【《基于机器视觉农作物病虫害检测的叶片图像获取与预处理分析案例》6500字】_第1页
【《基于机器视觉农作物病虫害检测的叶片图像获取与预处理分析案例》6500字】_第2页
【《基于机器视觉农作物病虫害检测的叶片图像获取与预处理分析案例》6500字】_第3页
【《基于机器视觉农作物病虫害检测的叶片图像获取与预处理分析案例》6500字】_第4页
【《基于机器视觉农作物病虫害检测的叶片图像获取与预处理分析案例》6500字】_第5页
已阅读5页,还剩11页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

基于机器视觉农作物病虫害检测的叶片图像获取与预处理分析案例目录TOC\o"1-3"\h\u19206基于机器视觉农作物病虫害检测的叶片图像获取与预处理分析案例 1114961.1甘蓝型油菜图像采集 186271.2基于分水岭算法的油菜叶片图像分割 2207161.2.1图像灰度化 2173201.2.2Sobel算子锐化和顶帽处理 3119531.2.3分割方法描述 457751.3基于颜色特征提取的油菜叶片图像分割 6194491.1.1颜色模型 7278691.1.2分割方法描述 11282151.4算法对比实验 121.1甘蓝型油菜图像采集在作物叶片分析中,选择目标区域清晰、背景简单、噪声低的叶片图像可以提高图像处理效果。在图像分割和特征提取中,可以用较少的努力获得很好的效果,因此一般可以使用数码相机采集叶片图像[40]。通过调节光照等外界因素可以获得明亮的叶片图像。研究人员以往的研究主要集中在室内采集叶片进行拍摄,这种方法在农作物病虫害检测中取得了很好的效果,但这种方法不能研究叶片的整体生长过程,因此本文利用数码相机采集室外叶片的图像[41]。本文所研究的是对油菜生长状态进行检测,并且根据油菜虫害的程度对它的害虫抗性进行分类,因此采集叶片图像需要有所选择,既要有完好无损的叶片,也要有不同程度虫害的叶片图像,并将采集到的图像分为训练样本和测试样本。依据这一条件限制,初期一共采集了600个油菜叶片图像作为本文的研究对象。并且为了更好的识别出虫孔面积以及完整分割出叶片的图像,将叶片放在一个背景干扰较少的环境下进行采集,因此制作了一个黑色的大背景板,将选好的甘蓝型油菜叶片平整的固定在背景板上进行拍摄,采集到的部分农作物图像如图1.1所示。(b)(c)(d)(e)(f)图1.1采集到的叶片图像1.2基于分水岭算法的油菜叶片图像分割1.2.1图像灰度化数码相机采集到的植物叶片图像是彩色图像,在很多情况下,所有彩色图像的像素都是R,G,B三个通道组成的,matlab无法直接计算RGB图像,因此需要将原始图像转换为灰度图像。因此本文使用加权平均法对原始图像进行处理,使它变为灰度图像,R、G和B的加权系数分别为0.29、0.587和0.114。加权平均法计算如公式(1.1)所示:QUOTEYx,y=0.229×Rx,y+0.587×Gx,y+0.114×Bx,y其中,Y(x,y)为彩色图像在点(x,y)处灰度化的灰度值,R(x,y)表示图像在点(x,y)处的红色分量,G(x,y)表示图像在点(x,y)处的绿色分量,B(x,y)表示图像在点(x,y)处的蓝色分量[42]。图1.2为图1.1(a)灰度图像的直方图,纵坐标为像素值大小,横坐标为图片灰度级别范围。图1.2像素在灰度级别为150-200范围时出现的频率最高。图1.2灰度图像的直方图1.2.2Sobel算子锐化和顶帽处理图像的锐化可以突出图像的边界,从而增强图像的灰度差,使图像更清晰。本文选择Sobel算子进行图像转换。从技术上讲,Sobel算子是一种离散型差分算子,经常被用来计算函数的灰度近似值,在图像处理领域有着非常广泛的应用。它是由两组3×3的矩阵组成的,图1.3(a)对应水平方向的卷积因子,图1.3(b)对应垂直方向的卷积因子。以这两个卷积因子为基础,对图标图像任意一点做平面卷积都可以得到该点的亮度差近似值[43]。Sobel算子的横向和纵向的卷积因子如图1.3所示。