筑等干扰项，这些干扰项会影响密度计数和定位效果，因此，本发明的图像预处理方法可以消除所有松材线虫病区图像中的干扰项像素，配合现有的密度计数技术，能够极大地减少林区工作人员的人工实地计数工作，代替人工处理计数图像，并保证目标计数的准确率，提高计数定位效率。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (6)

1.一种提高密度计数精度的图像预处理方法，其特征在于：包括以下步骤：
S1：获取多个包含计数目标的图像；
S2：对包含计数目标的图像进行HSV颜色空间值分析；
S3：通过包含计数目标的图像生成对应的超像素颜色均值图；
S4：根据HSV颜色空间值分析结果对超像素颜色均值图进行干扰因素过滤，得到包含计数目标的图像对应的目标过滤图。
2.根据权利要求1所述的一种提高密度计数精度的图像预处理方法，其特征在于：所述的步骤S2中，具体步骤为：
S21：分析判断包含计数目标的图像，得到除了计数目标以外的干扰项分类；
S22：在包含计数目标的图像中对计数目标和其他干扰项分类随机提取大量中心点的HSV颜色空间通道值；
S23：将提取出来的通道值根据所属分类绘制成散点图；
S24：通过散点图判断计数目标在HSV颜色空间的通道阈值。
3.根据权利要求1所述的一种提高密度计数精度的图像预处理方法，其特征在于：所述的步骤S3中，具体步骤为：
S31：计算包含计数目标的图像像素总数M，估计计数目标在图像中占据像素数N，计算超像素聚类中心个数K＝M÷N；
S32：使用简单线性迭代聚类算法对包含计数目标的图像进行超像素分割，聚类中心个数为K；
S33：将每个超像素块里的像素均值化，得到包含计数目标的图像对应的超像素颜色均值图。
4.根据权利要求2或3所述的一种提高密度计数精度的图像预处理方法，其特征在于：所述的步骤S4中，具体步骤为：
S41：根据步骤S24得到的计数目标在HSV颜色空间的通道阈值设置图像过滤规则；
S42：采用过滤规则对步骤S33得到的超像素颜色均值图逐像素遍历筛选；
S43：将满足过滤规则的像素设置为指定的RGB值；将不满足过滤规则的像素设置为黑色，RGB值为(0，0，0)；得到包含计数目标的图像对应的目标过滤图，表现为一幅二值图像，前景像素为指定RGB值的计数目标区域，背景像素为黑色。
5.根据权利要求2所述的一种提高密度计数精度的图像预处理方法，其特征在于：所述的步骤S24中，提取中心点的HSV颜色空间通道值包括色调H通道值、饱和度S通道值、亮度V通道值；
色调H通道值由计数目标H通道值散点图得到H通道值阈值，用于提高包含计数目标的图像的色调过滤效果和便于区分色调与计数目标不同的干扰项；
饱和度S通道值由计数目标S通道值散点图得到S通道值阈值，用于提高包含计数目标的图像的饱和度过滤效果和便于区分饱和度与计数目标不同的干扰项；亮度V通道值由计数目标V通道值散点图得到V通道值阈值，用于提高包含计数目标的图像的亮度过滤效果和便于区分亮度与计数目标不同的干扰项。
6.一种计算机存储介质，其特征在于：其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行如权利要求1至权利要求5中任意一项所述的一种提高密度计数精度的图像预处理方法。
CN202110471381.1A 2021-04-29 2021-04-29 一种提高密度计数精度的图像预处理方法 Pending CN113223097A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110471381.1A CN113223097A (zh) 2021-04-29 2021-04-29 一种提高密度计数精度的图像预处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110471381.1A CN113223097A (zh) 2021-04-29 2021-04-29 一种提高密度计数精度的图像预处理方法

Publications (1)

Publication Number Publication Date
CN113223097A true CN113223097A (zh) 2021-08-06

Family

ID=77089952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110471381.1A Pending CN113223097A (zh) 2021-04-29 2021-04-29 一种提高密度计数精度的图像预处理方法

Country Status (1)

