CN102521596A - 有限认知条件下农作物目标识别与分割的方法 - Google Patents
有限认知条件下农作物目标识别与分割的方法 Download PDFInfo
- Publication number
- CN102521596A CN102521596A CN2011104090677A CN201110409067A CN102521596A CN 102521596 A CN102521596 A CN 102521596A CN 2011104090677 A CN2011104090677 A CN 2011104090677A CN 201110409067 A CN201110409067 A CN 201110409067A CN 102521596 A CN102521596 A CN 102521596A
- Authority
- CN
- China
- Prior art keywords
- cell
- neighborhood
- seed cell
- elemental
- seed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种有限认知条件下农作物目标识别与分割的方法,该方法包括下述步骤:将农作物目标样本图像调入计算机内存中并计算AC函数;采用滤波器对AC函数进行平滑并将所获得的一系列波峰按照其幅值进行编排,选择其中最大的波峰进行霍夫变换后得到各目标的纹理结构;在待测图像中随机选取初始处理点或指定处理点作为种子细胞元素,利用细胞生长算法进行纹理生长;当细胞生长至边界后,生长过程停止;当细胞生长过程遍历整幅图像,完成目标的自动识别与分割。本发明能够仅仅根据有限的样本来完成目标的自动识别与图像分割,摈弃了以往的复杂算法和苛刻的前提需求条件,具有算法简便、易于实现、运行效率高、目标识别和分割结果理想等特点。
Description
技术领域
本发明属于图像信号处理技术领域,涉及一种在有限认知条件下农作物目标识别与分割方法。
背景技术
当前国际和国内大多数用于识别和分割的分析描述方法都是基于统计或结构性方法,需要大量的先验知识和样本来获得分类器,数据库庞大,计算方法复杂,效率低下。在农业自动化技术中,农作物识别是其中的重点研究部分,但其识别率和效率一直是制约着农业技术发展的科研难题。
发明内容
本发明要解决的技术问题是提供一种可以依靠有限的先验知识,根据有限的农作物样本来完成目标的自动识别与图像分割,算法简便、易于实现、运行效率高的有限认知条件下农作物目标识别与分割的方法。
为了解决上述技术问题,本发明的有限认知条件下农作物目标识别与分割的方法包括下述步骤:
一、将农作物目标OBJi(i=1,2,......K)的样本图像Ii(x,y)调入计算机内存中,并计算各目标OBJi样本图像的AC函数:
ACi(x,y)=F-1[F[Ii(x,y)]*F[Ii(x,y)]] (1)
其中1≤x≤L,1≤y≤W,L和W是目标样本图像的宽度和高度;
二、采用高斯滤波器对步骤一得到的AC函数进行平滑,并将所获得的一系列波峰按照其幅值进行编排,选择其中最大的波峰进行霍夫变换后得到各目标的纹理结构Rpi;
三、在待测图像中随机选取初始处理点或指定处理点作为种子细胞元素N0,利用细胞生长算法进行纹理生长;当细胞生长至边界后,生长过程停止;
四、当细胞生长过程遍历整幅图像,完成目标的自动识别与分割。
所述步骤三中,细胞生长包括下述步骤:
c、当某个邻域细胞元素Nj的纹理结构且Nj强壮度小于0.5时,或者当时,种子细胞生长,该邻域被种子细胞元素占领,此时将邻域上新的种子细胞元素记为N0,且其标号当且Nj强壮度大于0.5时,种子细胞停止生长;
d、比较此时的种子细胞元素N0与其邻域细胞元素Ni之间的强壮度和纹理结构;当某个邻域细胞元素Nj的纹理结构且Nj的强壮度小于0.5、N0的强壮度大于0.5时,或者当时,种子细胞生长,该邻域被种子细胞元素占领,此时将新的种子细胞元素记为N0,且其标号当且Nj强壮度大于0.5时,种子细胞停止生长;
e、重复步骤d,直至细胞生长过程遍历整幅图像。
有益效果:本发明采用纹理信息技术,结合种子生长的算法,能够仅仅依靠有限的先验知识,根据有限的样本来完成目标的自动识别与图像分割。本发明摈弃了以往的复杂算法和苛刻的前提需求条件,具有算法简便、易于实现、运行效率高、目标识别和分割结果理想等特点。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明。
图1为本发明的有限认知条件下农作物目标识别与分割的方法流程图。
图2为细胞纹理生长初始状态示意图。
图3为实施例1细胞纹理生长过程示意图。
图4为实施例2细胞纹理生长过程示意图。
具体实施方式
本发明采用VC++6.0编程,运行环境为PIII500以上,内存大于256MB,硬盘大于40GB的计算机。
本发明借助细胞生长的思想来完成目标识别和分割。本发明与现有技术的区别在于采用纹理结构作为种子细胞元素进行生长,称为纹理生长。
