一種基于自適應(yīng)橢圓分塊和小波變換的多豬輪廓提取方法
【專利摘要】本發(fā)明公開了一種基于自適應(yīng)橢圓分塊和小波變換的多豬輪廓提取方法，該方法首先通過二維OTSU全局閾值分割俯視群養(yǎng)豬圖像獲取初始的分割結(jié)果，在初始分割結(jié)果中再進(jìn)行自適應(yīng)橢圓分塊，將原圖像以每個(gè)豬體目標(biāo)為中心自適應(yīng)分為若干個(gè)橢圓形區(qū)域，最后在每個(gè)橢圓區(qū)域中充分利用小波變換的多尺度分析能力和導(dǎo)數(shù)特性做精確二次分割，實(shí)現(xiàn)從俯視群養(yǎng)豬圖像中提取多豬目標(biāo)輪廓。本發(fā)明能夠有效克服固定分塊的塊效應(yīng)和單一閾值的消極分割效應(yīng)；能夠抑制豬場(chǎng)排泄物、水漬等對(duì)前景的干擾，適用于豬只之間有所接觸、光線變化等復(fù)雜場(chǎng)景，快速得到完整多豬輪廓。本發(fā)明為后續(xù)豬只跟蹤、身份識(shí)別和行為分析等奠定了基礎(chǔ)。
【專利說明】
一種基于自適應(yīng)橢圓分塊和小波變換的多豬輪廓提取方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及機(jī)器視覺技術(shù)領(lǐng)域，具體涉及一種基于自適應(yīng)橢圓分塊和小波變換的 多豬輪廓提取方法。
【背景技術(shù)】
[0002] 我國(guó)是豬肉消費(fèi)大國(guó)，利用機(jī)器視覺技術(shù)實(shí)現(xiàn)俯視群多豬視頻序列中豬體前景目 標(biāo)的提取、跟蹤、行為分析等具有重要的理論價(jià)值和巨大的應(yīng)用前景。其中，豬體的輪廓提 取至關(guān)重要。傳統(tǒng)的方法大多是先背景減除再二值化(參見:劉波，朱偉興，楊建軍，等.基于 深度圖像和生豬骨架端點(diǎn)分析的生豬步頻特征提取[J].農(nóng)業(yè)工程學(xué)報(bào)，2014,30(10):131_ 137.；Kashiha M，Bahr C，Haredasht S A?etc.The automatic monitoring of pigs water use by cameras[J].Computers and Electronics in Agriculture，2013:164-169.)，但是，這類文獻(xiàn)的重點(diǎn)并不是豬個(gè)體的前景檢測(cè)，在規(guī)?；B(yǎng)殖場(chǎng)俯視群養(yǎng)豬圖像 中，由于場(chǎng)景復(fù)雜，所述方法的前景檢測(cè)效果并不理想;特別在無(wú)法提前獲取不包含前景目 標(biāo)的背景圖像的時(shí)候，研究在俯視群養(yǎng)豬圖像中有效提取前景目標(biāo)仍然是一項(xiàng)具有挑戰(zhàn)性 的工作。(參見：Yizheng Guo，Weixing Zhu，Pengpeng Jiao，et al .Foreground detection of group-housed pigs based on the combination of Mixture of Gaussians using prediction mechanism and threshold segmentation!!J] .Biosystems engineering， 2014，125(9):98-104?;Mohammad Amin Kashiha,Claudia Bahr,etc.Automatic monitoring of pig locomotion using image analysis[J].LivestockSciencel59 (2014)141-148.)。