CN116246174B - 基于图像处理的甘薯种类识别方法 - Google Patents
基于图像处理的甘薯种类识别方法 Download PDFInfo
- Publication number
- CN116246174B CN116246174B CN202310457586.3A CN202310457586A CN116246174B CN 116246174 B CN116246174 B CN 116246174B CN 202310457586 A CN202310457586 A CN 202310457586A CN 116246174 B CN116246174 B CN 116246174B
- Authority
- CN
- China
- Prior art keywords
- texture
- gray
- value
- pixel point
- pixel points
- 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
- 244000017020 Ipomoea batatas Species 0.000 title claims abstract description 109
- 235000002678 Ipomoea batatas Nutrition 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 title claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 241001270131 Agaricus moelleri Species 0.000 claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 56
- 244000061456 Solanum tuberosum Species 0.000 description 9
- 235000002595 Solanum tuberosum Nutrition 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 2
- 229920002472 Starch Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的甘薯种类识别方法,该方法包括:获取甘薯横切面的灰度图像,获得像素点的纹理特征方向与纹理复杂度对灰度图像上的像素点进行筛选得到纹理像素点;确定甘薯特征方向;根据灰度值差异、纹理特征方向与纹理复杂度以及甘薯特征方向得到纹理重要程度;获得特征像素点,根据特征像素点与邻域像素点的灰度值差异确定不同灰度间隔;对图像中像素值进行灰度等级的划分,根据纹理复杂度与灰度等级、纹理重要程度得到不同灰度间隔的效果评价;确定最优灰度间隔,根据等级划分后的图像以及灰度图像对甘薯种类进行识别得到识别结果。本发明能够获得较为准确的甘薯种类识别结果。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的甘薯种类识别方法。
背景技术
甘薯是一种重要的农作物,其种类也是多种多样的。而由于甘薯的种类繁多,不同种类的甘薯经济价值不同,因此,对薯块的薯种进行准确的识别就显得尤为重要。传统的方法是通过对薯块中的淀粉含量进行化学分析,进行薯种的判断,但是该方法的成功过高。
现在利用图像处理技术对农作物进行识别的方法被广泛应用。通过获取薯块表面图像的颜色直方图以及灰度共生矩阵,进而提取甘薯薯块的颜色特征与纹理特征,最终利用神经网络进行种类的识别。但是该方法在利用灰度共生矩阵提取纹理信息时,需要对图像中像素点的像素值进行灰度等级的划分,划分的等级过少,会丢失纹理信息,划分的等级过多,会使计算量过大。因此,灰度等级的划分不准确,会影响纹理信息的准确度,进而使得甘薯种类识别结果较不准确。
发明内容
为了解决甘薯种类识别结果较不准确的技术问题,本发明的目的在于提供一种基于图像处理的甘薯种类识别方法,所采用的技术方案具体如下:
获取甘薯横切面的灰度图像,根据灰度图像上像素点与其邻域像素点之间的灰度差异获得像素点的纹理特征方向与纹理复杂度,利用纹理复杂度对灰度图像上的像素点进行筛选得到纹理像素点;
根据每个纹理像素点的纹理特征方向上包含的纹理像素点的数量确定甘薯特征方向;根据纹理像素点的邻域内灰度值差异、纹理特征方向与纹理复杂度以及甘薯特征方向得到纹理像素点的纹理重要程度;
根据纹理重要程度对纹理像素点进行筛选得到特征像素点,根据特征像素点与邻域像素点的灰度值差异确定不同灰度间隔;利用不同灰度间隔对灰度图像中像素点的像素值进行灰度等级的划分,根据纹理像素点的纹理复杂度与对应的灰度等级、纹理重要程度得到不同灰度间隔的效果评价;
根据效果评价确定最优灰度间隔,利用最优灰度间隔对灰度图像进行灰度等级的划分,根据等级划分后的图像以及灰度图像对甘薯种类进行识别得到识别结果。
优选地,所述根据灰度图像上像素点与其邻域像素点之间的灰度差异获得像素点的纹理特征方向与纹理复杂度具体为:
