本發(fā)明屬于圖像處理技術(shù)領(lǐng)域,涉及一種果園果實(shí)圖像獲取方法,尤其是自然環(huán)境下存在光照不均的果實(shí)圖像的獲取。
背景技術(shù):
楊梅為中國傳統(tǒng)特產(chǎn)水果,果實(shí)味酸甜適中,可直接食用,同時(shí)具有止渴、生津、助消化等功能,具有很高的藥用和食用價(jià)值。而楊梅果樹高大、掛果密集,果實(shí)成熟期較短,且受梅雨高溫天氣影響,極易腐爛變質(zhì)或脫落,降低其商品價(jià)值,果農(nóng)損失較為嚴(yán)重。因此果實(shí)適時(shí)采收、降低采摘成本尤為重要。楊梅采摘機(jī)器人可以節(jié)約勞動(dòng)力,實(shí)現(xiàn)快速采摘,提高楊梅采摘質(zhì)量,從而提升經(jīng)濟(jì)效益,增加果農(nóng)收入。
隨著現(xiàn)代農(nóng)業(yè)的發(fā)展,基于機(jī)器視覺的采摘機(jī)器人成為國內(nèi)外農(nóng)業(yè)工程領(lǐng)域的研究熱點(diǎn)。而對果實(shí)圖像的獲取是采摘機(jī)器人后續(xù)目標(biāo)識(shí)別定位、采摘的首要任務(wù)。
技術(shù)實(shí)現(xiàn)要素:
本發(fā)明的目的是:提供一種果園果實(shí)圖像獲取方法,使得果實(shí)采摘機(jī)器人在圖像處理階段能夠?qū)崿F(xiàn)對果實(shí)圖像的精確獲取,進(jìn)一步可完成識(shí)別定位,推動(dòng)果實(shí)采摘機(jī)器人的實(shí)用化進(jìn)程。實(shí)現(xiàn)本發(fā)明的技術(shù)方案包括如下步驟:
(1)圖像采集步驟:基于視覺傳感器實(shí)時(shí)采集果實(shí)圖像。
(2)圖像增強(qiáng)步驟:該步驟采用的是同態(tài)濾波圖像增強(qiáng)算法,對光照不均的圖像進(jìn)行光線補(bǔ)償,使整體像素分布更趨于合理,在增強(qiáng)圖像對比度的同時(shí),增強(qiáng)圖像暗處細(xì)節(jié),從而使圖像中果實(shí)更為顯著清晰。
(3)顯著性目標(biāo)檢測步驟:首先,采用SLIC超像素分割算法,將果實(shí)圖像分割為形狀規(guī)則,大小一致且視覺均勻的超像素,以降低圖像處理對象的數(shù)量,提高后續(xù)處理的效率;構(gòu)建以超像素為節(jié)點(diǎn)的無向圖模型,以縮短相似超像素之間的測地距離,提高后續(xù)顯著性檢測的準(zhǔn)確度;然后將構(gòu)建的閉環(huán)圖模型模擬成圖像數(shù)據(jù)集內(nèi)在的流形結(jié)構(gòu);接著,在第一級(jí)顯著目標(biāo)檢測模型中,先將四個(gè)邊界的每個(gè)邊界單獨(dú)作為查詢節(jié)點(diǎn)通過流形排序算法進(jìn)行排序,獲得四個(gè)不同的顯著性檢測結(jié)果,采用乘法的合并策略將這四個(gè)顯著圖進(jìn)行合并,得出第一級(jí)檢測的顯著性目標(biāo);最后,在第二級(jí)顯著目標(biāo)檢測模型中,選取顯著圖的均值作為自適應(yīng)閾值,對第一級(jí)的顯著圖進(jìn)行二值分割,將大于閾值的節(jié)點(diǎn)標(biāo)記為目標(biāo)查詢節(jié)點(diǎn),并相應(yīng)構(gòu)建一個(gè)標(biāo)簽向量y,再用流形排序的算法獲得排序向量f*,將歸一化的排序值定義為超像素節(jié)點(diǎn)的顯著值,獲得第二級(jí)顯著圖。
(4)果實(shí)圖像獲取步驟:該步驟是對得到的第二級(jí)顯著圖通過Otsu方法進(jìn)行自適應(yīng)閾值分割,獲得二值黑白圖像,再與原始圖像疊加,從而將果實(shí)從背景中分割出來。
本發(fā)明的有益效果:
(1)對于果實(shí)采摘機(jī)器人來說,該發(fā)明方法能夠?qū)崿F(xiàn)楊梅果實(shí)圖像的分割,獲取完整果實(shí)區(qū)域,對推動(dòng)果實(shí)采摘機(jī)器人的實(shí)用化起到重要作用。
