[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

本發明涉及一種植物精細分割和葉片骨架提取方法及系統，其方法包括構建包括多個子神經網絡的混合神經網絡模型；采集多張植物圖像作為訓練圖像樣本,根據訓練圖像樣本標注對應植物的類別和葉片骨架，并根據標注后的訓練圖像樣本對混合神經網絡模型進行訓練；采集目標植物圖像，并將目標植物圖像輸入訓練后的混合神經網絡模型，訓練后的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。本發明的植物圖像分割及葉片骨架提取方法，通過構建混合神經網絡模型，并采采集植物圖像對混合神經網絡模型進行訓練，從而同時實現植物圖像精細分割和葉片骨架提取，并且能有效抑制負復雜背景的干擾，提高植物圖像分割及葉片骨架提取的精度。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種植物圖像分割及葉片骨架提取方法及系統。

背景技術

在植物學研究領域，科學家通過研究植物生長過程能夠進行更深入的基因遺傳等研究。隨著圖像技術快速發展，植物圖像分析能夠快速準確地提供定量的植物生長狀態指標給科學家，輔助科學家進一步的深入研究。現今大熱的深入學習方法已被廣泛應用到植物圖像分割及識別中，例如卷積神經網絡。常用的卷積神經網絡有VGG、FCN、U-Net，這些網絡具有深層結構，能夠提取深層圖像特征極大提高植物圖像分割識別的正確率。

針對復雜植物圖像場景，VGG雖然能夠實現植物精細分割，但是在復雜背景上(例如植物培養箱中強光的反射、觀察鏡中的植物影子等)極易產生誤檢，即對復雜背景干擾很敏感；FCN具有強的復雜背景干擾抑制能力，但是難以實現精細的植物分割，漏檢小植物及其葉片；U-Net融合淺層圖像細節信息和深層圖像語義特征，在植物精細分割和復雜背景干擾抑制之間實現性能折中，但是U-Net不能同時輸出植物分割結果和葉片骨架提取結果。

發明內容

本發明所要解決的技術問題是針對上述現有技術的不足，提供一種植物圖像分割及葉片骨架提取方法及系統，同時實現植物圖像精細分割和葉片骨架提取。

本發明解決上述技術問題的技術方案如下：一種植物精細分割和葉片骨架提取方法，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；

步驟2：采集多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。

本發明的有益效果是：本發明的植物圖像分割及葉片骨架提取方法，通過構建混合神經網絡模型，并采采集植物圖像對所述混合神經網絡模型進行訓練，從而同時實現植物圖像精細分割和葉片骨架提取，并且能有效抑制負復雜背景的干擾，提高植物圖像分割及葉片骨架提取的精度。

在上述技術方案的基礎上，本發明還可以做如下改進：

進一步：所述步驟1中，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。

上述進一步方案的有益效果是：通過不同的子神經網絡組合形成混合神經網絡模型，同時實現植物精細分割和也變骨架的提取，有效地對復雜背景干擾進行抑制。

進一步：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：