CN104573689A - 基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法 - Google Patents
基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法 Download PDFInfo
- Publication number
- CN104573689A CN104573689A CN201310474353.0A CN201310474353A CN104573689A CN 104573689 A CN104573689 A CN 104573689A CN 201310474353 A CN201310474353 A CN 201310474353A CN 104573689 A CN104573689 A CN 104573689A
- Authority
- CN
- China
- Prior art keywords
- area
- interest
- image
- value
- threshold value
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法,能够自动提取毛豆的感兴趣区域。本发明的技术方案为:a、初置阈值估计值把透射性最强波段下的图像分割成背景和毛豆两部分,计算两部分的灰度平均值,并以此求新的阈值,直到当前计算出的阈值与上一次阈值相等为止。b、为增强对比度,则找出背景坐标,并把背景灰度值赋值为255,毛豆灰度值保持不变。c、再次利用阈值分割把图像二值化,分割出豆荚和豆粒。d、把豆粒即感兴趣区域的坐标映射到其它波段,得到全波段下的感兴趣区域。本发明通过自动提取毛豆的感兴趣区域,并结合分类预估模型及高光谱图像采集***获得毛豆豆荚螟的检测结果,实时性好,省时省力,可靠性高。
Description
技术领域
本发明涉及一种毛豆豆荚螟高光谱图像感兴趣区域提取方法,尤其是一种利用自动方法提取感兴趣区域进行毛豆豆荚螟高光谱图像无损检测方法。
背景技术
毛豆,因其味道鲜美以及营养丰富而广受世界各地人民的喜爱,随着生活水平的提高,毛豆的安全成为了消费者和生产厂家颇为关心的指标。豆荚螟是豆类的主要害虫之一,幼时就寄生在大豆内部以啃食豆粒为生,而啃食过的毛豆失去了使用价值,因此世界各国对进口的豆类农产品中的豆荚螟数目都提出了严格的要求。目前毛豆的豆荚螟检测中基本上采用人工进行破坏性观察检测。尽管越来越多的学者将无损检测技术应用到农业害虫领域,包括声音法、微波雷达法、X-射线法、机器视觉技术、近红外光谱分析技术;但是声音法和微波雷达方法需要检测的害虫能够运动;机器视觉技术是基于可见光光源,只能检测农作物表面的害虫;近红外光谱分析技术只能提供一个小区域的检测。这些检测技术很难实现豆荚螟的准确检测。
对毛豆豆荚螟的检测中,含虫部位是豆荚螟检测的关键位置,而豆荚螟以啃食豆粒为生所以提取豆粒为感兴趣区域来研究化学成分和组织结构的变化即可。以往的对毛豆的感兴趣区域提取采用人工依赖软件手动提取方式,存在对人员依赖性强、感兴趣区域提取不完整、耗时耗力、难于实时在线应用的缺点。因此,寻找一种快速、自动提取毛豆感兴趣区域的方法显得尤为重要。
发明内容
本发明的目的是克服以上技术的缺点,提供一种基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法,其能够实现感兴趣区域的自动提取,对豆荚螟进行无损检测,实时性好,省时省力,快速有效,且可靠性高。
本发明提供的技术方案,所述的基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法,具体的步骤包括:a、选取初始阈值估计值,一般为图像的最小灰度值和最大灰度值的中间值;b、使用阈值分割图像,把图像分割成背景和目标区域两部分;c、计算背景和目标区域各自范围内的灰度平均值,并以此平均值求出新的阈值;d、重复步骤b和c,直到当前计算出的阈值与上一次的阈值相等为止。
所述的基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法,基于迭代阈值自动提取感兴趣区域步骤包括:
对待提取感兴趣区域的高光谱图像进行中值滤波,为了增强图像背景和目标区域的差异性,对图像进行对比度增强。为了更好地提取出感兴趣区域,首先选择一个透射最强波段(在750nm处)。根据迭代法自动选择最佳阈值,得到二值图像。
迭代法自动求取阈值的步骤包括:
选择一个近似阈值作为估计阈值的新初始值
TH0={THk|k=0},TH0=(Zmin+Zmax)/2
其中,Zmin,Zmax分别为图像灰度的最小和最大值。
利用阈值THk把图像分割成两部分,G1和G2,其中
G1={f(i,j)|f(i,j)≥THk},G2={f(i,j)|0<f(i,j)<THk}
计算区域G1、G2各自范围内的灰度平均值μG1和μG2,其中
其中,f(i,j)是图像上点(i,j)的灰度值,范围为0-255,Sij为0-255像素点个数。
选择新的阈值THk+1
如果THk=THk+1,则结束,否则k=k+1,转计算区域G1、G2各自范围内的灰度平均值μG1和μG2
基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法中,由上述方法得到的二值图像中,再次调整对比度,为使豆荚轮廓更平滑进行腐蚀膨胀及开闭操作,去掉细小狭缝。为了更好地进行区域分割,提取出目标区域,选择出黑色面积最大的区域作为背景,找出背景坐标(二值矩阵中值为1),把这些坐标上的灰度值赋值为255,而大豆的位置灰度值保持不变。此时提取出了整个毛豆,为了把豆荚和豆粒分离开,再次利用自动阈值分割把图像进行二值化,就得到了目标区域即感兴趣区域。