对于任意一个像素点,计算该像素点的灰度值与邻域像素点的灰度值之间差值的绝对值得到特征差值,获取特征差值大于预设值的数量,以所述数量与邻域像素点的总数量之间的比值作为像素点的纹理复杂度;获取特征差值的最大值对应的邻域像素点与像素点连线的倾斜角度,得到像素点的纹理特征方向。
优选地,所述纹理重要程度的获取方法具体为:
其中,表示第r个纹理像素点的纹理重要程度,表示第r个纹理像素点的纹理
复杂度,表示第r个纹理像素点在甘薯特征方向上包含的纹理像素点的数量,表示第r
个纹理像素点在其纹理特征方向上的特征差值,表示第r个纹理像素点在甘薯特征方向
上第v个纹理像素点对应的特征差值,表示第r个纹理像素点的纹理特征方向对应的角
度,表示第r个纹理像素点在甘薯特征方向上对应的角度,exp( )表示以自然常数e为底
的指数函数,Norm( )表示归一化函数。
优选地,所述根据纹理重要程度对纹理像素点进行筛选得到特征像素点,根据特征像素点与邻域像素点的灰度值差异确定不同灰度间隔,具体包括:
将纹理重要程度大于重要程度阈值的纹理像素点记为特征像素点;
对于任意一个特征像素点,计算特征像素点与其邻域像素点之间的灰度差值的绝对值,以所有邻域像素点对应的灰度差值的绝对值的最小值作为该特征像素点对应的灰度间隔;进而获得所有特征像素点对应的不同灰度间隔。
优选地,所述效果评价的获取方法具体为:
对于任意一个纹理像素点,在利用任意一种灰度间隔对灰度图像进行灰度等级划分后,根据纹理像素点与其邻域像素点之间的灰度等级差异得到等级纹理复杂度,计算纹理像素点的纹理复杂度与等级纹理复杂度差值的绝对值,以所述绝对值的归一化值作为纹理像素点在该灰度间隔下的纹理丢失度;
在任意一种灰度间隔下,获取以该灰度间隔对灰度图像进行灰度等级划分后得到灰度等级的数量;计算每一个纹理像素点在该灰度间隔下的纹理丢失度与对应的纹理重要程度的乘积并求和,根据求和得到的数值与灰度等级的数量得到该灰度间隔对应的效果评价;
所述求和得到的数值与灰度间隔对应的效果评价之间的关系为负相关关系;所述灰度等级的数量与灰度间隔对应的效果评价之间的关系为负相关关系。
优选地,所述根据每个纹理像素点的纹理特征方向上包含的纹理像素点的数量确定甘薯特征方向,包括:
对于任意一个纹理像素点,将纹理像素点的纹理特征方向上包含的所有纹理像素点的数量记为纹理像素点的特征数量;将灰度图像上特征数量的最大值对应的纹理像素点的纹理特征方向记为甘薯特征方向。
优选地,所述利用纹理复杂度对灰度图像上的像素点进行筛选得到纹理像素点具体为:
根据纹理复杂度对灰度图像中的像素点进行分类,得到两个类别,将类别内像素点的纹理复杂度的均值较大的类别记为纹理类别,纹理类别内的像素点为纹理像素点。
优选地,所述根据效果评价确定最优灰度间隔具体为:
将效果评价的最大值对应的灰度间隔记为最优灰度间隔。
优选地,所述根据等级划分后的图像以及灰度图像对甘薯种类进行识别得到识别结果具体为:
根据等级划分后的图像构建灰度共生矩阵,计算灰度共生矩阵的对比度和角二阶矩分别记为第一分类特征值和第二分类特征值;
将灰度图像转换为HSV图像,根据HSV图像的颜色特征获取第三分类特征值;
对灰度图像进行滤波处理,计算滤波处理后的图像的均值和能量分别记为第四分类特征值和第五分类特征值;
利用第一分类特征值、第二分类特征值、第三分类特征值、第四分类特征值和第五分类特征值构成分类特征向量;将归一化后的分类特征向量输入神经网络中对甘薯种类进行识别,输出识别结果。
本发明实施例至少具有如下有益效果:
本发明通过获取甘薯横切面的灰度图像,对灰度图像上像素点与其邻域像素点之间的灰度差异进行分析,得到像素点的纹理特征方向和纹理复杂度,利用纹理复杂度筛选获得纹理像素点,通过分析像素点所包含的纹理信息,对像素点进行初步的筛选,能够粗略的获得灰度图像中包含甘薯纹理信息的纹理像素点;然后根据每个纹理像素点的纹理特征方向上包含的纹理像素点的数量确定甘薯特征方向,利用甘薯特征方向表征甘薯薯块的纹理特征分布的方向,进而越接近该方向上的纹理信息越能够表征甘薯薯块的纹理特征,进而基于灰度值差异纹理特征方向与纹理复杂度以及甘薯特征方向计算纹理重要程度,反映了纹理像素点所在位置处的纹理特征信息能够表征甘薯薯块的纹理特征信息的重要程度;进一步的,根据纹理重要程度筛选出一部分较为重要的特征像素点,通过分析像素点与其邻域像素点的灰度差异确定灰度间隔,通过分析每种灰度间隔对应的划分结果中像素点的纹理丢失情况,计算效果评价,表征了不同灰度间隔对应的划分效果,进而能够获得纹理信息丢失最小的情况下对应的灰度间隔,使得灰度图像进行灰度等级划分的结果较为准确,不会影响纹理信息的准确度,进而能够获得较为准确的甘薯种类识别结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1是本发明的一种基于图像处理的甘薯种类识别方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于图像处理的甘薯种类识别方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于图像处理的甘薯种类识别方法的具体方案。
实施例:
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的甘薯种类识别方法的方法流程图,该方法包括以下步骤:
