本發(fā)明涉及圖像處理及農(nóng)學(xué)
技術(shù)領(lǐng)域：
，尤其涉及一種田間環(huán)境下玉米葉片圖像分割方法及裝置。
背景技術(shù)：
：隨著遙感技術(shù)的發(fā)展和衛(wèi)星空間分辨率的提高，遙感技術(shù)成為農(nóng)作物生產(chǎn)管理方面重要的科技手段，而農(nóng)作物信息的提取是遙感技術(shù)在農(nóng)作物應(yīng)用研究方面的關(guān)鍵。圖像分割是農(nóng)作物遙感信息提取的基礎(chǔ)，能有效的利用圖像的光譜特征、結(jié)構(gòu)信息和幾何信息等，獲得理想的分割結(jié)果，是進(jìn)行農(nóng)作物識別和分類的前提。農(nóng)作物圖像處理的關(guān)鍵問題是有效快速識別定位植株器官，作物圖像顏色紋理近似，邊緣特征不明顯，再加上不同器官之間的遮擋，增加了植株器官分割識別的復(fù)雜性，成為作物圖像處理領(lǐng)域的難點和熱點問題。傳統(tǒng)分割方法有基于閾值、基于邊緣檢測和基于區(qū)域等方法，應(yīng)用于玉米田遙感影像分割時，分割的結(jié)果并不理想。具體來說，基于閾值的分水嶺分割方法僅考慮了灰度屬性值，忽略了空間信息，在進(jìn)行玉米田分割時會產(chǎn)生嚴(yán)重的過分割；基于邊緣的分割方法，如利用Sobel算子、Robert算子和Canny算子來對目標(biāo)邊緣進(jìn)行提取，對差異懸殊的邊界效果較好，但分割玉米田時，會丟失大量的邊緣信息，邊緣提取的連貫性較差；基于區(qū)域的圖論分割方法忽略了目標(biāo)的紋理和玉米地以田埂為邊界的類矩形地塊結(jié)構(gòu)等特征，邊緣區(qū)域產(chǎn)生許多錯分小塊，最終造成玉米種植面積統(tǒng)計錯誤，進(jìn)而無法為后續(xù)作物長勢研究提供有力的依據(jù)。技術(shù)實現(xiàn)要素：針對現(xiàn)有的圖像分割方法所存在的缺陷，本發(fā)明提出如下技術(shù)方案：一種田間環(huán)境下玉米葉片圖像分割方法，包括：獲取待測玉米植株的葉片輪廓的時間序列圖像；所述時間序列圖像包括多幅所述待測玉米植株在不同時刻分別對應(yīng)的葉片輪廓圖像；采用局域紋理能量濾波器增強多幅所述葉片輪廓圖像中的葉片邊緣像素對比度；對經(jīng)過局域紋理能量濾波器處理的多幅所述葉片輪廓圖像的葉片進(jìn)行單像素化處理，以獲取葉片邊緣像素；根據(jù)獲取到的所述葉片邊緣像素提取所述待測玉米植株的葉片輪廓?？蛇x地，所述采用局域紋理能量濾波器增強多幅所述葉片輪廓圖像中的葉片邊緣像素對比度，包括：確定所述葉片輪廓圖像中的像素相對于背景的局部紋理對比度；根據(jù)所述局部紋理對比度對多幅所述葉片輪廓圖像中的葉片邊緣像素進(jìn)行濾波處理?？蛇x地，對于所述葉片輪廓圖像中的像素p(i,j)，所述局部紋理對比度的表達(dá)式為：Et=max[0,B1(i,j)-I(i,j)]B1(i,j),C(i,j)≥0min[0,B2(i,j)-I(i,j)]I(i,j),C(i,j)<0---(1)]]>其中，Et表示所述局部紋理對比度，B1(i,j)表示像素p(i,j)鄰域內(nèi)亮像素的平均值，I(i,j)表示像素灰度強度值，C(i,j)用于決定像素p(i,j)比相鄰像素暗或亮，B2(i,j)表示像素p(i,j)鄰域內(nèi)暗像素的平均值。