1.一種自然環(huán)境下棉花圖像分割方法,其特征在于,包括:
將自然環(huán)境棉花圖像分別轉(zhuǎn)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(zhuǎn)換后的YIQ顏色空間圖像的Q分量圖像、Extra顏色空間的Extra Green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(guò)脈沖耦合神經(jīng)網(wǎng)絡(luò)PCNN模型分別獲取所述Q分量圖像、Extra Green分量圖像以及a*分量圖像各自對(duì)應(yīng)的目標(biāo)區(qū)域與背景分割二值圖像;
根據(jù)所述Q分量圖像、Extra Green分量圖像以及a*分量圖像各自對(duì)應(yīng)的目標(biāo)區(qū)域與背景分割二值圖像進(jìn)行交集運(yùn)算,以獲取交集運(yùn)算圖像;
根據(jù)所述交集運(yùn)算圖像與所述自然環(huán)境棉花圖像進(jìn)行乘積運(yùn)算,以獲取棉花圖像分割結(jié)果。
2.根據(jù)權(quán)利要求1所述的方法,其特征在于,所述將自然環(huán)境棉花圖像分別轉(zhuǎn)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(duì)所述自然環(huán)境棉花圖像進(jìn)行濾波處理,以獲取濾波后的自然環(huán)境棉花圖像;
相應(yīng)地,所述根據(jù)所述交集運(yùn)算圖像與所述自然環(huán)境棉花圖像進(jìn)行乘積運(yùn)算,以獲取棉花圖像分割結(jié)果,包括:
根據(jù)所述交集運(yùn)算圖像與所述濾波后的自然環(huán)境棉花圖像進(jìn)行乘積運(yùn)算,以獲取棉花圖像分割結(jié)果。
3.根據(jù)權(quán)利要求2所述的方法,其特征在于,所述對(duì)所述自然環(huán)境棉花圖像進(jìn)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(duì)所述R分量圖像、G分量圖像以及B分量圖像進(jìn)行標(biāo)準(zhǔn)偏差σ2=1,模板尺度為[5,5]的Gaussian濾波處理;
對(duì)濾波處理后的R分量圖像、G分量圖像以及B分量圖像進(jìn)行合成處理,以獲取所述濾波后的自然環(huán)境棉花圖像。
4.根據(jù)權(quán)利要求1所述的方法,其特征在于,所述通過(guò)脈沖耦合神經(jīng)網(wǎng)絡(luò)PCNN模型分別獲取所述Q分量圖像、Extra Green分量圖像以及a*分量圖像各自對(duì)應(yīng)的目標(biāo)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。
5.根據(jù)權(quán)利要求1所述的方法,其特征在于,所述通過(guò)脈沖耦合神經(jīng)網(wǎng)絡(luò)PCNN模型分別獲取所述Q分量圖像、Extra Green分量圖像以及a*分量圖像各自對(duì)應(yīng)的目標(biāo)區(qū)域與背景分割二值圖像之后,所述方法還包括:
對(duì)所述Q分量圖像、Extra Green分量圖像以及a*分量圖像各自對(duì)應(yīng)的目標(biāo)區(qū)域與背景分割二值圖像進(jìn)行形態(tài)學(xué)開(kāi)運(yùn)算處理。
6.一種自然環(huán)境下棉花圖像分割裝置,其特征在于,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(zhuǎn)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(zhuǎn)換后的YIQ顏色空間圖像的Q分量圖像、Extra顏色空間的Extra Green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(guò)脈沖耦合神經(jīng)網(wǎng)絡(luò)PCNN模型分別獲取所述Q分量圖像、Extra Green分量圖像以及a*分量圖像各自對(duì)應(yīng)的目標(biāo)區(qū)域與背景分割二值圖像;
交集運(yùn)算圖像獲取單元,用于根據(jù)所述Q分量圖像、Extra Green分量圖像以及a*分量圖像各自對(duì)應(yīng)的目標(biāo)區(qū)域與背景分割二值圖像進(jìn)行交集運(yùn)算,以獲取交集運(yùn)算圖像;
圖像分割結(jié)果獲取單元,用于根據(jù)所述交集運(yùn)算圖像與所述自然環(huán)境棉花圖像進(jìn)行乘積運(yùn)算,以獲取棉花圖像分割結(jié)果。
7.根據(jù)權(quán)利要求6所述的裝置,其特征在于,所述裝置還包括:
濾波處理單元,用于對(duì)所述自然環(huán)境棉花圖像進(jìn)行濾波處理,以獲取濾波后的自然環(huán)境棉花圖像;
相應(yīng)地,所述圖像分割結(jié)果獲取單元具體用于根據(jù)所述交集運(yùn)算圖像與所述濾波后的自然環(huán)境棉花圖像進(jìn)行乘積運(yùn)算,以獲取棉花圖像分割結(jié)果。
8.根據(jù)權(quán)利要求7所述的裝置,其特征在于,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(duì)所述R分量圖像、G分量圖像以及B分量圖像進(jìn)行標(biāo)準(zhǔn)偏差σ2=1,模板尺度為[5,5]的Gaussian濾波處理;
對(duì)濾波處理后的R分量圖像、G分量圖像以及B分量圖像進(jìn)行合成處理,以獲取所述濾波后的自然環(huán)境棉花圖像。
9.根據(jù)權(quán)利要求6所述的裝置,其特征在于,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。
10.根據(jù)權(quán)利要求6所述的裝置,其特征在于,所述裝置還包括:
開(kāi)運(yùn)算處理單元,用于對(duì)所述Q分量圖像、Extra Green分量圖像以及a*分量圖像各自對(duì)應(yīng)的目標(biāo)區(qū)域與背景分割二值圖像進(jìn)行形態(tài)學(xué)開(kāi)運(yùn)算處理。