本發(fā)明涉及農業(yè)信息
技術領域：
，尤其涉及一種自然環(huán)境下棉花圖像分割方法及裝置。
背景技術：
：棉花是世界上最主要的農作物之一，具有產量多、分布廣、用途多等特點。作為中國的重要經濟作物，棉花的種植對于調整農業(yè)生產結構和保障農戶收入起到了重要作用。然而，棉花在生長發(fā)育過程中容易感染各種病害和蟲害。通過圖像處理方法與計算機視覺技術可以對棉花病蟲害圖像進行識別與判斷，而棉花與復雜背景自動分割是圖像處理與分析的第一步，也是至關重要的步驟，其分割結果的優(yōu)劣直接影響著后續(xù)圖像特征提取、目標識別的準確性。理想的情況下，所有圖像采集應在相同的條件下(固定的光源、背景與拍攝角度等)進行。然而在實際中，這種理想情況只能在受控環(huán)境中實現(xiàn)，如實驗室內。在自然環(huán)境中進行葉片分割具有很多挑戰(zhàn)，比如在實際的棉花種植環(huán)境中，一日之內的照明變化劇烈、不同背景下的反光、不同的氣象條件都會對成像造成影響。同時，圖像背景中還包括有土壤、秸稈、地膜、陰影等內容，以及作物種植土壤地表還覆蓋有一些相關的生物種類，這些因素都的存在均使得葉片與莖稈等感興趣區(qū)域的圖像分割成為了一個難點。目前常用的作物圖像分割方法主要分包括：閾值法、邊緣檢測法、區(qū)域生長法、聚類法、模糊分割法等。但這些方法都缺少對圖像受光照和復雜背景影響的考慮，魯棒性較差。因此，現(xiàn)有的亟待解決的技術問題之一即為：如何彌補上述圖像分割方法產生的種種不足，提供自然環(huán)境下對棉花葉片進行圖像分割的魯棒性方法。技術實現(xiàn)要素：針對目前常用的作物圖像分割方法未考慮對圖像受光照和復雜背景影響、魯棒性較差的缺陷，本發(fā)明提出如下技術方案：一種自然環(huán)境下棉花圖像分割方法，包括：將自然環(huán)境棉花圖像分別轉換至YIQ顏色空間、Extra顏色空間以及L*a*b顏色空間，并分別提取轉換后的YIQ顏色空間圖像的Q分量圖像、Extra顏色空間的ExtraGreen分量圖像以及L*a*b顏色空間圖像的a*分量圖像；其中，所述自然環(huán)境棉花圖像為在自然環(huán)境條件下獲取的棉花作物圖像；通過脈沖耦合神經網絡PCNN模型分別獲取所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像；根據所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像進行交集運算，以獲取交集運算圖像；根據所述交集運算圖像與所述自然環(huán)境棉花圖像進行乘積運算，以獲取棉花圖像分割結果?？蛇x地，所述將自然環(huán)境棉花圖像分別轉換至YIQ顏色空間、Extra顏色空間以及L*a*b顏色空間之前，所述方法還包括：對所述自然環(huán)境棉花圖像進行濾波處理，以獲取濾波后的自然環(huán)境棉花圖像；相應地，所述根據所述交集運算圖像與所述自然環(huán)境棉花圖像進行乘積運算，以獲取棉花圖像分割結果，包括：根據所述交集運算圖像與所述濾波后的自然環(huán)境棉花圖像進行乘積運算，以獲取棉花圖像分割結果。可選地，所述對所述自然環(huán)境棉花圖像進行濾波處理，以獲取濾波后的自然環(huán)境棉花圖像，包括：提取所述自然環(huán)境棉花圖形的R分量圖像、G分量圖像以及B分量圖像；分別對所述R分量圖像、G分量圖像以及B分量圖像進行標準偏差σ2＝1，模板尺度為[5,5]的Gaussian濾波處理；對濾波處理后的R分量圖像、G分量圖像以及B分量圖像進行合成處理，以獲取所述濾波后的自然環(huán)境棉花圖像?？蛇x地，所述通過脈沖耦合神經網絡PCNN模型分別獲取所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像之前，該方法還包括：利用免疫算法優(yōu)化PCNN模型參數(shù)；其中，所述PCNN模型參數(shù)包括閾值初值VE、衰減參數(shù)αE、連接稀疏β?？