CN110443272B - 一种基于模糊择近原则的复杂烟株图像分类方法 - Google Patents
一种基于模糊择近原则的复杂烟株图像分类方法 Download PDFInfo
- Publication number
- CN110443272B CN110443272B CN201910548945.XA CN201910548945A CN110443272B CN 110443272 B CN110443272 B CN 110443272B CN 201910548945 A CN201910548945 A CN 201910548945A CN 110443272 B CN110443272 B CN 110443272B
- Authority
- CN
- China
- Prior art keywords
- tobacco plant
- tobacco
- image
- plant
- pixel
- 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.)
- Expired - Fee Related
Links
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 297
- 244000061176 Nicotiana tabacum Species 0.000 title claims abstract description 278
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000012010 growth Effects 0.000 claims abstract description 36
- 241000196324 Embryophyta Species 0.000 claims abstract description 34
- 230000005477 standard model Effects 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 5
- 210000005252 bulbus oculi Anatomy 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000006386 neutralization reaction Methods 0.000 claims description 3
- 241000208125 Nicotiana Species 0.000 abstract description 19
- 230000011218 segmentation Effects 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010341 ping gan Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于模糊择近原则的复杂烟株图像分类方法，包括：首先建立烟株标准模型库，并对待分类烟株的图像进行采集；然后采用改进的GrabCut算法对所述烟株图像中的烟株和图像背景进行分割；进而对去除背景后的烟株图像进行二值化，进而对二值化后的烟株图像进行特征提取，得到待分类烟株的叶素比、像素株高和像素株宽三个特征值；再对所述叶素比、像素株高和像素株宽三个特征值进行归一化；最后根据归一化后的三个特征值和烟株标准模型库，采用模糊择近原则对待分类烟株进行分类，得到待分类烟株的分类结果。本发明的有益效果是：分割效果好，而且避免了人机交互；以更准确地反映每个特征对烟草生长的影响；提高烟株分类准确度。
Description
技术领域
本发明涉及农业信息化领域，尤其涉及一种基于模糊择近原则的复杂烟株图像分类方法。
背景技术
烟草是我国重要的经济作物，在农产品中起着至关重要的作用。在烟株生长过程中有四个重要的时期：追肥期，揭膜上厢期，打顶期和采烤期。在这期间，烟株长势的好坏直接影响烟叶的产质量。因此，如何在每个时期准确掌握烟株的长势情况，关系到最终的效益。在传统方法中，烟农都是通过眼观和手摸的方式来判断烟株的长势状况，然后根据经验采取相应的措施。然而这种方式受主观因素影响，会因为不同年龄，不同文化程度的烟农导致判断的结果差异较大。
随着图像处理技术的发展，使得通过计算机对烟草图像进行检测和识别成为可能，然而由于烟草图像采集于农田，背景复杂，受光照、雨水等天气影响较大，因此，如何对复杂烟株图像进行识别成为研究的难点。
