[发明专利]一种基于信息熵梯度简化PCNN模型的夜间室外番茄植株图像分割算法

权利要求书

1.一种基于信息熵梯度简化PCNN模型的夜间室外番茄植株图像分割算法，用彩色相机采集夜间主动照明条件下室外番茄植株的彩色图像C，读取彩色图像C中各像素的R、G、B颜色分量；其特征在于，包括以下步骤：

①归一化色差值C_n计算：对彩色图像C上的每一个像素点分别按公式(1)计算绿红色差C_c，计算得到绿红色差C_c后，按公式(2)计算归一化色差值C_n，将C_n作为像素值，得到灰度图像I；

式(2)中，min(C_c)—彩色图像C上所有像素点的C_c的最小值；max(C_c)—彩色图像C上所有像素点的C_c的最大值；

②设置迭代次数n为1；

③使用简化PCNN模型对I进行图像分割，得到图像分割结果Y(n)；简化PCNN模型的特征在于：将图像横坐标为i，纵坐标为j的像素视为一个神经元N_ij；将各像素在灰度图像I中像素值I_ij作为神经元的输入；神经元的输出为Y_ij(n)即第n次迭代得到的图像分割结果Y(n)中，图像坐标系中横坐标为i，纵坐标为j的像素的像素值通过式(3)计算得到；所有神经元的输出即为第n次迭代得到的图像分割结果Y(n)；

式(3)中，n—第n次迭代；U^*_ij(n)—内部活动项，如式(4)所示，E_ij(n)—动态阈值，如式(5)所示；Y_ij(0)为0；

式(4)中，F_ij(n)—神经元输入项，如式(6)所示；L^*_ij(n)—连接输入项，如式(7)所示；β—内部活动项连接系数，设为0.1；

E_ij(n)＝T⁺-n×N n≤M (5)

式(5)中，T⁺—动态阈值初始值，设为0.45；N—阈值衰减步长，设为0.025；M—最大迭代次数，如式(8)所示，为8；E_ij(0)为T⁺；

F_ij(n)＝I_ij (6)

式(6)中，I_ij—外部输入激励，即图像像素值；

式(7)中，L_ij(n)如式(9)所示；

式(8)中，K—动态阈值变化区间宽度，设为0.2；

式(9)中，W_ijkl—耦合连接域连接系数，如式(10)所示，

W_ijkl＝(1-|F_ij(n)-F_i+k,j+l(n)|)e^1-d (10)

式(10)中：e—欧拉数，近似等于2.718281828；d—神经元N_kl与神经元N_ij间的欧式距离，其计算如式(11)所示，

式(11)中：x_i+k，y_j+l—神经元N_kl坐标；x_i，y_j—神经元N_ij坐标；

④计算图像分割结果Y(n)的信息熵s(n)，如式(12)所示，判断n是否为1，若是，则将最大信息熵s(max)的值修改为s(1)，并将max的值修改为1，转入步骤⑥；否则，转入步骤⑤；

式(12)中，p_i(n)的计算如式(13)所示，

式(13)中，T_i(n)—Y(n)中像素值为i的像素数；T(n)—Y(n)中的像素总数；

⑤判断s(n)是否大于最大信息熵s(max)，若是，则将最大信息熵s(max)的值修改为s(n)，并将max的值修改为n，转入步骤⑥；否则，结束迭代过程，转到步骤⑦；

⑥判断n是否等于预设的最大迭代次数M，若是，则结束迭代过程，转入步骤⑦；否则，迭代次数n自增1，跳转到步骤③；

⑦计算最大信息熵s(max)与第max-1次迭代得到的信息熵s(max-1)的差值，即信息熵梯度Δs；

⑧判断Δs是否大于阈值T_s，若是，则以第max+1次迭代获得的Y(max+1)为图像分割结果F；否则，以最大信息熵对应的第max次迭代获得的Y(max)为图像分割结果F；

⑨图像分割结果去噪：去除图像分割结果F中面积小于预设阈值T_a的区域，得到去噪后的图像分割结果F_n。