CN117876646B - 一种茯砖茶发花图像采集方法 - Google Patents
一种茯砖茶发花图像采集方法 Download PDFInfo
- Publication number
- CN117876646B CN117876646B CN202410269330.4A CN202410269330A CN117876646B CN 117876646 B CN117876646 B CN 117876646B CN 202410269330 A CN202410269330 A CN 202410269330A CN 117876646 B CN117876646 B CN 117876646B
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- points
- point
- seed
- 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
- 241001122767 Theaceae Species 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 title claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims description 20
- 241000122501 Hypericum x moserianum Species 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域。具体涉及一种茯砖茶发花图像采集方法,包括:采集茯砖茶图像,并将茯砖茶图像转换到CIELAB颜色空间;对所述茯砖茶图像进行第一次超像素分割;依据茯砖茶图像全局的蓝黄分量平均值和各个超像素内所有像素点的蓝黄分量平均值判断各个超像素是否为疑似金花区域;对是疑似金花区域的超像素进行第二次超像素分割;分别计算第二次超像素分割结果中各个超像素内所有像素点的蓝黄分量平均值,将所述蓝黄分量平均值大于预设蓝黄分量阈值的超像素判定为金花区域;依据所述金花区域的个数调整茯砖茶图像的采集频率。采用本发明的方法可以提高茯砖茶发花情况监测的效率。
Description
技术领域
本发明一般地涉及图像处理技术领域。更具体地,本发明涉及一种茯砖茶发花图像采集方法。
背景技术
随着时代的发展已经产生了多种茯砖茶的生产工艺流程,而在这些工艺流程中发花都是十分重要的一个环节,对于发花流程的把控决定着生产出茯砖茶的质量。
传统工艺中对于发花流程的把控主要由人工检测进行,工人进入发花房检查茯砖茶的发花状况,根据当前的发花状况调节发花房的温度及湿度,保障茯砖茶处在最佳的发花条件下。但由于发花过程对环境的要求十分严格,且整个过程将持续较长时间,工人频繁地进出发花房既费时费力又会在一定程度上影响发花房内的环境,影响着茯砖茶的质量。而全天候的监控图像采集会产生大量的存储负担,且人工查看需耗费极大的精力,对发花过程的监测带来诸多不便。
发明内容
为解决上述一个或多个技术问题,本发明在如下的多个方面中提供方案。
在第一方面中,本发明提供了一种茯砖茶发花图像采集方法,包括:采集茯砖茶图像,并将茯砖茶图像转换到CIELAB颜色空间;对所述茯砖茶图像进行第一次超像素分割;依据茯砖茶图像全局的蓝黄分量平均值和各个超像素内所有像素点的蓝黄分量平均值判断各个超像素是否为疑似金花区域;对是疑似金花区域的超像素进行第二次超像素分割;分别计算第二次超像素分割结果中各个超像素内所有像素点的蓝黄分量平均值,将所述蓝黄分量平均值大于预设蓝黄分量阈值的超像素判定为金花区域;依据所述金花区域的个数调整茯砖茶图像的采集频率。
在一个实施例中,对所述茯砖茶图像进行第一次超像素分割包括:获取图像的全局梯度;在茯砖茶图像中初步选取K个种子点,K个种子点均匀分布在整个图像中,并计算相邻种子点之间的距离D;对于每个种子点,在其z×z范围内搜索周围的像素点,选择其中梯度最小的像素点代替该种子点作为新的种子点;并以种子点为中心D×D范围内的像素点构成对应的超像素的初始范围;其中z小于;依据超像素范围内像素点的蓝黄分量以及梯度对种子点及其对应的范围进行迭代优化。
在一个实施例中,所述对种子点及其对应的范围进行迭代优化包括:做以种子点为起点,沿多个方向延长到超像素边界的线段,并分别计算各个方向线段上所有像素点的蓝黄分量和以及梯度和,并依据所述蓝黄分量和以及所述梯度和调节各个方向线段的长度;连接调整后的各个方向线段的端点得到调整后的搜索范围;对于不属于任何超像素的像素点将其分配给与其距离最近的搜索范围边缘对应的种子点;对于一个像素点处在多个搜索范围内的情况,分别计算每个像素点与其所属的所有搜索范围对应种子点的距离,将该像素点归属于与其距离最小的种子点;多次迭代执行以上步骤,在每次迭代前计算每个超像素内所有像素点明度的平均值、绿红分量的平均值、蓝黄分量的平均值、横坐标的平均值以及纵坐标的平均值,将这五个平均值所表征的像素点作为参考点,将与该参考点距离最小的像素点作为对应超像素内的新的种子点,像素点与参考点之间的距离计算方式与所述像素点与种子点之间距离计算方式相同。
