CN113240619B - 基于改进减法直方图的土壤图像阴影检测方法 - Google Patents

基于改进减法直方图的土壤图像阴影检测方法 Download PDF

Info

Publication number
CN113240619B
CN113240619B CN202110105288.9A CN202110105288A CN113240619B CN 113240619 B CN113240619 B CN 113240619B CN 202110105288 A CN202110105288 A CN 202110105288A CN 113240619 B CN113240619 B CN 113240619B
Authority
CN
China
Prior art keywords
histogram
hist
shadow
soil image
point
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
Application number
CN202110105288.9A
Other languages
English (en)
Other versions
CN113240619A (zh
Inventor
曾绍华
王琪
佘春燕
王帅
罗达璐
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.)
Chongqing Agricultural Technology Extension Station (chongqing Potato Detoxification Research Center Chongqing Soil Fertilizer Testing Center)
Chongqing Normal University
Original Assignee
Chongqing Agricultural Technology Extension Station (chongqing Potato Detoxification Research Center Chongqing Soil Fertilizer Testing Center)
Chongqing Normal University
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 Chongqing Agricultural Technology Extension Station (chongqing Potato Detoxification Research Center Chongqing Soil Fertilizer Testing Center), Chongqing Normal University filed Critical Chongqing Agricultural Technology Extension Station (chongqing Potato Detoxification Research Center Chongqing Soil Fertilizer Testing Center)
Priority to CN202110105288.9A priority Critical patent/CN113240619B/zh
Publication of CN113240619A publication Critical patent/CN113240619A/zh
Application granted granted Critical
Publication of CN113240619B publication Critical patent/CN113240619B/zh
Active 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供的一种基于改进减法直方图的土壤图像阴影检测方法，包括以下步骤：S1.确定土壤图像的Brightness特征和Ratio'特征；S2.基于土壤图像的Brightness特征和Ratio'特征确定土壤图像的阴影搜索区间；S3.基于土壤图像的Brightness特征和Ratio'特征确定土壤图像的阴影检测阈值；S4.基于土壤图像的阴影搜索区间以及阴影检测阈值对土壤图像进行阴影检测；能够有效地对土壤图像的阴影和非阴影区域进行准确的识别、分割，从而确保土壤图像阴影的检测精度，而且算法中不存在冗余，有效提高检测效率，并且具有良好的鲁棒性。

