[发明专利]一种植物图像分割及叶片骨架提取方法及系统

说明书

本发明涉及一种植物精细分割和叶片骨架提取方法及系统，其方法包括构建包括多个子神经网络的混合神经网络模型；采集多张植物图像作为训练图像样本,根据训练图像样本标注对应植物的类别和叶片骨架，并根据标注后的训练图像样本对混合神经网络模型进行训练；采集目标植物图像，并将目标植物图像输入训练后的混合神经网络模型，训练后的混合神经网络模型输出植物图像分割结果和植物叶片骨架提取结果。本发明的植物图像分割及叶片骨架提取方法，通过构建混合神经网络模型，并采采集植物图像对混合神经网络模型进行训练，从而同时实现植物图像精细分割和叶片骨架提取，并且能有效抑制负复杂背景的干扰，提高植物图像分割及叶片骨架提取的精度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种植物图像分割及叶片骨架提取方法及系统。

背景技术

在植物学研究领域，科学家通过研究植物生长过程能够进行更深入的基因遗传等研究。随着图像技术快速发展，植物图像分析能够快速准确地提供定量的植物生长状态指标给科学家，辅助科学家进一步的深入研究。现今大热的深入学习方法已被广泛应用到植物图像分割及识别中，例如卷积神经网络。常用的卷积神经网络有VGG、FCN、U-Net，这些网络具有深层结构，能够提取深层图像特征极大提高植物图像分割识别的正确率。

针对复杂植物图像场景，VGG虽然能够实现植物精细分割，但是在复杂背景上(例如植物培养箱中强光的反射、观察镜中的植物影子等)极易产生误检，即对复杂背景干扰很敏感；FCN具有强的复杂背景干扰抑制能力，但是难以实现精细的植物分割，漏检小植物及其叶片；U-Net融合浅层图像细节信息和深层图像语义特征，在植物精细分割和复杂背景干扰抑制之间实现性能折中，但是U-Net不能同时输出植物分割结果和叶片骨架提取结果。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种植物图像分割及叶片骨架提取方法及系统，同时实现植物图像精细分割和叶片骨架提取。

本发明解决上述技术问题的技术方案如下：一种植物精细分割和叶片骨架提取方法，包括如下步骤:

步骤1：构建包括多个子神经网络的混合神经网络模型；

步骤2：采集多张植物图像作为训练图像样本,根据所述训练图像样本标注对应植物的类别和叶片骨架，并根据标注后的所述训练图像样本对所述混合神经网络模型进行训练；

步骤3：采集目标植物图像，并将所述目标植物图像输入训练后的所述混合神经网络模型，训练后的所述混合神经网络模型输出植物图像分割结果和植物叶片骨架提取结果。

本发明的有益效果是：本发明的植物图像分割及叶片骨架提取方法，通过构建混合神经网络模型，并采采集植物图像对所述混合神经网络模型进行训练，从而同时实现植物图像精细分割和叶片骨架提取，并且能有效抑制负复杂背景的干扰，提高植物图像分割及叶片骨架提取的精度。

在上述技术方案的基础上，本发明还可以做如下改进：

进一步：所述步骤1中，混合神经网络模型至少包括第一子神经网络N₁、第二子神经网络N₂和第三子神经网络N₃，所述第二子神经网络N₂包括相互级联的第一子结构K₁和第二子结构K₂。

上述进一步方案的有益效果是：通过不同的子神经网络组合形成混合神经网络模型，同时实现植物精细分割和也变骨架的提取，有效地对复杂背景干扰进行抑制。

进一步：所述步骤3中，训练后的所述混合神经网络模型根据所述模型参数输出植物图像分割结果和植物叶片骨架提取结果具体包括如下步骤：