在一个实施例中,所述像素点与所述种子点之间距离的计算表达式为:
以上各式中,d c为第g个超像素对应种子点与像素点h在CIELAB空间的距离,d s为第g个超像素对应种子点与像素点h在位置空间上的距离,为第g个超像素对应种子点与像素点h在综合衡量CIELAB空间及位置空间的距离,x g和y g分别表示超像素对应种子点的横坐标和纵坐标,x h和y h分别表示像素点的横坐标和纵坐标;l g、a g、b g分别为第g个超像素对应种子点的明度、绿红分量和蓝黄分量,l h、a h、b h分别为第h个像素点的明度、绿红分量和蓝黄分量,N S为类内最大间距,N C为图像全局范围内最大颜色距离。
在一个实施例中,所述调节各个方向线段的长度包括:
依据所述蓝黄分量和以及所述梯度和计算各个方向线段长度的调节因子;
依据各个方向线段长度的调节因子计算各个方向线段调节后的长度,对于第个种子点在第/>个方向上的线段,其调节后的长度计算表达式为:
其中D p,q,s为第p个种子点在第q次迭代后的s个方向上的线段长度,F p,q,s为第p个种子点在第q次迭代时搜索范围内第s个方向的调节因子,D p,q-1,s为第p个种子点在第q-1次迭代后的第s个方向上的线段长度。
在一个实施例中,所述线段长度的调节因子计算表达式如下:
其中F p,q,s为第p个种子点在第q次迭代时在第s方向上搜索范围的调节因子,为t p,q,s在t 1,q,s到t K,q,s范围内进行最大最小值归一化后的值,/>为r p,q,s在r 1,q,s到r K,q,s范围内进行最大最小值归一化后的值,t p,q,s为第p个种子点的超像素范围内第q次迭代时在第s个方向线段上所有像素点的梯度和,r p,q,s为第p个种子点的超像素范围内第q次迭代时在第s个方向线段上所有像素点的蓝黄分量的和,/>为sigmoid函数。
在一个实施例中,所述对是疑似金花区域的超像素进行第二次超像素分割包括:计算超像素内所有像素点的明度的平均值、绿红分量的平均值/>、蓝黄分量的平均值/>、横坐标的平均值/>以及纵坐标的平均值/>;在超像素内确定三个像素点作为第二次超像素分割的种子点,第一个是在颜色空间内明度、绿红分量、蓝黄分量三个参数分别与明度平均值、绿红分量平均值以及蓝黄分量平均值最接近的像素点;第二个是/>对应位置的像素点,第三个是梯度最小的像素点;并计算相邻种子点之间的距离d;以种子点为中心d×d范围内的像素点构成对应的超像素的初始范围;做以种子点为起点,沿多个方向延长到超像素边界的线段,并分别计算各个方向线段上所有像素点的蓝黄分量和以及梯度和,并依据所述蓝黄分量和以及所述梯度和调节各个方向线段的长度;连接调整后的各个方向线段的端点得到调整后的搜索范围;对于不属于任何超像素的像素点将其分配给与其距离最近的搜索范围边缘对应的种子点;对于一个像素点处在多个搜索范围内的情况,分别计算每个像素点与其所属的所有搜索范围对应种子点的距离,将该像素点归属于与其距离最小的种子点。
在一个实施例中,所述调整茯砖茶图像的采集频率包括:
依据本次采集的茯砖茶图像对应的金花区域占比和上一次采集的茯砖茶图像对应的金花区域占比计算频率调整因子;所述金花区域占比是指该次采集的茯砖茶图像对应的金花区域的个数与对应的超像素总数的比值;频率调整因子的计算表达式为:
式中,表示上一次采集的茯砖茶图像对应的金花区域占比,/>表示本次采集的茯砖茶图像对应的金花区域占比;
响应于本次采集对应的时刻属于茯砖茶发花过程的前七天且频率调整因子大于预设的第一频率调整因子阈值,调整茯砖茶图像采集频率为每隔9小时采集一次;
响应于本次采集对应的时刻不属于茯砖茶发花过程的前七天且频率调整因子大于预设的第二频率调整因子阈值,调整茯砖茶图像采集频率为每隔6小时采集一次。
在一个实施例中,所述调整茯砖茶图像的采集频率还包括:
响应于间隔24小时的两张图像中时间靠后的图像对应的金花区域占比低于时间靠前的图像对应的金花区域占比,调整茯砖茶图像采集频率为每隔1小时采集一次。
本发明的技术效果为:采用本发明的茯砖茶发花图像采集方法通过对采集的茯砖茶发花图像进行第一次超像素分割和第二次超像素分割,可以及时且准确地识别茯砖茶的发花情况,并依据茯砖茶的发花情况自动调节茯砖茶发花图像的采集频率,无需大量的图像采集,工作人员通过少部分的图像即可准确判断金花的分布状态进而决定是否进入发花房进行详细检查或调整发花房温度及湿度,从而大大提高了对茯砖茶发花情况进行监测的效率并减轻茯砖茶发花情况监测的工作量。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是示意性示出本发明的实施例的茯砖茶发花图像采集方法流程图;
图2是示意性示出本发明的实施例的对所述茯砖茶图像进行第一次超像素分割方法流程图;
图3是示意性示出本发明的实施例的对种子点及其对应的范围进行迭代优化方法流程图;
图4是示意性示出本发明的实施例的搜索范围的变化过程示意图;
图5是示意性示出本发明的实施例的不属于任何超像素的像素点分配方式示意图;
