[发明专利]一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法

摘要

本发明公开了一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法，该方法首先通过二维OTSU全局阈值分割俯视群养猪图像获取初始的分割结果，在初始分割结果中再进行自适应椭圆分块，将原图像以每个猪体目标为中心自适应分为若干个椭圆形区域，最后在每个椭圆区域中充分利用小波变换的多尺度分析能力和导数特性做精确二次分割，实现从俯视群养猪图像中提取多猪目标轮廓。本发明能够有效克服固定分块的块效应和单一阈值的消极分割效应；能够抑制猪场排泄物、水渍等对前景的干扰，适用于猪只之间有所接触、光线变化等复杂场景，快速得到完整多猪轮廓。本发明为后续猪只跟踪、身份识别和行为分析等奠定了基础。

主权项

1.一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法，其特征在于，包括以下步骤：步骤1，首先对单帧俯视群养猪图像进行直方图均衡化并且设立有效区域；步骤2，接着对有效区域进行OTSU全局阈值分割和数学形态学处理获得初始分割前景目标图像；所述步骤2中，OTSU全局阈值分割具体过程为：步骤2.1，设图像f(x,y)的大小为M×N(1≤x≤M,1≤y≤N)，计算每个像素点处3×3邻域的平均灰度值获得平滑图像g(x,y)，两个图像的灰度区间都为[0,1,2,…,L]；设图像f(x,y)中灰度级i和平滑图像g(x,y)中灰度级j的像素对数目为r(i,j)，则定义二元组(i,j)在图像和其平滑图像中的联合概率为：式(1)中0≤p(i,j)≤1，通过联合概率p(i,j)可以获得图像的二维直方图，为一个(L+1)×(L+1)矩阵；步骤2.2，假设阈值向量(t,s)将直方图分为4个区域，区域1和区域2表示图像中的背景和目标，区域3和区域4表示噪声和边缘；若像素是前景和背景内部的像素，则其邻域灰度值和其本身灰度值是接近的；若像素是前景和背景边缘处的像素，则其邻域灰度值和其本身灰度值有很大的差异；步骤2.3，假设区域1和区域2存在，p1(t,s)和p2(t,s)分别为区域1和区域2的联合概率，则对应的类内均值向量为：式中总均值向量m为：式中mi为图像整体的灰度均值，mj为平滑图像整体的灰度均值；若用mi1、mj1、p1和p2分别简写mi1(t,s)、mj1(t,s)、p1(t,s)和p2(t,s)，则区域1和区域2的类间方差为：整体的类间方差为：trσ(t,s)＝trσ1(t,s)+trσ2(t,s)步骤2.4，遍历L+1个灰度级，使类间方差trσ(t,s)最大的阈值向量就是我们期望的阈值向量，即最佳阈值向量为：前景和背景间的类间方差越大，说明前景和背景的差别越大；当部分的前景错分为背景或者背景错分为前景的时候，前景和背景的类间方差会变小，说明前景和背景的差别变小；使用OTSU全局阈值分割方法能够使得前景和背景的错分概率最小；对有效区域进行数学形态学处理的步骤为：步骤2.5，使用10像素盘状元素形态学闭运算消除图像的板条状边缘；步骤2.6，因为猪体的特点，前景目标一定不是面积较小的连通区域，所以要将目标像素数目较小的连通区域去除；步骤2.7，将前景目标内部的一些非前景的空洞进行填充；步骤3，然后用外接椭圆对原图像进行自适应区域分块；步骤4，最后在各分块区域中做局部小波变换轮廓提取进行精确二次分割。