CN116721121A - 一种植物表型彩色图像特征提取方法 - Google Patents
一种植物表型彩色图像特征提取方法 Download PDFInfo
- Publication number
- CN116721121A CN116721121A CN202310696470.5A CN202310696470A CN116721121A CN 116721121 A CN116721121 A CN 116721121A CN 202310696470 A CN202310696470 A CN 202310696470A CN 116721121 A CN116721121 A CN 116721121A
- Authority
- CN
- China
- Prior art keywords
- color image
- image
- iteration
- individual
- plant phenotype
- 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.)
- Withdrawn
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 40
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000000007 visual effect Effects 0.000 claims abstract description 21
- 238000003709 image segmentation Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 40
- 230000004927 fusion Effects 0.000 claims description 13
- 108091028051 Numt Proteins 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000006798 recombination Effects 0.000 claims description 4
- 238000005215 recombination Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 33
- 238000009826 distribution Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06T7/13—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
- G06T7/12—Edge-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
- G06T7/136—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
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20161—Level set
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
本发明公开了一种植物表型彩色图像特征提取方法，属于图像处理技术领域，为解决图像特征信息表达能力较差的问题，结合二分法确定彩色图像全局轮廓生长规则，构建彩色图像规则的视觉图像采集模型；为了更精准的提取图像的特征信息，采用高分辨灰度直方图特征提取方法进行彩色图像的视觉信息增强处理，构建彩色图像的迭代阈值分割模型。本发明提供的一种植物表型彩色图像特征提取方法解决现在技术所存在的彩色图像分割未考虑全局轮廓生长规则，图像特征信息表达能力较差，图像分割的随机性较大，分割的精度不高，随机扰动性较大，分割过程的抗干扰性不好的问题，作用效果显著，适于广泛推广。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及，一种植物表型彩色图像特征提取方法。