本發(fā)明通過采用全局閾值、橢圓分塊和局部小波變換，解決了在復(fù)雜背 景、缺少足夠的先驗(yàn)條件下，對(duì)俯視群養(yǎng)豬視頻序列中的豬個(gè)體輪廓進(jìn)行有效提取的問題。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是:針對(duì)俯視群養(yǎng)豬圖像，在無(wú)法提前獲取無(wú)前景的背景圖像，地面 有尿漬和糞塊等干擾物，豬只之間有所接觸、光線變化等復(fù)雜場(chǎng)景下，實(shí)現(xiàn)從單幀俯視群養(yǎng) 豬圖像中提取多豬目標(biāo)輪廓。本方法利用自適應(yīng)橢圓分塊和局部小波變換，解決了固定分 塊的塊效應(yīng)和單一閾值容易產(chǎn)生過分割和欠分割的問題。
[0004] 本發(fā)明的技術(shù)方案是:該方法首先通過二維0TSU全局閾值分割俯視群養(yǎng)豬圖像獲 取初始的分割結(jié)果，在初始分割結(jié)果中再進(jìn)行自適應(yīng)橢圓分塊，將原圖像以每個(gè)豬體目標(biāo) 為中心自適應(yīng)分為若干個(gè)橢圓形區(qū)域，最后在每個(gè)橢圓區(qū)域中充分利用小波變換的多尺度 分析能力和導(dǎo)數(shù)特性做精確二次分割，實(shí)現(xiàn)從俯視群養(yǎng)豬圖像中提取多豬目標(biāo)輪廓。從分 割的結(jié)果看，本文方法非常有效。
[0005] 本發(fā)明的有益效果是：
[0006] 1)無(wú)需預(yù)設(shè)背景幀；能夠有效克服固定分塊的塊效應(yīng)和單一閾值的消極分割效 應(yīng);能夠抑制豬場(chǎng)排泄物、水漬等對(duì)前景的干擾，適用于豬只之間有所接觸、光線變化等復(fù) 雜場(chǎng)景，快速得到完整多豬輪廓。本發(fā)明為后續(xù)豬只跟蹤、身份識(shí)別和行為分析等奠定了基 礎(chǔ)，同時(shí)也為其它圖像前景目標(biāo)提取提供了新思路。
[0007] 2)0TSU全局閾值分割和數(shù)學(xué)形態(tài)學(xué)處理后的結(jié)果可以發(fā)現(xiàn)1號(hào)豬的頭部和尾部、4 號(hào)豬的左側(cè)和7號(hào)豬的頭部因?yàn)楣饩€較暗、前景和背景灰度較接近等等原因，分割缺失嚴(yán) 重，其他的豬也有些的細(xì)節(jié)分割不夠清晰。因?yàn)槭菃我婚撝档姆指?，?duì)于豬舍這樣因環(huán)境復(fù) 雜多變而導(dǎo)致灰度分布復(fù)雜的圖像，某一處的過分割必然導(dǎo)致別處的欠分割，所以需要第 二次的精確分割。
[0008] 3)以橢圓中心位置(Xc，yc)，a、b分別為長(zhǎng)軸、短軸，0為長(zhǎng)軸轉(zhuǎn)角所形成的橢圓可作 為前景目標(biāo)的外接橢圓，這樣圖像就被以每個(gè)豬體目標(biāo)為中心自適應(yīng)分成七個(gè)橢圓區(qū)域子 塊。與固定獎(jiǎng)圖像分為四個(gè)或者八個(gè)區(qū)域子塊相比，以豬體目標(biāo)為中心進(jìn)行橢圓分塊更適 合豬體的形狀特征，分塊的區(qū)域面積也較小，為下面的子塊區(qū)域內(nèi)的小波邊緣檢測(cè)算法降 低了復(fù)雜度。
[0009] 4)在橢圓區(qū)域子塊中使用小波邊緣檢測(cè)算法檢測(cè)圖像邊緣，結(jié)合小波變換的多尺 度分析，大尺度時(shí)，圖像邊緣穩(wěn)定、抗噪性強(qiáng);小尺度時(shí)，圖像細(xì)節(jié)信息豐富，邊緣定位精度 高。與閾值分割相比，當(dāng)圖像背景復(fù)雜、噪聲較多、前景和背景像素灰度值較接近時(shí)，閾值分 割容易產(chǎn)生過分割和欠分割情況，而小波邊緣檢測(cè)算法能有效的提取出完整前景目標(biāo)。
【附圖說明】
[0010] 下面結(jié)合附圖和【具體實(shí)施方式】對(duì)本發(fā)明作進(jìn)一步詳細(xì)說明。
