CN117437248B - 一种面向蓝莓品质检测的病害区域分割方法 - Google Patents
一种面向蓝莓品质检测的病害区域分割方法 Download PDFInfo
- Publication number
- CN117437248B CN117437248B CN202311743338.1A CN202311743338A CN117437248B CN 117437248 B CN117437248 B CN 117437248B CN 202311743338 A CN202311743338 A CN 202311743338A CN 117437248 B CN117437248 B CN 117437248B
- Authority
- CN
- China
- Prior art keywords
- blueberry
- disease
- initial
- area
- region
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 254
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 254
- 240000000851 Vaccinium corymbosum Species 0.000 title claims abstract description 245
- 235000003095 Vaccinium corymbosum Nutrition 0.000 title claims abstract description 235
- 235000017537 Vaccinium myrtillus Nutrition 0.000 title claims abstract description 235
- 235000021014 blueberries Nutrition 0.000 title claims abstract description 235
- 230000011218 segmentation Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000003708 edge detection Methods 0.000 claims abstract description 17
- 230000003902 lesion Effects 0.000 claims description 76
- 238000012216 screening Methods 0.000 claims description 10
- 230000036285 pathological change Effects 0.000 claims description 5
- 231100000915 pathological change Toxicity 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 14
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000010606 normalization Methods 0.000 description 8
- 230000001575 pathological effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 244000077233 Vaccinium uliginosum Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000021028 berry Nutrition 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06T7/11—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
- G06T7/13—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
- 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
- G06T2207/30—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)
- Image Processing (AREA)
Abstract
本发明涉及图像分析领域，具体涉及一种面向蓝莓品质检测的病害区域分割方法。该方法首先获取蓝莓植株上多个初始蓝莓区域，分析初始蓝莓区域中像素点灰度值的分布，通过病变程度筛选出病变蓝莓区域，对每个病变蓝莓区域进行边缘检测，获取病变蓝莓区域中不同的子区域，并提取子区域边缘线的链码，对链码以及子区域中像素点灰度值分布进行分析，通过获取的病害可能性筛选出初始病害区域，并将种子点分布在初始病害区域中，进一步通过分割终止阈值对分水岭分割算法的分割程度进行限制，从而获取真实病害区域。本发明能够准确的分割出蓝莓表面发生病害的区域，提高最终的分割效果。
Description
技术领域
本发明涉及图像分析领域，具体涉及一种面向蓝莓品质检测的病害区域分割方法。
背景技术
蓝莓在生长过程中容易受到病害的侵犯，使得蓝莓表面的部分区域出现腐烂现象，如果未对蓝莓植株上存在腐烂现象的蓝莓进行及时的处理，则病害会感染植株上的其他蓝莓，使得蓝莓的品质严重下降，因此利用图像分割技术分割出蓝莓表面的腐烂或病害区域，对于保障蓝莓的品质具体重要意义。
