数字图像处理项目实例

数字图像处理工程实例11.1实例一

——冬小麦种植行提取11.2实例二

——细胞计数11.3实例三

——图像去雾11.4实例四

——熊猫运动跟踪

11.1实例一

———冬小麦种植行提取

在精准农业技术的驱动下,农机田间自动导航技术可广泛用于播种、除草、施肥、喷药、收获等农业生产过程中,以提高作业效率,降低漏作业区域面积、劳动强度及操作的复杂程度。利用机器视觉获取作物行的位置信息,对于实时感知作物生产状况具有重要的意义。本实例以采用无人机拍摄的冬小麦分蘖期可见光遥感图像为研究对象(如图11-1所示)。

图11-1冬小麦图像

冬小麦种植行提取由超绿特征图像计算、小麦种植区域

分割和种植行中心线检测三部分构成,其流程如图11-2所示。图11-2冬小麦种植行识别过程

1.超绿特征图像计算

绿色植物与土壤背景的最明显区别在于颜色。因此,通常采用超绿特征突出图像中的绿色植被,抑制土壤和阴影部分,以有利于绿色植被区域的提取。超绿特征图像定义如下:

式中:IR、IG和IB分别为小麦图像的红色、绿色和蓝色通;IExG为提取的超绿特征图像。

2.小麦种植区域分割

在小麦的超绿特征图像中,植被和土壤背景具有不同的灰度分布。图11-3(a)是对图(11-1)经过超绿特征提取后的冬小麦灰度图像,小麦种植区域具有较亮的灰度值,而土壤背景亮度值较低,图11-3(b)是对应的灰度直方图。采用Otsu最大类间方差法确定分割阈值,提取小麦种植区域,如图11-3(c)所示。接着,应用数学形态学的开运算方法,去除噪声优化小麦种植区域提取,结果如图11-3(d)所示。

图11-3基于阈值分割的小麦种植区域提取

3.种植行中心线检测

首先,确定冬小麦种植行中心点。图11-4(a)所示为提取

的作物行中心点。

其次,基于提取的作物行中心点,采用哈夫变换进行直线检测,以确定种植行中心线。图11-4(b)所示为以作物行中心点为输入,采用哈夫变换进行直线检测所获得的参数空间,图中白色点为经过筛选之后的极值位置,对应到图像空间则可得到图11-4(c)表示的种植行直线。

图11-4小麦种植行中心线检测过程

4.小结

在作物行检测中,作物种植区域的准确检测是关键步骤。当作物和土壤颜色有明显的差别,且作物种植比较规范、杂草较少时,目标和背景呈现明显的双峰分布,Otsu算法这时能提够有效地提取作物种植区域。否则,提取的作物种植区域不规范,将极大影响后续的中心线检测。其次,移动窗口的宽度设置对作物行中心点的检测有着一定的影响,适当的宽度有助于中心点的准确定位。最后,当作物生长稀疏或作物趋于封垄时,该算法难以准确地提取作物行中心点,检测效果不好。

11.2实例二———细胞计数

本实例以血液样本显微图像中细胞(如图11-5所示)的自动计数为目标,通过图像处理和分析技术,识别出血液中的细胞,并自动检测出细胞的个数及各个细胞的面积。

图11-5原始细胞图像

通过对图11-5所示的原始细胞的分析可知,要得到细胞数量及面积,首先需要对图像进行预处理,主要包括光线调节和去噪处理,以增强和平滑图像;接着需要进行阈值分割将细胞和背景分开;二值化后的图像还包含一些较大的噪声,拟用形态学方法去除这些噪声;为便于细胞计数和面积检测,还需对图像中的孔洞进行填充;最后,统计出细胞个数并计算出各个细胞的面积。其处理流程如图11-6所示。

图11-6细胞识别流程图

1.图像预处理

预处理主要完成图像的亮度调节、去除噪声等工作。

(1)亮度调节。为提高后续图像分割效果,本实例采用自动亮度法调整图像亮度,效果如图11-7所示。图11-7亮度调节

(2)去噪。采用中值滤波去除图像中的噪声,处理结果如图11-8所示。图11-8中值滤波

2.阈值分割

本例采用判别分析法(Otsu法)确定分割阈值为112,分割效果如图11-9所示。图11-9阈值分割

3.形态学处理

由图11-9可知,经阈值分割的图像中,还包含一些较大的噪声。这里采用形态学方法去除这些较大的噪声。具体做法是用3×3的结构元素对图11-9进行两次腐蚀操作,处理结果如图11-10所示。图11-10形态学处理图

4.填充孔洞

经过形态学处理之后,图像中细胞区域部分的孔洞变大。为便于统计细胞个数及计算细胞面积,对图11-10所示的细胞图像进行孔洞填充。孔洞填充的具体方法为:逐行扫描图像,当遇到像素值为255的像素时,判断其上下左右一定范围W内的像素值,若有像素值为0的像素,则被标记;如果上下左右同时被标记,则置该像素值为0。扫描完整幅图像,则处理结束。范围W的大小可视孔洞大小实验设定,本例选用W为20,填充孔洞后的效果如图11-11所示。

