CN113256671A - 一种基于YCbCr颜色空间的树果计数方法 - Google Patents

一种基于YCbCr颜色空间的树果计数方法 Download PDF

Info

Publication number
CN113256671A
CN113256671A CN202110458066.5A CN202110458066A CN113256671A CN 113256671 A CN113256671 A CN 113256671A CN 202110458066 A CN202110458066 A CN 202110458066A CN 113256671 A CN113256671 A CN 113256671A
Authority
CN
China
Prior art keywords
sub
images
tree fruit
fruits
color space
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
CN202110458066.5A
Other languages
English (en)
Other versions
CN113256671B (zh
Inventor
刘鸿琛
徐荣青
申景金
常春耘
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202110458066.5A priority Critical patent/CN113256671B/zh
Publication of CN113256671A publication Critical patent/CN113256671A/zh
Application granted granted Critical
Publication of CN113256671B publication Critical patent/CN113256671B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • 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
    • G06T7/90—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
    • G06T2207/10—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于YCbCr颜色空间的树果计数方法，包括以下步骤：(1)获取树果的目标图像；(2)预处理目标图像；(3)目标图像的通道转换和颜色分割；(4)提取和分类目标图像，获得独立树果子图像和树果组子图像；(5)获得子图像的树果个数和目标图像的总树果个数。本发明对于不同生长特征的树果获得较好的提取效果，将提取的子图像分为独立树果和树果组两类，分别对两类子图像设计计数算法，有效提高树果计数的准确性，降低了算法复杂度；实现了树果的自动计数，有效避免农业估产中对果实的损伤，可用于树果的估产。