步骤一,获取甘薯横切面的灰度图像,根据灰度图像上像素点与其邻域像素点之间的灰度差异获得像素点的纹理特征方向与纹理复杂度,利用纹理复杂度对灰度图像上的像素点进行筛选得到纹理像素点。
首先,通过工业相机采集甘薯薯块横切面的图像,在本实施例中,采用固定光源照射甘薯薯块,将工业相机放置在甘薯薯块的正上方进行图像的采集。采集到的图像为RGB图像,再对RGB图像进行灰度化得到甘薯薯块横切面的灰度图像。在本实施例中,采用加权灰度化的方法对图像进行灰度化处理,实施者可根据具体实施场景选择合适的方法进行灰度化处理。
需要说明的是,构建灰度图像的灰度共生矩阵时需要对灰度图像中像素点的像素值进行灰度等级的划分,例如,将像素点的灰度值划分为16级时,一个灰度值为255的像素点,在该像素点的邻域内存在灰度值为240的像素点,二者之间存在一定的灰度差异,局部存在纹理信息,但是经过等级划分后,二者之间的灰度等级相同,就使得像素点的纹理信息丢失。而划分的灰度等级数量过大时,需要统计的二元组数量较多,存在过多的冗余信息,使得计算量较大。因此,需要根据甘薯薯块横切面的灰度图像中像素点的纹理信息,确定较为合适的灰度等级的划分数量。
灰度共生矩阵的构建方法是对像素点和其不同方向上固定步长的像素点组成的二元组进行分析,在本实施例中,对像素点和其不同方向上步长为1的像素点之间的灰度差异进行分析,即利用像素点和其邻域像素点之间的灰度值差异表征像素点的局部纹理存在的复杂程度。若像素点与其邻域像素点之间存在灰度差异,说明在像素点的位置处存在一定的局部甘薯纹理信息。
基于此,根据灰度图像上像素点与其邻域像素点之间的灰度差异获得像素点的纹
理特征方向与纹理复杂度,具体地,对于任意一个像素点,计算该像素点的灰度值与邻域像
素点的灰度值之间差值的绝对值得到特征差值,表示为,表示像素点t的
第i个邻域像素点对应的特征差值,为像素点t的灰度值,为像素点t的第i个邻域像素
点的灰度值。
获取特征差值大于预设值的数量,以所述数量与邻域像素点的总数量之间的比值作为像素点的纹理复杂度。在本实施例中,像素点的邻域像素点的总数量为8,预设值的取值为0。即对像素点与其8邻域内的邻域像素点之间的灰度差异进行分析,当存在邻域像素点对应的特征差值大于0时,说明此时像素点与其邻域像素点之间存在灰度差异,进而说明在像素点的位置处存在一定的局部甘薯纹理信息。进一步的,对8邻域内存在纹理信息的邻域像素进行统计,能够获得像素点的纹理复杂度。像素点的纹理复杂度取值越大,说明在该像素点位置处蕴含的甘薯纹理信息越多。像素点的纹理复杂度取值越小,说明在该像素点位置处蕴含的甘薯纹理信息越少。
获取特征差值的最大值对应的邻域像素点与像素点连线的倾斜角度,得到像素点的纹理特征方向。其中,倾斜角度即为邻域像素点与像素点之间的连线所在直线与水平向右方向之间的夹角角度。在本实施例中,像素点的纹理特征方向有8种不同的情况,即0°方向、45°方向、90°方向、135°方向、180°方向、225°方向、270°方向和315°方向。像素点的纹理特征方向表征的是像素点与其邻域像素点之间最大灰度差异对应的方向。
利用纹理复杂度对灰度图像上的像素点进行筛选得到纹理像素点,具体地,根据纹理复杂度对灰度图像中的像素点进行分类,得到两个类别,将类别内像素点的纹理复杂度的均值较大的类别记为纹理类别,纹理类别内的像素点为纹理像素点。
在甘薯薯块表面,一部分具有一定纹理特征,一部分是光滑的背景。对于光滑的背景区域,像素点的局部纹理的复杂程度较低,对于甘薯纹理区域,像素点的局部纹理的复杂程度较高。基于此,可以根据像素点的纹理复杂度对像素点进行分类。
在本实施例中,采用k-means均值聚类算法利用像素点的纹理复杂度对像素点进行分类,算法中参数k的取值为2,距离的度量为纹理复杂度的差值,进而得到两个类别。分别计算每个类别内像素点的纹理复杂度的均值,均值较大的类别即为纹理像素点所在类别,均值较小的类别即为背景像素点所在类别。
步骤二,根据每个纹理像素点的纹理特征方向上包含的纹理像素点的数量确定甘薯特征方向;根据纹理像素点的邻域内灰度值差异、纹理特征方向与纹理复杂度以及甘薯特征方向得到纹理像素点的纹理重要程度。
根据先验可知,不同薯种的薯块横切面的纹理信息存在一定的差异性,而对于同一薯种的薯块横切面的纹理信息呈现出规律性的分布特征。故可通过对纹理像素点的纹理特征方向进行分析,获取甘薯薯块的纹理特征分布方向。
基于此,根据每个纹理像素点的纹理特征方向上包含的纹理像素点的数量确定甘薯特征方向,具体地,对于任意一个纹理像素点,将纹理像素点的纹理特征方向上包含的所有纹理像素点的数量记为纹理像素点的特征数量;将灰度图像上特征数量的最大值对应的纹理像素点的纹理特征方向记为甘薯特征方向。
需要说明的是,每一个纹理像素点均存在对应的纹理特征方向,表征了在纹理像素点的位置处灰度差异最大的方向。进一步的,在每一个纹理像素点的纹理特征方向所在直线统计直线上包含的纹理像素点的数量,即在灰度差异最大的方向上统计包含较多纹理信息的像素点。将所有纹理像素点的特征数量的最大值对应的纹理特征方向记为甘薯特征方向,利用甘薯特征方向表征甘薯薯块的纹理特征分布的方向,进而越接近该方向上的纹理信息越能够表征甘薯薯块的纹理特征。