相关技术中通常使用分水岭分割算法对蓝莓表面灰度图像进行分割处理，从而得到蓝莓表面的病害区域，但由于传统的的分水岭分割算法对于种子点的选取较为随机，无法保证种子点处于病害区域中，同时分水岭分割算法存在过分割的问题，导致通过传统的分水岭分割算法无法准确分割出蓝莓表面发生病害的区域，从而降低最终的分割效果。
发明内容
为了解决传统的分水岭分割算法无法准确分割出蓝莓的病变区域，从而降低最终的分割效果的技术问题，本发明的目的在于提供一种面向蓝莓品质检测的病害区域分割方法，所采用的技术方案具体如下：
本发明提出了一种面向蓝莓品质检测的病害区域分割方法，所述方法包括：
获取蓝莓植株表面包含蓝莓像素点的初始蓝莓区域；
根据每个初始蓝莓区域中像素点灰度值的分布，获得每个初始蓝莓区域的病变程度；基于所述病变程度从所有初始蓝莓区域中筛选出病变蓝莓区域；
对每个所述病变蓝莓区域进行边缘检测，获取病变蓝莓区域中不同的子区域，提取每个子区域的边缘线的链码，根据每个子区域中像素点灰度值与对应子区域所在的病变蓝莓区域中像素点灰度值之间的差异，以及对应子区域的所述链码，获得每个子区域的病害可能性；基于所述病害可能性从病变蓝莓区域的所有子区域中筛选出初始病害区域；
将每个初始病害区域中最小灰度值对应的像素点作为种子点，对种子点的灰度值进行递增，获得每次递增后的种子点阈值，并根据所述种子点阈值与初始病害区域中小于种子点阈值的像素点灰度值之间的差异、初始病害区域中像素点灰度值与初始病害区域所在的病变蓝莓区域中像素点灰度值之间分布的差异以及所述病害可能性，获得每个初始病害区域的分割终止阈值；基于所述种子点和所述分割终止阈值对初始病害区域进行分割，获得真实病害区域。
进一步地，所述根据每个初始蓝莓区域中像素点灰度值的分布，获得每个初始蓝莓区域的病变程度包括：
将每个初始蓝莓区域中所有像素点灰度值的平均值进行负相关映射，获得每个初始蓝莓区域的成熟程度；
将每个初始蓝莓区域的所述成熟程度与对应初始蓝莓区域中像素点灰度值的标准差的乘积值进行归一化，获得对应初始蓝莓区域的病变程度。
进一步地，所述基于所述病变程度从所有初始蓝莓区域中筛选出病变蓝莓区域包括：
将大于预设第一病害阈值的病变程度对应的初始蓝莓区域，作为病变蓝莓区域。
进一步地，所述对每个所述病变蓝莓区域进行边缘检测，获取病变蓝莓区域中不同的子区域包括：
基于Canny边缘检测算法对每个病变蓝莓区域进行边缘检测，获得病变蓝莓区域中的边缘线；
将闭合的边缘线所围成的区域作为病变蓝莓区域中的子区域。
进一步地，所述根据每个子区域中像素点灰度值与对应子区域所在的病变蓝莓区域中像素点灰度值之间的差异，以及对应子区域的所述链码，获得每个子区域的病害可能性包括：
将每个子区域所在的病变蓝莓区域中所有像素点灰度值的平均值，作为对应病变蓝莓区域的整体灰度；
将子区域中每个像素点灰度值与所述整体灰度的差值的绝对值，作为子区域中每个像素点的初始灰度差异，将每个子区域中所有像素点的初始灰度差异的平均值，作为每个子区域与病变蓝莓区域之间的整体灰度差异；
将每个子区域对应的链码中相同且连续的数字所组成的序列，作为每个子区域的子链码序列；
根据所述整体灰度差异、子链码序列的数量以及所有子链码序列的长度的最大值，获得每个子区域的病害可能性。
进一步地，所述根据所述整体灰度差异、子链码序列的数量以及所有子链码序列的长度的最大值，获得每个子区域的病害可能性包括：
以每个子区域的子链码序列的数量为分子，以每个子区域的所有子链码序列的长度的最大值为分母，将比值作为对应子区域的边缘线的平滑程度；
将所述整体灰度差异与所述平滑程度的乘积值进行归一化，获得每个子区域的病害可能性。
进一步地，所述基于所述病害可能性从病变蓝莓区域的所有子区域中筛选出初始病害区域包括：
将每个病变蓝莓区域中大于预设第二病害阈值的病害可能性对应的子区域，作为初始病害区域。
进一步地，所述对种子点的灰度值进行递增，获得每次递增后的种子点阈值，并根据所述种子点阈值与初始病害区域中小于种子点阈值的像素点灰度值之间的差异、初始病害区域中像素点灰度值与初始病害区域所在的病变蓝莓区域中像素点灰度值之间分布的差异以及所述病害可能性，获得每个初始病害区域的分割终止阈值包括：
所述分割终止阈值的计算公式为：
；
其中，表示第/>个初始病害区域的分割终止阈值；/>表示第/>个初始病害区域的病害可能性；/>表示第/>个初始病害区域中第/>个像素点的灰度值；/>表示第/>个初始病害区域中像素点的数量；/>表示第/>个初始病害区域所在的病变蓝莓区域中第/>个像素点的灰度值；/>表示第/>个初始病害区域所在的病变蓝莓区域中像素点的数量；/>表示第/>个初始病害区域的种子点阈值；/>表示第/>个初始病害区域的种子点的灰度值；/>表示第/>个初始病害区域中像素点灰度值的最大值；/>表示第/>个初始病害区域中小于种子点阈值的第/>个像素点的灰度值；/>表示取绝对值。
进一步地，所述基于所述种子点和所述分割终止阈值对初始病害区域进行分割，获得真实病害区域包括：
基于分水岭分割算法，根据选取的种子点对对应的初始病害区域进行分割，当分水岭分割算法中的分割阈值等于所述分割终止阈值时，则停止对初始病害区域分割，从而获取真实病害区域。
进一步地，所述链码为八方向链码。
本发明具有如下有益效果：