可選地，所述確定所述葉片輪廓圖像中的像素相對于背景的局部紋理對比度，包括：根據(jù)像素p(i,j)的背景強度和像素p(i,j)的灰度強度值確定所述C(i,j)；所述C(i,j)的表達(dá)式為：C(i,j)=18[I(i-3,j)+I(i-2,j)+I(i+2,j)+I(i+3,j)+I(i,j-3)+I(i,j-2)+I(i,j+2)+I(i,j+3)]-I(i,j).---(2)]]>可選地，所述根據(jù)像素p(i,j)的背景強度和像素p(i,j)的灰度強度值確定所述C(i,j)，包括：采用像素p(i,j)的7×7鄰域的49個像素中的8個像素來估計背景強度?？蛇x地，所述B1(i,j)的表達(dá)式為：B1(i,j)=1Nb1Σi-4≤p≤i+4j-4≤q≤j+4C(p,q)≤0I(p,q);---(3)]]>所述B2(i,j)的表達(dá)式為：B2(i,j)=1Nb2Σi-4≤p≤i+4j-4≤q≤j+4C(p,q)>0I(p,q);---(4)]]>其中，Nb1為像素p(i,j)的9×9鄰域內(nèi)C(p,q)小于等于0的像素數(shù)量；Nb2為像素p(i,j)的9×9鄰域內(nèi)C(p,q)大于0的像素數(shù)量。可選地，所述對經(jīng)過局域紋理能量濾波器處理的多幅所述葉片輪廓圖像的葉片進(jìn)行單像素化處理，以獲取葉片邊緣像素，包括：采用預(yù)設(shè)Sobel算子估算像素局部紋理能量極值的梯度方向；在3×3鄰域內(nèi)選擇垂直于所述梯度方向的3個像素(p1,p2,p3)，并按照下式分別計算所述3個像素各自的d2值：d2(i,j)=8I(i,j)-Σl=-11Σm=-11I(i+l,j+m);---(5)]]>獲取所述3個像素對應(yīng)的所述d2的極值，并在所述極值的3×3鄰域內(nèi)再進(jìn)行梯度方向計算以及d2值計算，并重復(fù)以上步驟直到梯度方向發(fā)生反轉(zhuǎn)，以獲取局部紋理能量濾波圖像；遍歷所述局部紋理能量濾波圖像的所有像素，并根據(jù)每個像素計算生成一條帶有方向的d2極值轉(zhuǎn)移鏈，并根據(jù)鏈尾元素確定所述葉片邊緣像素；其中，所述d2極值轉(zhuǎn)移鏈的方向為所述梯度方向?？蛇x地，所述方法還包括：采用數(shù)量閾值濾波去除由于噪聲和光線的干擾所產(chǎn)生的孤立的偽葉片邊緣像素。一種田間環(huán)境下玉米葉片圖像分割裝置，包括：序列圖像獲取單元，用于獲取待測玉米植株的葉片輪廓的時間序列圖像；所述時間序列圖像包括多幅所述待測玉米植株在不同時刻分別對應(yīng)的葉片輪廓圖像；對比度增強單元，用于采用局域紋理能量濾波器增強多幅所述葉片輪廓圖像中的葉片邊緣像素對比度；葉片邊緣像素獲取單元，用于對經(jīng)過局域紋理能量濾波器處理的多幅所述葉片輪廓圖像的葉片進(jìn)行單像素化處理，以獲取葉片邊緣像素；葉片輪廓提取單元，用于根據(jù)獲取到的所述葉片邊緣像素提取所述待測玉米植株的葉片輪廓?？蛇x地，所述對比度增強單元，進(jìn)一步用于：確定所述葉片輪廓圖像中的像素相對于背景的局部紋理對比度；根據(jù)所述局部紋理對比度對多幅所述葉片輪廓圖像中的葉片邊緣像素進(jìn)行濾波處理。