通过获取纹理像素点的纹理特征方向与甘薯薯块的纹理特征分布的方向之间的相似性,能够反映出纹理像素点存在一定纹理信息的方向与甘薯薯块的纹理特征分布的方向之间的相似性程度,相似性程度越大,说明纹理像素点表征的纹理信息越能够表征甘薯薯块表面特有的规律性纹理信息。
基于此,根据纹理像素点的邻域内灰度值差异、纹理特征方向与纹理复杂度以及甘薯特征方向得到纹理像素点的纹理重要程度,所述纹理重要程度的计算公式具体为:
其中,表示第r个纹理像素点的纹理重要程度,表示第r个纹理像素点的纹理
复杂度,表示第r个纹理像素点在甘薯特征方向上包含的纹理像素点的数量,表示第r
个纹理像素点在其纹理特征方向上的特征差值,表示第r个纹理像素点在甘薯特征方向
上第v个纹理像素点对应的特征差值,表示第r个纹理像素点的纹理特征方向对应的角
度,表示第r个纹理像素点在甘薯特征方向上对应的角度,exp( )表示以自然常数e为底
的指数函数,Norm( )表示归一化函数。
表示纹理像素点在邻域内的最大灰度差异与甘薯特征方向上的灰度差
异之间的差值,反映了纹理像素点的纹理特征信息与甘薯薯块的纹理特征信息之间的差
异,该差异越小,说明纹理像素点所在位置处的纹理特征信息越能够表征甘薯薯块的纹理
特征信息,对应的纹理重要程度越大,该纹理像素点丢失后对甘薯特征信息进行识别的精
度影响较大。
表示纹理像素点的纹理特征方向与甘薯特征方向之间的差异,反映了纹
理像素点存在一定纹理信息的方向与甘薯薯块的纹理特征分布的方向之间的差异,该差异
越小,说明纹理像素点存在一定纹理信息的方向与甘薯薯块的纹理特征分布的方向之间相
似性越大,对应的纹理重要程度越大,进而说明纹理像素点所在位置处的纹理特征信息越
能够表征甘薯薯块的纹理特征信息。
纹理像素点的纹理复杂度取值越大,说明在该像素点位置处蕴含的甘薯纹理信息
越多,对应的纹理重要程度越大。同时,计算与的比值,对两者之间的
方向差异进行归一化处理。
纹理像素点的纹理重要程度反映了纹理像素点所在位置处的纹理特征信息能够表征甘薯薯块的纹理特征信息的重要程度,纹理重要程度取值越大,说明纹理像素点所在位置处的纹理信息越重要。纹理重要程度的取值越小,说明纹理像素点所在位置处的纹理信息越不重要。
步骤三,根据纹理重要程度对纹理像素点进行筛选得到特征像素点,根据特征像素点与邻域像素点的灰度值差异确定不同灰度间隔;利用不同灰度间隔对灰度图像中像素点的像素值进行灰度等级的划分,根据纹理像素点的纹理复杂度与对应的灰度等级、纹理重要程度得到不同灰度间隔的效果评价。
首先,根据纹理重要程度对纹理像素点进行筛选得到特征像素点,具体地,设置重要程度阈值,在本实施例中,重要程度阈值的取值为0.8,实施者可根据具体实施场景进行设置。将纹理重要程度大于重要程度阈值的纹理像素点记为特征像素点。
特征像素点的纹理重要程度较高,说明特征像素点所在位置处的纹理信息较为重要。进而根据特征像素点与其邻域像素点之间的灰度差异获取灰度值划分的灰度等级数量。在对图像中像素点的像素值进行灰度等级的划分时,为了能够使得较为重要的纹理信息被保留,通过特征像素点的灰度值与其邻域像素点的灰度值之间的差值,获得进行灰度等级划分时的灰度间隔。
即根据特征像素点与邻域像素点的灰度值差异确定不同灰度间隔,具体地,对于任意一个特征像素点,计算特征像素点与其邻域像素点之间的灰度差值的绝对值,以所有邻域像素点对应的灰度差值的绝对值的最小值作为该特征像素点对应的灰度间隔;进而获得所有特征像素点对应的不同灰度间隔。
在本实施例中,灰度间隔是指相邻两个灰度等级之间的灰度值的间隔,例如,将像素值划分为8级时,灰度间隔为32;将像素值划分为16级时,灰度间隔为16。基于此,利用特征像素点对应的不同灰度间隔对灰度图像中像素点的像素值进行灰度等级的划分,例如,特征像素点对应的灰度间隔为17,对灰度图像中像素点的像素值进行灰度等级的划分时,灰度值的取值范围为[0,16]的像素点对应的灰度等级为第一个灰度等级,灰度值的取值范围为[17,33]的像素点对应的灰度等级为第二个灰度等级,以此类推,对灰度图像中所有像素点的像素值进行等级划分。
不同特征像素点对应的灰度间隔可能是不同的,利用不同的灰度间隔对灰度图像中的像素值进行等级划分的结果也就不同,通过分析每种灰度间隔对应的划分结果中像素点的纹理丢失情况,能够获得不同灰度间隔对应的划分效果,进而能够获得纹理信息丢失最小的情况下对应的灰度间隔。
基于此,根据纹理像素点的纹理复杂度与对应的灰度等级、纹理重要程度得到不同灰度间隔的效果评价,具体地,对于任意一个纹理像素点,在利用任意一种灰度间隔对灰度图像进行灰度等级划分后,根据纹理像素点与其邻域像素点之间的灰度等级差异得到等级纹理复杂度,计算纹理像素点的纹理复杂度与等级纹理复杂度差值的绝对值,以所述绝对值的归一化值作为纹理像素点在该灰度间隔下的纹理丢失度。
其中,纹理像素点的等级纹理复杂度的计算方法与纹理像素点的纹理复杂度的计算方法相同,即对于任意一个纹理像素点,计算该纹理像素点的灰度等级与邻域像素点的灰度等级之间的差值的绝对值得到等级特征差值,以等级特征差值大于预设值的数量与邻域像素点的总数量之间的比值作为纹理像素点的等级纹理复杂度。
在本实施例中,预设值的取值为0,即当等级特征差值大于0时,说明纹理像素点与其邻域像素点之间的灰度等级存在差异。进一步的,对8邻域内存在灰度等级差异的邻域像素点进行统计,能够获得纹理像素点的等级纹理复杂度。
所述纹理丢失度用公式表示为:
