[发明专利]一种基于显著性的花卉和果实图像的目标提取方法

说明书

本发明公开了一种基于显著性的花卉和果实图像的目标提取方法，包括以下步骤：S1、获取图像的显著图；S2、根据步骤S1得到的显著图生成最优数据源；S3、将步骤S2得到的最优数据源进行分割，得到目标区和背景区，并对得到的目标区和背景区进行标记，得到分割结果图；S4、根据步骤S3得到的分割结果图提取出原图像中的目标区，并对结果进行显示，即得到目标图。本发明通过采用类SLIC算法与最优数据源相结合，在RGB颜色空间下，不仅能够在划分超像素时较好的拟合物体的边缘，而且当目标边缘较为复杂的时候仍然能够达到目标边缘的准确提取，同时通过FCM算法对最优数据源进行分割能够获得目标所在的准确区域。

技术领域

本发明属于数字图像处理技术领域，具体涉及一种基于显著性的花卉和果实图像的目标提取方法。

背景技术

随着农业科技的不断发展，农业生产中对自动化机器的应用也越来越广泛，例如农作物的自动灌溉、作物的自动采摘、病虫害的自动监控等，其中很大一部分需求都离不开数字图像处理技术的支持，比如农作物的自动采摘技术完全依赖于对农作物目标的准确提取。

很多研究者采用了不同的目标提取算法，并针对现实因素对算法进行了不同方向的改进。岳有军等采用改进后的Cascade RCNN网络对温室内的番茄果实进行目标检测，让该特定环境下的目标识别率有了一定程度的提高。樊泽泽等结合深度学习和传统方法，提出融合颜色与果径特征的果实检测算法，用于苹果树的果实检测。对图像中小目标的检出和光照不匀、果实颜色差异大时检测边框的准确率有一定的提升。尹红等提出了基于选择性卷积特征融合的花卉图像分类方法，该方法采用无监督的方式定位花卉图像中的显著区域，去除了背景和噪声部分对花卉目标的干扰，提高了花卉图像分类的准确率。张红旗等[4]针对番茄果实图像的特点将阈值点附近的区域信息引入分割算法中,提出了一种改进的基于二维直方图的Otsu阈值分割方法,改善了图像的分割效果。

就目前的研究情况来看，大多现有的目标提取方法主要针对于某种特定的花卉或特定的果实目标，甚至针对于某种特定颜色的目标进行处理，不具备普遍适用性；其次，即便是同一颜色系的目标也可能处于不同的自然背景中，复杂的背景又给目标的准确分割带来了严重的干扰；再次，有的花卉或果实表面非常光滑，在阳光的照射下反光非常强烈，同样严重影响到了算法对目标区的识别。因此研究如何从各种自然背景中分割出不同种类、不同颜色的花卉和果实目标，对改善算法的实用性和普遍可用性有着重要意义。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于显著性的花卉和果实图像的目标提取方法。

为实现上述目的，本发明采用的技术方案是：

一种基于显著性的花卉和果实图像的目标提取方法，包括以下步骤：

S1、获取图像的显著图；

S2、根据步骤S1得到的显著图生成最优数据源；

S3、将步骤S2得到的最优数据源进行分割，得到目标区和背景区，并对得到的目标区和背景区进行标记，得到分割结果图；

S4、根据步骤S3得到的分割结果图提取出原图像中的目标区，并对结果进行显示，即得到目标图。

优选的，步骤S1中，所述图像的显著图通过以下方法获得：

S11、使用类SLIC的图像超像素分割算法将图像分割成多个超像素；

S12、预设图像四边上的超像素都属于背景区域，并计算每个超像素的特征；

S13、计算预设背景区域中每个超像素到其他所有超像素的平均距离，并计算所有平均距离的总平均距离，然后排除疑似目标的超像素，得到真实的初始背景区域；

S14、计算图中每一个超像素到初始背景区域的最短距离，每个所述最短距离代表每个超像素的显著度，根据每个超像素的显著度得到图像的显著图。