本發(fā)明的田間環(huán)境下玉米葉片圖像分割方法及裝置，通過獲取待測玉米植株的葉片輪廓的時間序列圖像，并采用局域紋理能量濾波器增強多幅所述葉片輪廓圖像中的葉片邊緣像素對比度，再對經(jīng)過局域紋理能量濾波器處理的多幅所述葉片輪廓圖像的葉片進(jìn)行單像素化處理，以獲取葉片邊緣像素，最后根據(jù)獲取到的所述葉片邊緣像素提取所述待測玉米植株的葉片輪廓，可以實現(xiàn)針對真實而復(fù)雜的農(nóng)田環(huán)境中進(jìn)行智能化、自動化的葉片圖像分割處理，可以克服近似綠色背景中弱邊緣對分割結(jié)果的影響，提高圖像分割的準(zhǔn)確度。附圖說明為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明一個實施例的田間環(huán)境下玉米葉片圖像分割方法的流程示意圖；圖2為本發(fā)明一個實施例的田間環(huán)境下玉米葉片圖像分割裝置的結(jié)構(gòu)示意圖；圖3a至圖3d為本發(fā)明一個實施例的待測玉米植株的葉片輪廓的時間序列圖像；圖4a至圖4d為本發(fā)明一個實施例的待測玉米植株的圖像序列局域紋理能量濾波結(jié)果示意圖；圖5a至圖5d為本發(fā)明一個實施例的目標(biāo)葉片輪廓提取效果示意圖。具體實施方式為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。圖1為本發(fā)明一個實施例的田間環(huán)境下玉米葉片圖像分割方法的流程示意圖，如圖1所示，該方法包括：S1：獲取待測玉米植株的葉片輪廓的時間序列圖像；所述時間序列圖像包括多幅所述待測玉米植株在不同時刻分別對應(yīng)的葉片輪廓圖像；S2：采用局域紋理能量濾波器增強多幅所述葉片輪廓圖像中的葉片邊緣像素對比度；S3：對經(jīng)過局域紋理能量濾波器處理的多幅所述葉片輪廓圖像的葉片進(jìn)行單像素化處理，以獲取葉片邊緣像素；S4：根據(jù)獲取到的所述葉片邊緣像素提取所述待測玉米植株的葉片輪廓。本實施例的田間環(huán)境下玉米葉片圖像分割方法，通過獲取待測玉米植株的葉片輪廓的時間序列圖像，并采用局域紋理能量濾波器增強多幅所述葉片輪廓圖像中的葉片邊緣像素對比度，再對經(jīng)過局域紋理能量濾波器處理的多幅所述葉片輪廓圖像的葉片進(jìn)行單像素化處理，以獲取葉片邊緣像素，最后根據(jù)獲取到的所述葉片邊緣像素提取所述待測玉米植株的葉片輪廓，可以實現(xiàn)針對真實而復(fù)雜的農(nóng)田環(huán)境中進(jìn)行智能化、自動化的葉片圖像分割處理，可以克服近似綠色背景中弱邊緣對分割結(jié)果的影響，提高圖像分割的準(zhǔn)確度。進(jìn)一步地，作為上述方法實施例的優(yōu)選，步驟S2中所述采用局域紋理能量濾波器增強多幅所述葉片輪廓圖像中的葉片邊緣像素對比度，可以包括：S21：確定所述葉片輪廓圖像中的像素相對于背景的局部紋理對比度；S22：根據(jù)所述局部紋理對比度對多幅所述葉片輪廓圖像中的葉片邊緣像素進(jìn)行濾波處理。進(jìn)一步地，作為上述方法實施例的優(yōu)選，對于所述葉片輪廓圖像中的像素p(i,j)，所述局部紋理對比度的表達(dá)式為：Et=max[0,B1(i,j)-I(i,j)]B1(i,j),C(i,j)≥0min[0,B2(i,j)-I(i,j)]I(i,j),C(i,j)<0---(1)]]>其中，Et表示所述局部紋理對比度，B1(i,j)表示像素p(i,j)鄰域內(nèi)亮像素的平均值，I(i,j)表示像素灰度強度值，C(i,j)用于決定像素p(i,j)比相鄰像素暗或亮，B2(i,j)表示像素p(i,j)鄰域內(nèi)暗像素的平均值。