油菜大田环境下杂草图像分割方法技术

本发明专利技术公开了一种油菜大田环境下杂草图像分割方法，在油菜田间随机采集若干个杂草/油菜RGB图像样本；建立视觉注意模型中提取颜色特征、亮度特征及方向分特征，获取各特征图，生成各特征通道显著图，进而获取总显著图，获取感兴趣区域；提取感兴趣区域的形状特征和纹理特征，进行支持向量机分类训练获取油菜区域；融合杂图像样本和所有油菜区域图像，以获取最终株间杂草区域分布信息。通过融入改进的视觉注意模型，结合区域生长算法，获取感兴趣区域，整个算法过程不需要进行灰度转换和阈值分割处理，减少处理环节以及计算量；通过提取感兴趣区域的特征参数和支持向量机分类模型判别，进一步提高分割效率，实现油菜大田背景下杂草图像分割。

【技术实现步骤摘要】
油菜大田环境下杂草图像分割方法
本专利技术属于杂草图像分割
，具体涉及一种油菜大田环境下杂草图像分割方法。
技术介绍
农田杂草对农作物生长、土壤表层温湿度都会产生负面影响，导致农田减产及土壤可重复利用率降低。目前多采用的常量喷洒农药控制杂草生长带来环境污染、食品安全等问题，因此从田间图像中快速准确识别出杂草并获取其分布情况进而实施精准喷药具有重要意义。目前国内外研制的杂草识别系统大多仅能检测出简单背景下的杂草，对复杂背景下株间杂草的识别效率较低。其检测方法大多是首先将植物区域(作物和杂草)从背景中分离，然后进行判别。这类方法对简单背景下杂草检测适用性强，对残茬覆盖、光线较暗等复杂背景下作物/杂草图像分割很大程度上影响准确识别率。
技术实现思路
本专利技术的目的是针对上述技术的不足，提供一种油菜大田环境下杂草图像分割方法，来解决现有图像处理方法对复杂背景下油菜/杂草分离情况不理想的状况。为实现上述目的，本专利技术所设计的油菜大田环境下杂草图像分割方法包括如下步骤：步骤一，在油菜田间随机采集若干个杂草/油菜RGB图像样本，杂草/油菜RGB图像样本包含苗期油菜、杂草及周边环境；其中，若干个杂草/油菜RGB图像样本包括在晴天、阴天及雨后三种天气情况下采集的杂草/油菜RGB图像样本；步骤二，根据视觉注意模型理论，建立视觉注意模型中，对步骤一采集的所有杂草/油菜RGB图像样本提取颜色特征、亮度特征及方向分特征，获取各特征图，生成各特征通道显著图，进而获取总显著图，总显著图结合区域生长获取感兴趣区域；具体过程如下：a)对所有油菜/杂草RGB图像样本进行颜色指标统计分析，找出区分背景和油菜/杂草的颜色指标；b)根据图像多尺度表示及颜色指标统计分析，获取所有杂草/油菜RGB图像样本的亮度特征、颜色特征及方向分特征；c)对颜色特征、亮度特征以及方向分特征进行中央-周边差操作，获取各特征图；d)通过非线性归一化及各特征图层间相加，得到各特征通道显著图；e)各特征通道显著图根据线性组合获取总显著图，总显著图结合区域生长获取感兴趣区域；步骤三，提取步骤二中感兴趣区域的形状特征和纹理特征，进行支持向量机分类训练，获取油菜区域，具体过程为：f)首先针对步骤二中感兴趣区域中的联通区域，提取联通区域的形状特征参数和纹理特征参数；选取步骤一种所有杂草/油菜RGB图像样本中的部分图像样本作为训练样本，并将训练样本选定为训练集用于构件支持向量机，然后将形状特征参数和纹理特征参数导入EXCEL进行特征分析，找出能区分油菜区域和杂草区域的特征参数；g)建立支持向量机分类模型，识别出感兴趣区域中视觉注意模型注意到的区域后，保留所有油菜区域；然后选取步骤f)中剩余的杂草/油菜RGB图像样本作为测试样本，根据分类精度来验证在能区分油菜区域和杂草区域的特征参数下的支持向量机分类模型；步骤四，融合步骤一中采集的杂草/油菜RGB图像样本和步骤三中得到的所有油菜区域图像，以获取最终株间杂草区域分布信息。进一步地，完成所述步骤四后，对最后杂草区域分布信息进行噪声消除处理。