(a)水平方向(b)垂直方向图1.3Sobel卷积因子根据Sobel算子的3×3模板可以得到该算子的图像灰度值计算如公式(1.2)和公式(1.3)所示:QUOTEGx=-10+1-QUOTEGy=+1+2+1公式(1.2)中的Gx表示图像在水平方向的灰度值,公式(1.3)中的Gx表示图像在垂直方向的灰度值,A为原始图像。在此基础上将图像上任意一个点的水平方向灰度值和垂直方向灰度值通过公式(1.2)和(1.3)结合,可以得到该点的灰度值为G,公式(4.4)即为计算过程。QUOTEG=Gx2+Gy2为了提高效率,通常采用不开方的近似值作为灰度值,如公式(1.5)所示:QUOTEG≈Gx+|Gy|G≈本文对图像进行顶帽运算,通过公式(1.6)对原图像进行操作,使得图像QUOTEAA减去其开操作,可以突出原始图像周围较明亮的区域[44]。QUOTEThat=A-A°bThat=A-A°b1.2.3分割方法描述图像分割相关的方法有很多,总结起来主要有以下几种,分别是基于阈值进行的分割、基于区域的分割和基于边缘的分割,后面将对这三种方法进行介绍。本文将图像视为起伏地形图,如图1.4所示,当水从山谷流入水库时,它与附近水库的水相遇并汇集在一起。它们聚在一起的时候会形成一个水坝,而这个水坝就是分水岭[45]。图1.4分水岭自下而上模型利用分水岭算法对图像进行分割首先要要进行的操作是将原始图像转换为灰度图像,灰度图像中每个点的像素值就代表这点的高度,在一定区域内的像素值最小点称为该区域的谷底,除了这个点之外的其他点称为蓄水池。示意图如图2.2所示。由图1.5可知,图1.5(a)是灰度图,图1.5(b)是图1.5(a)的地形图,图1.5(c)和图1.5(d)表示水浸没的过程,最终的分割效果如图1.5(e)所示。(a)(b)(c)(d)(e)图1.5分水岭算法过程分水岭算法模型实际上是一个迭代过程,为描述该过程,我们给出以下定义。定义1图像QUOTEGG中阈值为QUOTEhh的像素集合为[46]:QUOTETh=p∈D|G(定义2影响区域集合为:QUOTECABi,B=p∈ QUOTECAB=∪CABi, 定义3迭代过程描述为:QUOTEXhmin=Thmin;X分水岭算法中相关公式中变量所代表的含义如表1.1所示:表1.1分水岭算法中变量与其含义利用分水岭算法对图像进行分割后的结果如图1.6(a)所示,将图像二值化为图1.6(b)所示。由图像可以看出,分割后图像中背景区域还是存在一定的干扰信息,这种噪声会对后续的计算造成一定的误差,不利于后续对特征信息的提取[47]。(a)分割后的灰度图像(b)分割后的二值图像图1.6分水岭算法分割的图像1.3基于颜色特征提取的油菜叶片图像分割在电子技术和计算机技术相关的方向飞速发展的今天,对图像质量要求要来越高,因此对于图像分割的效率和精度要求的也越发严格。高通量的农作物生产技术也快速发展,因此对图像分割技术的要求更高。图像中包含了丰富的信息,灰度图像的信息可以使得后续对图像的处理变得方便快捷,但是它蕴含的信息并不是完整的图像信息,除了灰度图像之外,彩色图像所包含的信息有时候能帮助我们更好的处理图像相关的信息。本文研究RGB、HIS、YIQ、HSV、YCbCr等空间模型,分析各颜色模型的分量,得到能突出目标区域的颜色分量,并将它们进行叠加与计算,获得能更好的突出目标区域且噪声干扰小的图像[48]。本文采用颜色图像模型对甘蓝型油菜叶片的图像进行处理,叶片的目标区域颜色与背景区域的颜色差异明显,因此,只要找到可以更加突显叶片区域的颜色分量,就可以将目标区域与黑色背景区域分割开。算法流程图如图1.7所示。具体算法步骤如下:首先将经过裁剪后的甘蓝型油菜叶片图像由真彩色图像转换到不同颜色模型下,经过对比分析,找到每个颜色模型中可以突出目标区域的颜色分量。经过分析,最终得到四幅颜色分量图像能突出目标区域,将这四张图像进行分别组合叠加,从而找到叠加后效果最好的图像,将这副图像转换为灰度图像。对上个步骤中得到的灰度图像进行阈值分割,找到最佳的分割阈值,然后对叠加到的RGB图像的三个分量进行分割。对上面分割得到的R、G、B分量进行整合可以得到一幅RGB图像。