上述的基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法中,分割出感兴趣区域以后,找出这些感兴趣区域的坐标,映射到其它波段上,这样,就得到了一幅全波段下图像的感兴趣区域。
基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法过程中,对毛豆豆荚螟高光谱图像检测包括:(a)、选取毛豆样本并对其进行编号和标记;(b)、将毛豆样本放置在高光谱图像***中,采集相应的高光谱图像;(c)、使用自动阈值方法提取毛豆的感兴趣区域,并针对感兴趣区域计算图像特征参数;(d)、采用手剥破坏方法得到毛豆的安全品质结果;(e)、结合支持向量机数据描述算法建立毛豆豆荚螟检测预估模型;(f)、将待测毛豆的高光谱图像利用c得到的特征参数输入到e模型中,结果输出待测毛豆样本的安全品质结果。
附图说明
图1为本发明提供的基于迭代阈值自动提取感兴趣区域的流程图;
图2A-2B为本发明提供的在750nm波段下基于迭代阈值自动提取感兴趣区域的结果图;
图3为本发明提供的对毛豆豆荚螟高光谱图像检测的流程示意图。
具体实施方式
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
下面结合具体附图和优选实施例对本发明做进一步说明。
图1为本发明提供的基于迭代阈值自动提取感兴趣区域的流程图,如图1所示,其中,基于迭代法求取阈值具体步骤包括:a、选取初始阈值估计值,一般为图像的最小灰度值和最大灰度值的中间值;b、使用阈值分割图像,把图像分割成背景和目标区域两部分;c、计算背景和目标区域各自范围内的灰度平均值,并以此平均值求出新的阈值;d、重复步骤b和c,直到当前计算出的阈值与上一次的阈值相等为止。
基于迭代阈值自动提取感兴趣区域的方法,具体描述,包括:
对待提取感兴趣区域的高光谱图像进行中值滤波,为了增强图像背景和目标区域的差异性,对图像进行对比度增强。为了更好地提取出感兴趣区域,首先选择一个透射最强波段(在750nm处)。根据迭代法自动选择最佳阈值,得到二值图像。
迭代法自动求取阈值的具体步骤包括:
选择一个近似阈值作为估计阈值的新初始值
TH0={THk|k=0},TH0=(Zmin+Zmax)/2
其中,Zmin,Zmax分别为图像灰度的最小和最大值。
利用阈值THk把图像分割成两部分,G1和G2,其中
G1={f(x,y)|f(x,y)≥THk},G2={f(x,y)|0<f(x,y)<THk}
计算区域G1、G2各自范围内的灰度平均值μG1和μG2,其中
其中,f(i,j)是图像上点(i,j)的灰度值,范围为0-255,Sij为0-255像素点个数。
选择新的阈值THk+1
如果THk=THk+1,则结束,否则k=k+1,转计算区域G1、G2各自范围内的灰度平均值μG1和μG2。
基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法中,由上述方法得到的二值图像中,再次调整对比度,为使豆荚轮廓更平滑进行腐蚀膨胀及开闭操作,去掉细小狭缝。为了更好地进行区域分割,提取出目标区域,选择出黑色面积最大的区域作为背景,找出背景坐标(二值矩阵中值为1),把这些坐标上的灰度值赋值为255,而大豆的位置灰度值保持不变。此时提取出了整个毛豆,为了把豆荚和豆粒分离开,再次利用自动阈值分割把图像进行二值化,就得到了目标区域即感兴趣区域。
上述的基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法中,分割出感兴趣区域以后,找出这些感兴趣区域的坐标,映射到其它波段上,这样,就得到了一幅全波段下图像的感兴趣区域。
图2A-2B为基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法,对750nm波段下基于迭代阈值自动提取感兴趣区域的结果。其中,图2A为豆粒和背景灰度值差别较大的情况,图2B为豆粒和背景灰度值相对差别较小的情况。首先输入750nm波段下的高光谱图像2A(a)和2B(a),然后根据迭代求取的最佳阈值分割图像结果为2A(b)和2B(b)。找出最大黑色面积区域设为背景,其它区域全设置为毛豆如图2A(c)和2B(c)。为了增强对比度,找出背景坐标,并设置其灰度值为255,毛豆灰度值不变,如图2A(d)和2B(d)。最后再次对图像进行阈值分割,就得到了豆粒区域,即感兴趣区域,如图2A(e)和2B(e)。从图中可以看到,感兴趣区域能够和背景、豆荚很好地分割开,且感兴趣区域提取很完整,利用本发明的方法,实现了毛豆高光谱图像中感兴趣区域的快速、准确、自动的提取。
图3为基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法,对毛豆豆荚螟高光谱图像检测的流程示意图。包括:选取毛豆样本并对其进行编号和标记;将毛豆样本放置在高光谱图像***中,采集相应的高光谱图像;使用自动阈值方法提取毛豆的感兴趣区域,并针对感兴趣区域计算图像特征参数;采用手剥破坏方法得到毛豆的安全品质结果;结合支持向量机数据描述算法建立毛豆豆荚螟检测预估模型;将待测毛豆的高光谱图像利用得到的熵特征参数输入到检测预估模型中,结果输出待测毛豆样本的安全品质结果。
本发明利用迭代阈值能够自动提取毛豆的感兴趣区域,结合高光谱图像采集***和支持向量机数据描述算法建立豆荚螟检测模型,在无损的情况下克服手动提取感兴趣区域对人工依赖性强、感兴趣区域提取不完整、费时费力、难以实现实时性的缺点,能够自动、快速、完整的提取出感兴趣区域,且操作简单,实时性好,可靠性高。
