复杂自然场景下的棉铃检测方法及系统与流程

1.本发明属于图像处理技术领域，尤其涉及一种复杂自然场景下的棉铃检测方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.棉花成长阶段监测主要依靠人工记录，需要经常观察和专业的知识，过计算机视觉技术辅助的棉花早期棉铃的检测，可以提高效率，减少人工误差，同时也能用于作物后续的疾病检测，产量预测等。从野外采集的作物图像中提取作物是一项困难的任务。发明人发现，由于复杂自然环境下的存在植物遮挡、光照干扰、叶片反射等多种因素降低了目前棉铃的检测的鲁棒性和准确性。


技术实现要素：

4.为了解决上述背景技术中存在的技术问题，本发明提供一种复杂自然场景下的棉铃检测方法及系统，其适用于自然场景下的棉铃检测，而且鲁棒性和准确性较高。
5.为了实现上述目的，本发明采用如下技术方案：
6.本发明的第一个方面提供一种复杂自然场景下的棉铃检测方法，其包括：
7.获取自然环境下的棉花rgb图像；
8.将所述棉花rgb图像转换为hsv颜色空间图像，分别对s通道和v通道进行直方图均衡处理，再将s通道和v通道合并后转换为rgb颜色空间图像；
9.去除由hsv颜色空间图像转换的rgb颜色空间图像的噪声；
10.对滤波后的图像进行聚类，以分割图像中棉铃和背景；
11.对聚类后的图像进行边缘检测，提取出棉铃的轮廓；
12.通过霍夫变换设定不同的阈值，检测棉铃轮廓的边缘信息，检测出棉铃不同时期或不同大小棉铃的位置。
13.本发明的第二个方面提供一种复杂自然场景下的棉铃检测系统，其包括：
14.rgb图像获取模块，其用于获取自然环境下的棉花rgb图像；
15.直方图均衡处理模块，其用于将所述棉花rgb图像转换为hsv颜色空间图像，分别对s通道和v通道进行直方图均衡处理，再将s通道和v通道合并后转换为rgb颜色空间图像；
16.图像滤波模块，其用于去除由hsv颜色空间图像转换的rgb颜色空间图像的噪声；
17.图像聚类模块，其用于对滤波后的图像进行聚类，以分割图像中棉铃和背景；
18.轮廓提取模块，其用于对聚类后的图像进行边缘检测，提取出棉铃的轮廓；
19.棉铃检测模块，其用于通过霍夫变换设定不同的阈值，检测棉铃轮廓的边缘信息，检测出棉铃不同时期或不同大小棉铃的位置。
20.本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该
程序被处理器执行时实现如上述所述的复杂自然场景下的棉铃检测方法中的步骤。
21.本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的复杂自然场景下的棉铃检测方法中的步骤。
22.与现有技术相比，本发明的有益效果是：
23.本发明对野外采集的棉花农作物的图像通过转换到hsv颜色空间进行直方图均衡处理可以有效解决光照的亮度变化问题；利用导向滤波进行预处理可以有效的去除噪声，平滑图像的同时保留了棉铃、叶片等边缘信息，还实现了增强图像的对比度；模糊c均值聚类算法可以进一步分割出棉铃和背景；sobel算子提取聚类图像的边缘信息，再执行锐化操作使得边缘更显著；通过设定不同的阈值，霍夫变换可以有效检测出不同时期及不同大小的棉铃的个数和位置。
24.本发明的复杂自然场景下的棉铃检测方法适用于复杂自然环境下的棉铃图像，有效克服了植物遮挡、光照干扰、叶片反射等多因素的影响，提高了准确检测出不同时期的棉铃的鲁棒性和准确性。
25.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
26.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
27.图1是本发明实施例的复杂自然场景下的棉铃检测方法流程图；
28.图2是本发明实施例的复杂自然场景下的棉铃检测系统结构示意图。
具体实施方式
29.下面结合附图与实施例对本发明作进一步说明。
30.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
31.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
32.实施例一
33.如图1所示，本实施例提供了一种复杂自然场景下的棉铃检测方法，其包括如下步骤：
34.s101：获取自然环境下的棉花rgb图像。