图1.7基于彩色模型分割算法流程图1.1.1颜色模型(1)RGB模型RGB模型是国际照明委员会指定的红绿蓝三原色。某些成分的重叠会产生丰富多彩的颜色,每种颜色的成分可以根据亮度分为256级。如图1.8所示,RGB模型相当于一个立方体,立方体的八个顶点分别对应常见的八种颜色,最重要的,立方体中的原点代表黑色,对角顶点代表白色[49]。图1.8RGB模型图如下图所示,是图像基于RGB模型提取出的三个颜色分量,并且本文研究的油菜叶片图像整体为绿色,所以可以针对要提取出的目标区域的颜色,利用R向量,G向量和B向量之间的差异,通过这种方式可以更准确的提取出所需要的目标区域。从图1.9(b)中可看出,绿色分量的图像中,目标叶片区域的颜色相较于黑色的背景更加明亮,可以明显看出区别,因此,我们可以利用绿色分量的图1.9(b)减去红色分量的图1.9(a)和蓝色分量的图1.9(c)。图1.10即为两个颜色分量相减后的结果,如图1.10(a)和图1.10(b)所示,我们所要提取的目标区域颜色都被背景颜色要更亮,但是它们的差异并不是特别明显,因此将颜色分量1.10(a)与颜色分量1.10(b)相加得到更加突出目标区域的图1.10(c)。(a)R分量(b)G分量(c)B分量图1.9RGB模型的颜色分量(a)G-B(b)G-R(c)(G-B)+(G-R)图1.10颜色差异图像(2)HSV模型HSV表示色调、饱和度和亮度三分量组成。HSV颜色模型中饱和度表示单一颜色的纯度,其纯度一般小于百分之百。其中饱和度计算公式如(1.11)所示。QUOTE饱和度=单色光强度单色光强度+白光强度(1.11)HSV颜色模型可用一个倒锥型表示,如图1.11所示。其中三个侧面表示RGB模型中的R=1、G=1、B=1的三个面。椎体的顶点表示黑色,即V=0;椎体顶面表白色,即V=1、S=0;若V=1、S=1表示纯色;从顶点到顶面中心的距离为1,从0到1表示不同的灰度的灰色[50]。图1.11HSV模型利用非线性变换,RGB模型可以转换到HSV彩色空间模型,转化过程如公式(1.12)与公式(1.13)所示。(1.12)(1.13)如图1.12所示,本文利用HSV模型将目标叶片图像的H分量,S分量和V分量提取出来,如图1.12(a)所示,H分量的目标叶片区域比它的黑色背景区域颜色更暗,因此,将其进行反向处理,则可以得到目标区域比背景区域明亮的图像,可以使得叶片完整的显示出来如图1.12(e)所示。(a)H分量(b)S分量(c)V分量(d)H分量的反向(e)目标区域图1.12HSV模型的颜色分量(3)YIQ模型在此模型中,Y分量指的是图像的亮度信息,而I分量和Q分量则一起描述色度信息即色彩与纯度信息。若黑白电视只需要Y分量,彩色电视需要加入I、Q分量[51]。YIQ分量可用线性变换由RGB分量得到,变换公式如(1.14)所示。(1.14)利用YIQ模型提取出甘蓝型油菜叶片图像的Y分量,I分量和Q分量如图1.13所示,图1.13(c)Q分量的图像中,叶片区域比背景区域的颜色明亮,因此选择此颜色分量用来突出目标的叶片部分。(a)Y分量(b)I分量(c)Q分量图1.13YIQ分量图像(4)YCbCr模型利用YCbCr模型提取出甘蓝型油菜叶片区域的Y分量,CB分量以及Cr分量,在这个模型中,分量Y表示亮度信息,Cb和Cr用于存储猜测信息[52]。分量Cb是蓝色分量与给出的参考值的差,分量Cr是红色分量与给出的参考值的差。从RGB转换为YCbCr的变换公式如(1.15)所示。(1.15)基于YCrCb颜色空间模型,分别提取该模型下的各颜色分量图像,如图1.14所示。其中Cr与Cb颜色分量目标根部区域与背景颜色差值较小,没有突出目标区域;Y分量背景与目标区域颜色对比明显。(a)Y分量(b)Cb分量(c)Cr分量(d)Cb分量的反向图1.14YCrCb模型的分量图像1.1.2分割方法描述经过1.1.1节,本文对可以突出目标叶片区域的颜色分量进行了对比和选取,选择主要是依据叶片区域与黑色背景区域颜色对比是否突出来选择的。