一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法技术

本发明专利技术公开了一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法。提取笼养蛋鸡图像的S分量图像，用k‑means聚类法将方形局部窗口内的S分量图像像素分成两类，遍历S分量图像得到两个类中心函数，构建包含这两个类中心函数的能量函数，并在能量函数中引入平均核函数和水平集函数形成总能量泛函，用标准梯度下降法最小化总能量泛函得到分界线演化方程，加入形态学开运算操作和高斯滤波操作，最后用有限差分法对分界线演化方程进行迭代直到收敛，最终的演化分界线即为笼养蛋鸡图像的分割结果。本发明专利技术能够快速精确地分割笼养蛋鸡图像，消除笼子遮挡的影响。

An Image Segmentation Method for Cage Layers Based on Modified Active Contour Model

The invention discloses an image segmentation method for caged laying hens based on an improved active contour model. The S-component image of caged laying hens was extracted, and the S-component image pixels in the local square window were divided into two categories by k_means clustering method. Two kinds of central functions were obtained by traversing the S-component image. The energy functions containing these two kinds of central functions were constructed, and the average kernel function and the level lumped function were introduced into the energy function to form the total energy function, and the standard gradient descent method was used to minimize the total energy. The boundary evolution equation is obtained by energy functional. Morphological open operation and Gauss filtering are added. Finally, the boundary evolution equation is iterated by finite difference method until convergence. The final evolution boundary is the segmentation result of caged laying hen image. The invention can quickly and accurately segment the image of caged laying hens and eliminate the influence of cage occlusion.