蛇x地，所述通過脈沖耦合神經網絡PCNN模型分別獲取所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像之后，所述方法還包括：對所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像進行形態(tài)學開運算處理。一種自然環(huán)境下棉花圖像分割裝置，包括：分量圖像提取單元，用于將自然環(huán)境棉花圖像分別轉換至YIQ顏色空間、Extra顏色空間以及L*a*b顏色空間，并分別提取轉換后的YIQ顏色空間圖像的Q分量圖像、Extra顏色空間的ExtraGreen分量圖像以及L*a*b顏色空間圖像的a*分量圖像；其中，所述自然環(huán)境棉花圖像為在自然環(huán)境條件下獲取的棉花作物圖像；二值圖像獲取單元，用于通過脈沖耦合神經網絡PCNN模型分別獲取所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像；交集運算圖像獲取單元，用于根據所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像進行交集運算，以獲取交集運算圖像；圖像分割結果獲取單元，用于根據所述交集運算圖像與所述自然環(huán)境棉花圖像進行乘積運算，以獲取棉花圖像分割結果。可選地，所述裝置還包括：濾波處理單元，用于對所述自然環(huán)境棉花圖像進行濾波處理，以獲取濾波后的自然環(huán)境棉花圖像；相應地，所述圖像分割結果獲取單元具體用于根據所述交集運算圖像與所述濾波后的自然環(huán)境棉花圖像進行乘積運算，以獲取棉花圖像分割結果?？蛇x地，所述濾波處理單元具體用于：提取所述自然環(huán)境棉花圖形的R分量圖像、G分量圖像以及B分量圖像；分別對所述R分量圖像、G分量圖像以及B分量圖像進行標準偏差σ2＝1，模板尺度為[5,5]的Gaussian濾波處理；對濾波處理后的R分量圖像、G分量圖像以及B分量圖像進行合成處理，以獲取所述濾波后的自然環(huán)境棉花圖像?？蛇x地，所述裝置還包括：參數(shù)優(yōu)化單元，用于利用免疫算法優(yōu)化PCNN模型參數(shù)；其中，所述PCNN模型參數(shù)包括閾值初值VE、衰減參數(shù)αE、連接稀疏β。可選地，所述裝置還包括：開運算處理單元，用于對所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像進行形態(tài)學開運算處理。本發(fā)明的自然環(huán)境下棉花圖像分割方法及裝置，通過將自然環(huán)境棉花圖像分別轉換至YIQ顏色空間、Extra顏色空間以及L*a*b顏色空間，并分別提取轉換后的YIQ顏色空間圖像的Q分量圖像、Extra顏色空間的ExtraGreen分量圖像以及L*a*b顏色空間圖像的a*分量圖像，進而通過脈沖耦合神經網絡PCNN模型分別獲取所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像，再根據所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像進行交集運算，以獲取交集運算圖像，最后根據所述交集運算圖像與所述自然環(huán)境棉花圖像進行乘積運算，以獲取棉花圖像分割結果，可以實現(xiàn)自然環(huán)境下的棉花目標與白地膜、黑地膜、秸稈、裸土等復雜背景的準確自動分割，以及作物區(qū)域的準確提取，對于作物生長狀態(tài)判定與病蟲害診斷領域具有重要的意義。附圖說明為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術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，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。