CN109345539B - 基于图像抽象的自适应Mean-Shift立木图像分割方法 - Google Patents
基于图像抽象的自适应Mean-Shift立木图像分割方法 Download PDFInfo
- Publication number
- CN109345539B CN109345539B CN201811169347.3A CN201811169347A CN109345539B CN 109345539 B CN109345539 B CN 109345539B CN 201811169347 A CN201811169347 A CN 201811169347A CN 109345539 B CN109345539 B CN 109345539B
- Authority
- CN
- China
- Prior art keywords
- image
- standing tree
- segmentation
- adopting
- stumpage
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003709 image segmentation Methods 0.000 title claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000009499 grossing Methods 0.000 claims abstract description 15
- 230000002146 bilateral effect Effects 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 238000003780 insertion Methods 0.000 claims abstract description 7
- 230000037431 insertion Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004042 decolorization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000000481 breast Anatomy 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003706 image smoothing Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241001070941 Castanea Species 0.000 description 1
- 235000014036 Castanea Nutrition 0.000 description 1
- 244000241257 Cucumis melo Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- 235000011201 Ginkgo Nutrition 0.000 description 1
- 235000008100 Ginkgo biloba Nutrition 0.000 description 1
- 244000194101 Ginkgo biloba Species 0.000 description 1
- 235000011609 Pinus massoniana Nutrition 0.000 description 1
- 241000018650 Pinus massoniana Species 0.000 description 1
- 241000219000 Populus Species 0.000 description 1
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012966 insertion method Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229940109850 royal jelly Drugs 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30161—Wood; Lumber
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像抽象的自适应Mean‑Shift立木图像分割方法，包括如下步骤：步骤一,对采集的立木图像进行多角度图像抽象,采用双边滤波法进行平滑处理，采用图像金字塔方法作进一步平滑模糊；步骤二,将步骤一抽象的立木图像的位置特征采用步长探测法获得自适应空域带宽h s 、颜色特征采用***规则法获得值域带宽h r ，结合高斯核函数自适应Mean‑Shift聚类，得到立木聚类图像；采用FloodFill方法填充，并过滤噪声提取感兴趣区且进行数学形态学处理，得到立木分割图像。本发明的分割方法，能够减少立木图像背景信息和冠层间隙对聚类的影响，使立木图像聚类更为完整、平滑，大大提高了立木图像分割精度。
Description
技术领域
本发明涉及树木图像分割方法，尤其是一种基于图像抽象的自适应Mean-Shift立木图像分割方法。
背景技术
基于机器视觉的数字图像处理被广泛应用于农林业，如农产品无损检测[4]，果实分割[5]，植物病害[6]，林分蓄积估算[7]，测树因子提取[8]等。图像分割是图像分析识别的关键，而立木图像分割结果可为立木可视化重建、深度信息提取、立木胸径树高测量等[9-10]提供易于理解和分析的图像信息。
现有技术中，立木图像分割有多种方法。如姜士辉等[11]人仅利用彩色立木图像的颜色特征进行立木分割，没有考虑到自然环境下采集的立木图像背景中存在与立木颜色相近的特征点；葛玉峰等[12]人根据立木图像相对色彩因子人为选择阈值进行分割，采集的图像背景简单且缺乏普适性。单一的从立木图像灰度出发制约了图像分割方法的准确性。赵茂程等[13]人提出用颜色与分形维数相结合的立木分割方法，该文将图像颜色、强度和边界信息等特征组合进行区域生长得到分割图像，但未考虑立木冠层本身存在空洞现象所造成的分割影响。蔡世捷等[14]人将RGB和HSV色彩空间和立木图像纹理特征结合，通过计算过绿特征灰度图像的局部分形盒维数，生成分形灰度图像，再利用阈值法实现立木图像分割，但此方法过分依赖立木的过绿特征。黄健等[15]人通过训练树干部分的纹理特征得到理想的训练样本，从而达到分割树干的目的，但该法仅考虑纹理信息进行树干分割，易造成误判，且不能应用于其他树种，缺乏适应性。
【参考文献】
[1]王晏,孙怡.自适应Mean Shift算法的彩色图像平滑与分割算法[J].自动化学报,2010,36(12):1637-1644.
