CN115294164A - 一种用于绿色植被图像分割的自动阈值颜色因子算法 - Google Patents
一种用于绿色植被图像分割的自动阈值颜色因子算法 Download PDFInfo
- Publication number
- CN115294164A CN115294164A CN202210975926.7A CN202210975926A CN115294164A CN 115294164 A CN115294164 A CN 115294164A CN 202210975926 A CN202210975926 A CN 202210975926A CN 115294164 A CN115294164 A CN 115294164A
- Authority
- CN
- China
- Prior art keywords
- image
- vegetation
- segmentation
- point
- green
- 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
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
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
本发明提出一种用于绿色植被图像分割的自动阈值颜色因子算法,基于归一化绿色通道(g通道)信息的自动阈值颜色因子。该算法共包含两部分,首先,基于颜色因子中的ExG和自动阈值算法Otsu得出图像中粗略的植被位置信息,用以筛选特征像素行。然后,对筛选的特征像素行提取归一化的g通道信息,根据其变化规律,自动判定阈值。随后,利用所确定的阈值对整幅图像的g通道进行二值化,并进行滤波、孔洞填充,形成掩膜图。最终,利用掩膜图与原始彩色图像进行与运算,实现植被区域的分割。使用本方法与五种结合Otsu算法的颜色因子进行实验比对。实验结果表明,本方法能够快速稳定地实现图像中绿色植被的自动分割。
Description
技术领域
本发明属于颜色因子算法领域,具体是一种用于绿色植被图像分割的自动阈值颜色因子算法。
背景技术
自20世纪90年代以来,对农作物长势信息的监测一直是智慧农业发展的重要内容,及时、准确、快速地获取农作物的生长状况和趋势可以为农业管理提供可靠的决策支持信息,为农作物产量估算提供先验知识和估算参量,对农业的管理以及生产方式的优化有着重要的作用。
对于农作物生长信息监测,利用计算机视觉技术能有效对植被进行检测。基于计算机视觉的植被检测需要一系列的图像处理操作,首先是对植被进行分割,将图像中出现的不同像素分割成两类:植物(作物和杂草)和背景(土壤和残留物)。植被分割是一个必要的阶段,它必须以适当的方法进行,因为分割的质量直接影响植被检测的准确性。
颜色因子是利用绿色植被固有的颜色特性进行图像分割的常用方法。通常,颜色因子将RGB图转换为增强植被信息的灰度图,如超绿指数(ExG)、绿叶指数(GLI)、归一化绿-红差值指数(NGRDI)、超绿-红指数(ExGR)、植被指数(VEG)和植被提取颜色因子(CIVE)。
基于颜色因子的植被图像分割方法均需要结合阈值分割方法来生成植被掩膜图像。阈值的选择直接影响植被图像分割的质量。确定阈值的方式可分为固定阈值法和自动阈值法。在固定阈值法中,通常利用颜色因子生成的灰度图像,经过反复人工实验,才能选取适当的阈值。与固定阈值法不同的是,自动阈值法对不同图像适应性强且运行效率高,不依赖于经验知识来确定阈值。一种常用的自动阈值化方法是Otsu方法,并已被广泛应用,但仍会出现分割不足等情况,即一些绿色像素没有被识别出来。也有其他的一些自动确定阈值的方法,但缺点是计算复杂,步骤较多,如在文献“Estimation of leaf area index incereal crops using red–green images.Biosyst”(Eng.104,308–317,2009)中,Kirk基于绿度和强度像素值的算法,需要构建强度的两个高斯分布函数基础上自动判定阈值,执行效率低。
综上,目前利用计算机视觉中的图像处理技术检测植被,对农作物生长信息监测起到了重要作用。其中植被分割作为关键环节,可用于杂草检测、作物生长监控、病虫害诊断和自动导航等任务,开发了颜色指数方法用于植被分割。然而现阶段的颜色指数存在依赖选择合适的系数及算式、如何选择合适阈值进行分割等缺点,而常用的自动阈值方法中待解决的问题是分割不准确、计算复杂的缺点。
发明内容
本发明的目的在于克服现有技术的不足之处,提供一种用于绿色植被图像分割的自动阈值颜色因子算法。
本发明解决其技术问题是采取以下技术方案实现的:
一种用于绿色植被图像分割的自动阈值颜色因子算法,其特征在于:具体步骤包括:
步骤1,首先通过归一化处理RGB空间的彩色图像,得到rgb空间的图像数据;
步骤2,筛选特征像素行,包括以下步骤:
(1)通过ExG颜色因子对rgb图像进行灰度化,得到植被特征增强后的灰度图;