[0011] 圖1是本發(fā)明多豬輪廓提取流程圖。
[0012] 圖2是俯視群養(yǎng)豬的單幀示意圖。
[0013] 圖3是設(shè)定有效區(qū)域示意圖。
[0014] 圖4是二維直方圖。
[0015]圖5是0TSU全局閾值分割示意圖。
[0016]圖6是橢圓中樣本點(diǎn)和正交鄰近點(diǎn)示意圖。
[0017]圖7是外接橢圓分塊示意圖。
[0018]圖8是局部小波變換分割示意圖。
【具體實(shí)施方式】
[0019] 圖1是多豬輪廓提取流程圖，下面結(jié)合該圖進(jìn)一步說明各部分的具體實(shí)施方法。
[0020] 1.視頻采集及獲取俯視群養(yǎng)豬視頻圖像
[0021] 在豬舍上空安裝視頻圖像采集系統(tǒng)對(duì)群養(yǎng)豬進(jìn)行視頻監(jiān)測(cè)，拍攝了不同生長(zhǎng)期、7 頭左右、足夠數(shù)量的豬舍視頻，攝像機(jī)距離地面垂直高度約為3m，位于豬舍(長(zhǎng)*寬=3.5m* 3m)正上方位置。俯視群養(yǎng)豬的單幀圖像如圖2所示。
[0022] 2.直方圖均衡化和設(shè)定有效區(qū)域
[0023]由于養(yǎng)豬場(chǎng)的實(shí)際條件，采集到的圖像往往光照不足，對(duì)應(yīng)到直方圖上就是圖像 的灰度范圍較小且灰度值均在低灰度一側(cè)。直方圖均衡化可使得圖像灰度級(jí)更加豐富、灰 度范圍變大且更加均勻。因?yàn)樨i的活動(dòng)范圍是有限的，墻壁和豬的食槽都不屬于豬只的活 動(dòng)范圍，所以除去墻體、豬的食槽的地方設(shè)定為有效區(qū)域。如圖3所示，大長(zhǎng)方形框以內(nèi)小長(zhǎng) 方形框以外的像素區(qū)域即為有效區(qū)域。
[0024] 3.二維0TSU閾值分割和數(shù)學(xué)形態(tài)學(xué)處理
[0025]二維0TSU以前景和背景的類間方差最大為閾值選取準(zhǔn)則將圖像分成兩類。設(shè)圖像 f(x，y)的大小為MXN(l<X<M，l<y<N)，計(jì)算每個(gè)像素點(diǎn)處3X3鄰域的平均灰度值獲得 平滑圖像g(x，y)，兩個(gè)圖像的灰度區(qū)間都為[0，1，2,…，L]。設(shè)圖像f(x，y)中灰度級(jí)i和平滑 圖像g(x，y)中灰度級(jí)j的像素對(duì)數(shù)目為r(i，j)，則定義二元組(i，j)在圖像和其平滑圖像中 的聯(lián)合概率為：
I, / tr ( 0, i, 2n * * ?, A ) ! i ) L L
[0027] 式(1)中0彡口(1，」）彡1，2]1>(;，./) = 1。通過聯(lián)合概率口(1，」)可以獲得圖像的二維 / 二/ 二 f) 直方圖，如圖4所示，是一個(gè)(L+1)X(L+1)矩陣。假設(shè)閾值向量(t，s)將直方圖分為4個(gè)區(qū)域， 區(qū)域1和區(qū)域2表示圖像中的背景和目標(biāo)，區(qū)域3和區(qū)域4表示噪聲和邊緣;若像素是前景和 背景內(nèi)部的像素，則其鄰域灰度值和其本身灰度值是接近的；若像素是前景和背景邊緣處 的像素，則其鄰域灰度值和其本身灰度值有很大的差異。因?yàn)閳D像中邊緣點(diǎn)和噪聲點(diǎn)往往 占少數(shù)，所以假設(shè)區(qū)域3和區(qū)域4的聯(lián)合概率接近于0，即：
[0028] p3Q，j)=p4(i，j)~〇 (2)
[0029] 式⑵中祕(mì)加 t !>(，，./)，協(xié)/)-
[0030] 假設(shè)圖4中的2類區(qū)域1和區(qū)域2存在，口1(丨，8)和口2(丨， 8)分別為區(qū)域1和區(qū)域2的聯(lián) 合概率，則對(duì)應(yīng)的類內(nèi)均值向量為：