其中,表示第r个纹理像素点在第k种灰度间隔下的纹理丢失度,表示第r个
纹理像素点的纹理复杂度,表示第r个纹理像素点的等级纹理复杂度,Norm( )表示归一
化函数。
纹理像素点的纹理复杂度反映了纹理像素点所在位置处包含的甘薯纹理信息的多少,而纹理像素点的纹理复杂度一般情况下较大,即纹理像素点所在位置处包含的甘薯纹理信息较多。同理,纹理像素点的等级纹理复杂度也同样反映了纹理像素点所在位置处包含的甘薯纹理信息的多少。
反映了纹理像素点在划分灰度等级前后纹理复杂度之间的差异,越大,说明经过灰度等级划分后,纹理像素点的等级纹理复杂度取值较小;进而
说明在划分灰度等级后,纹理像素点与其邻域像素点之间不存在灰度差异,纹理像素点所
在位置处出现了局部纹理信息丢失的情况,对应的纹理丢失度的取值就越大。越
小,说明经过灰度等级划分前后,纹理像素点所在位置处均存在纹理差异,进而说明纹理像
素点所在位置处的重要纹理信息被保留,对应的纹理丢失度的取值就越小。
进一步的,在任意一种灰度间隔下,获取以该灰度间隔对灰度图像进行灰度等级划分后得到灰度等级的数量;计算每一个纹理像素点在该灰度间隔下的纹理丢失度与对应的纹理重要程度的乘积并求和,根据求和得到的数值与灰度等级的数量得到该灰度间隔对应的效果评价;所述求和得到的数值与灰度间隔对应的效果评价之间的关系为负相关关系;所述灰度等级的数量与灰度间隔对应的效果评价之间的关系为负相关关系。
所述效果评价用公式表示为:
其中,表示第k种灰度间隔对应的效果评价,表示以第k种灰度间隔对灰度图
像进行灰度等级划分后得到的灰度等级的数量,表示第r个纹理像素点在第k种灰度间
隔下的纹理丢失度,表示第r个纹理像素点的纹理重要程度,表示灰度图像中包含的纹
理像素点的总数量,ε为超参数,在本实施例中的取值为1,其目的是为了防止分母的取值为
0。
纹理丢失度的取值越小,说明纹理像素点所在位置处的重要纹理信息被保留的
程度越大,进而说明在利用第k种灰度间隔进行灰度等级的划分的纹理保留效果越好,对应
的效果评价取值就越大。
纹理重要程度取值越大,说明纹理像素点所在位置处的纹理信息越重要。因此,利用纹理像素点的纹理重要程度作为权重,对纹理像素点在灰度间隔下的纹理丢失度进行加权求和,使得越重要的纹理像素点在计算整体纹理丢失的程度时的权重越大。纹理信息越重要的纹理像素点对应的纹理丢失程度越大,说明在利用对应的灰度间隔进行等级划分时,纹理特征信息出现了丢失,对应的效果评价取值越小。
利用使得灰度等级的数量与纹理信息丢失的程度互相约束,使得对灰度图像进
行灰度等级的划分时,保留甘薯薯块纹理信息的同时尽可能的降低灰度图像中像素值被划
分的灰度等级的数量,在一定程度上能够减少一定的计算量。
灰度间隔对应的效果评价反映了利用该灰度间隔对灰度图像进行等级划分时纹理信息被保留的好坏程度,效果评价的取值越大,说明利用该灰度间隔对灰度图像进行灰度等级的划分后,图像中包含的甘薯薯块纹理信息被较好的保留。效果评价的取值越小,说明利用该灰度间隔对灰度图像进行等级的划分后,图像中包含的甘薯薯块纹理信息可能存在丢失的情况。
步骤四,根据效果评价确定最优灰度间隔,利用最优灰度间隔对灰度图像进行灰度等级的划分,根据等级划分后的图像对甘薯种类进行识别得到识别结果。
首先,根据效果评价确定最优灰度间隔,即将效果评价的最大值对应的灰度间隔记为最优灰度间隔,进而利用最优灰度间隔对灰度图像进行灰度等级的划分,根据等级划分后的图像以及灰度图像对甘薯种类进行识别得到识别结果。
具体地,根据等级划分后的图像构建灰度共生矩阵,计算灰度共生矩阵的对比度和角二阶矩分别记为第一分类特征值和第二分类特征值。其中,灰度共生矩阵的生成方向参数在本实施例中取0°、45°、90°和135°,步长参数的取值为1,实施者可根据具体实施场景进行设置。进而基于灰度共生矩阵获取图像中的纹理特征值,本发明实施例中提取的纹理特征值为对比度和角二阶矩,对比度能够反映甘薯薯块纹理的粗细均匀程度,角二阶矩也即能量,能够反映甘薯薯块纹理的强弱程度。
然后,再对甘薯薯块横切面图像进行颜色特征的提取,将甘薯薯块横切面的灰度
图像转换为HSV图像,根据HSV图像的颜色特征获取第三分类特征值。具体地,将HSV图像进
行非等间隔量化,在本实施例中,将H量化成16级,S量化成4级,V量化成4级,再将HSV的三个
分量合成为一个分量,具体为,其中,B为合成后的特征值,取值范
围为[0,255];和分别为S和V的量化级数。进而对特征值B进行统计,构建颜色直方图,
将出现频率最高的特征值B的取值记为第三分类特征值。
对灰度图像进行滤波处理,在本实施例中利用Gabor滤波法对灰度图像进行处理,进而计算滤波处理后的图像的均值和能量分别记为第四分类特征值和第五分类特征值。
利用第一分类特征值、第二分类特征值、第三分类特征值、第四分类特征值和第五分类特征值构成分类特征向量,分类特征向量表示为A=[A1,A2,A3,A4,A5],其中,A1、A2、A3、A4和A5分别为第一分类特征值、第二分类特征值、第三分类特征值、第四分类特征值和第五分类特征值。
由于特征值的取值区间不同,故需对分类特征向量中的元素即分类特征值进行归一化处理,在本实施例中采用高斯归一化法,实施者可根据具体实施场景进行选择。将归一化后的分类特征向量输入神经网络中对甘薯种类进行识别,输出识别结果。其中,在本实施例中采用BP神经网络对甘薯种类进行识别。