本发明考虑到传统的分水岭分割算法种子点的选取较为随机，无法准确分割出蓝莓表面的病变区域，因此本发明首先从灰度图像中提取出多个初始蓝莓区域，考虑到表面存在腐烂的初始蓝莓区域中像素点灰度值分布较为混乱，因此可通过获取的病变程度反映初始蓝莓区域中发生病变的可能性，进而可筛选出病变蓝莓区域，考虑到病变蓝莓区域中不仅存在发生病害的区域，还会存在花蒂区域，而花蒂区域会影响对病害区域的识别，降低最终的分割效果，因此首先获取病变蓝莓区域中的子区域，考虑到病害区域的边缘较为平滑，因此通过提取子区域边缘线的链码分析子区域边缘的特征，并且病变区域与其所在病变蓝莓区域之间像素点灰度值的差异较大，因此通过获取的病害可能性反映子区域发生腐烂的可能性，并筛选出初始病害区域，使得选取的种子点能够处于初始病害区域中，可提高后续的分割效果，由于分水岭算法存在过分割的问题，因此可基于分割终止阈值对分割过程进行控制，从而分割出更加准确的真实病害区域，提高最终的分割效果。
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和优点，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的介绍，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它附图。
图1为本发明一个实施例所提供的一种面向蓝莓品质检测的病害区域分割方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种面向蓝莓品质检测的病害区域分割方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种面向蓝莓品质检测的病害区域分割方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种面向蓝莓品质检测的病害区域分割方法流程图，该方法包括：
步骤S1：获取蓝莓植株表面包含蓝莓像素点的初始蓝莓区域。
蓝莓在生长过程中容易受到病害的侵犯，使得蓝莓表面的部分区域出现腐烂现象，如果未对蓝莓植株上存在腐烂现象的蓝莓进行及时的处理，则病害会感染植株上的其他蓝莓，使得蓝莓的品质严重下降，现有技术中通常利用分水岭分割算法分割出蓝莓表面腐烂或病变区域，完成对蓝莓品质的检测，但由于传统的分水岭分割算法对于种子点的选取较为随机，无法保证种子点处于病变区域中，同时分水岭分割算法存在过分割和欠分割的问题，导致通过传统的分水岭分割算法无法准确分割出蓝莓表面的病变区域，从而降低最终的分割效果，因此本发明提出一种面向蓝莓品质检测的病害区域分割方法，以解决该问题。
本发明首先使用电荷耦合器件(Charge Coupled Device，CCD)相机对蓝莓植株表面进行拍摄，采集蓝莓植株表面的原始图像，为了降低后续图像处理的计算量，提高处理速度，在本发明的一个实施例中将采集到的原始图像进行灰度化处理，转化为单通道的灰度图像。需要说明的是，灰度化处理是本领域技术人员熟知的技术手段，在此不再赘述。
由于蓝莓植株上通常存在多个蓝莓，在蓝莓在生长过程中，每个蓝莓表面的部分区域都有可能存在腐烂现象，在后续利用分水岭分割算法对灰度图像进行分割时，将种子点分布在每个蓝莓表面的病变区域，能够提高对病变区域分割的准确性，因此需要将灰度图像中不同蓝莓所在区域进行区分，在本发明的一个实施例中将灰度图像输入预先训练的语义分割网络中，经过语义分割后，从而在灰度图像中得到多个不同的初始蓝莓区域。需要说明的是，语义分割网络是本领域技术人员熟知的技术手段，在此不再赘述，在本发明的其他实施例中也可使用ROI感兴趣区域算法等提取算法对初始蓝莓区域进行提取，在此不作限定。
获取到多个初始蓝莓区域后，在后续中便可针对初始蓝莓区域进行分析，从而提取出蓝莓表面发生病变的区域，将种子点分布在发生病变的区域以提高分水岭分割算法的最终分割效果。
步骤S2：根据每个初始蓝莓区域中像素点灰度值的分布，获得每个初始蓝莓区域的病变程度；基于病变程度从所有初始蓝莓区域中筛选出病变蓝莓区域。
由于蓝莓植株上存在一部分蓝莓的表面出现了腐烂现象，另一部分蓝莓的表面并未出现腐烂现象，对于表面发生病害现象的蓝莓，其发生病变的区域中的像素点灰度值与未发生病变的区域中像素点灰度值的差异较大，因此其对应的初始蓝莓区域中像素点灰度值的差异较大，同时考虑到蓝莓植株上不同的蓝莓成熟的程度也存在差异，越成熟的蓝莓发生腐烂的可能性就越大，并且成熟蓝莓的像素点灰度值较小，因此对每个初始蓝莓区域中像素点灰度值的分布进行分析，通过获取的病变程度反映每个初始蓝莓区域发生病害或腐烂现象的可能性，并在后续中可基于病变程度初步提取出发生病害的初始蓝莓区域。
优选地，在本发明的一个实施例中每个初始蓝莓区域的病变程度的获取方法具体包括：
将每个初始蓝莓区域中所有像素点灰度值的平均值进行负相关映射，获得每个初始蓝莓区域的成熟程度；将每个初始蓝莓区域的成熟程度与对应初始蓝莓区域中像素点灰度值的标准差的乘积值进行归一化，获得对应初始蓝莓区域的病变程度。病变程度的表达式可以具体例如为：
；
其中，表示第/>个初始蓝莓区域的病变程度；/>表示第/>个初始蓝莓区域中所有像素点灰度值的平均值，/>；/>表示第/>个初始蓝莓区域中像素点灰度值的标准差；表示归一化函数。
在每个初始蓝莓区域的病变程度的获取过程中，病变程度用于反映初始蓝莓区域中存在发生病害的区域的可能性，病变程度/>越大，说明初始蓝莓区域中存在发生病害的区域的可能性就越大，即对应的蓝莓表面发生腐烂或病害现象的可能性就越大，/>表示每个初始蓝莓区域的成熟程度，由于越成熟的蓝莓的像素点灰度值较小，因此可使用/>反映不同初始蓝莓区域的成熟程度，其中/>越小，说明该初始蓝莓区域整体的像素点灰度值较小，由于每个初始蓝莓区域中不可能所有像素点灰度值都等于0，所以/>，因此成熟程度/>越大，说明该初始蓝莓区域对应的蓝莓越成熟，进而说明该初始蓝莓区域中越可能存在发生病害的区域，则病变程度/>就越大；对于发生病害现象的蓝莓，由于其发生病害的区域中的像素点灰度值和为发生病害的区域中的像素点灰度值存在差异，因此每个初始蓝莓区域中像素点灰度值的标准差/>越大，说明该初始蓝莓区域中越可能存在发生病害的区域，则病变程度/>就越大，同时为了便于后续的评估分析，对/>进行归一化处理，从而将病变程度/>限定在/>范围内。