图6是示意性示出本发明的实施例的调节各个方向线段的长度流程图;
图7是示意性示出本发明的实施例的第二次超像素分割方法流程图;
图8是示意性示出本发明的实施例的第二次超像素分割后的分割效果示意图。
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。
下面结合附图来详细描述本发明的具体实施方式。
茯砖茶发花图像采集方法实施例:
如图1所示,本发明的茯砖茶发花图像采集方法,包括:
S101、采集茯砖茶图像,并将茯砖茶图像转换到CIELAB颜色空间。
茯砖茶图像的初始采集频率为每隔12小时采集一次。采集的图像为茯砖茶的正视图。为了保证识别精度,避免图像中茯砖茶之外的信息干扰对于金花的识别,采集图像时要使茯砖茶充满整个图像,防止产生一些背景信息对金花的识别产生干扰。采集的茯砖茶图像的尺寸为。
将茯砖茶图像转换到CIELAB颜色空间后可得到图像内各个像素点的明度、绿红分量以及蓝黄分量,各个像素点的明度组成的矩阵表达式如下式所示:
(1)
各个像素点的绿红分量组成的矩阵表达式如下式所示:
(2)
各个像素点的蓝黄分量组成的矩阵表达式如下式所示:
(3)
式(1)至式(3)中,L表示各个像素点的明度组成的矩阵,A表示各个像素点的绿红分量组成的矩阵,B表示各个像素点的蓝黄分量组成的矩阵,l m-1,n-1、a m-1,n-1、b m-1,n-1分别为图像中位置为(m-1,n-1)的像素点的明度、绿红分量和蓝黄分量;m和n分别表示图像的长和宽。
S102、对所述茯砖茶图像进行第一次超像素分割。
在进行第一次超像素分割时需要首先确定第一次超像素分割的基本参数,例如图像的尺寸,超像素的个数等。通过对茯砖茶图像进行第一次超像素分割,以便获取可能为金花的区域。
S103、依据茯砖茶图像全局的蓝黄分量平均值和各个超像素内所有像素点的蓝黄分量平均值判断各个超像素是否为疑似金花区域。
对于某一超像素,可依据茯砖茶图像全局的蓝黄分量平均值和该超像素内所有像素点的蓝黄分量的平均值之间的差值判断该超像素是否为疑似金花区域,例如:假设该超像素内所有像素点的蓝黄分量的平均值为,茯砖茶图像全局的蓝黄分量平均值为/>,当两者差值绝对值大于预设的差值绝对值阈值时,判定该超像素为疑似金花区域。差值绝对值阈值可以设置为30,在实际应用中可结合照片拍摄光照条件及相机参数进行调节。
S104、对是疑似金花区域的超像素进行第二次超像素分割。
由于初次分割后每个超像素内依然可能存在着茶叶、金花和茶梗三种区域。因为金花是随机散点分布在茯砖茶上的,且每个金花在图像中占据的区域很小,所以第一次超像素分割很难将金花分割出来。为了进一步将金花独立分割出来,在初次分割的基础上再次进行第二次超像素分割,将第一次超像素分割后可能为金花的区域进行再次分割,可区分出茶梗与金花,得到精确的金花区域。
S105、识别金花区域,具体为:分别计算第二次超像素分割结果中各个超像素内所有像素点的蓝黄分量平均值,将所述蓝黄分量平均值大于预设蓝黄分量阈值的超像素判定为金花区域。
蓝黄分量阈值可设置为60,实施人员可根据实际情况进行调整。
S106、依据所述金花区域的个数调整茯砖茶图像的采集频率。
每次采集茯砖茶图像后,均会对该次采集的茯砖茶图像进行第一次超像素分割和第二次超像素分割获取金花区域。由于每次获取的金花区域的个数会出现变化,因此,可依据本次采集的茯砖茶图像对应的金花区域个数占本次超像素总数的比值和上一次采集的茯砖茶图像对应的金花区域个数占上次超像素总数的比值对茯砖茶图像的采集频率进行调整。
采用本发明的茯砖茶发花图像采集方法通过对采集的茯砖茶发花图像进行第一次超像素分割和第二次超像素分割,可以及时且准确地识别茯砖茶的发花情况,并依据茯砖茶的发花情况自动调节茯砖茶发花图像的采集频率,无需大量的图像采集,工作人员通过少部分的图像即可准确判断金花的分布状态进而决定是否进入发花房进行详细检查或调整发花房温度及湿度,从而大大提高了对茯砖茶发花情况进行监测的效率。
如图2所示,在一个实施例中,对所述茯砖茶图像进行第一次超像素分割包括:
S201、获取图像的全局梯度。
可采用Sobel算子得到图像的全局梯度。通过Sobel算子得到图像的全局梯度和平均梯度/>的表达式如下:
(4)
(5)
式(4)至式(5)中,s m-1,n-1为图像中坐标为(m-1,n-1)的像素点的梯度值,为S内所有元素的平均值,即图像内所有像素点的梯度均值,m和n分别表示图像的长和宽,i和j分别表示像素点的横坐标和纵坐标。
S202、选取种子点并计算相邻种子点之间的距离,具体为:在茯砖茶图像中初步选取K个种子点,K个种子点均匀分布在整个图像中,并计算相邻种子点之间的距离D。
由于图像的尺寸为N×N,K个种子点均匀分布在整个图像中,相邻种子点的距离的表达式为:
(6)
式中,D为相邻种子点之间的距离,N为图像的边长,K为将要分割出超像素的数量。
S203、依据各个像素点的梯度对种子点进行更新,具体为:对于每个种子点,在其z×z范围内搜索周围的像素点,选择其中梯度最小的像素点代替该种子点作为新的种子点;并以种子点为中心D×D范围内的像素点构成对应的超像素的初始范围;其中z小于。