(3) ⑷ _3]式(3)中 = 力，％= .，小 之， /-u y-u /-U y-u {-0 式⑷中朽仏*)=i； 乃，叫2(m)=念1
[0034]總均值向量m為：
(5)
[0036]式(5)中mi為圖像整體的灰度均值，mj為平滑圖像整體的灰度均值。若用mu、mji、pi 和P2分別簡(jiǎn)寫姐1(1：，8)、1]1」1(1：，8)41(1：，8)和口1(1：，8)，則區(qū)域1和區(qū)域2的類間方差為： (6) (7)
[0039]整體的類間方差為：
[0040] tr〇(t,s) =tr〇i(t,s)+tr〇2(t,s) (8)
[0041] 遍歷L+1個(gè)灰度級(jí)，使類間方差tr〇(t，s)最大的閾值向量就是我們期望的閾值向 量，即最佳閾值向量為：
[0042] (V,5 ) = Arg s^ax max <?)} (9)
[0043]前景和背景間的類間方差越大，說明前景和背景的差別越大。當(dāng)部分的前景錯(cuò)分 為背景或者背景錯(cuò)分為前景的時(shí)候，前景和背景的類間方差會(huì)變小，說明前景和背景的差 別變小。使用0TSU全局閾值分割方法能夠使得前景和背景的錯(cuò)分概率最小。
[0044] 接下來(lái)是對(duì)"有效區(qū)域"進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理獲得僅含有豬只輪廓的圖像。形態(tài)學(xué) 處理的步驟有：（1)使用80像素盤狀元素形態(tài)學(xué)閉運(yùn)算消除圖像的板條狀邊緣；（2)因?yàn)樨i 體的特點(diǎn)，前景目標(biāo)一定不是面積較小的連通區(qū)域，所以要將目標(biāo)像素?cái)?shù)目較小的連通區(qū) 域去除；（3)將前景目標(biāo)內(nèi)部的一些非前景的"空洞"進(jìn)行填充。0TSU全局閾值分割和數(shù)學(xué)形 態(tài)學(xué)處理后的結(jié)果如圖5所示，可以發(fā)現(xiàn)1號(hào)豬的頭部和尾部、4號(hào)豬的左側(cè)和7號(hào)豬的頭部 因?yàn)楣饩€較暗、前景和背景灰度較接近等等原因，分割缺失嚴(yán)重，其他的豬也有些的細(xì)節(jié)分 割不夠清晰。因?yàn)槭菃我婚撝档姆指睿瑢?duì)于豬舍這樣因環(huán)境復(fù)雜多變而導(dǎo)致灰度分布復(fù)雜 的圖像，某一處的過分割必然導(dǎo)致別處的欠分割，所以需要第二次的精確分割。
[0045] 4.自適應(yīng)橢圓分塊
[0046] 常用的橢圓擬合方法有3種，一種是基于不變矩的橢圓擬合方法，另兩種是基于 HOUGH變換的橢圓擬合方法和基于最小二乘的橢圓擬合方法?；谧钚《说臋E圓擬合方 法能應(yīng)用于各種復(fù)雜的對(duì)象模型，并能得到很好的擬合精度和直觀的給出擬合誤差。本發(fā) 明使用的是基于最小二乘的橢圓擬合方法。第一步使用基于代數(shù)距離的最小二乘法計(jì)算出 初始的橢圓參數(shù)值，第二步再用基于幾何距離的最小二乘法迭代求解出改進(jìn)的橢圓參數(shù) 值。設(shè)橢圓的二次曲線方程的代數(shù)形式如式(10):
[0047] ax2+bxy+cy2+dx+ey+f = 0 (10)
[0048] 記x=[a b c d e W A乃If 為邊緣點(diǎn)像素的數(shù)目。以 粗分割結(jié)果中的邊緣點(diǎn)坐標(biāo)(Xl，yi)為樣本點(diǎn)，則基于代數(shù)距離的最小二乘橢圓擬合方法可 表示式(11):
[0049] X4 =argnii)i；V ￡(x"p. }-^ (} I j
[0050] 式（11)使用線性最小二乘方法可以直接求解，注意為了避免方程出現(xiàn)零解，可以 設(shè)置約束條件a+c = l。上述基于代數(shù)距離的最小二乘橢圓擬合方法計(jì)算方便快速，但是以 代數(shù)距離測(cè)量誤差會(huì)隨坐標(biāo)的變化而變化，因此求得解可作為接下來(lái)基于幾何距離擬合方 法優(yōu)化估計(jì)的初始值。