现有的研究都是通过特殊的图像采集装置，例如PMD深度相机对幼苗期的玉米或者小麦图像进行采集，然后采用特定的算法对玉米株高、茎粗和叶倾角进行测量。然而，对于烟株参数的提取却鲜有研究，而且这些参数和烟株长势之间的关系还没有涉及。而且，在实际生产过程中，烟农往往没有特定的图像采集装置，只能通过手机进行拍摄。
发明内容
为了解决上述问题，本发明提供了一种基于模糊择近原则的复杂烟株图像分类方法。
一种基于模糊择近原则的复杂烟株图像分类方法，主要包括以下步骤：
S101：建立烟株标准模型库；并对待分类烟株的图像进行采集，得到待分类的烟株图像；所述标准模型库中包括多个烟株图像样本，所述烟株图像样本与所述待分类的烟株图像的采集方法是一样的；且每个所述烟株图像样本具有一个长势等级标签；
S102：采用改进的GrabCut算法对所述烟株图像中的烟株和图像背景进行分割，得到去除背景后的烟株图像；
S103：对所述去除背景后的烟株图像进行二值化，进而对二值化后的烟株图像进行特征提取，得到待分类烟株的叶素比、像素株高和像素株宽三个特征值；
S104：对所述叶素比、像素株高和像素株宽三个特征值进行归一化，得到归一化后的三个特征值；
S105：根据归一化后的三个特征值和所述烟株标准模型库，采用模糊择近原则对所述待分类烟株的长势等级进行分类，得到所述待分类烟株的长势分类结果。
进一步地，步骤S101中，所述烟株标准模型库包括代表烟株长势的四个等级：一级、二级、三级和四级，分别对应烟株品质分类的优、良、中和差；且每个等级均包括多个按照采集标准采集的烟株图像样本；所述采集标准为：采集烟株图像时，拍摄工具需在烟株正上方h米的距离以垂直于地面的角度拍摄，且烟株位于整个图像的中部；其中，h为预设值，h的取值范围为[1.9,2.1]。
进一步地，步骤S102中，所述改进的GrabCut算法的改进为：改变传统GrabCut算法需要人工选取烟株和背景像素的缺点，提出一种自动选取烟株像素和背景像素的方法，具体包括：
首先，采用OpenCV自带的画矩形函数对所述烟株图像中的烟株进行选择，以使用矩形框将所述烟株图像中的烟株框起来；所述矩形框的大小为所述烟株图像边长减t个像素值；其中，t为预设值，t的取值范围为[5,10]；
然后，采用OpenCV的RNG类对所述矩形框所在区域的四个角播撒代表背景的像素点，对所述矩形框所在区域的中部播撒代表烟株的像素点，对所述矩形框所在区域的其他地方随机播撒预设数量的代表烟株的像素点和代表背景的像素点；
最后，根据所述代表背景的像素点和所述代表烟株的像素点，采用传统的GrabCut算法对所述烟株图像中的背景进行去除，以得到去除背景后的烟株图像。
进一步地，步骤S103中，对所述去除背景后的烟株图像进行二值化，得到二值化后的烟株图像，进而根据所述二值化后的烟株图像对烟株特征进行提取；具体包括：
S301：对所述去除背景后的烟株图像进行二值化，得到二值化后的烟株图像；所述二值化后的烟株图像仅包括多个白色的像素点和多个黑色的像素点；其中，二值化时的阈值为根据待分类的烟株所处的生长时期而预设的阈值；
S302：对二值化后的烟株图像中的白色像素点进行统计，得到白色像素点的总个数a；根据下式对叶素比v进行计算：
上式中，sum为所述二值化后的烟株图像中的像素点总个数；
S303：利用OpenCV中的findContours函数对所述二值化后的烟株图像中的所有轮廓进行查找，得到多个轮廓；进而利用OpenCV中的drawContours函数画出每个轮廓的像素点集；
S304：对于每一个所述轮廓，根据其对应的点集，采用OpenCV中的boundingRect函数画出该轮廓的正外接矩形；遍历所有轮廓，进而得到所有轮廓的正外接矩形；
S305：将所有轮廓的正外接矩形的大小进行对比，选择面积最大的正外接矩形作为烟株的高、宽特征值，及所述面积最大的正外接矩形的长为烟株的像素株高，所述面积最大的正外接矩形的宽为烟株的像素株宽。
进一步地，步骤S104中，根据如下式对三个特征值进行归一化：
上式中，xk为归一化前的特征值，x′k为归一化后的特征值，n为特征数量，n＝3，k表示第k个特征，wk为第k个特征的权重系数，为预设值。
进一步地，步骤S105中，根据归一化后的三个特征值和所述烟株标准模型库，采用模糊择近原则对所述待分类烟株进行分类，得到所述待分类烟株的分类结果；具体包括：
S401：所述标准模型库为U＝(A1,A2,A3,A4)，其中A1,A2,A3,A4分别代表烟株长势的四个等级：一级、二级、三级和四级；
S402：采用下式对所述标准模型库中的所有眼珠图像样本的特征进行归一化；得到归一化后的烟株图像等级评定的模糊矩阵A′i：
上式中，xik为归一化前的特征值，x′ik为归一化后的特征值，m为特征值xik所属烟株图像所属等级的总烟株图像样本数量，n为特征数量，n＝3；i和k分别表示第i个样本和第k个特征，wk为第k个特征参数的权重系数，为预设值；1≤i≤4；