35.s102：将所述棉花rgb图像转换为hsv颜色空间图像，分别对s通道和v通道进行直方图均衡处理，再将s通道和v通道合并后转换为rgb颜色空间图像。
36.自然环境下采集棉花图片通常会受到各种天气(晴天、阴天、多云等)，光线照射等
各种因素的影响，导致获取的图片亮度分布不均衡，很难观察非常亮或暗的细节信息，所以在进行棉铃检测之前需要数据进行数据预处理。由于rgb颜色空间模型的三个通道高度相关，对于亮度的变化很敏感，会导致图像信息的不确定性，最终降低棉铃检测的准确性。hsv颜色空间模型由色调、饱和度亮度来表示。在不同光照条件下，h分量不明显，可以识别不同颜色的物体，更能刻画图像中颜色的直观特征，所以更适合处理对光照变化敏感的图像。
37.本实施例的直方图均衡操作增强了图像的对比度，缓解了阳光和阴影等亮度变化问题。相比于直接对rgb图像或hsv图像均衡化处理，该方式能更有效增强棉铃区域和背景区域之间的对比度，同时解决光线变化带来的干扰，突出阴暗和过于明亮部分的细节信息。
38.s103：去除由hsv颜色空间图像转换的rgb颜色空间图像的噪声。
39.在步骤s103中国，通过导向滤波去除由hsv颜色空间图像转换的rgb颜色空间图像的噪声。
40.高斯滤波、中值滤波、均值滤波等常用的图像去噪方法，会平滑棉铃边缘信息。早期的棉铃和叶片颜色极为相似，用颜色特征来检测棉铃的效果会很差。棉铃很重要的一个形态特征是边缘呈现为圆形，边缘被平滑以后，很难利用其他的形态特征检测出图像是否含有棉铃和具体位置。本实施例主要采用了棉铃边缘这个形态特征进行检测，故利用导向滤波具有保持物体边缘的特性去处理图像噪声。
41.本实施例在自然场景中获得的图像通常包含噪声，它需要对图像进行预处理。低通滤波器只允许图像的频域表示的低频分量通过，并阻止超过截止值得全部高频。由于高频分量对应于边缘、细节、噪声等，低通滤波器往往会滤除它们。但是常见的均值滤波、中值滤波、高斯滤波等低通滤波器通过平滑图像去噪的同时也破坏了图像的细节部分，尤其是边缘，使得图像变得模糊，后续棉铃的检测变得困难。
42.使用了导向滤波，不仅能实现双边滤波的边缘平滑，而且在检测到边缘附近有很好的表现，去除噪声的同时也实现了图像增强对比度的功能。导向滤波的实现原理如下：
43.对于普通的线性变换滤波器，输入图像为i，输出图像为s，导向函数图像为t，导向滤波定义在像素点j处的滤波结果可表示成下式：
44.sj＝∑iw
ij
(t)ijꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
45.其中i、j为像素的下标，滤波器核函数w
ij
是图像的加权系数，经典的双边滤波器核给定如下：
[0046][0047]
其中x是像素坐标，ki是一个归一化参数，参数σs与σr代表空间相似度及颜色范围相似度的灵敏性。假设导向滤波器存在线性模型如下：
[0048]
si＝aki b
k i∈wkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0049]
其中窗口函数wk是s以i为中心在像素k位置形成的线性变换，系数ak及bk满足相同的线性系数。为确定线性系数，定于的输出响应q应满足下式：
[0050]
qi＝i
i-niꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0051]
其中ni表示噪声，局部线性模型确定输入与输出相应的边缘，就可以最小化q与i之间的差异，同时保持原线性变换。最小化窗口函数wk：
[0052][0053]
其中ψ是一个正则化参数，根据线性变换得到系数ak及bk：
[0054][0055][0056]
其中uk与σk是导向函数i的窗口函数wk的均值与方差，|w|为像素的总个数，
[0057]
导向滤波实现步骤如下：
[0058]
(1)利用boxfilter滤波器完成均值计算，其中均值包括导向均值、原始均值、互相关均值及自相关均值。
[0059]
(2)根据均值计算相关系数参数，包括自相关与互相关方差。
[0060]
(3)计算窗口线性变换参数系数a、b。
[0061]
(4)根据公式计算参数a、b的均值。
[0062]
(5)利用参数得到的导向滤波输出矩阵s。
[0063]
s104：对滤波后的图像进行聚类，以分割图像中棉铃和背景。
[0064]
在步骤s104中，对滤波后的图像使用模糊c均值聚类算法进行聚类。
[0065]