Description

一种基于YCbCr颜色空间的树果计数方法
技术领域
本发明涉及机器视觉领域，尤其涉及一种基于YCbCr颜色空间的树果计数方法。
背景技术
随着机器视觉技术的发展，农业生产领域开始出现机器视觉系统的身影。在农业生产领域中，树上果实的估产是果实收割前的一项重要任务，准确的估产结果有助于进行果实的采摘。目前将机器视觉用于果树估产中主要有红外热成像和可见光成像。
近几年，有人提出了一种基于模糊图像处理的树果热成像图检测。红外热成像设备昂贵，在非最大温差时段获取的热成像图像果实与果树枝叶的颜色差异小，果实分割效果差，故采用模糊算法增强和分割图像，模糊算法复杂度较高。为了获得较好的分割效果，可以利用可见光成像下的图像果实与果树枝叶颜色差异大的特点，对树果图片进行果实分割。在果实分割过程中，目前主要在RGB颜色空间上进行分割。RGB空间下采用单一通道设置固定阈值的方法对图片中的果实进行分割，难以在树果图片这类颜色背景复杂的情况下获得较好的分割效果。
发明内容
发明目的：本发明旨在提供一种基于YCbCr颜色空间的树果计数方法，解决在背景颜色复杂情况下，分割效果不好，树果计数不准的问题。
技术方案：本发明所述的基于YCbCr颜色空间的树果计数方法，包括以下步骤：
(1)获取树果的目标图像；
(2)预处理目标图像；
(3)目标图像的通道转换和颜色分割；
(4)提取和分类目标图像，获得独立树果子图像和树果组子图像；
(5)获得子图像的树果个数和目标图像的总树果个数。
步骤(3)中通道转换将目标图像从RGB颜色空间转换到YCbCr颜色空间。
步骤(3)中采用YCbCr颜色空间下颜色分割的方法根据树果与背景颜色差异将树果与背景分割。
步骤(4)中以分割出的树果区域为掩膜从目标图像中获得子图像，将边界线作为颜色特征分类对子图像二次分割获得独立树果子图像和树果组子图像。
步骤(5)中对于独立树果子图像，子图像数等于子图像中的树果数；对于树果组子图像，通过子图像边缘方法获得子图像中的树果数。
所述边缘方法先对树果组子图像边缘检测提取子图像有效边缘，然后用八邻域差分链码判别法获取树果组子图像的树果数。
所述边缘检测使用高斯拉普拉斯算子与图像卷积突出图像边缘，然后设定阈值提取图片中簇生树果边缘，记录边缘坐标。
所述八邻域差分链码判别法将边界点变化方向编码分为八种不同的码值，通过边缘坐标中平面坐标系相邻坐标间的坐标差获得八邻域链码，然后将链码做一阶差分获得差分链码，差分链码中大于等于3的值的个数，即为树果组子图像的树果数。
有益效果：与现有技术相比，本发明具有如下显著优点：
(1)对于不同生长特征的树果获得较好的提取效果，将提取的子图像分为独立树果和树果组两类，分别对两类子图像设计计数算法，有效提高树果计数的准确性，降低了算法复杂度。
(2)实现了树果的自动计数，有效避免农业估产中对果实的损伤，可用于树上树果的估产。
附图说明
图1为本发明的流程图；
图2为本发明原始的目标图像；
图3为本发明第一次颜色分割的结果图；
图4为本发明包含树果的YCbCr子图像；
图5为本发明第二次颜色分割的结果图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
本实施例中，使用Python语言及其工具库结合Matlab编写树果计数程序。主要使用Opencv库的图像处理函数进行通道转换和颜色分割，然后编写特定Matlab程序实现树果的计数，最终输出图像树果个数。实施环境包括：CPU为Intel i5-5200U，使用Python 语言和Matlab编程，调试环境为Jupyter Notebook和Matlab软件。
由图1可知，本发明所述的基于YCbCr颜色空间的树果计数方法，主要包括以下步骤：
(1)获取目标图像。选择合适的时间对树果园中的树果树进行拍摄，首先选取树果与叶片、树枝等背景颜色差别较明显的图片，然后选取强光照射、叶片遮挡和抖动模糊等不利因素影响较少的树果树图片作为目标图像；
(2)对目标图像进行预处理。由于相机镜头和分辨率等固有因素导致的图像噪点问题，采用Opencv库的高斯滤波器和中值滤波器来滤除高斯噪声和椒盐噪声，先将彩色图像分为R、G、B三通道分量，然后分别对三个通道进行滤波，遍历图像中的所有像素，从而修改噪声像素点的灰度值实现滤波，滤波完成后将三通道图像合成为彩色图像。
(3)图像的通道转换和颜色分割。
提取目标图像的R、G和B三个通道的颜色分量，然后按照国际标准ITU-R BT.601使用的颜色转换公式计算每个像素点的Y、Cb和Cr分量，公式如下
Y＝0.299R+0.587G+0.114B
Cb＝128+0.439B-0.291G-0.148R
Cr＝128+0.439R-0.368G-0.071B
其中，R、G和B为RGB颜色空间分量，Y、Cb和Cr为YCbCr颜色空间分量。将目标图像从RGB颜色空间转换到YCbCr颜色空间，实现了从三通道表现颜色到双通道表现颜色的通道转换，为后续颜色分割做好准备。
在YCbCr颜色空间中，Cb和Cr两个分量组成各种颜色，将图像的Cb值、Cr值在一定范围内的图像区域中的像素灰度值设置为最大即255，范围以外的像素灰度值设置为最小即0，就可以得到一幅只有灰度值255的白色和灰度值0的黑色的二值图像。根据此方法编写ColorSegment颜色分割函数，可以从目标图像中分割出包含树果的二值图像。本实施例中函数的入口参数是目标图像、Cb值的范围127.89～128.90、Cr值的范围 128.99～129.00，输出结果是二值图像，将二值图像设置为掩膜图像，如图3所示。
(4)提取和分类子图像。对掩膜图像调用Opencv库的标记轮廓函数，找出并标记掩膜图像的所有轮廓，在目标图像中分别提取每一个轮廓对应的区域，将每个区域延展至目标图像大小，设置为子图像，如图4所示。图4是图3的其中一个子图像。树上的树果主要分为孤立和簇生两种情况，簇生树果由一组若干个树果组成，这些树果互相遮挡，形成不规则图形。因此，簇生树果的计数也是树果计数算法的难点之一。本实施例的树果子图像包括独立或簇生树果，簇生树果图像的特点是树果与树果之间存在黑色边界线，通过颜色分割的方法找出有边界线的子图像，并标记这些图像。对子图像调用 ColorSegment颜色分割函数，入口参数是本实施例提取出的一幅子图像，Cb值范围 128.01～128.10，Cr值范围128.06～128.28，输出图像中的黑色线条表示树果之间的边界，如图5所示。若子图像分割出了这些边界，则标记这幅子图像。将所有标记过的子图像命名为树果组子图像，其余图像划分为独立树果子图像。
(5)计算子图像树果个数。将树果组子图像导入Matlab，调用Matlab数字图像处理库的边缘检测函数，使用高斯拉普拉斯算子与图像卷积，设定合适阈值提取图片中簇生树果边缘。可以看到边缘是不规则图形，树果与树果之间相互遮挡形成边界处的凹陷，记录边缘坐标，通过坐标差计算出边缘的八邻域链码，再对链码进行差分计算得出差分链码。由于差分链码通常包含一阶链码的方向改变点，所以该差分链码可以把簇生树果边缘的凹陷通过数值的方式表现出来，统计差分链码中大于等于3的值的个数得出凹陷个数，即树果组子图像的树果数。
把所有子图像的树果个数累加，获得目标图像的树果总个数，将目标图像的树果总个数作为系统的结果输出。
对本实施例中这两类树上果实的估测个数及估测正确率如表1所示。从表1可以看出，孤立树果估测正确率高于簇生树果估测正确率，这是因为有些树果被遮挡，相机无法探测、图像中存在不同熟成度的树果以及图像拍摄时间段不同等原因。系统输出树果数的总体正确率为89％，预计能够用于自动化树果计数估产的场景，解决了树果的非破坏性计数问题。
表1系统输出的树果数估测结果
树果组类型 估测个数 手动计数个数 估测正确率
孤立 18 19 94％
簇生 33 39 84％