背景技术
随着计算机图形图像信息处理技术的发展，需要对大量的彩色图像进行优化特征提取，采用种子点检测方法进行彩色图像的特征分割和边缘轮廓特征检测，在彩色图像全局阈值分割过程中，受到种子点手动选择下随机因素较大的影响，导致彩色图像全局阈值分割的准确度不高。
目前，彩色图像分割采用手动选择种子点随机性大、且未考虑轮廓生长规则存在分割准确度低的问题。现有图像分割方法进行彩色图像分割未考虑全局轮廓生长规则，图像特征信息表达能力较差。图像分割的随机性较大，分割的精度不高，随机扰动性较大，分割过程的抗干扰性不好。
发明内容
针对上述缺陷，本发明解决的技术问题在于，提供一种植物表型彩色图像特征提取方法，以解决现在技术所存在的彩色图像分割未考虑全局轮廓生长规则，图像特征信息表达能力较差，图像分割的随机性较大，分割的精度不高，随机扰动性较大，分割过程的抗干扰性不好的问题。
本发明提供了一种植物表型彩色图像特征提取方法，包括：
步骤1、分别获取多组不同时段的日间彩色图像和夜间红外补光灰度图像；
步骤2、提取灰度图像的初始边缘轮廓，基于灰度图像的边缘轮廓获取用于进行彩色图像分割的迭代阈值；
步骤3、基于提取的边缘轮廓自适应的寻找日间彩色图像中的植物表型图像关键特征区域，得到权重矩阵；
步骤4、基于迭代阈值与权重矩阵建立彩色图像的边缘轮廓特征提取模型，得到植物表型彩色图像的边缘轮廓特征。
优选地，所述步骤2具体步骤包括：
步骤2.1、对灰度图像进行二值化阈值及形态学滤波处理，获取初始植物表型特征边缘轮廓；
步骤2.2、基于获取的初始植物表型特征边缘轮廓，对与灰度图像对应的彩色图像随机生成NP个个体作为初始种群并设置最大迭代次数，其中NP为初始种群的个数；
步骤2.3、对于随机生成的初始种群，按最大类间方差函数计算每个个体的适应度值，并将它们按照适应度值的大小排序，以最大迭代次数进行分层；
步骤2.4、对各层个体进行更新，并将整合后的迭代个体传至下一层进行进一步的迭代；
步骤2.5、若当前迭代次数大于预设的最大迭代次数，则输出得到的迭代阈值，否则，继续迭代操作。
优选地，所述步骤3具体步骤包括：
步骤3.1、基于灰度图像得出的初始边缘轮廓，对彩色图像计算从任意一个像素点s到其相邻的像素点t的局部代价；
步骤3.2、将计算后的局部代价权重记为1个与原图像相同形状的矩阵。
优选地，所述步骤4的具体步骤包括：
步骤4.1、采用水平集法获取彩色图像的初始轮廓；
步骤4.2、结合二分法确定彩色图像全局轮廓生长规则，构建彩色图像的视觉图像采集模型，得到彩色图像的分割曲线；
步骤4.3、采用小波多尺度特征分集方法进行彩色图像的分布式重组和二维直方图重构，得到彩色图像的二维直方图；
步骤4.4、根据直方图构建结果，基于迭代阈值与权重矩阵建立彩色图像的边缘轮廓特征提取模型；
步骤4.5、基于彩色图像的边缘轮廓特征提取模型，对彩色图像进行优化分割得到植物表型彩色图像的边缘轮廓特征。
优选地，所述步骤2.1的具体步骤包括：
步骤2.1.1、对灰度图像进行二值化阈值处理，使图像中像素转化为黑白色；
步骤2.1.2、对二值化阈值处理后的灰度图像以不同大小的结构元进行多次形态学运算，得到边缘平滑处理后的灰度图像；
步骤2.1.3、采用基于边界跟踪的数字化二值图像拓扑结构分析获取边缘轮廓，得到植物表型特征的初始边缘轮廓。
优选地，所述步骤2.4的具体步骤包括：
步骤2.4.1、初始层种群更新的迭代函数表示为：
其中ceil(·)函数表示对得到的最优阈值向量进行取整，Xnew表示更新后新产生的个体，Xi表示该层内第i个个体，Xpbest表示当前所在层的最优个体，Xgbest表示全局最优个体，t为当前迭代次数，最大迭代次数为G，P(t)为自适应非线性搜索趋势常数，Pmax、Pmin分别为预设的常数最大值和最小值；
步骤2.4.2、筛选层接收初始层迭代更新后的个体，采用更新后的个体对该层内的个体进行迭代更新，筛选层迭代更新的函数表示为：Xnew＝ceil((Xi+Xgbest)/2)。