Country Link
CN (1) CN113223097A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102938053A (zh) * 2011-08-16 2013-02-20 汪建 一种基于计算机视觉的甘蔗特征提取与识别方法
CN108492296A (zh) * 2018-04-04 2018-09-04 扬州大学 基于超像素分割的小麦麦穗智能计数系统及方法
CN109001206A (zh) * 2018-05-04 2018-12-14 华南农业大学 一种基于图像识别的水果缺陷检测方法以及检测系统
CN110084820A (zh) * 2019-03-30 2019-08-02 重庆师范大学 基于改进fcm算法的紫色土图像自适应分割提取方法
CN110415255A (zh) * 2019-06-14 2019-11-05 广东省人民医院(广东省医学科学院) 一种免疫组化病理图像cd3阳性细胞核分割方法及系统
CN110930413A (zh) * 2019-08-13 2020-03-27 河南理工大学 一种基于弱监督多核分类优化合并的图像分割方法
US20200250428A1 (en) * 2019-02-04 2020-08-06 Farmers Edge Inc. Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron
CN112365517A (zh) * 2020-11-19 2021-02-12 天津科技大学 一种基于图像颜色和密度特征的超像素分割方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102938053A (zh) * 2011-08-16 2013-02-20 汪建 一种基于计算机视觉的甘蔗特征提取与识别方法
CN108492296A (zh) * 2018-04-04 2018-09-04 扬州大学 基于超像素分割的小麦麦穗智能计数系统及方法
CN109001206A (zh) * 2018-05-04 2018-12-14 华南农业大学 一种基于图像识别的水果缺陷检测方法以及检测系统
US20200250428A1 (en) * 2019-02-04 2020-08-06 Farmers Edge Inc. Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron
CN110084820A (zh) * 2019-03-30 2019-08-02 重庆师范大学 基于改进fcm算法的紫色土图像自适应分割提取方法
CN110415255A (zh) * 2019-06-14 2019-11-05 广东省人民医院(广东省医学科学院) 一种免疫组化病理图像cd3阳性细胞核分割方法及系统
CN110930413A (zh) * 2019-08-13 2020-03-27 河南理工大学 一种基于弱监督多核分类优化合并的图像分割方法
CN112365517A (zh) * 2020-11-19 2021-02-12 天津科技大学 一种基于图像颜色和密度特征的超像素分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
于海涛: "基于超像素区域融合的遥感图像地物分类算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
吕玫霞: "无人机林地图像传输APP及虫害检测系统", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *
陶欢 等: "基于HSV阈值法的无人机影像变色松树识别", 《南京林业大学学报( 自然科学版)》 *
韩利冬: "高分2号遥感影像典型自然要素的自动识别方法研究——以云、水体、植被为例", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Similar Documents

Publication Publication Date Title
Dhingra et al. Study of digital image processing techniques for leaf disease detection and classification
CN104598908B (zh) 一种农作物叶部病害识别方法
CN111738064B (zh) 一种雾霾图像的雾浓度识别方法
CN107330892A (zh) 一种基于随机森林法的向日葵病害识别方法
Masood et al. Plants disease segmentation using image processing
Agrawal et al. Survey on image segmentation techniques and color models
CN109685045A (zh) 一种运动目标视频跟踪方法及系统
CN103295013A (zh) 一种基于成对区域的单幅图像阴影检测方法
Ji et al. In-field automatic detection of maize tassels using computer vision
CN113361315B (zh) 基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法
Trivedi et al. Automatic segmentation of plant leaves disease using min-max hue histogram and k-mean clustering
CN115690086A (zh) 一种基于对象的高分辨率遥感影像变化检测方法及系统
CN115147746A (zh) 基于无人机遥感图像的盐碱地质识别方法
CN111882573A (zh) 一种基于高分辨率影像数据的耕地地块提取方法及系统
Septiarini et al. Image processing techniques for tomato segmentation applying k-means clustering and edge detection approach
CN113223097A (zh) 一种提高密度计数精度的图像预处理方法
Sahu et al. Color image segmentation using genetic algorithm
Ashok Kumar et al. A review on crop and weed segmentation based on digital images
CN104050455B (zh) 一种肤色检测方法及系统
Deisy et al. Image segmentation for feature extraction: A study on disease diagnosis in agricultural plants
Araujo et al. Disease identification in chilli leaves using machine learning techniques
CN111401275B (zh) 一种用于识别草地边缘的信息处理方法和装置
Long et al. A novel unsupervised two‐stage technique in color image segmentation
Tamilselvi et al. Color based K-Means Clustering For Image Segmentation to Identify the Infected Leaves
Vanitha et al. Detecting Turmeric Taphrina Maculans Disease using Machine Learning Algorithms

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210806

RJ01 Rejection of invention patent application after publication