一种基于显著性检验的玉米穗自动识别方法技术

本发明专利技术提供一种基于显著性检验的玉米穗自动识别方法，属于田间目标自动识别领域。该方法包括两个阶段：玉米穗潜在区域识别阶段，针对图片易受到强光影响引起的区域光饱和现象，使用一种去光饱和算法进行图像预处理，对去光饱和图片进行显著性检验，提取图片中显著区域作为玉米穗潜在区域；误识别区域去除阶段，提取各显著区域的纹理特征进行分类去除背景区域，得到最终的玉米穗识别结果。本发明专利技术针对田间拍摄图片易受到光照影响的特点，选用去光饱和算法对图片进行预处理，提高玉米穗的识别精度，同时基于显著性检验对玉米穗进行自动识别，计算简单有效，并具有较高鲁棒性等优点。

An automatic recognition method for corn ear based on significance test

The invention provides an automatic corn ear recognition method based on saliency test, which belongs to the field of automatic target recognition. The method consists of two stages: the recognition stage of corn ear potential region. In view of the phenomenon of light saturation caused by strong light, a desaturation algorithm is used to preprocess the image, and the saliency of the desaturated image is tested, and the salient region in the image is extracted as the potential region of corn ear. In the region removal stage, the texture features of each salient region are extracted to remove the background region, and the final corn ear recognition results are obtained. According to the characteristics that the field photographs are susceptible to the influence of illumination, the desaturation algorithm is selected to preprocess the images, so as to improve the recognition accuracy of corn ears. At the same time, the corn ears are automatically identified based on the saliency test. The calculation is simple and effective, and has the advantages of high robustness, etc.