农作物根据少量的农作物样本(花、叶、茎、果实等),可以获得每个组成部分的纹理结构特性,然后随机或根据预先指定位置设定“种子”,获得粗略的目标部分的区域(种子=粗略目标区域),接下来我们采用细胞生长算法的原理去按照不同待测目标的纹理来进行生长。当纹理生长到边界时,生长过程会自动停止。依照这些步骤,这个方法可以利用很有限的经验和样本完成目标的识别和分害。
细胞生长是一种离散模型,应用在计算理论、数学、复杂科学、理论生物学和纤维结构中。它包括有规律的单元,每个单元对应多种状态中的一种,这种状态也可以是多维的。对于每个细胞来说,每个细胞周围有一些称为邻居的细胞,区别于指定细胞。每个细胞最初被指定一个状态,通过一些可调整的规则来根据当前的状态和邻域的状态来决定新的状态。
本发明细胞生长可以采用传统算法,也可以采用下述方法。
纹理生长是一个双向性的过程,包括三个参数A=(S,N,δ),这里S是一个非空的状态值,N是指邻域,δ:δN→S是转移函数,这个函数根据上一时刻给定的状态来定义下一次计算纹理元素状态的规则。
通常用的邻域***N分别是von Neumann和Moore邻域。
在这里,纹理元素状态SP事实上是三个参数的集合(lp,θp,Cp),lp表示当前细胞元素的标号,θp表示当前细胞元素的“强壮度”,即当前细胞元素纹理结构与目标样本纹理结构的相似度,Cp表示纹理结构,由图像决定。为了不失一般性,我们设θp∈[0,1]。例如,当前细胞元素纹理结构与目标样本纹理结构的相似度为70%,则其强壮度θp等于0.7。
一幅数字图像是一个包含k×m像素的二维数组。一个没有加标记的图像可以看作一种特殊的纹理生长状态,纹理生长空间P由图像定义为k×m,而且初始状态被设置为:
lp=0,θp=1,Cp=Rp
这里Rp是纹理结构。分割的最终的目的就是将每个像素标记为K个可能状态中的一种。
根据预先选定的起始点(种子细胞元素)进行分割,作为种子细胞元素的像素会相应的设置为相应的标记,同时其强壮度设为种子细胞元素的强壮度。由此确定了纹理生长的初始状态。
可以把标记的过程看作是K种不同病菌的生长和竞争。病菌从种子开始生长,想要占据整幅图像。病菌生长和竞争很明显,在每个周期内,每个细胞尝试攻击邻居,攻击强度由攻击细胞的强壮度θq和各自的特征向量决定。若攻击力大于防守强度,则防守方的标记和强度被改变。竞争的结果是最强的细胞占据了周围并且蔓延到整幅图像,从而整幅图像被分为K个区域,需要注意的是相同标记的区域可能并不连续。
当所有的图像区域都已经被不同的纹理标记过,则完成了图像分割和识别。
下面选择花、茎、叶作为农作物目标,以此为例详细说明本发明。
实施例1
如图2、3所示,本发明的有限认知条件下农作物目标识别与分割的方法步骤如下:
一、将农作物的花OBJ1、茎OBJ2、叶OBJ3的样本图像I1(x,y)、I2(x,y)、I3(x,y)逐帧调入计算机内存中,在这里L和W是图像的宽度和高度。利用纹理图像中的估计网格结构来构建统计模型;
对于一幅样本图像Ii(x,y),它的AC函数可以按如下公式进行估算:
ACi(x,y)=F-1[F[Ii(x,y)]*F[Ii(x,y)]]
在这里F和F-1表示傅里叶变换和反向傅里叶变换。采用快速傅里叶变换可以大幅提高函数计算的效率。
二、采用高斯滤波器对步骤一得到的AC函数进行平滑,所获得的一系列波峰按照其幅值进行编排,选择其中最大的波峰进行霍夫变换后得到花OBJ1、茎OBJ2、叶OBJ3的纹理结构Rp1、Rp2、Rp3。
三、设细胞元素的标号为lp,细胞元素的强壮度为θp,细胞元素的纹理结构为Cp;在待测图像中随机选取初始处理点或指定处理点作为种子细胞元素N0,N0的纹理结构与花的纹理结构Rp1相似,将种子细胞元素N0的初始状态设置为即初始状态时认为种子细胞元素为花;将邻域细胞元素设为N1、N2、N3、N4,四个邻域细胞元素的状态分别为
四、各邻域细胞元素N1、N2、N3、N4的纹理结构令种子细胞元素N0的纹理结构种子细胞生长,各邻域被种子细胞元素占领;此时将四个邻域N1、N2、N3、N4上新的种子细胞元素记为N0,且四个新的种子细胞元素的标号lp分别为1、2、3、4,邻域分别为N12、N5、N6,N6、N7、N8,N8、N9、N10,N10、N11、N12;
五、比较此时的种子细胞元素N0与其邻域细胞元素Ni之间的强壮度和纹理结构;当某个邻域细胞元素Nj的纹理结构且Nj的强壮度小于0.5、N0的强壮度大于0.5时,或者当时,种子细胞生长,该邻域被种子细胞元素占领,此时将新的种子细胞元素记为N0,且其标号当且Nj强壮度大于0.5时,种子细胞停止生长;
六、重复步骤五,直至细胞生长过程遍历整幅图像,完成目标的自动识别与分割。
实施例2
如图2、4所示,本发明的有限认知条件下农作物目标识别与分割的方法步骤如下:
一、将农作物的花OBJ1、茎OBJ2、叶OBJ3的样本图像I1(x,y)、I2(x,y)、I3(x,y)逐帧调入计算机内存中,在这里L和W是图像的宽度和高度。利用纹理图像中的估计网格结构来构建统计模型;
对于一幅样本图像Ii(x,y),它的AC函数可以按如下公式进行估算:
ACi(x,y)=F-1[F[Ii(x,y)]*F[Ii(x,y)]]
在这里F和F-1表示傅里叶变换和反向傅里叶变换。采用快速傅里叶变换可以大幅提高函数计算的效率。