Description

基于改进减法直方图的土壤图像阴影检测方法
技术领域
本发明涉及土壤图像处理领域，尤其涉及一种基于改进减法直方图的土壤图像阴影检测方法。
背景技术
野外自然环境下机器视觉采集土壤图像，由于光照的遮挡以及土壤自身表面凹凸不平，导致图像中土壤区域存在阴影，阴影会对进一步土壤识别产生干扰，因此，检测土壤图像阴影是消除阴影对子图分割及进一步的土种识别影响的必要预处理工作。
在现有的土壤图像阴影检测方法中，比如色度和亮度比的Otsu阴影分割方法、现有的减法直方图阴影分割方法，这些方法不能够准确地对土壤的阴影和非阴影进行区分，检测精度低，而且过程复杂，鲁棒性差。
因此，为了解决上述技术问题，亟需提出一种新的技术手段。
发明内容
有鉴于此，本发明的目的是提供一种基于改进减法直方图的土壤图像阴影检测方法，能够有效地对土壤图像的阴影和非阴影区域进行准确的识别、分割，从而确保土壤图像阴影的检测精度，而且算法中不存在冗余，有效提高检测效率，并且具有良好的鲁棒性。
本发明提供的一种基于改进减法直方图的土壤图像阴影检测方法，包括以下步骤：
S1.确定土壤图像的Brightness特征和Ratio特征：
Figure GDA0003124267840000021
Figure GDA0003124267840000022
对Ratio特征进行拉伸重构处理，得到Ratio'特征：
Figure GDA0003124267840000023
其中，α为拉伸因子且α∈[2,3]，Red(i,j)，Green(i,j)，Blue(i,j)分别表示土壤图像第i行和第j列像素RGB三通道灰度值，N表示通道数且N＝3；
S2.基于土壤图像的Brightness特征和Ratio'特征确定土壤图像的阴影搜索区间；
S3.基于土壤图像的Brightness特征和Ratio'特征确定土壤图像的阴影检测阈值；
S4.基于土壤图像的阴影搜索区间以及阴影检测阈值对土壤图像进行阴影检测。
进一步，步骤S2中，确定土壤图像的阴影搜索区间具体包括：
S21.将土壤图像的Brightness特征和Ratio'特征分别进行64等分处理形成直方图B0和直方图R'0，对直方图B0和直方图R'0进行高斯平滑处理形成直方图B和直方图R'；
S22.计算直方图B和直方图R'的相邻频数比rHist(i)：
Figure GDA0003124267840000024
其中，Hist(i)，Hist(i+1)分别表示直方图在i和i+1位置的频数；
S23.对相邻频数比rHist(i)进行平滑处理；
S24.确定平滑处理后的相邻频数比rHist(i)直方图的波谷向量：
如果rHist(i)<0&&rHist(i+1)>0，则i+1为波谷点，顺序提取所有波谷点位置构成波谷向量posHist，并在波谷向量posHist的第一个元素前插入0作为第一个峰的位置起点，在最后一个元素后插入63作为最后一个峰的终点；
S25.取波谷向量posHist中任意相邻两点posHist(j)和posHist(j+1)构成区间范围，分别计算直方图B和直方图R'在该区间范围的面积SHist(j)：
Figure GDA0003124267840000031
其中，posHist(j)、posHist(j+1)为posHist中任意相邻两个元素的值，Hist(k)为直方图B和直方图R'第k个位置对应的频数， width表示直方图64等分中1等分的长度；
S26.如果直方图B和直方图R'在波谷向量posHist的面积个数均小于2，则土壤图像为全图阴影或者非阴影图像，否则：
找出直方图B和直方图R'在所有区间范围中面积最大的两个峰值点对应的64等分中位值构成阴影搜索区间
Figure GDA0003124267840000032
和阴影搜索区间
Figure GDA0003124267840000033
其中，
Figure GDA0003124267840000034
为Brightness域的非阴影主峰值点,
Figure GDA0003124267840000035
为 Brightness域的阴影主峰值点，
Figure GDA0003124267840000036
为Ratio'域的非阴影主峰值点,
Figure GDA0003124267840000037
为 Ratio'域的阴影主峰值点。
进一步，步骤S23中，对相邻频数比rHist(i)进行平滑处理具体包括：
(1)、if(rHist(i)<0&&rHist(i+1)>0&&rHist(i+2)<0)
rHist(i+1)＝-0.1；
(2)、if(rHist(i)<0&&rHist(i+1)>0&&rHist(i+2)>0&&rHist(i+3)<0)
rHist(i+1)＝-0.1，rHist(i+2)＝-0.1；