步骤2.4.3、融合层利用融合层迭代更新的个体和全局迭代更新后的个体对待处理的彩色图像划分的个体进行迭代，融合层迭代更新的函数表示为：
Xnew＝ceil(W·Xi+C1(t)·(Xpbest-Xi)+C2(t)·(Xgbest-Xi))
Xnew＝ceil(W·Xi+C1(t)·(Xpbest-Xi+C2(t)·(Xpbest-Xi))
其中，Xnew为更新后的个体；Xpbest为融合层迭代更新后的个体，W为待更新的个体对应的权值，C1、C2分别为迭代个体对应的学习因子。
优选地，所述步骤2.4.3中学习因子和权值的迭代函数表示为：
其中Wmax为迭代个体对应的最大权值，Wmin为迭代个体对应的最小权值，C10＝C20为学习因子的初始值。
优选地，所述步骤2.2中个体划分规则的函数表示为Xi＝sort(rand perm(n，numT)-ones(1，numT))，Xi(i＝1，2，3，…，NP)，sort(·)函数表示对生成的随机向量进行排序，numT表示分割阈值个数，rand perm表示返回1-n中numT个自然数组成向量的函数，ones表示生成1行numT列的单位向量的函数。
优选地，所述步骤2.3中最大类间方差函数表示为：j＝1，2，…，m，其中m为阈值的个数，ωj为第j类的像素点概率，μj为第j部分的平均灰度级，μT为整个图像的平均灰度级。
优选地，所述步骤3.1中局部代价函数表示为：
I(s，t)＝ωz·fZ(t)+ωD·fD(s，t)+ωG·fG(t)，其中fZ为拉普拉斯过零点代价，fG为像素在x和y方向上的梯度，fD表示梯度方向代价，ωZ、ωD、ωG分别为各个函数对应的权值。
由上述方案可知，本发明提供的一种植物表型彩色图像特征提取方法采用水平集法获取彩色图像的初始轮廓，实现图像轮廓的自动提取；为解决图像特征信息表达能力较差的问题，结合二分法确定彩色图像全局轮廓生长规则，构建彩色图像规则的视觉图像采集模型；为了更精准的提取图像的特征信息，采用高分辨灰度直方图特征提取方法进行彩色图像的视觉信息增强处理，构建彩色图像的迭代阈值分割模型。采用该方法进行彩色图像分割的自适应性较好，分割后的彩色图像具有高度的连通性，提高了分割的精度，从而提高了彩色图像的视觉表达和特征提取能力。本发明解决现在技术所存在的彩色图像分割未考虑全局轮廓生长规则，图像特征信息表达能力较差，图像分割的随机性较大，分割的精度不高，随机扰动性较大，分割过程的抗干扰性不好的问题，作用效果显著，适于广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种植物表型彩色图像特征提取方法的过程框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，现对本发明提供的一种植物表型彩色图像特征提取方法的一种具体实施方式进行说明。该种植物表型彩色图像特征提取方法的具体步骤包括：
S1、图像获取：通过监控摄像头分别获取多组同一角度植物本体的不同时段的日间彩色图像和夜间红外补光灰度图像；
监控摄像头采用电荷耦合元件或互补金属氧化物半导体捕捉光信号。当可见光较强时，摄像头将光低通滤波器置于光路中，大部分红外光波过滤，摄像头采集的图像可较准确的还原被摄物的颜色与灰度信号；当可见光较弱时，光低通滤波器被自动移除，此时主要依靠红外光成像，电路将自动切换，只保留灰度信号。
S2、提取灰度图像的初始边缘轮廓，基于灰度图像的边缘轮廓获取用于进行彩色图像分割的迭代阈值；
S2具体步骤包括：
S2.1、对灰度图像进行二值化阈值处理及形态学滤波处理，获取初始植物表型特征边缘轮廓；
S2.1的具体步骤包括：
S2.1.1、对灰度图像进行二值化阈值处理，使图像中像素转化为黑白色，从而凸显植物表型特征区域的轮廓；
S2.1.2、对二值化阈值处理后的灰度图像以不同大小的结构元进行多次形态学运算，得到边缘平滑处理后的灰度图像；
该步骤具体的是：对二值图像进行形态学滤波以便更好的提取区域轮廓。首先以13*13的结构元进行形态学闭运算，填充因光照不均匀而在阈值处理后产生的细小空洞，平滑边缘；再以9*9的结构元进行形态学开运算，进一步平滑边缘。
