一种基于改进分水岭的名优茶嫩叶识别分割方法

摘要

本发明涉及到人工智能、机器视觉及图像处理算法领域。技术方案是：一种基于改进分水岭的名优茶嫩叶识别分割方法，包括以下步骤：第1步：从茶园采集茶叶原图，运用高斯滤波去除原图中的各种噪声以提高图像的质量，得到预处理图像；第2步：在RGB色彩空间下将预处理图拆分为R通道图像、G通道图像、B通道图像；第3步：对B通道图像的高亮区进行补偿处理；第4步：将G通道图像与处理后的B通道图像做差运算，获取G‑B分量图像；第5步：采用最小误差法来获取最佳自适应值T1和T2；第6步：对处理后的G‑B分量图像运用Otsu算法进行初次二值化；第7步：对二值图进行腐蚀形态学处理。该方法能大大提高茶叶嫩叶分割的完整度和精度。

说明书

技术领域

本发明涉及到人工智能、机器视觉及图像处理算法领域，具体是提供一种基于分水岭的名优茶嫩叶图像识别分割方法。

背景技术

随着人们生活水平的提高，高质量的名优茶的市场需求量越来越大，普通的采茶机所采摘的茶叶，难以满足高质量要求。而人工智能的不断发展，基于机器视觉的自动化采茶机也相继被研发制造，其中对于名优茶嫩叶的识别分割，成为了自动采摘机械能对茶叶进行准确采摘的关键。

目前对于茶叶嫩叶的识别分割方法众多，但主要存在以下两方面的缺陷：1、茶叶的老叶和嫩叶颜色区分度较低时，容易对老叶进行误分割；2、茶叶嫩叶在太阳强光照射下，其嫩叶表面反射阳光形成“高亮区”，造成该部分无法被准确识别分割。

发明内容

本发明的目的是克服上述背景技术中的不足，提供一种基于改进分水岭的名优茶嫩叶识别分割方法，该方法应能大大提高茶叶嫩叶分割的完整度和精度。

本发明的技术方案是：

一种基于改进分水岭的名优茶嫩叶识别分割方法，包括以下步骤：

第1步：从茶园采集茶叶原图，运用高斯滤波去除原图中的各种噪声以提高图像的质量，得到预处理图像；

第2步：在RGB色彩空间下将预处理图拆分为R通道图像、G通道图像、B通道图像；

第3步：采用最小误差法获取最佳阈值T′，采用超阈值零处理法对B通道图像的高亮区进行补偿处理；

第4步：将G通道图像与处理后的B通道图像做差运算，获取G-B分量图像，差运算公式如下：

g

式中：f

第5步：采用最小误差法来获取最佳自适应值T

第6步：对处理后的G-B分量图像运用Otsu算法进行初次二值化；

第7步：对二值图进行腐蚀形态学处理，去除细小的部分，通过形态学处理、距离变换函数获取前景区域、背景区域，计算未知区域并进行标记；最后运用传统的分水岭算法完成最后的分割。

所述第3步中，最小误差法为：

设图像像素大小为M×N，灰度级为L，n

式中，p

C

设t为C

式中：

C

构造目标函数：

J(t)＝1+2[P

式中：T′为最佳阈值。

所述第3步中，超阈值零处理法为：

获取B通道图像中的最佳阈值T′，遍历B通道图像中各个像素点src(x,y)，将灰度值大于阈值T′的像素点的灰度值置为0，小于或等于阈值的像素点保持不变：

式中：dst(x,y)为处理后图像像素，src(x,y)为待处理图像像素。

所述第5步的分段线性变换中，设图像f(x,y)灰度范围为[c,d]，并将其分为三段，分别为[c,a][a,b][b,d]，变换后图像g(x,y)灰度范围为[c′,d′]，其三分段变为[c′,a′][a′,b′][b′,d′]，则有：

本发明的有益效果是：

本发明提出了一种基于改进分水岭的名优茶嫩叶识别分割方法，克服了目前所常用的分割方法的缺点，不仅能在茶叶老叶和嫩叶颜色区分度较低的情况下将嫩叶更为完整地分割出来，也能在茶叶嫩叶表面具有反光的“高亮区”的情况下，将嫩叶完整地分割出来，大大提高了茶叶嫩叶分割的完整度和精度，为名优茶的自动采摘奠定了良好的基础。