(3)、if(rHist(i)>0&&rHist(i+1)<0&&rHist(i+2)>0)
rHist(i+1)＝0.1
(4)、if(rHist(i)>0&&rHist(i+1)<0&&rHist(i+2)<0&&rHist(i+3)>0)
rHist(i+1)＝0.1，rHist(i+2)＝0.1。
进一步，步骤S3中，确定土壤图像的阴影检测阈值具体包括：
S31.基于直方图B0和直方图R'0确定保留直方图Retk；其中，保留直方图Retk的64等分位置分别对应值＝Rk的64等分对应位置的频数/R0'的64等分对应位置的频数；
S32.对保留直方图Retk进行拉伸处理得到Ret'k(i)：
Figure GDA0003124267840000041
其中，ω为拉伸因子，且ω≥0.1；size为特征等分数且其值为64，tanh为双曲正切函数；
S33.确定拉伸处理后的保留直方图Ret'k(i)的高保留率点FHRRP'k：
Figure GDA0003124267840000042
其中，MidT表示保留直方图中第i个等分的中位值点，Ret'k(i)表示拉伸处理后的保留直方图中的第i等分，i∈[valley'+1,peak']，valley'为拉伸处理后的保留直方图Ret'k(i)的非零波谷点，peak'为拉伸处理后的保留直方图Ret'k(i)中valley'右边的最大值所对应的点；
S34.将直方图B0中满足
Figure GDA0003124267840000051
范围的各等分的中位数存储至 tBk中，其中，
Figure GDA0003124267840000052
将直方图R'0中满足
Figure GDA0003124267840000053
范围的各等分的中位数存储至tR'k中，其中，
Figure GDA0003124267840000054
S35.以tBk为横坐标，以高保留率点FHRRP'k为纵坐标建立第一坐标系，将
Figure GDA0003124267840000055
对应的直方图B0中满足
Figure GDA0003124267840000056
范围的各等分的中位数标记到第一坐标系形成坐标点，并将各坐标点连接形成第一折线；
以tR'k为横坐标，以高保留率点FHRRP'k为纵坐标建立第二坐标系，将
Figure GDA0003124267840000057
对应的直方图R'0中满足
Figure GDA0003124267840000058
范围的各等分的中位数标记到第二坐标系中形成坐标点，并将各坐标点连接形成第二折线；
将第一坐标系和第二坐标系叠加，找出第一折线和第二折线之间的交点，在该交点对应到第一坐标系中的值时为Brightness域的阴影检测阈值TB，在该交点对应到第二坐标系中的值时为Ratio'域的阴影检测阈值TR'。
进一步，步骤S33中，根据如下方法确定拉伸处理后的保留直方图Ret'k(i) 的非零波谷点valley'：
拉伸处理后的保留直方图Ret'k(i)的64等分直方图以连续的5等分分为一组，共为13组，且第13组中的最后一位用0补齐；
计算第1组到第13组中每一组的Ret'k(i)的最大值；
在所有组中剔除最大值为0的组，然后找出剩余组中的最大值为最小的组，在该组中非零最小值所在Ret'k中的位置为非零波谷点。
本发明他有益效果：通过本发明，能够有效地对土壤图像的阴影和非阴影区域进行准确的识别、分割，从而确保土壤图像阴影的检测精度，而且算法中不存在冗余，有效提高检测效率，并且具有良好的鲁棒性。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的流程图。
图2为本发明Brightness特征示意图。
图3为本发明算法与现有算法对比图。
图4为本发明加速算法示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步向详细说明：
本发明提供的一种基于改进减法直方图的土壤图像阴影检测方法，包括以下步骤：
S1.确定土壤图像的Brightness特征和Ratio特征：
Figure GDA0003124267840000061
Figure GDA0003124267840000062
对Ratio特征进行拉伸重构处理，得到Ratio'特征：
Figure GDA0003124267840000063
其中，α为拉伸因子且α∈[2,3]，Red(i,j)，Green(i,j)，Blue(i,j)分别表示土壤图像第i行和第j列像素RGB三通道灰度值，N表示通道数且N＝3；
S2.基于土壤图像的Brightness特征和Ratio'特征确定土壤图像的阴影搜索区间；
S3.基于土壤图像的Brightness特征和Ratio'特征确定土壤图像的阴影检测阈值；
