[发明专利]一种融合FCN和阈值分割的哺乳母猪图像分割方法

说明书

本发明公开了一种融合FCN和阈值分割的哺乳母猪图像分割方法。采集母猪的视频图像，并建立母猪分割视频图像库；建立FCN母猪分割模型，用该模型对测试图像进行分割，获取FCN母猪图像分割结果；对FCN分割结果外接最小面积矩形框，并对该区域的灰度图和H分量进行Otsu阈值分割，获取阈值分割结果；将FCN分割结果和阈值分割结果进行融合，获取母猪图像的最终分割结果。本发明在FCN的基础上，融合多通道Otsu阈值分割技术，在不降低FCN分割效果的同时能有效填补局部区域缺失，提高分割准确率。

技术领域

本发明涉及图像分割技术领域，更具体地，涉及一种融合全卷积网(FCN)络和多通道阈值分割的哺乳母猪图像分割方法。

背景技术

哺乳母猪的健康和母性行为关系到整个猪场的经济效益，对哺乳母猪行为进行监测显得尤为重要。传统的母猪状况监控方式是通过人工长时间对母猪运动、进食、哺乳等日常行为进行观察，根据经验判断母猪身体状况和母性行为的好坏，从而进一步采取相关措施。该方式不仅耗时、耗力，也极易引起误判。利用计算机视觉技术自动监测母猪行为是代替人工方式的较好选择。

利用计算机视觉技术对哺乳母猪行为自动识别的第一步就是要将母猪从复杂的背景图像中完整的分割出来，即母猪图像分割。母猪图像分割是一个复杂且具有挑战性的问题，其主要难点有两方面，一方面是由于母猪身体的变化所引起的：母猪具有相当复杂的细节变化，如不同的行为姿态如坐立、侧躺、身体扭曲等；另一方面是外部环境因素所引起的：猪舍环境的复杂，如光线变化、猪只遮挡、环境背景与猪只颜色对比度不大等。这些问题的存在，均给母猪图像分割带来了很大挑战。

近年来，已经有一些研究者利用计算机视觉技术提取猪只目标前景。2014年南京农业大学朱伟兴等人利用混合高斯更新背景模型，并结合最大信息熵阈值，但该方法不适合长时间不动或缓慢移动的目标前景。2015年该团队利用最大信息熵阈值对群养小猪进行二次分割，获取猪只目标前景，但该方法在目标前景与背景差异不大时，效果欠佳。公开号CN106204537A的专利公开了一种复杂场景下生猪图像分割方法，该方法通过对生猪图像进行背景差分、阈值分割获取初步分割图像后再利用其质心与图像光源信息进行阴影补偿，从而得到生猪分割后的图像。2017年华中农业大学高云等人对猪群中的粘连猪只，在阈值分割的基础上，采用基于距离变换的分水岭分割算法，分割出粘连猪只个体。然而，多数研究中的对象都是针对纯色的生猪、后备母猪或小猪，很少涉及到花色不均的哺乳期母猪。另外上述猪只分割方法中也均未涉及到基于卷积网络的猪只目标提取。

卷积神经网络技术已经在工业生产领域得到了广泛应用。2015年，Long等人提出了全卷积网络(FCN，Fully Convolutional Networks)的图像语义分割算法，通过对现有神经网络模型进行改进，得到的端对端像素级预测，降低了训练的复杂性，并且能够准确的提取图像中的深层语义信息。FCN通过多层卷积、池化等操作较好的地避免了光照不均匀、随机噪声、图像扭曲等问题，在图像分割领域获得了很大突破，然而该方法在畜禽养殖对象的分割中的应用研究几乎处于空白。由于FCN采用简单的双线性插值进行上采样，容易丢失图像局部信息，产生空洞。除此之外，在样本不足或样本单一的情况下，FCN表现出较差的泛化能力，容易产生欠分割现象。多通道阈值分割方法利用对象自身相似性的特点，提取对象目标，在一定程度上弥补FCN产生空洞、欠分割现象。本发明在FCN分割的基础上，提取ROI区域，在该区域内融合多通道阈值分割方法在不降低FCN分割效果的同时能有效填补局部区域缺失，提高FCN分割效果，增强泛化性能。

发明内容

本发明的目的在于克服上述背景技术提出的技术问题，提供一种融合FCN和多通道阈值分割的哺乳母猪图像分割方法，能够在母猪形变、遮挡、花色不均且与背景颜色对比度不大和光线变化等复杂情况下，准确分割出母猪个体。

为了实现上述目的，本发明的技术方案如下：

一种融合FCN和多通道阈值分割的哺乳母猪图像分割方法，包括以下步骤：