專利名稱：無(wú)人機(jī)航片松材線蟲(chóng)病病死木的膨脹-剔除信息提取法的制作方法
無(wú)人機(jī)航片松材線蟲(chóng)病病死木的膨脹-剔除信息提取法
技術(shù)領(lǐng)域：
本發(fā)明屬于計(jì)算機(jī)數(shù)字圖像處理技術(shù)領(lǐng)域，具體是一種無(wú)人機(jī)航片松材線蟲(chóng)病病
死林木的計(jì)算機(jī)人機(jī)交互識(shí)別方法。背景技術(shù)：
松材線蟲(chóng)病是松類樹(shù)種的一種毀滅性病害，是我國(guó)目前發(fā)生的最嚴(yán)重、最具威脅 性的外來(lái)入侵森林病害。這種病在傳播方式上具有跳躍式傳播特性。將病死林木及時(shí)清除 是目前防止此病蔓延的最有效方法。病死林木零星分布在崇山峻嶺，僅僅依靠人工地面查 找不僅勞動(dòng)強(qiáng)度很大，而且很容易遺漏，給病害蔓延留下隱患。用無(wú)人機(jī)攜帶高清數(shù)碼相 機(jī)，從空中拍攝相片，然后配以地理坐標(biāo)，在相片上確定病死林木位置，輸入PDA用以野外 導(dǎo)航，這是正在研究的新方法，其中的核心技術(shù)是計(jì)算機(jī)人機(jī)交互識(shí)別病死林木，這從數(shù)字 圖像角度看，就是圖像分割，即將病死林木分割出來(lái)的技術(shù)。 圖像分割的方法眾多，大致可分為兩大類一類是基于邊界的，一類是基于區(qū)域 的。病死林木的色彩大體呈現(xiàn)紅色，但邊界不明顯，同時(shí)森林圖像一般都缺少明顯的邊界， 而且基于邊界的方法不能在分割的同時(shí)確定區(qū)域性質(zhì)，所以不適合使用基于邊界的方法。 基于區(qū)域的方法是根據(jù)區(qū)域內(nèi)圖像的一致性進(jìn)行分割的，這類方法一般又可分為基于圖像 空間和基于特征空間兩類?；趫D像空間的方法也不能在分割的同時(shí)確定區(qū)域的性質(zhì)?；?于特征空間的方法又可分為參數(shù)方法和非參數(shù)方法兩類。參數(shù)方法需要有模型假定，就是 圖像區(qū)域?qū)?yīng)的特征空間的類的分布需要有模型假定的形狀，如團(tuán)狀等，非參數(shù)方法則不 需要這樣的假定。當(dāng)區(qū)域特征不具備模型假定的條件，即特征分布是不規(guī)則的，就適合采用 非參數(shù)方法。在采用非參數(shù)方法時(shí)，通常希望通過(guò)選擇最佳的特征空間劃分尺度，對(duì)特征空 間進(jìn)行聚類，得到和圖像區(qū)域?qū)?yīng)的類。但這通常很難得到滿意的結(jié)果，因?yàn)樽罴训姆指畛?度在很多情況下是不存在的有的區(qū)域需要大一點(diǎn)，有的需要小一點(diǎn)，很難協(xié)調(diào)。已有方法 都不能很好解決無(wú)人機(jī)航片松材線蟲(chóng)病病死林木的提取問(wèn)題。

發(fā)明內(nèi)容
本發(fā)明需要解決的技術(shù)問(wèn)題是針對(duì)低空無(wú)人機(jī)裝載的高清數(shù)碼相機(jī)拍攝的數(shù)碼 相片，用人機(jī)交互的方式提取由于松材線蟲(chóng)病造成的死亡林木，提出一種無(wú)人機(jī)航片松材 線蟲(chóng)病病死木的膨脹_剔除信息提取法。 為解決上述技術(shù)問(wèn)題，本發(fā)明的技術(shù)方案是按如下步驟進(jìn)行 (1)用常規(guī)方法輸入原始RGB真彩色無(wú)人機(jī)數(shù)碼相片，規(guī)定病死林木區(qū)域?yàn)槟繕?biāo) 區(qū)域，其他區(qū)域?yàn)榉悄繕?biāo)區(qū)域；原始RGB模式真彩色圖像中的目標(biāo)區(qū)域呈現(xiàn)紅色，灰度圖中 呈現(xiàn)亮色； (2)用均勻模板對(duì)原始圖像進(jìn)行平滑運(yùn)算； (3)將圖像從RGB模式轉(zhuǎn)換成CIE (Luv)模式，CIE (Luv)模式下的數(shù)據(jù)拉伸到0 255并取整，CIE(Luv)模式彩色圖像中目標(biāo)區(qū)域呈藍(lán)色；以下的操作均對(duì)CIE(Luv)模式數(shù)