在本发明的一个实施例中，归一化处理可以具体例如为最大最小值归一化处理，并且，后续步骤中的归一化均可以采用最大最小值归一化处理，在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法，对此不再赘述。
获取到每个初始蓝莓区域的病变程度后，便可基于病变程度从所有初始蓝莓区域中初步筛选出发生病变的初始蓝莓区域，即病变蓝莓区域。
优选地，在本发明的一个实施例中将大于预设第一病害阈值的病变程度对应的初始蓝莓区域，作为病变蓝莓区域，其中，预设第一病害阈值设置为0.7，预设第一病害阈值的具体数值也可根据具体实施场景由实施者自行设置，在此不作限定。
筛选出病变蓝莓区域后，在后续中便可针对病变蓝莓区域进行分析，从而可在病变蓝莓区域中提取发生腐烂现象的初始病害区域。
步骤S3：对每个病变蓝莓区域进行边缘检测，获取病变蓝莓区域中不同的子区域以及每个子区域的边缘线；提取每个子区域的边缘线的链码，根据每个子区域中像素点灰度值与对应子区域所在的病变蓝莓区域中像素点灰度值之间的差异，以及对应子区域的链码，获得每个子区域的病害可能性；基于病害可能性从病变蓝莓区域的所有子区域中筛选出初始病害区域。
由于生长过程中的蓝莓表面不仅会存在发生病害的区域，还有存在未完全消失的花蒂区域和受光照影响的阴影区域，在后续中为了将种子点分布在蓝莓表面发生病害的区域中，需要从病害蓝莓区域中准确提取出发生病害的区域，同时考虑到病害蓝莓区域中发生病害的区域的边缘较为平滑，因此可首先对每个病变蓝莓区域进行边缘检测，获取病变蓝莓区域中不同的子区域以及每个子区域的边缘线，在后续中可对每个子区域边缘线的平滑特征以及灰度分布情况进行分析，从而在病害蓝莓区域的多个子区域中筛选出发生病害的子区域，即初始病害区域。
优选地，在本发明的一个实施例中基于Canny边缘检测算法对每个病变蓝莓区域进行边缘检测，获得病变蓝莓区域中的边缘线；由于将闭合的边缘线所围成的区域作为病变蓝莓区域中的子区域，则该闭合的边缘线即为对应的子区域的边缘，需要说明的是，Canny边缘检测算法是本领域技术人员熟知的技术手段，在此不再赘述，在本发明的其他实施例中也可使用例如Laplacian边缘检测算法等进行边缘检测，在此不作限定。
由于病害蓝莓区域中存在多个不同的子区域中，而发生病害的子区域的边缘较为平滑，由于链码能够反映出子区域边缘线的形状特征，因此可首先提取每个子区域的边缘线的链码，在本发明的一个实施例中所使用的的链码为八方向链码，提取边缘线的链码是本领域技术人员熟知的技术手段，在此不做赘述，考虑到发生病害的子区域中的像素点灰度值与其所在的病害蓝莓区域中整体的像素点灰度值的差异较大，因此可对每个子区域中像素点灰度值与对应子区域所在的病变蓝莓区域中像素点灰度值之间的差异，以及对应子区域的链码进行分析，通过获取的病害可能性反映对应子区域为发生病害的区域的可能性，在后续中可基于病害可能性在病害蓝莓区域中的所有子区域中筛选出初始病害区域。
优选地，在本发明的一个实施例中每个子区域的病害可能性的获取方法具体包括：
将每个子区域所在的病变蓝莓区域中所有像素点灰度值的平均值，作为对应病变蓝莓区域的整体灰度；将子区域中每个像素点灰度值与整体灰度的差值的绝对值，作为子区域中每个像素点的初始灰度差异，将每个子区域中所有像素点的初始灰度差异的平均值，作为每个子区域与病变蓝莓区域之间的整体灰度差异；将每个子区域对应的链码中相同且连续的数字所组成的序列作为每个子区域的子链码序列，例如提取的某个子区域的边缘线的链码为，则对应的子链码序列分别为长度为2的/>，长度为1的/>，长度为3的/>，长度为1的/>，共4个子链码序列；以每个子区域的子链码序列的数量为分子，以每个子区域的所有子链码序列的长度的最大值为分母，将比值作为对应子区域的边缘线的平滑程度，本发明实施例以子链码序列中元素的数量表示子链码序列的长度；将整体灰度差异与平滑程度的乘积值进行归一化，获得每个子区域的病害可能性。病害可能性的表达式可以具体例如为：
；
其中，表示第/>个病变蓝莓区域中第/>个子区域的病害可能性；/>表示第个病变蓝莓区域中第/>个子区域中第/>个像素点的灰度值；/>表示第/>个病变蓝莓区域中所有像素点灰度值的平均值，即第/>个病变蓝莓区域的整体灰度；/>表示第/>个病变蓝莓区域中第/>个子区域中像素点的数量；/>表示第/>个病变蓝莓区域中第/>个子区域对应的子链码序列的数量；/>表示第/>个病变蓝莓区域中第/>个子区域对应的所有子链码序列的长度的最大值，/>；/>表示归一化函数。
在病变蓝莓区域中每个子区域的病害可能性的获取过程中，病害可能性用于反映子区域为发生病害或腐烂区域的可能性，病害可能性/>越大，说明该子区域越可能是蓝莓发生病害或腐烂的区域，对于蓝莓表面，发生病害的子区域中的像素点灰度值与未发生病害的区域的像素点灰度值差别较大，而在蓝莓生长过程中，发生病害的子区域相对较小，因此发生病害的子区域中像素点灰度值/>与其所在的病变蓝莓区域的整体灰度差别较大，因此初始灰度差异/>越大，说明该子区域中像素点灰度值与其所在的病变蓝莓区域的整体灰度差别越大，进而整体灰度差异/>越大，说明该子区域越可能是蓝莓发生病害或腐烂的区域，则病害可能性/>越大；由于子区域可能是发生病害的区域，也可能是花蒂区域或光照阴影区域，并且发生病害的子区域的边缘线较为平滑，子区域对应的子链码序列的数量/>越大，说明该子区域边缘线的走向变化的越频繁，进而说明该子区域的边缘线越平滑，同时子区域对应的所有子链码序列的长度的最大值/>越小，说明该子区域边缘线的走向变化的越频繁，说明其边缘线越平滑，因此平滑程度/>越大，说明该子区域越可能是蓝莓发生病害或腐烂的区域，则病害可能性/>越大，为了便于后续的评估分析，将整体灰度差异与平滑程度的乘积值进行归一化，从而将病害可能性/>限定在/>范围内。