圖1為本發(fā)明一個實施例的自然環(huán)境下棉花圖像分割方法流程示意圖；圖2為本發(fā)明一個實施例的自然環(huán)境下棉花圖像分割裝置結構示意圖；圖3為本發(fā)明一個實施例的自然環(huán)境棉花彩色圖像示意圖；圖4為本發(fā)明另一個實施例的自然環(huán)境下棉花圖像分割方法流程示意圖；圖5為本發(fā)明一個實施例的棉花圖像分割結果示意圖。具體實施方式為使本發(fā)明實施例的目的、技術方案和優(yōu)點更加清楚，下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚地描述，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，本領域普通技術人員在沒有做出創(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)明一個實施例的自然環(huán)境下棉花圖像分割方法流程示意圖，如圖1所示，該方法包括：S1：將自然環(huán)境棉花圖像分別轉換至YIQ顏色空間、Extra顏色空間以及L*a*b顏色空間，并分別提取轉換后的YIQ顏色空間圖像的Q分量圖像、Extra顏色空間的ExtraGreen分量圖像以及L*a*b顏色空間圖像的a*分量圖像；其中，所述自然環(huán)境棉花圖像為在自然環(huán)境條件下獲取的棉花作物圖像。具體來說，將所述自然環(huán)境棉花圖像分別轉換至YIQ顏色空間、Extra顏色空間、L*a*b*顏色空間，然后提取YIQ顏色空間的Q分量圖像，提取Extra顏色空間的ExtraGreen分量圖像，提取L*a*b*顏色空間的a*分量圖像。S2：通過脈沖耦合神經網絡PCNN模型分別獲取所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像；具體來說，通過PCNN模型分別獲取所述Q分量圖像對應的目標區(qū)域與背景分割二值圖像、ExtraGreen分量圖像對應目標區(qū)域與背景分割二值圖像以及a*分量圖像對應的目標區(qū)域與背景分割二值圖像。S3：根據所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像進行交集運算，以獲取交集運算圖像；具體地，將所述Q分量圖像對應的目標區(qū)域與背景分割二值圖像，ExtraGreen分量圖像對應目標區(qū)域與背景分割二值圖像與a*分量圖像對應的目標區(qū)域與背景分割二值圖像進行交集運算，以獲取交集運算圖像。S4：根據所述交集運算圖像與所述自然環(huán)境棉花圖像進行乘積運算，以獲取棉花圖像分割結果。本實施例的自然環(huán)境下棉花圖像分割方法，通過將自然環(huán)境棉花圖像分別轉換至YIQ顏色空間、Extra顏色空間以及L*a*b顏色空間，并分別提取轉換后的YIQ顏色空間圖像的Q分量圖像、Extra顏色空間的ExtraGreen分量圖像以及L*a*b顏色空間圖像的a*分量圖像，進而通過脈沖耦合神經網絡PCNN模型分別獲取所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像，再根據所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像進行交集運算，以獲取交集運算圖像，最后根據所述交集運算圖像與所述自然環(huán)境棉花圖像進行乘積運算，以獲取棉花圖像分割結果，可以實現(xiàn)自然環(huán)境下的棉花目標與白地膜、黑地膜、秸稈、裸土等復雜背景的準確自動分割，以及作物區(qū)域的準確提取，對于作物生長狀態(tài)判定與病蟲害診斷領域具有重要的意義。