[2]周家香,朱建军,赵群河.集成改进Mean Shift和区域合并两种算法的图像分割[J].测绘科学,2012,37(6):98-100.
[3]Comaniciu,Dorin,Meer,Peter.Mean shift:A robust approach towardfeature space analysis[J].IEEE Trans.Pattern Analysis and MachineIntelligence,2002,24(5):603-619.
[4]周水琴,应义斌,商德胜.基于形态学的香梨褐变核磁共振成像无损检测[J].浙江大学学报(工学版),2012,46(12):2141-2145.
[5]王玉德,张学志.复杂背景下甜瓜果实分割算法[J].农业工程学报,2014,30(2):176-181.
[6]周强强,王志成,赵卫东,等.基于水平集和视觉显著性的植物病害叶片图像分割[J].同济大学学报(自然科学版),2015,43(9):1406-1413.
[7]谢士琴,赵天忠,王威,等.结合影像纹理、光谱与地形特征的森林结构参数反演[J].农业机械学报,2017,48(4):125-134.
[8]张凝,张晓丽,叶栗.基于改进爬峰法高分辨率遥感影像分割的树冠提取[J].农业机械学报,2014,45(12):294-300.
[9]吴鑫,王桂英,丛杨.基于颜色和深度信息融合的目标识别方法[J].农业工程学报,2013,29(1):96-100.
[10]王建利,李婷,王典,等.基于光学三角形法与图像处理的立木胸径测量方法[J].农业机械学报,2013,44(7):241-245.
[11]姜士辉.基于Android***的立木图像分割方法研究[D].东北林业大学,2015.
[12]葛玉峰,周宏平,郑加强,等.基于相对色彩因子的树木图像分割算法[J].南京林业大学学报(自然科学版),2004,28(4):19-22.
[13]赵茂程,郑加强,林小静,等.基于分形理论的树木图像分割方法[J].农业机械学报,2004,35(2):72-75.
[14]蔡世捷.基于Matlab的树木图像分割方法研究[D].南京林业大学,2005.
[15]黄健,黄习培,李金铭.基于BP神经网络和纹理特征的马尾松图像分割方法[J].福建农林大学学报(自然版),2009,38(6):649-652.
发明内容
本发明的目的是提供一种基于图像抽象的自适应Mean-Shift立木图像分割方法，能够减少立木图像背景信息和冠层间隙对聚类的影响，使立木图像聚类更为完整、平滑，大大提高了立木图像分割精度。
为实现上述目的，本发明采用如下技术方案：
一种基于图像抽象的自适应Mean-Shift立木图像分割方法，其特征在于包括如下步骤：
步骤一：对自然环境下采集的立木图像进行多角度图像抽象
A：采用双边滤波法对从自然环境下采集的立木图像进行平滑处理，以减少背景噪声影响；
B：采用图像金字塔方法对经步骤A平滑处理的立木图像作进一步平滑模糊
Ba：进行图像下采样，即对立木图像利用高斯内核卷积进行高斯平滑处理，删除所有偶数行和偶数列；
Bb：首先在下采样图像的偶数行和列以0填充，再使用同样的高斯卷积内核与放大后的图像进行卷积，估计“丢失”像素的近似值，对下采样图像进行向上重建恢复分辨率大小，以进一步抽象立木图像；
步骤二：立木图像聚类分割
C：将步骤一抽象的立木图像的位置特征采用步长探测法获得自适应空域带宽hs，将步骤一抽象的立木图像的颜色特征采用***规则法获得值域带宽hr，结合高斯核函数自适应Mean-Shift聚类，得到立木聚类图像；
D：对立木聚类图像，采用FloodFill方法填充，并过滤噪声提取感兴趣区；
E：对感兴趣区域进行数学形态学处理，得到最终的立木分割图像。
步骤A所述的图像双边滤波处理，是指在图像空间进行保边降噪；步骤Ba所述图像下采样，是指进行低通滤波后再进行隔行隔列采样得到图像，当前层大小为上一层图像的1/4。
所述空间带宽hs选用王晏等[1]人的方法，首先给定一个空域带宽的初始值h0，然后以步长step逐渐增大空域带宽，设定h0，step，则hi＝hi-1+step，当满足停止条件Σσj<ni(j＝1,2,...,ni)时，对应的带宽即为所求的空域带宽hs，其中,采样点颜色与被平滑点颜色相似的条件为|hj-h0|≤a，hj为采样点颜色的H分量值,h0为被平滑点颜色的H分量值,σj为符号函数,满足条件|hj-h0|≤a时,σj＝1，反之，σj＝0。
所述颜色带宽hr采用***规则法[2]来获得自适应颜色带宽，其公式如式(4)：
式中：d为特征空间的维数，n为数据量，σj为标准差，μt(t＝1,2,...,n)为图像各像素点的颜色指数值，μ为其平均值。