S4.基于土壤图像的阴影搜索区间以及阴影检测阈值对土壤图像进行阴影检测。通过本发明，能够有效地对土壤图像的阴影和非阴影区域进行准确的识别、分割，从而确保土壤图像阴影的检测精度，而且算法中不存在冗余，有效提高检测效率，并且具有良好的鲁棒性。
本实施例中，步骤S2中，确定土壤图像的阴影搜索区间具体包括：
S21.将土壤图像的Brightness特征和Ratio'特征分别进行64等分处理形成直方图B0和直方图R'0，对直方图B0和直方图R'0进行高斯平滑处理形成直方图B和直方图R'；
S22.计算直方图B和直方图R'的相邻频数比rHist(i)：
rHist(i)＝log(Hist(i+1)/Hist(i))
s.t.Hist＝{B,R'}；其中，Hist(i)，Hist(i+1)分别表示直方图在i和i+1位置的频数；
S23.对相邻频数比rHist(i)进行平滑处理；具体地：
(1)、if(rHist(i)<0&&rHist(i+1)>0&&rHist(i+2)<0)
rHist(i+1)＝-0.1；
(2)、if(rHist(i)<0&&rHist(i+1)>0&&rHist(i+2)>0&&rHist(i+3)<0)
rHist(i+1)＝-0.1，rHist(i+2)＝-0.1；
(3)、if(rHist(i)>0&&rHist(i+1)<0&&rHist(i+2)>0)
rHist(i+1)＝0.1
(4)、if(rHist(i)>0&&rHist(i+1)<0&&rHist(i+2)<0&&rHist(i+3)>0)
rHist(i+1)＝0.1，rHist(i+2)＝0.1。
S24.确定平滑处理后的相邻频数比rHist(i)直方图的波谷向量：
如果rHist(i)<0&&rHist(i+1)>0，则i+1为波谷点，顺序提取所有波谷点位置构成波谷向量posHist，并在波谷向量posHist的第一个元素前插入0作为第一个峰的位置起点，在最后一个元素后插入63作为最后一个峰的终点；
S25.取波谷向量posHist中任意相邻两点posHist(j)和posHist(j+1)构成区间范围，分别计算直方图B和直方图R'在该区间范围的面积SHist(j)：
Figure GDA0003124267840000081
其中，posHist(j)、posHist(j+1)为posHist中任意相邻两个元素的值，Hist(k)为直方图B和直方图R'第k个位置对应的频数， width表示直方图64等分中1等分的长度；
S26.如果直方图B和直方图R'在波谷向量posHist的面积个数均小于2，则土壤图像为全图阴影或者非阴影图像，否则：
找出直方图B和直方图R'在所有区间范围中面积最大的两个峰值点对应的64等分中位值构成阴影搜索区间
Figure GDA0003124267840000082
和阴影搜索区间
Figure GDA0003124267840000083
其中，
Figure GDA0003124267840000084
为Brightness域的非阴影主峰值点,
Figure GDA0003124267840000085
为 Brightness域的阴影主峰值点，
Figure GDA0003124267840000086
为Ratio'域的非阴影主峰值点,
Figure GDA0003124267840000087
为 Ratio'域的阴影主峰值点。
本实施例中，步骤S3中，确定土壤图像的阴影检测阈值具体包括：
S31.基于直方图B0和直方图R'0确定保留直方图Retk，其中，保留直方图Retk的64等分位置分别对应值＝Rk的64等分对应位置的频数/R0'的64等分对应位置的频数；比如说：Retk的第1等分位置的值＝Rk的第一等分位置的频数 /R0'的第1等分位置的频数，以此类推；将Brightness和Ratio'位置互换后，保留直方图Retk的64等分位置分别对应值＝Bk的64等分对应位置的频数/B0的64 等分对应位置的频数；其中，Rk直方图为土壤图像中Brightness值大于tBk对应像素点的Ratio'值的像素点进行64等分后确定出的直方图；Bk直方图为土壤图像中Ratio'值大于tR'k对应像素点的Brightness值的像素点进行64等分后确定出的直方图；
S32.对保留直方图Retk进行拉伸处理得到Ret'k(i)：
Figure GDA0003124267840000091
其中，ω为拉伸因子，且ω≥0.1；size为特征等分数且其值为64，tanh为双曲正切函数；
S33.确定拉伸处理后的保留直方图Ret'k(i)的高保留率点FHRRP'k：
Figure GDA0003124267840000092