【技术实现步骤摘要】
一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法
本专利技术属于图像处理
，具体涉及了一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法。
技术介绍
鸡的行为是反映其健康程度的重要依据，也是衡量养殖福利的评价指标之一(劳凤丹等，2017)。而快速准确得到鸡只图像的分割结果，是应用机器视觉系统快速识别实际饲养环境下病死鸡的关键步骤(毕敏娜等，2016)。目前，我国蛋鸡饲养模式主要以笼养模式为主，相比于其他饲养模式，笼养模式下的蛋鸡遭受更大的生理和心理压力，福利和健康状态更为严重。但因为笼子遮挡，蛋鸡体态变化大等原因，传统的分割方法，如阈值法、分水岭法等很难得到精确的分割结果。活动轮廓模型被广泛应用于图像分割领域，它在分割目标时可以达到亚像素级的精度，并且能够获得一条光滑闭合的分界线来表示目标边缘。1987年，Kass等人提出了早期的活动轮廓模型—snake模型。在不同的应用背景下，活动轮廓模型被不断改进。2001年，Chan和Vese提出了著名的分段常量活动轮廓模型—CV模型，但它难以处理灰度不均匀的图像。2008年Li等人提出了区域可收缩拟合活动轮廓模型—RSF模型，它能够有效分割灰度不均匀的图像，但对初始轮廓的设置较为敏感且比较耗时。在农业工程应用方面，马丽等(2015)提出了结合CV模型和RSF模型的母猪红外图像分割方法，但其分割效率低，且抗遮挡能力和运动追踪的鲁棒性较差。肖林芳等(2018)用基于形态学改进C-V模型对笼养蛋鸡图像进行分割，但其需要利用粗分割作为初始轮廓，且粗分割结果会影响图像分割精度和分割效率。综上所述，现有的基于活动轮廓模型的分割方法存在对初始轮廓设置敏感、运动追踪能力差、抗遮挡能力弱、分割耗时等问题。
技术实现思路
为了弥补现有的活动轮廓模型技术的不足和缺点，本专利技术提出了一种基于活动轮廓模型的笼养蛋鸡图像分割方法，实现笼养蛋鸡图像的精确快速分割。本专利技术所采用的具体技术方案是包含如下步骤：步骤1：读取笼养蛋鸡原始图像I，提取笼养蛋鸡原始图像I在HSV颜色空间的S分量图像Is:Ω，其中Ω表示S分量图像的图像域；步骤2：构建中心在第x个像素点、宽度为w个像素的方形局部窗口Ωx，用标准k-means聚类方法将方形局部窗口Ωx图像像素按照灰度值分成两类区域Ωs和Ωl，分别为第一类区域Ωs和第二类区域Ωl，遍历S分量图像Is的每个像素点得到两类区域Ωs和Ωl的类中心函数fs(x)和fl(x)；根据方形局部窗口Ωx像素的灰度值为I(y)和类中心函数fs(x)和fl(x)，构建关于两类区域Ωs和Ωl的能量函数Ex：对方形局部窗口Ωx中像素的灰度值为I(y)，用k-means聚类方式来最小化能量函数Ex。能量函数Ex的公式如下：式中，Ex是能量函数，fs(x)和fl(x)分别是Ωs和Ωl的类中心函数(区域像素的平均灰度值)，y为图像域Ω中的一像素点，I(y)为图像域Ω中第y个像素点的灰度值；步骤3：定义两类区域Ωs和Ωl之间的分界线Cx，则Ωs和Ωl可以看作是outside(Cx)和inside(Cx)两部分，用两类区域Ωs和Ωl之间的分界线Cx对能量函数Ex进行改写；步骤4：构建包含两个类中心函数的能量函数Ex，并在能量函数Ex中引入平均核函数Kσ(y)和水平集函数φ改变形成总能量泛函ELPF；所述步骤4中，两个类中心函数fs(x)和fl(x)分别是Ωs和Ωl的类中心，通过遍历S图像获得。4.1：利用平均核函数Kσ(y)对能量函数Ex改写为：式中，Kσ为平均核函数；4.2：对所有图像域Ω的像素点x进行积分得到总能量泛函ELPF，其公式如下。ELPF(C,fs,fl)＝∫Ω(∫outside(C)Kσ(y)|I(y)-fs(x)|2dy)dx+∫Ω(∫inside(C)Kσ(y)|I(y)-fl(x)|2dy)dx式中，Cx是两类区域Ωs和Ωl之间的分界线，C是{Cx,x∈Ω}的分界线集合；4.3：再用水平集函数φ对总能量泛函ELPF改写为：ELPF(φ,fs,fl)＝∫Ω(∫ΩKσ(y)|I(y)-fs(x)|2Hε(φ(y))dy)dx+∫Ω(∫ΩKσ(y)|I(y)-fl(x)|2(1-Hε(φ(y)))dy)dx式中，φ是水平集函数，Hε(x)和δε(x)分别是规则化的海维赛徳(Heaviside)函数和规则化的狄拉克(Dirac)函数，规则化的海维赛徳(Heaviside)函数Hε(x)和规则化的狄拉克(Dirac)函数δε(x)分别计算为：其中，π是圆周率，ε是狄拉克函数的参数，是一个常数；所述的水平集函数φ根据分界线集C表示为以下函数：式中，φ(y)表示图像域Ω中水平集函数φ在第y个像素点的取值；步骤5：用标准梯度下降法最小化总能量泛函ELPF，用标准梯度下降法以总能量泛函ELPF最小化为目标进行求解，保持水平集函数φ不变，得到分界线演化方程分界线演化方程的公式如下：式中，x为方形局部窗口Ωx的中心位置的像素点序数，δε(y)是规则化的狄拉克(Dirac)函数，ε是狄拉克函数的参数，是一个常数。步骤6：用有限差分法求解分界线演化方程在分界线演化方程中引入形态学运算和高斯滤波操作，求解前先用一个结构元素b对分界线演化方程进行形态学开运算，然后在分界线演化方程中加入高斯滤波函数Gσ，不断迭代求解分界线演化方程直到水平集函数φ稳定，选取水平集函数φ中零水平上的像素点组成分割轮廓，作为笼养蛋鸡原始图像的精确分割结果。水平集函数φ中零水平上的像素点是指公式中y∈C使得φ(y)＝0的像素点y。所述的步骤3中，改写后的能量函数Ex公式如下：式中，outside(Cx)表示以分界线Cx分割出的其中一侧部分，即第一类区域Ωs，inside(Cx)表示以分界线Cx分割出的另一侧部分，即第二类区域Ωl。所述步骤4中的平均核函数Kσ(y)按照以下公式表示，代替方形局部窗口Ωx：式中，Kσ为平均核函数。所述的步骤6中，在分界线演化方程中加入结构元素b和高斯滤波Gσ后，分界线演化方程变为：其中，为形态学开运算，Δt是迭代步长，φk表示第k次迭代时水平集函数，b是结构元素，Gσ是高斯滤波核函数。所述的结构元素b根据待处理图像选择不同形状和大小，比如圆盘，矩形等，如实施例中半径为5的圆盘矩阵。本专利技术具有的有益的效果是：本专利技术能够快速精确地分割笼养蛋鸡图像，消除笼子遮挡的影响。因为本专利技术的类中心函数fs(x)的构建和fl(x)跟分界线集C无关，即无需在每一次迭代过程中进行更新，因此相比于传统的基于局部拟合的活动轮廓模型，本方法不但提高了分界线演化效率，对初始演化分界线的形状和位置的设置也不敏感。本专利技术针对图像中鸡笼在分界线演化方程中特殊进行了形态学和高斯滤波操作对方程进行了改写，有效地消除了笼子的遮挡，可以快速精确分割笼养蛋鸡图像。附图说明图1为本专利技术的算法框图；图2为笼养蛋鸡原始图像；图3为笼养蛋鸡的S分量图像；图4为笼养蛋鸡图像中Ωx，Ωs和Ωl三个区域的说明；图5～图8为实施例不同初始轮廓下笼养蛋鸡S分量图像；图9～图12为本专利技术分别在图5-图9的初始轮廓下分割笼养蛋鸡轮廓最终结果图。具体实施方式下面结合附图和实施例对本专利技术做进一步说明。如图1所示步骤，本专利技术具体实施过程如下：1)设置初始化参数，包本文档来自技高网...