进一步地，所述步骤二中的a)，对所有油菜/杂草RGB图像样本进行颜色指标统计分析，找出区分背景和油菜/杂草的颜色指标具体分析过程为：根据油菜/杂草中绿色分量占主导这一特征，选取g、g-b、g-r、2g-r-b及1.4r-b五种颜色指标，其中r、g、b分别为红色分量、绿色分量和蓝色分量；然后选取油菜/杂草RGB图像样本的中心线为标准线，分别计算油菜/杂草RGB图像样本中标准线上五种颜色指标的灰度值，将所得到的灰度值绘成直方图，重复操作，对所有油菜/杂草RGB图像样本均进行颜色指标统计分析；发现，三种天气情况下油菜/杂草RGB图像样本中土壤部分2g-r-b值在-5-30范围内波动，三种天气情况下油菜/杂草RGB图像样本中油菜/杂草部分2g-r-b值在20-150范围内波动，即2G-R-B这一颜色指标作为区分背景和油菜/杂草的标准颜色指标。进一步地，所述步骤二中的b)，根据图像多尺度表示及颜色指标统计分析，获取所有杂草/油菜RGB图像样本的亮度特征、颜色特征及方向分特征的具体过程为：图像多尺度表示具体为：给定一幅二维数字图像I(i,j)，i,j分别为二维数字图像像素的横、纵坐标；若金字塔层数为k，则当k＝0时，Ik(i,j)＝I0(i,j)＝I，代表金字塔结构的最底层，则金字塔结构第k层如下：其中w(m,n)为降采样核函数，m,n分别为降采样核函数像素点的横、纵坐标，N为m,n的边界值；根据上述图像多尺度表示及颜色指标统计分析，获取亮度特征、颜色特征及方向特征的表达式：亮度特征通道：I(k)＝2×g(k)-r(k)-b(k)(2)颜色特征通道：其中R(k)＝(r(k)-(g(k)+b(k)))/2，G(k)＝(g(k)-(r(k)+b(k)))/2，B(k)＝(b(k)-(r(k)+g(k)))/2，Y(k)＝(r(k)+g(k))-2×(|r(k)-g(k)|+b(k))；r(k)、g(k)、b(k)分别表示进行处理的所有油菜/杂草RGB图像样本的红、绿、蓝颜色分量，k∈[0,1,2....8]；方向特征通道：使用Gabor滤波器对亮度特征在0°、45°、90°及135°方向滤波，其输出为相应方向分特征，如下：其中，h(x,y,θn,λ,α,β)为二维Gabor滤波器函数，α和β表示高斯包络分别在x和y方向上的标准差，λ和θn分别为正弦波的波长与方向，θn＝π/m(n-1)，n＝1,2,3,.....m；当θn取值为0°、45°、90°及135°时，由式(4)～(6)获取对应方向分特征通道。进一步地，所述步骤二中的c)，对颜色特征、亮度特征以及方向分特征进行中央-周边差操作获取各特征图具体过程为：以步骤一中采集的若干个杂草/油菜RGB图像样本作为原始图像样本，设定原始图像样本为金字塔的第1级，选取金字塔中第2、3、4级为中央层c＝2,3,4，尺度差σ＝3,4，则周边层Θ为中央-周边差运算符；对颜色特征、亮度特征以及方向分特征进行中央-周边差操作，获取各特征图如下：亮度特征图：MI(c,c+σ)＝|I(c)ΘI(c+σ)|(7)颜色特征图：方向特征图：Mori(c,c+σ,θ)＝|O(c,θ)ΘO(c+σ,θ)|(9)其中，MRG(c,c+σ)、MBY(c,c+σ)分别代表红绿子通道、蓝黄子通道的颜色特征图；O(c,θ)代表尺度空间c为时，θ方向上的方向特征映射。进一步地，所述步骤二中的d)，通过非线性归一化及各特征图层间相加得到各特征通道显著图如下：其中Si、Sc、So分别代表亮度、颜色、方向的通道显著图，为非线性归一化算子，此处指局部迭代融合；为跨尺度相加算子。进一步地，所述步骤二中的e)，各特征通道显著图根据线性组合获取总显著图，总显著图结合区域生长获取感兴趣区域具体过程为：感受野模板采用DOG(x,y)函数，显著性度量为：N(M(c,c+σ))＝(M(c,c+σ)+M(c,c+σ)*DOG-C)(14)其中，DOG(x,y)代表双高斯差分函数，和分别表兴奋和抑制带宽，cex和cinh分别表兴奋和抑制常数，M(c,c+s)代表给定的特征图，N(M(c,c+s))为显著性函数。总显著图的计算本文档来自技高网...