其中,需要说明的是,根据等级划分后的图像以及灰度图像对甘薯种类进行识别得到识别结果的具体方法,可参考作者为杜晓晨,张幸和陆国权,名称为基于图像处理的甘薯种类识别方法研究的论文文献。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (4)
1.一种基于图像处理的甘薯种类识别方法,其特征在于,该方法包括以下步骤:
获取甘薯横切面的灰度图像,根据灰度图像上像素点与其邻域像素点之间的灰度差异获得像素点的纹理特征方向与纹理复杂度,利用纹理复杂度对灰度图像上的像素点进行筛选得到纹理像素点;
根据每个纹理像素点的纹理特征方向上包含的纹理像素点的数量确定甘薯特征方向;根据纹理像素点的邻域内灰度值差异、纹理特征方向与纹理复杂度以及甘薯特征方向得到纹理像素点的纹理重要程度;
根据纹理重要程度对纹理像素点进行筛选得到特征像素点,根据特征像素点与邻域像素点的灰度值差异确定不同灰度间隔;利用不同灰度间隔对灰度图像中像素点的像素值进行灰度等级的划分,根据纹理像素点的纹理复杂度与对应的灰度等级、纹理重要程度得到不同灰度间隔的效果评价;
根据效果评价确定最优灰度间隔,利用最优灰度间隔对灰度图像进行灰度等级的划分,根据等级划分后的图像以及灰度图像对甘薯种类进行识别得到识别结果;
所述根据灰度图像上像素点与其邻域像素点之间的灰度差异获得像素点的纹理特征方向与纹理复杂度具体为:
对于任意一个像素点,计算该像素点的灰度值与邻域像素点的灰度值之间差值的绝对值得到特征差值,获取特征差值大于预设值的数量,以所述数量与邻域像素点的总数量之间的比值作为像素点的纹理复杂度;获取特征差值的最大值对应的邻域像素点与像素点连线的倾斜角度,得到像素点的纹理特征方向;
所述纹理重要程度的获取方法具体为:
其中,表示第r个纹理像素点的纹理重要程度,/>表示第r个纹理像素点的纹理复杂度,/>表示第r个纹理像素点在甘薯特征方向上包含的纹理像素点的数量,/>表示第r个纹理像素点在其纹理特征方向上的特征差值,/>表示第r个纹理像素点在甘薯特征方向上第v个纹理像素点对应的特征差值,/>表示第r个纹理像素点的纹理特征方向对应的角度,/>表示第r个纹理像素点在甘薯特征方向上对应的角度,exp( )表示以自然常数e为底的指数函数,max( )表示求最大值的函数,Norm( )表示归一化函数;
所述根据纹理重要程度对纹理像素点进行筛选得到特征像素点,根据特征像素点与邻域像素点的灰度值差异确定不同灰度间隔,具体包括:
将纹理重要程度大于重要程度阈值的纹理像素点记为特征像素点;
对于任意一个特征像素点,计算特征像素点与其邻域像素点之间的灰度差值的绝对值,以所有邻域像素点对应的灰度差值的绝对值的最小值作为该特征像素点对应的灰度间隔;进而获得所有特征像素点对应的不同灰度间隔;
所述根据每个纹理像素点的纹理特征方向上包含的纹理像素点的数量确定甘薯特征方向,包括:
对于任意一个纹理像素点,将纹理像素点的纹理特征方向上包含的所有纹理像素点的数量记为纹理像素点的特征数量;将灰度图像上特征数量的最大值对应的纹理像素点的纹理特征方向记为甘薯特征方向;
所述利用纹理复杂度对灰度图像上的像素点进行筛选得到纹理像素点具体为:
根据纹理复杂度对灰度图像中的像素点进行分类,得到两个类别,将类别内像素点的纹理复杂度的均值较大的类别记为纹理类别,纹理类别内的像素点为纹理像素点。
2.根据权利要求1所述的一种基于图像处理的甘薯种类识别方法,其特征在于,所述效果评价的获取方法具体为:
对于任意一个纹理像素点,在利用任意一种灰度间隔对灰度图像进行灰度等级划分后,根据纹理像素点与其邻域像素点之间的灰度等级差异得到等级纹理复杂度,计算纹理像素点的纹理复杂度与等级纹理复杂度差值的绝对值,以所述绝对值的归一化值作为纹理像素点在该灰度间隔下的纹理丢失度;
在任意一种灰度间隔下,获取以该灰度间隔对灰度图像进行灰度等级划分后得到灰度等级的数量;计算每一个纹理像素点在该灰度间隔下的纹理丢失度与对应的纹理重要程度的乘积并求和,根据求和得到的数值与灰度等级的数量得到该灰度间隔对应的效果评价;
所述求和得到的数值与灰度间隔对应的效果评价之间的关系为负相关关系;所述灰度等级的数量与灰度间隔对应的效果评价之间的关系为负相关关系。
3.根据权利要求1所述的一种基于图像处理的甘薯种类识别方法,其特征在于,所述根据效果评价确定最优灰度间隔具体为:
将效果评价的最大值对应的灰度间隔记为最优灰度间隔。
4.根据权利要求1所述的一种基于图像处理的甘薯种类识别方法,其特征在于,所述根据等级划分后的图像以及灰度图像对甘薯种类进行识别得到识别结果具体为:
根据等级划分后的图像构建灰度共生矩阵,计算灰度共生矩阵的对比度和角二阶矩分别记为第一分类特征值和第二分类特征值;
将灰度图像转换为HSV图像,根据HSV图像的颜色特征获取第三分类特征值;
对灰度图像进行滤波处理,计算滤波处理后的图像的均值和能量分别记为第四分类特征值和第五分类特征值;