获取到病变蓝莓区域中每个子区域的病害可能性后，便可基于病害可能性从病变蓝莓区域的所有子区域中筛选出发生病害的区域，即初始病害区域。
优选地，在本发明的一个实施例中将每个病变蓝莓区域中大于预设第二病害阈值的病害可能性对应的子区域，作为初始病害区域，其中，预设第二病害阈值设置为0.8，预设第二病害阈值的具体数值也可根据具体实施场景由实施者自行设置，在此不作限定。
获取到初始病害区域后，为了便于后续针对初始病害区域进行分析，使用表示第/>个初始病害区域的病害可能性。
步骤S4：将每个初始病害区域中最小灰度值对应的像素点作为种子点，对种子点的灰度值进行递增，获得每次递增后的种子点阈值，并根据种子点阈值与初始病害区域中小于种子点阈值的像素点灰度值之间的差异、初始病害区域中像素点灰度值与初始病害区域所在的病变蓝莓区域中像素点灰度值之间分布的差异以及病害可能性，获得每个初始病害区域的分割终止阈值；基于种子点和分割终止阈值对初始病害区域进行分割，获得真实病害区域。
由于传统的分水岭分割算法对种子点的选取较为随机，无法保证种子点分布在蓝莓表面发生病害的区域内部，导致无法准确分割出蓝莓表面真实的病害区域，降低最终的分割效果，而通过上述步骤获取的初始病害区域是蓝莓发生病变的大致区域，因此可将种子点分布在初始病害区域中，在分水岭分割算法中通常是选取局部灰度值的最小值对应的像素点作为种子点，因此在本发明实施例中将每个初始病害区域中最小灰度值对应的像素点作为种子点，便于后续能够更加准确的分割蓝莓表面的真实病害区域，考虑到分水岭分割算法存在过度分割的问题，因此本发明实施例基于分水岭分割算法的思想，对种子点的灰度值进行递增，获得每次递增后的种子点阈值，并根据种子点阈值与初始病害区域中小于种子点阈值的像素点灰度值之间的差异、初始病害区域中像素点灰度值与初始病害区域所在的病变蓝莓区域中像素点灰度值之间分布的差异以及病害可能性，获得每个初始病害区域的分割终止阈值，在后续中通过分割终止阈值度对分水岭分割算法的分割过程进行限制，防止过度分割导致最终的分割效果较差。
优选地，在本发明的一个实施例中每个初始病害区域的分割终止阈值的获取过程具体包括：
对于病害可能性较小的初始病害区域，其发生腐烂或病害的程度比较轻微，此时需要将分割终止阈值设置的较小，防止后续使用分水岭分割算法时出现过度分割的现象，同时每个初始病害区域中所有像素点灰度值的平均值与其所在的病变蓝莓区域中所有像素点灰度值的平均值之间的差异越小，此时也需要设置较小的分割终止阈值，防止过度分割无法得到准确的真实病害区域，并且种子点阈值与初始病害区域中小于种子点阈值的像素点灰度值之间的差异越小，说明在种子点阈值递增的过程中，种子点阈值与初始病害区域中小于种子点阈值的像素点灰度值之间的变化量越小，进而说明初始病害区域发生腐烂或病害的程度比较轻微，同样需要较小的分割终止阈值，基于上述分析可进一步获取每个初始病害区域的分割终止阈值，在后续中可基于分割终止阈值限制分水岭分割算法的分割过程，避免出现过度分割导致的分割效果较差。分割终止阈值的表达式可以具体例如为：
；
其中，表示第/>个初始病害区域的分割终止阈值；/>表示第/>个初始病害区域的病害可能性；/>表示第/>个初始病害区域中第/>个像素点的灰度值；/>表示第/>个初始病害区域中像素点的数量；/>表示第/>个初始病害区域所在的病变蓝莓区域中第/>个像素点的灰度值；/>表示第/>个初始病害区域所在的病变蓝莓区域中像素点的数量；/>表示第/>个初始病害区域的种子点阈值；/>表示第/>个初始病害区域的种子点的灰度值；/>表示第/>个初始病害区域中像素点灰度值的最大值；/>表示第/>个初始病害区域中小于种子点阈值的第/>个像素点的灰度值；/>表示取绝对值。
在每个初始病害区域的分割终止阈值的获取过程中，分割终止阈值用于在后续中限制对初始病害区域的分割程度，避免过度分割，其中病害可能性/>越小，说明该初始病害区域发生腐烂或病害的程度比较轻微，则分割终止阈值/>越小，避免过度分割，越小，说明初始病害区域在病变蓝莓区域中越不明显，进而说明该初始病害区域发生腐烂或病害的程度比较轻微，则分割终止阈值/>越小，避免过度分割，同时/>越小，说明在种子点阈值的递增过程中，始病害区域中小于种子点阈值的像素点灰度值到种子点阈值的变化量越小，进而说明该初始病害区域发生腐烂或病害的程度比较轻微，则分割终止阈值/>越小，避免过度分割。
在每个初始病害区域分布种子点并获取每个初始病害区域的分割终止区域后，并可基于分水岭分割算法，根据选取的种子点对对应的初始病害区域进行分割，当分水岭分割算法中的分割阈值等于分割终止阈值时，则停止对初始病害区域分割，从而可更加准确的分割出蓝莓表面的真实病害区域，并且可避免出现过度分割的现象，提高最终的分割效果。需要说明的是，分水岭分割算法是本领域技术人员熟知的技术手段，在此不做赘述。
在本发明实施例中将所分割得到的蓝莓表面的真实病害区域，用于进行后续的蓝莓品质检测。