進一步地，作為上述方法實施例的優(yōu)選，步驟S1所述將自然環(huán)境棉花圖像分別轉換至YIQ顏色空間、Extra顏色空間以及L*a*b顏色空間之前，所述方法還可以包括：S0：對所述自然環(huán)境棉花圖像進行濾波處理，以獲取濾波后的自然環(huán)境棉花圖像；相應地，步驟S4所述根據所述交集運算圖像與所述自然環(huán)境棉花圖像進行乘積運算，以獲取棉花圖像分割結果，可以包括：S41：根據所述交集運算圖像與所述濾波后的自然環(huán)境棉花圖像進行乘積運算，以獲取棉花圖像分割結果。進一步地，作為上述各個方法實施例的優(yōu)選，步驟S0所述對所述自然環(huán)境棉花圖像進行濾波處理，以獲取濾波后的自然環(huán)境棉花圖像，還可以包括：S01：提取所述自然環(huán)境棉花圖形的R分量圖像、G分量圖像以及B分量圖像；S02：分別對所述R分量圖像、G分量圖像以及B分量圖像進行標準偏差σ2＝1，模板尺度為[5,5]的Gaussian濾波處理；S03：對濾波處理后的R分量圖像、G分量圖像以及B分量圖像進行合成處理，以獲取所述濾波后的自然環(huán)境棉花圖像。進一步地，作為上述各個方法實施例的優(yōu)選，步驟S2所述通過脈沖耦合神經網絡PCNN模型分別獲取所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像之前，該方法還可以包括：S2’：利用免疫算法優(yōu)化PCNN模型參數(shù)；其中，所述PCNN模型參數(shù)包括閾值初值VE、衰減參數(shù)αE、連接稀疏β。進一步地，作為上述各個方法實施例的優(yōu)選，步驟S2所述通過脈沖耦合神經網絡PCNN模型分別獲取所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像之后，所述方法還包括：S2”：對所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像進行形態(tài)學開運算處理。圖2為本發(fā)明一個實施例的自然環(huán)境下棉花圖像分割裝置結構示意圖，如圖2所示，該裝置包括分量圖像提取單元10、二值圖像獲取單元20、交集運算圖像獲取單元30以及圖像分割結果獲取單元40，其中：分量圖像提取單元10用于將自然環(huán)境棉花圖像分別轉換至YIQ顏色空間、Extra顏色空間以及L*a*b顏色空間，并分別提取轉換后的YIQ顏色空間圖像的Q分量圖像、Extra顏色空間的ExtraGreen分量圖像以及L*a*b顏色空間圖像的a*分量圖像；其中，所述自然環(huán)境棉花圖像為在自然環(huán)境條件下獲取的棉花作物圖像；二值圖像獲取單元20用于通過脈沖耦合神經網絡PCNN模型分別獲取所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像；交集運算圖像獲取單元30用于根據所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像進行交集運算，以獲取交集運算圖像；圖像分割結果獲取單元40用于根據所述交集運算圖像與所述自然環(huán)境棉花圖像進行乘積運算，以獲取棉花圖像分割結果。具體地，分量圖像提取單元10將自然環(huán)境棉花圖像分別轉換至YIQ顏色空間、Extra顏色空間以及L*a*b顏色空間，并分別提取轉換后的YIQ顏色空間圖像的Q分量圖像、Extra顏色空間的ExtraGreen分量圖像以及L*a*b顏色空間圖像的a*分量圖像；然后，二值圖像獲取單元20通過脈沖耦合神經網絡PCNN模型分別獲取所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像；進而，交集運算圖像獲取單元30根據所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像進行交集運算，以獲取交集運算圖像；最后，圖像分割結果獲取單元40根據所述交集運算圖像與所述自然環(huán)境棉花圖像進行乘積運算，以獲取棉花圖像分割結果。