4據(jù)進(jìn)行； (4)生成尺度化后的CIE(Luv)模式數(shù)據(jù)三維直方圖確定一個(gè)聚類尺度s = 2A， 入為整數(shù)，0《A《7，原始特征空間每個(gè)分量劃分等級(jí)為256，確定聚類尺度后，新的量化 等級(jí)為256/s，建立三維直方圖h[256/s，256/s，256/s]作為爬峰法聚類的基礎(chǔ)，直方圖中 每個(gè)柵格h[i， j， k]具有一個(gè)數(shù)值，該數(shù)值就是新尺度下三個(gè)分量亮度值為[i， j， k]的像 素?cái)?shù)； (5)爬峰法聚類爬峰法聚類在三維特征空間——三維直方圖中進(jìn)行，直方圖中除 峰以外的每個(gè)非空柵格都有一個(gè)指針指向相鄰的一個(gè)柵格，在這個(gè)方向上密度具有最大的 梯度值，梯度值等于相鄰柵格像素?cái)?shù)的差值除以柵格中心間的歐氏距離，當(dāng)最大梯度值多 于一個(gè)時(shí)就任選一個(gè)，若一個(gè)柵格的象素?cái)?shù)大于所有相鄰柵格的象素?cái)?shù)，它就處于局部最 大值，該柵格為一個(gè)峰；峰確定以后，根據(jù)指針的指向，將所有非峰且非空的柵格歸攏到各 自的峰，一個(gè)峰形成一個(gè)類，從而實(shí)現(xiàn)特征空間的聚類；爬峰法聚類結(jié)果受聚類尺度s的影 響最大，s越大，類別數(shù)越少，s越小，類別數(shù)越多；s確定的原則是s值宜小，O- A《2， 以確保目標(biāo)區(qū)域的像素不和非目標(biāo)區(qū)域的像素聚到一起，但允許同屬目標(biāo)區(qū)域的像素聚成 很多類； (6)生成代碼化直方圖聚類完成后將直方圖中的像素?cái)?shù)數(shù)據(jù)改寫(xiě)成類代碼，屬 于同一個(gè)類的柵格賦予同一個(gè)代碼，形成代碼化直方圖C[i/s， j/s， k/s]，同時(shí)計(jì)算各個(gè)類 的平均亮度值； (7)生成代碼圖像將聚類結(jié)果映射到圖像上，生成一個(gè)以代碼為像素值的圖 像——代碼圖像，實(shí)現(xiàn)圖像的初步分割，分割圖像顯示時(shí)用各個(gè)類的平均亮度值；代碼圖像 生成的算法是若一個(gè)像素的亮度值是[i， j， k]，則該像素的類代碼C是
c = C[i/s， j/s， k/s]; (8)交互式提取種子類用鼠標(biāo)在圖像上提取數(shù)個(gè)同屬目標(biāo)區(qū)域的小矩形，通過(guò) 代碼圖像將這些小矩形內(nèi)像素所涉及的目標(biāo)類全部提取出來(lái)，將提取的這些類合并成一個(gè) 類，合并后的目標(biāo)類形成一個(gè)種子類，賦予他們同一個(gè)代碼； (9)設(shè)定一個(gè)膨脹模板膨脹模板采用6-聯(lián)通三維模板，即和中心柵格6個(gè)面相 連的6個(gè)相鄰柵格為數(shù)學(xué)形態(tài)學(xué)的膨脹對(duì)象； (10)種子類特征空間數(shù)學(xué)形態(tài)學(xué)膨脹在代碼化直方圖內(nèi)對(duì)選定的種子類的直 方圖用6_聯(lián)通三維模板反復(fù)進(jìn)行數(shù)學(xué)形態(tài)學(xué)膨脹，其中一次膨脹的算法如下膨脹模板的 中心棚格遍歷整個(gè)直方圖，若膨脹模板的中心柵格覆蓋的直方圖柵格屬于種子類，則將模 板其他柵格覆蓋的直方圖非種子類柵格改寫(xiě)為種子類柵格；在一次膨脹中，若模板中心柵 格覆蓋的是本次膨脹中前面剛膨脹的種子類，則不進(jìn)行膨脹操作，直接將模板中心位置移 至下一柵格；一次膨脹完成后，顯示膨脹后直方圖對(duì)應(yīng)的圖像，非種子類區(qū)域不顯示，這時(shí) 圖像種子類的區(qū)域有所擴(kuò)展；這樣反復(fù)數(shù)次膨脹操作，直至圖像中明顯出現(xiàn)了非目標(biāo)區(qū)域 