[00511 橢圓可由5個(gè)參數(shù)表示，如圖6所示，即橢圓中心位置(Xc，yc)，長(zhǎng)軸a和短軸b，長(zhǎng)軸 的轉(zhuǎn)角9(-V2<0<V2)。記橢圓參數(shù)為:a=(a b yc 0)。設(shè)點(diǎn)iTUiJi)為橢圓上點(diǎn)R (XnYO的正交鄰近點(diǎn)，則基于幾何距離的最小二乘橢圓擬合方法如式（12):
[0052] G=(X-X7 )TVTV(X-X/ ) (12)
[0053] 式（12)中X表示n個(gè)樣本點(diǎn)的坐標(biāo)列向量，X'表示初始橢圓上相應(yīng)正交鄰近點(diǎn)的坐 標(biāo)列向量;V表示對(duì)稱正定加權(quán)矩陣。由式(12)得基于樣本點(diǎn)的參數(shù)擬合為：
U3；
[0055] Vj|kAa = V(X-X/ ) |k (14)
[0056] 式中：
。最后由式（14)迭代可求解a。
[0057] 求得向量a后，即求出參數(shù)a、b、Xc、y。和0后，將長(zhǎng)軸、短軸擴(kuò)大1.5倍仍然賦值給a、 b，橢圓中心位置( Xc；，y。)和轉(zhuǎn)角0保持不變，對(duì)原圖像進(jìn)行自適應(yīng)橢圓分塊如圖7所示。這樣 以橢圓中心位置(lyc^aA分別為長(zhǎng)軸、短軸，0為長(zhǎng)軸轉(zhuǎn)角所形成的橢圓可作為前景目標(biāo) 的外接橢圓，圖像就可以被自適應(yīng)的分成多個(gè)橢圓形區(qū)域子塊。
[0058] 5.橢圓區(qū)域內(nèi)小波變換分割獲取前景目標(biāo)輪廓
[0059] 圖像的邊緣點(diǎn)是一些灰度劇烈變化的像素點(diǎn)，并且邊緣點(diǎn)對(duì)應(yīng)于一階導(dǎo)數(shù)的局部 極大值點(diǎn)和二階導(dǎo)數(shù)的零交叉點(diǎn)。平滑圖像的梯度向量的模正比于小波變換的模，并且水 平向量和梯度向量之間的夾角是小波變換的相角。局部模極大值點(diǎn)是大于相角方向上相鄰 兩點(diǎn)模值的點(diǎn)，圖像的邊緣點(diǎn)就是對(duì)應(yīng)于梯度向量模的局部極大值點(diǎn)。
[0060]假設(shè)a(x，y)是二維平滑函數(shù)，且J7a(x，y)dxdy辛0,它在x，y方向上的偏導(dǎo)數(shù)為基 本小波：
(16)
[0063]式中檢測(cè)圖像的y方向邊緣;沉檢測(cè)圖像的x方向邊緣。假設(shè)圖像 函數(shù)為f(x，y)，其小波變換為：
(17)
[0065] 式（17)中Q(x)和Q(y)表示圖像f(x，y)被平滑函數(shù)a(x，y)平滑后，圖像沿x，y方向的 灰度變換梯度。整幅圖像的模值和相角為：
[0066] 模值 1 )
[0067] 相角 （丨9)
[0068] 平滑函數(shù)平滑后的圖像中具有灰度變化的點(diǎn)構(gòu)成了集合(為 圖像中的突變點(diǎn)對(duì)應(yīng)/(H)在4?方向的極大值點(diǎn)，而圖像的突變處是圖像的邊緣，所以 使用該特點(diǎn)可以檢測(cè)圖像邊緣。
