一种多目标图像的分割方法技术

本发明专利技术实施例提供一种多目标图像的分割方法，包括：建立基于稀疏信号的图像特征描述子；采用基于插值小波的EMD距离对图像的特征距离进行描述，定义更精确的图像特征插值小波EMD距离；采用插值小波EMD距离作为图像区域相似性的测度，建立图像分割变分模型；确定对图像分割结果的约束条件，并将图像分割变分模型与分割结果的约束条件表示为非线性规则；构造图像分割同伦优化模型，使得迭代求解造成的图像特征误差得到补偿，从而实现目标物图像的可控分割。该方法能对图像特征进行全面描述，图像特征距离能准确反应不同特征之间的细微差异，并且采用的图像分割模型不会导致图像特征的弱化。

A Segmentation Method for Multiobjective Images

The embodiment of the present invention provides a multi-objective image segmentation method, which includes: establishing an image feature descriptor based on sparse signal; describing the image feature distance by using the EMD distance based on interpolated wavelet, defining a more accurate image feature interpolation wavelet EMD distance; using the EMD distance of interpolated wavelet as the measure of image region similarity, establishing the image segmentation variational model. The constraints of image segmentation results are determined, and the constraints of image segmentation variational model and segmentation results are expressed as non-linear rules. The homotopy optimization model of image segmentation is constructed to compensate the image feature errors caused by iterative solution, so as to realize the controllable segmentation of object images. This method can describe image features comprehensively, and the distance of image features can accurately reflect the subtle differences between different features, and the image segmentation model adopted will not lead to the weakening of image features.

【技术实现步骤摘要】
一种多目标图像的分割方法
本专利技术实施例涉及图像处理领域，尤其涉及一种多目标图像的分割方法。
技术介绍
在智慧农业中，对农作物图像的分析是很重要的。对农作物图像分析，经常需要针对同一图像实现不同目标物的可控分割，以满足不同作业管理需求，例如识别蔬菜叶片不同病斑从而分别用药、成熟水果的选择采摘、庄稼株间杂草的识别等。农作物图像的特点是图像中目标物多且图像背景复杂、特征相近。首先，大多数农作物图像属于多目标图像，不同成熟度的目标物可能混杂在一起，且目标物纹理和图像背景类似。如图1a所示，成熟的瓜果隐藏在绿叶中，很难将其分辨出。又如图1b所示的葡萄叶上的根瘤蚜虫，由于根瘤蚜虫的颜色与葡萄叶的颜色非常接近，在图像中很难进行分辨。其次，目标物的图像不完整。目标图像和背景物体之间相互掩映，如西瓜、苹果等果实的叶和茎相互交错，导致目标物图像外形缺失，很难根据外形对目标物进行识别。再次，目标物和背景物外形和生物成分均类似，如图1c所示的株间杂草与禾苗，或者如图1d所示的带有病虫害的叶片和健康的植物叶片等，这些图像即使采用多光谱信息也很难将目标物和背景物区分开。第四，目标物的形状、大小、方向不唯一，可见光的亮度、噪声等对图像质量也有很大影响，并且要满足农业自动化的需要，对目标物的识别速度要快。上述这些问题给果实生长情况监控及自动采摘、农作物生产管理等都带来很大障碍。为解决图像中目标物的识别，目前的主要方法是利用格子玻尔兹曼(LatticeBoltzmannMethod,LBM)计算遮挡因子，或者利用融合深度信息的方法解决遮挡问题，但由于图像中目标物和背景相近，会导致图像的过分割和欠分割。为解决该问题，目前主要采用超色方法，或是多源信息融合方法，其实质上是通过图像增强技术或者热成像技术增大目标物和背景的区别。又如，现有的图像自动分割方法，是对RGB空间常见的颜色指标进行分析，并提出了图像分割精度的概念。现有的邻接区域信息融合方法，是充分利用光照对果实的影响，在图像分割时使用亮度信息和颜色信息将邻接果实分开。现有的图像分割技术在处理以上图像时，经常会出现过分割、欠分割、目标分割错误等问题，这给基于图像分析的精确农业管理、农业机器人生产作业等带来了极大障碍。
技术实现思路
针对现有技术中存在的问题，本专利技术实施例提供一种多目标图像的分割方法，实现多目标图像的精确分割。本专利技术实施例提供一种多目标图像的分割方法，包括：S1、建立基于稀疏信号的图像特征描述子；S2、采用基于插值小波的EMD距离对图像的特征距离进行描述，定义更精确的图像特征插值小波EMD距离；S3、采用插值小波EMD距离作为图像区域相似性的测度，建立图像分割变分模型；S4、确定对图像分割结果的约束条件，并将图像分割变分模型与分割结果的约束条件表示为非线性规则；S5、构造图像分割同伦优化模型，以使迭代求解造成的图像特征误差得到补偿，从而实现目标物图像的可控分割。进一步，步骤S1包括：在Beltrami模型框架下建立基于稀疏信号的图像特征描述子，将插值小波作为稀疏基。进一步，所述图像分割变分模型利用非负矩阵分解对图像进行分割，并且采用与CV模型类似的能量函数。进一步，所述非线性规则为：minf(x),s.t.h(x)＝0,g(x)≤0其中，f(x)是目标函数,表示图像分割变分模型；h(x)是等式约束函数,对应图像目标轮廓的水平集函数；g(x)是不等式约束函数,对应图像目标内外区域的水平集函数；s.t.是数学符号,表示“受约束于”；x表示图像像素向量；表示实数集合；表示n维实数向量空间；表示p维实数向量空间；表示m维实数向量空间，进一步，所述图像分割同伦优化模型的计算方法包括：首先，利用小波精细积分法对小波框架下的图像分割变分模型进行求解；其次，采用Bregman迭代算法求解全变差框架下的同伦变分模型。进一步，所述图像分割同伦优化模型的计算方法还包括：以插值小波作为稀疏表示基，设计对应的低维测量矩阵，得到输入图像信号的低维稀疏空间表达；利用低维信息进行图像处理，重构图像分割联合数值模型；构建同伦模型求解的图割法，并以此构建小波框架下的图像分割变分同伦模型的迭代求解方法。进一步，所述插值小波为对称波。本专利技术实施例提供的多目标图像的分割方法，通过构造插值Shearlet变换，对图像特征进行全面描述；通过结合同伦分析和稀疏表示理论，准确反应不同特征之间的细微差异；通过构造图像分割同伦模型快速算法，不会造成特征弱化，从而实现多目标图像的精确分割。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1a、图1b、图1c、图1d为现有技术中农作物的图像；图2为本专利技术实施例提供的多目标图像分割方法的流程示意图；图3为本专利技术实施例提供的对农作物图像进行多目标分割的示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。要实现农作物图像中目标物图像的分割，图像分割模型应满足三个方面的要求：第一，该模型对图像特征的描述要全面；第二，图像的特征距离能准确反映不同特征之间的细微差异；第三，该模型要考虑多种特征，且其迭代求解过程中不能导致特征弱化。结构化和层次化是图像目标识别和分割的有效手段，在深度学习领域获得了极大成功。Shearlet(剪切波)变换是具有多尺度方向敏感性的各向异性小波变换，有利于图像目标物的结构化描述，而同伦分析理论和深度学习理论一样，可以实现图像的分层次识别。将Shearlet变换和插值小波理论相结合，构造插值Shearlet变换，能够满足图像特征的全面描述。围绕插值Shearlet变换理论，结合同伦分析和稀疏表示理论，实现图像描述的层次化和处理算法的集成化与参数化，能准确反应不同特征之间的细微差异。结合Split-Bregman(分裂-布雷格曼)迭代、基追逐等方法和小波精细积分法构造的图像分割同伦模型快速算法，能在迭代求解过程中不造成特征弱化。图2示出了本专利技术实施例提供的多目标图像的分割方法。该方法包括：步骤101，建立基于稀疏信号的图像特征描述子。在Beltrami(贝特拉米)模型框架下建立基于稀疏信号的图像特征描述子。将插值小波作为稀疏基，确保测量信号能以较高的概率恢复，在保留主要特征值不变的情况下，对其他位置适度平滑。相对于一般小波，插值小波既能保留图像特征分布不被弱化，同时也对不连续的特征分布较为敏感，其产生的Gibbs(吉布斯)现象通过增加合理的阻尼系数或者构造多尺度插值小波算子即可得到改进，从而提高EMD(EarthMover’sDistance搬土距离)的精度。该步骤所用到的插值小波均为对称小波，相对于非对称小波，插值小波的优点在于其仿射旋转性不会变化。与此同时，用Faber-Sch本文档来自技高网...

