[發(fā)明專利]基于臨界點非線性增強的蟲害圖像分割方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202111207336.1
• 申請日: 2021-10-18
• 公開（公告）號: CN113870288A
• 公開（公告）日: 2021-12-31
• 發(fā)明（設(shè)計）人: 王金星;慕君林;劉雙喜;王震;胡憲亮;張正輝;馬博;康廣皓
• 申請（專利權(quán)）人: 山東農(nóng)業(yè)大學(xué)
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/12;G06T7/13;G06T5/00;G06T5/40;G06K9/62;G06N20/00
• 代理公司: 濟南譽豐專利代理事務(wù)所(普通合伙企業(yè)) 37240
• 代理人: 李茜

本申請公開了一種基于臨界點非線性增強的蟲害圖像分割方法及系統(tǒng)，包括：將采集的大田蟲害圖像通過強分類器分割成帶網(wǎng)格的單體蟲害圖像；帶網(wǎng)格的單體蟲害圖像經(jīng)過基于臨界點的非線性增強后獲得蟲體區(qū)域與背景區(qū)域?qū)Ρ榷仍鰪姷牡诙D像；將第二圖像通過分割處理獲得完整的蟲害輪廓二值圖像；合并完整的蟲害輪廓二值圖像與帶網(wǎng)格的單體蟲害圖像獲得無背景干擾的單體蟲害圖像。通過基于臨界點的非線性增強法提高蟲體區(qū)域與標(biāo)定網(wǎng)格區(qū)域?qū)Ρ榷龋瑥膹?fù)雜背景中精確提取完整無網(wǎng)格背景的蟲害圖像，減少了背景網(wǎng)格對形狀特征提取的干擾，獲得了高質(zhì)量蟲害樣本圖像，從而提高了蟲害監(jiān)測預(yù)警模型的精度。

技術(shù)領(lǐng)域

本申請涉及圖像分割技術(shù)領(lǐng)域，具體涉及一種基于臨界點非線性增強的蟲害圖像分割方法及系統(tǒng)。

背景技術(shù)

作物種植過程中，容易受到各種蟲害的侵?jǐn)_。蟲害已嚴(yán)重威脅農(nóng)產(chǎn)品的產(chǎn)量與品質(zhì)，而噴灑農(nóng)藥是蟲害有效防治的重要手段。如何合理施用農(nóng)藥，避免農(nóng)藥的過度使用，成為提高產(chǎn)量和品質(zhì)的重要研究內(nèi)容。

傳統(tǒng)技術(shù)中，構(gòu)建蟲害識別模型來監(jiān)測、預(yù)警蟲害，輔助決策農(nóng)藥的噴灑，是減少農(nóng)藥浪費的關(guān)鍵舉措。蟲害識別模型需要預(yù)先獲取大田中的蟲害圖像，根據(jù)圖像在模型中的處理確定是何種蟲害，蟲害的嚴(yán)重程度等級，進(jìn)而給出科學(xué)化的決策，保障作物的正常生長。

然而，蟲害樣本圖像質(zhì)量直接影響蟲害監(jiān)測預(yù)警模型的識別精度，而去除復(fù)雜背景干擾，對蟲害圖像的精準(zhǔn)分割對提高蟲害樣本圖像質(zhì)量至關(guān)重要。

發(fā)明內(nèi)容

本申請為了解決上述技術(shù)問題，提出了如下技術(shù)方案：

第一方面，本申請實施例提供了一種基于臨界點非線性增強的蟲害圖像分割方法，所述方法包括：將采集的大田蟲害圖像通過強分類器分割成帶網(wǎng)格的單體蟲害圖像；帶網(wǎng)格的單體蟲害圖像經(jīng)過基于臨界點的非線性增強后獲得蟲體區(qū)域與背景區(qū)域?qū)Ρ榷仍鰪姷牡诙D像；將第二圖像通過分割處理獲得完整的蟲害輪廓二值圖像；合并完整的蟲害輪廓二值圖像與帶網(wǎng)格的單體蟲害圖像獲得無背景干擾的單體蟲害圖像。

采用上述實現(xiàn)方式，通過基于臨界點的非線性增強法提高蟲體區(qū)域與標(biāo)定網(wǎng)格區(qū)域?qū)Ρ榷龋瑥膹?fù)雜背景中精確提取完整無網(wǎng)格背景的蟲害圖像，減少了背景網(wǎng)格對形狀特征提取的干擾，獲得了高質(zhì)量蟲害樣本圖像，從而提高了蟲害監(jiān)測預(yù)警模型的精度。

結(jié)合第一方面，在第一方面第一種可能的實現(xiàn)方式中，所述將采集的大田蟲害圖像通過強分類器分割成帶網(wǎng)格的單體蟲害圖像，包括：對大田蟲害圖像進(jìn)行Haar-like特征提取；對蟲害特征集和背景特征集進(jìn)行訓(xùn)練，建立強分類器；將待識別樣本所提取的Haar-like特征值作為強分類器的輸入；強分類器根據(jù)特征值權(quán)值判斷是否為蟲體。

結(jié)合第一方面第一種可能的實現(xiàn)方式，在第一方面第二種可能的實現(xiàn)方式中，所述對大田蟲害圖像進(jìn)行Haar-like特征提取包括：將圖像樣本歸一化到24×24像素的同一尺度上獲得矩形特征；獲取矩形特征之后，引入積分圖算法計算特征值，實現(xiàn)Haar-like特征的快速提取。

結(jié)合第一方面第一或二種可能的實現(xiàn)方式，在第一方面第三種可能的實現(xiàn)方式中，所述對蟲害特征集和背景特征集進(jìn)行訓(xùn)練，建立強分類器，包括：將每一個基于Haar-like特征的判別閾值作為一個弱分類器，通過Adaboost算法學(xué)習(xí)，得到樣本分布權(quán)重不同的測試樣本集；每次訓(xùn)練學(xué)習(xí)加大誤判樣本的權(quán)重，減小分類正確樣本的權(quán)重；將改變分布權(quán)重的樣本和其他新樣本構(gòu)成新的訓(xùn)練樣本集，進(jìn)行下一次的學(xué)習(xí)訓(xùn)練；經(jīng)過T次迭代循環(huán)后，得到T個弱分類器，將T個弱分類器的權(quán)重進(jìn)行級聯(lián)最終得到強分類器。

結(jié)合第一方面，在第一方面第四種可能的實現(xiàn)方式中，所述帶網(wǎng)格的單體蟲害圖像經(jīng)過基于臨界點的非線性增強后獲得蟲體區(qū)域與背景區(qū)域?qū)Ρ榷仍鰪姷牡诙D像，包括：對網(wǎng)格區(qū)域與蟲體區(qū)域進(jìn)行直方圖提取；由正態(tài)分布的概率密度函數(shù)計算網(wǎng)格區(qū)域與蟲體區(qū)域的核心灰度范圍；通過灰度重疊計算得到兩者的核心灰度范圍；對核心灰度范圍進(jìn)行非線性擴展，增強蟲體區(qū)域與標(biāo)定網(wǎng)格區(qū)域?qū)Ρ榷取?/p>