數(shù)字圖像處理工程實(shí)例11.1實(shí)例一

——冬小麥種植行提取11.2實(shí)例二

——細(xì)胞計(jì)數(shù)11.3實(shí)例三

——圖像去霧11.4實(shí)例四

——熊貓運(yùn)動(dòng)跟蹤

11.1實(shí)例一

———冬小麥種植行提取

在精準(zhǔn)農(nóng)業(yè)技術(shù)的驅(qū)動(dòng)下,農(nóng)機(jī)田間自動(dòng)導(dǎo)航技術(shù)可廣泛用于播種、除草、施肥、噴藥、收獲等農(nóng)業(yè)生產(chǎn)過程中,以提高作業(yè)效率,降低漏作業(yè)區(qū)域面積、勞動(dòng)強(qiáng)度及操作的復(fù)雜程度。利用機(jī)器視覺獲取作物行的位置信息,對(duì)于實(shí)時(shí)感知作物生產(chǎn)狀況具有重要的意義。本實(shí)例以采用無(wú)人機(jī)拍攝的冬小麥分蘗期可見光遙感圖像為研究對(duì)象(如圖11-1所示)。

圖11-1冬小麥圖像

冬小麥種植行提取由超綠特征圖像計(jì)算、小麥種植區(qū)域

分割和種植行中心線檢測(cè)三部分構(gòu)成,其流程如圖11-2所示。圖11-2冬小麥種植行識(shí)別過程

1.超綠特征圖像計(jì)算

綠色植物與土壤背景的最明顯區(qū)別在于顏色。因此,通常采用超綠特征突出圖像中的綠色植被,抑制土壤和陰影部分,以有利于綠色植被區(qū)域的提取。超綠特征圖像定義如下:

式中:IR、IG和IB分別為小麥圖像的紅色、綠色和藍(lán)色通;IExG為提取的超綠特征圖像。

2.小麥種植區(qū)域分割

在小麥的超綠特征圖像中,植被和土壤背景具有不同的灰度分布。圖11-3(a)是對(duì)圖(11-1)經(jīng)過超綠特征提取后的冬小麥灰度圖像,小麥種植區(qū)域具有較亮的灰度值,而土壤背景亮度值較低,圖11-3(b)是對(duì)應(yīng)的灰度直方圖。采用Otsu最大類間方差法確定分割閾值,提取小麥種植區(qū)域,如圖11-3(c)所示。接著,應(yīng)用數(shù)學(xué)形態(tài)學(xué)的開運(yùn)算方法,去除噪聲優(yōu)化小麥種植區(qū)域提取,結(jié)果如圖11-3(d)所示。

圖11-3基于閾值分割的小麥種植區(qū)域提取

3.種植行中心線檢測(cè)

首先,確定冬小麥種植行中心點(diǎn)。圖11-4(a)所示為提取

的作物行中心點(diǎn)。

其次,基于提取的作物行中心點(diǎn),采用哈夫變換進(jìn)行直線檢測(cè),以確定種植行中心線。圖11-4(b)所示為以作物行中心點(diǎn)為輸入,采用哈夫變換進(jìn)行直線檢測(cè)所獲得的參數(shù)空間,圖中白色點(diǎn)為經(jīng)過篩選之后的極值位置,對(duì)應(yīng)到圖像空間則可得到圖11-4(c)表示的種植行直線。

圖11-4小麥種植行中心線檢測(cè)過程

4.小結(jié)

在作物行檢測(cè)中,作物種植區(qū)域的準(zhǔn)確檢測(cè)是關(guān)鍵步驟。當(dāng)作物和土壤顏色有明顯的差別,且作物種植比較規(guī)范、雜草較少時(shí),目標(biāo)和背景呈現(xiàn)明顯的雙峰分布,Otsu算法這時(shí)能提夠有效地提取作物種植區(qū)域。否則,提取的作物種植區(qū)域不規(guī)范,將極大影響后續(xù)的中心線檢測(cè)。其次,移動(dòng)窗口的寬度設(shè)置對(duì)作物行中心點(diǎn)的檢測(cè)有著一定的影響,適當(dāng)?shù)膶挾扔兄谥行狞c(diǎn)的準(zhǔn)確定位。最后,當(dāng)作物生長(zhǎng)稀疏或作物趨于封壟時(shí),該算法難以準(zhǔn)確地提取作物行中心點(diǎn),檢測(cè)效果不好。