進(jìn)一步地，作為本實施例的優(yōu)選，上述確定所述葉片輪廓圖像中的像素相對于背景的局部紋理對比度，可以包括：根據(jù)像素p(i,j)的背景強度和像素p(i,j)的灰度強度值確定所述C(i,j)；所述C(i,j)的表達(dá)式為：C(i,j)=18[I(i-3,j)+I(i-2,j)+I(i+2,j)+I(i+3,j)+I(i,j-3)+I(i,j-2)+I(i,j+2)+I(i,j+3)]-I(i,j)---(2)]]>在此基礎(chǔ)上，上述根據(jù)像素p(i,j)的背景強度和像素p(i,j)的灰度強度值確定所述C(i,j)，可以包括：采用像素p(i,j)的7×7鄰域的49個像素中的8個像素來估計背景強度。進(jìn)一步地，作為上述方法實施例的優(yōu)選，所述B1(i,j)的表達(dá)式為：B1(i,j)=1Nb1Σi-4≤p≤i+4j-4≤q≤j+4C(p,q)≤0I(p,q);---(3)]]>所述B2(i,j)的表達(dá)式為：B2(i,j)=1Nb2Σi-4≤p≤i+4j-4≤q≤j+4C(p,q)>0I(p,q);---(4)]]>其中，Nb1為像素p(i,j)的9×9鄰域內(nèi)C(p,q)小于等于0的像素數(shù)量；Nb2為像素p(i,j)的9×9鄰域內(nèi)C(p,q)大于0的像素數(shù)量。進(jìn)一步地，作為上述方法實施例的優(yōu)選，步驟S3中所述對經(jīng)過局域紋理能量濾波器處理的多幅所述葉片輪廓圖像的葉片進(jìn)行單像素化處理，以獲取葉片邊緣像素，可以包括：S31：采用預(yù)設(shè)Sobel算子估算像素局部紋理能量極值的梯度方向；S32：在3×3鄰域內(nèi)選擇垂直于所述梯度方向的3個像素(p1,p2,p3)，并按照下式分別計算所述3個像素各自的d2值：d2(i,j)=8I(i,j)-Σl=-11Σm=-11I(i+l,j+m);---(5)]]>S33：獲取所述3個像素對應(yīng)的所述d2的極值，并在所述極值的3×3鄰域內(nèi)再進(jìn)行梯度方向計算以及d2值計算，并重復(fù)以上步驟直到梯度方向發(fā)生反轉(zhuǎn)，以獲取局部紋理能量濾波圖像；S34：遍歷所述局部紋理能量濾波圖像的所有像素，并根據(jù)每個像素計算生成一條帶有方向的d2極值轉(zhuǎn)移鏈，并根據(jù)鏈尾元素確定所述葉片邊緣像素；其中，所述d2極值轉(zhuǎn)移鏈的方向為所述梯度方向。進(jìn)一步地，作為上述各方法實施例的優(yōu)選，所述方法還可包括：S5：采用數(shù)量閾值濾波去除由于噪聲和光線的干擾所產(chǎn)生的孤立的偽葉片邊緣像素。圖2為本發(fā)明一個實施例的田間環(huán)境下玉米葉片圖像分割裝置的結(jié)構(gòu)示意圖，如圖2所示，該裝置包括序列圖像獲取單元10、對比度增強單元20、葉片邊緣像素獲取單元30以及葉片輪廓提取單元40，其中：序列圖像獲取單元10用于獲取待測玉米植株的葉片輪廓的時間序列圖像；所述時間序列圖像包括多幅所述待測玉米植株在不同時刻分別對應(yīng)的葉片輪廓圖像；對比度增強單元20用于采用局域紋理能量濾波器增強多幅所述葉片輪廓圖像中的葉片邊緣像素對比度；葉片邊緣像素獲取單元30用于對經(jīng)過局域紋理能量濾波器處理的多幅所述葉片輪廓圖像的葉片進(jìn)行單像素化處理，以獲取葉片邊緣像素；葉片輪廓提取單元40用于根據(jù)獲取到的所述葉片邊緣像素提取所述待測玉米植株的葉片輪廓。