利用第一分类特征值、第二分类特征值、第三分类特征值、第四分类特征值和第五分类特征值构成分类特征向量;将归一化后的分类特征向量输入神经网络中对甘薯种类进行识别,输出识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310457586.3A CN116246174B (zh) | 2023-04-26 | 2023-04-26 | 基于图像处理的甘薯种类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310457586.3A CN116246174B (zh) | 2023-04-26 | 2023-04-26 | 基于图像处理的甘薯种类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116246174A CN116246174A (zh) | 2023-06-09 |
CN116246174B true CN116246174B (zh) | 2023-08-08 |
Family
ID=86626326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310457586.3A Active CN116246174B (zh) | 2023-04-26 | 2023-04-26 | 基于图像处理的甘薯种类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116246174B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116626029B (zh) * | 2023-07-20 | 2023-09-22 | 津泰(天津)医疗器械有限公司 | 一种用于糖尿病氯化钴试纸色差的检测方法 |
CN117880759B (zh) * | 2024-03-12 | 2024-05-17 | 深圳市诚立业科技发展有限公司 | 一种智能化视频短信链路高效检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6775406B1 (en) * | 1998-08-25 | 2004-08-10 | Douglas L. Watson | Colorizing a black-and-white image to facilitate the identification of a pattern in the image |
CN107833247A (zh) * | 2017-11-29 | 2018-03-23 | 合肥赑歌数据科技有限公司 | 一种基于矩阵分析的图像纹理提取方法 |
CN114494259A (zh) * | 2022-04-18 | 2022-05-13 | 南通东德纺织科技有限公司 | 一种基于人工智能的布匹缺陷检测方法 |
CN115631173A (zh) * | 2022-10-28 | 2023-01-20 | 兰州理工大学 | 一种复合薄膜缺陷识别方法 |
CN115841600A (zh) * | 2023-02-23 | 2023-03-24 | 山东金诺种业有限公司 | 基于深度学习的甘薯外观品质分类方法 |
CN115861325A (zh) * | 2023-03-01 | 2023-03-28 | 山东中科冶金矿山机械有限公司 | 基于图像数据的悬架弹簧缺陷检测方法及*** |
CN115880304A (zh) * | 2023-03-08 | 2023-03-31 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于复杂场景下的枕轨缺陷识别方法 |
CN115937199A (zh) * | 2023-01-06 | 2023-04-07 | 山东济宁圣地电业集团有限公司 | 一种用于电力配电柜绝缘层的喷涂质量检测方法 |
-
2023
- 2023-04-26 CN CN202310457586.3A patent/CN116246174B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6775406B1 (en) * | 1998-08-25 | 2004-08-10 | Douglas L. Watson | Colorizing a black-and-white image to facilitate the identification of a pattern in the image |
CN107833247A (zh) * | 2017-11-29 | 2018-03-23 | 合肥赑歌数据科技有限公司 | 一种基于矩阵分析的图像纹理提取方法 |
CN114494259A (zh) * | 2022-04-18 | 2022-05-13 | 南通东德纺织科技有限公司 | 一种基于人工智能的布匹缺陷检测方法 |
CN115631173A (zh) * | 2022-10-28 | 2023-01-20 | 兰州理工大学 | 一种复合薄膜缺陷识别方法 |
CN115937199A (zh) * | 2023-01-06 | 2023-04-07 | 山东济宁圣地电业集团有限公司 | 一种用于电力配电柜绝缘层的喷涂质量检测方法 |
CN115841600A (zh) * | 2023-02-23 | 2023-03-24 | 山东金诺种业有限公司 | 基于深度学习的甘薯外观品质分类方法 |
