CN115994921A - 一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法 - Google Patents

一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法 Download PDF

Info

Publication number
CN115994921A
CN115994921A CN202211580239.1A CN202211580239A CN115994921A CN 115994921 A CN115994921 A CN 115994921A CN 202211580239 A CN202211580239 A CN 202211580239A CN 115994921 A CN115994921 A CN 115994921A
Authority
CN
China
Prior art keywords
image
component
cherry fruit
mature
mature cherry
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
CN202211580239.1A
Other languages
English (en)
Inventor
盖荣丽
李孟珂
李文雪
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.)
Dalian University
Original Assignee
Dalian 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 Dalian University filed Critical Dalian University
Priority to CN202211580239.1A priority Critical patent/CN115994921A/zh
Publication of CN115994921A publication Critical patent/CN115994921A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法，包括获取成熟樱桃果实图像，并将该成熟樱桃果实图像从RGB格式转换为HSV颜色空间，从而提取图像的H、S分量；利用改进后的Otsu算法分别获取H分量和S分量的最优分割阈值，然后依次对H分量图像和S分量图像进行分割；对分割后的图像进行形态学处理，得到完善的成熟樱桃二值化图像。本发明具有轻量级、有效性的优点，并极大地提高了分割效率。

Description

一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法
技术领域
本发明涉及智慧农业图像分割技术领域，具体涉及一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法。
背景技术
近年来，机器视觉技术、图像处理方法以及农业的机械化能力正在快速发展，现代农业正逐渐向智慧农业迈进，机器人也正在被广泛的应用于农业采摘作业中。果园中的果实图像分割不仅是自动化采摘中的关键技术之一。同时，它是许多图像处理任务的预处理步骤，也是视觉图像如目标监控、特征提取、目标识别等相关识别操作和理解的基础。
针对目前采摘作业中的劳动力不足、效率低下等问题，使用采摘机器人可以有效的解决，采摘机器人通过一系列传感器和机器视觉对目标进行图像采集，采取图像分割和机器视觉等技术识别樱桃果实的位置信息并分析，能够实现对樱桃的高效采摘，对提高樱桃的采摘品质也有重要的促进作用。数字图像根据颜色、形状、纹理、大小、位置或灰度分成若干不重叠区域。同一区域内的像素有一些相似属性，但相邻区域内的像素也有一些相似属性。而实现自动化采摘中需要对樱桃果实进行识别并精准定位其位置信息，在樱桃生长环境中，由于环境复杂且有光照影响，无法有效的分割出果实。基于此问题，并根据樱桃成熟果实在不同光照条件下果园中的定位分割问题，需要提出一种新的分割方法。
发明内容
本发明的目的是，提供一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法，其具有轻量级、有效性的优点，并极大地提高了分割效率。
为实现上述目的，本申请的技术方案为：一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法，包括：
获取成熟樱桃果实图像，并将该成熟樱桃果实图像从RGB格式转换为HSV颜色空间，从而提取图像的H、S分量；
利用改进后的Otsu算法分别获取H分量和S分量的最优分割阈值，然后依次对H分量图像和S分量图像进行分割；
对分割后的图像进行形态学处理，得到完善的成熟樱桃二值化图像。
进一步的，格式转换前对成熟樱桃果实图像进行归一化处理：
Figure BDA0003990649150000021
其中，(R',G',B')是RGB空间中的一个点，通过归一化处理之后，值的范围被压缩在[0，1]内，以此来减少计算的复杂度；然后得到颜色归一化后的最大值、最小值和两值的差量：
Cmax＝max(R′,G′,B′),Cmin＝min(R′,G′,B′),Δ＝Cmax-Cmin
进一步的，提取图像的H、S分量方式为：
Figure BDA0003990649150000031
Figure BDA0003990649150000032
进一步的，改进后的Otsu算法为：
若成熟樱桃果实图像有L个灰度级[1,2,…,L]；灰度级为i的像素点个数为ni，则成熟樱桃果实图像的总像素点个数为：
Figure BDA0003990649150000033
灰度级L出现的概率为：
Figure BDA0003990649150000034
通过使用灰度级为k的阈值将像素点分为背景C0和目标C1两类，其中C0表示灰度级为[1,…,k]的像素点，C1表示灰度级为[k+1,…,L]的像素点；则C0和C1出现的概率分别为：
Figure BDA0003990649150000035
C0和C1的平均灰度级分别为：
Figure BDA0003990649150000036
Figure BDA0003990649150000041
寻找最佳阈值的方式如下：
Figure BDA0003990649150000042
故最佳阈值k*为：
Figure BDA0003990649150000043