具體地，序列圖像獲取單元10獲取待測玉米植株的葉片輪廓的時間序列圖像；所述時間序列圖像包括多幅所述待測玉米植株在不同時刻分別對應(yīng)的葉片輪廓圖像；對比度增強單元20采用局域紋理能量濾波器增強多幅所述葉片輪廓圖像中的葉片邊緣像素對比度；葉片邊緣像素獲取單元30對經(jīng)過局域紋理能量濾波器處理的多幅所述葉片輪廓圖像的葉片進(jìn)行單像素化處理，以獲取葉片邊緣像素；葉片輪廓提取單元40根據(jù)獲取到的所述葉片邊緣像素提取所述待測玉米植株的葉片輪廓。本實施例所述的裝置可以用于執(zhí)行上述方法實施例，其原理和技術(shù)效果類似，此處不再贅述。進(jìn)一步地，作為本實施例的優(yōu)選，所述對比度增強單元20可以用于確定所述葉片輪廓圖像中的像素相對于背景的局部紋理對比度；以及，根據(jù)所述局部紋理對比度對多幅所述葉片輪廓圖像中的葉片邊緣像素進(jìn)行濾波處理。需要說明的是，對于裝置實施例而言，由于其與方法實施例基本相似，所以描述的比較簡單，相關(guān)之處參見方法實施例的部分說明即可。下面以一具體的實施例來說明本發(fā)明，但不限定本發(fā)明的保護范圍。舉例來說，待測玉米植株的葉片輪廓的時間序列圖像的獲取時間：從每天上午9:00開始，每隔3個小時獲取一次，至17:00結(jié)束，按時間順序從中抽取有代表性的4張葉片輪廓圖像序列樣圖如圖3a至圖3d所示。葉片圖像分割的難點即在于圖像背景復(fù)雜，如圖3a至圖3d所示，當(dāng)葉片邊緣的背景是土壤時，邊緣像素對比度較高；而當(dāng)葉片邊緣的背景是綠色葉片時，邊緣像素過度不明顯，即邊緣像素對比度低，因此很難使用統(tǒng)一的邊緣閾值分割葉片圖像。本實施例的田間環(huán)境下玉米葉片圖像分割方法包括以下步驟：(1)采用局域紋理能量濾波器增強葉片邊緣像素對比度：計算像素相對于背景的局部紋理對比度Et，對于像素p(i,j)有Et=max[0,B1(i,j)-I(i,j)]B1(i,j),C(i,j)≥0min[0,B2(i,j)-I(i,j)]I(i,j),C(i,j)<0---(1)]]>其中C(i,j)用于決定該像素比相鄰像素暗或亮，其具體表達(dá)式為:C(i,j)=18[I(i-3,j)+I(i-2,j)+I(i+2,j)+I(i+3,j)+I(i,j-3)+I(i,j-2)+I(i,j+2)+I(i,j+3)]-I(i,j)---(2)]]>由上式(2)可知，C(i,j)是由兩部分之差構(gòu)成的，其中，第一部分用于估計像素p(i,j)的背景強度，第二部分用于表示像素p(i,j)的灰度強度值。具體地，當(dāng)計算C(i,j)時，只采用p(i,j)的7×7鄰域內(nèi)的49個像素中的8個。具體來說，在像素p(i,j)的7×7鄰域內(nèi)既有邊緣像素又有背景像素，如果用鄰域內(nèi)所有像素計算C(i,j)的第一部分，則不能正確估計背景強度；因而采用4個方向的8個像素(即C(i,j)的第一部分中的8個像素I(i-3,j)、I(i-2,j)、……、I(i,j+3))進(jìn)行背景強度估計，可以去除非背景像素的干擾。