【技术保护点】
1.一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法，其特征在于该方法包含如下步骤：步骤1：读取笼养蛋鸡原始图像I，提取笼养蛋鸡原始图像I在HSV颜色空间的S分量图像Is:Ω，其中Ω表示S分量图像的图像域；步骤2：构建中心在第x个像素点、宽度为w个像素的方形局部窗口Ωx，用标准k‑means聚类方法将方形局部窗口Ωx图像像素按照灰度值分成两类区域Ωs和Ωl，分别为第一类区域Ωs和第二类区域Ωl，遍历S分量图像Is的每个像素点得到两类区域Ωs和Ωl的类中心函数fs(x)和fl(x)；根据方形局部窗口Ωx像素的灰度值为I(y)和类中心函数fs(x)和fl(x)，构建关于两类区域Ωs和Ωl的能量函数Ex，能量函数Ex的公式如下：

【技术特征摘要】
1.一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法，其特征在于该方法包含如下步骤：步骤1：读取笼养蛋鸡原始图像I，提取笼养蛋鸡原始图像I在HSV颜色空间的S分量图像Is:Ω，其中Ω表示S分量图像的图像域；步骤2：构建中心在第x个像素点、宽度为w个像素的方形局部窗口Ωx，用标准k-means聚类方法将方形局部窗口Ωx图像像素按照灰度值分成两类区域Ωs和Ωl，分别为第一类区域Ωs和第二类区域Ωl，遍历S分量图像Is的每个像素点得到两类区域Ωs和Ωl的类中心函数fs(x)和fl(x)；根据方形局部窗口Ωx像素的灰度值为I(y)和类中心函数fs(x)和fl(x)，构建关于两类区域Ωs和Ωl的能量函数Ex，能量函数Ex的公式如下：式中，Ex是能量函数，y为图像域Ω中的一像素点，I(y)为图像域Ω中第y个像素点的灰度值；步骤3：用两类区域Ωs和Ωl之间的分界线Cx对能量函数Ex进行改写；步骤4：构建包含两个类中心函数的能量函数Ex，并在能量函数Ex中引入平均核函数Kσ(y)和水平集函数φ改变形成总能量泛函ELPF；4.1：利用平均核函数Kσ(y)对能量函数Ex改写为：式中，Kσ为平均核函数；4.2：对所有图像域Ω的像素点x进行积分得到总能量泛函ELPF，其公式如下。ELPF(C,fs,fl)＝∫Ω(∫outside(C)Kσ(y)|I(y)-fs(x)|2dy)dx+∫Ω(∫inside(C)Kσ(y)|I(y)-fl(x)|2dy)dx式中，Cx是两类区域Ωs和Ωl之间的分界线，C是{Cx,x∈Ω}的分界线集合；4.3：再用水平集函数φ对总能量泛函ELPF改写为：ELPF(φ,fs,fl)＝∫Ω(∫ΩKσ(y)|I(y)-fs(x)|2Hε(φ(y))dy)dx+∫Ω(∫ΩKσ(y)|I(y)-fl(x)|2(1-Hε(φ(y)))dy)dx式中，φ是水平集函数，Hε(x)和δε(x)分别是规则化的海维赛徳(Heaviside)函数和规则化的狄拉克(Di...

【专利技术属性】
技术研发人员：饶秀勤，肖林芳，应义斌，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33