S403：输入待识别的烟株图像，提取烟株图像各特征值，组成特征向量并归一化，形成模糊向量X；
S404：利用择近原则中的最大最小贴近度公式，分别计算所述烟株图像的模糊向量X和A′i的贴近程度值；
上式中，X＝(x1,x2,x3)，x1为待分类烟株的像素株高，x2为待分类烟株的像素株宽，x3为待分类烟株的叶素比；n为特征的维度，n＝3；yi表示模糊集A′i的第i个特征值；1≤i≤4；
进而可以得到η(X,A′1)、η(X,A′2)和η(X,A′3)三个贴近程度值；选择三个中最大的一个贴近程度值所对应的模糊矩阵所属的等级作为所属烟株图像的长势分类等级。
本发明提供的技术方案带来的有益效果是：本发明所提出的技术方案具有以下优点：
(1)针对复杂背景下的烟株图像，提出了一种改进的GrabCut分割算法，分割效果好，而且避免了人机交互；
(2)提出了一种新的烟株特征(叶素比)来反映烟株的长势，提高了分类的准确性；
(3)提出了一种新的特征归一化方法，可以更准确地反映每个特征对烟草生长的影响；
(4)针对烟株图像分类需要考虑的因素是多方面的，并且是模糊的特点，提出一种模糊择近原则的分类方法，可以更好的解决烟株模糊分类问题，提高烟株分类准确度。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种基于模糊择近原则的复杂烟株图像分类方法的流程图；
图2是本发明实施例中采烤期烟株图像；
图3(a)是本发明实施例中采烤期烟株图像传统GrabCut算法分割图；
图3(b)是本发明实施例中采烤期烟株图像改进后GrabCut算法分割图；
图4是本发明实施例中采烤期烟株二值化图；
图5是本发明实施例中采烤期烟株株高和株宽提取图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种基于模糊择近原则的复杂烟株图像分类方法。
请参考图1，图1是本发明实施例中一种基于模糊择近原则的复杂烟株图像分类方法的流程图，具体包括如下步骤：
S101：建立烟株标准模型库；并对待分类烟株的图像进行采集，得到待分类的烟株图像；所述标准模型库中包括多个烟株图像样本，所述烟株图像样本与所述待分类的烟株图像的采集方法是一样的；且每个所述烟株图像样本具有一个长势等级标签；
S102：采用改进的GrabCut算法对所述烟株图像中的烟株和图像背景进行分割，得到去除背景后的烟株图像；
S103：对所述去除背景后的烟株图像进行二值化，进而对二值化后的烟株图像进行特征提取，得到待分类烟株的叶素比、像素株高和像素株宽三个特征值；
S104：对所述叶素比、像素株高和像素株宽三个特征值进行归一化，得到归一化后的三个特征值；
S105：根据归一化后的三个特征值和所述烟株标准模型库，采用模糊择近原则对所述待分类烟株的长势等级进行分类，得到所述待分类烟株的长势分类结果。
步骤S101中，所述烟株标准模型库包括代表烟株长势的四个等级：一级、二级、三级和四级，分别对应烟株品质分类的优、良、中和差；且每个等级均包括多个按照采集标准采集的烟株图像样本；所述采集标准为：采集烟株图像时，拍摄工具需在烟株正上方h米的距离以垂直于地面的角度拍摄，且烟株位于整个图像的中部；其中，h为预设值，h的取值范围为[1.9,2.1]。
步骤S102中，所述改进的GrabCut算法的改进为：改变传统GrabCut算法需要人工选取烟株和背景像素的缺点，提出一种自动选取烟株像素和背景像素的方法，具体包括：
首先，采用OpenCV自带的画矩形函数对所述烟株图像中的烟株进行选择，以使用矩形框将所述烟株图像中的烟株框起来；所述矩形框的大小为所述烟株图像边长减t个像素值；其中，t为预设值，t的取值范围为[5,10]；
然后，采用OpenCV的RNG类对所述矩形框所在区域的四个角播撒代表背景的像素点，对所述矩形框所在区域的中部播撒代表烟株的像素点，对所述矩形框所在区域的其他地方随机播撒预设数量的代表烟株的像素点和代表背景的像素点；
最后，根据所述代表背景的像素点和所述代表烟株的像素点，采用传统的GrabCut算法对所述烟株图像中的背景进行去除，以得到去除背景后的烟株图像；具体如下：
Step 1：将所述矩形框所在区域作为初始图像I；对于矩形框外的像素点，全部标记为背景像素Ib；对于方框内的像素点，除了播撒的代表背景的像素点，其他全部标记为烟株像素点If；对Ib内的每一像素i，初始化像素标签pi＝0，即背景像素；对If内的每个像素j，初始化像素标签pj＝1，即烟株像素；
Step 2：通过这些像素Ib和If来估计烟株和背景的GMM(混合高斯模型)；通过k-mean算法把属于烟株和背景的像素点分别聚类为K类(K个高斯模型)；此时GMM中每个高斯模型就有了像素样本集，它的均值和协方差可以通过RGB值得到，而该高斯模型的权值为该高斯模型的像素个数与烟株图像总的像素个数的比值；