進(jìn)一步地，對于一個比背景暗的像素(C(i,j)≥0),計算其7×7鄰域內(nèi)亮像素的平均值B1(i,j)采用的表達(dá)式為：B1(i,j)=1Nb1Σi-4≤p≤i+4j-4≤q≤j+4C(p,q)≤0I(p,q);---(3)]]>上式(1)中像素灰度強度值B1(i,j)與I(i,j)的差值反應(yīng)了該像素的局部對比度，一般B1(i,j)-I(i,j)≥0，如果出現(xiàn)負(fù)值，那么該像素很可能是圖像噪聲，因此用max[0,B1(i,j)-I(i,j)]保證計算結(jié)果不出現(xiàn)負(fù)數(shù)，最后用B1(i,j)進(jìn)行歸一化，即可使Et值域分布范圍在0≤Et≤1。類似的，對于一個比背景亮的像素(C(i,j)＜0,計算鄰域內(nèi)暗像素的平均值B2(i,j)，噪聲數(shù)據(jù)點被強制賦值為0(min[0,B2(i,j)-I(i,j)])，使用I(i,j)點的強度值對差值歸一化，使Et值域分布范圍在-1≤Et≤0。B2(i,j)=1Nb2Σi-4≤p≤i+4j-4≤q≤j+4C(p,q)>0I(p,q);---(4)]]>其中，Nb1為像素p(i,j)的9×9鄰域內(nèi)C(p,q)小于等于0的像素數(shù)量；Nb2為像素p(i,j)的9×9鄰域內(nèi)C(p,q)大于0的像素數(shù)量。因此，經(jīng)過局域紋理能量濾波器處理后邊緣部分被凸顯，本實施例的待測玉米植株的圖像序列局域紋理能量濾波結(jié)果示意圖如圖4a至圖4d所示。(2)基于局部紋理能量極值的葉片邊緣單像素化：雖然經(jīng)過了上述處理，但由于葉片邊緣像素不是單像素聯(lián)通，因而無法直接提取葉片邊緣輪廓。葉片邊緣一般出現(xiàn)在局部紋理能量極值附近，因而對其鄰近像素進(jìn)行非極值抑制可獲得葉片邊緣像素。具體地，首先使用如下Sobel算子估算像素局部紋理能量極值的梯度方向：在3×3鄰域內(nèi)選擇垂直于梯度方向的3個像素(p1，p2,p3)，并按照以下公式(5)計算其d2值d2(i,j)=8I(i,j)-Σl=-11Σm=-11I(i+l,j+m);---(5)]]>在此基礎(chǔ)上，獲取上述3個像素中d2的極值(優(yōu)選為極大值)，假設(shè)該極值為p3，則在p3的3×3鄰域內(nèi)再進(jìn)行梯度方向計算與d2值計算，重復(fù)上述步驟直到梯度方向發(fā)生反轉(zhuǎn)，以獲取局部紋理能量濾波圖像；遍歷所述局部紋理能量濾波圖像的所有像素，并根據(jù)每個像素計算生成一條帶有方向(梯度方向)的d2極值轉(zhuǎn)移鏈，鏈尾元素既是為要尋找的葉片邊緣像素。進(jìn)一步地，由于噪聲和光線的干擾會產(chǎn)生一些孤立的偽葉片邊緣像素，因而可通過采用數(shù)量閾值濾波方法進(jìn)行偽葉片邊緣像素去除。特別地，在進(jìn)行非極值抑制時，初始位置可以選擇目標(biāo)葉片的內(nèi)部，對于時間序列圖像中的第一幅圖像可采用人工選取，第二幅圖像中目標(biāo)葉片的內(nèi)部位置參考第一幅(葉片形狀變化不大)，以在獲得葉片輪廓后對葉片內(nèi)部中心位置更新，本實施例的目標(biāo)葉片輪廓提取效果示意圖如圖5a至圖5d所示。以上實施例僅用于說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的精神和范圍。當(dāng)前第1頁1 2 3