其中，MidT表示保留直方图中第i个等分的中位值点，Ret'k(i)表示拉伸处理后的保留直方图中的第i等分，i∈[valley'+1,peak']，valley'为拉伸处理后的保留直方图Ret'k(i)的非零波谷点，peak'为拉伸处理后的保留直方图Ret'k(i)中valley'右边的最大值所对应的点；
S34.将直方图B0中满足
Figure GDA0003124267840000101
范围的各等分的中位数存储至 tBk中，其中，
Figure GDA0003124267840000102
将直方图R'0中满足
Figure GDA0003124267840000103
范围的各等分的中位数存储至tR'k中，其中，
Figure GDA0003124267840000104
S35.以tBk为横坐标，以高保留率点FHRRP'k为纵坐标建立第一坐标系，将
Figure GDA0003124267840000105
对应的直方图B0中满足
Figure GDA0003124267840000106
范围的各等分的中位数标记到第一坐标系形成坐标点，并将各坐标点连接形成第一折线；
以tR'k为横坐标，以高保留率点FHRRP'k为纵坐标建立第二坐标系，将
Figure GDA0003124267840000107
对应的直方图R'0中满足
Figure GDA0003124267840000108
范围的各等分的中位数标记到第二坐标系中形成坐标点，并将各坐标点连接形成第二折线；
将第一坐标系和第二坐标系叠加，找出第一折线和第二折线之间的交点，在该交点对应到第一坐标系中的值时为Brightness域的阴影检测阈值TB，在该交点对应到第二坐标系中的值时为Ratio'域的阴影检测阈值TR'。
本实施例中，步骤S33中，根据如下方法确定拉伸处理后的保留直方图 Ret'k(i)的非零波谷点valley'：
拉伸处理后的保留直方图Ret'k(i)的64等分直方图以连续的5等分分为一组，共为13组，且第13组中的最后一位用0补齐，即：第1组为 [Ret'k(0)，…,Ret'k(4)]，第2组为[Ret'k(5),…,Ret'k(9)],…,第13组为 [Ret'k(60),…,Ret'k(63),0]；
计算第1组到第13组中每一组的Ret'k(i)的最大值；
在所有组中剔除最大值为0的组，然后找出剩余组中的最大值为最小的组，在该组中非零最小值所在Ret'k中的位置为非零波谷点，比如说：剔除最大值为0的组后，剩余组为5,6,7,8,9,10这6组，在这6组中，第8组的Ret'k(i) 的最大值在这6组中最小，那么第8组就为最大值为最小的组。
当然，本发明还具有加速算法：
搜索Brightness分割阈值TB需要从
Figure GDA0003124267840000111
位开始，计算保留直方图及其对应的FHRRP'k，直到
Figure GDA0003124267840000112
结束，遍历过程总共执行
Figure GDA0003124267840000113
次。同理，搜索Ratio'分割阈值TR'的遍历过程总共也需要执行
Figure GDA0003124267840000114
次。最坏的情形是：
Figure GDA0003124267840000115
和
Figure GDA0003124267840000116
和
Figure GDA0003124267840000117
搜索次数为64*2次。最好的情形是：
Figure GDA0003124267840000118
和
Figure GDA0003124267840000119
搜索次数为0，平均搜索次数为32*2次。分割阈值交点(TB,TR')分别落在Brightness和Ratio'直方图双峰搜索区间内，搜索区间内的逐点搜索浪费了不必要的时间花销。
阴影检测阈值TB和TR'为两条折线(如图2)交点。通常情况下，两条折线有1交点，一条折线的一端仅跨越另一条折线1次，连接每条折线端点的两条直线也相交。因此，将折线相交近似为直线相交，逐步逼近折线交点，可减少搜索次数。其方法是：首次取端点构成直线，获取交点，再用端点与交点的中位点在折线上的位置点替代端点重构直线，获取新的交点，这样反复直到搜索折线交点。
取图4.(a)中①、②、③、④点分别为端点(tBleft,FHRRP'left_B)、 (tBright,FHRRP'right_B)、(FHRRP'left_R,tRl'eft)和(FHRRP'right_R,tRr'ight)。分别将①、②和③、④连成2条直线(如图4.(b))：
Figure GDA0003124267840000121
tB∈[tBleft,tBright],tR∈[tR'left,tR'right]
