[發明專利]一種基于SLIC超像素和自動閾值分割的農作物圖像病蟲害區域提取方法有效
| 申請號： | 201910400617.5 | 申請日： | 2019-05-13 |
| 公開（公告）號： | CN110120042B | 公開（公告）日： | 2023-07-14 |
| 發明（設計）人： | 尹振東;李大森;吳健宇;吳芝路;吳明陽;李波;馬波 | 申請（專利權）人： | 哈爾濱工業大學 |
| 主分類號： | G06T7/00 | 分類號： | G06T7/00;G06T7/11;G06T7/136 |
| 代理公司： | 哈爾濱市松花江專利商標事務所 23109 | 代理人： | 楊立超 |
| 地址： | 150001 黑龍*** | 國省代碼： | 黑龍江;23 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 slic 像素 自動 閾值 分割 農作物 圖像 病蟲害 區域 提取 方法 | ||
1.一種基于SLIC超像素和自動閾值分割的農作物圖像病蟲害區域提取方法，其特征在于，它包括以下步驟：
基于SLIC的超像素分割過程如下：
步驟一：圖像預處理：將收集到的農作物病蟲害圖像數據進行中值濾波處理，通過中值濾波去除噪聲的干擾；
步驟二：確定初始聚類中心S0[s1,s2,...ss]：根據原始圖像等距離L選取s個聚類中心，記原始圖像像素點個數為N，根據確定s個聚類中心記為S[s1,s2,...ss]；分別計算這s個聚類中心周圍3×3區域內所有像素點的梯度值，選取其中梯度值最小的點為新的初始聚類中心，記為S0[s1,s2,...ss]；
步驟三：進行聚類：在初始聚類中心S0[s1,s2,...ss]周圍2L×2L區域內進行聚類，聚類準則取決于像素點與聚類中心的亮度差與距離，當像素點與聚類中心亮度差和距離小于閾值δ時，將該像素點歸為該聚類中心一類，否則歸入不同類；得到s個區域記為V1[v1,v2,...vs]，計算這s個區域內各像素點與聚類中心距離和亮度差的均值，選取與聚類中心的距離和亮度差最接近均值的s個像素點作為新的聚類中心，記為S1[s1,s2,...ss]；
步驟四：判斷最佳聚類中心：當滿足條件：Sn+1[s1,s2,...ss]中的聚類中心與Sn[s1,s2,...ss]中的聚類中心距離和亮度差小于閾值τ時，說明Sn+1[s1,s2,...ss]為最佳聚類中心，Vn+1[v1,v2,...vs]為最佳超像素分割區域；否則回到步驟三重新進行聚類，直到滿足條件停止聚類；
基于直方圖相交的區域合并過程如下：
步驟五：計算相似度D(vi,vj)：得到圖像的最佳超像素分割區域后，計算相鄰區域的相似程度來判斷合并的可能性，計算方法為直方圖相交法，需要計算圖片的RGB分量與HSV分量；
步驟六：判斷最佳合并區域：根據vi與vj區域的相似度D(vi,vj)來計算合并vi與vj區域的代價C(vi,vj)，找到最小的C(vi,vj)合并vi與vj區域，當滿足條件：所有的D(vi,vj)均大于閾值C時，停止合并，進入步驟七；否則重新計算新合并的區域與其他區域的相似度，重復步驟六；
步驟七：得到農作物葉片圖像：根據前六步提取出農作物葉片部位的圖像，并將圖像灰度化，將背景像素值賦值為0，0表示黑色；
基于自動閾值分割的農作物病蟲害區域提取過程如下：
步驟八：自動迭代求閾值：要求最多迭代m次，則建立閾值數組Ti(i＝1,…,m),確定初始閾值T1，用T1分割圖像，遍歷圖像的像素點，如果該點像素值大于T1，則將該點劃分為病蟲害區；如果該點像素值小于T1，則將該點劃分為健康區；分別求出病蟲害區和健康區的平均像素值u1和u2，新的閾值重復以上步驟，直到迭代次數大于m次或者Ti+1＜Ti時，退出迭代，此時得到最終閾值T；
步驟九：得到最終農作物葉片病蟲害區域：遍歷葉片圖像中的每一個像素點，如果該點的像素值大于T，則將該點劃分為病蟲害區，將其像素值賦值為255，255代表白色；如果該點的像素值小于T，則將該點劃分為葉片健康區，將其像素值賦值為128，128代表灰色；可得到最終結果：背景為黑色，農作物葉片為灰色，農作物病蟲害區域為白色。
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哈爾濱工業大學，未經哈爾濱工業大學許可，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/201910400617.5/1.html，轉載請聲明來源鉆瓜專利網。