所述核函数采用Gauss核函数，定义如式(5)：
则自适应Mean-Shift平移向量[3]如式(6)：
式(5)-(6)中：xs,xr分别为像素的位置特征，颜色特征；C是归一化指数；
分别是x临近采样点的位置和颜色特征向量；hs、hr分别是位置、颜色带宽；通过控制核函数的hs、hr这2个带宽参数，以控制核的大小，进而控制图像平滑的分辨率。
与现有技术相比本发明的有益效果是：上述技术方案，结合自然环境下立木树冠存在的枝叶空隙、图像中目标立木周围背景复杂等特点进行图像抽象，能够减少冠层间隙对聚类的影响，使立木图像聚类更为完整、平滑，然后根据位置、颜色等多维特征获得自适应空域带宽、值域带宽，结合Gauss核函数进行Mean-Shift聚类，实现了立木图像自动化分割，且大大提高了立木图像的分割精度。立木分割结果为立木胸径、树高测量和森林蓄积量计算等提供了一种快速、准确的参考。
附图说明
图1是本发明步骤的方框示意图；
图2是本发明实施例1采集的立木原图；
图3是基于图2得到的双边滤波示意图；
图4是基于图3进行图像金字塔操作得到的立木图像抽象显著示意图；
图5是图2中A局部的放大示意图；
图6是图3中B局部的放大示意图；
图7是图4中C局部的放大示意图；
图8是基于图4的图像聚类示意图；
图9是基于图8的聚类结果的填充示意图；
图10是基于图9得到的立木图像感兴趣区；
图11是基于图10得到的最终立木分割图像。
具体实施方式
为了使本发明的技术方案更加清晰，以下结合附图1至11，对本发明进行详细说明。应当理解的是，本说明书中描述的具体实施方式仅仅是为了解释本发明，并不是为了限定本发明的保护范围。
实施例1
本发明是一种基于图像抽象的自适应Mean-Shift立木图像分割方法，包括如下步骤：
步骤一：对自然环境下采集的立木图像进行多角度图像抽象
首先，试验图像从自然环境下使用锤子手机相机拍摄，拍摄时间为秋季白天，图像分辨率为原始移动设备拍摄尺寸3120×4160像素，采集距离为8m，拍摄仰角为40°的一株纺锤形状的银杏树图像，如图2所示(该图像为彩色图像，为了符合专利法实施细则有关附图的要求，进行了去彩色处理)。
接着对采集的立木图像采用双边滤波方法进行空间平滑处理。双边滤波的权重不仅考虑了像素的欧氏距离即空间距离决定滤波器系数，另外还考虑了像素范围域中的辐射差异(如卷积核中像素与中心像素之间相似程度、颜色强度，深度距离等)。采集的图像中立木一般处于中心位置，根据滤波特性立木图像四周物体得到较好平滑处理，且保留了边缘信息。图像双边滤波BF[I]p的计算公式如式(7)-(8)所示：
式中：Ip为当前像素，Iq为相邻像素，S为空间域，σs为平滑一个像素的空间域的尺寸，σr控制因强度差异相邻像素的权重，Wp为标准化权重之和，Gσs(||p-q||)为空间权重，Gσr(|Ip-Iq|)为像素范围域权重。
双边滤波平滑图像通过调用OpenCV库函数中的bilateralFilter(InputArrysrcImage,OutputArray resImage,int d,double sigmaColor,double sigmaSpace)函数对立木图像进行10次迭代(即双边滤波迭代次数t＝10)，经过双边滤波处理得到的立木图像如图3所示(该图像为彩色图像，为了符合专利法实施细则有关附图的要求，进行了去彩色处理)。其中srcImage表示输入图像，resImage表示输出图像，d为过滤过程中每个像素领域的直径(d＝10)，sigmaColor为颜色空间滤波器的sigma值(sigmaColor＝15)，sigmaSpace为坐标空间滤波器的sigma值(sigmaSpace＝5)。
然后在双边滤波平滑处理的结果上采用图像金字塔方法作进一步平滑模糊。首先在图3基础上利用高斯金字塔进行图像下采样，从金字塔第Gi层生成第Gi+1层主要用高斯核对第Gi层进行卷积，然后删除所有的偶数行和偶数列，得到新图像面积变成源图像的四分之一，这样可以减少立木树冠间的空隙影响。图像下采样方法通过调用OpenCV函数库中pryDown(InputArry srcImage,OutputArray dstImage,const Size&dstsize＝Size())函数，这里Size()为Size(srcImage.cols/2,srcImage.rows/2)，得到一次下采样图像。因图像金字塔方法中下采样和向上重建是不可逆的，故需依次迭代实现下采样和向上重建，现对下采样图像使用拉普拉斯金字塔进行一次向上重建。主要是在下采样图像基础上每个维度扩大为原来的两倍，新增的偶数行和偶数列以0填充，再结合先前同样的内核与放大后的图像进行卷积去估计“丢失”像素的近似值。这里在下采样图像的基础上调用OpenCV函数库中pryUp(InputArry srcImage,OutputArray dstImage,const Size&dstsize＝Size())函数进行向上重建，这里Size()同样为Size(srcImage.cols/2,srcImage.rows/2)，由此得到一次向上重建图像。依次进行下采样和向上重建方法，迭代4次(即图像金字塔层数l为4)得到立木抽象图，如图4(该图像为彩色图像，为了符合专利法实施细则有关附图的要求，进行了去彩色处理)所示。