进一步的，整幅成熟樱桃果实图像的平均灰度级μ为：
Figure BDA0003990649150000044
中间参数A和B分别为：
Figure BDA0003990649150000045
那么：
Figure BDA0003990649150000046
对于任意选定的灰度值，始终满足：
ω0+ω1＝1。
更进一步的，根据成熟樱桃果实图像可知，其目标果实面积区域是要小于背景区域，由于所有区域的灰度值总和为1，所以得到
Figure BDA0003990649150000047
即(1-2ω0)<0；因此(ω0A+ω0B-A)＝(A+B)ω0-A＝μω0-μ0ω0＝(μ-μ0)ω0；
在顺光和向光条件下，背景区域的灰度值较低，因此μ0<μ，则(ω0A+ω0B-A)>0，综上可得，|μ-μ0|-|μ-μ1|<0，此时推断出图像的灰度均值μ更接近背景区域的灰度值，而且μ0<μ<μ1，所以此时最佳分割阈值为k∈[μ,L]；而在背光条件下，由于μ0>μ>μ1，即|μ-μ0|-|μ-v1|>0，此时图像灰度均值μ更接近目标区域，所以最佳分割阈值为k∈[0,μ]。
更进一步的，依次对H分量图像和S分量图像进行分割具体为：通过获取H分量的最优分割阈值对H分量图像进行分割过滤，并保留多数类的图像，保存H分量分割后的图像；通过获取S分量的最优分割阈值对S分量图像进行分割过滤，并保留多数类的图像，保存S分量分割后的图像。
本发明由于采用以上技术方案，能够取得如下的技术效果：相比于传统的图像分割方法，本发明具有轻量级、有效性的优点，并极大地提高了分割效率。该方法能很好的预测农业中成熟樱桃图像，大大缩短了分割时间，具有较强的实用性。
附图说明
图1为成熟樱桃果实图像分割方法的总体流程图；
图2为背光环境下的樱桃果实图像分割结果图；
图3为顺光环境下的樱桃果实图像分割结果图；
图4为向光环境下的樱桃果实图像分割结果图。
具体实施方式
本发明的实施例是在以本发明技术方案为前提下进行实施的，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。
实施例1
如图1所示，本实施例提供一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法，包括：
S1.获取成熟樱桃果实图像，并将该成熟樱桃果实图像从RGB格式转换为HSV颜色空间，从而提取图像的H、S分量；
具体的，通过图像采集设备获取成熟樱桃果实图像；由于HSV颜色空间中三个分量是相互独立的，则可以对其分别求值，而在转换之前需要对RGB格式图像进行归一化处理：
Figure BDA0003990649150000061
然后获取RGB颜色中的最大值、最小值和两值的差量：
Cmax＝max(R′,G′,B′),Cmin＝min(R′,G′,B′),Δ＝Cmax-Cmin#
H、S分量分别为：
Figure BDA0003990649150000062
Figure BDA0003990649150000063
S2.利用改进后的Otsu算法分别获取H分量和S分量的最优分割阈值，然后依次对H分量图像和S分量图像进行分割；主要是对图像的背景和枝干等影响因素进行过滤处理。
具体的，所述改进的Otsu算法为：
若成熟樱桃果实图像有L个灰度级[1,2,…,L]；灰度级为i的像素点个数为ni，则成熟樱桃果实图像的总像素点个数为：
Figure BDA0003990649150000071
灰度级L出现的概率为：
Figure BDA0003990649150000072
通过使用灰度级为k的阈值将像素点分为背景C0和目标C1两类，其中C0表示灰度级为[1,…,k]的像素点，C1表示灰度级为[k+1,…,L]的像素点；则C0和C1出现的概率分别为：
Figure BDA0003990649150000073
C0和C1的平均灰度级分别为：
Figure BDA0003990649150000074
Figure BDA0003990649150000075
寻找最佳阈值的方式如下：
Figure BDA0003990649150000076
故最佳阈值k*为：
Figure BDA0003990649150000081
μ为整幅成熟樱桃果实图像的平均灰度级：
Figure BDA0003990649150000082
中间参数A和B分别为：
Figure BDA0003990649150000083
那么：
Figure BDA0003990649150000084
对于任意选定的灰度值，始终满足：
ω0+ω1＝1
根据成熟樱桃果实图像可知，其目标果实面积区域小于背景区域，由于所有区域的灰度值总和为1，所以得到
Figure BDA0003990649150000085
即(1-2ω0)<0；因此(ω0A+ω0B-A)＝(A+B)ω0-A＝μω0-μ0ω0＝(μ-μ0)ω0；
成熟樱桃果实图像是在不同光照条件下进行拍摄的；在顺光和向光条件下，背景区域的灰度值较低，因此μ0<μ，则(ω0A+ω0B-A)>0，综上可得，|μ-μ0|-|μ-μ1|<0，此时推断出图像的灰度均值μ更接近背景区域的灰度值，而且μ0<μ<μ1，所以此时最佳分割阈值为k∈[μ,L]；而在背光条件下，由于μ0>μ>μ1，即|μ-μ0|-|μ-μ1|>0，此时图像灰度均值μ更接近目标区域，所以最佳分割阈值为k∈[0,μ]。
S3.对分割后的图像进行形态学处理，得到完善的成熟樱桃二值化图像；
具体的，将分割后的图像进行形态学的开运算操作可以有效消除独立的噪声点和细小的像素颗粒，主要对非目标位置的元素进行了过滤处理，将会得到了一个较完善的樱桃果实分割结果。
将传统分割方式与本发明的成熟樱桃果实图像分割方法作对比，如图2-4所示，并结合下表，可得在处理相同分量图像的情况下，本发明方法运行时间更短，分割效率更好，能够准确将樱桃果实分割出来。其中t1表示传统分割方式，t2表示本发明分割方法。
图号 t1/s(H分量) t2/s(H分量) 提高效率/％ t1/s(S分量) t2/s(S分量) 提高效率/％
图2 0.705 0.267 62.1 0.783 0.254 67.6
图3 1.050 0.536 48.9 1.340 0.825 38.4
图4 1.959 1.114 43.1 2.507 1.947 22.3
本发明的实施例有较佳的实施性，并非是对本发明任何形式的限定。本发明实施例中描述的技术特征或技术特征的组合不应当被认为是孤立的，它们可以被互相组合从而达到更好的技术效果。本发明优选实施方式的范围也可以包括另外的实现，且者应被发明实施例所属技术领域的技术人员所理解。

