本发明专利技术提供了一种抗光照变化的作物彩色图像分割方法，包括两个阶段：训练阶段，通过获取不同光照条件下的作物历史图像，统计图像中作物像素的HSI颜色特征变化规律，生成作物的H-I颜色对照表；分割阶段，包括：(1)参照H-I颜色对照表计算并判断图像中的每个像素是否为作物候选区域的候选像素；(2)以待分割图像的色度信息作为特征向量进行聚类；(3)分别计算各聚类区域与作物候选区域的重合百分率，按照比例越大则对应聚类区域为作物区域组成部分的可能性越大的原则确定作物区域。本发明专利技术利用作物颜色特征中色度与亮度的统计规律来有效克服光照的影响，同时通过聚类算法区分实际图像中的复杂背景区域，最终准确地对作物区域进行自动提取。
【技术实现步骤摘要】
本专利技术属于数字图像处理方法，具体涉及，用于将作物从不同光照条件下的复杂背景中准确地提取出来。
技术介绍
随着计算机软硬件、数字图像处理、模式识别与机器学习等理论与技术的迅速发展，计算机视觉技术已经越来越多地应用到农业生产的各个领域，包括作物的生长状态监测、田间杂草自动识别、作物病虫害观测和农业机器人等。为了利用计算机对作物进行自动观测，首先必须对作物进行自动提取，这是通过图像分割来完成的。到目前为止，已有许多关于作物图像分割的方法和策略被提出。1995 年 D. M. ffoebbecke, G. E. Meyer, K. Von Bargen, D. A. Mortensen. Color Indices for weed identification under various soil, residue, and lighting conditions. Transactions of the ASAE，1995，38 (1) :259 269 介绍了利用颜色算子(r_g，g-b, (g-b) / I r-g I，2g-r-b)和改进的色度方法对作物图像进行分割。1998年G. E. Meyer, Τ. W. Hindman, K. Lakshmi. Machine Vision Detection Parameters for Plant Species Identification. SPIE, Bellingham, WA提出了另外一种颜色算子ExR来对作物图像进行 i害I]。同一Lei F Tian. Environmentally adaptive segmentation algorithm for outdoor image segmentation. Computers and electronics in agriculture,1998,21 153 168设计了一种适应环境的分割算法对作物图像进行分割，该方法为了最小化亮度变化差异，将训练样本的RGB图像转换到rgb颜色空间，并通过大量的人工交互的方式对样本进行学习，最终建立贝叶斯分类器对作物图像进行分割。为了满足实时处理的需要， 它还将所有的颜色组合采用查找表(LUT)的方式进行寻址，因此该方法需要占用大量的内存。2001年纪寿文，王荣本，陈佳娟，赵学笃.应用计算机图像处理技术识别玉米苗期田间杂草的研究.农业工程学报，2001 (17):巧4_156通过分析土壤与植物的绿色分量的差异， 提出根据G分量的灰度直方图采用双峰法寻找最佳阈值对图像进行分割。2003年Kataoka， Τ. et al. , Crop growth estimation system using machine vision. In :The 2003 IEEE/ ASME Internat. Conf. on Advanced Intelligent Mechatronics 出了一禾中彦页fe 算子CIVE来对作物进行分割。2008年彭辉，任继平，吴兰兰，陆尚平.基于改进的K-均值聚类算法的农作物图像分割.农机化研究，2008(6) :57 60首先将RGB彩色图像转换到 HSI色彩空间，运用均值-方差与粗糙集理论选取适当的初值聚类中心和聚类个数，再进行聚类计算，实现色彩分量的快速自动化分割。2009年饶洪辉，姬长英.基于分水岭算法的绿色作物与背景分割研究.安徽农业科学，2009，37 09) :14483-14484通过采用分水岭分割算法处理作物图像之后提取其绿色分量，再用数学形态学闭运算处理来完成绿色作物与背景的分割。以上的方法一般适用于背景简单、光照均勻且不剧烈的作物图像，而实际户外拍摄的作物图像存在种植地背景复杂、光照不均勻且光照会随时间、天气等因素剧烈变化等特点，因此以上所述方法对于实际户外图像具有局限性，它们在对实际拍摄图像进行处理的时候往往会出现较严重的错分情况。