S2.1.3、采用基于边界跟踪的数字化二值图像拓扑结构分析获取边缘轮廓，得到植物表型特征的初始边缘轮廓。
S2.2、基于获取的初始植物表型特征边缘轮廓，对与灰度图像对应的彩色图像随机生成NP个个体作为初始种群并设置最大迭代次数，其中NP为初始种群的个数，示例性的，若最大迭代次数为4，则初始种群分为4层，分别为初始层、筛选层1、筛选层2、融合层；
S2.2中个体划分规则的函数表示为
Xi＝sort(rand perm(n，numT)-ones(1，numT))，Xi(i＝1，2，3，…，NP)，sort(·)函数表示对生成的随机向量进行排序，numT表示分割阈值个数，rand perm表示返回1-n中humT个自然数组成向量的函数，示例性的n为256，ones表示生成1行numT列的单位向量的函数。
S2.3、对于随机生成的初始种群，按最大类间方差函数计算每个个体的适应度值，并将它们按照适应度值的大小排序，以最大迭代次数进行分层；
S2.3中最大类间方差函数表示为：j＝1，2，…，m，其中m为阈值的个数，ωj为第j类的像素点概率，μj为第j部分的平均灰度级，μT为整个图像的平均灰度级。
S2.4、对各层个体进行更新，并将整合后的迭代个体传至下一层进行进一步的迭代；
S2.4的具体步骤包括：
S2.4.1、初始层种群更新的迭代函数表示为：
其中ceil(·)函数表示对得到的最优阈值向量进行取整，Xnew表示更新后新产生的个体，Xi表示该层内第i个个体，Xpbest表示当前所在层的最优个体，Xgbest表示全局最优个体，t为当前迭代次数，最大迭代次数为G，P(t)为自适应非线性搜索趋势常数，由它来决定初始层的个体进化方式，扩大搜索空间，探索挖掘潜在的优秀个体，使得算法在迭代过程中平衡全局搜索和局部搜索的能力，防止陷入局部最优，Pmax、Pmin分别为预设的常数最大值和最小值，示例性的，Pmax＝0.8，Pmin＝0.1；
S2.4.2、筛选层接收初始层迭代更新后的个体，采用更新后的个体对该层内的个体进行迭代更新，提高分层的价值以及层间的协作能力，筛选层迭代更新的函数表示为：Xnew＝ceil((Xi+Xgbest)/2)。
S2.4.3、融合层利用融合层迭代更新的个体和全局迭代更新后的个体对待处理的彩色图像划分的个体进行迭代，提升区域最优的速度和搜索效率，融合层迭代更新的函数表示为：
Xnew＝ceil(W·Xi+C1(t)·(Xpbest-Xi)+C2(t)·(Xgbest-Xi))
Xnew＝ceil(W·Xi+C1(t)·(Xpbest-Xi+C2(t)·(Xpbest-Xi))
其中，Xnew为更新后的个体；Xpbest为融合层迭代更新后的个体，W为待更新的个体对应的权值，C1、C2分别为迭代个体对应的学习因子。
迭代初期，个体与当前所在层最优个体距离较近，与全局最优个体的距离较远，为其赋予较大的C1和较小的C2可以有效改善算法过早收敛、陷入局部最优的情况，并保持解的多样性。
S2.4.3中学习因子和权值的迭代函数表示为：
其中Wmax＝0.9为迭代个体对应的最大权值，Wmin＝0.4为迭代个体对应的最小权值，C10＝C20＝1.5为学习因子的初始值。
S2.5、终止条件判断，若当前迭代次数大于预设的最大迭代次数，则输出得到的最优迭代阈值及其适应度值，否则，继续迭代操作。
S3、基于提取的边缘轮廓自适应的寻找日间彩色图像中的植物表型图像关键特征区域，得到权重矩阵；
S3具体步骤包括：
S3.1、基于灰度图像得出的初始边缘轮廓，对彩色图像计算从任意一个像素点s到其相邻的像素点t的局部代价；
S3.1中局部代价函数表示为：
I(s，t)＝ωZ·fZ(t)+ωD·fD(s，t)+ωG·fG(t)，其中fZ为拉普拉斯过零点代价，确保像素节点位于边缘点上，fG为像素在x和y方向上的梯度，当有较大梯度值时，说明图像存在边缘，fD表示梯度方向代价，当两个像素具有相似的梯度方向但该方向和它们之间连接的方向接近垂直时给予高代价，当两个像素具有相似的梯度方向但该方向和它们之间连接的方向一致时给予低代价，ωZ、ωD、ωG分别为各个函数对应的权值。