(2)然后利用Otsu算法获得灰度图的阈值,进行二值化,初始分割植被和背景两类像素;
(3)统计每行的绿植像素数,再依据二值图中粗提取的植被信息;
(4)选择绿植像素数占比最大且未达到100%的合适像素行;
(5)在该像素行,由左至右,截取第一个像素到该行绿叶右侧边界的g通道数据,作为后续自动阈值分割流程的输入;
步骤3,自动阈值分割算法中,通过搜索g通道数据中g值上升段中的分界点,自动判定阈值,完成在整张图片中的植被图像分割。
而且,步骤3中自动阈值分割包括以下步骤:
(1)以截取的g通道数据的起点开始,作为分界点,将数据集合划分为A、B两组;
(2)判断分界点处的g值是否大于A中所有值且小于B中所有值。不满足该条件则分界点更新为下一个点,继续判断;
(3)满足上一步骤条件则记符合条件的点为i,选定该点g值为阈值,利用所确定的阈值对整幅g通道图像进行二值化;
(4)对上一步所得二值图进行滤波、孔洞填充,形成掩膜图;
(5)通过掩膜图与原始彩色图像的与运算,转换到RGB格式,最终提取植被分割图像。
而且,步骤3中,基于截取的g通道数据变化规律,进行植被的自动阈值分割,在土壤与植被交界处,g值发生较明显的差异变化,在上升沿中存在一个分界点i,通过获取该点值Ti能够自动区分植被区域像素与背景区域像素。
而且,自动确定Ti的判据公式如下:
g1=max{g(t)|1<t<i}<Ti<g2=min{g(u)|i<u<n}
对于像素行的n个像素,数组g(t)代表i点前所有像素值,数组g(u)代表i点后所有像素值,g1为g(t)中的最大值,g2为g(u)中的最小值,通过确定阈值,自动实现植被区域的分割:其中g值大于Ti的为植被区域像素,否则为背景区域像素。
而且,步骤2中,在获得g通道数据后绘制g通道信息曲线,然后通过搜索g值曲线上升沿中分界点自动判定阈值。
本发明的优点和积极效果是:
1、本发明提出一种新的颜色因子以提供自适应分割思路:通过借助归一化g阈值的变化规律,自动判定阈值进行植被分割。该方法无需人为设定参数并且其过程全自动执行,代替了以往通过反复实验来选取合适颜色因子、合适阈值的分割思路,实验结果表明,本方法比以往的颜色因子分割性能更好,能够简单、高效地实现自动分割。
2、本发明与以往选择合适的颜色因子的分割思路不同,本方法不依赖于改变变量及系数的颜色因子公式;其次,通过分析归一化绿色通道信息的变化规律,设计自动阈值判定方法,代替反复实验来选取合理阈值的固定阈值分割思路,同时弥补了目前常用的自动阈值法中分割不准确、计算复杂的缺点,可以快速稳定的实现植被的自动分割。
附图说明
图1是自适应阈值分割算法执行过程;
图2是归一化空间各组成变化曲线。(a)r组成变化曲线;(b)g组成变化曲线;(c)b组成变化曲线;
图3是筛选特征像素行流程图;
图4是自动阈值分割算法流程图;
图5是直观比较结果图,共三组,每组包含8类结果及局部放大图:(a)原图;(b)真值基准图;(c)本文算法;(d)ExG+Otsu;(e)GLI+Otsu;(f)NDI+Otsu;(g)ExGR+Otsu;(h)VEG+Otsu。
具体实施方式
下面结合附图并通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
一种用于绿色植被图像分割的自动阈值颜色因子算法,本方法所开发的基于归一化绿色通道(g通道)信息的自动阈值颜色因子主要包含筛选特征像素行、自动阈值分割两个环节,执行顺序如图1所示。
颜色因子
颜色因子大多是在RGB颜色空间中生成的.在RGB颜色空间中,红色、绿色和蓝色组成部分以独立的方式分离被用于颜色因子中。可以得出颜色因子的一般格式:
color index=c1R+c2G+c3B+k
其中c1、c2、c3和k为系数。不同的系数被确定,以应对特定的分割情况,从而产生这些颜色因子。在植被分割研究中常用的颜色因子包括超绿指数(ExG)、绿叶指数(GLI)、归一化绿-红差值指数(NGRDI)、超绿-红指数(ExGR)、植被指数(VEG)和植被提取颜色因子(CIVE)。它们的公式表示如下:
ExG=2G-R-B (1)
GLI=(2G-R-B)/(2G+R+B)
NGRDI=(G-R)/(G+R)
ExGR=4G-1.4R-1
VEG=G/(R0.667B0.333)
CIVE=-0.811G+0.441R+0.385B+18.78745
步骤1,首先通过归一化处理RGB空间的彩色图像,得到rgb空间的图像数据;
本实施例中彩色图像来源:用于植被分割输入的图像来自波恩大学发表的数据集,旨为从事农业工作的研究人员提供帮助,主要用于植物分类以及定位和映射。所使用的图像都是在甜菜田的背景下收集的,图像内容主要由甜菜、杂草和土壤三部分组成。在原图像上进行裁剪,得到13张截取的图像作为实验输入来源。为了后续验证算法分割性能,对甜菜图像进行人工分割,创建基准(即参考)图像。将本文的自适应分割方法与其对应的基准图像、颜色因子处理后的分割图像进行对比,评价图像分割性能。
步骤2,如步骤1所述,筛选特征像素行,包括以下步骤:
(1)通过ExG颜色因子对rgb图像进行灰度化,得到植被特征增强后的灰度图;
