專(zhuān)利名稱(chēng)：基于均值漂移的農(nóng)作物冠層圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種圖像分割方法，特別是涉及一種農(nóng)作物冠層圖像分割方法。(二) 背景技術(shù)作物的許多群體特征同時(shí)也是視覺(jué)特征，因此可以利用數(shù)字圖像技術(shù)對(duì)其進(jìn) 行分析。所謂數(shù)字圖像技術(shù)是指利用計(jì)算機(jī)對(duì)獲取的數(shù)字化圖像進(jìn)行處理、分析 并提取信息。利用數(shù)字圖像技術(shù)分析作物群體特征的關(guān)鍵一步就是圖像分割一一 將作物冠層圖像分成作物和非作物(土壤和殘余物)。目前，利用數(shù)字圖像技術(shù)分割作物冠層圖像時(shí)采用兩種方法一一基于圖像處 理軟件的手動(dòng)方法和基于圖像分割技術(shù)的自動(dòng)方法。其中，手動(dòng)方法分割精度高， 但是需要較多的人工參與，使用起來(lái)不方便。這類(lèi)方法有王曉靜等人和紀(jì)秀峰 采用Adobe Photoshop 7. 0直接去除土壤背景方法；Lukina利用軟件Micrografx pixture，通過(guò)交互調(diào)節(jié)數(shù)字影像的對(duì)比度和色彩平衡方法分割小麥冠層圖像； Ewing利用軟件RGBcal,DyEye和RootEdge通過(guò)交互調(diào)節(jié)紅綠藍(lán)顏色、色調(diào)、 明度、和飽和度的的閾值及紅綠藍(lán)的主成分分析方法分割玉米冠層圖像； Richardson利用軟件SigmaScan Pro通過(guò)交互調(diào)節(jié)色調(diào)和飽和度的閾值分割草 地圖像。自動(dòng)方法不需要人的直接參與，這類(lèi)方法有王桂琴、雷詠雯、袁道軍、單 成鋼、Cescatti、 Ling、 Shresthal、 Reid、 Stefan、 Wang等人釆用的基于閾值 的分割方法；Neto等人采用的基于連通元、模糊聚類(lèi)和遺傳優(yōu)化算法的分割方 法；Bunting、Lhermitte等人采用的基于植被指數(shù)的分割方法；Mallinis、Grandi、 Wang、 Kampa、 Li等人采用的多尺度分割方法；0nyango等人采用的基于物理反 射模型的分割方法；Clement采用的基于直方圖的分割方法；Dong等人采用的基 于高斯-馬爾可夫隨機(jī)域模型的分割方法；0uchi等人采用的高斯期望最大化分 割方法；Crespo等人采用的基于神經(jīng)網(wǎng)絡(luò)的分割方法；01 iver等人釆用的基于 紋理的分割方法；Moigne等人采用的基于邊緣和區(qū)域的分割方法；Gallo等人采用的基于形狀分析的分割方法；Rodriguez等人采用的規(guī)范分析方法的分割方法; 陳水森、Sadjadi等人釆用的基于預(yù)先存儲(chǔ)的模型的分割方法。在這兩大類(lèi)方法中，半自動(dòng)方法需要較多的人工干預(yù)，但是分割精度較高， 自動(dòng)分割方法不需要人工干預(yù)，但是分割效果不盡如人意。
