CN114742855B - 一种融合阈值分割与图像叠加技术的半自动图像标签方法 - Google Patents
一种融合阈值分割与图像叠加技术的半自动图像标签方法 Download PDFInfo
- Publication number
- CN114742855B CN114742855B CN202210371545.8A CN202210371545A CN114742855B CN 114742855 B CN114742855 B CN 114742855B CN 202210371545 A CN202210371545 A CN 202210371545A CN 114742855 B CN114742855 B CN 114742855B
- Authority
- CN
- China
- Prior art keywords
- image
- threshold
- green
- vegetation
- over
- 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
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
- G06T7/136—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
- G06T2207/10024—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种融合阈值分割与图像叠加技术的半自动图像标签方法,应用于图像处理领域,针对现有标签方法效率低,容易漏判、误判的问题;本发明通过过绿特征指数cive对绿色区域进行提取,能有效的区分绝大多数的绿色植与土壤以及黄色落叶;此外,将图像阈值分割后可以充分利用图像阈值分割的优势,将一些过绿的叶片分割出来,极大的提高了标签的效率;使用高斯核对图像进行滤波,将图像中因为光照在土壤上产生的反光进而产生的一些毛刺去除,提高了分割的精度;通过对阈值分割过程中植物因过深的阴影造成的误判漏判进行二次标签,进一步提高分割精度。
Description
技术领域
本发明属于图像处理领域,特别涉及一种植被图像高精度的标签处理技术。
背景技术
植被覆盖度是描述生态系统特征的重要指标,可作为评价植被生产力、生态系统恢复程度、生态系统健康、生态系统服务功能等的有效指标之一。快速、准确获取植被覆盖度对提高野外工作效率和保障数据精准具有重要意义。目前地表植被覆盖度的提取方法主要有目估法、针刺法和仪器法。目估法操作最为便捷,但其精度强烈受限于测量人经验及目标对象的实际覆盖度大小,针刺法及仪器法结果准确但效率低下。当下数码相机图像处理算法不断改善,促进照相法在植被覆盖度调查中应用日益深入。
随着互联网时代的高速发展,人们的生活方式发生了巨变。深度学习和人工智能技术有了新的突破,在各行各业的相关应用越来越多。智能化的植物覆盖度识别系统逐渐被开发出来,能够自动化的对图片中的植物、非植物等目标区域的信息进行高效准确的提取,从而减少人工读取操作的成本。但是目前的深度学习对对象的分类识别大多数还使用着强监督的方法,即需要对图像进行像素级别的标注。而标注的质量则影响到深度学习网络对该对象识别的效果。
然而传统的强监督方法对训练图片的标签处理主要有两方面的缺陷:(1)标签处理需要通过手工的描点完成,在有大量图片数据的时候,会消耗大量人力物力。(2)传统的标签方法主要依靠人工干预,有些地方即时人工干预也会有漏判、误判的操作,比如植被图像中的针叶草地的叶片细而多,很难进行人工的划分。
发明内容
为解决上述技术问题,本发明提出一种融合阈值分割与图像叠加技术的半自动图像标签方法。
本发明采用的技术方案为:一种融合阈值分割与图像叠加技术的半自动图像标签方法,包括:
S1、使用相机对野外草地进行拍照采样,得到植被图像;
S2、获取植被图像的RGB通道的灰度值,根据植被可见光指数cive来确定过绿的阈值,并由此得出过绿的阈值矩阵;
S3、采用高斯内核过滤植被图像;
S4、对经步骤S3处理后的图像进行透明化,将透明化后的图像与原始图像叠置,并进行修正处理;
S5、采用过绿阈值矩阵将经步骤S4处理后的图像进行二值化。
本发明的有益效果:针对植物图像的过绿特征提取,本发明通过过绿特征指数cive对绿色区域进行提取,能有效的区分绝大多数的绿色植与土壤以及黄色落叶。此外,将图像阈值分割后可以充分利用图像阈值分割的优势,将一些过绿的叶片分割出来,极大的减少了人工的工作量。在植被图像阈值分割后,使用5*5的高斯核对图像进行滤波,将图像中因为光照在土壤上产生的反光进而产生的一些毛刺去除,以此提高了分割的精度。通过人工干预的方式对植被图像进行标签处理,主要是对阈值分割过程中植物因过深的阴影造成的误判漏判进行二次标签,以此提高精度。
附图说明
图1为本发明的方案流程图;