采集的茯砖茶图像包含金花区域、茶梗区域和茶叶区域,由于在茶叶区域和金花区域的边界处以及茶叶区域和茶梗区域的边界处的像素点的梯度较大,通过将每个种子点z×z范围内的梯度最小的像素点代替对应种子点作为新的种子点,可以避免种子点被分配在图像的金花区域、茶梗区域和茶叶区域的边界处而影响分割效果。
S204、依据超像素范围内像素点的蓝黄分量以及梯度对种子点及其对应的范围进行迭代优化。
由于金花分布的形态是不规则的,通过简单的矩形搜索范围难以将疑似金花区域很好的搜索出来,因此根据图像的蓝黄分量和梯度多次调整超像素种子点以及对应的搜索范围形状,从而有效地将疑似金花区域搜索出来。
如图3所示,在一个实施例中,对种子点及其对应的范围进行迭代优化包括:
S301、做以种子点为起点的多个方向线段,并对线段长度进行调节,具体为:做以种子点为起点,沿多个方向延长到超像素边界的线段,并分别计算各个方向线段上所有像素点的蓝黄分量和以及梯度和,并依据所述蓝黄分量和以及所述梯度和调节各个方向线段的长度。
方向数目可以为8个、6个、4个或者其他合适的数目,优选地,本实施例中方向数目为8个,以种子点为起点,以向右为0度且为第1方向,从0度逆时针旋转到360度每间隔45度为一个方向,315度为第8方向。将第p个种子点第1次迭代前在第s个方向上的线段长度记为D p,0,s,第p个种子点第1次迭代前在第1个方向上的线段长度D p,0,1、第3个方向上的线段长度D p,0,3、第5个方向上的线段长度D p,0,5以及第7个方向上的线段长度D p,0,7均为。
超像素范围内某个方向线段上像素点的梯度越大,说明对应超像素在该方向上像素点所属类别分布越复杂,越应该缩小该方向上的搜索范围进行精细分割。当超像素范围内某个方向上像素点的蓝黄分量越大,说明该超像素内在该方向上存在金花的可能越大,更应该缩小该方向上的搜索范围着重注意该超像素范围内的像素点。反之,超像素范围内某个方向线段上像素点的梯度越小,说明该超像素内该方向上存在的边缘越少越可能只包含一个类别的物体,此时为了寻找该物体的边缘应扩大在该方向上的搜索范围,蓝黄分量越小说明该超像素内该方向上存在金花的可能越小,越应该扩大该方向上的搜索范围寻找金花与其他部分的边界。因此,对于超像素范围内某个方向线段来说,其调节后的长度与线段上像素点的梯度呈负相关,其调节后的长度与线段上像素点的蓝黄分量和呈负相关。
S302、连接调整后的各个方向线段的端点得到调整后的搜索范围。
搜索范围的变化过程如图4所示,搜索范围原本为正方形,变化为了六边形。
S303、对于不属于任何超像素的像素点将其分配给与其距离最近的搜索范围边缘对应的种子点。
由于上步搜索范围的调整会出现部分超像素的搜索范围小于超像素范围,而导致存在部分像素点不属于任何超像素的情况出现,因此需对搜索范围进行二次修正,将不属于任何超像素的像素点分配到相应的超像素范围内。
如图5所示,虚线左侧的未分配像素点与左侧的搜索范围距离最近,因此将虚线左侧的像素点分配给左侧种子点,同理虚线右侧的未分配像素点分配给右侧种子点。
S304、将处在多个搜索范围内的像素点归属于与其距离最小的种子点,具体为:对于一个像素点处在多个搜索范围内的情况,分别计算每个像素点与其所属的所有搜索范围对应种子点的距离,将该像素点归属于与其距离最小的种子点。
在将种子点对应搜索范围内的像素点归属到该种子点的过程中,会出现一个像素点处在多个搜索范围内的情况,通过将此类像素点归属于与其距离最小的种子点,可以避免各个超像素范围的重叠和交叉,使得各个超像素范围更加合理。
像素点与种子点之间距离的计算方式如下:
(7)
(8)
(9)
(10)
其中,d c为第g个超像素对应种子点与像素点h在CIELAB空间的距离,d s为第g个超像素对应种子点与像素点h在位置空间上的距离,为第g个超像素对应种子点与像素点h在综合衡量CIELAB空间及位置空间的距离,x g和y g分别表示超像素对应种子点的横坐标和纵坐标,x h和y h分别表示像素点的横坐标和纵坐标。l g、a g、b g分别为第g个超像素对应种子点的明度、绿红分量和蓝黄分量,l h、a h、b h分别为第h个像素点的明度、绿红分量和蓝黄分量。为类内最大间距,N为图像边长,K为图像中超像素的数量;N C为图像全局范围内最大颜色距离,l max和l min分别为图像中最大明度值和最小明度值,a max和a min分别为绿红分量的最大值和最小值,b max和b min分别为蓝黄分量的最大值和最小值。
S305、多次迭代执行以上步骤,在每次迭代前计算每个超像素内所有像素点明度的平均值、绿红分量的平均值、蓝黄分量的平均值、横坐标的平均值以及纵坐标的平均值,将这五个平均值所表征的像素点作为参考点,将与该参考点距离最小的像素点作为对应超像素内的新的种子点,像素点与参考点之间的距离计算方式与所述像素点与种子点之间距离计算方式相同。