综上所述，本发明实施例首先获取多个不同的初始蓝莓区域，并根据每个初始蓝莓区域中像素点灰度值的分布，获得每个初始蓝莓区域的病变程度，进而基于病变程度筛选出病变蓝莓区域，对每个病变蓝莓区域进行边缘检测，获取病变蓝莓区域中不同的子区域，提取每个子区域的边缘线的链码，根据每个子区域中像素点灰度值与对应子区域所在的病变蓝莓区域中像素点灰度值之间的差异，以及对应子区域的链码，获得每个子区域的病害可能性，进而基于病害可能性筛选出初始病害区域，将每个初始病害区域中最小灰度值对应的像素点作为种子点，对种子点的灰度值进行递增，获得每次递增后的种子点阈值，并根据种子点阈值与初始病害区域中小于种子点阈值的像素点灰度值之间的差异、初始病害区域中像素点灰度值与初始病害区域所在的病变蓝莓区域中像素点灰度值之间分布的差异以及病害可能性，获得每个初始病害区域的分割终止阈值；基于种子点和分割终止阈值对初始病害区域进行分割，获得真实病害区域。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
Claims (7)
1.一种面向蓝莓品质检测的病害区域分割方法，其特征在于，所述方法包括：
获取蓝莓植株表面包含蓝莓像素点的初始蓝莓区域；
根据每个初始蓝莓区域中像素点灰度值的分布，获得每个初始蓝莓区域的病变程度；基于所述病变程度从所有初始蓝莓区域中筛选出病变蓝莓区域；
对每个所述病变蓝莓区域进行边缘检测，获取病变蓝莓区域中不同的子区域，提取每个子区域的边缘线的链码，根据每个子区域中像素点灰度值与对应子区域所在的病变蓝莓区域中像素点灰度值之间的差异，以及对应子区域的所述链码，获得每个子区域的病害可能性；基于所述病害可能性从病变蓝莓区域的所有子区域中筛选出初始病害区域；
将每个初始病害区域中最小灰度值对应的像素点作为种子点，对种子点的灰度值进行递增，获得每次递增后的种子点阈值，并根据所述种子点阈值与初始病害区域中小于种子点阈值的像素点灰度值之间的差异、初始病害区域中像素点灰度值与初始病害区域所在的病变蓝莓区域中像素点灰度值之间分布的差异以及所述病害可能性，获得每个初始病害区域的分割终止阈值；基于所述种子点和所述分割终止阈值对初始病害区域进行分割，获得真实病害区域；
所述根据每个初始蓝莓区域中像素点灰度值的分布，获得每个初始蓝莓区域的病变程度包括：
将每个初始蓝莓区域中所有像素点灰度值的平均值进行负相关映射，获得每个初始蓝莓区域的成熟程度；
将每个初始蓝莓区域的所述成熟程度与对应初始蓝莓区域中像素点灰度值的标准差的乘积值进行归一化，获得对应初始蓝莓区域的病变程度；
所述根据每个子区域中像素点灰度值与对应子区域所在的病变蓝莓区域中像素点灰度值之间的差异，以及对应子区域的所述链码，获得每个子区域的病害可能性包括：
将每个子区域所在的病变蓝莓区域中所有像素点灰度值的平均值，作为对应病变蓝莓区域的整体灰度；
将子区域中每个像素点灰度值与所述整体灰度的差值的绝对值，作为子区域中每个像素点的初始灰度差异，将每个子区域中所有像素点的初始灰度差异的平均值，作为每个子区域与病变蓝莓区域之间的整体灰度差异；
将每个子区域对应的链码中相同且连续的数字所组成的序列，作为每个子区域的子链码序列；
根据所述整体灰度差异、子链码序列的数量以及所有子链码序列的长度的最大值，获得每个子区域的病害可能性；
所述根据所述整体灰度差异、子链码序列的数量以及所有子链码序列的长度的最大值，获得每个子区域的病害可能性包括：
以每个子区域的子链码序列的数量为分子，以每个子区域的所有子链码序列的长度的最大值为分母，将比值作为对应子区域的边缘线的平滑程度；
将所述整体灰度差异与所述平滑程度的乘积值进行归一化，获得每个子区域的病害可能性。
2.根据权利要求1所述的一种面向蓝莓品质检测的病害区域分割方法，其特征在于，所述基于所述病变程度从所有初始蓝莓区域中筛选出病变蓝莓区域包括：
将大于预设第一病害阈值的病变程度对应的初始蓝莓区域，作为病变蓝莓区域。
3.根据权利要求1所述的一种面向蓝莓品质检测的病害区域分割方法，其特征在于，所述对每个所述病变蓝莓区域进行边缘检测，获取病变蓝莓区域中不同的子区域包括：
基于Canny边缘检测算法对每个病变蓝莓区域进行边缘检测，获得病变蓝莓区域中的边缘线；
将闭合的边缘线所围成的区域作为病变蓝莓区域中的子区域。
4.根据权利要求1所述的一种面向蓝莓品质检测的病害区域分割方法，其特征在于，所述基于所述病害可能性从病变蓝莓区域的所有子区域中筛选出初始病害区域包括：
将每个病变蓝莓区域中大于预设第二病害阈值的病害可能性对应的子区域，作为初始病害区域。
5.根据权利要求1所述的一种面向蓝莓品质检测的病害区域分割方法，其特征在于，所述对种子点的灰度值进行递增，获得每次递增后的种子点阈值，并根据所述种子点阈值与初始病害区域中小于种子点阈值的像素点灰度值之间的差异、初始病害区域中像素点灰度值与初始病害区域所在的病变蓝莓区域中像素点灰度值之间分布的差异以及所述病害可能性，获得每个初始病害区域的分割终止阈值包括：
所述分割终止阈值的计算公式为：
；
其中，表示第/>个初始病害区域的分割终止阈值；/>表示第/>个初始病害区域的病害可能性；/>表示第/>个初始病害区域中第/>个像素点的灰度值；/>表示第/>个初始病害区域中像素点的数量；/>表示第/>个初始病害区域所在的病变蓝莓区域中第/>个像素点的灰度值；/>表示第/>个初始病害区域所在的病变蓝莓区域中像素点的数量；/>表示第/>个初始病害区域的种子点阈值；/>表示第/>个初始病害区域的种子点的灰度值；/>表示第/>个初始病害区域中像素点灰度值的最大值；/>表示第/>个初始病害区域中小于种子点阈值的第/>个像素点的灰度值；/>表示取绝对值。
6.根据权利要求1所述的一种面向蓝莓品质检测的病害区域分割方法，其特征在于，所述基于所述种子点和所述分割终止阈值对初始病害区域进行分割，获得真实病害区域包括：
基于分水岭分割算法，根据选取的种子点对对应的初始病害区域进行分割，当分水岭分割算法中的分割阈值等于所述分割终止阈值时，则停止对初始病害区域分割，从而获取真实病害区域。