图2为本发明实施例提供的采用相机拍摄的植被图像结果;
图3为本发明实施例提供的通过阈值分割后的,但未经过高斯核滤波的图像;
图4为本发明实施例提供的常用的两种高斯模板;
其中,图4中(a)为3*3的高斯模板,图4中(b)为5*5的高斯模板;
图5为本发明实施例提供的叠置生成新的图片;
图6为本发明实施例提供的图5经过目视解译后的新标签文件;
图7为本发明实施例提供的二值化处理后的图像。
具体实施方式
为便于本领域技术人员理解本发明的技术内容,下面结合附图对本发明内容进一步阐释。
实施例1
如图1所示,本发明的一种融合阈值分割与图像叠加技术的半自动图像标签方法,包括:
S1:首先进行野外的植被图像数据的采集,对于地面植被主要分为阔叶植物、针叶植物与苔藓。
S2:通过Python中的open-cv库对图片进行读取,获取植被图像的RGB通道的灰度值,将图片中的RGB值分为三个灰度值值矩阵。通过常用植被可见光指数来确定过绿的阈值,并由此得出过绿的阈值矩阵,最后对矩阵进行修正。
S3:通过高斯内核过滤图像,以消除图像中的一些毛刺与噪声。高斯平滑的原理类似于均值滤波。均值滤波模板的系数都是一样的,而高斯平滑则是需要根据像素与模板中心的距离来定义权重。权重的计算方法是采用高斯分布,离中心越远,权重越小。
S4:将滤值后的图片进行透明化,将其与原始图片叠置,通过目视解译,修正其中因为阴影所造成的误判、漏判。
S5:为了方便计算机能够识别标签中的背景部分与植被部分,通过过绿阈值矩阵将S4步骤处理后的植物图像进行二值化,即将S4步骤处理图片中识别为非植物的部分设定为一种灰度,识别为植物部分设定为另一种灰度,本例中非植物设置为0,植物设置为1。
实施例2
步骤S1中采集时手持相机,从一米五左右的高度向下拍摄(根据不同的取样大小和不同的相机广角调整高度,做到将需要取样测定的区域全部包括在图像内),拍摄角度与地面的夹角不要超过10度,拍摄结果如图2所示。
实施例3
步骤S2中,本发明选用的常用植被可见光指数为cive,cive也称植被颜色指数,是用来判断该像素的RGB值以一定组合计算后的灰度阈值是否为过绿植被的一种指标,其公式为cive=0.441*R-0.811*G+0.285*B+18.78745。
因为open-cv的工具的原因,在open-cv中灰度值最高为255,最低为0,通过植被颜色指数计算出来的阈值会有一定的溢出,所以需要将大于255的值设为255,小于0的值设为0,处理结果如图3所示。
实施例4
步骤S3中的二维高斯函数可以表达为:
其中(x-μx)2和(y-μy)2分别表示的是邻域内其他像素与邻域内中心像素的距离,μ为均值(峰值对应位置),σ代表标准差(变量x和变量y各有一个均值,也各有一个标准差),标准差越小,二维高斯图像越窄小,平滑效果不明显;标准差越大,而为高斯图像越矮宽,滤波效果比较明显。
在程序中运用open-cv中自带的函数GaussianBlur对图片进行滤波。离散化窗口滑窗卷积的时,主要利用的是高斯核,高斯核一般是一个奇数的大小的高斯模板。常用的高斯模板有如图4所示的两种形式,具体为:图4中(a)所示的3*3的高斯模板,图4中(b)所示的5*5的高斯模板。在使用GaussianBlur函数时,函数第二个参数设置为(5,5)即使用5*5的高斯内核对图像进行滤波。
实施例5
透明化是指将图片的透明度提高,透明度取百分之50左右,方便修正时看到阈值分割的结果与原始图片的样貌。通过open-cv库中的addWeighted函数分别设置原始图片与分割二值化后的图片的透明度,并将两张图片叠置生成新的图片,如图5所示。
实施例6
将叠至的图片通过标签软件labelme进行目视解译,重点是修补一些阈值方法分割不到位的地方,比如有深度阴影的区域,背景与颜色相近的区域等,目视解译后的图像如图6所示。
在使用labelme为图片进行标签处理后将是一个json文件,将labelme中的json文件通过labelme库中的json_to_dataset.py转换为标签文件夹,文件夹中二值化的图片就是深度学习所需的标签文件。但该图片还需与阈值分割的图片进行叠置,同样通过addWeighted函数对两张图片进行叠至,透明度设置为0(不透明度设为100)。
实施例7
本发明通过Python中open-cv库的threshold方法,将过绿阈值矩阵中大于0的置为1,小于0的置为0,结果,如图7所示,由于草地标记与背景标记的灰度值差距只有1,所以肉眼看起来是一张全黑的图片。
threshold函数表达式为:cv2.threshold(src,thresh,maxval,type),其第一个参数src表示输入图片;第二个参数thresh表示阈值,取值范围0~255;第三个参数maxval表示填充色,取值范围0~255;第四个参数type表示二值化使用什么类型的算法。