由于金花相对于超像素尺寸较小,一个超像素内可能会有多个金花,金花越多即金花与其他部分产生的边缘越多,则该超像素内像素的梯度越大。同理,在CIELAB颜色空间中蓝黄分量是金花与其他区域差距最大的特征,因此通过每个超像素各个方向线段上像素点的梯度和与蓝黄分量和可得到更加准确的超像素对应种子点的搜索范围。
在本实施例中迭代的次数为5次,在其他实施例中也可以为其他合适的迭代次数。
由以上实施例可知,对于超像素范围内某个方向线段来说,其调节后的长度与线段上像素点的梯度呈负相关,其调节后的长度与线段上像素点的蓝黄分量和呈负相关。如图6所示,在一个实施例中,所述调节各个方向线段的长度包括:
S401、依据所述蓝黄分量和以及所述梯度和计算各个方向线段长度的调节因子,所述线段长度的调节因子计算表达式如下:
(11)
其中F p,q,s为第p个种子点在第q次迭代时在第s方向上搜索范围的调节因子,为t p,q,s在t 1,q,s到t K,q,s范围内进行最大最小值归一化后的值,/>为r p,q,s在r 1,q,s到r K,q,s范围内进行最大最小值归一化后的值,t p,q,s为第p个种子点的超像素范围内第q次迭代时在第s个方向线段上所有像素点的梯度和,r p,q,s为第p个种子点的超像素范围内第q次迭代时在第s个方向线段上所有像素点的蓝黄分量的和,/>为sigmoid函数。
S402、依据各个方向线段长度的调节因子计算各个方向线段调节后的长度,对于第个种子点在第/>个方向上的线段,其调节后的长度计算表达式为:
(12)
其中D p,q,s为第p个种子点在第q次迭代后的s个方向上的线段长度,F p,q,s为第p个种子点在第q次迭代时搜索范围内第s个方向的调节因子,D p,q-1,s为第p个种子点在第q-1次迭代后的第s个方向上的线段长度。
如图7所示,在一个实施例中,对是疑似金花区域的超像素进行第二次超像素分割包括:
S501、计算超像素内像素点的各个特征参数的平均值,具体为:计算超像素内所有像素点的明度的平均值、绿红分量的平均值/>、蓝黄分量的平均值/>、横坐标的平均值/>以及纵坐标的平均值/>。
S502、选取种子点,具体为:在超像素内确定三个像素点作为第二次超像素分割的种子点,第一个是在颜色空间内明度、绿红分量、蓝黄分量三个参数分别与明度平均值、绿红分量平均值以及蓝黄分量平均值最接近的像素点;第二个是对应位置的像素点,第三个是梯度最小的像素点;并计算相邻种子点之间的距离d;以种子点为中心d×d范围内的像素点构成对应的超像素的初始范围。
在颜色空间的特征上茶叶与金花和茶梗具有明显差异,因此可以通过颜色特征和梯度区分茶叶与金花和茶梗,而金花与茶梗的差异在颜色特征和梯度上却不明显,但金花通常不会生长在茶梗上,因此可以通过位置信息作为再次分割的依据。
若三个种子点中任意两个种子点的距离小于(在本实施例中该距离阈值为/>,实施人员可根据实际情况进行调整),则放弃这两个种子点,取这两点横纵坐标的平均值对应位置的像素点作为种子点,若最终只剩下一个种子点则不对该超像素进行第二次分割。
S503、做以种子点为起点的多个方向的线段并对各个方向线段的长度进行调节,具体为:做以种子点为起点,沿多个方向延长到超像素边界的线段,并分别计算各个方向线段上所有像素点的蓝黄分量和以及梯度和,并依据所述蓝黄分量和以及所述梯度和调节各个方向线段的长度。
S504、连接调整后的各个方向线段的端点得到调整后的搜索范围。
S505、对于不属于任何超像素的像素点将其分配给与其距离最近的搜索范围边缘对应的种子点。
像素点与种子点之间距离的计算方法已在上文详细陈述,此处不再赘述。
S506、将处在多个搜索范围内的像素点归属于与其距离最小的种子点,具体为:对于一个像素点处在多个搜索范围内的情况,分别计算每个像素点与其所属的所有搜索范围对应种子点的距离,将该像素点归属于与其距离最小的种子点。
第二次超像素分割后的分割效果如图8所示。
由以上实施例可知,可依据本次采集的茯砖茶图像对应的金花区域个数占本次超像素总数的比值和上一次采集的茯砖茶图像对应的金花区域个数占上次超像素总数的比值对茯砖茶图像的采集频率进行调整,在一个实施例中,调整茯砖茶图像的采集频率包括:
依据本次采集的茯砖茶图像对应的金花区域占比和上一次采集的茯砖茶图像对应的金花区域占比计算频率调整因子;所述金花区域占比是指该次采集的茯砖茶图像对应的金花区域的个数与对应的超像素总数的比值。频率调整因子的计算表达式为:
(13)
式中,表示上一次采集的茯砖茶图像对应的金花区域占比,/>表示本次采集的茯砖茶图像对应的金花区域占比。
响应于本次采集对应的时刻属于茯砖茶发花过程的前七天且频率调整因子大于预设的第一频率调整因子阈值,调整茯砖茶图像采集频率为每隔9小时采集一次。
预设的第一频率调整因子阈值可取0.015。
响应于本次采集对应的时刻不属于茯砖茶发花过程的前七天且频率调整因子大于预设的第二频率调整因子阈值,调整茯砖茶图像采集频率为每隔6小时采集一次。
预设的第二频率调整因子阈值可取0.03。
由于金花的生长过程大致为指数增长的过程,前期金花增长相对缓慢,后期生长相对迅速,因此,前七天,在采集的图像中金花区域占比发生变化超过一定程度的情况下,调节后的采集频率较小,在七天后,在采集的图像中金花区域占比发生变化超过一定程度的情况下,调节后的采集频率较大。
