[发明专利]一种多目标图像的分割方法

说明书

本发明实施例提供一种多目标图像的分割方法，包括：建立基于稀疏信号的图像特征描述子；采用基于插值小波的EMD距离对图像的特征距离进行描述，定义更精确的图像特征插值小波EMD距离；采用插值小波EMD距离作为图像区域相似性的测度，建立图像分割变分模型；确定对图像分割结果的约束条件，并将图像分割变分模型与分割结果的约束条件表示为非线性规则；构造图像分割同伦优化模型，使得迭代求解造成的图像特征误差得到补偿，从而实现目标物图像的可控分割。该方法能对图像特征进行全面描述，图像特征距离能准确反应不同特征之间的细微差异，并且采用的图像分割模型不会导致图像特征的弱化。

技术领域

本发明实施例涉及图像处理领域，尤其涉及一种多目标图像的分割方法。

背景技术

在智慧农业中，对农作物图像的分析是很重要的。对农作物图像分析，经常需要针对同一图像实现不同目标物的可控分割，以满足不同作业管理需求，例如识别蔬菜叶片不同病斑从而分别用药、成熟水果的选择采摘、庄稼株间杂草的识别等。

农作物图像的特点是图像中目标物多且图像背景复杂、特征相近。首先，大多数农作物图像属于多目标图像，不同成熟度的目标物可能混杂在一起，且目标物纹理和图像背景类似。如图1a所示，成熟的瓜果隐藏在绿叶中，很难将其分辨出。又如图1b所示的葡萄叶上的根瘤蚜虫，由于根瘤蚜虫的颜色与葡萄叶的颜色非常接近，在图像中很难进行分辨。其次，目标物的图像不完整。目标图像和背景物体之间相互掩映，如西瓜、苹果等果实的叶和茎相互交错，导致目标物图像外形缺失，很难根据外形对目标物进行识别。再次，目标物和背景物外形和生物成分均类似，如图1c所示的株间杂草与禾苗，或者如图1d所示的带有病虫害的叶片和健康的植物叶片等，这些图像即使采用多光谱信息也很难将目标物和背景物区分开。第四，目标物的形状、大小、方向不唯一，可见光的亮度、噪声等对图像质量也有很大影响，并且要满足农业自动化的需要，对目标物的识别速度要快。上述这些问题给果实生长情况监控及自动采摘、农作物生产管理等都带来很大障碍。

为解决图像中目标物的识别，目前的主要方法是利用格子玻尔兹曼(LatticeBoltzmann Method,LBM)计算遮挡因子，或者利用融合深度信息的方法解决遮挡问题，但由于图像中目标物和背景相近，会导致图像的过分割和欠分割。为解决该问题，目前主要采用超色方法，或是多源信息融合方法，其实质上是通过图像增强技术或者热成像技术增大目标物和背景的区别。又如，现有的图像自动分割方法，是对RGB空间常见的颜色指标进行分析，并提出了图像分割精度的概念。现有的邻接区域信息融合方法，是充分利用光照对果实的影响，在图像分割时使用亮度信息和颜色信息将邻接果实分开。

现有的图像分割技术在处理以上图像时，经常会出现过分割、欠分割、目标分割错误等问题，这给基于图像分析的精确农业管理、农业机器人生产作业等带来了极大障碍。

发明内容

针对现有技术中存在的问题，本发明实施例提供一种多目标图像的分割方法，实现多目标图像的精确分割。

本发明实施例提供一种多目标图像的分割方法，包括：

S1、建立基于稀疏信号的图像特征描述子；

S2、采用基于插值小波的EMD距离对图像的特征距离进行描述，定义更精确的图像特征插值小波EMD距离；

S3、采用插值小波EMD距离作为图像区域相似性的测度，建立图像分割变分模型；

S4、确定对图像分割结果的约束条件，并将图像分割变分模型与分割结果的约束条件表示为非线性规则；

S5、构造图像分割同伦优化模型，以使迭代求解造成的图像特征误差得到补偿，从而实现目标物图像的可控分割。

进一步，步骤S1包括：在Beltrami模型框架下建立基于稀疏信号的图像特征描述子，将插值小波作为稀疏基。