【技术实现步骤摘要】
一种基于显著性检验的玉米穗自动识别方法
本专利技术属于田间目标自动识别领域，具体涉及一种田间拍摄图片的玉米穗区域自动识别方法，应用去光饱和算法去除光饱和区域，使用显著性检验将玉米穗区域从复杂背景中准确提取出来。
技术介绍
玉米是世界上种植最广泛的谷类作物之一，总种植面积仅次于小麦和水稻，而中国是世界第二大玉米生产国。玉米作为粮食作物中用途最为广泛的副食品生产原料和畜牧业饲料，以玉米为原材料进行再加工也广泛应用于纺织、造纸、生物燃料以及化妆品的生产等技术中。关于机器视觉技术在农业技术上的应用的研究始于70年代末期，主要进行的是田间目标的自动识别与分类、农产品品质的检测与分级等。随着计算机软件以及硬件技术的迅速发展，机器视觉技术在农业上的应用研究有了较大的进展。相比于传统的人工观测方式，基于图像处理的机器视觉和图像分析技术在作物信息采集上具有信息量大、快速、高精度等显著的优点，在节约劳动力，减少人工观测时的主观影响等方面有着巨大的潜力，可以帮助人们分析农作物生长状态和农业气象之间的关系，及时进行相应的田间操作，提供有效的农业帮助，以增加农产品产量。穗期是玉米生长过程中最重要的一个生长期之一，它预示着玉米开始授粉，这一时期决定了玉米植株能否成功的受精。玉米穗是玉米繁殖的重要农艺性状，并可以作为玉米到达穗期的典型标志。对玉米穗期传统的定义是指超过一半区域的玉米穗开花，当处于这一阶段的时候，玉米对于氮和磷的吸收明显增快。若对玉米的生长状态及时监测，即可对相应的农业操作进行改进达到增加产量的效果。有一些研究已经证明了玉米穗的特征会影响玉米的产量。例如形状较小的玉米穗会使得阳光更有效的照射到玉米植株，从而导致产量的增加。传统的玉米穗识别方法主要靠人工观测，但是这种方式成本高且主观性强，长时间连续观测会影响观测的结果与效率。虽然人们对玉米穗的识别进行了部分研究，但是这些研究主要是针对小区域样本，而且没有考虑到环境因素的影响。在大田作物时，若能及时获取玉米达到穗期的信息，农民可以及时进行相应的田间操作，这样避免了不必要的人工观测，特别是避免了极端天气的造成的观测困难。而且，自动识别穗期是识别玉米生长期的重要组成部分。因此，自动识别玉米穗期对于现代农业是十分必要的。
技术实现思路
本专利技术的目的是克服以上技术的缺点，提供一种基于显著性检验的玉米穗自动识别方法，其能够实现田间玉米穗的自动识别，该算法简单，快速有效，并具有较高的鲁棒性等优点。本专利技术的技术方案：一种基于显著性检验的玉米穗自动识别方法，包括以下步骤：(1)玉米穗潜在区域识别：S1、采集玉米处于穗期时的田间图片作为实验样本；S2、基于模拟光饱和区域的景深信息对田间图片进行去光饱和处理，得到去光饱和图片；S3、使用Itti显著性检验算法计算去光饱和图片各个像素的亮度特征、颜色特征和方向特征，并将三个特征进行线性叠加，得到特征融合后的显著图；S4、使用自适应阈值分割提取显著图中显著值高的像素区域，得到玉米穗潜在区域；(2)误识别区域去除：S5、提取各玉米穗潜在区域的图片特征；S6、建立LSSVM分类模型，将训练样本分为玉米穗区域与背景区域；S7、确定玉米穗区域，去除背景区域，获得玉米穗最终识别结果。所述S2的具体步骤为：1)提取田间图片中像素点的亮度v与饱和度s，建立图像景深d同图像像素点x之间的线性模型：d(x)＝θ0+θ1v(x)+θ2s(x)+ε(x)(1)2)基于大气散射模型得到光饱和图像I与去光饱和图像J之间的关系：I(x)＝J(x)t(x)+A(1-t(x))t(x)＝e-βd(x)(2)其中，θ0、θ1、θ2为线性系数，分别取0.12、0.96和‐0.78，ε为随机误差，取均值为0方差为0.05的高斯函数，A为图片亮度最高值，t为传递函数，取0.1至0.9之间，β为大气散射系数，取1；3)得到去光饱和图像表达式：所述S3首先对输入图像进行多个特征通道和多尺度的分解，建立9层高斯金字塔，然后对9层高斯金字塔进行滤波得到各个特征的特征图，最后通过特征图融合计算得到各个像素显著值构成的显著图，具体步骤为：4)由输入图像建立9层的高斯金字塔，其中第0层是输入图像，第1到8层分别是经5×5的高斯滤波器对输入图像进行滤波和采样获得的图像，大小分别为输入图像的1/2,1/4,1/8,1/16,1/32,1/64,1/128,1/256；然后对高斯金字塔的每一层图像分别提取亮度特征、红色特征、绿色特征、蓝色特征、黄色特征、方向特征，形成亮度特征金字塔、色度特征金字塔和方向特征金字塔；5)对不同尺度间特征取差形成特征图：分别在不同特征金字塔的中心尺度c(c∈{2,3,4})与边缘尺度s(s＝c+δ,δ∈{3,4})间作差，计算得到亮度特征图、颜色特征图和方向特征图；6)对不同尺度的特征图和不同特征的特征图进行融合，生成显著图：使用归一化函数先对每个特征中不同尺度的特征图进行归一化处理，形成一幅该特征的综合显著图，再将不同特征的显著图进行线性相加并取均值，获得总体视觉显著图。所述S4具体步骤为：设每幅显著图的像素显著性分布满足高斯分布规律，提取显著图各像素的均值m与方差d，计算m±3d作为显著图显著性分割阈值，提取显著图中显著值较高的像素区域，对原始图片进行二值化处理获得玉米穗潜在区域。所述S5中的图片特征包括灰度直方图特征和灰度共生矩阵特征均包含L个样本和Num个特征；所述灰度直方图特征包括均值、标准差、平滑度、三阶矩、一致性、灰度熵六个特征；所述灰度共生矩阵特征包括四个方向上的对比度、相关性、能量和同质性纹理特征，共十六个特征。所述实验样本为三年间玉米处于穗期的图片，其中第一年随机抽取一半图片作为训练样本。本专利技术所述基于显著性检验的玉米穗自动识别方法，主要利用了玉米穗相对于背景的显著性进行自动识别，同时针对实际环境中光照因素的影响，使用去光饱和算法，能够有效去除图片光饱和区域，提高玉米穗的自动识别精度。该方法对于玉米的自动监测，作物生长状态判断有着重要的意义。附图说明图1为本专利技术所述田间玉米穗自动识别方法的整体流程图；具体实施方式下面结合具体附图对本专利技术作进一步说明。本专利技术所述的一种基于显著性检验的玉米穗自动识别方法，目的在于在实际田间的环境下，应用一种算法有效去除光照等环境因素对识别效果的影响，实现玉米穗的自动识别：如图1所示，具体包括步骤如下：(1)玉米穗潜在区域识别：将图片采集系统放置在玉米处于穗期的田间，对玉米在穗期的图片进行拍摄，提取三年间玉米穗期图片作为实验样本，识别玉米穗潜在区域。具体步骤如下：a、图片去光饱和，提取玉米田间图片，提取像素点的亮度v与饱和度s，建立图像景深d同图像像素点x之间的线性模型：d(x)＝θ0+θ1v(x)+θ2s(x)+ε(x)(1)基于大气散射模型得到光饱和图像I与去光饱和图像J之间的关系如下：I(x)＝J(x)t(x)+A(1-t(x))t(x)＝e-βd(x)(2)其中，θ0、θ1、θ2为线性系数，分别取0.12、0.96和‐0.78，ε为随机误差，取均值为0方差为0.05的高斯函数，A为图片亮度最高值，t为传递函数，取0.1至0.9之间，β为大气散射系数，取1。最终得到去光饱和图像J：b、在步骤a生成去光饱和图片后，使本文档来自技高网...