11.2實(shí)例二———細(xì)胞計(jì)數(shù)

本實(shí)例以血液樣本顯微圖像中細(xì)胞(如圖11-5所示)的自動(dòng)計(jì)數(shù)為目標(biāo),通過圖像處理和分析技術(shù),識(shí)別出血液中的細(xì)胞,并自動(dòng)檢測(cè)出細(xì)胞的個(gè)數(shù)及各個(gè)細(xì)胞的面積。

圖11-5原始細(xì)胞圖像

通過對(duì)圖11-5所示的原始細(xì)胞的分析可知,要得到細(xì)胞數(shù)量及面積,首先需要對(duì)圖像進(jìn)行預(yù)處理,主要包括光線調(diào)節(jié)和去噪處理,以增強(qiáng)和平滑圖像;接著需要進(jìn)行閾值分割將細(xì)胞和背景分開;二值化后的圖像還包含一些較大的噪聲,擬用形態(tài)學(xué)方法去除這些噪聲;為便于細(xì)胞計(jì)數(shù)和面積檢測(cè),還需對(duì)圖像中的孔洞進(jìn)行填充;最后,統(tǒng)計(jì)出細(xì)胞個(gè)數(shù)并計(jì)算出各個(gè)細(xì)胞的面積。其處理流程如圖11-6所示。

圖11-6細(xì)胞識(shí)別流程圖

1.圖像預(yù)處理

預(yù)處理主要完成圖像的亮度調(diào)節(jié)、去除噪聲等工作。

(1)亮度調(diào)節(jié)。為提高后續(xù)圖像分割效果,本實(shí)例采用自動(dòng)亮度法調(diào)整圖像亮度,效果如圖11-7所示。圖11-7亮度調(diào)節(jié)

(2)去噪。采用中值濾波去除圖像中的噪聲,處理結(jié)果如圖11-8所示。圖11-8中值濾波

2.閾值分割

本例采用判別分析法(Otsu法)確定分割閾值為112,分割效果如圖11-9所示。圖11-9閾值分割

3.形態(tài)學(xué)處理

由圖11-9可知,經(jīng)閾值分割的圖像中,還包含一些較大的噪聲。這里采用形態(tài)學(xué)方法去除這些較大的噪聲。具體做法是用3×3的結(jié)構(gòu)元素對(duì)圖11-9進(jìn)行兩次腐蝕操作,處理結(jié)果如圖11-10所示。圖11-10形態(tài)學(xué)處理圖

4.填充孔洞

經(jīng)過形態(tài)學(xué)處理之后,圖像中細(xì)胞區(qū)域部分的孔洞變大。為便于統(tǒng)計(jì)細(xì)胞個(gè)數(shù)及計(jì)算細(xì)胞面積,對(duì)圖11-10所示的細(xì)胞圖像進(jìn)行孔洞填充?？锥刺畛涞木唧w方法為:逐行掃描圖像,當(dāng)遇到像素值為255的像素時(shí),判斷其上下左右一定范圍W內(nèi)的像素值,若有像素值為0的像素,則被標(biāo)記;如果上下左右同時(shí)被標(biāo)記,則置該像素值為0。掃描完整幅圖像,則處理結(jié)束。范圍W的大小可視孔洞大小實(shí)驗(yàn)設(shè)定,本例選用W為20,填充孔洞后的效果如圖11-11所示。