技术实现思路
为了克服现有方法中所存在的问题，本专利技术提供，将作物从户外不同光照条件下的复杂背景图像中准确的提取出来。，包括以下步骤(I)H-I颜色对照表生成步骤对作物的训练样本图像进行分析统计得到作物的 H-I颜色对照表，H-I颜色对照表包含的信息有亮度I及其对应色度H的均值μ和方差σ2 ；(2)作物图像粗分割步骤将待分割作物图像从RGB颜色空间转换到HSI颜色空间，对于转换后图像中的每一像素点，在H-I颜色对照表中查找该像素点的亮度I对应的均值P和方差σ2，并计算该像素点的H值与查到的均值μ间的差值，若差值小于等于k* σ， 则记该像素点为候选像素点，所有候选像素点构成作物的候选区域，k取值范围为1. 6 2， ο为标准差；(3)作物图像聚类步骤以待分割彩色作物图像的RGB颜色空间中的色度信息作为特征向量进行聚类得到多个聚类区域；(4)作物区域确定步骤分别计算各聚类区域与所述候选区域的重叠部分，按照重叠部分占其对应聚类区域的比例越大，则该聚类区域为作物区域的组成部分可能性越大的原则确定作物区域。进一步地，所述步骤(3)首先将待分割作物图像从RGB颜色空间转换到色度与亮度信息相独立的颜色空间，再以转换后的颜色空间下的色度信息作为特征向量进行聚类。进一步地，所述聚类方法为K均值或谱聚类或层次聚类。进一步地，所述聚类中的类别数为4 7。进一步地，所述步骤(4)具体为若重叠部分占其对应聚类区域的比例大于重合率阈值，则判定该聚类区域为作物区域的组成部分，重合率阈值的取值范围为0. 5 0. 75。本专利技术的技术效果体现在本专利技术主要利用了作物颜色特征中色度与亮度的统计规律，能有效地克服不同光照的影响，同时也通过聚类算法来区分实际图像中的复杂背景区域，最终能够准确地对作物区域进行自动提取。该方法对于作物生长信息自动化观测、田间杂草自动识别、作物病虫害观测以及农业机器人等领域都具有非常重要的意义。附图说明图1为本专利技术的整体流程图。图2为训练阶段的流程图；图3为分割阶段的流程图；图4是选取的光照弱(阴天或无阳光照射下)时的作物历史图像；图5是对应图4生成的作物训练样本图像；图6是选取的光照强(晴天或阳光剧烈照射下)时的作物历史图像；图7是对应图6生成的作物训练样本图像；图8是选取的光照适中(多云或阳光弱)时的作物历史图像；图9是对应图8生成的作物训练样本图像；图10是玉米进行样本特征统计后生成的HI-LUT表中均值μ的分布图；图11是玉米进行样本特征统计后生成的HI-LUT表中方差ο 2的分布图；图12是待分割玉米图像；图13是对图12进行粗分割后的结果图；图14是对图12进行kmean聚类后的结果图(类别数为5)；图15是对图12进行最终决策后的结果具体实施例方式本专利技术提供一种抗光照变化的作物图像分割方法，目的在于克服现有方法中所存在的问题，将作物从户外不同光照条件下的复杂背景图像中准确的提取出来。下面结合附图来详细说明本专利技术的具体实施方式和实施步骤，本专利技术的方案分为训练阶段和分割阶段，如图1所示。1.训练阶段对不同光照条件下的某一作物(本实施例以作物玉米为例)的图像进行搜集，作为该作物的历史数据，再对历史图像中作物像素的HSI颜色特征变化规律进行统计，如附图2所示，本文档来自技高网...
【技术保护点】
１．一种抗光照变化的作物彩色图像分割方法，包括以下步骤：（１）Ｈ－Ｉ颜色对照表生成步骤：对作物的训练样本图像进行分析统计得到作物的Ｈ－Ｉ颜色对照表，Ｈ－Ｉ颜色对照表包含的信息有亮度Ｉ及其对应色度Ｈ的均值μ和方差σ２；（２）作物图像粗分割步骤：将待分割作物图像从ＲＧＢ颜色空间转换到ＨＳＩ颜色空间，对于转换后图像中的每一像素点，在Ｈ－Ｉ颜色对照表中查找该像素点的亮度Ｉ对应的均值μ和方差σ２，并计算该像素点的Ｈ值与查到的均值μ间的差值，若差值小于等于ｋ＊σ，则记该像素点为候选像素点，所有候选像素点构成作物的候选区域，ｋ取值范围为１．６～２，σ为标准差；（３）作物图像聚类步骤：以待分割彩色作物图像的ＲＧＢ颜色空间中的色度信息作为特征向量进行聚类得到多个聚类区域；（４）作物区域确定步骤：分别计算各聚类区域与所述候选区域的重叠部分，按照重叠部分占其对应聚类区域的比例越大，则该聚类区域为作物区域的组成部分可能性越大的原则确定作物区域。
【技术特征摘要】
【专利技术属性】
技术研发人员：曹治国，余正泓，白晓东，鄢睿丞，张雪芬，薛红喜，李翠娜，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：83
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。