步骤二：立木图像聚类分割
利用自适应Mean-Shift算法进行立木聚类之前需分别计算出空域带宽hs和值域带宽hr。对步骤一得到的立木抽象图像的位置特征采用步长探测法获得自适应空域带宽hs，所述空间带宽hs选用王晏等人的方法。首先给定一个空域带宽的初始值h0，然后以步长step逐渐增大空域带宽，设定h0＝8，step＝3，则hi＝hi-1+step，当满足停止条件Σσj<0.7ni(j＝1,2,...,ni)时，对应的带宽即为所求的空域带宽hs，其中,采样点颜色与被平滑点颜色相似的条件为|hj-h0|≤8，hj为采样点颜色的H分量值，h0为被平滑点颜色的H分量值,σj为符号函数,满足条件|hj-h0|≤8时,σj＝1，反之，σj＝0。接着对步骤一得到的立木抽象图像的位置特征采用***规则法获得值域带宽hr，其公式如式(9)如下：
式中：d为特征空间的维数(d＝5)，n为数据量(n＝3120×4160)，σj为标准差(σj＝131.2)，μt(t＝1,2,...,n)为图像各像素点的颜色指数值，μ为其平均值。
将采集的原图经过图像抽象得到的图作为求取带宽的输入图，得到的最适空域带宽hs值为29.8，最适值域带宽hr值为19.9。
另外分析立木图像，满足高斯核函数特征，故选用Gauss核函数如式(10)，则自适应Mean-Shift平移向量如式(11)：
式(10)-(11)中：xs，xr分别为像素的位置特征，颜色特征；C是归一化指数；
分别是x临近采样点的位置和颜色特征向量；hs，hr分别是位置、颜色带宽。
根据以上得到的空域带宽hs、值域带宽hr和核函数，利用Mean-Shift算法实现立木图像聚类分割。第一步:模态点搜索。将位置向量与颜色向量一起合为“空间-颜色”域，基于给定位置带宽hs＝29.8，在***规则法下得到最优值域带宽hr＝19.9，执行Mean-Shift滤波，这里调用OpenCV中提供的pyrMeanShiftFiltering(InputArray srcImage,OutputArray dstImage,double hs,double hr,int maxLever)函数得到立木图像空间聚类图(该图像为彩色图像，为了符合专利法实施细则有关附图的要求，进行了去彩色处理)(如图8)，其中srcImage表示输入图像，dstImage表示输出图像，参数maxLever＝4为高斯金字塔分割的最高水平。由此得到m个模态点，这样聚集到同一模态点的所有像素点组成一个聚类{Qp}，p＝1,2,...,m，且m<<n(m为聚类区域数，n为整个图像的像素数)。第二步：合并相似区域及兼并小区域。模态点搜寻即为图像分类平滑的过程，为凸显聚类结果，本文使用OpenCV库中提供的FloodFill()函数填充聚类结果。区域内部所有像素具有统一的颜色和亮度，外部区域外的所有像素值表现出不同的特征。利用FloodFill()函数将区域中的全部像素都设置为另一个新值，并通过特定规则实现区域连通，从而实现相似区域进行填充。实现区域连通准则进行区域合并：当两相邻区域的空间距离小于hs时，两区域合并；当两相邻区域的颜色距离小于hr时，两区域合并；②设定区域内最小像素数为M＝100000，当单区域的像素数小于M，这一区域被合并到邻近区域。由此得到立木聚类填充图，如图9(该图像为彩色图像，为了符合专利法实施细则有关附图的要求，进行了去彩色处理)所示。第三步：实现立木图像分割。结合OpenCV库自定义ColorDetector类,设置需检测的颜色，本实施例感兴趣区域的树冠颜色阈值为(50,205,50)，树干颜色阈值为(190,25,130)，得到感兴趣区域，如图10(该图像为彩色图像，为了符合专利法实施细则有关附图的要求，进行了去彩色处理)所示。因图10得到的立木图像感兴趣区域存在过多细小的背景噪声以及冠层之间存在空洞等，需进一步进行去噪，因此选用数学形态学中的腐蚀膨胀运算。通过依次迭代调用OpenCV库中的腐蚀函数erode()和膨胀函数dilate()，函数参数为(InputArraysrcImage,OutputArray dstImage,InputArray kernel,Point anchor,int iterations)，其中srcImage表示输入图像，dstImage表示输出图像，参数kernel表示定义的结构元素大小(其中腐蚀、膨胀操作中特定的结构元素分别取决于滑动窗口图像相关邻域的最大值及最小值)，参数anchor＝Point(-1,-1)表示结构元素的中心，参数iterations＝10表示迭代次数，得到的最终立木分割结果，如图11所示。