求得2条直线交点为(TB,TR')。如图4.(c)，用(tBleft+TB)/2更新tBleft及对应的FHRRP'，更新①；(tBright+TB)/2更新tBright及对应的FHRRP'，更新②；同理，如图4.(d)所示，(tR'left+TR')/2更新tRleft及对应的FHRRP'，更新③。(tR'right+TR')/2更新tRr'ight及对应的FHRRP'，更新④。
将①与③和④进行比较，②与③和④进行比较，若有相等停止迭代；若不相等则重构①、②和③、④连成2条直线，更新2条直线交点(TB,TR')，更新①、②、③、④点，直到迭代停止。迭代停止时的交点(TB,TR')即为最后的阴影检测阈值。
以下以具体实例对本发明做出进一步说明：
对样本采用本发明的算法和现有算法进行对比，共20组样本，随机取第3 组样本和第15组样本进行检测，其结果图像如图3，其数据对比表1和表2：
在具体实例中，拉伸因子a＝2.5，拉伸因子ω＝1；
Figure GDA0003124267840000124
Figure GDA0003124267840000131
表1
Figure GDA0003124267840000132
表2
通过上述数据以及附图可以证明，基于本发明重构的Ratio'特征，能够提升该特征的双峰特性，改进减法直方图算法对获得保留直方图的进行拉伸，增大保留直方图的最大梯度差，使搜索保留直方图的最大梯度求解阈值变得更直观；基于本发明，减少了搜索范围，比改进前减少了近1/3计算时间开销，而且检测精度更高。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于改进减法直方图的土壤图像阴影检测方法，其特征在于：包括以下步骤：
S1.确定土壤图像的Brightness特征和Ratio特征：
Figure FDA0002917160850000011
Figure FDA0002917160850000012
对Ratio特征进行拉伸重构处理，得到Ratio'特征：
Figure FDA0002917160850000013
其中，α为拉伸因子且α∈[2,3]，Red(i,j)，Green(i,j)，Blue(i,j)分别表示土壤图像第i行和第j列像素RGB三通道灰度值，N表示通道数且N＝3；
S2.基于土壤图像的Brightness特征和Ratio'特征确定土壤图像的阴影搜索区间；
S3.基于土壤图像的Brightness特征和Ratio'特征确定土壤图像的阴影检测阈值；
S4.基于土壤图像的阴影搜索区间以及阴影检测阈值对土壤图像进行阴影检测。
2.根据权利要求1所述基于改进减法直方图的土壤图像阴影检测方法，其特征在于：步骤S2中，确定土壤图像的阴影搜索区间具体包括：
S21.将土壤图像的Brightness特征和Ratio'特征分别进行64等分处理形成直方图B0和直方图R'0，对直方图B0和直方图R'0进行高斯平滑处理形成直方图B和直方图R'；
S22.计算直方图B和直方图R'的相邻频数比rHist(i)：
Figure FDA0002917160850000021
其中，Hist(i)，Hist(i+1)分别表示直方图在i和i+1位置的频数；
S23.对相邻频数比rHist(i)进行平滑处理；
S24.确定平滑处理后的相邻频数比rHist(i)直方图的波谷向量：
如果rHist(i)<0&&rHist(i+1)>0，则i+1为波谷点，顺序提取所有波谷点位置构成波谷向量posHist，并在波谷向量posHist的第一个元素前插入0作为第一个峰的位置起点，在最后一个元素后插入63作为最后一个峰的终点；
S25.取波谷向量posHist中任意相邻两点posHist(j)和posHist(j+1)构成区间范围，分别计算直方图B和直方图R'在该区间范围的面积SHist(j)：
Figure FDA0002917160850000022
其中，posHist(j)、posHist(j+1)为posHist中任意相邻两个元素的值，Hist(k)为直方图B和直方图R'第k个位置对应的频数，width表示直方图64等分中1等分的长度；
S26.如果直方图B和直方图R'在波谷向量posHist的面积个数均小于2，则土壤图像为全图阴影或者非阴影图像，否则：
找出直方图B和直方图R'在所有区间范围中面积最大的两个峰值点对应的64等分中位值构成阴影搜索区间
Figure FDA0002917160850000023
和阴影搜索区间
Figure FDA0002917160850000024
其中，
Figure FDA0002917160850000025
为Brightness域的非阴影主峰值点,
Figure FDA0002917160850000026
为Brightness域的阴影主峰值点，
Figure FDA0002917160850000027
为Ratio'域的非阴影主峰值点,
Figure FDA0002917160850000028
