[发明专利]一种基于凸包中心先验和马尔可夫吸收链的果实目标获取方法

说明书

技术领域

本发明属于图像处理技术领域，涉及一种基于凸包中心先验和马尔可夫吸收链的果实目标获取方法。

背景技术

随着现代农业的发展，基于机器视觉的采摘机器人成为国内外农业工程领域的研究热点，而对果实目标的获取是采摘机器人后续目标识别定位、采摘的首要任务。由于不同的果实有往往有不同的形状、颜色和大小等特征，以往的对果实图像的获取方法往往受某一类果实的特征限制，相应的采摘机器人只能采摘某一指定品种的水果，不具有通用性，提高了综合果园果农的成本。由于人类的视觉系统具有视觉注意机制，可以迅速将注意力集中在复杂场景的某些显著性目标上，而对于目标以外的背景区域关注较少，因此利用显著性目标检测的方法进行果实目标区域的获取，可以不需要根据果实目标颜色或形状特征等和背景的差异来提取果实目标区域，从而具有一定的通用性，可以使得此类采摘机器人具有更多的推广和使用价值。

发明内容

本发明的目的是提供一种果园果实目标获取方法，使得果实采摘机器人在图像处理阶段能够实现对果实目标的精确获取，进一步可完成识别定位，推动果实采摘机器人的实用化进程。实现本发明的技术方案包括如下步骤：

(1)图像采集步骤：基于视觉传感器实时采集果实图像。

(2)显著图获取步骤：该步骤采用颜色显著性加强算法进行Harris角点检测，构建最小凸包，把获得的凸包计算形心(x₀,y₀)作为显著目标中心，来定义每个超像素i的显著性值，获得初始显著图。

(3)显著图增强步骤：该步骤采用吸收马尔可夫链，来定义对初始显著图进行二值分割后构建的无向图模型中每个点的显著性值，获得增强的显著图。

(4)显著图优化步骤：该步骤中分别采用基于内容扩散机制、抑制函数、光滑滤波器这三种相互独立又相互补充的优化方法进行优化，实现显著图的优化。基于内容扩散机制的优化方法主要是采用K-means算法进行分类，在每个分类中按显著性值的大小进行降序排列后逐个对每个节点优化，实现图像前景区域的增强。基于抑制函数的优化方法，主要引入一个数学分段函数进行逐像素的抑制，来抑制掉图像中显著性值比较小的点。基于光滑滤波器的优化方法是采用一种局部光滑滤波函数，在光滑图像的时候能有效的保持图像的边缘地带，并将噪声过滤掉，从而使背景更加干净，实现显著图的优化。

(5)果实目标获取步骤：该步骤中采用自适应阈值来分割上述优化后的显著图，获得二值黑白图像，再与原始图像叠加，从而可将果实目标从背景中分割出来。

本发明的有益效果：

(1)对于果实采摘机器人来说，本发明方法能够实现果实目标的获取，对推动果实采摘机器人的实用化起到重要作用。

(2)本发明方法基于显著性目标检测的方法进行果实目标区域的获取，可以不需要根据果实目标颜色或形状特征等和背景的差异来提取果实目标区域，从而具有一定的通用性，可以使得此类采摘机器人具有更多的推广和使用价值。

(3)本发明方法利用检测到的兴趣点构建的凸包中心作为显著目标的中心，进行初级显著图的获取，可处理显著性目标不在图像中心的复杂图像。

(4)本发明方法利用基于凸包中心先验获取的初级显著图进行前景点的判断，并以此作为吸收马尔可夫链的吸收节点，通过计算其他节点与前景点的相似性来重义定义每个节点的显著性值，从而获得增强的显著图。

(5)果实目标获取步骤中采用Otsu方法对得到的显著图进行自适应阈值分割，再与原始图像叠加，从而获得从背景中分割出来的果实目标。

附图说明

图1为果实目标获取总流程；

图2为实验过程效果图；

其中，图(a)为采集的苹果图像；(b)为采用SLIC超像素分割后的图像；(c)为基于凸包中心先验的初始显著图；(d)为增强后的显著图；(e)为优化后的显著图；(f)为采用抑制函数减少背景区域的效果图；(g)为过滤噪点后的效果图；(h)为最终获得的果实目标图。

具体实施方式

下面结合附图对本发明的实施方式做进一步的描述。本发明以苹果果实为例进行说明，但本发明同样适用于其他果实。

如图1所示，本发明提出的果园果实目标获取方法包括如下步骤：

(1)图像采集步骤

图像的采集基于视觉传感器，用作后续提取目标对象的区域信息，采集图像如图2(a)所示。

(2)显著性获取步骤