(2)然后利用Otsu算法获得灰度图的阈值,进行二值化,初始分割植被和背景两类像素;
(3)统计每行的绿植像素数,再依据二值图中粗提取的植被信息;
在进行自动阈值分割之前,需要保证植被占比超过土壤背景的条件,而大部分图像的绿植与土壤背景比例有明显差异,人为设置固定比例并不具有普适性,因此需要统计每行的绿植像素数;
(4)选择绿植像素数占比最大且未达到100%的合适像素行;
(5)在该像素行,由左至右,截取第一个像素到该行绿叶右侧边界的g通道数据,作为后续自动阈值分割流程的输入;
(6)可以绘制g通道信息曲线;
步骤3,自动阈值分割算法中,通过搜索g值曲线上升沿中分界点或通过搜索g通道数据中g值上升段中的分界点,自动判定阈值,完成在整张图片中的植被图像分割。
执行过程如下,见图4所示,基于截取的g通道数据变化规律,进行植被的自动阈值分割,在土壤(背景)与植被(前景)交界处,g值发生较明显的差异变化,如图2(a)中所示的上升沿,在上升沿中存在一个分界点i,通过获取该点值Ti可以自动区分植被区域像素与背景区域像素,自动确定Ti的判据公式如下:
g1=max{g(t)|1<t<i}<Ti<g2=min{g(u)|i<u<n}
对于像素行的n个像素,数组g(t)代表i点前所有像素值,数组g(u)代表i点后所有像素值,g1为g(t)中的最大值,g2为g(u)中的最小值,通过确定阈值,自动实现植被区域的分割:其中g值大于Ti的为植被区域像素,否则为背景区域像素。自动阈值分割包括以下步骤:
(1)以截取的g通道数据的起点开始,作为分界点,将数据集合划分为A、B两组;
(2)判断分界点处的g值是否大于A中所有值且小于B中所有值。不满足该条件则分界点更新为下一个点,继续判断;
(3)满足上一步骤条件则记符合条件的点为i,选定该点g值为阈值,利用所确定的阈值对整幅g通道图像进行二值化;
(4)对上一步所得二值图进行滤波、孔洞填充,形成掩膜图;
(5)通过掩膜图与原始彩色图像的与运算,转换到RGB格式,最终提取植被分割图像。
表1
不同方法的性能评价
将五种结合Otsu的著名颜色因子作为比对方法进行视觉效果比对,提供算法的定性评价。除此之外,为了进行算法的定量评价,还引入质量因子λ,通过计算分析其平均值和标准差来评价所有方法的分割性能。上述实验结果表明,该方法比以往的颜色因子分割性能更好,能够简单、高效地实现自动分割。
尽管为说明目的公开了本发明的实施例和附图,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换、变化和修改都是可能的,因此,本发明的范围不局限于实施例和附图所公开的内容。
Claims (5)
1.一种用于绿色植被图像分割的自动阈值颜色因子算法,其特征在于:具体步骤包括:
步骤1,首先通过归一化处理RGB空间的彩色图像,得到rgb空间的图像数据;
步骤2,筛选特征像素行,包括以下步骤:
(1)通过ExG颜色因子对rgb图像进行灰度化,得到植被特征增强后的灰度图;
(2)然后利用Otsu算法获得灰度图的阈值,进行二值化,初始分割植被和背景两类像素;
(3)统计每行的绿植像素数,再依据二值图中粗提取的植被信息;
(4)选择绿植像素数占比最大且未达到100%的合适像素行;
(5)在该像素行,由左至右,截取第一个像素到该行绿叶右侧边界的g通道数据,作为后续自动阈值分割流程的输入;
步骤3,自动阈值分割算法中,通过搜索g通道数据中g值上升段中的分界点,自动判定阈值,完成在整张图片中的植被图像分割。
2.根据权利要求1所述的用于绿色植被图像分割的自动阈值颜色因子算法,其特征在于:步骤3中自动阈值分割包括以下步骤:
(1)以截取的g通道数据的起点开始,作为分界点,将数据集合划分为A、B两组;
(2)判断分界点处的g值是否大于A中所有值且小于B中所有值,不满足该条件则分界点更新为下一个点,继续判断;
(3)满足上一步骤条件则记符合条件的点为i,选定该点g值为阈值,利用所确定的阈值对整幅g通道图像进行二值化;
(4)对上一步所得二值图进行滤波、孔洞填充,形成掩膜图;
(5)通过掩膜图与原始彩色图像的与运算,转换到RGB格式,最终提取植被分割图像。
3.根据权利要求1所述的用于绿色植被图像分割的自动阈值颜色因子算法,其特征在于:步骤3,基于截取的g通道数据变化规律,进行植被的自动阈值分割,在土壤与植被交界处,g值发生较明显的差异变化,在上升沿中存在一个分界点i,通过获取该点值Ti能够自动区分植被区域像素与背景区域像素。
4.根据权利要求3所述的用于绿色植被图像分割的自动阈值颜色因子算法,其特征在于:自动确定Ti的判据公式如下:
gi=max{g(t)|1<t<i}<Ti<g2=min{g(u)|i<u<n}
对于像素行的n个像素,数组g(t)代表i点前所有像素值,数组g(u)代表i点后所有像素值,g1为g(t)中的最大值,g2为g(u)中的最小值,通过确定阈值,自动实现植被区域的分割:其中g值大于Ti的为植被区域像素,否则为背景区域像素。