Claims (4)
1.基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法,其特征是,基于迭代法求取阈值具体步骤包括:
a、选取初始阈值估计值,一般为图像的最小灰度值和最大灰度值的中间值;
b、使用阈值分割图像,把图像分割成背景和目标区域两部分;
c、计算背景和目标区域各自范围内的灰度平均值,并以此平均值求出新的阈值;
d、重复步骤b和c,直到当前计算出的阈值与上一次的阈值相等为止。
2.权利要求1所述的基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法,其特征是,基于迭代阈值自动提取感兴趣区域,包括:
对待提取感兴趣区域的高光谱图像进行中值滤波,为了增强图像背景和目标区域的差异性,对图像进行对比度增强。为了更好地提取出感兴趣区域,首先选择一个透射最强波段(在750nm处)。根据迭代法自动选择最佳阈值,得到二值图像。
3.根据权利要求书2所述的基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法,其特征在于,迭代法自动求取阈值的步骤包括:
(3a)、选择一个近似阈值作为估计阈值的新初始值
TH0={THk|k=0},TH0=(Zmin+Zmax)/2
其中,Zmin,Zmax分别为图像灰度的最小和最大值。
(3b)、利用阈值THk把图像分割成两部分,G1和G2,其中
G1={f(i,j)if(i,j)≥THk}
G2={f(i,j)|0<f(i,j)<THk}
(3c)、计算区域G1、G2各自范围内的灰度平均值μG1和μG2其中
其中,f(i,j)是图像上点(i,j)的灰度值,范围为0-255,Sij为0-255像素点个数。
(3d)、选择新的阈值THk+1,
如果THk=THk+1,则结束,否则k=k+1,转步骤(3b)。
4.根据权利要求书3所述的基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法,其特征在于,由上述方法得到的二值图像中,再次调整对比度,为使豆荚轮廓更平滑进行腐蚀膨胀及开闭操作,去掉细小狭缝。为了更好地进行区域分割,提取出目标区域,选择出黑色面积最大的区域作为背景,找出背景坐标(二值矩阵中值为1),把这些坐标上的灰度值赋值为255,而大豆的位置灰度值保持不变。此时提取出了整个毛豆,为了把豆荚和豆粒分离开,再次利用自动阈值分割把图像进行二值化,就得到了目标区域即感兴趣区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310474353.0A CN104573689A (zh) | 2013-10-11 | 2013-10-11 | 基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310474353.0A CN104573689A (zh) | 2013-10-11 | 2013-10-11 | 基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104573689A true CN104573689A (zh) | 2015-04-29 |
Family
ID=53089711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310474353.0A Pending CN104573689A (zh) | 2013-10-11 | 2013-10-11 | 基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104573689A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527354A (zh) * | 2017-07-06 | 2017-12-29 | 长安大学 | 一种基于合成图的区域生长方法 |
CN109409378A (zh) * | 2018-10-17 | 2019-03-01 | 北京信息科技大学 | 一种纳西东巴经书的数字化处理方法 |
JP2021128123A (ja) * | 2020-02-17 | 2021-09-02 | 東芝ライテック株式会社 | 莢果の検査装置、および莢果の検査方法 |
CN116768346A (zh) * | 2023-08-23 | 2023-09-19 | 四川省每文环保科技有限公司 | 一种基于泵抽絮凝过滤的污水处理过程控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770645A (zh) * | 2010-02-10 | 2010-07-07 | 中国农业大学 | 高分辨率棉花异性纤维彩色图像的快速分割方法与*** |
US20130121546A1 (en) * | 2010-05-31 | 2013-05-16 | Dvp Technologies Ltd. | Inspection of region of interest |
-
2013
- 2013-10-11 CN CN201310474353.0A patent/CN104573689A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770645A (zh) * | 2010-02-10 | 2010-07-07 | 中国农业大学 | 高分辨率棉花异性纤维彩色图像的快速分割方法与*** |