【技术保护点】
一种油菜大田环境下杂草图像分割方法，其特征在于，所述杂草图像分割方法包括如下步骤：步骤一，在油菜田间随机采集若干个杂草/油菜RGB图像样本，杂草/油菜RGB图像样本包含苗期油菜、杂草及周边环境；其中，若干个杂草/油菜RGB图像样本包括在晴天、阴天及雨后三种天气情况下采集的杂草/油菜RGB图像样本；步骤二，根据视觉注意模型理论，建立视觉注意模型中，对步骤一采集的所有杂草/油菜RGB图像样本提取颜色特征、亮度特征及方向分特征，获取各特征图，生成各特征通道显著图，进而获取总显著图，总显著图结合区域生长获取感兴趣区域；具体过程如下：a)对所有油菜/杂草RGB图像样本进行颜色指标统计分析，找出区分背景和油菜/杂草的颜色指标；b)根据图像多尺度表示及颜色指标统计分析，获取所有杂草/油菜RGB图像样本的亮度特征、颜色特征及方向分特征；c)对颜色特征、亮度特征以及方向分特征进行中央‑周边差操作，获取各特征图；d)通过非线性归一化及各特征图层间相加，得到各特征通道显著图；e)各特征通道显著图根据线性组合获取总显著图，总显著图结合区域生长获取感兴趣区域；步骤三，提取步骤二中感兴趣区域的形状特征和纹理特征，进行支持向量机分类训练，获取油菜区域，具体过程为：f)首先针对步骤二中感兴趣区域中的联通区域，提取联通区域的形状特征参数和纹理特征参数；选取步骤一种所有杂草/油菜RGB图像样本中的部分图像样本作为训练样本，并将训练样本选定为训练集用于构件支持向量机，然后将形状特征参数和纹理特征参数导入EXCEL进行特征分析，找出能区分油菜区域和杂草区域的特征参数；g)建立支持向量机分类模型，识别出感兴趣区域中视觉注意模型注意到的区域后，保留所有油菜区域；然后选取步骤f)中剩余的杂草/油菜RGB图像样本作为测试样本，根据分类精度来验证在能区分油菜区域和杂草区域的特征参数下的支持向量机分类模型；步骤四，融合步骤一中采集的杂草/油菜RGB图像样本和步骤三中得到的所有油菜区域图像，以获取最终株间杂草区域分布信息。...