【技术保护点】
1.一种基于显著性检验的玉米穗自动识别方法，其特征在于，包括以下步骤：(1)玉米穗潜在区域识别：S1、采集玉米处于穗期时的田间图片作为实验样本；S2、基于模拟光饱和区域的景深信息对田间图片进行去光饱和处理，得到去光饱和图片；S3、使用Itti显著性检验算法计算去光饱和图片各个像素的亮度特征、颜色特征和方向特征，并将三个特征进行线性叠加，得到特征融合后的显著图；S4、使用自适应阈值分割提取显著图中显著值高的像素区域，得到玉米穗潜在区域；(2)误识别区域去除：S5、提取各玉米穗潜在区域的图片特征；S6、建立LSSVM分类模型，将训练样本分为玉米穗区域与背景区域；S7、确定玉米穗区域，去除背景区域，获得玉米穗最终识别结果。

【技术特征摘要】
1.一种基于显著性检验的玉米穗自动识别方法，其特征在于，包括以下步骤：(1)玉米穗潜在区域识别：S1、采集玉米处于穗期时的田间图片作为实验样本；S2、基于模拟光饱和区域的景深信息对田间图片进行去光饱和处理，得到去光饱和图片；S3、使用Itti显著性检验算法计算去光饱和图片各个像素的亮度特征、颜色特征和方向特征，并将三个特征进行线性叠加，得到特征融合后的显著图；S4、使用自适应阈值分割提取显著图中显著值高的像素区域，得到玉米穗潜在区域；(2)误识别区域去除：S5、提取各玉米穗潜在区域的图片特征；S6、建立LSSVM分类模型，将训练样本分为玉米穗区域与背景区域；S7、确定玉米穗区域，去除背景区域，获得玉米穗最终识别结果。2.根据权利要求1所述的玉米穗自动识别方法，其特征在于，所述S2的具体步骤为：1)提取田间图片中像素点的亮度v与饱和度s，建立图像景深d同图像像素点x之间的线性模型：d(x)＝θ0+θ1v(x)+θ2s(x)+ε(x)(1)2)基于大气散射模型得到光饱和图像I与去光饱和图像J之间的关系：I(x)＝J(x)t(x)+A(1-t(x))t(x)＝e-βd(x)(2)其中，θ0、θ1、θ2为线性系数，分别取0.12、0.96和-0.78，ε为随机误差，取均值为0方差为0.05的高斯函数，A为图片亮度最高值，t为传递函数，取0.1至0.9之间，β为大气散射系数，取1；3)得到去光饱和图像表达式：3.根据权利要求1或2所述的玉米穗自动识别方法，其特征在于，所述S3的具体步骤为：4)由输入图像建立9层的高斯金字塔，其中第0层是输入图像，第1到8层分别是经5×5的高斯滤波器对输入图像进行滤波和采样获得的图像，大小分别为输入图像的1/2,1/4,1/8,1/16,1/32,1/64,1/128,1/256；然后对高斯金字塔的每一层图像分别提取亮度特征、红色特征、绿色特征、蓝色特征、黄色特征、方向特征，形成亮度特征金字塔、色度特征金字塔和方向特征金字塔；5)对不同尺度间特征取差形成特征图：分别在不同特征金字塔的中心尺度c与边缘尺度s间作差，计算得到亮度特征图、颜色特征图和方向特征图；其中，c∈{2,3,4}，s＝c+δ，δ∈{3,4}；6)对不同尺度的特征图和不同特征的特征图进行融合，生成显著...

【专利技术属性】
技术研发人员：朱启兵，郑阳，黄敏，郭亚，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32