threshold函数第四个参数设为THRESH_BINARY+THRESH_OTSU。THRESH_BINARY的用途如下公式:
其中src(x,y)为输入图片的灰度值矩阵中第x行第y列的灰度值,maxval为src(x,y)大于阈值thresh时灰度需要设定的值,thresh为判断阈值。本实施例中thresh取值为0,maxval取值为1。
通常情况下,并不知道一个双峰图应该取什么样的值,第四个参数添加一个THRESH_OTSU时,它会对一幅双峰图像自动根据其直方图计算出合适的阈值。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。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权利要求范围之内。
Claims (2)
1.一种融合阈值分割与图像叠加技术的半自动图像标签方法,其特征在于,包括:
S1、使用手持相机,从一米五的高度向下对野外草地进行拍照采样,得到植被图像;
S2、获取植被图像的RGB通道的灰度值,根据植被可见光指数cive来确定过绿的阈值,并由此得出过绿的阈值矩阵;步骤S2所述的植被可见光指数cive计算式为:
cive=0.441*R-0.811*G+0.285*B+18.78745
其中,R表示红色通道数值,G表示绿色通道数值,B表示蓝色通道数值;
S3、采用高斯内核过滤植被图像;高斯函数表达式为:
其中,(μx,μy)表示邻域内中心像素的坐标,(x,y)表示邻域内其他像素的坐标,μ为均值,σx代表x对应的标准差,σy代表y对应的标准差;
S4、对经步骤S3处理后的图像进行透明化,将透明化后的图像与原始图像叠置,并进行修正处理;步骤S4所述的修正具体为:对叠置后的图像进行目视解译,包括修补有深度阴影的区域与背景与颜色相近的区域;
S5、采用过绿阈值矩阵将经步骤S4处理后的图像进行二值化。
2.根据权利要求1所述的一种融合阈值分割与图像叠加技术的半自动图像标签方法,其特征在于,步骤S5具体为:通过Python中open-cv库的threshold方法,将过绿阈值矩阵中大于0的置为1,小于0的置为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210371545.8A CN114742855B (zh) | 2022-04-11 | 2022-04-11 | 一种融合阈值分割与图像叠加技术的半自动图像标签方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210371545.8A CN114742855B (zh) | 2022-04-11 | 2022-04-11 | 一种融合阈值分割与图像叠加技术的半自动图像标签方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742855A CN114742855A (zh) | 2022-07-12 |
CN114742855B true CN114742855B (zh) | 2023-06-30 |
Family
ID=82281416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210371545.8A Active CN114742855B (zh) | 2022-04-11 | 2022-04-11 | 一种融合阈值分割与图像叠加技术的半自动图像标签方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742855B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299379A (zh) * | 2021-11-01 | 2022-04-08 | 中国矿业大学(北京) | 一种基于高动态影像的阴影区植被覆盖度提取方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235952B (zh) * | 2013-04-03 | 2016-02-03 | 中国科学院遥感应用研究所 | 一种基于高分辨率遥感影像的城市绿度空间的度量方法 |
KR102109917B1 (ko) * | 2018-11-16 | 2020-05-12 | 대한민국(관리부서 : 환경부 국립환경과학원장) | 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법 |
CN109583378A (zh) * | 2018-11-30 | 2019-04-05 | 东北大学 | 一种植被覆盖度提取方法及系统 |
CN110008908A (zh) * | 2019-04-10 | 2019-07-12 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于高分遥感影像的草原围栏提取方法 |