但是当这一步选择完毕之后,发现目标叶片区域不仅仅包含植物叶片,并且还有叶片带的叶柄,然而,由于叶柄的颜色比叶片部分更黯淡,因此它与背景区域会有一定的相似性,在进行图像分割的过程中,很容易将叶柄这一个部分与背景区域混淆,会导致丢失叶柄区域,从而使得后续特征提取部分计算的叶片面积产生一定的误差。因此,本文经过进一步的分析和对颜色分量进行对比可以得出一个结果,在1.1.1小节研究的基础之上,对叠加后的图像再叠加一个G颜色分量就可以将叶柄区域与黑色背景区域分开,从而达到实验所需要的要求,叠加后的图像如图1.15(a)所示。本文以1.15(a)图像为基础计算出它的阈值,然后利用最佳阈值分割出这个图像的红色分量,绿色分量和蓝色分量,可以得到甘蓝型油菜叶片分割后的彩色图像如图1.15(b)所示,同样的,为了更直观的观察图像分割后的结果,将图像1.15(b)进行二值化处理得到图像1.15(c),根据这个图像可以观察的,图像的背景区域还是存在一定的噪声,因此,利用相关的方法去除噪声可以得到更清晰的甘蓝型油菜叶片图像1.15(d),并且后续的操作与处理也将基于图像1.15(d)进行。通过以上的研究与计算可得,本文所使用的基于颜色模型的图像分割方法可以有效的将油菜所需要的叶片目标区域与黑色背景区域分割开来,并且在此基础之上,还通过叠加G分离,使得叶柄区域不被丢弃,大大降低了误差。(a)叠加的灰度图像(b)分割后的彩色图像(c)二值图像(d)去噪后的二值图像图1.15第二种图像的预处理1.4算法对比实验根据1.3节的计算与分析,本文找到了可以目标叶片区域与黑色背景区域分割开的颜色分离,通过比对不同的分离叠加效果,如图1.16所示,这些都是叠加颜色分离之后可以明显突出本文需要的叶片区域的图像。除此之外,如图1.16(b)所示,该图的目标区域像素值较高,将其分离图像叠加之后会导致像素值变高,从而导致分割效果,因此,在对图像进行分割完毕之后,还需要对叠加后图像的灰度直方图进行比较与计算。(a)(G-R)+(G-B)分量(b)H分量的反向(c)Q分量(d)U分量的反向图1.16可突出目标区域的分量图像(a)(b)(c)(d)(e)(f)图1.17叠加后的灰度图像及直方图如图1.17所示,这些为上述叠加后的图像的灰度直方图,由图1.17(a)所示,这个直方图并不是本文所希望的双峰形状,因此它难以实现实验所需达到的要求。如图1.17(e)所示,这个叠加图像的直方图虽然是双峰形状,但是该直方图的两个峰顶相距过于近,即本文需要的目标叶片区域与黑色背景区域的对比度比较小,这种情况会导致分割比较模糊,影响准确度。如图1.17(f)可得,这个直方图是本文实验所需要的,呈现双峰形状,并且两个峰顶之间有一定的距离,对这个图像进行分割则可以得到最好的图像分割效果,既可以清晰的将目标叶片区域与黑色背景区域分割开,又能保证不丢弃叶柄部分,从而减少图像分割的误差率。因此,将图像1.17(c)作为本实验的叠加图像。通过以上的分析,本文确定了所使用的叠加图像,利用这个灰度图像并且使用阈值法计算出它的最佳分割阈值,通过这个阈值可以得到分割后的彩色图像如图1.18(a)所示。根据分割后的图像可以发现,分割后的目标叶片区域保留完整,叶柄部分也保留下来并且黑色背景区域的噪声较小。在得到本文所用的颜色模型算法进行图像分割后的结果之后,对于小节1.2所提出的分水岭算法进行实验,随机选取一张叶片图像图1.18(b)进行实验,经过分割后的实验结果图像如图1.18(c)所示。虽然目标区域与黑色背景区域分割开,但是叶片的叶柄部分被丢弃了,这种结果会导致后面对叶片虫害计算的误差增大。因此,1.2节的分水岭算法对于一些图像进行分割是十分有效的,但是当叶柄部分比较暗时,会导致图像分割误差增大,故在此情况下,1.2节的方法不再适用。(a)分割后的彩色图像(b)剪切后的彩色图像(c)分割结果图1.18第二种图像利用1.2小节的分割结果1.4.1实验结果分析本章中,1.2节介绍了基于分水岭算法对甘蓝型油菜叶片图像进行分割的方法,1.3节介绍了基于颜色特征对图像进行分割的方法,两种方法都得到了图像分割后的结果,为了确定最佳的图

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论