[发明专利]一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法

说明书

本发明公开了一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法。提取笼养蛋鸡图像的S分量图像，用k‑means聚类法将方形局部窗口内的S分量图像像素分成两类，遍历S分量图像得到两个类中心函数，构建包含这两个类中心函数的能量函数，并在能量函数中引入平均核函数和水平集函数形成总能量泛函，用标准梯度下降法最小化总能量泛函得到分界线演化方程，加入形态学开运算操作和高斯滤波操作，最后用有限差分法对分界线演化方程进行迭代直到收敛，最终的演化分界线即为笼养蛋鸡图像的分割结果。本发明能够快速精确地分割笼养蛋鸡图像，消除笼子遮挡的影响。

技术领域

本发明属于图像处理技术领域，具体涉及了一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法。

背景技术

鸡的行为是反映其健康程度的重要依据，也是衡量养殖福利的评价指标之一(劳凤丹等，2017)。而快速准确得到鸡只图像的分割结果，是应用机器视觉系统快速识别实际饲养环境下病死鸡的关键步骤(毕敏娜等，2016)。目前，我国蛋鸡饲养模式主要以笼养模式为主，相比于其他饲养模式，笼养模式下的蛋鸡遭受更大的生理和心理压力，福利和健康状态更为严重。但因为笼子遮挡，蛋鸡体态变化大等原因，传统的分割方法，如阈值法、分水岭法等很难得到精确的分割结果。

活动轮廓模型被广泛应用于图像分割领域，它在分割目标时可以达到亚像素级的精度，并且能够获得一条光滑闭合的分界线来表示目标边缘。1987年，Kass等人提出了早期的活动轮廓模型—snake模型。在不同的应用背景下，活动轮廓模型被不断改进。2001年，Chan和Vese提出了著名的分段常量活动轮廓模型—CV模型，但它难以处理灰度不均匀的图像。2008年Li等人提出了区域可收缩拟合活动轮廓模型—RSF模型，它能够有效分割灰度不均匀的图像，但对初始轮廓的设置较为敏感且比较耗时。在农业工程应用方面，马丽等(2015)提出了结合CV模型和RSF模型的母猪红外图像分割方法，但其分割效率低，且抗遮挡能力和运动追踪的鲁棒性较差。肖林芳等(2018)用基于形态学改进C-V模型对笼养蛋鸡图像进行分割，但其需要利用粗分割作为初始轮廓，且粗分割结果会影响图像分割精度和分割效率。综上所述，现有的基于活动轮廓模型的分割方法存在对初始轮廓设置敏感、运动追踪能力差、抗遮挡能力弱、分割耗时等问题。

发明内容

为了弥补现有的活动轮廓模型技术的不足和缺点，本发明提出了一种基于活动轮廓模型的笼养蛋鸡图像分割方法，实现笼养蛋鸡图像的精确快速分割。

本发明所采用的具体技术方案是包含如下步骤：

步骤1：读取笼养蛋鸡原始图像I，提取笼养蛋鸡原始图像I在HSV颜色空间的S分量图像I_s:Ω，其中Ω表示S分量图像的图像域；

步骤2：构建中心在第x个像素点、宽度为w个像素的方形局部窗口Ω_x，用标准k-means聚类方法将方形局部窗口Ω_x图像像素按照灰度值分成两类区域Ω_s和Ω_l，分别为第一类区域Ω_s和第二类区域Ω_l，遍历S分量图像I_s的每个像素点得到两类区域Ω_s和Ω_l的类中心函数f_s(x)和f_l(x)；根据方形局部窗口Ω_x像素的灰度值为I(y)和类中心函数f_s(x)和f_l(x)，构建关于两类区域Ω_s和Ω_l的能量函数E_x：

对方形局部窗口Ω_x中像素的灰度值为I(y)，用k-means聚类方式来最小化能量函数E_x。

能量函数E_x的公式如下：