[發明專利]一種植物圖像分割及葉片骨架提取方法及系統有效
| 申請號： | 201811216474.4 | 申請日： | 2018-10-18 |
| 公開（公告）號： | CN109544554B | 公開（公告）日： | 2020-01-31 |
| 發明（設計）人： | 李葉;許樂樂;郭麗麗;王先鋒;閻鎮;饒駿;金山 | 申請（專利權）人： | 中國科學院空間應用工程與技術中心 |
| 主分類號： | G06T7/10 | 分類號： | G06T7/10;G06T5/50 |
| 代理公司： | 11212 北京輕創知識產權代理有限公司 | 代理人： | 楊立;徐蘇明 |
| 地址： | 100094*** | 國省代碼： | 北京;11 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 混合神經網絡模型 葉片骨架 植物圖像 訓練圖像 分割 種植物 構建 樣本 精細 采集目標 采集植物 分割結果 復雜背景 骨架提取 目標植物 神經網絡 圖像分割 圖像輸入 樣本標注 有效抑制 植物葉片 標注 圖像 采集 輸出 | ||
1.一種植物圖像分割及葉片骨架提取方法，其特征在于,包括如下步驟:
步驟1：構建包括多個子神經網絡的混合神經網絡模型，所述混合神經網絡模型至少包括第一子神經網絡N1、第二子神經網絡N2和第三子神經網絡N3，所述第二子神經網絡N2包括相互級聯的第一子結構K1和第二子結構K2；
步驟2：采集至少一張植物圖像作為訓練圖像樣本,根據所述訓練圖像樣本標注對應植物的類別和葉片骨架，并根據標注后的所述訓練圖像樣本對所述混合神經網絡模型進行訓練；
步驟3：采集目標植物圖像，并將所述目標植物圖像輸入訓練后的所述混合神經網絡模型，訓練后的所述混合神經網絡模型輸出植物圖像分割結果和植物葉片骨架提取結果；
所述步驟3中，訓練后的所述混合神經網絡模型根據所述模型參數輸出植物圖像分割結果和植物葉片骨架提取結果具體包括如下步驟：
步驟31：所述第一子神經網絡N1根據所述目標植物圖像提取淺層圖像細節特征一和深層圖像語義特征一，并根據所述淺層圖像細節特征一和深層圖像語義特征一輸出帶有植物細節信息的分割得分圖；
步驟32：所述第一子結構K1根據所述目標植物圖像提取深層圖像語義特征二，并根據所述深層圖像語義特征二輸出帶有背景干擾抑制的植物分割得分圖；所述第二子結構K2根據所述植物分割得分圖輸出植物葉片骨架提取結果；
步驟33：所述第三子神經網絡N3將所述帶有植物細節信息的分割得分圖和帶有背景干擾抑制的植物分割得分圖進行融合處理，輸出所述植物圖像分割結果；
所述步驟31具體包括：
步驟311:所述第一子神經網絡N1中的卷積層對所述目標植物圖像進行提取處理，得到淺層圖像細節特征一；
步驟312：所述第一子神經網絡N1中的池化層和上采樣層依次對所述淺層圖像細節特征一分別進行降維處理和升維處理，并得到深層圖像語義特征一；
步驟313：所述第一子神經網絡N1中的拼接層將所述淺層圖像細節特征一和深層圖像語義特征一進行拼接，得到帶有植物細節信息的分割得分圖；
所述步驟32具體包括：
步驟321：所述第一子結構K1中的卷積層對所述目標植物圖像進行提取處理，得到淺層圖像細節特征二；
步驟322：所述第一子結構K1中池化層和上采樣層依次對所述淺層圖像細節特征二分別進行降維處理和升維處理，并得到深層圖像語義特征二；
步驟323：所述第一子結構K1中反卷積層對所述深層圖像語義特征二進行提取處理，得到帶有復雜背景干擾抑制的植物分割得分圖；
步驟324：所述第二子結構K2中的卷積層對所述帶有復雜背景干擾抑制的植物分割得分圖進行提取出處理，得到葉片初步骨架特征；
步驟325：所述第二子結構K2中的池化層、上采樣層和反卷積層依次對所述葉片初步骨架特征分別進行降維處理、升維處理和提取處理，并得到葉片骨架提取結果。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于中國科學院空間應用工程與技術中心，未經中國科學院空間應用工程與技術中心許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201811216474.4/1.html，轉載請聲明來源鉆瓜專利網。