在一个实施例中,所述调整茯砖茶图像的采集频率还包括:
响应于间隔24小时的两张图像中时间靠后的图像对应的金花区域占比低于时间靠前的图像对应的金花区域占比,调整茯砖茶图像采集频率为每隔1小时采集一次。
若间隔24小时的两张图像中时间靠后的图像金花区域占比相较于时间靠前的一张图像金花区域占比低,说明在这一天中金花数量减少,属于异常情况,应调整图像采集频率为1小时着重注意。工作人员根据采集到的图像判断是否进入发花房进行处理,当工作人员通过图像判断发花过程无异常或进入发花房调整后图像采集频率恢复到每隔12小时采集一次。
在本说明书的描述中,“多个”、“若干个”的含义是至少两个,例如两个,三个或更多个等,除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (8)
1.一种茯砖茶发花图像采集方法,其特征在于,包括:
采集茯砖茶图像,并将茯砖茶图像转换到CIELAB颜色空间;
对所述茯砖茶图像进行第一次超像素分割;
依据茯砖茶图像全局的蓝黄分量平均值和各个超像素内所有像素点的蓝黄分量平均值判断各个超像素是否为疑似金花区域;
对是疑似金花区域的超像素进行第二次超像素分割;
分别计算第二次超像素分割结果中各个超像素内所有像素点的蓝黄分量平均值,将所述蓝黄分量平均值大于预设蓝黄分量阈值的超像素判定为金花区域;
依据所述金花区域的个数调整茯砖茶图像的采集频率;
所述对是疑似金花区域的超像素进行第二次超像素分割包括:
计算超像素内所有像素点的明度的平均值、绿红分量的平均值/>、蓝黄分量的平均值/>、横坐标的平均值/>以及纵坐标的平均值/>;
在超像素内确定三个像素点作为第二次超像素分割的种子点,第一个是在颜色空间内明度、绿红分量、蓝黄分量三个参数分别与明度平均值、绿红分量平均值以及蓝黄分量平均值最接近的像素点;第二个是对应位置的像素点,第三个是梯度最小的像素点;并计算相邻种子点之间的距离d;以种子点为中心d×d范围内的像素点构成对应的超像素的初始范围;
做以种子点为起点,沿多个方向延长到超像素边界的线段,并分别计算各个方向线段上所有像素点的蓝黄分量和以及梯度和,并依据所述蓝黄分量和以及所述梯度和调节各个方向线段的长度;
连接调整后的各个方向线段的端点得到调整后的搜索范围;
对于不属于任何超像素的像素点将其分配给与其距离最近的搜索范围边缘对应的种子点;
对于一个像素点处在多个搜索范围内的情况,分别计算每个像素点与其所属的所有搜索范围对应种子点的距离,将该像素点归属于与其距离最小的种子点。
2.如权利要求1所述的茯砖茶发花图像采集方法,其特征在于,对所述茯砖茶图像进行第一次超像素分割包括:
获取图像的全局梯度;
在茯砖茶图像中初步选取K个种子点,K个种子点均匀分布在整个图像中,并计算相邻种子点之间的距离D;
对于每个种子点,在其z×z范围内搜索周围的像素点,选择其中梯度最小的像素点代替该种子点作为新的种子点;并以种子点为中心D×D范围内的像素点构成对应的超像素的初始范围;其中z小于;
依据超像素范围内像素点的蓝黄分量以及梯度对种子点及其对应的范围进行迭代优化。
3.如权利要求2所述的茯砖茶发花图像采集方法,其特征在于,所述对种子点及其对应的范围进行迭代优化包括:
做以种子点为起点,沿多个方向延长到超像素边界的线段,并分别计算各个方向线段上所有像素点的蓝黄分量和以及梯度和,并依据所述蓝黄分量和以及所述梯度和调节各个方向线段的长度;
连接调整后的各个方向线段的端点得到调整后的搜索范围;
对于不属于任何超像素的像素点将其分配给与其距离最近的搜索范围边缘对应的种子点;
对于一个像素点处在多个搜索范围内的情况,分别计算每个像素点与其所属的所有搜索范围对应种子点的距离,将该像素点归属于与其距离最小的种子点;
多次迭代执行以上步骤,在每次迭代前计算每个超像素内所有像素点明度的平均值、绿红分量的平均值、蓝黄分量的平均值、横坐标的平均值以及纵坐标的平均值,将这五个平均值所表征的像素点作为参考点,将与该参考点距离最小的像素点作为对应超像素内的新的种子点,像素点与参考点之间的距离计算方式与所述像素点与种子点之间距离计算方式相同。
4.如权利要求3所述的茯砖茶发花图像采集方法,其特征在于,所述像素点与所述种子点之间距离的计算表达式为:
以上各式中,d c为第g个超像素对应种子点与像素点h在CIELAB空间的距离,d s为第g个超像素对应种子点与像素点h在位置空间上的距离,为第g个超像素对应种子点与像素点h在综合衡量CIELAB空间及位置空间的距离,x g和y g分别表示超像素对应种子点的横坐标和纵坐标,x h和y h分别表示像素点的横坐标和纵坐标;l g、a g、b g分别为第g个超像素对应种子点的明度、绿红分量和蓝黄分量,l h、a h、b h分别为第h个像素点的明度、绿红分量和蓝黄分量,N S为类内最大间距,N C为图像全局范围内最大颜色距离。
5.如权利要求3所述的茯砖茶发花图像采集方法,其特征在于,所述调节各个方向线段的长度包括:
依据所述蓝黄分量和以及所述梯度和计算各个方向线段长度的调节因子;