(2)在果實(shí)圖像獲取步驟前進(jìn)行了楊梅果實(shí)顯著性目標(biāo)的檢測,能夠不需要根據(jù)楊梅果實(shí)的顏色或形狀特征等和背景的差異進(jìn)行分割,從而具有一定的通用性,可適用于其他和楊梅類似的野外生長果實(shí)。
(3)圖像增強(qiáng)步驟中圖像增強(qiáng)算法采用同態(tài)濾波算法,能夠補(bǔ)償光線,增強(qiáng)對比度的同時(shí),暗處細(xì)節(jié)也得到了增強(qiáng),使果實(shí)更為顯著清晰。
(4)顯著性目標(biāo)檢測步驟中將構(gòu)建成的閉環(huán)圖模型模擬成圖像數(shù)據(jù)集內(nèi)在的流形結(jié)構(gòu),通過流形排序算法進(jìn)行查詢點(diǎn)顯著性值的賦值,獲得顯著性圖。
(5)顯著性目標(biāo)檢測步驟中采用了兩級(jí)顯著性目標(biāo)檢測模型,通過流形排序算法的二級(jí)排序,很好地抑制了背景中存在的一些奇異點(diǎn)。
(6)果實(shí)圖像獲取步驟中采用Otsu方法對得到的第二級(jí)顯著圖進(jìn)行自適應(yīng)閾值分割,再與原始圖像疊加,從而將果實(shí)從背景中分割出來。
附圖說明
圖1為果實(shí)圖像分割總流程;
圖2為同態(tài)濾波圖像增強(qiáng)流程;
圖3為顯著性目標(biāo)檢測流程;
圖4為楊梅果實(shí)獲取效果圖。
具體實(shí)施方式
下面結(jié)合附圖對本發(fā)明的實(shí)施方式做進(jìn)一步的描述。本發(fā)明以楊梅為例進(jìn)行說明,但本發(fā)明同樣適用于同類其他果實(shí)。
如圖1所示,本發(fā)明提出的果園楊梅果實(shí)圖像獲取方法包括如下步驟:
(1)圖像采集步驟
圖像的采集基于視覺傳感器,用作后續(xù)提取目標(biāo)對象的區(qū)域信息,采集圖像如圖4(a)所示。
(2)圖像增強(qiáng)步驟
該步驟實(shí)施流程如圖2所示??紤]到自然環(huán)境下存在光照不均的現(xiàn)象,會(huì)影響顯著性目標(biāo)的檢測,進(jìn)而影響圖像分割的效果,采用同態(tài)濾波的圖像增強(qiáng)算法進(jìn)行光線補(bǔ)償。該步驟采用的是同態(tài)濾波圖像增強(qiáng)算法,通過將采集圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間,針對亮度V分量取對數(shù)后進(jìn)行快速傅里葉變換(FFT),可得到頻域表達(dá)式,選擇動(dòng)態(tài)巴特沃斯同態(tài)濾波函數(shù)H(u,v)進(jìn)行頻域?yàn)V波,函數(shù)定義見公式(1),再進(jìn)行快速逆傅里葉變換(IFFT)及指數(shù)變換,如此得到濾波增強(qiáng)后的圖像如圖4(b)。
式(1)中rL代表低頻增益,0<rL<1;rH代表高頻增益,rH>1;常數(shù)c在rL和rH間過渡,用來控制濾波器函數(shù)斜面的陡度;m、n為動(dòng)態(tài)算子;D(u,v)為點(diǎn)(u,v)到Fourier變換中心的距離,見公式(2):
式(2)中,M、N分別代表圖像的行數(shù)和列數(shù)。
(3)顯著性目標(biāo)檢測步驟
該步驟實(shí)施流程如圖3所示。對于楊梅采集圖像中提取步驟包括:
首先,利用SLIC超像素產(chǎn)生算法進(jìn)行超像素分割,其間,將像素映射到LABXY空間,表示為五維的特性向量[l,a,b,x,y],其中,[l,a,b]為像素在CIElab顏色空間的顏色特征,[x,y]為像素的空間坐標(biāo),通過定義兩個(gè)像素i,j之間的距離,見式(3)、(4)、(5),利用K-means均值聚類算法在局部的范圍內(nèi)對像素進(jìn)行聚類,得到形狀規(guī)則,大小一致且視覺均勻的超像素,如圖4(c)。