Step 3：对每个像素分配的高斯模型代入目标高斯模型中；对于给定的图像数据，优化混合高斯模型的参数；分割估计；
Step 4：迭代Step4，直到收敛，并对分割的边界进行平滑处理，即可得到分割后的烟株图像。
步骤S103中，对所述去除背景后的烟株图像进行二值化，得到二值化后的烟株图像，进而根据所述二值化后的烟株图像对烟株特征进行提取；具体包括：
S301：对所述去除背景后的烟株图像进行二值化，得到二值化后的烟株图像；所述二值化后的烟株图像仅包括多个白色的像素点和多个黑色的像素点；其中，二值化时的阈值为根据待分类的烟株所处的生长时期而预设的阈值；
S302：对二值化后的烟株图像中的白色像素点进行统计，得到白色像素点的总个数a；根据下式对叶素比v进行计算：
上式中，sum为所述二值化后的烟株图像中的像素点总个数；
S303：利用OpenCV中的findContours函数对所述二值化后的烟株图像中的所有轮廓进行查找，得到多个轮廓；进而利用OpenCV中的drawContours函数画出每个轮廓的像素点集；
S304：对于每一个所述轮廓，根据其对应的点集，采用OpenCV中的boundingRect函数画出该轮廓的正外接矩形；遍历所有轮廓，进而得到所有轮廓的正外接矩形；
S305：将所有轮廓的正外接矩形的大小进行对比，选择面积最大的正外接矩形作为烟株的高、宽特征值，及所述面积最大的正外接矩形的长为烟株的像素株高，所述面积最大的正外接矩形的宽为烟株的像素株宽。
步骤S104中，根据如下式对三个特征值进行归一化：
上式中，xk为归一化前的特征值，x′k为归一化后的特征值，n为特征数量，n＝3，k表示第k个特征，wk为第k个特征的权重系数，为预设值。
步骤S105中，根据归一化后的三个特征值和所述烟株标准模型库，采用模糊择近原则对所述待分类烟株进行分类，得到所述待分类烟株的分类结果；具体包括：
S401：所述标准模型库为U＝(A1,A2,A3,A4)，其中A1,A2,A3,A4分别代表烟株长势的四个等级：一级、二级、三级和四级；
S402：采用下式对所述标准模型库中的所有眼珠图像样本的特征进行归一化；得到归一化后的烟株图像等级评定的模糊矩阵A′i：
上式中，xik为归一化前的特征值，x′ik为归一化后的特征值，m为特征值xik所属烟株图像所属等级的总烟株图像样本数量，n为特征数量，n＝3；i和k分别表示第i个样本和第k个特征，wk为第k个特征参数的权重系数，为预设值；1≤i≤4；
S403：输入待识别的烟株图像，提取烟株图像各特征值，组成特征向量并归一化，形成模糊向量X；
S404：利用择近原则中的最大最小贴近度公式，分别计算所述烟株图像的模糊向量X和A′i的贴近程度值；
上式中，X＝(x1,x2,x3)，x1为待分类烟株的像素株高，x2为待分类烟株的像素株宽，x3为待分类烟株的叶素比；n为特征的维度，n＝3；yi表示模糊集A′i的第i个特征值；1≤i≤4；
进而可以得到η(X,A′1)、η(X,A′2)和η(X,A′3)三个贴近程度值；选择三个中最大的一个贴近程度值所对应的模糊矩阵所属的等级作为所属烟株图像的长势分类等级。
测试说明：
(1)烟株图像样本采集和标准模型库构建
本发明实施例在烟草生长的四个时期，分别于贵阳市龙岗区和平坝县采集烟株样本，采集的品种为k326和云烟87。各个时期、各个品种分别拍摄了400张烟株照片，总共1600张烟株图。图2为采烤期四个等级的烟株图像样本，其中，A、B、C、D表示不同长势的烟株。表1为采烤期烟株长势各级别标准模型库。
表1采烤期烟株各级别标准模型库
由表1可以看出，采烤期的烟株长势越好，株高、株宽和叶素比越大。这和实际情况也是相符合的，对烟株特征进行归一化，处理后的数据如表2所示。
表2归一化后的烟株各级别标准模型库
(2)烟株图像分割
图3(a)和图3(b)分别为采用GrabCut算法和改进GrabCut算法烟株分割效果对比图。可以看出，无论是其他烟株或杂草的干扰，还是其他背景的影响，采用改进的GrabCut算法的分割效果在可接受的范围之内，而且部分图像分割效果甚至更好。
(3)烟株图像特征提取
对图3(b)中分割后的烟株进行二值化，二值化的效果如图4。对图4中的白色像素进行统计，算出其占图片总像素的比例，即可求得烟株叶素比的大小。其中，(A)烟株为0.47，(B)烟株为0.43，(C)烟株为0.39，(D)烟株为0.30。可以看出，烟株长势越好，叶素比越大，说明这一特征能够有效的反映烟株的长势
对图4中的烟株二值化图像进行轮廓提取和外接矩形绘制，如图5所示。由于拍摄时手机垂直于烟株，所以正外接矩形的长宽即为像素株高和像素株宽。照片尺寸为600×300像素，其中，(a)烟株为527×275像素，(b)烟株为497×284像素，(c)烟株为468×272像素，(d)烟株为459×250像素，根据这些正外接矩形即可求得烟株的像素株高和像素株宽。
(4)烟株图像分类
输入待分类烟株图像，例如输入一张一级烟株图像，通过提取其特征并归一化，可以得到其特征向量为X＝(0.754,0.297,0.746)。根据最大最小贴近度计算公式，可以得到X与四个等级烟叶的贴近度分别为:
η1(X,A1)＝0.963，η2(X,A2)＝0.928，η3(X,A3)＝0.807，η4(X,A4)＝0.686因此，可以得出该烟株图像的长势等级为一级。
本发明的有益效果是：本发明所提出的技术方案具有以下优点：
(1)针对复杂背景下的烟株图像，提出了一种改进的GrabCut分割算法，分割效果好，而且避免了人机交互；
(2)提出了一种新的烟株特征(叶素比)来反映烟株的长势，提高了分类的准确性；
(3)提出了一种新的特征归一化方法，可以更准确地反映每个特征对烟草生长的影响；
(4)针对烟株图像分类需要考虑的因素是多方面的，并且是模糊的特点，提出一种模糊择近原则的分类方法，可以更好的解决烟株模糊分类问题，提高烟株分类准确度。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于模糊择近原则的复杂烟株图像分类方法，其特征在于：包括以下步骤：
S101：建立烟株标准模型库；并对待分类烟株的图像进行采集，得到待分类的烟株图像；所述标准模型库中包括多个烟株图像样本，所述烟株图像样本与所述待分类的烟株图像的采集方法是一样的；且每个所述烟株图像样本具有一个长势等级标签；
S102：采用改进的GrabCut算法对所述烟株图像中的烟株和图像背景进行分割，得到去除背景后的烟株图像；
S103：对所述去除背景后的烟株图像进行二值化，进而对二值化后的烟株图像进行特征提取，得到待分类烟株的叶素比、像素株高和像素株宽三个特征值；
S104：对所述叶素比、像素株高和像素株宽三个特征值进行归一化，得到归一化后的三个特征值；
S105：根据归一化后的三个特征值和所述烟株标准模型库，采用模糊择近原则对所述待分类烟株的长势等级进行分类，得到所述待分类烟株的长势分类结果。
2.如权利要求1所述的一种基于模糊择近原则的复杂烟株图像分类方法，其特征在于：步骤S101中，所述烟株标准模型库包括代表烟株长势的四个等级：一级、二级、三级和四级，分别对应烟株品质分类的优、良、中和差；且每个等级均包括多个按照采集标准采集的烟株图像样本；所述采集标准为：采集烟株图像时，拍摄工具需在烟株正上方h米的距离以垂直于地面的角度拍摄，且烟株位于整个图像的中部；其中，h为预设值，h的取值范围为[1.9,2.1]。
3.如权利要求1所述的一种基于模糊择近原则的复杂烟株图像分类方法，其特征在于：步骤S102中，所述改进的GrabCut算法的改进为：改变传统GrabCut算法需要人工选取烟株和背景像素的缺点，提出一种自动选取烟株像素和背景像素的方法，具体包括：
首先，采用OpenCV自带的画矩形函数对所述烟株图像中的烟株进行选择，以使用矩形框将所述烟株图像中的烟株框起来；所述矩形框的大小为所述烟株图像边长减t个像素值；其中，t为预设值，t的取值范围为[5,10]；
然后，采用OpenCV的RNG类对所述矩形框所在区域的四个角播撒代表背景的像素点，对所述矩形框所在区域的中部播撒代表烟株的像素点，对所述矩形框所在区域的其他地方随机播撒预设数量的代表烟株的像素点和代表背景的像素点；
最后，根据所述代表背景的像素点和所述代表烟株的像素点，采用传统的GrabCut算法对所述烟株图像中的背景进行去除，以得到去除背景后的烟株图像。
4.如权利要求1所述的一种基于模糊择近原则的复杂烟株图像分类方法，其特征在于：步骤S103中，对所述去除背景后的烟株图像进行二值化，得到二值化后的烟株图像，进而根据所述二值化后的烟株图像对烟株特征进行提取；具体包括：
S301：对所述去除背景后的烟株图像进行二值化，得到二值化后的烟株图像；所述二值化后的烟株图像仅包括多个白色的像素点和多个黑色的像素点；其中，二值化时的阈值为根据待分类的烟株所处的生长时期而预设的阈值；
S302：对二值化后的烟株图像中的白色像素点进行统计，得到白色像素点的总个数a；根据下式对叶素比v进行计算：
上式中，sum为所述二值化后的烟株图像中的像素点总个数；
S303：利用OpenCV中的findContours函数对所述二值化后的烟株图像中的所有轮廓进行查找，得到多个轮廓；进而利用OpenCV中的drawContours函数画出每个轮廓的像素点集；
S304：对于每一个所述轮廓，根据其对应的点集，采用OpenCV中的boundingRect函数画出该轮廓的正外接矩形；
遍历所有轮廓，进而得到所有轮廓的正外接矩形；
S305：将所有轮廓的正外接矩形的大小进行对比，选择面积最大的正外接矩形作为烟株的高、宽特征值，及所述面积最大的正外接矩形的长为烟株的像素株高，所述面积最大的正外接矩形的宽为烟株的像素株宽。
5.如权利要求1所述的一种基于模糊择近原则的复杂烟株图像分类方法，其特征在于：步骤S104中，根据如下式对三个特征值进行归一化：
上式中，xk为归一化前的特征值，x′k为归一化后的特征值，n为特征数量，n＝3，k表示第k个特征，wk为第k个特征的权重系数，为预设值。
6.如权利要求2所述的一种基于模糊择近原则的复杂烟株图像分类方法，其特征在于：步骤S105中，根据归一化后的三个特征值和所述烟株标准模型库，采用模糊择近原则对所述待分类烟株进行分类，得到所述待分类烟株的分类结果；具体包括：
S401：所述标准模型库为U＝(A1,A2,A3,A4)，其中A1,A2,A3,A4分别代表烟株长势的四个等级：一级、二级、三级和四级；
S402：采用下式对所述标准模型库中的所有眼珠图像样本的特征进行归一化；得到归一化后的烟株图像等级评定的模糊矩阵A′i：
上式中，xik为归一化前的特征值，x′ik为归一化后的特征值，m为特征值xik所属烟株图像所属等级的总烟株图像样本数量，n为特征数量，n＝3；i和k分别表示第i个样本和第k个特征，wk为第k个特征参数的权重系数，为预设值；1≤i≤4；
S403：输入待识别的烟株图像，提取烟株图像各特征值，组成特征向量并归一化，形成模糊向量X；
S404：利用择近原则中的最大最小贴近度公式，分别计算所述烟株图像的模糊向量X和A′i的贴近程度值；
上式中，X＝(x1,x2,x3)，x1为待分类烟株的像素株高，x2为待分类烟株的像素株宽，x3为待分类烟株的叶素比；n为特征的维度，n＝3；yi表示模糊集A′i的第i个特征值；1≤i≤4；
进而可以得到η(X,A′1)、η(X,A′2)和η(X,A′3)三个贴近程度值；选择三个中最大的一个贴近程度值所对应的模糊矩阵所属的等级作为所属烟株图像的长势分类等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910548945.XA CN110443272B (zh) | 2019-06-24 | 2019-06-24 | 一种基于模糊择近原则的复杂烟株图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910548945.XA CN110443272B (zh) | 2019-06-24 | 2019-06-24 | 一种基于模糊择近原则的复杂烟株图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110443272A CN110443272A (zh) | 2019-11-12 |
| CN110443272B true CN110443272B (zh) | 2023-01-03 |
Family
ID=68428299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910548945.XA Expired - Fee Related CN110443272B (zh) | 2019-06-24 | 2019-06-24 | 一种基于模糊择近原则的复杂烟株图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110443272B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106408569A (zh) * | 2016-08-29 | 2017-02-15 | 北京航空航天大学 | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 |
| CN108387262A (zh) * | 2018-01-03 | 2018-08-10 | 江苏大学 | 一种基于悬挂式滑轨平台的温室信息自动监测方法 |
| WO2019000653A1 (zh) * | 2017-06-30 | 2019-01-03 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
-
2019
- 2019-06-24 CN CN201910548945.XA patent/CN110443272B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106408569A (zh) * | 2016-08-29 | 2017-02-15 | 北京航空航天大学 | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 |
| WO2019000653A1 (zh) * | 2017-06-30 | 2019-01-03 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
| CN108387262A (zh) * | 2018-01-03 | 2018-08-10 | 江苏大学 | 一种基于悬挂式滑轨平台的温室信息自动监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110443272A (zh) | 2019-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109308697B (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
| CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
| CN107316289B (zh) | 基于深度学习和超像素分割的大田稻穗分割方法 | |
| Yu et al. | Automatic grading of apples based on multi-features and weighted K-means clustering algorithm | |
| CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
| CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
| CN110705655A (zh) | 一种基于光谱和机器视觉耦合的烟叶分类方法 | |
| CN111879735B (zh) | 一种基于图像的大米外观品质检测方法 | |
| CN111259925B (zh) | 基于k均值聚类和宽度突变算法的田间麦穗计数方法 | |
| CN114067207A (zh) | 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法 | |
| Ji et al. | In-field automatic detection of maize tassels using computer vision | |
| CN109871900A (zh) | 一种基于图像处理的复杂背景下苹果的识别定位方法 | |
| Netto et al. | Segmentation of RGB images using different vegetation indices and thresholding methods | |
| CN112990103A (zh) | 一种基于机器视觉的串采二次定位方法 | |
| CN109166127B (zh) | 一种可穿戴式植物表型感知*** | |
| He et al. | A calculation method of phenotypic traits of soybean pods based on image processing technology | |
| CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 | |
| CN109308464A (zh) | 一种基于数码相机图像的水稻穗子识别方法 | |
| CN115601690B (zh) | 一种基于智慧农业的食用菌环境检测方法 | |
| CN110443272B (zh) | 一种基于模糊择近原则的复杂烟株图像分类方法 | |
| CN110047064B (zh) | 一种马铃薯疮痂检测方法 | |
| Ye et al. | Cucumber appearance quality detection under complex background based on image processing | |
| CN114088714B (zh) | 一种谷物颗粒表面规则度的检测方法 | |
| CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别***和方法 | |
| CN114494405A (zh) | 一种草莓外形估测与自动分级方法、装置以及计算机存储介质 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20230103 |