本實施例所述的裝置可以用于執(zhí)行上述方法實施例，其原理和技術效果類似，此處不再贅述。進一步地，作為上述裝置實施例的優(yōu)選，所述裝置還可以包括：濾波處理單元，用于對所述自然環(huán)境棉花圖像進行濾波處理，以獲取濾波后的自然環(huán)境棉花圖像；相應地，圖像分割結果獲取單元40具體用于根據所述交集運算圖像與所述濾波后的自然環(huán)境棉花圖像進行乘積運算，以獲取棉花圖像分割結果。進一步地，作為上述各個裝置實施例的優(yōu)選，所述濾波處理單元還可以具體用于：提取所述自然環(huán)境棉花圖形的R分量圖像、G分量圖像以及B分量圖像；分別對所述R分量圖像、G分量圖像以及B分量圖像進行標準偏差σ2＝1，模板尺度為[5,5]的Gaussian濾波處理；對濾波處理后的R分量圖像、G分量圖像以及B分量圖像進行合成處理，以獲取所述濾波后的自然環(huán)境棉花圖像。進一步地，作為上述各個裝置實施例的優(yōu)選，所述裝置還可以包括：參數(shù)優(yōu)化單元，用于利用免疫算法優(yōu)化PCNN模型參數(shù)；其中，所述PCNN模型參數(shù)包括閾值初值VE、衰減參數(shù)αE、連接稀疏β。進一步地，作為上述各個裝置實施例的優(yōu)選，所述裝置還可以包括：開運算處理單元，用于對所述Q分量圖像、ExtraGreen分量圖像以及a*分量圖像各自對應的目標區(qū)域與背景分割二值圖像進行形態(tài)學開運算處理。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。圖3為本發(fā)明另一個實施例的自然環(huán)境下棉花圖像分割方法流程示意圖，如圖3所示，本實施例提供的自然環(huán)境下棉花圖像分割方法的具體步驟包括：A1：將自然環(huán)境棉花彩色RGB圖像f(參見圖4)進行濾波處理，具體：提取自然環(huán)境棉花彩色圖像的R分量圖像、G分量圖像、B分量圖像，分別在R分量圖像、G分量圖像、B分量圖像進行標準偏差σ2＝1模板尺度為[5,5]Gaussian濾波，將濾波后的R分量圖像、G分量圖像、B分量圖像重新合成為棉花彩色圖像f1。A2：提取濾波后棉花圖像f1每個像素的Q分量圖像、ExtraGreen分量圖像、a*分量圖像；具體地，將所述濾波后棉花圖像分別轉換至YIQ顏色空間、Extra顏色空間、L*a*b*顏色空間,然后，提取YIQ顏色空間的Q分量圖像，提取Extra顏色空間的ExtraGreen分量圖像、提取L*a*b*顏色空間的a*分量圖像，其中：所述Q分量轉換數(shù)學公式為：Q＝0.211×R-0.523×G+0.312×B+128(1)式中，R、G、B為圖像中的RGB值，下同；ExtraGreen分量轉換數(shù)學公式：ExtraGreen=2G-R-B256---(2)]]>a*分量轉換數(shù)學公式：a*＝500[f(X)-f(Y)](3)式中，X＝0.4124×R+0.3576×G+0.1805×B，Y＝0.2126×R+0.7152×G+0.0722×B。A3：利用免疫算法優(yōu)化PCNN模型參數(shù)閾值初值VE、衰減參數(shù)αE、連接稀疏β，具體包括：A31：將閾值初值VE、衰減參數(shù)αE、連接稀疏β初始抗體，將Q分量、ExtraGreen分量、a*分量作為抗原輸入，并轉換為二進制編碼，組成抗體的初始種群；A32：計算抗原的目標函數(shù)F應該為使訓練樣本的抗體最小，抗體函數(shù)定義為：F=Σi=1N(yi-y^i)2---(4)]]>其中：N為抗體群的大小，為期望輸出值，yi為實際輸出值。yi函數(shù)公式為：yi=1-|Bo∩BT|+|Fo∩FT||Bo|+|Fo|---(5)]]>式中，Bo、Fo分別為標準分割圖像中背景和目標的像素數(shù)，BT、FT分別為PCNN算法分割圖像中背景和目標的像素數(shù)。