像素； (11)剔除錯(cuò)誤膨脹部分反復(fù)數(shù)次膨脹后，圖像上明顯出現(xiàn)的非目標(biāo)區(qū)域是錯(cuò)誤 膨脹的，需予以剔除，剔除通過(guò)圖像選擇進(jìn)行，通過(guò)人機(jī)交互的方式反復(fù)用鼠標(biāo)在圖像上選 擇錯(cuò)誤膨脹區(qū)域的像素，將選中的圖像像素映射到直方圖，將對(duì)應(yīng)的直方圖柵格從直方圖 中剔除，并將落入這些剔除柵格的所有圖像像素從圖像目標(biāo)區(qū)域中剔除；賦予被剔除部分柵格一個(gè)特殊代碼，以禁止它們被再次膨脹； (12)如果結(jié)果不滿意，按步驟(10)進(jìn)行，否則按步驟(13)進(jìn)行； (13)后處理為使分割后的圖像整潔，進(jìn)行面積濾波，以刪除一些細(xì)小的噪聲區(qū)
域，給定一個(gè)以像素?cái)?shù)為單位的面積閾值；當(dāng)一目標(biāo)區(qū)域小于這個(gè)閾值時(shí)，就刪除該區(qū)域，
同時(shí)將目標(biāo)區(qū)域內(nèi)部小于閾值的非目標(biāo)區(qū)域改為目標(biāo)區(qū)域；閾值要根據(jù)圖像噪聲情況從小
到大逐步遞增，以確保被濾掉的區(qū)域是圖像噪聲引起的誤差； (14)輸出畫(huà)上邊界線的目標(biāo)區(qū)域圖像為了直觀檢驗(yàn)信息提取的精度，分別在原
始RGB模式和CIE(Luv)模式圖像上畫(huà)上提取區(qū)域的邊界線； (15)以文本方式輸出每個(gè)目標(biāo)區(qū)域的地理坐標(biāo)，本信息提取法完成。 本發(fā)明的有益效果是提供一種創(chuàng)新性的專門(mén)針對(duì)無(wú)人機(jī)數(shù)碼相片松材線蟲(chóng)病病
死林木信息人機(jī)交互提取方法。病死林木在5到10月份之間都會(huì)出現(xiàn)，死亡時(shí)間的較大差
異導(dǎo)致病死林木在圖像空間的色彩差異較大，以及在特征空間中的分布狀態(tài)十分復(fù)雜，即
是嚴(yán)重非參數(shù)的。這種特殊情況使得現(xiàn)有方法不適合這種特殊信息的提取。本方法的整個(gè)
過(guò)程都是非參數(shù)的，從前期的爬峰法聚類，到核心部分的膨脹_剔除技術(shù)，均沒(méi)有任何參數(shù)
模型假定。信息提取在特征空間和圖像空間交叉進(jìn)行，方法靈活、直觀，人為控制能力強(qiáng)。本
方法也可拓展應(yīng)用于其他專題信息的提取。


圖1為本方法的流程圖。 圖2為本發(fā)明實(shí)施例中的原始圖像的灰度圖。 圖3為本發(fā)明實(shí)施例中5 * 5均勻模板平滑后的圖像。 圖4為本發(fā)明實(shí)施例中圖像的CIE(Luv)模式圖。 圖5為本發(fā)明實(shí)施例中初始聚類即爬峰法聚類結(jié)果圖。 圖6為本發(fā)明實(shí)施例中在圖像上提取種子類的示意圖。 圖7為本發(fā)明實(shí)施例中提取的用CIE(Luv)模式顯示的種子類。 圖8為本發(fā)明實(shí)施例中提取的種子類像素在直方圖中的分布圖。 圖9為本發(fā)明特征空間數(shù)學(xué)形態(tài)學(xué)膨脹模板即6-聯(lián)通三維模板。 圖10為本發(fā)明實(shí)施例中用模板對(duì)種子類的直方圖(圖8)進(jìn)行數(shù)學(xué)形態(tài)學(xué)膨脹的
結(jié)果圖。 圖11為本發(fā)明實(shí)施例中直方圖膨脹后對(duì)應(yīng)的圖像。 圖12為本發(fā)明人機(jī)交互在圖像上選擇錯(cuò)誤膨脹區(qū)域的示意圖。 圖13為本發(fā)明實(shí)施例中膨脹、剔除操作結(jié)束時(shí)的圖像。 圖14為本發(fā)明實(shí)施例中膨脹、剔除操作結(jié)束時(shí)的直方圖。 圖15為本發(fā)明實(shí)施例中用4聯(lián)通模板、閾值分別為5和10進(jìn)行兩次面積濾波后 的圖像。 圖16為本發(fā)明實(shí)施例中提取的目標(biāo)區(qū)域套上邊界線后的RGB模式原始圖像。 圖17為本發(fā)明實(shí)施例中提取的目標(biāo)區(qū)域套上邊界線后的CIE(Luv)模式原始圖 像。 圖18為本發(fā)明實(shí)施例中輸出的病死林木地理坐標(biāo)(僅列出部分)。
