[发明专利]基于改进模式分解和颜色的茶叶图像增强方法

说明书

本发明公开一种基于改进模式分解和颜色的茶叶图像增强方法。本发明首先将原始的茶叶RGB彩色图像转换为HSI颜色空间，然后采用改进的二维经验模式分解方法，得到多个不同尺度的固有模式函数和残差分量的图像，并建立视觉适应模型对得到的固有模式函数和残差分量的图像进行调整，最后完成对现场茶树中茶叶图像的增强计算。实验结果表明该算法能很好地改善茶叶图像对比度低、亮度低、边缘模糊的情况，增强后的图像更为清晰，同时亮度、对比度得到很好的改善。

技术领域

本发明属于图像处理技术领域，是一种对现场茶叶图像的基于改进的二维经验模式分解和颜色空间转换的茶叶图像增强的方法。

背景技术

在现代精细农业的生产中，利用计算机图像技术可极大地提高精度和效率，实现信息采集和处理的自动化和智能化，并可对农作物生长进行无损、快速、实时的监测。应用计算机技术对茶叶色泽和品质的分析和识别已有一些研究，但以往的研究多是对基于对成品茶叶的形状和颜色或者是对茶叶的汤色进行研究，对农田现场茶树中的茶叶图像进行计算机处理的研究却很少。

茶叶由于特有的生长环境的要求，雨水和云雾能更有利于产生良好品质的茶叶，但却能造成获取的图像质量的下降，不同程度地影响了对图像的进一步应用和处理，如图像的特征提取、目标识别等。因此，茶叶图像需要进行图像增强处理。

图像增强是增强图像中的有用信息，其目的是要增强视觉效果。将原来不清晰的图像变得清晰或强调某些感兴趣的特征，抑制不感兴趣的特征，从而改善图像质量、丰富信息量，加强图像的后期处理效果。

颜色空间是彩色图像不同颜色理论上的表征方式，原始的数码图像是RGB格式，本发明首先将茶叶图像从RGB颜色空间转换到HSI颜色空间，HSI颜色空间更能接近人对彩色世界的观察方式，能更好地表明我们对色彩的理解和更利于处理。

经验模式分解(Empirical Mode Decomposition,EMD)是一种用于非线性和非平稳数据分析的方法，现已应用多个领域。二维经验模式分解(BEMD)是近年来提出的一个多尺度结构的新方法，在时域上将一个二维的图像信号分解成不同尺度的二维固有模式函数(Intrinsic Mode Function,IMF)，它是包含不同频率的细节图层，是一种在时域范围内的频率分析方法。由于二维经验模式分解方法具有将图像分解为局部窄带信号的能力，在图像增强方面能取得比常用的小波分析等分析方法更好的效果。

发明内容

本发明通过分析茶树中茶叶图像的颜色空间特性，结合视觉模型特点提出一种基于改进的二维经验模式分解和颜色空间的茶叶图像增强方法。

本发明中的二维经验模式分解是先运用数学形态学的方法提取图像极点，所提取的极值点再通过改进的三角剖分插值法进行曲面插值得到包络面，然后对极值点包络面取平均，再将其与原图像信号相减，从而进行迭代。

通过经验模式分解，图像被分解为一系列包含不同细节信息的图像细节层和一个包含图像亮度信息的图像残差层。在每一个点上，前一个图像细节层的频率均比后一个细节层的频率高。通过对各个图像细节层和残差层的调节可以实现图像增强。

分解后得到的IMF尺度从小到大进行排列，即频率从大到小进行排列，代表着图像的细节模式结构，残差图像代表着图像基本照度信息和趋势。其中IMF满足以下2个条件：(1) 在整个数据序列中，极值点的数量与过零点的数量必须相差不超过1个；(2)在任一时间点上，信号局部极大值确定的上包络线和局部极小值确定的下包络线的均值为零，即满足传统平稳高斯过程。这种分解是自适应的，因此具有很高的效率。

本发明的基于改进模式分解和颜色的茶叶图像增强方法，其特征是包含以下具体步骤：

(1)将原始茶叶图像f(x,y)从RGB空间转换到HSI空间，并得到H、S、I的3个分量值，提取亮度分量图像f_I(x,y)；