为Ratio'域的阴影主峰值点。
3.根据权利要求2所述基于改进减法直方图的土壤图像阴影检测方法，其特征在于：步骤S23中，对相邻频数比rHist(i)进行平滑处理具体包括：
(1)、if(rHist(i)<0&&rHist(i+1)>0&&rHist(i+2)<0)
rHist(i+1)＝-0.1；
(2)、if(rHist(i)<0&&rHist(i+1)>0&&rHist(i+2)>0&&rHist(i+3)<0)
rHist(i+1)＝-0.1，rHist(i+2)＝-0.1；
(3)、if(rHist(i)>0&&rHist(i+1)<0&&rHist(i+2)>0)
rHist(i+1)＝0.1
(4)、if(rHist(i)>0&&rHist(i+1)<0&&rHist(i+2)<0&&rHist(i+3)>0)
rHist(i+1)＝0.1，rHist(i+2)＝0.1。
4.根据权利要求2所述基于改进减法直方图的土壤图像阴影检测方法，其特征在于：步骤S3中，确定土壤图像的阴影检测阈值具体包括：
S31.基于直方图B0和直方图R'0确定保留直方图Retk，其中，保留直方图Retk的64等分位置分别对应值＝Rk的64等分对应位置的频数/R0'的64等分对应位置的频数；
S32.对保留直方图Retk进行拉伸处理得到Ret'k(i)：
Figure FDA0002917160850000031
其中，ω为拉伸因子，且ω≥0.1；size为特征等分数且其值为64，tanh为双曲正切函数；
S33.确定拉伸处理后的保留直方图Ret'k(i)的高保留率点FHRRP'k：
Figure FDA0002917160850000041
其中，MidT表示保留直方图中第i个等分的中位值点，Ret'k(i)表示拉伸处理后的保留直方图中的第i等分，i∈[valley'+1,peak']，valley'为拉伸处理后的保留直方图Ret'k(i)的非零波谷点，peak'为拉伸处理后的保留直方图Ret'k(i)中valley'右边的最大值所对应的点；
S34.将直方图B0中满足
Figure FDA0002917160850000042
范围的各等分的中位数存储至tBk中，其中，
Figure FDA0002917160850000043
将直方图R'0中满足
Figure FDA0002917160850000044
范围的各等分的中位数存储至tR'k中，其中，
Figure FDA0002917160850000045
S35.以tBk为横坐标，以高保留率点FHRRP'k为纵坐标建立第一坐标系，将
Figure FDA0002917160850000046
对应的直方图B0中满足
Figure FDA0002917160850000047
范围的各等分的中位数标记到第一坐标系形成坐标点，并将各坐标点连接形成第一折线；
以tR'k为横坐标，以高保留率点FHRRP'k为纵坐标建立第二坐标系，将
Figure FDA0002917160850000048
对应的直方图R'0中满足
Figure FDA0002917160850000049
范围的各等分的中位数标记到第二坐标系中形成坐标点，并将各坐标点连接形成第二折线；
将第一坐标系和第二坐标系叠加，找出第一折线和第二折线之间的交点，在该交点对应到第一坐标系中的值时为Brightness域的阴影检测阈值TB，在该交点对应到第二坐标系中的值时为Ratio'域的阴影检测阈值TR'。
5.根据权利要求4所述基于改进减法直方图的土壤图像阴影检测方法，其特征在于：步骤S33中，根据如下方法确定拉伸处理后的保留直方图Ret'k(i)的非零波谷点valley'：
拉伸处理后的保留直方图Ret'k(i)的64等分直方图以连续的5等分分为一组，共为13组，且第13组中的最后一位用0补齐；
计算第1组到第13组中每一组的Ret'k(i)的最大值；
在所有组中剔除最大值为0的组，然后找出剩余组中的最大值为最小的组，在该组中非零最小值所在Ret'k中的位置为非零波谷点。
CN202110105288.9A 2021-01-26 2021-01-26 基于改进减法直方图的土壤图像阴影检测方法 Active CN113240619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110105288.9A CN113240619B (zh) 2021-01-26 2021-01-26 基于改进减法直方图的土壤图像阴影检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110105288.9A CN113240619B (zh) 2021-01-26 2021-01-26 基于改进减法直方图的土壤图像阴影检测方法