具體實(shí)施方式
下面結(jié)合實(shí)施例并參考附圖對(duì)本發(fā)明作進(jìn)一步詳述 病死林木死亡時(shí)間不同，色彩有差異，剛死亡的呈現(xiàn)鮮紅色，死亡時(shí)間久的呈現(xiàn)暗 紅色、紅褐色等，本方法對(duì)這種色彩差異具有較好的適應(yīng)性。本發(fā)明稱圖像空間中的病死林 木區(qū)域?yàn)槟繕?biāo)區(qū)域，其他區(qū)域?yàn)榉悄繕?biāo)區(qū)域，特征空間中的病死林木類為目標(biāo)類，其他類為 非目標(biāo)類。 實(shí)施流程參見(jiàn)圖l。 步驟l，輸入無(wú)人機(jī)真彩色數(shù)碼相片。用常規(guī)方法輸入原始RGB真彩色無(wú)人機(jī)數(shù) 碼相片。規(guī)定病死林木區(qū)域?yàn)槟繕?biāo)區(qū)域，其他區(qū)域?yàn)榉悄繕?biāo)區(qū)域。目標(biāo)區(qū)域在原始RGB模 式真彩色圖像中呈現(xiàn)紅色，在灰度圖中呈現(xiàn)亮色，見(jiàn)圖2。從紙質(zhì)文件顯示效果考慮附圖僅 取整個(gè)實(shí)施例圖像的局部，大小為500 * 400像素，整個(gè)實(shí)施例圖像大小為3072 * 2304像 素； 步驟2，用均勻模板對(duì)原始圖像進(jìn)行平滑運(yùn)算。本發(fā)明實(shí)施例所用模板為5 * 5均 勻模板，平滑結(jié)果見(jiàn)圖3; 步驟3，將圖像從RGB模式轉(zhuǎn)換成CIE (Luv)模式。CIE (Luv)模式下的數(shù)據(jù)拉伸到 0 255并取整。接下去的操作均對(duì)CIE(Luv)模式數(shù)據(jù)進(jìn)行。本發(fā)明實(shí)施例CIE(Luv)模 式圖像見(jiàn)圖4，CIE(Luv)模式彩色圖像中目標(biāo)區(qū)域呈現(xiàn)藍(lán)色，在灰度圖像中呈現(xiàn)亮色。具體 算法是令
,0.607 0.174 0.200)
爿=0.299 0.587 0.114 、0 0.066 1.116 (x。， y。， z。) t = A (255， 255， 255)T 如果x。+15y。+3z。 - 0，令 u。 = 4xo/(Xo+15yo+3z0) Vq = 6y。/(Xo+15yo+3zo) 否則令 u。 = 0 v。 = 0 讀出一個(gè)像素的紅、綠、藍(lán)(即R、G、B)亮度值，令 (x， y， z)t = A(R， G， B)t 如果x+15y+3z - 0，令 w = 4x/(x+15y+3z) Vi = 6y/(x+15y+3z) 否則令 u丄=0 Vl = 0 令TMP = y/y。，如果TMP < 0.011 ，則令TMP = 0.011。令[oo64] "i1671,-16 u = 13L(u「u。) v = 13L(v「v。) 遍歷整巾畐圖像，找出最大、最小的L、u、 v :MaxL、Maxu、Maxv、MinL、Mi皿、Minv。令 DeltaL。 = MaxL—MinL，如果DeltaL。 = 0，令DeltaL。 = 1 Deltau。 = Maxu-Mi皿，如果Deltau。 = 0，令Deltau。 = 1 Deltav。 = Maxv-Minv，如果Deltav。 = 0，令Deltav。 = 1 DeltaL = 1/DeltaL。 Deltau = 1/Deltau。 Deltav = 1/Deltav。 重新遍歷整幅圖像，讀出每個(gè)像素的R、 G、 B亮度值，進(jìn)行以下計(jì)算，得出每個(gè)像素