CN110765934B (zh) * | 2019-10-22 | 2021-02-19 | 成都理工大学 | 一种多源数据融合的地质灾害识别方法 |
RS20200817A1 (sr) * | 2020-07-10 | 2022-01-31 | Inst Biosens Istrazivacko Razvojni Inst Za Informacione Tehnologije Biosistema | Sistem i metod za inteligentno uzorkovanje zemljišta |
CN113205525A (zh) * | 2021-03-23 | 2021-08-03 | 中国科学院南京土壤研究所 | 一种基于超绿指数及超像素的土壤图像分割提取方法 |
-
2022
- 2022-04-11 CN CN202210371545.8A patent/CN114742855B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299379A (zh) * | 2021-11-01 | 2022-04-08 | 中国矿业大学(北京) | 一种基于高动态影像的阴影区植被覆盖度提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114742855A (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949564B (zh) | 一种基于深度学习的指针式仪表自动读数方法 | |
CN109409355B (zh) | 一种新型变压器铭牌识别的方法及装置 | |
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 | |
US9230382B2 (en) | Document image capturing and processing | |
CN102704215B (zh) | 基于dst文件解析与机器视觉结合的绣布自动切割方法 | |
Quelhas et al. | Cell nuclei and cytoplasm joint segmentation using the sliding band filter | |
CN110443128B (zh) | 一种基于surf特征点精确匹配的指静脉识别方法 | |
CN109426814B (zh) | 一种发票图片特定板块的定位、识别方法、系统、设备 | |
Tong et al. | Skewness correction and quality evaluation of plug seedling images based on Canny operator and Hough transform | |
CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN108133216B (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
CN104200461A (zh) | 基于互信息图像选块和sift特征的遥感图像配准方法 | |
CN109146878A (zh) | 一种基于图像处理的杂质检测方法 | |
CN113392856B (zh) | 图像伪造检测装置和方法 | |
WO2022198898A1 (zh) | 图像分类方法和装置及设备 | |
CN109389165A (zh) | 基于巡检机器人的变压器油位计识别方法 | |
CN108960100A (zh) | 一种基于图像处理的甘蔗蔗节的识别方法 | |
CN105809673A (zh) | 基于surf算法和合并最大相似区域的视频前景分割方法 | |
CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
Tang et al. | Leaf extraction from complicated background | |
CN108197624A (zh) | 证书图像校正识别方法及装置、计算机存储介质 | |
CN114821268A (zh) | 一种基于机器学习的杂草与作物识别方法 | |
CN117496532A (zh) | 基于0cr的智慧识别工具 | |
CN114742855B (zh) | 一种融合阈值分割与图像叠加技术的半自动图像标签方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 |
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 |