5.根据权利要求1所述的用于绿色植被图像分割的自动阈值颜色因子算法,其特征在于:步骤2中,在获得g通道数据后绘制g通道信息曲线,然后通过搜索g值曲线上升沿中分界点自动判定阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210975926.7A CN115294164A (zh) | 2022-08-15 | 2022-08-15 | 一种用于绿色植被图像分割的自动阈值颜色因子算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210975926.7A CN115294164A (zh) | 2022-08-15 | 2022-08-15 | 一种用于绿色植被图像分割的自动阈值颜色因子算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115294164A true CN115294164A (zh) | 2022-11-04 |
Family
ID=83830966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210975926.7A Pending CN115294164A (zh) | 2022-08-15 | 2022-08-15 | 一种用于绿色植被图像分割的自动阈值颜色因子算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294164A (zh) |
-
2022
- 2022-08-15 CN CN202210975926.7A patent/CN115294164A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN106934418B (zh) | 一种基于卷积递归网络的绝缘子红外诊断方法 | |
CN109145848B (zh) | 一种麦穗计数方法 | |
US11880981B2 (en) | Method and system for leaf age estimation based on morphological features extracted from segmented leaves | |
CN109871900A (zh) | 一种基于图像处理的复杂背景下苹果的识别定位方法 | |
Patil et al. | Enhanced radial basis function neural network for tomato plant disease leaf image segmentation | |
Khedaskar et al. | A survey of image processing and identification techniques | |
CN112507911B (zh) | 一种基于机器视觉的山核桃果实在图像中的实时识别方法 | |
CN105654099A (zh) | 基于改进视觉的甘蔗分割与识别方法 | |
CN111784764A (zh) | 一种茶叶嫩芽识别与定位算法 | |
CN111292347B (zh) | 一种基于图像处理技术的显微图像炭疽孢子密度计算方法 | |
Dhawale et al. | Analysis of nutritional deficiency in citrus species tree leaf using image processing | |
Liu | A SAM-based method for large-scale crop field boundary delineation | |
CN113744326A (zh) | 一种在ycrcb颜色空间中基于种子区域生长法则的火灾检测方法 | |
CN113449622A (zh) | 一种棉株和杂草的图像分类识别检测方法 | |
CN115063603B (zh) | 基于边缘信息的木材年轮线精确提取及复原方法 | |
CN115294164A (zh) | 一种用于绿色植被图像分割的自动阈值颜色因子算法 | |
CN116797622A (zh) | 一种基于多特征指数的玉米雄穗图像双阈值分割方法 | |
CN112651368B (zh) | 一种用于大尺寸细胞显微图像的dna倍体分析方法 | |
CN114581660A (zh) | 植物叶片分割识别方法及系统 | |
CN114119634A (zh) | 结合植被剔除和图像特征一致性约束的建筑物自动提取方法及系统 | |
CN109948421B (zh) | 基于pca和属性配置文件的高光谱图像分类方法 | |
CN112069953A (zh) | 一种水稻秧苗生长期自动识别方法、装置 | |
CN116310846B (zh) | 一种基于图像识别和数据挖掘的病虫害识别方法及系统 |
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 |