的拉伸到0 255整數(shù)的CIE (Luv)模式的L、 u、 v值: (x， y， z)t = A(R， G， B)t 如果x+15y+3z - 0= 4x/(x+15y+3z) Vi = 6y/(x+15y+3z) 否則 u丄=0 Vl = 0 令TMP = y/y。，如果TMP < 0.011 ，則令TMP = 0.011。令 z = 255(116771/尸* -16 — M/"丄)* "e/to丄 u = 255[13Uu「Uo)-Mi皿]氺Deltau
v = 255 [13L (v「v。) -Minv)]氺Deltav 步驟4，生成尺度化后的CIE(Luv)模式數(shù)據(jù)三維直方圖。確定一個(gè)聚類尺度s = 2A， A為整數(shù)，0《A《7。原始特征空間每個(gè)分量劃分等級(jí)為256，確定聚類尺度后，新的 量化等級(jí)為256/s。建立三維直方圖h[256/s，256/s，256/s]作為爬峰法聚類的基礎(chǔ)。直 方圖中每個(gè)柵格h[i，j，k]具有一個(gè)數(shù)值，這個(gè)數(shù)值就是新尺度下三個(gè)分量亮度值為[i，j， k]的像素?cái)?shù)。本發(fā)明實(shí)施例中聚類尺度為8 = 2(即A = 1)，三維直方圖就是數(shù)組h[128， 128，128]; 步驟5，爬峰法聚類。爬峰法聚類在三維特征空間——三維直方圖中進(jìn)行。直方圖 中每個(gè)非空柵格(除峰以外)都有一個(gè)指針指向相鄰的一個(gè)柵格，在這個(gè)指針?lè)较蛏厦芏?具有最大的梯度值。梯度值等于相鄰柵格像素?cái)?shù)的差值除以相鄰柵格中心間的歐氏距離。 當(dāng)最大梯度值多于一個(gè)時(shí)就任選一個(gè)方向作為指針?lè)较?。如果一個(gè)棚格的象素?cái)?shù)大于所 有相鄰棚格的象素?cái)?shù)，它就處于局部最大值，這個(gè)柵格就是一個(gè)峰(Peak或Mode)。峰確定 以后，根據(jù)指針的指向，將所有非峰且非空的柵格歸攏到各自的峰， 一個(gè)峰形成一個(gè)類，從 而實(shí)現(xiàn)特征空間的聚類。爬峰法聚類結(jié)果受聚類尺度s的影響最大。s越大，類別數(shù)越少， s越小，類別數(shù)越多。s確定的原則是s值宜小，0《A《2，以確保目標(biāo)區(qū)域的像素不和 非目標(biāo)區(qū)域的像素聚到一起，但允許同屬目標(biāo)區(qū)域的像素聚成很多類。爬峰法具體算法可
8參考"Imagesegmentation by a parallel, non_parametric histogram basedclustering algorithm" (A. Khotanzad et al. ， Pattern Recognition, 23 (9) :961-973)，"面向類的圖 像分割方法研究"(葛宏立，北京林業(yè)大學(xué)博士論文，2004); 步驟6，生成代碼化直方圖。聚類完成后將直方圖中的像素?cái)?shù)數(shù)據(jù)改寫(xiě)成類代碼， 屬于同一個(gè)類的柵格賦予同一個(gè)代碼，形成代碼化直方圖C[256/s，256/s，256/s]。同時(shí)計(jì) 算各個(gè)類的平均亮度值。 步驟7，生成代碼圖像。將聚類結(jié)果映射到圖像上，生成一個(gè)以代碼為像素值的圖 像——代碼圖像，實(shí)現(xiàn)圖像的初步分割，分割圖像顯示時(shí)用各個(gè)類的平均亮度值。本發(fā)明實(shí) 施例中聚類后對(duì)應(yīng)的初始分割圖像見(jiàn)圖5，聚類尺度s為2，即原來(lái)的256個(gè)量化等級(jí)轉(zhuǎn)化 為128個(gè)量化等級(jí)。比較圖5和圖4可以看出，聚類后結(jié)果和原圖沒(méi)有明顯區(qū)別。聚類的 類別數(shù)為7118。 代碼圖像生成的算法是如果一個(gè)像素的亮度值是[i， j， k]，則該像素的類代碼c 是 c = C[i/s， j/s， k/s]; 步驟8，交互式提取種子類。如圖6所示，用鼠標(biāo)在圖像上提取數(shù)個(gè)同屬目標(biāo)區(qū)域 的小矩形。通過(guò)代碼圖像將這些小矩形內(nèi)像素所涉及的目標(biāo)類全部提取出來(lái)。