Claims (8)

1.一种基于YCbCr颜色空间的树果计数方法，其特征在于：包括以下步骤：
(1)获取树果的目标图像；
(2)预处理目标图像；
(3)目标图像的通道转换和颜色分割；
(4)提取和分类目标图像，获得独立树果子图像和树果组子图像；
(5)获得子图像的树果个数和目标图像的总树果个数。
2.根据权利要求1所述的基于YCbCr颜色空间的树果计数方法，其特征在于：步骤(3)中通道转换将目标图像从RGB颜色空间转换到YCbCr颜色空间。
3.根据权利要求1所述的基于YCbCr颜色空间的树果计数方法，其特征在于：步骤(3)中采用YCbCr颜色空间下颜色分割的方法根据树果与背景颜色差异将树果与背景分割。
4.根据权利要求3所述的基于YCbCr颜色空间的树果计数方法，其特征在于：步骤(4)中以分割出的树果区域为掩膜从目标图像中获得子图像，将边界线作为颜色特征分类对子图像二次分割获得独立树果子图像和树果组子图像。
5.根据权利要求1所述的基于YCbCr颜色空间的树果计数方法，其特征在于：步骤(5)中对于独立树果子图像，子图像数等于子图像中的树果数；对于树果组子图像，通过子图像边缘方法获得子图像中的树果数。
6.根据权利要求5所述的基于YCbCr颜色空间的树果计数方法，其特征在于：所述边缘方法先对树果组子图像边缘检测提取子图像有效边缘，然后用八邻域差分链码判别法获取树果组子图像的树果数。
7.根据权利要求6所述的基于YCbCr颜色空间的树果计数方法，其特征在于：所述边缘检测使用高斯拉普拉斯算子与图像卷积突出图像边缘，然后设定阈值提取图片中簇生树果边缘，记录边缘坐标。
8.根据权利要求6所述的基于YCbCr颜色空间的树果计数方法，其特征在于：所述八邻域差分链码判别法将边界点变化方向编码分为八种不同的码值，通过边缘坐标中平面坐标系相邻坐标间的坐标差获得八邻域链码，然后将链码做一阶差分获得差分链码，差分链码中大于等于3的值的个数，即为树果组子图像的树果数。
CN202110458066.5A 2021-04-27 2021-04-27 一种基于YCbCr颜色空间的树果计数方法 Active CN113256671B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110458066.5A CN113256671B (zh) 2021-04-27 2021-04-27 一种基于YCbCr颜色空间的树果计数方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110458066.5A CN113256671B (zh) 2021-04-27 2021-04-27 一种基于YCbCr颜色空间的树果计数方法