圖11-11-填充孔洞

5.細(xì)胞計(jì)數(shù)及面積計(jì)算

圖11-11中有部分細(xì)胞出現(xiàn)粘連,可以通過較為復(fù)雜的算法,將粘連細(xì)胞分割開來(lái)。這里,采取如下簡(jiǎn)單方法進(jìn)行細(xì)胞計(jì)數(shù)和面積計(jì)算。

(1)對(duì)圖11-11中的對(duì)象進(jìn)行標(biāo)記處理,初步計(jì)算出細(xì)胞的個(gè)數(shù)。

(2)計(jì)算不同標(biāo)記區(qū)域的像素?cái)?shù),并用區(qū)域的像素?cái)?shù)代表其面積。

(3)若某個(gè)標(biāo)記區(qū)域像素?cái)?shù)大于1000,則認(rèn)為該標(biāo)記區(qū)域?yàn)閮蓚€(gè)粘連在一起的細(xì)胞,原細(xì)胞數(shù)量增加1;若某個(gè)標(biāo)記區(qū)域像素?cái)?shù)小于70,則視為噪聲,原細(xì)胞數(shù)量減1。

細(xì)胞計(jì)數(shù)和細(xì)胞面積統(tǒng)計(jì)結(jié)果如圖11-12所示。圖11-12細(xì)胞計(jì)數(shù)及面積統(tǒng)計(jì)

6.小結(jié)

細(xì)胞計(jì)數(shù)是生物醫(yī)學(xué)圖像處理中一個(gè)重要的研究?jī)?nèi)容。當(dāng)拍攝的圖像中細(xì)胞和細(xì)胞液顏色差別明顯時(shí),判別分析法通常能估計(jì)一個(gè)好的閾值,將二者良好分開。細(xì)胞通常存在

粘連現(xiàn)象,通過形態(tài)學(xué)腐蝕可去掉一些粘連程度較輕的連接細(xì)胞,但對(duì)多個(gè)粘連緊密的細(xì)胞,這種方法并不一定有效。最后,簡(jiǎn)單將區(qū)域像素?cái)?shù)大于1000的細(xì)胞認(rèn)為是兩個(gè)細(xì)胞,雖簡(jiǎn)化了處理過程,但在一些情況下,容易造成計(jì)數(shù)錯(cuò)誤。

11.3實(shí)例三———圖像去霧

遙感技術(shù)廣泛應(yīng)用于多種農(nóng)業(yè)任務(wù)之中,但由于云層及大氣中混沌介質(zhì)的影響,遙感圖像的色彩對(duì)比度與顏色保真度均有一定程度的退化。圖像去霧技術(shù)可以降低環(huán)境因素的影響,對(duì)獲取高質(zhì)量圖像、實(shí)現(xiàn)圖像的精準(zhǔn)解譯具有重要意義。本實(shí)例以航空機(jī)載相機(jī)拍攝的農(nóng)業(yè)遙感圖像(如圖11-13所示)為例,通過基于暗通道先驗(yàn)(DarkChannelPrior,DCP)的去霧方法獲取去霧后的圖像,并利用對(duì)數(shù)增強(qiáng)方法進(jìn)一步處理得到更為清晰的遙感圖像。

圖11-13一幅含霧的遙感圖像

農(nóng)業(yè)遙感圖像去霧過程主要分為初始去霧、圖像亮度提升兩個(gè)部分,具體處理流程如圖11-14所示。根據(jù)原始圖像選擇最佳參數(shù)(窗口大小Ω(x)、像素透射率閾值下限t0和大氣光線A),利用DCP算法進(jìn)行初始去霧,由于DCP算法去霧后的圖像存在明顯的亮度降低,還需要在此進(jìn)行圖像增強(qiáng)操作以提升去霧后圖像的亮度。