發(fā)明內(nèi)容本發(fā)明的目的在于提供一種需要設(shè)定的參數(shù)較少，特征提取過(guò)程簡(jiǎn)單明了 ， 易于實(shí)現(xiàn)，分割正確率高的基于均值漂移的農(nóng)作物冠層圖像分割方法。本發(fā)明的目的是這樣實(shí)現(xiàn)的首先，將在RGB顏色空間中表示的作物冠層圖 像進(jìn)行重新采樣；然后，將作物冠層圖像變換到HSI空間中；接下來(lái)，將作物冠 層圖像中的每一個(gè)像素用四個(gè)特征值組成的四元組表示，即G-R、 G_B、 H、 S, 其中R、 G、 B分別表示像素的在RGB空間中的紅色分量、綠色分量和蘭色分量， H、 S分別表示像素的在HSI顏色空間中的色度和飽和度；然后，利用均值漂移 算法將作物冠層圖像分割為不同的類(lèi)；最后，計(jì)算每一類(lèi)的特征均值，若該均值 的第一、第二個(gè)分量均大于O則判斷為作物，否則為非作物?？紤]到農(nóng)作物冠層圖像相對(duì)來(lái)說(shuō)顏色比較均勾，因此，所述的利用均值漂移 算法將作物冠層圖像分割為不同的類(lèi)是在計(jì)算重心時(shí)不是對(duì)整個(gè)圖像進(jìn)行加權(quán) 平均，而是在事先規(guī)定的一個(gè)mxm窗口中進(jìn)行。首先設(shè)定采樣后圖像中任意未 被分類(lèi)的像素P為mxm窗口的重心，然后，利用均值漂移向量計(jì)算以p為中心 的mxm窗口的重心與像素p之間的偏移量，從而得到新的重心位置；這個(gè)過(guò)程 反復(fù)疊代，直到每一次計(jì)算的偏移量小于預(yù)先設(shè)定的閾值。這種方法只在以像素 p為中心mxm窗口范圍內(nèi)計(jì)算偏移量，大大減小了計(jì)算量，節(jié)省了計(jì)算時(shí)間。本發(fā)明所采用的技術(shù)方案是，首先，將在RGB顏色空間中表示的作物冠層圖 像進(jìn)行重新釆樣，以減小圖像尺寸，加快圖像處理的速度；然后，將作物冠層圖 像變換到HSI空間中；接下來(lái)，將作物冠層圖像中的每一個(gè)像素用四個(gè)特征值組 成的四元組表示，即(G-R, G-B, H， S ),其中R、 G、 B分別表示像素的在RGB空間 中的紅色分量、綠色分量和蘭色分量，H、 S分別表示像素的在HSI顏色空間中 的色度和飽和度；然后，利用均值漂移算法將作物冠層圖像分割為不同的類(lèi)，在 這一步中，為了加快運(yùn)算速度，在計(jì)算重心時(shí)不是對(duì)整個(gè)圖像進(jìn)行加權(quán)平均，而 是在事先規(guī)定的一個(gè)mxm窗口中進(jìn)行；最后，計(jì)算每一類(lèi)的特征均值，若該均值的第一、第二個(gè)分量均大于O則判斷為作物，否則為非作物。本發(fā)明的有益效 果是，對(duì)農(nóng)作物冠層圖像的分割豐較髙，需要設(shè)定的參數(shù)不僅各數(shù)較少，而且具 有明確的物理意義，同時(shí)，特征提取過(guò)程簡(jiǎn)單明了，算法易于實(shí)現(xiàn)。 具體實(shí)施方式
下面舉例對(duì)本發(fā)明做更詳細(xì)地描述首先，為了提高分割速度，將作物冠層圖像進(jìn)行重新采樣，以減小圖像尺寸。具體作法是將原圖像,分成rx/"的小區(qū)域，計(jì)算每個(gè)小區(qū)域的RGB顏色 平均值，用這個(gè)顏色平均值表示該小區(qū)域的顏色，得到處理之后的圖像/。經(jīng)過(guò) 這樣的處理之后，圖像/的尺寸變?yōu)閳D像尸的1"。其次，為了提取不同的顏色特征，將重新采樣的圖像/變換到HSI顏色空間。 然后，對(duì)于圖像/的每一個(gè)像素提取四個(gè)特征，即G-R,G-B,H,S,并將圖 像/的每一個(gè)像素用四元組(G-R,G-B,H,S)表示。最后，利用均值漂移算法將作物冠層圖像分割為作物和非作物，同時(shí)為了加 快運(yùn)算速度，在計(jì)算重心時(shí)不是對(duì)整個(gè)圖像進(jìn)行加權(quán)平均，而是在事先規(guī)定的一 個(gè)邁x辺窗口中進(jìn)行，具體做法如下 步驟l, /=0;步驟2，選定圖像/的第/個(gè)像素，其位置為/',特征值為-步驟3,選定圖像中以7為中心的加x歷窗口，同時(shí)令窗口的初始重心G= x,.; 步驟4,使用式(l)計(jì)算歷xy/;窗口的新重心G,<formula>formula see original document page 5</formula>其中，//:(/2，2,/222，/Z32，/ 42)為帶寬矩陣，A為"X/Z7窗口中第J'個(gè)像素 的特征值。