US20130121546A1 (en) * | 2010-05-31 | 2013-05-16 | Dvp Technologies Ltd. | Inspection of region of interest |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527354A (zh) * | 2017-07-06 | 2017-12-29 | 长安大学 | 一种基于合成图的区域生长方法 |
CN107527354B (zh) * | 2017-07-06 | 2019-10-22 | 长安大学 | 一种基于合成图的区域生长方法 |
CN109409378A (zh) * | 2018-10-17 | 2019-03-01 | 北京信息科技大学 | 一种纳西东巴经书的数字化处理方法 |
JP2021128123A (ja) * | 2020-02-17 | 2021-09-02 | 東芝ライテック株式会社 | 莢果の検査装置、および莢果の検査方法 |
JP7354869B2 (ja) | 2020-02-17 | 2023-10-03 | 東芝ライテック株式会社 | 莢果の検査装置、および莢果の検査方法 |
CN116768346A (zh) * | 2023-08-23 | 2023-09-19 | 四川省每文环保科技有限公司 | 一种基于泵抽絮凝过滤的污水处理过程控制方法 |
CN116768346B (zh) * | 2023-08-23 | 2023-12-12 | 四川省每文环保科技有限公司 | 一种基于泵抽絮凝过滤的污水处理过程控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sarangdhar et al. | Machine learning regression technique for cotton leaf disease detection and controlling using IoT | |
Miri et al. | Retinal image analysis using curvelet transform and multistructure elements morphology by reconstruction | |
Saxena et al. | A survey of image processing techniques for agriculture | |
CN104484667B (zh) | 一种基于亮度特征和轮廓完整性的轮廓提取方法 | |
CN102842136B (zh) | 一种综合血管分布和视盘外观特性的视盘投影定位方法 | |
CN106022224B (zh) | 一种冬小麦识别方法 | |
Shirzadifar | Automatic weed detection system and smart herbicide sprayer robot for corn fields | |
CN109308697A (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
Esmaeili et al. | Automatic detection of exudates and optic disk in retinal images using curvelet transform | |
CN104573689A (zh) | 基于迭代阈值的毛豆高光谱图像感兴趣区域自动提取方法 | |
CN109859203A (zh) | 基于深度学习的缺陷牙齿图像识别方法 | |
Guzmán et al. | Infrared machine vision system for the automatic detection of olive fruit quality | |
CN112287871A (zh) | 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法 | |
CN108875747A (zh) | 一种基于机器视觉的小麦不完善粒识别方法 | |
CN103065149A (zh) | 网纹甜瓜果实表型提取与量化方法 | |
CN103974053B (zh) | 一种基于灰点提取的自动白平衡矫正方法 | |
CN102147920A (zh) | 高分辨率遥感影像中的阴影检测方法 | |
CN103528967B (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
CN111199195B (zh) | 一种基于遥感图像的池塘状态全自动监测方法和装置 | |
CN114399480A (zh) | 蔬菜叶片病害严重程度检测方法及装置 | |
CN105654496A (zh) | 基于视觉特性的仿生自适应模糊边缘检测方法 | |
CN107169946A (zh) | 基于非负稀疏矩阵与超球面彩色变换的图像融合方法 | |
CN101533475A (zh) | 一种基于形状自适应邻域的遥感图像特征提取方法 | |
CN115601670A (zh) | 基于人工智能和高分辨率遥感影像的松材线虫病监测方法 | |
CN106780514A (zh) | 基于监控视频影像的暴雨积涝区积水深度的计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150429 |
|
RJ01 | Rejection of invention patent application after publication |