S3.2、将计算后的局部代价权重记为1个与原图像相同形状的矩阵A＝I(s，t)。
S4、基于迭代阈值与权重矩阵建立彩色图像的边缘轮廓特征提取模型，得到植物表型彩色图像的边缘轮廓特征。
S4的具体步骤包括：
S4.1、采用水平集法获取彩色图像的初始轮廓；
在m*n区域内，根据目标区域的边缘轮廓进行局部关联帧二值重构，构建彩色图像的目标形状的先验模型，通过先验形状来给形变轮廓进行特征标定和模糊匹配，在目标区域的边缘轮廓区域中，进行彩色图像的稀疏编码，提取彩色图像的灰度直方图，在像素分布空间内，计算彩色图像目标边缘标记点的坐标，在4*4子块的局部区域内建立彩色图像的阈值分割模型，得到彩色图像的视觉信息采样输出模型。根据对彩色图像视觉信息采样结果，建立彩色图像迭代阈值分割的边缘轮廓特征提取模型，采用水平集法获取彩色图像的初始轮廓，提高图像的全局区域分割能力。
S4.2、结合二分法确定彩色图像全局轮廓生长规则，构建彩色图像的视觉图像采集模型，实现对彩色图像的边缘轮廓特征提取，在像素空间中进行彩色图像的二维灰度直方图模板匹配，得到彩色图像的分割曲线；
对目标彩色图像进行三维边缘特征重构，在空间中进行彩色图像空间视觉重构和边缘轮廓检测，根据彩色图像形变模型提供目标区域特征匹配度，得到彩色图像空间视觉特征分布模型。在x区域内，得到彩色图像空间视觉像素点的局部关联帧，重构彩色图像的边缘轮廓特征分布集，得到彩色图像的边缘轮廓，采用多重分形技术进行彩色图像的形状特征匹配，根据匹配结果对不同分辨率的彩色图像进行边缘轮廓检测，采用甲醛平均的方法对图像的颜色分量进行多尺度分解。根据特征分解结果，得到彩色图像的RGB分量，结合细节分布进行彩色图像的模板匹配和角点检测，得到彩色图像的灰度模板特征匹配集。
S4.3、采用小波多尺度特征分集方法进行彩色图像的分布式重组和二维直方图重构，得到彩色图像的二维直方图；
结合彩色图像的边缘轮廓特征重构结果进行彩色图像的联合稀疏结构重组，建立彩色图像的阈值特征提取模型，对彩色图像进行二值拟合，实现彩色图像边缘检测，根据特征分割结果进行彩色图像的多维度特征重建，实现彩色图像的灰度像素特征分布重构，建立彩色图像的模糊二维直方图提取模型，进行图像的优化分割，彩色图像的边缘轮廓特征提取输出模型。采用高分辨灰度直方图特征提取方法进行彩色图像的视觉信息增强处理，提取彩色图像的二维直方图，采用空间视觉重构技术进行彩色图像的线性拟合，对分割目标的先验形状进行均值分割，建立彩色图像的参数初始化模型，在彩色图像的视觉分布空间中，进行彩色图像的二维直方图构建，得到彩色图像的结构相似性特征分布集。提取彩色图像的视觉梯度特征，定义彩色图像空间视觉图像的梯度模特征，采用低秩属性特征匹配方法进行彩色图像的多维尺度分解，建立彩色图像的模糊关联特征匹配模型，根据目标区域的边缘轮廓进行彩色图像空间视觉表达，建立彩色图像的梯度分割模型，采用离散的时间序列来表达彩色图像的灰度像素序列，采用梯度模特征提取模型，在模糊区域，根据目标边缘相邻的像素的强度进行彩色图像的分块融合处理，对彩色图像进行灰度二维直方图提取，对目标边缘相邻的像素的强度信息进行建模。构建彩色图像空间信息增强模型，结合视觉传导技术进行灰度像素特征分布式调节和色彩矫正，对彩色图像的目标区域的边缘轮廓进行特征匹配处理，建立彩色图像的空间视觉信息增强模型，得到彩色图像的离散的时间序列。在彩色图像序列中目标形状模型中，得到彩色图像的特征分割快模型结构，根据彩色图像边界演化分布进行空间轮廓特征提取，采用分段区域检测方法，建立彩色图像的初始轮廓分割模型，彩色图像的二维直方图的交换拟合函数。
S4.4、根据直方图构建结果，基于迭代阈值与权重矩阵建立彩色图像的边缘轮廓特征提取模型；
S4.5、基于彩色图像的边缘轮廓特征提取模型，对彩色图像进行优化分割得到植物表型彩色图像的边缘轮廓特征。
