數(shù)字圖像處理項目實例

數(shù)字圖像處理工程實例11.1實例一

——冬小麥種植行提取11.2實例二

——細胞計數(shù)11.3實例三

——圖像去霧11.4實例四

——熊貓運動跟蹤

11.1實例一

———冬小麥種植行提取

在精準農(nóng)業(yè)技術的驅動下,農(nóng)機田間自動導航技術可廣泛用于播種、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、勞動強度及操作的復雜程度。利用機器視覺獲取作物行的位置信息,對于實時感知作物生產(chǎn)狀況具有重要的意義。本實例以采用無人機拍攝的冬小麥分蘗期可見光遙感圖像為研究對象(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算、小麥種植區(qū)域

分割和種植行中心線檢測三部分構成,其流程如圖11-2所示。圖11-2冬小麥種植行識別過程

1.超綠特征圖像計算

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)是對應的灰度直方圖。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,應用數(shù)學形態(tài)學的開運算方法,去除噪聲優(yōu)化小麥種植區(qū)域提取,結果如圖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

首先,確定冬小麥種植行中心點。圖11-4(a)所示為提取

的作物行中心點。

其次,基于提取的作物行中心點,采用哈夫變換進行直線檢測,以確定種植行中心線。圖11-4(b)所示為以作物行中心點為輸入,采用哈夫變換進行直線檢測所獲得的參數(shù)空間,圖中白色點為經(jīng)過篩選之后的極值位置,對應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過程

4.小結

在作物行檢測中,作物種植區(qū)域的準確檢測是關鍵步驟。當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,目標和背景呈現(xiàn)明顯的雙峰分布,Otsu算法這時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。其次,移動窗口的寬度設置對作物行中心點的檢測有著一定的影響,適當?shù)膶挾扔兄谥行狞c的準確定位。最后,當作物生長稀疏或作物趨于封壟時,該算法難以準確地提取作物行中心點,檢測效果不好。

11.2實例二———細胞計數(shù)

本實例以血液樣本顯微圖像中細胞(如圖11-5所示)的自動計數(shù)為目標,通過圖像處理和分析技術,識別出血液中的細胞,并自動檢測出細胞的個數(shù)及各個細胞的面積。

圖11-5原始細胞圖像

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

圖11-6細胞識別流程圖

1.圖像預處理

預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,本實例采用自動亮度法調(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)學方法去除這些較大的噪聲。具體做法是用3×3的結構元素對圖11-9進行兩次腐蝕操作,處理結果如圖11-10所示。圖11-10形態(tài)學處理圖

4.填充孔洞

經(jīng)過形態(tài)學處理之后,圖像中細胞區(qū)域部分的孔洞變大。為便于統(tǒng)計細胞個數(shù)及計算細胞面積,對圖11-10所示的細胞圖像進行孔洞填充?？锥刺畛涞木唧w方法為:逐行掃描圖像,當遇到像素值為255的像素時,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,則被標記;如果上下左右同時被標記,則置該像素值為0。掃描完整幅圖像,則處理結束。范圍W的大小可視孔洞大小實驗設定,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.細胞計數(shù)及面積計算

圖11-11中有部分細胞出現(xiàn)粘連,可以通過較為復雜的算法,將粘連細胞分割開來。這里,采取如下簡單方法進行細胞計數(shù)和面積計算。

(1)對圖11-11中的對象進行標記處理,初步計算出細胞的個數(shù)。

(2)計算不同標記區(qū)域的像素數(shù),并用區(qū)域的像素數(shù)代表其面積。

(3)若某個標記區(qū)域像素數(shù)大于1000,則認為該標記區(qū)域為兩個粘連在一起的細胞,原細胞數(shù)量增加1;若某個標記區(qū)域像素數(shù)小于70,則視為噪聲,原細胞數(shù)量減1。

細胞計數(shù)和細胞面積統(tǒng)計結果如圖11-12所示。圖11-12細胞計數(shù)及面積統(tǒng)計

6.小結

細胞計數(shù)是生物醫(yī)學圖像處理中一個重要的研究內(nèi)容。當拍攝的圖像中細胞和細胞液顏色差別明顯時,判別分析法通常能估計一個好的閾值,將二者良好分開。細胞通常存在

粘連現(xiàn)象,通過形態(tài)學腐蝕可去掉一些粘連程度較輕的連接細胞,但對多個粘連緊密的細胞,這種方法并不一定有效。最后,簡單將區(qū)域像素數(shù)大于1000的細胞認為是兩個細胞,雖簡化了處理過程,但在一些情況下,容易造成計數(shù)錯誤。

11.3實例三———圖像去霧

遙感技術廣泛應用于多種農(nóng)業(yè)任務之中,但由于云層及大氣中混沌介質的影響,遙感圖像的色彩對比度與顏色保真度均有一定程度的退化。圖像去霧技術可以降低環(huán)境因素的影響,對獲取高質量圖像、實現(xiàn)圖像的精準解譯具有重要意義。本實例以航空機載相機拍攝的農(nóng)業(yè)遙感圖像(如圖11-13所示)為例,通過基于暗通道先驗(DarkChannelPrior,DCP)的去霧方法獲取去霧后的圖像,并利用對數(shù)增強方法進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,還需要在此進行圖像增強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)過大量觀測與統(tǒng)計,在大部分無霧圖像的無天空區(qū)域,像素中至少有一個顏色通道存在極低的亮度值。為了更好地實現(xiàn)遙感圖像去霧,需對參數(shù)窗口大小Ω(x)、透射因子t(x)的下限值t0和大氣光線A進行最佳值選擇。本實例優(yōu)先使用Ω(x)=5、t0=0.1和A=215/255進行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,仍需進一步處理。

圖11-15初始去霧結果(亮度失真)

2.對數(shù)圖像增強

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

圖11-16不同m值的增強結果

不同參數(shù)的指數(shù)增強評價結果如表11-1所示。當m=0.5時,熵和平均梯度達到最優(yōu)值。

(2)對數(shù)變換增強。對數(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,低灰度增強效果越好,高灰度區(qū)域壓縮能力越強。不同參數(shù)值增強結果如圖11-17所示。

圖11-17不同(1+r)值的增強結果

不同(1+r)值的增強圖像評價結果如表11-2所示。

利用上述方法,對圖11-18(a)所示的原始遙感圖像進行去霧處理,結果如圖11-18(b)所示。圖11-18原始圖像與去霧圖像的對比

3.小結

遙感圖像去霧是精準農(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,如何對去霧后的圖像進行增強是后續(xù)處理的重要研究內(nèi)容。

11.4實例四———熊貓運動跟蹤

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

圖11-19目標跟蹤算法流程圖

1.目標跟蹤區(qū)域和候選區(qū)域的表示

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

將顏色直方圖規(guī)范化得到目標表示模型,計算公式為

2.目標函數(shù)的建立

將目標模型qu和目標候選模型pu(y)看作是兩個一維向量,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。

3.最優(yōu)位置的迭代估計

4.熊貓跟蹤結果

圖11-21給出了4幀熊貓的跟蹤結果?？梢钥闯龌贛eanShift的目標跟蹤算法能夠較好地搜索到目標位置。但是,因為顏色直方圖像不能有效表示目標的空間分布結構,其容易受到背景的干擾出現(xiàn)定位不準的情