本實(shí)施例提 取結(jié)果如圖7所示，共提取79類。將提取的這些類合并成一個(gè)類，合并后的目標(biāo)類形成一 個(gè)種子類，賦予他們同一個(gè)代碼。種子類的三維直方圖見(jiàn)圖8 ; 步驟9，設(shè)定一個(gè)膨脹模板。膨脹模板采用6-聯(lián)通三維模板，即和中心柵格6個(gè)面 相連的6個(gè)相鄰柵格為數(shù)學(xué)形態(tài)學(xué)的膨脹對(duì)象，如圖9所示； 步驟10，種子類特征空間數(shù)學(xué)形態(tài)學(xué)膨脹。在代碼化直方圖內(nèi)對(duì)選定的種子類的 直方圖用6-聯(lián)通三維模板(見(jiàn)圖9)反復(fù)進(jìn)行數(shù)學(xué)形態(tài)學(xué)膨脹。其中一次膨脹的算法如下 膨脹模板的中心柵格遍歷整個(gè)直方圖，如果膨脹模板的中心柵格覆蓋的直方圖柵格屬于種 子類，則將模板其他柵格覆蓋的直方圖非種子類柵格改寫(xiě)為種子類柵格。在一次膨脹中，如 果模板中心柵格覆蓋的是本次膨脹中前面剛膨脹的種子類則不進(jìn)行膨脹操作，直接將模板 中心位置移至下一柵格。 一次膨脹完成后，顯示膨脹后直方圖對(duì)應(yīng)的圖像，非種子類區(qū)域不 顯示，這時(shí)圖像種子類的區(qū)域(即目標(biāo)區(qū)域)有所擴(kuò)展。這樣反復(fù)數(shù)次膨脹操作，直至圖 像中明顯出現(xiàn)了非目標(biāo)區(qū)域像素。本實(shí)施例數(shù)次膨脹后的直方圖見(jiàn)圖io，對(duì)應(yīng)的圖像見(jiàn)圖 11 ; 步驟11，剔除錯(cuò)誤膨脹部分。反復(fù)數(shù)次膨脹后，圖像上明顯出現(xiàn)的非目標(biāo)區(qū)域是錯(cuò) 誤膨脹的，如圖11中的暗色部分，需予以剔除。剔除通過(guò)圖像選擇進(jìn)行。用人機(jī)交互的方 式在圖像上反復(fù)用鼠標(biāo)選擇錯(cuò)誤膨脹區(qū)域的像素，如圖12所示，將選中的圖像像素映射到 直方圖，將對(duì)應(yīng)的直方圖柵格從直方圖中剔除，并將落入這些剔除柵格的所有圖像像素從 圖像目標(biāo)區(qū)域中剔除。賦予被剔除部分柵格一個(gè)特殊代碼，以禁止它們被再次膨脹；
步驟12，如果結(jié)果不滿意，轉(zhuǎn)步驟10，否則停止膨脹-剔除的重復(fù)操作，轉(zhuǎn)步驟13。 本發(fā)明實(shí)施例膨脹-剔除操作后的圖像見(jiàn)圖13，對(duì)應(yīng)的直方圖見(jiàn)圖14 ;
步驟13，后處理。為使分割后的圖像看上去整潔，進(jìn)行面積濾波，以刪除一些細(xì)小 的噪聲區(qū)域。給定一個(gè)以像素?cái)?shù)為單位的面積閾值，當(dāng)一目標(biāo)區(qū)域小于這個(gè)閾值時(shí)，就刪除 該區(qū)域。同時(shí)目標(biāo)區(qū)域內(nèi)部小于閾值的非目標(biāo)區(qū)域改為目標(biāo)區(qū)域。閾值要根據(jù)圖像噪聲情
9況從小到大逐步遞增，以確保被濾掉的區(qū)域是圖像噪聲引起的誤差。圖15為本發(fā)明實(shí)施例 中用4-聯(lián)通模板、閾值分別為5和10進(jìn)行兩次面積濾波后的圖像； 步驟14，輸出畫(huà)上邊界線的目標(biāo)區(qū)域圖像。為直觀檢驗(yàn)信息提取的精度，分別在原 始RGB模式和CIE(Luv)模式圖像上畫(huà)上提取的目標(biāo)區(qū)域的邊界線，分別參見(jiàn)圖16、17 ;
步驟15，以文本方式輸出每個(gè)目標(biāo)區(qū)域的地理坐標(biāo)，見(jiàn)圖18。本信息提取法完成。