圖11-14遙感圖像去霧流程圖

1.參數(shù)選擇與DCP算法處理

經(jīng)過大量觀測(cè)與統(tǒng)計(jì),在大部分無(wú)霧圖像的無(wú)天空區(qū)域,像素中至少有一個(gè)顏色通道存在極低的亮度值。為了更好地實(shí)現(xiàn)遙感圖像去霧,需對(duì)參數(shù)窗口大小Ω(x)、透射因子t(x)的下限值t0和大氣光線A進(jìn)行最佳值選擇。本實(shí)例優(yōu)先使用Ω(x)=5、t0=0.1和A=215/255進(jìn)行DCP去霧,去霧前后的圖像分別如圖11-15(a)、(b)所示,可見去霧后的圖像比原始圖像更清晰,但存在亮度失真問題,仍需進(jìn)一步處理。

圖11-15初始去霧結(jié)果(亮度失真)

2.對(duì)數(shù)圖像增強(qiáng)

(1)指數(shù)增強(qiáng)。指數(shù)變換是一種非線性變換,不同指數(shù)參數(shù)m的增強(qiáng)效果差異較大,經(jīng)過指數(shù)增強(qiáng)后的去霧圖像如圖11-16所示。

圖11-16不同m值的增強(qiáng)結(jié)果

不同參數(shù)的指數(shù)增強(qiáng)評(píng)價(jià)結(jié)果如表11-1所示。當(dāng)m=0.5時(shí),熵和平均梯度達(dá)到最優(yōu)值。

(2)對(duì)數(shù)變換增強(qiáng)。對(duì)數(shù)變換將窄帶低灰度輸入圖像值映射為寬帶輸出值?；鶖?shù)越大,低灰度增強(qiáng)效果越好,高灰度區(qū)域壓縮能力越強(qiáng)。不同參數(shù)值增強(qiáng)結(jié)果如圖11-17所示。

圖11-17不同(1+r)值的增強(qiáng)結(jié)果

不同(1+r)值的增強(qiáng)圖像評(píng)價(jià)結(jié)果如表11-2所示。

利用上述方法,對(duì)圖11-18(a)所示的原始遙感圖像進(jìn)行去霧處理,結(jié)果如圖11-18(b)所示。圖11-18原始圖像與去霧圖像的對(duì)比

3.小結(jié)

遙感圖像去霧是精準(zhǔn)農(nóng)業(yè)的重要研究方向,DCP算法是目前廣為使用的去霧方法之一,如何對(duì)去霧后的圖像進(jìn)行增強(qiáng)是后續(xù)處理的重要研究?jī)?nèi)容。

11.4實(shí)例四———熊貓運(yùn)動(dòng)跟蹤

基于MeanShift的運(yùn)動(dòng)估計(jì)主要包括跟蹤對(duì)象熊貓和候選區(qū)域顏色直方圖的計(jì)算,跟蹤對(duì)象最優(yōu)位置的迭代估計(jì),圖11-19給出了跟蹤算法的流程圖。

圖11-19目標(biāo)跟蹤算法流程圖

1.目標(biāo)跟蹤區(qū)域和候選區(qū)域的表示

圖11-20列出了第1幀及其跟蹤對(duì)象的初始位置,要求在后續(xù)幀中,估計(jì)熊貓的位置變化。圖11-20跟蹤對(duì)象為熊貓

將顏色直方圖規(guī)范化得到目標(biāo)表示模型,計(jì)算公式為

2.目標(biāo)函數(shù)的建立

將目標(biāo)模型qu和目標(biāo)候選模型pu(y)看作是兩個(gè)一維向量,用內(nèi)積表示二者的相似度公式如下:

式中:ρ(y)為qu與pu(y)二者夾角的余弦值,與目標(biāo)模型具有最大相似度的候選區(qū)域作為熊貓位置的最優(yōu)估計(jì)。

3.最優(yōu)位置的迭代估計(jì)

4.熊貓跟蹤結(jié)果

圖11-21給出了4幀熊貓的跟蹤結(jié)果?？梢钥闯龌贛eanShift的目標(biāo)跟蹤算法能夠較好地搜索到目標(biāo)位置。但是,因?yàn)轭伾狈綀D像不能有效表示目標(biāo)的空間分布結(jié)構(gòu),其容易受到背景的干擾出現(xiàn)定位不準(zhǔn)的情