二、采用高斯滤波器对步骤一得到的AC函数进行平滑,所获得的一系列波峰按照其幅值进行编排,选择其中最大的波峰进行霍夫变换后得到花OBJ1、茎OBJ2、叶OBJ3的纹理结构Rp1、Rp2、Rp3。
三、设细胞元素的标号为lp,细胞元素的强壮度为θp,细胞元素的纹理结构为Cp;在待测图像中随机选取初始处理点或指定处理点作为种子细胞元素N0,N0的纹理结构与花的纹理结构Rp1相似,将种子细胞元素N0的初始状态设置为即初始状态时认为种子细胞元素为花;将邻域细胞元素设为N1、N2、N3、N4,四个邻域细胞元素的状态为
四、邻域细胞元素N1、N2的纹理结构邻域细胞元素N3、N4的纹理结构分别被认为是茎和叶,N3的强壮度小于0.5,N4的强壮度大于0.5;种子细胞生长,邻域N1、N2、N3被种子细胞元素占领,此时将邻域N1、N2、N3处新的种子细胞元素记为N0,且标号lp分别为1、2、3,邻域分别为N11、N5、N6,N6、N7、N8,N8、N9、N10;而邻域N4与初始状态的种子细胞元素之间的界限被认为是边界;
五、比较此时的种子细胞元素N0与其邻域细胞元素Ni之间的强壮度和纹理结构;当某个邻域细胞元素Nj的纹理结构且Nj的强壮度小于0.5、N0的强壮度大于0.5时,或者当时,种子细胞生长,该邻域被种子细胞元素占领,此时将新的种子细胞元素记为N0,且其标号当且Nj强壮度大于0.5时,种子细胞停止生长;
六、重复步骤五,直至细胞生长过程遍历整幅图像,完成目标的自动识别与分割。
Claims (2)
1.一种有限认知条件下农作物目标识别与分割的方法,其特征在于包括下述步骤:
一、将农作物目标OBJi(i=1,2,......K)的样本图像Ii(x,y)调入计算机内存中,并计算各目标OBJi样本图像的AC函数:
ACi(x,y)=F-1[F[Ii(x,y)]*F[Ii(x,y)]] (1)
其中1≤x≤L,1≤y≤W,L和W是目标样本图像的宽度和高度;
二、采用高斯滤波器对步骤一得到的AC函数进行平滑,并将所获得的一系列波峰按照其幅值进行编排,选择其中最大的波峰进行霍夫变换后得到各目标的纹理结构Rpi;
三、在待测图像中随机选取初始处理点或指定处理点作为种子细胞元素N0,利用细胞生长算法进行纹理生长;当细胞生长至边界后,生长过程停止;
四、当细胞生长过程遍历整幅图像,完成目标的自动识别与分割。
2.根据权利要求1所述的有限认知条件下农作物目标识别与分割的方法,其特征在于所述步骤三中,细胞生长包括下述步骤:
c、当某个邻域细胞元素Nj的纹理结构且Nj强壮度小于0.5时,或者当时,种子细胞生长,该邻域被种子细胞元素占领,此时将邻域上新的种子细胞元素记为N0,且其标号且Nj强壮度大于0.5时,种子细胞停止生长;
d、比较此时的种子细胞元素N0与其邻域细胞元素Ni之间的强壮度和纹理结构;当某个邻域细胞元素Nj的纹理结构且Nj的强壮度小于0.5、N0的强壮度大于0.5时,或者当时,种子细胞生长,该邻域被种子细胞元素占领,此时将新的种子细胞元素记为N0,且其标号当且Nj强壮度大于0.5时,种子细胞停止生长;
e、重复步骤d,直至细胞生长过程遍历整幅图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104090677A CN102521596A (zh) | 2011-12-09 | 2011-12-09 | 有限认知条件下农作物目标识别与分割的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104090677A CN102521596A (zh) | 2011-12-09 | 2011-12-09 | 有限认知条件下农作物目标识别与分割的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102521596A true CN102521596A (zh) | 2012-06-27 |
Family
ID=46292507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011104090677A Pending CN102521596A (zh) | 2011-12-09 | 2011-12-09 | 有限认知条件下农作物目标识别与分割的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102521596A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046229A (zh) * | 2015-07-27 | 2015-11-11 | 浙江理工大学 | 一种农作物行的识别方法及装置 |
CN109859212A (zh) * | 2019-01-16 | 2019-06-07 | 中国计量大学 | 一种无人机航拍图像大豆作物行分割方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013021A (zh) * | 2010-08-19 | 2011-04-13 | 汪建 | 基于颜色和区域生长的茶叶嫩芽分割和识别方法 |