【技术特征摘要】
1.一种油菜大田环境下杂草图像分割方法，其特征在于，所述杂草图像分割方法包括如下步骤：步骤一，在油菜田间随机采集若干个杂草/油菜RGB图像样本，杂草/油菜RGB图像样本包含苗期油菜、杂草及周边环境；其中，若干个杂草/油菜RGB图像样本包括在晴天、阴天及雨后三种天气情况下采集的杂草/油菜RGB图像样本；步骤二，根据视觉注意模型理论，建立视觉注意模型中，对步骤一采集的所有杂草/油菜RGB图像样本提取颜色特征、亮度特征及方向分特征，获取各特征图，生成各特征通道显著图，进而获取总显著图，总显著图结合区域生长获取感兴趣区域；具体过程如下：a)对所有油菜/杂草RGB图像样本进行颜色指标统计分析，找出区分背景和油菜/杂草的颜色指标；b)根据图像多尺度表示及颜色指标统计分析，获取所有杂草/油菜RGB图像样本的亮度特征、颜色特征及方向分特征；c)对颜色特征、亮度特征以及方向分特征进行中央-周边差操作，获取各特征图；d)通过非线性归一化及各特征图层间相加，得到各特征通道显著图；e)各特征通道显著图根据线性组合获取总显著图，总显著图结合区域生长获取感兴趣区域；步骤三，提取步骤二中感兴趣区域的形状特征和纹理特征，进行支持向量机分类训练，获取油菜区域，具体过程为：f)首先针对步骤二中感兴趣区域中的联通区域，提取联通区域的形状特征参数和纹理特征参数；选取步骤一种所有杂草/油菜RGB图像样本中的部分图像样本作为训练样本，并将训练样本选定为训练集用于构件支持向量机，然后将形状特征参数和纹理特征参数导入EXCEL进行特征分析，找出能区分油菜区域和杂草区域的特征参数；g)建立支持向量机分类模型，识别出感兴趣区域中视觉注意模型注意到的区域后，保留所有油菜区域；然后选取步骤f)中剩余的杂草/油菜RGB图像样本作为测试样本，根据分类精度来验证在能区分油菜区域和杂草区域的特征参数下的支持向量机分类模型；步骤四，融合步骤一中采集的杂草/油菜RGB图像样本和步骤三中得到的所有油菜区域图像，以获取最终株间杂草区域分布信息。2.根据权利要求书1所述油菜大田环境下杂草图像分割方法，其特征在于，完成所述步骤四后，对最后杂草区域分布信息进行噪声消除处理。3.根据权利要求书1或2所述油菜大田环境下杂草图像分割方法，其特征在于，所述步骤二中的a)，对所有油菜/杂草RGB图像样本进行颜色指标统计分析，找出区分背景和油菜/杂草的颜色指标具体分析过程为：根据油菜/杂草中绿色分量占主导这一特征，选取g、g-b、g-r、2g-r-b及1.4r-b五种颜色指标，其中r、g、b分别为红色分量、绿色分量和蓝色分量；然后选取油菜/杂草RGB图像样本的中心线为标准线，分别计算油菜/杂草RGB图像样本中标准线上五种颜色指标的灰度值，将所得到的灰度值绘成直方图，重复操作，对所有油菜/杂草RGB图像样本均进行颜色指标统计分析；发现，三种天气情况下油菜/杂草RGB图像样本中土壤部分2g-r-b值在-5-30范围内波动，三种天气情况下油菜/杂草RGB图像样本中油菜/杂草部分2g-r-b值在20-150范围内波动，即2G-R-B这一颜色指标作为区分背景和油菜/杂草的标准颜色指标。4.根据权利要求书1或2所述油菜大田环境下杂草图像分割方法，其特征在于，所述步骤二中的b)，根据图像多尺度表示及颜色指标统计分析，获取所有杂草/油菜RGB图像样本的亮度特征、颜色特征及方向分特征的具体过程为：图像多尺度表示具体为：给定一幅二维数字图像I(i,j)，i,j分别为二维数字图像像素的横、纵坐标；若金字塔层数为k，则当k＝0时，Ik(i,j)＝I0(i,j)＝I，代表金字塔结构的最底层，则金字塔结构第k层如下：其中w(m,n)为降采样核函数，m,n分别为降采样核函数像素点的横、纵坐标，N为m,n的边界值；根据上述图像多尺度表示及颜色指标统计分析，获取亮度特征、颜色特征及方向特征的表达式：亮度特征通道：I(k)＝2×g(k)-r(k)-b(k)(2)颜色特征通道：其中R(k)＝(r(k)-(g(k)+b(k)))/2，G(k)＝(g(k)-(r(k)+b(k)))/2，B(k)＝(b(k)-(r(k)+g(k)))/2，Y(k)＝(r(k)+g(k))-2×(|r(k)-g(k)|+b(k))；r(k)、g(k)、b(k)分别表示进行处理的所有油菜/杂草RGB图像样本的红、绿、蓝颜色分量，k∈[0,1,2....8]；方向特征通道：使用Gabor滤波器对亮度特征在0°、45°、90°及135°方向滤波，其输出为相应方向分特征，如下：

【专利技术属性】
技术研发人员：吴兰兰，熊利荣，徐恺，
申请(专利权)人：华中农业大学，
类型：发明
国别省市：湖北,42