对比实验
为了验证本发明方法的有效性，从自然环境下使用锤子手机相机拍摄，拍摄时间为秋季白天，图像分辨率为原始移动设备拍摄尺寸3120×4160像素，采集距离为2-8m，拍摄仰角为0-60°，采集15张不同品种不同形状的立木图像进行对比试验。
为客观评价分割的效果，本发明选用误分率Af、假阳性率FPR和假阴性率FNR如公式(12)-(14)这3个评价指标进行试验结果的评价。
Af＝|A1-A2|/A1×100％ (12)
FNR＝|A1-(A1∩A2)|/A1×100％ (14)
式中：A1表示目标的真实面积，A2表示算法分割得到的面积，单位为像素。
1、按照本发明的基于图像抽象的自适应Mean-Shift立木图像分割方法，首先对采集的图像采用双边滤波进行平滑处理，再采用图像金字塔方法对平滑的立木图像作进一步平滑模糊，得到图像抽象图；接着对抽象图像分别采用步长探测法获得自适应空域带宽hs，采用***规则法获得值域带宽hr，结合高斯核函数自适应Mean-Shift聚类，得到立木聚类图像；采用FloodFill方法填充聚类图像，并根据颜色代码表过滤噪声提取感兴趣区；最后对感兴趣区域进行数学形态学处理，得到最终的立木分割图像。本发明分割立木图像得到的的分割精度参数见表1。
2、按照基于区域生长分割法，得到的分割图像的参数见表1。
3、按照基于分水岭算法分割法，得到的分割图像的参数见表1。
表1不同分割方法评价指标统计
％
注：Af，FPR，FNR分别表示分割误差，假阳性率，假阴性率。
从表1可以看出：未图像抽象的样本使用基于区域生长算法的分割误差Af、假阳性率FPR和假阴性率FNR指标均值为26.57％、8.45％和29.52％，使用基于分水岭分割算法对应的3个指标均值为22.33％、5.29％和20.06％；而图像抽象后的样本分别使用这两种分割算法之后三个评价指标稍有下降。而采用本发明的方法的分割误差Af、假阳性率FPR、假阴性率FNR平均值分别为6.11％，2.99％，10.14％，分别比未图像抽象降低了14.36，5.68和16.40个百分点，与图像抽象后的基于区域生长的立木分割方法相比，这3个指标的性能平均降低了12.69，3.43和12.70个百分点，与图像抽象后的基于分水岭算法的立木分割方法相比，降低了12.86，0.66和8.13个百分点。这说明本发明的方法有更为优良的分割效果。
Claims (3)
1.一种基于图像抽象的自适应Mean-Shift立木图像分割方法，其特征在于包括如下步骤：
步骤一：对自然环境下采集的立木图像进行多角度图像抽象
A：采用双边滤波法对从自然环境下采集的立木图像进行平滑处理，以减少背景噪声影响；
B：采用图像金字塔方法对经步骤A平滑处理的立木图像作进一步平滑模糊
Ba：进行图像下采样，即对立木图像利用高斯内核卷积进行高斯平滑处理，删除所有偶数行和偶数列；
Bb：首先在下采样图像的偶数行和列以0填充，再使用同样的高斯卷积内核与放大后的图像进行卷积，估计“丢失”像素的近似值，对下采样图像进行向上重建恢复分辨率大小，以进一步抽象立木图像；
步骤二：立木图像聚类分割
C：将步骤一抽象的立木图像的位置特征采用步长探测法获得自适应空域带宽hs，将步骤一抽象的立木图像的颜色特征采用***规则法获得值域带宽hr，结合高斯核函数自适应Mean-Shift聚类，得到立木聚类图像；
D：对立木聚类图像，采用FloodFill方法填充，并过滤噪声提取感兴趣区；
E：对感兴趣区域进行数学形态学处理，得到最终的立木分割图像。
2.根据权利要求1所述的基于图像抽象的自适应Mean-Shift立木图像分割方法，其特征在于：步骤A所述的双边滤波法对从自然环境下采集的立木图像进行平滑处理，是指在图像空间进行保边降噪；步骤Ba所述图像下采样，是指进行低通滤波后再进行隔行隔列采样得到图像，当前层大小为上一层图像的1/4。
3.根据权利要求1或2所述的基于图像抽象的自适应Mean-Shift立木图像分割方法，其特征在于：所述值域带宽hr采用***规则法来获得自适应值域带宽，其公式如式(1)：