数据预处理部分增强了图像的对比度，通过图像聚类可以进一步分割图像中的背景和棉铃，增加分割的准确度。
[0066]
模糊c均值聚类算法(fcm)是一种基于划分的算法，使用在欧几里得空间确定数据点的几何贴近度的概念，将数据分配到不同的聚类，然后确定这些聚类之间的距离。基本思想是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。例如：设置聚类数目为5，参数m为2进行聚类，最后聚类结果可以将棉铃和背景很好的区分出来，去除了影响检测的光照、遮挡、阴影等众多的干扰因素，有利于棉铃的检测。
[0067]
s105：对聚类后的图像进行边缘检测，提取出棉铃的轮廓。
[0068]
在步骤s105中，利用sobel算子对聚类后的图像进行边缘检测，提取出棉铃的轮廓。
[0069]
利用sobel算子对聚类后的图像进行边缘检测，可以提取出棉铃的大致轮廓。图像聚类同时也会导致提取导致棉铃的轮廓不完整，主要表现为边缘模糊，不连续等问题。为了检测提高准确性，需要对提取的轮廓执行锐化操作，增强边缘信息。这里使用锐化核[[0,-1,0],[-1,5,-1],[0,-1,0]]。锐化的目的是突出图像中的细节或增强模糊的细节，使得提取的棉铃的边缘更加显著。
[0070]
s106：通过霍夫变换设定不同的阈值，检测棉铃轮廓的边缘信息，检测出棉铃不同时期或不同大小棉铃的位置。
[0071]
其中，霍夫变换是从图像中识别几何形状的基本处理方法之一，基本原理在于利用点与线的对偶性，将原始图像空间的给定的曲线通过曲线表达形式变为参数空间的一个点，这样就把原始图像中给定曲线的检测问题转化为寻找参数空间中的峰值问题。三维空
间空间曲线中相交与一点的边缘点集越多，那么它们经过的共同圆上的像素点越多。设定阈值可进行相应判断一个圆是否被检测到。
[0072]
棉铃一般呈现出圆形或者椭圆形状，不同时期的棉铃大小不同，通过霍夫变换设定不同的阈值，检测上一步提取的边缘信息，即可检测出不同时期或者不同大小棉铃的位置。
[0073]
在其他实施例中，通过霍夫变换设定不同的阈值，检测棉铃轮廓的边缘信息，还检测出一副图像中包含的棉铃个数。
[0074]
实施例二
[0075]
如图2所示，本实施例提供了一种复杂自然场景下的棉铃检测系统，其包括如下模块：
[0076]
(1)rgb图像获取模块，其用于获取自然环境下的棉花rgb图像。
[0077]
(2)直方图均衡处理模块，其用于将所述棉花rgb图像转换为hsv颜色空间图像，分别对s通道和v通道进行直方图均衡处理，再将s通道和v通道合并后转换为rgb颜色空间图像。
[0078]
(3)图像滤波模块，其用于去除由hsv颜色空间图像转换的rgb颜色空间图像的噪声。
[0079]
具体地，在所述图像滤波模块中，通过导向滤波去除由hsv颜色空间图像转换的rgb颜色空间图像的噪声。
[0080]
(4)图像聚类模块，其用于对滤波后的图像进行聚类，以分割图像中棉铃和背景。
[0081]
具体地，在所述图像聚类模块中，对滤波后的图像使用模糊c均值聚类算法进行聚类。
[0082]
(5)轮廓提取模块，其用于对聚类后的图像进行边缘检测，提取出棉铃的轮廓。
[0083]
具体地，在所述轮廓提取模块中，利用sobel算子对聚类后的图像进行边缘检测，提取出棉铃的轮廓。
[0084]
(6)棉铃检测模块，其用于通过霍夫变换设定不同的阈值，检测棉铃轮廓的边缘信息，检测出棉铃不同时期或不同大小棉铃的位置。
[0085]
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
[0086]
实施例三
[0087]
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的复杂自然场景下的棉铃检测方法中的步骤。
[0088]
实施例四
[0089]
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的复杂自然场景下的棉铃检测方法中的步骤。
[0090]
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生
一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0091]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。