Publications (2)

Publication Number Publication Date
CN113240619A CN113240619A (zh) 2021-08-10
CN113240619B true CN113240619B (zh) 2022-06-21

Family

ID=77130164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110105288.9A Active CN113240619B (zh) 2021-01-26 2021-01-26 基于改进减法直方图的土壤图像阴影检测方法

Country Status (1)

Country Link
CN (1) CN113240619B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915524A (zh) * 2012-09-14 2013-02-06 武汉大学 一种基于阴影区域内外检查线匹配的阴影消除方法
CN111754501A (zh) * 2020-06-30 2020-10-09 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法
CN111915509A (zh) * 2020-07-03 2020-11-10 三峡大学 基于图像处理去阴影优化的保护压板状态辨识方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7639878B2 (en) * 2005-11-17 2009-12-29 Honeywell International Inc. Shadow detection in images
CN106296666B (zh) * 2016-08-01 2019-03-01 北京大学深圳研究生院 一种彩色图像去阴影方法和应用
EP3413264B1 (en) * 2017-06-06 2020-01-29 Siemens Healthcare GmbH Providing a normalized image

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915524A (zh) * 2012-09-14 2013-02-06 武汉大学 一种基于阴影区域内外检查线匹配的阴影消除方法
CN111754501A (zh) * 2020-06-30 2020-10-09 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法
CN111915509A (zh) * 2020-07-03 2020-11-10 三峡大学 基于图像处理去阴影优化的保护压板状态辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Subtracted Histogram: Utilizing Mutual Relation Between Features for Thresholding;Yan Meng 等;《IEEE Transactions on Geoscience and Remote Sensing》;20180802;第56卷(第12期);第7415-7435页 *
基于减法直方图算法的土壤图像阴影检测;曾绍华 等;《西南大学学报(自然科学版)》;20211031;第43卷(第10期);第167-180页 *

Also Published As

Publication number Publication date
CN113240619A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN113781402B (zh) 芯片表面划痕缺陷的检测方法、装置和计算机设备
CN109596634B (zh) 电缆缺陷的检测方法及装置、存储介质、处理器
CN107862667B (zh) 一种基于高分辨率遥感影像的城市阴影检测与去除方法
CN112950508A (zh) 一种基于计算机视觉的排水管道视频数据修复方法
CN109636784B (zh) 基于最大邻域和超像素分割的图像显著性目标检测方法
CN109146838A (zh) 一种基于几何特征与区域融合的g显带粘连染色体分割方法
CN108615239B (zh) 基于阈值技术和灰度投影的舌图像分割方法
CN108805863B (zh) 深度卷积神经网络结合形态学检测图像变化的方法
CN111754538B (zh) Usb表面缺陷检测的阈值分割方法
CN107154026B (zh) 一种基于自适应亮度高程模型的消除路面阴影的方法
CN106709499A (zh) 基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法
CN109359604B (zh) 面向巡检机器人的阴影干扰下仪表识别方法
CN105068918A (zh) 一种页面测试方法及装置
CN114648511A (zh) 一种大肠杆菌轮廓的精确提取及识别方法
CN113052859A (zh) 基于自适应种子点密度聚类超像素分割方法
CN111915507B (zh) 一种壁画脱落的修复方法
CN115359237A (zh) 一种基于图形识别的齿轮断齿识别方法
CN111223063A (zh) 基于纹理特征和双核函数的手指静脉图像nlm去噪方法
CN109101985A (zh) 一种基于自适应邻域测试的图像误匹配点对剔除方法
CN111738931A (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN107037056A (zh) 一种快速局部阈值分割的水果表面缺陷检测方法
CN113240619B (zh) 基于改进减法直方图的土壤图像阴影检测方法
CN110930423B (zh) 一种物体边缘特征识别提取方法
CN116718599A (zh) 一种基于三维点云数据的表观裂缝长度测量方法
CN111862123A (zh) 一种基于深度学习的ct腹部动脉血管分级识别方法

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
GR01 Patent grant
GR01 Patent grant