步驟5,若<formula>formula see original document page 5</formula>(e為給定誤差限)，轉(zhuǎn)步驟6,否則令C。= G，轉(zhuǎn)步 驟4;步驟6，令;c,-C,,/=/+1,重復(fù)步驟2 _步驟6直至遍歷圖像/的所有像素；步驟7，重新遍歷圖像/的所有像素，若像素/和像素7'滿(mǎn)足如下條件，I & — 、d 1<1 & I對(duì)于d=1， 2, 3, 4成立則合并為同一類(lèi)，其中，^表示A的第rf個(gè)分量。 步驟8,刪除包含像素個(gè)數(shù)小于15的類(lèi)。步驟9，遍歷圖像/所包含的所有類(lèi)，計(jì)算類(lèi)/ (^1，2….，yV; yV為類(lèi)的個(gè)數(shù)) 特征均值^ =(浙,，仏，尾，/^)，若^>0并且^>0,則該類(lèi)所包含的 區(qū)域?yàn)樽魑?，否則為非作物。
權(quán)利要求
1、一種基于均值漂移的農(nóng)作物冠層圖像分割方法，其特征是首先，將在RGB顏色空間中表示的作物冠層圖像進(jìn)行重新采樣；然后，將作物冠層圖像變換到HSI空間中；接下來(lái)，將作物冠層圖像中的每一個(gè)像素用四個(gè)特征值組成的四元組表示，即G-R、G-B、H、S，其中R、G、B分別表示像素的在RGB空間中的紅色分量、綠色分量和蘭色分量，H、S分別表示像素的在HSI顏色空間中的色度和飽和度；然后，利用均值漂移算法將作物冠層圖像分割為不同的類(lèi)；最后，計(jì)算每一類(lèi)的特征均值，若該均值的第一、第二個(gè)分量均大于0則判斷為作物，否則為非作物。
2、 根據(jù)權(quán)利要求1所述的基于均值漂移的農(nóng)作物冠層圖像分割方法，其特 征是所述的利用均值漂移算法將作物冠層圖像分割為不同的類(lèi)是首先設(shè)定釆 樣后圖像中任意未被分類(lèi)的像素p為mxm窗口的重心，然后，利用均值漂移向 量計(jì)算以P為中心的mxm窗口的重心與像素p之間的偏移量，從而得到新的重 心位置；這個(gè)過(guò)程反復(fù)疊代，直到每一次計(jì)算的偏移量小于預(yù)先設(shè)定的閾值。
全文摘要
本發(fā)明提供的是一種基于均值漂移的農(nóng)作物冠層圖像分割方法。首先，將在RGB顏色空間中表示的作物冠層圖像進(jìn)行重新采樣；然后，將作物冠層圖像變換到HSI空間中；接下來(lái)，將作物冠層圖像中的每一個(gè)像素用四個(gè)特征值組成的四元組表示，即G-R、G-B、H、S，其中R、G、B分別表示像素的在RGB空間中的紅色分量、綠色分量和藍(lán)色分量，H、S分別表示像素的在HSI顏色空間中的色度和飽和度；然后，利用均值漂移算法將作物冠層圖像分割為不同的類(lèi)；最后，計(jì)算每一類(lèi)的特征均值，若該均值的第一、第二個(gè)分量均大于0則判斷為作物，否則為非作物。本發(fā)明的有益效果是，需要設(shè)定的參數(shù)較少，特征提取過(guò)程簡(jiǎn)單明了，算法易于實(shí)現(xiàn)，分割正確率高。
文檔編號(hào)G06T5/00GK101226633SQ20081006394
公開(kāi)日2008年7月23日 申請(qǐng)日期2008年1月30日 優(yōu)先權(quán)日2008年1月30日
發(fā)明者鄭麗穎 申請(qǐng)人:哈爾濱工程大學(xué)