式(3)中,m為[1,20]范圍內(nèi)的一個(gè)常數(shù),用來控制超像素的緊湊程度,衡量顏色值與空間信息在相似度衡量中的比重,N為圖像總像素個(gè)數(shù),K為要生成的超像素個(gè)數(shù)。
接著,構(gòu)建以超像素為節(jié)點(diǎn)的無向圖模型,在無向圖模型中不單純是兩者之間有共同邊界的節(jié)點(diǎn)之間相連,還包括與相鄰節(jié)點(diǎn)有共同邊界的節(jié)點(diǎn)之間相連,并將圖像的四個(gè)邊界相連,從而構(gòu)成一個(gè)閉環(huán)圖模型。
而后,將構(gòu)建成的閉環(huán)圖模型模擬成圖像數(shù)據(jù)集內(nèi)在的流形結(jié)構(gòu),采用兩級(jí)顯著性目標(biāo)檢測模型進(jìn)行楊梅目標(biāo)的檢測。在第一級(jí)顯著目標(biāo)檢測模型中,先將四個(gè)邊界的每個(gè)邊界單獨(dú)作為查詢節(jié)點(diǎn),通過流形排序算法的迭代方程進(jìn)行迭代,見式(6),得到所有節(jié)點(diǎn)的排序向量f*,見式(7),將f*歸一化到[0,1]范圍后的排序向量f-*,通過式(8)來定義超像素節(jié)點(diǎn)i的顯著性Sb(i),獲得為四個(gè)不同的顯著性目標(biāo)檢測結(jié)果,采用乘法的合并策略將這四個(gè)顯著圖進(jìn)行合并,得出第一級(jí)檢測的顯著性目標(biāo),如圖4(d)。
f(t+1)=αSf(t)+(1-α)y (6)
f*=(1-α)(D-αW)-1y (7)
Sb(i)=1-f-*(i)i=1,2,...,N (8)
其中:α表示為初始排序值和鄰域傳播對最終排序值的貢獻(xiàn)度,W=[wij]n×n表示為圖的相似度矩陣,對應(yīng)于邊E的權(quán)重,wij∈W,ci和cj分別代表超像素節(jié)點(diǎn)i和j在CIELab顏色空間的均值,σw代表控制權(quán)重的強(qiáng)度;D=diag{d11,...,dnn}表示為圖的對角矩陣,dii=∑jwij;S=D-1/2WD-1/2表示為圖的相似度矩陣的歸一化矩陣;f:X→Rn表示為一個(gè)排序方程,也可看作為一個(gè)向量f=[f1,...,fn]T;y=[y1,...,yn]T表示一個(gè)標(biāo)簽向量,當(dāng)xi為查詢節(jié)點(diǎn)時(shí)yi=1,反之yi=0,數(shù)據(jù)集X={x1,...,xl,xl+1,...,xn}∈Rn×n,對應(yīng)于無向圖模型G(V,E),V代表圖中的節(jié)點(diǎn),包括已標(biāo)記的查詢節(jié)點(diǎn)和需要進(jìn)行排序的未標(biāo)記節(jié)點(diǎn),E代表圖中的無向邊。
在第二級(jí)顯著目標(biāo)檢測模型中,選取顯著圖的均值作為自適應(yīng)閾值,對第一級(jí)的顯著圖進(jìn)行二值分割,將大于閾值的節(jié)點(diǎn)標(biāo)記為目標(biāo)查詢節(jié)點(diǎn),并相應(yīng)構(gòu)建一個(gè)標(biāo)簽向量y,再用流形排序的算法獲得排序向量f*,將歸一化的排序值定義為超像素節(jié)點(diǎn)的顯著值,見式(9),檢測出第二級(jí)顯著圖,以此獲得楊梅果實(shí)顯著性目標(biāo),如圖4(e)。
Sfq(i)=f-*(i)i=1,2,...,N (9)
(4)果實(shí)圖像獲取步驟
該步驟是采用Otsu方法對得到的第二級(jí)顯著圖進(jìn)行自適應(yīng)閾值分割,得到二值黑白圖像,再與原始圖像疊加,從而將果實(shí)從背景中分割出來,如圖4(f)所示。
以上實(shí)施方式僅用于說明本發(fā)明的技術(shù)方案,而并非對本發(fā)明的限制,有關(guān)技術(shù)領(lǐng)域的普通技術(shù)人員,在不脫離本發(fā)明的精神和范圍的情況下,還可以做出各種變化,因此所有等同的技術(shù)方案也屬于本發(fā)明保護(hù)的范疇。