[0069] 小波變換具有良好的多尺度分析能力，結(jié)合大尺度時(shí)的抗噪性、邊緣穩(wěn)定和小尺 度時(shí)的邊緣定位精度高、細(xì)節(jié)信息豐富的特性可以有效的分割出前景目標(biāo)邊緣，使用多尺 度小波變換檢測(cè)圖像邊緣的具體步驟如下：（1)進(jìn)行預(yù)處理，去噪以及使用高斯濾波器過濾 圖像；（2)進(jìn)行小波變換，得到模族M(x，y)和相族A(x，y)，沿著相角梯度鄰接位置的八個(gè)方 向求得局部極大值點(diǎn)；（3)從最大的尺度i開始將模值相近、相角相似的非零像素點(diǎn)連接獲 得圖像fd^y); (4)在(i-1)尺度下的4*4鄰域內(nèi)出現(xiàn)的可能邊緣點(diǎn)標(biāo)記為候選邊緣點(diǎn)補(bǔ)充 至中獲得fVKxd)，尺度(i_l)再減1直到i = l得到邊緣圖像。數(shù)學(xué)形態(tài)學(xué)處理后的 分割結(jié)果如圖8所示，和圖5的粗分割結(jié)果比較，每個(gè)目標(biāo)都能夠完整的分割出來(lái)，特別是粗 分割中分割不完整的1號(hào)豬的頭部和尾部、4號(hào)豬的左側(cè)部分和7號(hào)豬的頭部和尾部，都能完 整分割出來(lái)。實(shí)驗(yàn)結(jié)果顯示，本發(fā)明中的算法可以從復(fù)雜背景下提取完整的俯視群養(yǎng)多豬 輪廓，具有良好的魯棒性，是一種有效的提取多豬輪廓的方法。
[0070]在本說明書的描述中，參考術(shù)語(yǔ)"一個(gè)實(shí)施例"、"一些實(shí)施例"、"示意性實(shí)施例"、 "示例"、"具體示例"、或"一些示例"等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié) 構(gòu)、材料或者特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說明書中，對(duì)上述術(shù)語(yǔ)的 示意性表述不一定指的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特 點(diǎn)可以在任何的一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。
[0071]盡管已經(jīng)示出和描述了本發(fā)明的實(shí)施例，本領(lǐng)域的普通技術(shù)人員可以理解:在不 脫離本發(fā)明的原理和宗旨的情況下可以對(duì)這些實(shí)施例進(jìn)行多種變化、修改、替換和變型，本 發(fā)明的范圍由權(quán)利要求及其等同物限定。
【主權(quán)項(xiàng)】
1. 一種基于自適應(yīng)楠圓分塊和小波變換的多豬輪廓提取方法，其特征在于，包括W下 步驟:步驟1，首先對(duì)單帖俯視群養(yǎng)豬圖像進(jìn)行直方圖均衡化并且設(shè)立有效區(qū)域;步驟2,接 著對(duì)有效區(qū)域進(jìn)行OTSU全局闊值分割和數(shù)學(xué)形態(tài)學(xué)處理獲得初始分割前景目標(biāo)圖像;步驟 3,然后用外接楠圓對(duì)原圖像進(jìn)行自適應(yīng)區(qū)域分塊;步驟4,最后在各分塊區(qū)域中做局部小波 變換輪廓提取進(jìn)行精確二次分割。2. 根據(jù)權(quán)利要求1所述的一種基于自適應(yīng)楠圓分塊和小波變換的多豬輪廓提取方法， 其特征在于，所述步驟1中，先對(duì)單帖俯視群養(yǎng)豬圖像進(jìn)行直方圖均衡化并且設(shè)立有效區(qū) 域，有效區(qū)域是指豬的活動(dòng)范圍，墻壁和豬的食槽都不屬于豬只的活動(dòng)范圍，除去墻壁和豬 的食槽的地方設(shè)定為有效區(qū)域。3. 