与现有技术相比，该种植物表型彩色图像特征提取方法通过彩色图像与灰度图像互补的边缘轮廓提取方式实现成本低，分割精度高、适用性强，可自主实现植物图像表型关键特征区域的切割与获取，并可大面积运用于农业生产环境中。通过迭代阈值的获取方法，扩大各层级搜索空间，提高寻优能力；利用种群间的竞争与协作关系提高求解精度和分割效果。基于二维直方图的彩色图像全局阈值分割方法，通过先验形状来给形变轮廓进行特征标定和模糊匹配，在目标区域的边缘轮廓区域中，进行彩色图像的稀疏编码，提取彩色图像的灰度直方图，结合二分法确定彩色图像全局轮廓生长规则，根据彩色图像形变模型提供目标区域特征匹配度，得到彩色图像空间视觉特征分布结构，根据特征分割结果进行彩色图像的多维度特征重建，实现彩色图像的优化分割，提高彩色图像的视觉表达和特征提取能力。该方法进行彩色图像分割的误差角度，有效克服了手动选择种子点随机性大和分割准确度不高的问题。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种植物表型彩色图像特征提取方法，其特征在于，包括：
步骤1、分别获取多组不同时段的日间彩色图像和夜间红外补光灰度图像；
步骤2、提取灰度图像的初始边缘轮廓，基于灰度图像的边缘轮廓获取用于进行彩色图像分割的迭代阈值；
步骤3、基于提取的边缘轮廓自适应的寻找日间彩色图像中的植物表型图像关键特征区域，得到权重矩阵；
步骤4、基于迭代阈值与权重矩阵建立彩色图像的边缘轮廓特征提取模型，得到植物表型彩色图像的边缘轮廓特征。
2.根据权利要求1所述的一种植物表型彩色图像特征提取方法，其特征在于，所述步骤2具体步骤包括：
步骤2.1、对灰度图像进行二值化阈值及形态学滤波处理，获取初始植物表型特征边缘轮廓；
步骤2.2、基于获取的初始植物表型特征边缘轮廓，对与灰度图像对应的彩色图像随机生成NP个个体作为初始种群并设置最大迭代次数，其中NP为初始种群的个数；
步骤2.3、对于随机生成的初始种群，按最大类间方差函数计算每个个体的适应度值，并将它们按照适应度值的大小排序，以最大迭代次数进行分层；
步骤2.4、对各层个体进行更新，并将整合后的迭代个体传至下一层进行进一步的迭代；
步骤2.5、若当前迭代次数大于预设的最大迭代次数，则输出得到的迭代阈值，否则，继续迭代操作。
3.根据权利要求2所述的一种植物表型彩色图像特征提取方法，其特征在于，所述步骤3具体步骤包括：
步骤3.1、基于灰度图像得出的初始边缘轮廓，对彩色图像计算从任意一个像素点s到其相邻的像素点t的局部代价；
步骤3.2、将计算后的局部代价权重记为1个与原图像相同形状的矩阵。
4.根据权利要求3所述的一种植物表型彩色图像特征提取方法，其特征在于，所述步骤4的具体步骤包括：
步骤4.1、采用水平集法获取彩色图像的初始轮廓；
步骤4.2、结合二分法确定彩色图像全局轮廓生长规则，构建彩色图像的视觉图像采集模型，得到彩色图像的分割曲线；
步骤4.3、采用小波多尺度特征分集方法进行彩色图像的分布式重组和二维直方图重构，得到彩色图像的二维直方图；
步骤4.4、根据直方图构建结果，基于迭代阈值与权重矩阵建立彩色图像的边缘轮廓特征提取模型；
步骤4.5、基于彩色图像的边缘轮廓特征提取模型，对彩色图像进行优化分割得到植物表型彩色图像的边缘轮廓特征。
5.根据权利要求2所述的一种植物表型彩色图像特征提取方法，其特征在于，所述步骤2.1的具体步骤包括：
步骤2.1.1、对灰度图像进行二值化阈值处理，使图像中像素转化为黑白色；
步骤2.1.2、对二值化阈值处理后的灰度图像以不同大小的结构元进行多次形态学运算，得到边缘平滑处理后的灰度图像；
步骤2.1.3、采用基于边界跟踪的数字化二值图像拓扑结构分析获取边缘轮廓，得到植物表型特征的初始边缘轮廓。
6.根据权利要求2所述的一种植物表型彩色图像特征提取方法，其特征在于，所述步骤2.4的具体步骤包括：
步骤2.4.1、初始层种群更新的迭代函数表示为：
其中ceil(·)函数表示对得到的最优阈值向量进行取整，Xnew表示更新后新产生的个体，Xi表示该层内第i个个体，Xpbest表示当前所在层的最优个体，Xgbest表示全局最优个体，t为当前迭代次数，最大迭代次数为G，P(t)为自适应非线性搜索趋势常数，Pmax、Pmin分别为预设的常数最大值和最小值；
步骤2.4.2、筛选层接收初始层迭代更新后的个体，采用更新后的个体对该层内的个体进行迭代更新，筛选层迭代更新的函数表示为：Xnew＝ceil((Xi+Xgbest)/2)。