附图说明

图1是本发明的原理图。

图2是本发明的分段线性变换示意图。

图3是本发明实施例从茶园中拍摄的茶叶照片。

图4中的A图是执行本发明的第1、2步骤操作后的R分量示意图。

图4中的B图是执行本发明的第1、2步骤操作后的G分量示意图。

图4中的C图是执行本发明的第1、2步骤操作后的B分量示意图。

图5是对图4中的B分量执行本发明的第3步骤操作后结果图。

图6是对图5中的B分量执行本发明的第4步骤操作后的结果示意图。

图7是对图6执行本发明的第5步骤操作后的结果示意图。

图8是对图7执行本发明的第6步骤操作后的结果示意图。

具体实施方式

以下结合说明书附图，对本发明作进一步说明，但本发明并不局限于以下实施例。

一种基于改进分水岭的名优茶嫩叶识别分割方法，包括以下步骤：

第1步：从茶园采集茶叶原图，对原图进行图像预处理，运用高斯滤波去除原图中的各种噪声，提高图像的质量，得到预处理图像(如图3所示)。

第2步：此时的预处理图像是在RGB色彩空间下的三维图像，将其拆分为一维图像，包括R通道图像(R分量，参见图4中的A图)、G通道图像(G分量，参见图4中的B图)、B通道图像(B分量，参见图4中的C图)，此时茶叶表面的“高亮区”主要呈现在B通道图像上；

第3步：基于自适应阈值的思想，采用最小误差法获取最佳阈值T′，采用超阈值零处理法对B通道图像的高亮区进行补偿处理(如图5所示)；

1)最小误差法为：设图像像素为M×N，灰度级为L，n

式中：p

C

设t为C

式中：

C

构造目标函数：

J(t)＝1+2[P

式中：T′为最佳阈值，T′＝170；

2)超阈值零处理法为：

运用上述最小误差法，获取B通道图像中的最佳阈值T′，遍历B通道图像中各个像素点src(x,y)，将灰度值大于阈值T′的像素点的灰度值置为0,小于或等于阈值的像素点保持不变：

式中：dst(x,y)为处理后图像像素，src(x,y)为待处理图像像素；

第4步：运用原来拆分出来的G分量图像和上述处理过后的B分量图像做差运算，获取一维的G-B分量图像(如图6所示)，差运算公式如下：

g

式中：f

第5步：采用最小误差法来获取最佳自适应值T

运用分段线性变换处理G-B分量图像，以增强图中老叶和嫩叶的区分度：采用分段线性变换抑制背景像素，拉伸嫩叶像素，增大老、嫩叶像素在灰度轴上的距离，设图像f(x,y)灰度范围为[c,d]，并将其分为三段，分别为[c,a][a,b][b,d]，变换后图像g(x,y)灰度范围为[c′,d′]，其三分段变为[c′,a′][a′,b′][b′,d′](参见图2)，

则有：

增强后的G-B分量图像中，嫩叶和老叶的区分度和分辨率都明显提高，边缘轮廓也更清晰，图像中的老叶及背景的灰度值全部压缩至[0,30]，嫩叶灰度值全部拉伸至[228,254]；

第6步：对处理后的G-B分量图像，运用Otsu算法进行初次二值化，通过上述步骤后，能减少老叶的误分割，增强嫩叶“高亮区”的分割完整度(如图7所示)；

Otsu算法会遍历G-B分量图像，自动给出一个最佳的类间分割阈值T，然后再次遍历所有的像素点，并将每个像素值与该分割阈值对比，将小于等于该阈值的像素点值设置为0(图片里显示为黑色)；将大于该阈值的像素点值设置为1(图片里显示为白色)。整个图片遍历完后则结束算法。

第7步：对二值图进行腐蚀形态学处理，去除细小的部分，通过距离变换函数获取前景区域、背景区域，计算未知区域并进行标记，最后运用传统的分水岭算法完成最后的分割(如图8所示)。

(1)首先对于第6步获得的二值图进行腐蚀形态学处理，设置一个3×3的卷积核遍历完该整个二值图，如果卷积核完全处于二值图中的白色区域内，就将卷积核中心点所对应的图像中的像素点处理为白色(即将像素点的像素值设为1)；如果卷积核未完全处于白色区域中(可能部分在，也可能完全不在)，就将卷积核中心点对应的图像中的像索点处理为黑色(即将像素点的像素值设为0)。至此，完成腐蚀形态学处理,记此时的图像为A。

(2)然后，运用距离变换函数cv2.distanceTransform()自动计算图A内所有白点(像素值为1的像素点)与其距离最近的黑点(像素值为0的像素点)的距离。并将其结果进行二值化(通常设置一个判断该距离的固定距离，自动计算出来的距离大于等于该固定距离的白点，像素值设置为1，反之设为0)。至此，距离变换函数完成前景区域的获取，记此时的图像为B。

(3)将2中的B，进行膨胀放大操作,记此时的图为C，再运用A-C,作差运算，得到背景区域，记为D

(4)将上述各图作以下差运算，即可得到未知区域，记为E:

E＝C-B

(5)运用cv2.connectedComponents()函数对上述B、D、E区域进行标记，将B标记为2,D标记为1,E标记为0。

(6)最后运用分水岭函数cv2.watershed()，自动完成最后的图像分割。

以上(1)—(6)步骤中所涉A、B、C、D、E等字母的含义与其他处无关。

本发明中的最小误差法、分段线性变换、超阈值零处理法、Otsu算法、分水岭算法，均为现有图像处理方法。