根據(jù)權(quán)利要求1所述的一種基于自適應(yīng)楠圓分塊和小波變換的多豬輪廓提取方法， 其特征在于，所述步驟2中， OTSU全局闊值分割具體過程為： 步驟2.1，設(shè)圖像f(x，y)的大小為MXNa《x《M，l《y《N)，計(jì)算每個(gè)像素點(diǎn)處3X3鄰 域的平均灰度值獲得平滑圖像g(x，y)，兩個(gè)圖像的灰度區(qū)間都為[0，1，2,…，L];設(shè)圖像f (x，y)中灰度級(jí)i和平滑圖像g(x，y)中灰度級(jí)j的像素對(duì)數(shù)目為r(i，j)，則定義二元組(i，j) 在圖像和其平滑圖像中的聯(lián)合概率為：式(1)中0《p(i，j)《l:通過聯(lián)合概率p(i，j)可W獲得圖像的二維直方 圖，為一個(gè)(L+1)X(L+1)矩陣； 步驟2.2,假設(shè)闊值向量(t，s)將直方圖分為4個(gè)區(qū)域，區(qū)域1和區(qū)域2表示圖像中的背景 和目標(biāo)，區(qū)域3和區(qū)域4表示噪聲和邊緣;若像素是前景和背景內(nèi)部的像素，則其鄰域灰度值 和其本身灰度值是接近的；若像素是前景和背景邊緣處的像素，則其鄰域灰度值和其本身 灰度值有很大的差異； 步驟2.3，假設(shè)區(qū)域1和區(qū)域2存在，91(*，3巧化2(*，3)分別為區(qū)域1和區(qū)域2的聯(lián)合概率， 則對(duì)應(yīng)的類內(nèi)均值向量為： 總均值向量m為：式中mi為圖像整體自 ？用化1、11^1、91和92分別簡(jiǎn)寫 mii(t，s)、mji(t，s). r 差為： 整體的類間方差為： tr〇(t，S) = tr〇i(t，S)+tr〇2 (t，S) 步驟2.4,遍歷L+1個(gè)灰度級(jí)，使類間方差化〇(t，s)最大的闊值向量就是我們期望的闊 值向量，即最佳闊值向量為：前景和背景間的類間方差越大，說明前景和背景的差別越大；當(dāng)部分的前景錯(cuò)分為背 景或者背景錯(cuò)分為前景的時(shí)候，前景和背景的類間方差會(huì)變小，說明前景和背景的差別變 小;使用OTSU全局闊值分割方法能夠使得前景和背景的錯(cuò)分概率最?。? 對(duì)有效區(qū)域進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理的步驟為： 步驟2.5,使用10像素盤狀元素形態(tài)學(xué)閉運(yùn)算消除圖像的板條狀邊緣； 步驟2.6,因?yàn)樨i體的特點(diǎn)，前景目標(biāo)一定不是面積較小的連通區(qū)域，所W要將目標(biāo)像 素?cái)?shù)目較小的連通區(qū)域去除； 步驟2.7，將前景目標(biāo)內(nèi)部的一些非前景的空桐進(jìn)行填充。4. 根據(jù)權(quán)利要求1所述的一種基于自適應(yīng)楠圓分塊和小波變換的多豬輪廓提取方法， 其特征在于，所述步驟3中，計(jì)算每個(gè)前景目標(biāo)的楠圓中屯、位置、長(zhǎng)軸、長(zhǎng)軸轉(zhuǎn)角、短軸，接著 再對(duì)進(jìn)行自適應(yīng)楠圓分塊，將原圖像W每個(gè)豬體目標(biāo)為中屯、自適應(yīng)分成若干個(gè)楠圓形區(qū) 域，為楠圓區(qū)域內(nèi)的二次精確分割做準(zhǔn)備。5. 根據(jù)權(quán)利要求1所述的一種基于自適應(yīng)楠圓分塊和小波變換的多豬輪廓提取方法， 其特征在于，所述步驟4中，在楠圓區(qū)域內(nèi)進(jìn)行小波變換二次精確分割，小波變換檢測(cè)前景 目標(biāo)邊緣的過程中得到模族M(x，y)和相族AU,y)后沿八個(gè)方向求局部極大值點(diǎn)，從最大尺 度i開始將模值和相角相似的非零像素點(diǎn)連接獲得圖像fi(x，y)，將在（i-1)尺度下可能出 現(xiàn)的候補(bǔ)邊緣點(diǎn)補(bǔ)充到fi(x，y)中獲得fi-i(x，y)，尺度(i-1)再減1直到i = l得到邊緣圖像， 最后進(jìn)行二值形態(tài)學(xué)處理獲得豬的二值圖像。
【文檔編號(hào)】G06T7/00GK105913425SQ201610218745
【公開日】2016年8月31日
【申請(qǐng)日】2016年4月8日
【發(fā)明人】朱偉興, 李 浩, 李新城
【申請(qǐng)人】江蘇大學(xué)