步骤2.4.3、融合层利用融合层迭代更新的个体和全局迭代更新后的个体对待处理的彩色图像划分的个体进行迭代，融合层迭代更新的函数表示为：
Xnew＝ceil(W·Xi+C1(t)·(Xpbest-Xi)+C2(t)·(Xgbest-Xi))
Xnew＝ceil(W·Xi+C1(t)·(Xpbest-Xi+C2(t)·(Xpbest-Xi))
其中，Xnew为更新后的个体；Xpbest为融合层迭代更新后的个体，W为待更新的个体对应的权值，C1、C2分别为迭代个体对应的学习因子。
7.根据权利要求6所述的一种植物表型彩色图像特征提取方法，其特征在于，所述步骤2.4.3中学习因子和权值的迭代函数表示为：
其中Wmax为迭代个体对应的最大权值，Wmin为迭代个体对应的最小权值，C10＝C20为学习因子的初始值。
8.根据权利要求2所述的一种植物表型彩色图像特征提取方法，其特征在于，所述步骤2.2中个体划分规则的函数表示为Xi＝sort(randperm(n，num T)-ones(1，num T)),xi(i＝1，2，3，…，NP)sort(·)函数表示对生成的随机向量进行排序，numT表示分割阈值个数，randperm表示返回1-n中numT个自然数组成向量的函数，ones表示生成1行numT列的单位向量的函数。
9.根据权利要求2所述的一种植物表型彩色图像特征提取方法，其特征在于，所述步骤2.3中最大类间方差函数表示为：j＝1，2，...，m，其中m为阈值的个数，ωj为第j类的像素点概率，μj为第j部分的平均灰度级，μT为整个图像的平均灰度级。
10.根据权利要求3所述的一种植物表型彩色图像特征提取方法，其特征在于，所述步骤3.1中局部代价函数表示为：
I(s,t)＝ωZ·fZ(t)+ωD·fD(s,t)+ωG·fG(t)，其中fZ为拉普拉斯过零点代价，fG为像素在x和y方向上的梯度，fD表示梯度方向代价，ωZ、ωD、ωG分别为各个函数对应的权值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310696470.5A CN116721121A (zh) | 2023-06-13 | 2023-06-13 | 一种植物表型彩色图像特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310696470.5A CN116721121A (zh) | 2023-06-13 | 2023-06-13 | 一种植物表型彩色图像特征提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116721121A true CN116721121A (zh) | 2023-09-08 |
Family
ID=87874742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310696470.5A Withdrawn CN116721121A (zh) | 2023-06-13 | 2023-06-13 | 一种植物表型彩色图像特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116721121A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117333400A (zh) * | 2023-11-06 | 2024-01-02 | 华中农业大学 | 一种根盒培养作物根系图像断根修复及表型提取方法 |
| CN117392162A (zh) * | 2023-12-11 | 2024-01-12 | 浙江托普云农科技股份有限公司 | 基于视觉的西瓜切面表型分析方法、系统及装置 |
-
2023