7.根据权利要求1所述的一种面向蓝莓品质检测的病害区域分割方法，其特征在于，所述链码为八方向链码。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311743338.1A CN117437248B (zh) | 2023-12-19 | 2023-12-19 | 一种面向蓝莓品质检测的病害区域分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311743338.1A CN117437248B (zh) | 2023-12-19 | 2023-12-19 | 一种面向蓝莓品质检测的病害区域分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117437248A CN117437248A (zh) | 2024-01-23 |
| CN117437248B true CN117437248B (zh) | 2024-03-08 |
Family
ID=89550165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311743338.1A Active CN117437248B (zh) | 2023-12-19 | 2023-12-19 | 一种面向蓝莓品质检测的病害区域分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117437248B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1102562A1 (en) * | 1998-08-07 | 2001-05-30 | Arch Development Corporation | Method and system for the segmentation and classification of lesions |
| CN115830003A (zh) * | 2022-12-26 | 2023-03-21 | 信阳农林学院 | 一种茶园叶片病害的智能监测防治方法 |
| CN115861308A (zh) * | 2023-02-22 | 2023-03-28 | 山东省林草种质资源中心(山东省药乡林场) | 一种元宝枫病害检测方法 |
| CN116091495A (zh) * | 2023-04-07 | 2023-05-09 | 安徽乾劲企业管理有限公司 | 一种道路病害精准检测方法 |
| CN116228764A (zh) * | 2023-05-08 | 2023-06-06 | 聊城市东昌府区妇幼保健院 | 一种新生儿疾病筛查血片采集质量检测方法及系统 |
| CN116958572A (zh) * | 2023-09-18 | 2023-10-27 | 济宁市林业保护和发展服务中心 | 一种果树繁育中叶片病虫害区域分析方法 |
| CN117173184A (zh) * | 2023-11-03 | 2023-12-05 | 济宁市市政园林养护中心 | 基于人工智能的道路施工质量检测方法及系统 |
| CN117173189A (zh) * | 2023-11-03 | 2023-12-05 | 南通江华机械有限公司 | 一种铝合金表面抛光效果视觉检测系统 |
| CN117197141A (zh) * | 2023-11-07 | 2023-12-08 | 山东远盾网络技术股份有限公司 | 一种汽车零部件表面缺陷检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7146057B2 (en) * | 2002-07-10 | 2006-12-05 | Northrop Grumman Corporation | System and method for image analysis using a chaincode |
| WO2016172827A1 (zh) * | 2015-04-27 | 2016-11-03 | 武汉武大卓越科技有限责任公司 | 一种逐步求精的路面裂缝检测方法 |
-
2023
- 2023-12-19 CN CN202311743338.1A patent/CN117437248B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1102562A1 (en) * | 1998-08-07 | 2001-05-30 | Arch Development Corporation | Method and system for the segmentation and classification of lesions |
| CN115830003A (zh) * | 2022-12-26 | 2023-03-21 | 信阳农林学院 | 一种茶园叶片病害的智能监测防治方法 |
| CN115861308A (zh) * | 2023-02-22 | 2023-03-28 | 山东省林草种质资源中心(山东省药乡林场) | 一种元宝枫病害检测方法 |
| CN116091495A (zh) * | 2023-04-07 | 2023-05-09 | 安徽乾劲企业管理有限公司 | 一种道路病害精准检测方法 |
| CN116228764A (zh) * | 2023-05-08 | 2023-06-06 | 聊城市东昌府区妇幼保健院 | 一种新生儿疾病筛查血片采集质量检测方法及系统 |
| CN116958572A (zh) * | 2023-09-18 | 2023-10-27 | 济宁市林业保护和发展服务中心 | 一种果树繁育中叶片病虫害区域分析方法 |