-
2011
- 2011-12-09 CN CN2011104090677A patent/CN102521596A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013021A (zh) * | 2010-08-19 | 2011-04-13 | 汪建 | 基于颜色和区域生长的茶叶嫩芽分割和识别方法 |
Non-Patent Citations (1)
Title |
---|
姚志军; 韩秋蕾: "一种新的基于少量样本的目标识别与分割方法", 《仪器仪表学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046229A (zh) * | 2015-07-27 | 2015-11-11 | 浙江理工大学 | 一种农作物行的识别方法及装置 |
CN105046229B (zh) * | 2015-07-27 | 2018-11-02 | 浙江理工大学 | 一种农作物行的识别方法及装置 |
CN109859212A (zh) * | 2019-01-16 | 2019-06-07 | 中国计量大学 | 一种无人机航拍图像大豆作物行分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bao et al. | Field-based architectural traits characterisation of maize plant using time-of-flight 3D imaging | |
Sun et al. | Recognition of green apples in an orchard environment by combining the GrabCut model and Ncut algorithm | |
CN108198244A (zh) | 一种苹果叶片点云精简方法及装置 | |
Chu et al. | Method of image segmentation based on fuzzy C-means clustering algorithm and artificial fish swarm algorithm | |
CN111723764A (zh) | 改进Faster RCNN水培蔬菜幼苗状态检测方法 | |
CN109871949A (zh) | 卷积神经网络加速器及加速方法 | |
Li et al. | Pitaya detection in orchards using the MobileNet-YOLO model | |
CN107516311A (zh) | 一种基于gpu嵌入式平台的玉米破损率检测方法 | |
CN110610506A (zh) | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 | |
CN107844771A (zh) | 农作物生产管理的方法、***、计算机装置及存储介质 | |
CN106157266A (zh) | 一种果园果实图像获取方法 | |
CN103729621B (zh) | 基于叶片骨架模型的植物叶片图像自动识别方法 | |
Xu et al. | Bayberry image segmentation based on manifold ranking salient object detection method | |
CN112329506A (zh) | 枸杞采摘机器人的果实识别方法及***、定位方法及*** | |
CN109242854A (zh) | 一种基于flic超像素分割的图像显著性检测方法 | |
CN102867290A (zh) | 一种基于纹理优化的非同质图像合成方法 | |
CN102521596A (zh) | 有限认知条件下农作物目标识别与分割的方法 | |
CN107610136A (zh) | 基于凸包结构中心查询点排序的显著目标检测方法 | |
CN113205006B (zh) | 一种基于水稻指数的多时相遥感影像水稻提取方法 | |
CN116863403B (zh) | 一种农作物大数据环境监测方法、装置及电子设备 | |
CN113111830A (zh) | 一种葡萄藤冬剪点检测算法 | |
Kong et al. | Detection model based on improved faster-RCNN in apple orchard environment | |
CN110853058A (zh) | 基于视觉显著性检测的高分辨率遥感影像道路提取方法 | |
CN114581470B (zh) | 一种基于植物群落行为的图像边缘检测方法 | |
CN104021563B (zh) | 基于多目标模糊聚类和反对学习的噪声图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120627 |