- 2023-06-13 CN CN202310696470.5A patent/CN116721121A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117333400A (zh) * | 2023-11-06 | 2024-01-02 | 华中农业大学 | 一种根盒培养作物根系图像断根修复及表型提取方法 |
| CN117333400B (zh) * | 2023-11-06 | 2024-04-30 | 华中农业大学 | 一种根盒培养作物根系图像断根修复及表型提取方法 |
| CN117392162A (zh) * | 2023-12-11 | 2024-01-12 | 浙江托普云农科技股份有限公司 | 基于视觉的西瓜切面表型分析方法、系统及装置 |
| CN117392162B (zh) * | 2023-12-11 | 2024-02-09 | 浙江托普云农科技股份有限公司 | 基于视觉的西瓜切面表型分析方法、系统及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107256558B (zh) | 一种无监督式的宫颈细胞图像自动分割方法及系统 | |
| CN107680054B (zh) | 雾霾环境下多源图像融合方法 | |
| CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
| CN108573276A (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
| CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
| CN111104943B (zh) | 基于决策级融合的彩色图像感兴趣区域提取方法 | |
| CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
| CN116721121A (zh) | 一种植物表型彩色图像特征提取方法 | |
| 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 | |
| CN105761238B (zh) | 一种通过灰度统计数据深度信息提取显著目标的方法 | |
| CN105335965B (zh) | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 | |
| CN104616308A (zh) | 一种基于核模糊聚类的多尺度水平集图像分割方法 | |
| CN110363103B (zh) | 虫害识别方法、装置、计算机设备及存储介质 | |
| CN105844213B (zh) | 一种绿色果实识别方法 | |
| CN111783693A (zh) | 果蔬采摘机器人的智能识别方法 | |
| CN114492619A (zh) | 一种基于统计和凹凸性的点云数据集构建方法及装置 | |
| CN115147401B (zh) | 一种基于数字图像处理的土石坝坝料合格性智能检测方法 | |
| CN107705323A (zh) | 一种基于卷积神经网络的水平集目标追踪方法 | |
| CN109886170A (zh) | 一种钉螺智能检测识别与统计系统 | |
| CN114897782B (zh) | 基于生成式对抗网络的胃癌病理切片图像分割预测方法 | |
| CN109299295B (zh) | 蓝印花布图像数据库搜索方法 | |
| CN105205485B (zh) | 基于多类类间最大方差算法的大尺度图像分割算法 | |
| Kang et al. | An adaptive fusion panoramic image mosaic algorithm based on circular LBP feature and HSV color system | |
| CN112884884A (zh) | 一种候选区域生成方法及系统 | |
| CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230908 |