图11-11-填充孔洞

5.细胞计数及面积计算

图11-11中有部分细胞出现粘连,可以通过较为复杂的算法,将粘连细胞分割开来。这里,采取如下简单方法进行细胞计数和面积计算。

(1)对图11-11中的对象进行标记处理,初步计算出细胞的个数。

(2)计算不同标记区域的像素数,并用区域的像素数代表其面积。

(3)若某个标记区域像素数大于1000,则认为该标记区域为两个粘连在一起的细胞,原细胞数量增加1;若某个标记区域像素数小于70,则视为噪声,原细胞数量减1。

细胞计数和细胞面积统计结果如图11-12所示。图11-12细胞计数及面积统计

6.小结

细胞计数是生物医学图像处理中一个重要的研究内容。当拍摄的图像中细胞和细胞液颜色差别明显时,判别分析法通常能估计一个好的阈值,将二者良好分开。细胞通常存在

粘连现象,通过形态学腐蚀可去掉一些粘连程度较轻的连接细胞,但对多个粘连紧密的细胞,这种方法并不一定有效。最后,简单将区域像素数大于1000的细胞认为是两个细胞,虽简化了处理过程,但在一些情况下,容易造成计数错误。

11.3实例三———图像去雾

遥感技术广泛应用于多种农业任务之中,但由于云层及大气中混沌介质的影响,遥感图像的色彩对比度与颜色保真度均有一定程度的退化。图像去雾技术可以降低环境因素的影响,对获取高质量图像、实现图像的精准解译具有重要意义。本实例以航空机载相机拍摄的农业遥感图像(如图11-13所示)为例,通过基于暗通道先验(DarkChannelPrior,DCP)的去雾方法获取去雾后的图像,并利用对数增强方法进一步处理得到更为清晰的遥感图像。

图11-13一幅含雾的遥感图像

农业遥感图像去雾过程主要分为初始去雾、图像亮度提升两个部分,具体处理流程如图11-14所示。根据原始图像选择最佳参数(窗口大小Ω(x)、像素透射率阈值下限t0和大气光线A),利用DCP算法进行初始去雾,由于DCP算法去雾后的图像存在明显的亮度降低,还需要在此进行图像增强操作以提升去雾后图像的亮度。

图11-14遥感图像去雾流程图

1.参数选择与DCP算法处理

经过大量观测与统计,在大部分无雾图像的无天空区域,像素中至少有一个颜色通道存在极低的亮度值。为了更好地实现遥感图像去雾,需对参数窗口大小Ω(x)、透射因子t(x)的下限值t0和大气光线A进行最佳值选择。本实例优先使用Ω(x)=5、t0=0.1和A=215/255进行DCP去雾,去雾前后的图像分别如图11-15(a)、(b)所示,可见去雾后的图像比原始图像更清晰,但存在亮度失真问题,仍需进一步处理。

图11-15初始去雾结果(亮度失真)

2.对数图像增强

(1)指数增强。指数变换是一种非线性变换,不同指数参数m的增强效果差异较大,经过指数增强后的去雾图像如图11-16所示。

图11-16不同m值的增强结果

不同参数的指数增强评价结果如表11-1所示。当m=0.5时,熵和平均梯度达到最优值。

(2)对数变换增强。对数变换将窄带低灰度输入图像值映射为宽带输出值。基数越大,低灰度增强效果越好,高灰度区域压缩能力越强。不同参数值增强结果如图11-17所示。

图11-17不同(1+r)值的增强结果

不同(1+r)值的增强图像评价结果如表11-2所示。

利用上述方法,对图11-18(a)所示的原始遥感图像进行去雾处理,结果如图11-18(b)所示。图11-18原始图像与去雾图像的对比

3.小结

遥感图像去雾是精准农业的重要研究方向,DCP算法是目前广为使用的去雾方法之一,如何对去雾后的图像进行增强是后续处理的重要研究内容。

11.4实例四———熊猫运动跟踪

基于MeanShift的运动估计主要包括跟踪对象熊猫和候选区域颜色直方图的计算,跟踪对象最优位置的迭代估计,图11-19给出了跟踪算法的流程图。

图11-19目标跟踪算法流程图

1.目标跟踪区域和候选区域的表示

图11-20列出了第1帧及其跟踪对象的初始位置,要求在后续帧中,估计熊猫的位置变化。图11-20跟踪对象为熊猫

将颜色直方图规范化得到目标表示模型,计算公式为

2.目标函数的建立

将目标模型qu和目标候选模型pu(y)看作是两个一维向量,用内积表示二者的相似度公式如下:

式中:ρ(y)为qu与pu(y)二者夹角的余弦值,与目标模型具有最大相似度的候选区域作为熊猫位置的最优估计。

3.最优位置的迭代估计

4.熊猫跟踪结果

图11-21给出了4帧熊猫的跟踪结果。可以看出基于MeanShift的目标跟踪算法能够较好地搜索到目标位置。但是,因为颜色直方图像不能有效表示目标的空间分布结构,其容易受到背景的干扰出现定位不准的情