| CN117173184A (zh) * | 2023-11-03 | 2023-12-05 | 济宁市市政园林养护中心 | 基于人工智能的道路施工质量检测方法及系统 |
| CN117173189A (zh) * | 2023-11-03 | 2023-12-05 | 南通江华机械有限公司 | 一种铝合金表面抛光效果视觉检测系统 |
| CN117197141A (zh) * | 2023-11-07 | 2023-12-08 | 山东远盾网络技术股份有限公司 | 一种汽车零部件表面缺陷检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于遗传神经网络的大豆叶片病斑图像分割技术研究;沈维政;王艳;纪楠;;自动化技术与应用;20131125(11);全文 * |
| 基于高光谱成像的蓝莓内部品质检测特征波长选择方法研究;古文君;田有文;张芳;赖兴涛;何宽;姚萍;刘博林;;沈阳农业大学学报;20171015(05);全文 * |
| 柑橘表面缺陷图像快速准确分割方法;白雪冰;宋恩来;李润佳;许景涛;;沈阳农业大学学报;20180415(02);全文 * |
| 玉米小斑病病害程度图像检测;葛婧;邵陆寿;丁克坚;李静;赵淑元;;农业机械学报;20080125(01);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117437248A (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tan et al. | Recognising blueberry fruit of different maturity using histogram oriented gradients and colour features in outdoor scenes | |
| Zhao et al. | Immature green citrus detection based on colour feature and sum of absolute transformed difference (SATD) using colour images in the citrus grove | |
| CN110120042B (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
| 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 | |
| CN115330800B (zh) | 基于图像处理的放疗靶区自动分割方法 | |
| 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 | |
| Senthilkumar et al. | A novel region growing segmentation algorithm for the detection of breast cancer | |
| CN108615239B (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
| 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 | |
| CN115330795B (zh) | 布匹毛刺缺陷检测方法 | |
| Samanta et al. | Scab diseases detection of potato using image processing | |
| CN116823824B (zh) | 基于机器视觉的井下带式输送机降尘检测系统 | |
| CN114820663B (zh) | 用于确定射频消融治疗的辅助定位方法 | |
| CN111105427B (zh) | 一种基于连通区域分析的肺部图像分割方法及系统 | |
| CN115908371A (zh) | 基于优化分割的植物叶片病虫害程度检测方法 | |
| CN106846343A (zh) | 一种基于聚类超像素分割的病理图像特征提取方法 | |
| CN110991463B (zh) | 一种超像素图引导下的多尺度引导滤波特征提取方法 | |
| Malek et al. | Seed point selection for seed-based region growing in segmenting microcalcifications | |
| CN117437248B (zh) | 一种面向蓝莓品质检测的病害区域分割方法 | |
| CN117292137B (zh) | 一种航拍遥感影像优化分割处理方法 | |
| Wang et al. | A fast image segmentation algorithm for detection of pseudo-foreign fibers in lint cotton | |
| CN113269690A (zh) | 一种叶片病变区域检测方法及系统 | |
| CN117173049A (zh) | 一种输尿管镜碎石取石用影像增强方法 | |
| CN107705303A (zh) | 一种医学图像上血管的分割方法 | |
| Swapnil et al. | Image mining methodology for detection of brain tumor: a review |
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 |