上述步驟IO描述的膨脹和步驟11描述的剔除，是本發(fā)明首次提出的，它們一起構(gòu) 成本發(fā)明的核心，姑且稱之為膨脹_剔除信息提取法。 本發(fā)明可拓展應(yīng)用于下列情況無(wú)人機(jī)之外的其他飛行器作為搭載工具，如衛(wèi)星、 有人駕駛飛機(jī)、氣球等；數(shù)碼相機(jī)之外的其他傳感器獲取的彩色圖像；松材線蟲(chóng)病病死木 之外的其他專題信息提取。只要彩色圖像的空間分辨率高于50cm，即圖像一個(gè)像素代表的 地面面積小于50cm * 50cm。
權(quán)利要求
一種無(wú)人機(jī)航片松材線蟲(chóng)病病死木的膨脹-剔除信息提取法，其特征在于按如下步驟進(jìn)行(1)用常規(guī)方法輸入原始RGB真彩色無(wú)人機(jī)數(shù)碼相片，規(guī)定病死林木區(qū)域?yàn)槟繕?biāo)區(qū)域，其他區(qū)域?yàn)榉悄繕?biāo)區(qū)域；原始RGB模式真彩色圖像中的目標(biāo)區(qū)域呈現(xiàn)紅色，灰度圖中呈現(xiàn)亮色；(2)用均勻模板對(duì)原始圖像進(jìn)行平滑運(yùn)算；(3)將圖像從RGB模式轉(zhuǎn)換成CIE(Luv)模式，CIE(Luv)模式下的數(shù)據(jù)拉伸到0～255并取整，CIE(Luv)模式彩色圖像中目標(biāo)區(qū)域呈藍(lán)色；以下的操作均對(duì)CIE(Luv)模式數(shù)據(jù)進(jìn)行；(4)生成尺度化后的CIE(Luv)模式數(shù)據(jù)三維直方圖確定一個(gè)聚類尺度s＝2λ，λ為整數(shù)，0≤λ≤7，原始特征空間每個(gè)分量劃分等級(jí)為256，確定聚類尺度后，新的量化等級(jí)為256/s，建立三維直方圖h[256/s，256/s，256/s]作為爬峰法聚類的基礎(chǔ)，直方圖中每個(gè)柵格h[i，j，k]具有一個(gè)數(shù)值，該數(shù)值就是新尺度下三個(gè)分量亮度值為[i，j，k]的像素?cái)?shù)；(5)爬峰法聚類爬峰法聚類在三維特征空間——三維直方圖中進(jìn)行，直方圖中除峰以外的每個(gè)非空柵格都有一個(gè)指針指向相鄰的一個(gè)柵格，在這個(gè)方向上密度具有最大的梯度值，梯度值等于相鄰柵格像素?cái)?shù)的差值除以柵格中心間的歐氏距離，當(dāng)最大梯度值多于一個(gè)時(shí)就任選一個(gè)，若一個(gè)柵格的象素?cái)?shù)大于所有相鄰柵格的象素?cái)?shù)，它就處于局部最大值，該柵格為一個(gè)峰；峰確定以后，根據(jù)指針的指向，將所有非峰且非空的柵格歸攏到各自的峰，一個(gè)峰形成一個(gè)類，從而實(shí)現(xiàn)特征空間的聚類；爬峰法聚類結(jié)果受聚類尺度s的影響最大，s越大，類別數(shù)越少，s越小，類別數(shù)越多；s確定的原則是s值宜小，0≤λ≤2，以確保目標(biāo)區(qū)域的像素不和非目標(biāo)區(qū)域的像素聚到一起，但允許同屬目標(biāo)區(qū)域的像素聚成很多類；(6)生成代碼化直方圖聚類完成后將直方圖中的像素?cái)?shù)數(shù)據(jù)改寫(xiě)成類代碼，屬于同一個(gè)類的柵格賦予同一個(gè)代碼，形成代碼化直方圖C[i/s，j/s，k/s]，同時(shí)計(jì)算各個(gè)類的平均亮度值；(7)生成代碼圖像將聚類結(jié)果映射到圖像上，生成一個(gè)以代碼為像素值的圖像——代碼圖像，實(shí)現(xiàn)圖像的初步分割，分割圖像顯示時(shí)用各個(gè)類的平均亮度值；代碼圖像生成的算法是若一個(gè)像素的亮度值是[i，j，k]，則該像素的類代碼c是c＝C[i/s，j/s，k/s]；(8)交互式提取種子類用鼠標(biāo)在圖像上提取數(shù)個(gè)同屬目標(biāo)區(qū)域的小矩形，通過(guò)代碼圖像將這些小矩形內(nèi)像素所涉及的目標(biāo)類全部提取出來(lái)，將提取的這些類合并成一個(gè)類，合并后的目標(biāo)類形成一個(gè)種子類，賦予他們同一個(gè)代碼；(9)設(shè)定一個(gè)膨脹模板膨脹模板采用6-聯(lián)通三維模板，即和中心柵格6個(gè)面相連的6個(gè)相鄰柵格為數(shù)學(xué)形態(tài)學(xué