Publications (2)

Publication Number Publication Date
CN113256671A true CN113256671A (zh) 2021-08-13
CN113256671B CN113256671B (zh) 2023-02-24

Family

ID=77221832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110458066.5A Active CN113256671B (zh) 2021-04-27 2021-04-27 一种基于YCbCr颜色空间的树果计数方法

Country Status (1)

Country Link
CN (1) CN113256671B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110021024A (zh) * 2019-03-14 2019-07-16 华南理工大学 一种基于lbp和链码技术的图像分割方法
CN112488031A (zh) * 2020-12-11 2021-03-12 华能华家岭风力发电有限公司 一种基于颜色分割的安全帽检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110021024A (zh) * 2019-03-14 2019-07-16 华南理工大学 一种基于lbp和链码技术的图像分割方法
CN112488031A (zh) * 2020-12-11 2021-03-12 华能华家岭风力发电有限公司 一种基于颜色分割的安全帽检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
龚爱平: "基于嵌入式机器视觉的信息采集与处理技术研究", 《博士电子期刊》 *

Also Published As

Publication number Publication date
CN113256671B (zh) 2023-02-24

Similar Documents

Publication Publication Date Title
Dorj et al. An yield estimation in citrus orchards via fruit detection and counting using image processing
CN109447945B (zh) 基于机器视觉和图形处理的小麦基本苗快速计数方法
CN111753577B (zh) 自动采摘机器人中的苹果识别与定位方法
CN104361330B (zh) 一种玉米精准施药系统的作物行识别方法
CN111259925B (zh) 基于k均值聚类和宽度突变算法的田间麦穗计数方法
CN110309806B (zh) 一种基于视频图像处理的手势识别系统及其方法
CN110599507B (zh) 一种番茄识别定位方法及系统
CN112861654B (zh) 一种基于机器视觉的名优茶采摘点位置信息获取方法
EP3989161A1 (en) Method and system for leaf age estimation based on morphological features extracted from segmented leaves
CN115205194B (zh) 基于图像处理的粘虫板覆盖率检测方法、系统及装置
CN113298777A (zh) 一种基于颜色特征和超像素聚类的棉花叶枯病检测方法及系统
CN109754423B (zh) 一种叶片病斑覆盖区域的提取方法和设备
LU102950B1 (en) Tobacco plant counting method based on uav remote sensing technology and image processing technology
CN111028263B (zh) 一种基于光流颜色聚类的运动物体分割方法及其系统
CN111325688B (zh) 融合形态学聚类优化大气光的无人机图像去雾方法
CN110930321A (zh) 一种能够自动选取目标区域的蓝/绿幕数字图像抠取方法
CN108711160B (zh) 一种基于hsi增强性模型的目标分割方法
CN111768455A (zh) 一种基于图像的木材区域和主色提取方法
CN118351468A (zh) 一种基于无人机的农作物病虫害识别方法及系统
CN116258968B (zh) 一种林果病虫管理方法及系统
CN115995078A (zh) 一种浮游生物原位观测的图像预处理方法及系统
CN112115778B (zh) 一种在环仿真条件下车道线智能识别方法
CN113256671B (zh) 一种基于YCbCr颜色空间的树果计数方法
CN112184696A (zh) 一种细胞核和细胞器计数及其面积计算方法与系统
CN111401121A (zh) 一种基于超像素特征提取实现柑橘分割方法

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