CN115861325A (zh) * | 2023-03-01 | 2023-03-28 | 山东中科冶金矿山机械有限公司 | 基于图像数据的悬架弹簧缺陷检测方法及*** |
CN115880304A (zh) * | 2023-03-08 | 2023-03-31 | 曲阜市巨力铁路轨道工程股份有限公司 | 基于复杂场景下的枕轨缺陷识别方法 |
Non-Patent Citations (1)
Title |
---|
基于图像处理的甘薯种类识别方法研究;杜晓晨 等;《中国粮油学报》;第29卷(第11期);118-122 * |
Also Published As
Publication number | Publication date |
---|---|
CN116246174A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mazen et al. | Ripeness classification of bananas using an artificial neural network | |
CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
Chen et al. | Combining discriminant analysis and neural networks for corn variety identification | |
CN112189877B (zh) | 用于烟草生产线烟丝杂质的在线检测方法 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及*** | |
CN110472479B (zh) | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 | |
CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN114723704A (zh) | 一种基于图像处理的纺织品质量评估方法 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理***及方法 | |
CN115018844A (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
CN105320970A (zh) | 一种马铃薯病害诊断装置、诊断***及诊断方法 | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
CN117764864A (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
CN103942526B (zh) | 一种离散数据点集的线特征提取方法 | |
CN114965316A (zh) | 一种基于高光谱多参数的水质监测方法、计算机程序产品 | |
CN117593193B (zh) | 一种基于机器学习的钣金图像增强方法及*** | |
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 | |
CN115841600B (zh) | 基于深度学习的甘薯外观品质分类方法 | |
Yang et al. | Intelligent collection of rice disease images based on convolutional neural network and feature matching | |
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 | |
CN112704259B (zh) | 一种密集烟叶识别的打叶质量评价方法及*** | |
E Irhebhude et al. | Recognition of mangoes and oranges colour and texture features and locality preserving projection | |
CN117275130B (zh) | 基于人脸识别的智慧门禁验证*** | |
Chhabra et al. | Morphology based feature extraction and recognition for enhanced wheat quality evaluation |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Sweet potato species recognition method based on image processing Granted publication date: 20230808 Pledgee: Bank of China Limited Sishui sub branch Pledgor: SHANDONG JINNUO SEED Co.,Ltd. Registration number: Y2024980028765 |