式中：d为特征空间的维数，n为数据量，σj为标准差，μt(t＝1,2,...,n)为图像各像素点的颜色指数值，μ为其平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811169347.3A CN109345539B (zh) | 2018-10-08 | 2018-10-08 | 基于图像抽象的自适应Mean-Shift立木图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811169347.3A CN109345539B (zh) | 2018-10-08 | 2018-10-08 | 基于图像抽象的自适应Mean-Shift立木图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109345539A CN109345539A (zh) | 2019-02-15 |
| CN109345539B true CN109345539B (zh) | 2022-03-01 |
Family
ID=65307938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811169347.3A Active CN109345539B (zh) | 2018-10-08 | 2018-10-08 | 基于图像抽象的自适应Mean-Shift立木图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109345539B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113495553A (zh) * | 2020-03-19 | 2021-10-12 | 苏州科瓴精密机械科技有限公司 | 自动工作***、自动行走设备及其控制方法及计算机可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101976347A (zh) * | 2010-10-21 | 2011-02-16 | 西北工业大学 | 基于Mean Shift分割的遥感图像中水上桥梁识别方法 |
| CN102360428A (zh) * | 2011-06-16 | 2012-02-22 | 华中科技大学 | 一种玉米三叶期与七叶期的自动检测方法 |
| CN105007478A (zh) * | 2015-07-08 | 2015-10-28 | 南京信息工程大学 | 一种基于mean shift立体匹配的视图合成方法 |
-
2018
- 2018-10-08 CN CN201811169347.3A patent/CN109345539B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101976347A (zh) * | 2010-10-21 | 2011-02-16 | 西北工业大学 | 基于Mean Shift分割的遥感图像中水上桥梁识别方法 |
| CN102360428A (zh) * | 2011-06-16 | 2012-02-22 | 华中科技大学 | 一种玉米三叶期与七叶期的自动检测方法 |
| CN105007478A (zh) * | 2015-07-08 | 2015-10-28 | 南京信息工程大学 | 一种基于mean shift立体匹配的视图合成方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于 Graph Cut 算法的多株立木轮廓提取方法;杨婷婷 等;《南京林业大学学报(自然科学版)》;20180915;摘要、第1-3节 * |
| 多维特征自适应MeanShift遥感图像分割方法;周家香 等;《武汉大学学报(信息科学版)》;20120430;第37卷(第4期);摘要、第1-4节 * |
| 自适应 Mean Shift 算法的彩色图像平滑和分割算法;王晏 等;《自动化学报》;20101231;第36卷(第12期);摘要、第1-4节 * |
| 集成改进Mean Shift和区域合并两种算法的图像分割;周家香 等;《测绘科学》;20121130;第36卷(第6期);摘要、第1-3节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109345539A (zh) | 2019-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107194937B (zh) | 一种开放环境下中医舌象图像分割方法 | |
