[发明专利]一种基于视频监测的作物叶部异常图像提取方法

摘要

本发明公开了一种基于视频监测的作物叶部异常图像提取方法，其特征是包括1、采集作物生长视频，对作物生长视频分帧处理；2、通过自定义的相似度聚类方法提取作物生长关键帧图像；3、通过自定义的图像二值化方法提取作物生长关键帧图像显著性区域的二值图像；4、通过改进的去除图片复杂背景的方法，提取去除复杂背景的包含作物叶部异常区域的RGB图像。本发明能从大量作物生长帧图像中快速提取出冗余较少的关键帧图像、精确提取出作物叶部异常图像，从而为后续病虫害的自动识别、防治提供科学有效的依据。

主权项

1.一种基于视频监测的作物叶部异常图像提取方法，其特征是按如下步骤进行：步骤1：采集视频监测的作物生长视频记为crop，对所述作物生长视频crop进行分帧处理，得到作物生长图像集，记为A＝{A₁,…,A_i,…,A_n}；A_i表示所述作物生长图像集A中第i帧作物生长图像，n为所述作物生长图像集的总帧数；1≤i≤n；步骤2：通过自定义的相似度聚类的方法，从所述作物生长图像集A中提取作物生长关键帧图像集，记为C＝{C₁,…,C_j,…,C_m}；C_j表示所述作物生长关键帧图像集C中第j帧关键帧图像，m为所述作物生长关键帧图像集的总帧数；1≤j≤m≤n；步骤2.1：通过直方图相似度的方法从所述作物生长图像集A中筛选出初步关键帧图像集，记为C′＝{C′₁,…,C′_w,…,C′_W}；C′_w表示第w帧初步关键帧图像；W为所述初步关键帧图像集的总帧数；1≤w≤W≤m；步骤2.1.1：将所述作物生长图像集A转化为灰度图像后计算颜色直方图，得到颜色直方图集记为H＝{H₁,…,H_i,…,H_n}；H_i表示第i帧颜色直方图；并记第i帧颜色直方图H_i中任意一个像素点为H_i(x)；0≤x≤a×b；a表示第i帧作物生长图像A_i的宽度，b表示第i帧作物生长图像A_i的高度；a×b第i帧作物生长图像A_i的像素值；步骤2.1.2：通过式(1)计算所述作物生长图像集A中第i帧颜色直方图和第i+1帧颜色直方图的相似度sim_i，从而获得所有相邻帧颜色直方图的相似度sim＝{sim₁,…,sim_i,…sim_n‑1}；步骤2.1.3：利用式(2)计算作物图像集A中相邻帧颜色直方图的相似度阈值T：步骤2.1.4：判断sim_i＞T是否成立，若成立，则选取第i+1帧作物生长图像A_i+1作为初步关键帧图像集C′中的元素，并舍弃第i帧作物生长图像A_i；若不成立，则将所述第i帧作物生长图像A_i和第i+1帧作物生长图像A_i+1均作为初步关键帧图像集C′中的元素；步骤2.1.5：重复步骤2.1.4，从而获得初步关键帧图像集C′；步骤2.2：通过自定义的互相关系数聚类的方法，从所述初步关键帧图像集C′提取作物生长关键帧图像集C；步骤2.2.1：计算第w帧初步关键帧图像C′_w和第w+1帧初步关键帧图像C′_w+1的互相关系数r_w；从而获得所述初步关键帧图像集C′的互相关系数集r＝{r₁,…,r_w,…,r_W‑1}；步骤2.2.2：使用meanShift数据聚类算法对互相关系数集r进行聚类，得到Q个聚类数据簇，记为r′＝{r′₁,…,r′_q,…,r′_Q}；r′_q为所述聚类数据簇的第q个簇，1≤q≤Q≤W；并将所述第q个簇r′_q的质心记为λ_q；步骤2.2.3：从所述Q个聚类数据簇的质心中选取最大质心所对应的簇，记为r′_max；从而获得所述最大质心所对应的簇r′_max中所有互相关系数所对应的初步关键帧图像的序号集β；步骤2.2.4：将其余簇中的初步关键帧图像直接存入作物生长关键帧图像集中；再判断所述序号集β中的元素是否为相邻序号，如是相邻序号，则保留较大的序号，删除较小的序号，否则，均保留；从而获得m个序号；由所述m个序号得到相应的m帧关键帧图像，进而构成作物生长关键帧图像集C；步骤3：通过自定义的图像二值化的方法，从所述作物生长关键帧图像集C中提取显著性区域的二值图像序列S＝{S₁,…,S_j,…,S_m}；S_j表示所述二值图像序列S中第j帧关键帧图像B_j的二值图像；步骤3.1：使用形态学方法对所述作物生长关键帧图像集C进行处理，得到形态学二值图像集，记为S′＝{S′₁,…,S′_j,…,S′_m}，S′_j表示第j帧形态学二值图像；步骤3.1.1：将所述作物生长关键帧图像集C转化为灰度图像集后，再通过二值化方法获取二值化图像集；步骤3.1.2：选取开运算的圆盘半径P1，从而生成半径为P1的圆盘形结构，并对所述二值化图像集进行形态学开运算，得到形态学开运算图像集；步骤3.1.3：通过形态学填充方法填充所述形态学开运算图像集的非连通区域后，再使用形态学移除小对象的方法移除面积小于面积阈值P2的区域，从而得到形态学二值图像集S′；步骤3.2：采用K均值聚类方法对所述作物生长关键帧图像集C进行处理，获得K均值二值图像集S″＝{S″₁,…,S″_j,…,S″_m}；S″_j表示第j帧K均值二值图像；步骤3.2.1：采用K‑means图像聚类方法对所述作物关键帧图像集C进行聚类处理后，再进行图像反运算处理，得到聚类二值化图像集；步骤3.2.2：选取开运算的圆盘半径P3，并生成半径为P3的圆盘形结构，从而对所述聚类二值化图像集进行形态学开运算，得到聚类开运算图像集；步骤3.2.3：使用形态学移除小对象的方法移除所述聚类开运算图像集中面积小于面积阈值P4的区域，从而得到K均值二值图像集S″；步骤3.3：将所述形态学二值图像集S′和K均值二值图像集S″中相对应帧序号的图像进行逻辑“或”运算，从而得到显著性区域的二值图像序列S；步骤4：通过改进的去除图片复杂背景的方法，从所述作物生长关键帧图像集C中提取去除复杂背景的包含叶部异常区域的RGB图像集，记为Y＝{Y₁(R₁,G₁,B₁),…,Y_j(R_j,G_j,B_j),…,Y_m(R_m,G_m,B_m)}；Y_j(R_j,G_j,B_j)表示RGB图像集Y中第j帧RGB图像；R_j表示第j帧RGB图像的红色分量；G_j表示第j帧RGB图像的绿色分量；B_j表示第j帧RGB图像蓝色分量；以所述RGB图像集中的RGB图像作为包含叶部异常区域的异常图像。