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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。