依据各个方向线段长度的调节因子计算各个方向线段调节后的长度,对于第个种子点在第/>个方向上的线段,其调节后的长度计算表达式为:
其中D p,q,s为第p个种子点在第q次迭代后的s个方向上的线段长度,F p,q,s为第p个种子点在第q次迭代时搜索范围内第s个方向的调节因子,D p,q-1,s为第p个种子点在第q-1次迭代后的第s个方向上的线段长度。
6.如权利要求5所述的茯砖茶发花图像采集方法,其特征在于,所述线段长度的调节因子计算表达式如下:
其中F p,q,s为第p个种子点在第q次迭代时在第s方向上搜索范围的调节因子,为t p,q,s在t 1,q,s到t K,q,s范围内进行最大最小值归一化后的值,/>为r p,q,s在r 1,q,s到r K,q,s范围内进行最大最小值归一化后的值,t p,q,s为第p个种子点的超像素范围内第q次迭代时在第s个方向线段上所有像素点的梯度和,r p,q,s为第p个种子点的超像素范围内第q次迭代时在第s个方向线段上所有像素点的蓝黄分量的和,/>为sigmoid函数。
7.如权利要求1~6任意一项所述的茯砖茶发花图像采集方法,其特征在于,所述调整茯砖茶图像的采集频率包括:
依据本次采集的茯砖茶图像对应的金花区域占比和上一次采集的茯砖茶图像对应的金花区域占比计算频率调整因子;所述金花区域占比是指该次采集的茯砖茶图像对应的金花区域的个数与对应的超像素总数的比值;频率调整因子的计算表达式为:
式中,表示上一次采集的茯砖茶图像对应的金花区域占比,/>表示本次采集的茯砖茶图像对应的金花区域占比;
响应于本次采集对应的时刻属于茯砖茶发花过程的前七天且频率调整因子大于预设的第一频率调整因子阈值,调整茯砖茶图像采集频率为每隔9小时采集一次;
响应于本次采集对应的时刻不属于茯砖茶发花过程的前七天且频率调整因子大于预设的第二频率调整因子阈值,调整茯砖茶图像采集频率为每隔6小时采集一次。
8.如权利要求1~6任意一项所述的茯砖茶发花图像采集方法,其特征在于,所述调整茯砖茶图像的采集频率还包括:
响应于间隔24小时的两张图像中时间靠后的图像对应的金花区域占比低于时间靠前的图像对应的金花区域占比,调整茯砖茶图像采集频率为每隔1小时采集一次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410269330.4A CN117876646B (zh) | 2024-03-11 | 2024-03-11 | 一种茯砖茶发花图像采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410269330.4A CN117876646B (zh) | 2024-03-11 | 2024-03-11 | 一种茯砖茶发花图像采集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117876646A CN117876646A (zh) | 2024-04-12 |
CN117876646B true CN117876646B (zh) | 2024-05-28 |
Family
ID=90595077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410269330.4A Active CN117876646B (zh) | 2024-03-11 | 2024-03-11 | 一种茯砖茶发花图像采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117876646B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10042048B1 (en) * | 2014-02-20 | 2018-08-07 | National Technology & Engineering Solutions Of Sandia, Llc | Superpixels for improved structure and terrain classification using multiple synthetic aperture radar image products |
CN109598726A (zh) * | 2018-10-26 | 2019-04-09 | 哈尔滨理工大学 | 一种基于slic的自适应图像目标区域分割方法 |
CN110222644A (zh) * | 2019-06-10 | 2019-09-10 | 哈尔滨理工大学 | 基于图像分割的森林火灾烟雾检测方法 |
CN113298777A (zh) * | 2021-05-21 | 2021-08-24 | 山东大学 | 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 |
CN117670879A (zh) * | 2024-01-31 | 2024-03-08 | 陕西仙喜辣木茯茶有限公司 | 一种茯砖茶压制多面发花质量检测方法及系统 |