A33:計算抗體與抗原的抗體濃度，當某個抗體與抗原的濃度較大時，表明該抗體已充分接近最優(yōu)解。di=1Σi=1N(yi-y^i)2---(6)]]>A34：種群的選擇、交叉與變異，對K父代種群進行選擇、交叉和變異操作，得到新種群Bk。新種群進行接種疫苗，得到更新一代種群Ck。使所有個體中具有較高親和度的個體在數(shù)量上占絕對優(yōu)勢。首先對抗體集中的抗體按其親和度進行降序排列，并計算選擇集規(guī)模，然后根據選擇集規(guī)模將抗體進行復制到選擇集中，計算選擇集規(guī)模的公式為：式中，Nc為選擇集的規(guī)模，a為選擇系數(shù)，操作符表示取整。對選擇集中每個抗體進行高頻變異，從而得到變異集，變異公式為：ri=1βexp(-f2)---(8)]]>ri表示變異體，f為抗體和抗原的親和度，β為變異控制系數(shù)。A35：若滿足終止條件，即產生個體的代數(shù)滿足迭代最大次數(shù)或目標函數(shù)F的增值在一定的范圍之內，則判定最終抗原為最優(yōu)解。得出閾值初值VE、衰減參數(shù)αE、連接稀疏β的最優(yōu)值。A4：分別以Q分量圖像f(Q)、ExtraGreen分量圖像f(ExtraGreen)、a*分量圖像f(a*)作為輸入，根據免疫算法得到的閾值初值VE、衰減參數(shù)αE、連接稀疏β設置參數(shù)，利用PCNN模型分別得到Q分量圖像、ExtraGreen分量圖像、a*分量圖像的自然環(huán)境下棉花與復雜背景分割二值圖像，其PCNN模型數(shù)學公式為：式中，參數(shù)n表示時間，αF是反饋輸入域的衰減時間常數(shù)，Sij表示網絡輸入激勵，這里表示圖像像素點(i,j)灰度值，VF是反饋輸入域的放大系數(shù)，Mijkl是權值矩陣，F(xiàn)ij表示對應Sij值的神經元反饋輸入域，Lij為網絡鏈接項，VL是耦合連接域的放大系數(shù)，wijkl耦合連接域權值矩陣，Uij為網絡內部神經元活動項，Eij為脈沖激活動態(tài)閾值，w為網絡內部連接權值矩陣，作為連接矩陣；Yij為對應神經元輸出值；β為神經元交互連接系數(shù)；αE為激勵脈沖衰減時間系數(shù)；VE為激勵脈沖幅值系數(shù)；對得到Q分量圖像、ExtraGreen分量圖像、a*分量圖像的自然環(huán)境下棉花與復雜背景分割二值圖像，進行圓盤為5的形態(tài)學開運算，其中，圖像形態(tài)學開運算公式為：可以理解的是，本實施例的圓盤選取為5像素僅為一個優(yōu)選的示例，實際應用中，圓盤的選取可以根據實際情況進行設置，本發(fā)明對此不進行限定。式中，A為分割二值圖像，B為圓盤為5的結構體。A5：將Q分量圖像、ExtraGreen分量圖像、a*分量圖像的自然環(huán)境下棉花與復雜背景分割二值圖像，分別是F(Q)、F(ExtraGreen)、F(a*)，進行交集運算，數(shù)學公式為：F(I)＝F(Q)∩F(ExtraGreen)∩F(a*)。(11)再將交集運算結合與濾波處理圖像進行乘運算，得到棉花區(qū)域圖像(如圖5所示)，數(shù)學公式為：F′(I)＝[f(:,:,1)*F(I)，f(:,:,2)*F(I)，f(:,:,3)*F(I)](12)本實施例通過Gaussian濾波算法，分別提取Q分量、ExtraGreen分量、a*分量作為顏色特征，并結合免疫算法和PCNN模型原理，實現(xiàn)了自然環(huán)境下的棉花目標與白地膜、黑地膜、秸稈、裸土等復雜背景的準確自動分割以及作物區(qū)域的準確提取，對于作物生長狀態(tài)判定與病蟲害診斷領域具有重要的意義。以上實施例僅用于說明本發(fā)明的技術方案，而非對其限制；盡管參照前述實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或替換，并不使相應技術方案的本質脫離本發(fā)明各實施例技術方案的精神和范圍。當前第1頁1 2 3