)的膨脹對(duì)象；(10)種子類特征空間數(shù)學(xué)形態(tài)學(xué)膨脹在代碼化直方圖內(nèi)對(duì)選定的種子類的直方圖用6-聯(lián)通三維模板反復(fù)進(jìn)行數(shù)學(xué)形態(tài)學(xué)膨脹，其中一次膨脹的算法如下膨脹模板的中心柵格遍歷整個(gè)直方圖，若膨脹模板的中心柵格覆蓋的直方圖柵格屬于種子類，則將模板其他柵格覆蓋的直方圖非種子類柵格改寫(xiě)為種子類柵格；在一次膨脹中，若模板中心柵格覆蓋的是本次膨脹中前面剛膨脹的種子類，則不進(jìn)行膨脹操作，直接將模板中心位置移至下一柵格；一次膨脹完成后，顯示膨脹后直方圖對(duì)應(yīng)的圖像，非種子類區(qū)域不顯示，這時(shí)圖像種子類的區(qū)域有所擴(kuò)展；這樣反復(fù)數(shù)次膨脹操作，直至圖像中明顯出現(xiàn)了非目標(biāo)區(qū)域像素；(11)剔除錯(cuò)誤膨脹部分反復(fù)數(shù)次膨脹后，圖像上明顯出現(xiàn)的非目標(biāo)區(qū)域是錯(cuò)誤膨脹的，需予以剔除，剔除通過(guò)圖像選擇進(jìn)行，通過(guò)人機(jī)交互的方式反復(fù)用鼠標(biāo)在圖像上選擇錯(cuò)誤膨脹區(qū)域的像素，將選中的圖像像素映射到直方圖，將對(duì)應(yīng)的直方圖柵格從直方圖中剔除，并將落入這些剔除柵格的所有圖像像素從圖像目標(biāo)區(qū)域中剔除；賦予被剔除部分柵格一個(gè)特殊代碼，以禁止它們被再次膨脹；(12)如果結(jié)果不滿意，按步驟(10)進(jìn)行，否則按步驟(13)進(jìn)行；(13)后處理為使分割后的圖像整潔，進(jìn)行面積濾波，以刪除一些細(xì)小的噪聲區(qū)域，給定一個(gè)以像素?cái)?shù)為單位的面積閾值；當(dāng)一目標(biāo)區(qū)域小于這個(gè)閾值時(shí)，就刪除該區(qū)域，同時(shí)將目標(biāo)區(qū)域內(nèi)部小于閾值的非目標(biāo)區(qū)域改為目標(biāo)區(qū)域；閾值要根據(jù)圖像噪聲情況從小到大逐步遞增，以確保被濾掉的區(qū)域是圖像噪聲引起的誤差；(14)輸出畫(huà)上邊界線的目標(biāo)區(qū)域圖像為了直觀檢驗(yàn)信息提取的精度，分別在原始RGB模式和CIE(Luv)模式圖像上畫(huà)上提取區(qū)域的邊界線；(15)以文本方式輸出每個(gè)目標(biāo)區(qū)域的地理坐標(biāo)，本信息提取法完成。
全文摘要
一種無(wú)人機(jī)航片松材線蟲(chóng)病病死木的膨脹-剔除信息提取法，屬數(shù)字圖像處理技術(shù)領(lǐng)域。以無(wú)人機(jī)彩色數(shù)碼相片作為輸入圖像，經(jīng)過(guò)平滑，將RGB模式轉(zhuǎn)換成CIE(Luv)模式。統(tǒng)計(jì)直方圖，以小尺度直方圖用非參數(shù)聚類方法-爬峰法進(jìn)行初始聚類。在圖像空間選取一些同屬病死林木區(qū)域的類，經(jīng)合并成為種子類。在直方圖內(nèi)基于種子類用一6-聯(lián)通三維模板持續(xù)進(jìn)行數(shù)學(xué)形態(tài)學(xué)膨脹，允許有非病死林木區(qū)域像素的對(duì)應(yīng)柵格進(jìn)入目標(biāo)類。用鼠標(biāo)在圖像上提取經(jīng)過(guò)膨脹進(jìn)入病死林木區(qū)域的非病死林木區(qū)域像素，將這些像素所在的柵格從直方圖目標(biāo)類中剔除，并規(guī)定這些柵格在以后的膨脹操作中不被再次膨脹。反復(fù)進(jìn)行膨脹和剔除操作，直至得到滿意的結(jié)果。
文檔編號(hào)G06K9/46GK101770577SQ201010039799
公開(kāi)日2010年7月7日 申請(qǐng)日期2010年1月18日 優(yōu)先權(quán)日2010年1月18日
發(fā)明者杜華強(qiáng), 王鑫, 葛宏立, 黃明祥 申請(qǐng)人:浙江林學(xué)院