-
2024
- 2024-03-11 CN CN202410269330.4A patent/CN117876646B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10042048B1 (en) * | 2014-02-20 | 2018-08-07 | National Technology & Engineering Solutions Of Sandia, Llc | Superpixels for improved structure and terrain classification using multiple synthetic aperture radar image products |
CN109598726A (zh) * | 2018-10-26 | 2019-04-09 | 哈尔滨理工大学 | 一种基于slic的自适应图像目标区域分割方法 |
CN110222644A (zh) * | 2019-06-10 | 2019-09-10 | 哈尔滨理工大学 | 基于图像分割的森林火灾烟雾检测方法 |
CN113298777A (zh) * | 2021-05-21 | 2021-08-24 | 山东大学 | 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 |
CN117670879A (zh) * | 2024-01-31 | 2024-03-08 | 陕西仙喜辣木茯茶有限公司 | 一种茯砖茶压制多面发花质量检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117876646A (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106384081B (zh) | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 | |
US11042990B2 (en) | Automatic object replacement in an image | |
CN111798467B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN104899845B (zh) | 一种基于lαβ空间场景迁移的多曝光图像融合方法 | |
CN102663397B (zh) | 一种小麦出苗的自动检测方法 | |
KR102022812B1 (ko) | 이미지 콘트라스트 보강방법 | |
CN110569747A (zh) | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 | |
CN113191334B (zh) | 一种基于改进CenterNet的植物冠层密集叶片计数方法 | |
CN102542560B (zh) | 一种水稻移栽后密度自动检测的方法 | |
CN115049925B (zh) | 田块田坎提取方法、电子设备及存储介质 | |
CN117765051B (zh) | 一种园林绿化养护监测预警系统及方法 | |
CN112766361A (zh) | 一种同色系背景下目标果实检测方法及检测系统 | |
CN109886146A (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
CN116523898A (zh) | 一种基于三维点云的烟草表型性状提取方法 | |
CN113255434A (zh) | 一种融合果实特征与深度卷积神经网络的苹果识别方法 | |
CN117451012B (zh) | 一种无人机航摄测量方法及系统 | |
CN117876646B (zh) | 一种茯砖茶发花图像采集方法 | |
CN116778343B (zh) | 一种用于综合识别的目标图像特征提取方法 | |
CN110796181B (zh) | 基于纹理的文物病害高精度自动提取方法 | |
CN111007474A (zh) | 一种基于多特征的天气雷达回波分类方法 | |
Xiao et al. | 3D reconstruction and characterization of cotton bolls in situ based on UVA technology | |
CN112991519A (zh) | 一种解决林分中针叶树三维模型树冠分枝交叉重叠的方法 | |
CN113343160B (zh) | 一种基于蒸发比的骤发性干旱二维识别方法 | |
CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
CN108932743A (zh) | 一种基于激光点云的路面病害特征图像生成方法 |
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 |