1.一种多特征融合杂草检测方法,其特征在于,具体包括以下步骤:
步骤1,单独截取玉米幼苗与杂草区域作为正负数据集,具体包括以下步骤:
步骤1.1,首先对训练图像进行收集和预处理,在自然光照不同时段下采集2~5片叶的苗期田间玉米及杂草图像,构建图像集,采用的数据集是依靠架设在农机上的相机完成的,从采集的图像数据中剔除无目标图像,为增大样本的复杂性,数据集选用两种数据集混合模式,第一类是晴天拍摄图像清晰,分辨率较高的图像;第二类是阴天拍摄图像略为模糊,分辨率较低的图像,以玉米农田中常见的灰菜、甜旋花、马唐、马齿苋、苋菜、稗草6种主要杂草的检测为研究对象;
步骤1.2,将这两种天气环境的图像数据中玉米叶片和杂草叶片基于Image Labeler工具进行标记,而后自动截取出叶片区域,为了尽可能包含完整叶片信息,因此只截取图像集中完整的叶片,将截取的玉米幼苗叶片图像作为正样本,杂草叶片图像作为负样本,其中正样本集包含1000幅玉米叶片,含第一种图像251幅,第二类图像749幅,负样本集包含1000幅杂草叶片,含第一种图像880幅,第二种图像120幅;
步骤2,提取玉米幼苗与杂草的多种特征数据,分别为HOG特征、旋转不变LBP、Gabor特征、灰度共生矩阵GLCM、灰度梯度共生矩阵GGCM五种特征;
步骤3,整合多特征数据投入支持向量机SVM进行分类器训练,得到用于玉米幼苗和杂草的分类模型,具体包括以下步骤:步骤3.1,依次读入预处理后的正负样本集数据,各1000幅;并提取正负样本的特征,此处特征由多个特征融合而成,分别提取各特征后串联所有数据,特征融合方式共15种,依次进行十五组实验;15种组合方式为:1.HOG;2.rotLBP;3.Gabor;4.GLCM;5.GGCM;6.rotLBP、HOG;7.rotLBP、Gabor;8.rotLBP、GLCM;9.HOG、GLCM;10.HOG、Gabor;11.Gabor、GGCM;
12.Gabor、GLCM;13.rotLBP、HOG、Gabor;14.rotLBP、HOG、Gabor、GLCM;15.rotLBP、HOG、Gabor、GGCM;
步骤3.2,将获取到的正负样本各特征数据整合在一个表中,其维数依次为108维、450维、360维、6维、15维、558维、810维、456维、114维、468维、375维、366维、918维、924维、933维,接着,添加label值用来区分正负样本,其中正样本label=1,负样本label=‑1;
步骤3.3,打乱数据表内样本排列顺序,随机取其中80%正负样本数据投入SVM分类器进行线性训练,将训练所得模型保存,以便之后检测;
步骤4,利用该分类模型对未经训练的玉米农田图像进行测试,对比分析五种不同特征组合下的综合识别性能,得到实验结果准确率最优的多特征组合方式。
2.根据权利要求1所述的一种多特征融合杂草检测方法,其特征在于,所述步骤2中提取HOG特征时,用32×32的单元对图像进行划分,每个单元对应一个9维直方图,上下左右4个相邻的单元视为一个像素块,每个块的特征维度为36维,整个图像的特征维度为108维。
3.根据权利要求1所述的一种多特征融合杂草检测方法,其特征在于,所述步骤2中提取旋转不变LBP特征时,将其划分为16×6的小区域单元,对于每个单元中的一个像素,根据
3×3邻域计算其旋转不变LBP值,整个图像的特征维度为450维。
4.根据权利要求1所述的一种多特征融合杂草检测方法,其特征在于,所述步骤2中提取Gabor特征时,使用5个尺度、8个方向的Gabor滤波器对叶片图像进行滤波,得到40个子图像,将每个子图像分成3×3的子块,最后得到360维叶片图像Gabor特征。
5.根据权利要求1所述的一种多特征融合杂草检测方法,其特征在于,所述步骤2中提取灰度共生矩阵GLCM时,采用灰度共生矩阵的二阶矩、对比度、相关度、和方差、熵和逆差矩
6个统计量反映叶片图像纹理特征,计算方法依次如式(1)~(13)所示:
提取图像特征时,确定采样位移矢量d=(0,1),即提取0°方向上的GLCM,按照d分布来分别计算图像灰度级i和j的数量,根据这个统计量来算原图像的灰度共生的矩阵特征:其中C(i,j)代表的是灰度值为i和灰度值为j的像素对同时出现的数量,P(i,j)为该像素对出现的概率,N代表0°方向间距为1的所有像素点对出现的总次数,灰度级的量化等级为32级,因此共生矩阵P的维数是32×32维的;
二阶矩f1
相关度f2
式中ui、uj、 分别定义为
熵f3
对比度f4
逆差矩f5
和方差f6
其中f7、Px+y为
6.根据权利要求1所述的一种多特征融合杂草检测方法,其特征在于,所述步骤2中提取灰度梯度共生矩阵GGCM时,利用小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、惯性、逆差矩15统计值。
7.根据权利要求1所述的一种多特征融合杂草检测方法,其特征在于,所述步骤4具体做法为:利用样本剩余20%组数据做测试,首先读入测试图像,用K均值聚类法初步得到目标矩形区域,读取训练得到的分类模型,依次提取矩形区域特征数据并融合,将数据投入分类模型中,得到plabel为1,则判定为玉米,为‑1则判定为杂草,最后在原图上标记杂草和玉米的区域并输出,并判断测试结果中plabel预测是否等于原label,统计测试结果及准确率,其中准确率为测试结果中plabel=label占总label个数的比率。