【技术保护点】
1.一种多目标图像的分割方法，其特征在于，包括：S1、建立基于稀疏信号的图像特征描述子；S2、采用基于插值小波的EMD距离对图像的特征距离进行描述，定义更精确的图像特征插值小波EMD距离；S3、采用插值小波EMD距离作为图像区域相似性的测度，建立图像分割变分模型；S4、确定对图像分割结果的约束条件，并将图像分割变分模型与分割结果的约束条件表示为非线性规则；S5、构造图像分割同伦优化模型，使得迭代求解造成的图像特征误差得到补偿，从而实现目标物图像的可控分割。

【技术特征摘要】
1.一种多目标图像的分割方法，其特征在于，包括：S1、建立基于稀疏信号的图像特征描述子；S2、采用基于插值小波的EMD距离对图像的特征距离进行描述，定义更精确的图像特征插值小波EMD距离；S3、采用插值小波EMD距离作为图像区域相似性的测度，建立图像分割变分模型；S4、确定对图像分割结果的约束条件，并将图像分割变分模型与分割结果的约束条件表示为非线性规则；S5、构造图像分割同伦优化模型，使得迭代求解造成的图像特征误差得到补偿，从而实现目标物图像的可控分割。2.根据权利要求1所述的方法，其特征在于，所述步骤S1进一步包括：在Beltrami模型框架下建立基于稀疏信号的图像特征描述子，将插值小波作为稀疏基。3.根据权利要求1所述的方法，其特征在于，所述图像分割变分模型利用非负矩阵分解对图像进行分割，并且采用与CV模型类似的能量函数。4.根据权利要求1所述的方法，其特征在于，所述非线性规则为：minf(x),s.t.h(x)＝0,g(x)≤0其中，f(x)是目...

【专利技术属性】
技术研发人员：梅树立，齐建芳，李丽，王爱萍，张馨心，王庆，陈洪，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11