Claims (7)

1.一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法，其特征在于，包括：
获取成熟樱桃果实图像，并将该成熟樱桃果实图像从RGB格式转换为HSV颜色空间，从而提取图像的H、S分量；
利用改进后的Otsu算法分别获取H分量和S分量的最优分割阈值，然后依次对H分量图像和S分量图像进行分割；
对分割后的图像进行形态学处理，得到完善的成熟樱桃二值化图像。
2.根据权利要求1所述一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法，其特征在于，格式转换前对成熟樱桃果实图像进行归一化处理：
Figure FDA0003990649140000011
其中，(R',G',B')是RGB空间中的一个点，通过归一化处理之后，值的范围被压缩在[0，1]内；然后得到颜色归一化后的最大值、最小值和两值的差量：
Cmax＝max(R′,G′,B′),Cmin＝min(R′,B′,B′),Δ＝Cmax-Cmin。
3.根据权利要求1所述一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法，其特征在于，提取图像的H、S分量方式为：
Figure FDA0003990649140000021
Figure FDA0003990649140000022
4.根据权利要求1所述一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法，其特征在于，改进后的Otsu算法为：
若成熟樱桃果实图像有L个灰度级[1,2,…,L]；灰度级为i的像素点个数为ni，则成熟樱桃果实图像的总像素点个数为：
Figure FDA0003990649140000024
灰度级L出现的概率为：
Figure FDA0003990649140000025
通过使用灰度级为k的阈值将像素点分为背景C0和目标C1两类，其中C0表示灰度级为[1,…,k]的像素点，C1表示灰度级为[k+1,…,L]的像素点；则C0和C1出现的概率分别为：
Figure FDA0003990649140000026
C0和C1的平均灰度级分别为：
Figure FDA0003990649140000028
Figure FDA0003990649140000031
寻找最佳阈值的方式如下：
Figure FDA0003990649140000032
故最佳阈值k*为：
Figure FDA0003990649140000033
5.根据权利要求4所述一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法，其特征在于，整幅成熟樱桃果实图像的平均灰度级μ为：
Figure FDA0003990649140000034
中间参数A和B分别为：
Figure FDA0003990649140000035
那么：
Figure FDA0003990649140000036
对于任意选定的灰度值，始终满足：
ω0+ω1＝1。
6.根据权利要求5所述一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法，其特征在于，根据成熟樱桃果实图像可知，其目标果实面积区域小于背景区域，由于所有区域的灰度值总和为1，所以得到
Figure FDA0003990649140000041
即(1-2ω0)＜0；因此(ω0A+ω0B-A)＝(A+B)ω0-A＝μω0-μ0ω0＝(μ-μ0)ω0；
在顺光和向光条件下，背景区域的灰度值较低，因此μ0＜μ，则(ω0A+ω0B-A)＞0，综上可得，|μ-μ0|-|μ-μ1|＜0，此时推断出图像的灰度均值μ更接近背景区域的灰度值，而且μ0＜μ＜μ1，所以此时最佳分割阈值为k∈[μ，L]；而在背光条件下，由于μ0＞μ＞μ1，即|μ-μ0|-|μ-μ1|＞0，此时图像灰度均值μ更接近目标区域，所以最佳分割阈值为k∈[0，μ]。
7.根据权利要求1所述一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法，其特征在于，依次对H分量图像和S分量图像进行分割具体为：通过获取H分量的最优分割阈值对H分量图像进行分割过滤，并保留多数类的图像，保存H分量分割后的图像；通过获取S分量的最优分割阈值对S分量图像进行分割过滤，并保留多数类的图像，保存S分量分割后的图像。
CN202211580239.1A 2022-12-09 2022-12-09 一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法 Pending CN115994921A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211580239.1A CN115994921A (zh) 2022-12-09 2022-12-09 一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211580239.1A CN115994921A (zh) 2022-12-09 2022-12-09 一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法