| Zhou et al. | Automated rangeland vegetation cover and density estimation using ground digital images and a spectral-contextual classifier | |
| CN105976330B (zh) | 一种嵌入式雾天实时视频稳像方法 | |
| CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
| CN110120046B (zh) | 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法 | |
| CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
| CN109685045B (zh) | 一种运动目标视频跟踪方法及*** | |
| CN111080696B (zh) | 一种基于计算机视觉的水下海参识别及定位方法 | |
| CN107341837B (zh) | 基于影像金字塔的栅格-矢量数据转换及连续尺度表达方法 | |
| Yilmaz et al. | Metaheuristic pansharpening based on symbiotic organisms search optimization | |
| Touati et al. | A reliable mixed-norm-based multiresolution change detector in heterogeneous remote sensing images | |
| AU2020100044A4 (en) | Method of tracking of Surgical Target and Tool | |
| Liang et al. | Maximum likelihood classification of soil remote sensing image based on deep learning | |
| Apdilah et al. | A study of Frei-Chen approach for edge detection | |
| CN115578660A (zh) | 基于遥感图像的土地地块分割方法 | |
| CN109345539B (zh) | 基于图像抽象的自适应Mean-Shift立木图像分割方法 | |
| CN104392209B (zh) | 一种目标与背景的图像复杂度评价方法 | |
| Yu et al. | Haze removal using deep convolutional neural network for Korea Multi-Purpose Satellite-3A (KOMPSAT-3A) multispectral remote sensing imagery | |
| Yang et al. | A method for tree image segmentation combined adaptive mean shifting with image abstraction | |
| CN111046726B (zh) | 一种基于ai智能视觉的水下海参识别及定位方法 | |
| Li et al. | Effects of image fusion algorithms on classification accuracy | |
| Boutiche et al. | Fast Generalized Chan-Vese Model for plant/soil segmentation to estimate percentage of ground cover in agricultural images | |
| Kumar et al. | An empirical review on image dehazing techniques for change detection of land cover | |
| CN113920391A (zh) | 一种基于生成尺度自适应真值图的目标计数方法 | |
| CN113436123A (zh) | 去云-分辨率提升协同的高分sar与低分多光谱图像融合方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |