CN113743421B - 一种水稻叶片花青素显色区域分割及定量分析的方法 - Google Patents
一种水稻叶片花青素显色区域分割及定量分析的方法 Download PDFInfo
- Publication number
- CN113743421B CN113743421B CN202111024267.0A CN202111024267A CN113743421B CN 113743421 B CN113743421 B CN 113743421B CN 202111024267 A CN202111024267 A CN 202111024267A CN 113743421 B CN113743421 B CN 113743421B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- anthocyanin
- leaf
- original image
- 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
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
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)
- Image Analysis (AREA)
Abstract
本发明提供了一种水稻叶片花青素显色区域分割及定量分析的方法,包括:获取包含完整水稻叶片图像的原始图像,对原始图像进行切割预处理,得到原始图像中的叶片区域;基于提取的叶片区域进行色彩空间转换,获取原始图像高反差图像和原始图像取反高反差图,比较水稻叶片花青素显色区域的亮度值和叶片正常显色区域的亮度值,根据比较结果利用原始图像高反差图像和原始图像取反高反差图得到目标待提取图;对目标待提取图按照亮度中值进行二值化处理后,根据比较结果得到目标图像;利用识别模型对所述目标图像进行轮廓识别处理,得到所有水稻叶片的花青素显色区域。本发明可以避免人工阈值的干预,快速得到准确的水稻叶片花青素显色区域的识别结果。
Description
技术领域
本发明涉及农业实验技术领域,尤其涉及一种水稻叶片花青素显色区域分割及定量分析的方法。
背景技术
水稻是亚洲热带广泛种植的重要谷物,中国南方为主要产稻区,北方各省均有栽种。水稻叶片花青素显色区域的面积与颜色是测算水稻花青素含量在表型上的重要指标。
目前,现有技术中采用图像处理方式来分析水稻叶片花青素显色区域。该方法的缺点为:由于水稻叶片花青素显色区域具有模糊边缘、形状不定的特点,往往需要采用大量的人工指定的阈值去分析处理。人工指定阈值的介入使得分析的结果十分主观,不同人员或时期分析出的结果相差较大。
发明内容
本发明的实施例提供了一种水稻叶片花青素显色区域分割及定量分析的方法,以实现快速准确地识别出水稻叶片花青素显色区域。
为了实现上述目的,本发明采取了如下技术方案。
一种水稻叶片花青素显色区域分割及定量分析的方法,包括:
步骤S1、获取原始图像,所述原始图像包含完整水稻叶片图像;
步骤S2、对所述原始图像进行切割预处理,得到原始图像中的叶片区域;
步骤S3、基于提取的叶片区域进行色彩空间转换,获取原始图像高反差图像和原始图像取反高反差图,比较水稻叶片花青素显色区域的亮度值和叶片正常显色区域的亮度值,根据比较结果利用所述原始图像高反差图像和原始图像取反高反差图得到目标待提取图;
步骤S4、对所述目标待提取图按照亮度中值进行二值化处理后,根据所述比较结果得到目标图像;
步骤S5、利用识别模型对所述目标图像进行轮廓识别处理,得到所有水稻叶片的花青素显色区域。
优选地,所述步骤S2中的对所述原始图像进行切割预处理,包括:
A11、将初始图像转换为原始灰度图像,对原始灰度图像进行高斯模糊处理;
A12、利用Emgucv图像处理库中SmoothGaussian函数对高斯模糊处理后的灰度图进行降噪操作,得到降噪图;
A13、利用Emgucv图像处理库中Canny函数对降噪图进行边缘检测;
A14、利用Emgucv图像处理库中Close函数对降噪图进行边缘闭合操作,闭合参数使用高斯核大小相同数值,得到边缘闭合图;
A15、利用Emgucv图像处理库中FindContours图对边缘闭合图进行边缘检测操作,得到边缘检测图;
A16、对边缘检测图进行外轮廓检测,遍历所有外轮廓,计算所有外轮廓的最小外接矩形后,按照长边/短边的公式计算水稻叶片的长宽比,按照轮廓的面积以及长宽比根据设定的判定规则筛选出水稻叶片区域,其中长宽比计算式为:max(轮廓最小外接矩形长,轮廓最小外接矩形宽)/min(轮廓最小外接矩形长,轮廓最小外接矩形宽)。
优选地,所述判定规则包括:面积小于原始图像长*宽*0.5%且长宽比小于8,得到水稻叶片外轮廓;将水稻叶片外轮廓内部的像素值填充为255,外部的像素填充为0,得到叶片区域蒙版图,依照叶片区域蒙版图从原始图像中切割出水稻叶片区域,记为前景图。
优选地,所述步骤A11中的对原始灰度图像进行高斯模糊处理的高斯核大小按照图像分辨率以及叶片在图像中所占的比例动态生成。
优选地,所述的步骤S3中的基于提取的叶片区域进行色彩空间转换,获取原始图像高反差图像和原始图像取反高反差图,包括:
步骤S13、将判定出的水稻叶片区域由RGB色彩空间转换为HSV色彩空间后,在整个叶片区域上分析叶片空间的亮度分布,开辟256长度的数组,默认数组填充0,作为亮度记录数组;遍历叶片区域像素,获得叶片区域像素在HSV色彩空间的V通道的数值,若亮度数值首次出现,则记录数组与亮度数值相等的位置记为1;叶片区域遍历结束后,收集记录为1的数组序号,重新构成亮度数组;统计亮度数组取得中位数;
对原始图像进行高斯模糊处理得到高斯模糊图像,将原始图像减去高斯模糊图像得到原始图像高反差图像,其中高斯模糊所用高斯核大小默认为:((Min(轮廓最小外接矩形长,轮廓最小外接矩形宽)/20%)/2)*2-1。
优选地,当水稻叶片的花青素显色区域没有明确边界,显色区域接近水稻叶片本身颜色时,所述的步骤S2中的对所述原始图像进行切割预处理,得到原始图像中的叶片区域,还包括:
步骤S21、对筛选出的叶片区域进行高斯模糊操作,而后进行原始图像减去高斯模糊结果图的操作,保留图像的明部变化区域;
步骤S22、对筛选出的叶片区域,进行取反操作后执行相同的高斯模糊操作,而后进行原始图像减去高斯模糊结果图的操作,保留图像的暗部变化区域;其中高斯模糊所用高斯核大小采用动态生成,其判定公式为:((Min(轮廓最小外接矩形长,轮廓最小外接矩形宽)/20%)/2)*2-1;
步骤S23、对S21与S22的结果再次执行相减操作后,得到完整叶片内亮度起伏变化较多的区域的临时图,而后根据花青素显色区域相对叶片正常显色区域的亮度值的数值关系得到花青素显色区域的二值图。
优选地,所述的步骤S3中的比较水稻叶片花青素显色区域的亮度值和叶片正常显色区域的亮度值,根据比较结果利用所述原始图像高反差图像和原始图像取反高反差图得到目标待提取图,包括:
比较水稻叶片花青素显色区域的亮度值相对叶片正常显色区域的亮度值的数值关系,若花青素显色区域大于叶片正常显色区域,则将原始图像高反差图像减去原始图像取反高反差图,作为目标待提取图;若花青素显色区域小于叶片正常显色区域,则将原始图像取反高反差图减去原始图像高反差图像,得到目标待提取图。
优选地,所述的步骤S4中的对所述目标待提取图按照亮度中值进行二值化处理后,根据所述比较结果得到目标图像,包括:
对所述目标待提取图按照亮度中值进行二值化处理后,按照水稻叶片花青素显色区域相对叶片正常显色区域的亮度值的数值关系得到目标图像,叶片正常显色水稻绿色的亮度值大于水稻叶片花青素显色区域深紫色的亮度值。
优选地,所述的步骤S5中的对所述目标图像进行轮廓识别处理,得到所有水稻叶片的花青素显色区域,包括:
将识别出来的水稻叶片的各个花青素轮廓区域的特征作为输入特征向量输入到识别模型,所述水稻叶片的花青素轮廓区域的特征包括RGB各通道数值均值、HSV各通道数值均值、周长、面积、长宽比值、绿色归一值、紫色强化值、轮廓粗糙度和轮廓居中度、以及非标纹理特征值:反差、能量、熵和相关性;
构造训练数据集Train={(X1,Y1),(X2,Y2),…,(XN,YN)}其中Xi表示输入特征向量,Yi表示分类序号,i表示代表轮廓的序号;根据识别模型定义预测函数y=f(x)=sgn(W*X+b),将训练集内的数据代入预测函数后,计算X到平面的距离为其中当所有样本满足时dp=+1,且时dp=-1,则认定对训练数据实现了特殊样本的划分,完成了识别模型的训练;
使用同样方法构建识别数据集Identify={(X1,Y1),(X2,Y2),…,(XN,YN)},将识别数据集代入所述预测函数y=f(x)=sgn(W*X+b),依照预测函数y的输出结果判定分类,即判定所述水稻叶片的各个花青素轮廓区域是否为显色区域。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例方法可以避免人工阈值的干预,快速得到准确的水稻叶片花青素显色区域的识别结果。本发明极少人工干预,所得分析结果稳定。识别速度快,避免时长引起得叶片缺水卷曲或色彩发生变化。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种水稻叶片花青素显色区域分割方法的实现原理图;
图2为本发明实施例提供的一种水稻叶片花青素显色区域分割方法的流程图;
图3为本发明实施例提供的一种第一图像的示意图;
图4为本发明实施例提供的一种原始图像canny检测后的边缘图;
图5为本发明实施例提供的一种canny检测后的对边缘图进行外轮廓检测与闭合操作的结果图;
图6为本发明实施例提供的一种预处理后提取叶片区域结果图;
图7为本发明实施例提供的一种高反差相减结果图进行二值化操作的结果图;
图8为本发明实施例提供的一种提供最终分割示意图;
图9为本发明实施例提供的一种调用预先训练好的模型对水稻叶片的花青素轮廓区域进行识别分类的处理过程示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本申请实施例提供的一种水稻叶片花青素显色区域的分割方法的实现原理如图1所示,具体处理流程如图2所示,包括以下处理步骤:
步骤S1、获取原始图像,所述原始图像包含完整水稻叶片图像;
步骤S2、对所述原始图像进行切割预处理,得到原始图像中的叶片区域,切割预处理后的叶片区域只存在叶片,叶片上只存在花青素显色和正常色两种(噪点太小可忽略),一般水稻为绿色、花青素显示区域为深紫色,两者在亮度上绿色>>深紫。
步骤S3、基于提取的叶片区域进行色彩空间转换,将RGB色彩空间转换为HSV色彩空间后,分析叶片空间的亮度分布,得到亮度的中位数。比较水稻叶片花青素显色区域的亮度值相对叶片正常显色区域的亮度值的数值关系,若花青素显色区域大于叶片正常显色区域,则将原始图像高反差图像减去原始图像取反高反差图,作为目标待提取图;若花青素显色区域小于叶片正常显色区域,则将原始图像取反高反差图减去原始图像高反差图像,作为目标待提取图。在本发明实施例中,叶片正常显色水稻绿色的亮度值大于水稻叶片花青素显色区域深紫色的亮度值。
将上述目标待提取图作为第一图像,第一图像包含花青素显色区域,正常叶片区域以及其他可能出现的病斑、气孔、灰尘等形成的闭合区域。图3为本发明实施例提供的一种第一图像的示意图。
步骤S4、对第一图像按照亮度中值进行二值化处理后,按照水稻叶片花青素显色区域相对叶片正常显色区域的亮度值的数值关系得到目标图像。二值化之后图就变成黑白的,按照上一步的亮度关系,可以认定白色或黑色为花青素显色区域。
对目标图像进行轮廓查找操作后分析各轮廓区域的形状、色彩、纹理信息后,调用预先训练好的模型对轮廓区域进行识别分类,最终筛选出所有水稻叶片的花青素显色区域及其信息,该信息包括花青素显色区域之前的形状、色彩和纹理等信息,这些信息是作为输入特征进行判定的,判定认定该区域为花青素显色区域后,这些输入特征还是存在的,直接输出就是花青素显色区域的特征信息。
所述分析各轮廓区域的纹理信息,包括:计算轮廓的外接矩形,按照外接矩形设置图像ROI后,将轮廓以外的数值填充为-1;遍历外接矩形内所有点,数值为-1则放弃统计,数值>-1则用于计算轮廓区域的纹理信息。
具体的,上述步骤S1具体包括:获取初始图像,所述初始图像中包含完整水稻叶片的俯拍图像
本实施例中,初始图像可以为专有检测灯箱下拍摄的水稻俯拍图;或者直接用户输入图像。
具体的,上述步骤S2具体包括:检测水稻叶片区域。
本实施例中,检测初始图像中的水稻叶片区域的过程可以包括:
A11、将初始图像转换为灰度图像;
本步骤中,可以对初始图像进行预处理,将预处理后的图像转换为灰度图像。对初始图像进行灰度化处理,将图像的R、G、B通道的数值按照(R+B+G)/3后,实现将初始图RGB(红、绿、蓝)色彩空间转换为GRAY色彩空间,并按通道规范像素值到[0~255]区间,作为原始灰度图。
对原始灰度图进行高斯模糊处理,其中高斯核大小按照图像分辨率以及叶片在图像中所占的比例动态生成,默认使用最接近原始图像的长宽中较大的值的1%的单数,计算式为:(max(原始图像长,原始图像宽)/2)*2-1,其中设定高斯核大小、原始图像长、原始图像宽均为计算机内Int类型,Int类型数值在计算机内除以2会忽略小数部分只留整数部分。
A12、利用Emgucv图像处理库中SmoothGaussian函数对高斯模糊处理后的灰度图进行降噪操作,得到降噪图;
A13、利用Emgucv图像处理库中Canny函数对降噪图进行边缘检测。图4为本发明实施例提供的一种原始图像canny检测后的边缘图;
A14、利用Emgucv图像处理库中Close函数对降噪图进行边缘闭合操作。闭合参数使用高斯核大小相同数值,得到边缘闭合图;
闭合步骤后将可能的边缘检测过程中造成的断点和凹凸点进行联接与平滑。图5为本发明实施例提供的一种canny检测后的对边缘图进行外轮廓检测与闭合操作的结果图。
A15、利用Emgucv图像处理库中FindContours图对边缘闭合图进行边缘检测操作,得到边缘检测图。
A16、图6为本发明实施例提供的一种预处理后提取叶片区域结果图。对边缘检测图进行外轮廓检测,遍历所有外轮廓,计算所有外轮廓的最小外接矩形后,按照长边/短边的公式计算水稻叶片的长宽比。按照轮廓的面积以及长宽比筛选出叶片区域,其中长宽比计算式为:max(轮廓最小外接矩形长,轮廓最小外接矩形宽)/min(轮廓最小外接矩形长,轮廓最小外接矩形宽),按照水稻叶片细长的普遍特性,默认的排除判定为:面积小于原始图像长*宽*0.5%且长宽比小于8,得到水稻叶片外轮廓;将水稻叶片外轮廓内部的像素值填充为255,外部的像素填充为0,得到叶片区域蒙版图。依照叶片区域蒙版图从原始图像中切割出水稻叶片区域,记为前景图;
需要说明的是,可能由于背景板材质等因素,二值化可能造成较多的轮廓,无法成功利用特征数值切筛选出叶片区域,可在步骤B11-B15步骤上细化或增加特征条件。
上述步骤S3具体包括:
步骤S13、将判定出的水稻叶片区域由RGB色彩空间转换为HSV色彩空间后,在整个叶片区域上分析叶片空间的亮度分布,即统计排除原始图像中叶片区域以外的不规则区域。开辟256长度的数组,默认数组填充0,作为亮度记录数组;遍历叶片区域像素,获得叶片区域像素在HSV色彩空间的V通道的数值,若亮度数值首次出现,则记录数组与亮度数值相等的位置记为1;叶片区域遍历结束后,收集记录为1的数组序号,重新构成亮度数组;统计亮度数组取得中位数。
对原始图像进行高斯模糊处理,得到高斯模糊图像,将原始图像减去高斯模糊图像得到原始图像高反差图像。
其中原始图像减去高斯模糊图可以有效排除大面积的色彩稳定区域增强边缘变化区域,其中高斯模糊所用高斯核大小默认为:((Min(轮廓最小外接矩形长,轮廓最小外接矩形宽)/20%)/2)*2-1。
对原始图像先进行高斯模糊处理,得到高斯模糊图像,将原始图像取反后再减去高斯模糊图像得到原始图像取反高反差图。
图7为本发明实施例提供的一种高反差相减结果图进行二值化操作的结果图;所述花青素显色区域的亮度值相对叶片正常显色区域的亮度值的数值关系,默认选择为花青素显色区域的小于叶片正常显色区域的亮度值,即依照花青素显色区域多为蓝色、紫色,水稻叶片多为绿色,这两者在RGB以及GRAY通道上数值较为接近,但两者在HSV空间上绿色属于较亮、蓝紫色属于较暗,适合用于图像切割。该数值根据每张原始图像分析获得,是一个动态数值。
所述除去常规RGB各通道数值均值、HSV各通道数值均值、周长、面积、长宽比值等,还包括:
绿色归一值:将轮廓区域的G通道*2-R通道-B通道后所求均值
紫色强化值:将轮廓区域内的R通道与B通道两者较大值记录后所求均值
轮廓粗糙度:将轮廓执行多边形逼近后面积除以轮廓面积
轮廓居中度:将水稻叶片执行细化操作后得到叶片的骨骼线,遍历骨骼线上的点查找与轮廓重心最近的点,计算两点之间的距离,记做D;计算水稻叶片轮廓的最大内接圆,得到最大内接圆半径,记做R;将D/R以及非标灰度共生矩阵下计算出的纹理相关属性:对比度、熵、能量等。非标灰度共生矩阵按照以下方式计算,包括:计算轮廓的外接矩形后按照外接矩形设置图像ROI,将轮廓以外的数值填充为-1;遍历外接矩形内所有点,数值为-1则放弃统计,数值>-1则用于计算轮廓区域的纹理信息。其中对比度计算为:Con=∑i∑j(i-j)2P(i,j),能量计算式为:Asm=∑i∑jP(i-j)2,熵计算式为:Ent=-∑i∑jlogP(i,j)P(i,j)
图8为本发明实施例提供的一种提供最终分割示意图。所述调用预先训练好的模型对轮廓区域进行识别分类,得到最终分割出来的水稻叶片的花青素显色区域。上述模型包括Emgucv图像处理中SVM、BP等预设模型函数或自定义训练模型。
图9为本发明实施例提供的一种调用预先训练好的模型对水稻叶片的各个花青素轮廓区域进行识别分类的处理过程示意图,包括:将识别出来的水稻叶片的各个花青素轮廓区域的特征作为输入特征向量输入到识别模型,上述水稻叶片的花青素轮廓区域的特征包括RGB各通道数值均值、HSV各通道数值均值、周长、面积、长宽比值、绿色归一值、紫色强化值、轮廓粗糙度、轮廓居中度、以及非标纹理特征值:反差、能量、熵、相关性。构造训练数据集Train={(X1,Y1),(X2,Y2),…,(XN,YN)}其中Xi表示输入特征向量,Yi表示分类序号,i表示代表轮廓的序号;
根据识别模型定义预测函数y=f(x)=sgn(W*X+b)
其后的使用同样方法构建识别数据集Identify={(X1,Y1),(X2,Y2),…,(XN,YN)}
将识别数据集代入上述预测函数y=f(x)=sgn(W*X+b),
依照预测函数y的输出结果判定各个花青素轮廓区域的分类结果,即判定上述水稻叶片的各个花青素轮廓区域是否为显色区域。
如图9,将所有区域的特征当作输入层,将是否为显色区域的结果定义为输出层,内部的中间层就是自己设计的模型。SVM和BP在Emgucv中是集成的函数,直接可以调用。训练完成后得到中间每一层的权重,以后再有新的输入层的时候,就可以根据之前得到的模型,直接给出输出结果。
作为本申请另一可选实施例,为本申请提供的一种水稻组织花青甙显色区域分割及定量分析的方法,本实施例主要是对花青素显色区域没有明确边界,显色区域接近水稻叶片本身颜色的细化方案,
该方法可以包括但并不局限于以下步骤:
步骤S21、对筛选出的叶片区域,进行高斯模糊操作,而后进行原始图像减去高斯模糊结果图的操作,保留图像的明部变化区域。
步骤S22、对筛选出的叶片区域,进行取反操作后执行相同的高斯模糊操作,而后进行原始图像减去高斯模糊结果图的操作,保留图像的暗部变化区域。
需要说明的是,其中高斯模糊所用高斯核大小采用动态生成,其判定公式为:((Min(轮廓最小外接矩形长,轮廓最小外接矩形宽)/20%)/2)*2-1。
步骤S23、对S21与S22的结果再次执行相减操作后,得到完整叶片内亮度起伏变化较多的区域的临时图,而后根据花青素显色区域相对叶片正常显色区域的亮度值的数值关系得到花青素显色区域的二值图。
需要说明的是,所述花青素显色区域相对叶片正常显色区域的亮度值的数值关系,默认选择为花青素显色区域小于叶片正常显色区域的亮度值,即依照花青素显色区域多为蓝色、紫色,水稻叶片多为绿色,这两者在RGB以及GRAY通道上数值较为接近,但两者在HSV空间上绿色属于较亮、蓝紫色属于较暗,适合用于图像切割。
步骤S31、轮廓属性分析中包含常规RGB各通道数值均值、HSV各通道数值均值、周长、面积、长宽比值等,还包括:
绿色归一值:将轮廓区域的G通道*2-R通道-B通道后所求均值
紫色强化值:将轮廓区域内的R通道与B通道两者较大值记录后所求均值轮廓粗糙度:将轮廓执行多边形逼近后面积除以轮廓面积
轮廓居中度:将水稻叶片执行细化操作后得到叶片的骨骼线,遍历骨骼线上的点查找与轮廓重心最近的点,计算两点之间的距离,记做D;计算水稻叶片轮廓的最大内接圆,得到最大内接圆半径,记做R;将D/R
以及非标灰度共生矩阵下计算出的纹理相关属性:对比度、熵、能量等。非标灰度共生矩阵按照以下方式计算,包括:
C11、计算轮廓的外接矩形,
C12、按照外接矩形设置图像ROI后,将轮廓以外的数值填充为-1;
C13、遍历外接矩形内所有点,数值为-1则放弃统计,数值>-1则用于计算轮廓区域的纹理信息。
C14、对比度计算为:Con=∑i∑j(i-j)2P(i,j),能量计算式为:Asm=∑i∑jP(i-j)2,熵计算式为:Ent=-∑i∑jlogP(i,j)P(i,j)
步骤S41、调用预先训练好的模型对轮廓区域进行识别分类包括:
将RGB各通道数值均值、HSV各通道数值均值、周长、面积、长宽比值、绿色归一值、紫色强化值、轮廓粗糙度、轮廓居中度、以及非标纹理特征值:反差、能量、熵、相关性作为输入特征向量,构造训练数据集Train={(X1,Y1),(X2,Y2),…,(XN,YN)}其中Xi表示输入特征向量,Yi表示分类序号,i表示代表轮廓的序号;而后定义预测函数y=f(x)=sgn(W*X+b),将训练集内的数据代入预测函数后计算X到平面的距离为其中当所有样本满足时dp=+1,且时dp=-1,则认定对训练数据实现了特殊样本的划分,完成了模型训练。其后使用同样方法构建识别数据集Identify={(X1,Y1),(X2,Y2),…,(XN,YN)},代入上文实现的预测函数y=f(x)=sgn(W*X+b),依照结果判定分类。
综上所述,本发明实施例方法可以避免人工阈值的干预,快速得到准确的水稻叶片花青素显色区域的识别结果。本发明极少人工干预,所得分析结果稳定。识别速度快,避免时长引起得叶片缺水卷曲或色彩发生变化。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及***实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种水稻叶片花青素显色区域分割及定量分析的方法,其特征在于,包括:
步骤S1、获取原始图像,所述原始图像包含完整水稻叶片图像;
步骤S2、对所述原始图像进行切割预处理,得到原始图像中的叶片区域;
步骤S3、基于提取的叶片区域进行色彩空间转换,获取原始图像高反差图像和原始图像取反高反差图,比较水稻叶片花青素显色区域的亮度值和叶片正常显色区域的亮度值,根据比较结果利用所述原始图像高反差图像和原始图像取反高反差图得到目标待提取图;
步骤S4、对所述目标待提取图按照亮度中值进行二值化处理后,根据所述比较结果得到目标图像;
步骤S5、利用识别模型对所述目标图像进行轮廓识别处理,得到所有水稻叶片的花青素显色区域;
所述的步骤S3中的基于提取的叶片区域进行色彩空间转换,获取原始图像高反差图像和原始图像取反高反差图,包括:
步骤S13、将判定出的水稻叶片区域由RGB色彩空间转换为HSV色彩空间后,在整个叶片区域上分析叶片空间的亮度分布,开辟256长度的数组,默认数组填充0,作为亮度记录数组;遍历叶片区域像素,获得叶片区域像素在HSV色彩空间的V通道的数值,若亮度数值首次出现,则记录数组与亮度数值相等的位置记为1;叶片区域遍历结束后,收集记录为1的数组序号,重新构成亮度数组;统计亮度数组取得中位数;
对原始图像进行高斯模糊处理得到高斯模糊图像,将原始图像减去高斯模糊图像得到原始图像高反差图像,其中高斯模糊所用高斯核大小默认为:((Min(轮廓最小外接矩形长,轮廓最小外接矩形宽)/20%)/2)*2-1;
所述的步骤S3中的比较水稻叶片花青素显色区域的亮度值和叶片正常显色区域的亮度值,根据比较结果利用所述原始图像高反差图像和原始图像取反高反差图得到目标待提取图,包括:
比较水稻叶片花青素显色区域的亮度值相对叶片正常显色区域的亮度值的数值关系,若花青素显色区域大于叶片正常显色区域,则将原始图像高反差图像减去原始图像取反高反差图,作为目标待提取图;若花青素显色区域小于叶片正常显色区域,则将原始图像取反高反差图减去原始图像高反差图像,得到目标待提取图。
2.根据权利要求1所述的方法,其特征在于,所述步骤S2中的对所述原始图像进行切割预处理,包括:
A11、将初始图像转换为原始灰度图像,对原始灰度图像进行高斯模糊处理;
A12、利用Emgucv图像处理库中SmoothGaussian函数对高斯模糊处理后的灰度图进行降噪操作,得到降噪图;
A13、利用Emgucv图像处理库中Canny函数对降噪图进行边缘检测;
A14、利用Emgucv图像处理库中Close函数对降噪图进行边缘闭合操作,闭合参数使用高斯核大小相同数值,得到边缘闭合图;
A15、利用Emgucv图像处理库中FindContours图对边缘闭合图进行边缘检测操作,得到边缘检测图;
A16、对边缘检测图进行外轮廓检测,遍历所有外轮廓,计算所有外轮廓的最小外接矩形后,按照长边/短边的公式计算水稻叶片的长宽比,按照轮廓的面积以及长宽比根据设定的判定规则筛选出水稻叶片区域,其中长宽比计算式为:max(轮廓最小外接矩形长,轮廓最小外接矩形宽)/min(轮廓最小外接矩形长,轮廓最小外接矩形宽)。
3.根据权利要求2所述的方法,其特征在于,所述判定规则包括:面积小于原始图像长*宽*0.5%且长宽比小于8,得到水稻叶片外轮廓;将水稻叶片外轮廓内部的像素值填充为255,外部的像素填充为0,得到叶片区域蒙版图,依照叶片区域蒙版图从原始图像中切割出水稻叶片区域,记为前景图。
4.根据权利要求2所述的方法,其特征在于,所述步骤A11中的对原始灰度图像进行高斯模糊处理的高斯核大小按照图像分辨率以及叶片在图像中所占的比例动态生成。
5.根据权利要求1所述的方法,其特征在于,当水稻叶片的花青素显色区域没有明确边界,显色区域接近水稻叶片本身颜色时,所述的步骤S2中的对所述原始图像进行切割预处理,得到原始图像中的叶片区域,还包括:
步骤S21、对筛选出的叶片区域进行高斯模糊操作,而后进行原始图像减去高斯模糊结果图的操作,保留图像的明部变化区域;
步骤S22、对筛选出的叶片区域,进行取反操作后执行相同的高斯模糊操作,而后进行原始图像减去高斯模糊结果图的操作,保留图像的暗部变化区域;其中高斯模糊所用高斯核大小采用动态生成,其判定公式为:((Min(轮廓最小外接矩形长,轮廓最小外接矩形宽)/20%)/2)*2-1;
步骤S23、对S21与S22的结果再次执行相减操作后,得到完整叶片内亮度起伏变化多的区域的临时图,而后根据花青素显色区域相对叶片正常显色区域的亮度值的数值关系得到花青素显色区域的二值图。
6.根据权利要求1所述的方法,其特征在于,所述的步骤S4中的对所述目标待提取图按照亮度中值进行二值化处理后,根据所述比较结果得到目标图像,包括:
对所述目标待提取图按照亮度中值进行二值化处理后,按照水稻叶片花青素显色区域相对叶片正常显色区域的亮度值的数值关系得到目标图像,叶片正常显色水稻绿色的亮度值大于水稻叶片花青素显色区域深紫色的亮度值。
7.根据权利要求6所述的方法,其特征在于,所述的步骤S5中的对所述目标图像进行轮廓识别处理,得到所有水稻叶片的花青素显色区域,包括:
将识别出来的水稻叶片的各个花青素轮廓区域的特征作为输入特征向量输入到识别模型,所述水稻叶片的花青素轮廓区域的特征包括RGB各通道数值均值、HSV各通道数值均值、周长、面积、长宽比值、绿色归一值、紫色强化值、轮廓粗糙度和轮廓居中度、以及非标纹理特征值:反差、能量、熵和相关性;
构造训练数据集Train={(X1,Y1),(X2,Y2),…,(XN,YN)}其中Xi表示输入特征向量,Yi表示分类序号,i表示代表轮廓的序号;根据识别模型定义预测函数y=f(x)=sgn(W*X+b),将训练集内的数据代入预测函数后,计算X到平面的距离为其中当所有样本满足时dp=+1,且时dp=-1,则认定对训练数据实现了特殊样本的划分,完成了识别模型的训练;
使用同样方法构建识别数据集Identify={(X1,Y1),(X2,Y2),…,(XN,YN)},将识别数据集代入所述预测函数y=f(x)=sgn(W*X+b),依照预测函数y的输出结果判定分类,即判定所述水稻叶片的各个花青素轮廓区域是否为显色区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111024267.0A CN113743421B (zh) | 2021-09-02 | 2021-09-02 | 一种水稻叶片花青素显色区域分割及定量分析的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111024267.0A CN113743421B (zh) | 2021-09-02 | 2021-09-02 | 一种水稻叶片花青素显色区域分割及定量分析的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743421A CN113743421A (zh) | 2021-12-03 |
CN113743421B true CN113743421B (zh) | 2022-05-24 |
Family
ID=78734914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111024267.0A Active CN113743421B (zh) | 2021-09-02 | 2021-09-02 | 一种水稻叶片花青素显色区域分割及定量分析的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743421B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058359A (zh) * | 2023-08-11 | 2023-11-14 | 云南省农业科学院质量标准与检测技术研究所 | 基于计算机视觉的定量胶体金试纸检测方法和*** |
CN117808900B (zh) * | 2024-02-29 | 2024-05-14 | 云南省农业科学院质量标准与检测技术研究所 | 一种玉米花丝花青甙显色强度分级方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086714A (zh) * | 2018-07-31 | 2018-12-25 | 国科赛思(北京)科技有限公司 | 表格识别方法、识别***及计算机装置 |
CN112084841A (zh) * | 2020-07-27 | 2020-12-15 | 齐鲁工业大学 | 跨模态的图像多风格字幕生成方法及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105938564B (zh) * | 2016-04-29 | 2020-03-24 | 无锡中科智能农业发展有限责任公司 | 基于主成分分析和神经网络的水稻病害识别方法及*** |
CN108509819A (zh) * | 2018-03-07 | 2018-09-07 | 中山大学 | 一种用于光照不均匀的二维码二值化方法 |
CN108647634A (zh) * | 2018-05-09 | 2018-10-12 | 深圳壹账通智能科技有限公司 | 图像边框查找方法、装置、计算机设备及存储介质 |
CN110427798B (zh) * | 2019-06-12 | 2023-07-18 | 勤耕仁现代农业科技发展(淮安)有限责任公司 | 一种青菜智能识别及叶色环境变化预测的方法 |
CN112836707B (zh) * | 2021-01-11 | 2022-03-22 | 西安电子科技大学 | 一种isar图像空中目标长度特征提取方法 |
-
2021
- 2021-09-02 CN CN202111024267.0A patent/CN113743421B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086714A (zh) * | 2018-07-31 | 2018-12-25 | 国科赛思(北京)科技有限公司 | 表格识别方法、识别***及计算机装置 |
CN112084841A (zh) * | 2020-07-27 | 2020-12-15 | 齐鲁工业大学 | 跨模态的图像多风格字幕生成方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113743421A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3455782B1 (en) | System and method for detecting plant diseases | |
CN110097034B (zh) | 一种智能人脸健康程度的识别与评估方法 | |
US10198821B2 (en) | Automated tattoo recognition techniques | |
Gatos et al. | ICDAR 2009 document image binarization contest (DIBCO 2009) | |
CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
CN110717896B (zh) | 基于显著性标签信息传播模型的板带钢表面缺陷检测方法 | |
CN113743421B (zh) | 一种水稻叶片花青素显色区域分割及定量分析的方法 | |
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 | |
CN112464942B (zh) | 基于计算机视觉的重叠烟叶智能化分级方法 | |
CN109255326B (zh) | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN115375690B (zh) | 一种舌象腐腻苔分类识别方法 | |
CN115841447A (zh) | 一种磁瓦表面缺陷的检测方法 | |
CN111986125A (zh) | 一种用于多目标任务实例分割的方法 | |
CN108921857A (zh) | 一种面向监视场景的视频图像焦点区域分割方法 | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
Arbeláez et al. | A metric approach to vector-valued image segmentation | |
Han et al. | Segmenting images with complex textures by using hybrid algorithm | |
CN113313678A (zh) | 一种基于多尺度特征融合的***形态学自动分析方法 | |
CN111210449B (zh) | 一种***癌病理图像中腺体空腔的自动化分割方法 | |
CN117036314A (zh) | 一种高密度柔性ic基板氧化区域检测方法 | |
CN113743399A (zh) | 一种基于集成技术的烤烟烟叶等级识别方法 | |
CN118134955B (zh) | 基于人工智能的无绿幕人像自动抠图方法 | |
Hussain et al. | Survey on mitosis detection for aggressive breast cancer from histological images | |
Priya et al. | An Integrated Approach to Bacteria Structure Detection using Frangi-Thresholding Segmentation and its Impact on Analysis |
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 |