Publications (1)

Publication Number Publication Date
CN115994921A true CN115994921A (zh) 2023-04-21

Family

ID=85994675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211580239.1A Pending CN115994921A (zh) 2022-12-09 2022-12-09 一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法

Country Status (1)

Country Link
CN (1) CN115994921A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523910A (zh) * 2023-07-03 2023-08-01 湖北省林业科学研究院 基于图像数据的核桃成熟度智能检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523910A (zh) * 2023-07-03 2023-08-01 湖北省林业科学研究院 基于图像数据的核桃成熟度智能检测方法
CN116523910B (zh) * 2023-07-03 2023-09-08 湖北省林业科学研究院 基于图像数据的核桃成熟度智能检测方法

Similar Documents

Publication Publication Date Title
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
CN111260616A (zh) 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法
CN109978848B (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN108563979B (zh) 一种基于航拍农田图像判别水稻稻瘟病病情的方法
CN112132153B (zh) 基于聚类和形态学处理的番茄果实识别方法及系统
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN106096491B (zh) 一种眼底彩色照相图像中微动脉瘤自动化识别方法
CN112435235B (zh) 一种基于图像分析的籽棉含杂率检测方法
Devi et al. Image processing system for automatic segmentation and yield prediction of fruits using open CV
CN106815843A (zh) 一种基于凸包中心先验和马尔可夫吸收链的果实目标获取方法
CN111783693A (zh) 果蔬采摘机器人的智能识别方法
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
CN108109159A (zh) 一种基于hessian矩阵和区域增长相结合的视网膜血管分割系统
CN112861654A (zh) 一种基于机器视觉的名优茶采摘点位置信息获取方法
CN115994921A (zh) 一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法
CN101447027A (zh) 磁码字符区域的二值化方法及其应用
Devi et al. Analysis of segmentation scheme for diseased rice leaves
CN115272362A (zh) 一种数字病理全场图像有效区域分割方法、装置
CN112381084B (zh) 断层图像的轮廓自动识别方法
CN113269750A (zh) 香蕉叶部病害图像检测方法、系统、储存介质及检测设备
Lv et al. Method to acquire regions of fruit, branch and leaf from image of red apple in orchard
CN111489371B (zh) 一种场景的直方图近似单峰分布时的图像分割方法
Septiarini et al. Tomato Segmentation on Natural Background Using Multi Operation of Edge Detection And Reconstruction
Khan et al. Shadow removal from digital images using multi-channel binarization and shadow matting
CN105844641A (zh) 一种动态环境下的自适应阈值分割方法

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