1.一种基于图像特征的花粉颗粒图像提取方法，其特征在于，具体算法如下：(1)基于HSV提取前景图像

1.1首先，将花粉图像由RGB色彩空间转换为HSV色彩空间，公式为：C

C

△＝C

H计算：

S计算：

V计算：V＝C

其中，R、G、B是RGB色彩空间中红、绿、蓝三种通道的颜色，R’、G’、B’是绝对色彩信息，H、S、V代表HSV色彩空间中的色调，饱和度，明度；max函数表示对绝对色彩信息取最大值C

1.2然后对图像进行二值化处理，其中(HSV)dst＝(H

1.3根据1.2中设定的阈值，构建掩膜，即名为mask的二值图像；

1.4对图像进行掩膜操作，留下包含花粉颗粒颜色部分的区域；

1.5根据HSV对花粉图像分割完成，输出去除气泡后的花粉图像；

(2)基于霍夫变换提取前景图像

计算过程如下：

2.1首先，将去除气泡后的花粉图像进行二值化、闭运算、高斯滤波预处理；

2.1.1设定阈值thresh，选取灰度值128作为阈值,对图像二值化处理，大于阈值的取最大值255，小于阈值的取最小值0，公式为：

2.1.2对图像采取闭运算，先使用5×5的卷积核进行膨胀操作，再使用7×7的卷积核进行腐蚀操作；

2.1.3边缘检测容易受到噪声影响，使用15×15高斯滤波器先对图像进行滤波处理，去除原始图像中存在的噪声；

2.2使用Canny边缘检测算法对图像进行边缘提取；

2.2.1采用高斯平滑滤波对图像进行降噪处理；

2.2.2根据Sobel算子计算每个像素点的梯度幅值；Sobel算子是两个3×3的矩阵，分别为S其中，I为灰度图像矩阵，是对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到的；

由

2.2.3对图像的每个像素点的梯度幅值进行非极大值抑制，在一个局部邻域内确定在一个方向上连续的具有较大幅值的点，并去掉邻域内其他梯度幅值较小的点；

2.2.4滞后阈值：设定一个双阈值，即低阈值和高阈值，如果某一像素位置的幅值超过高阈值，该像素被保留为边缘像素；如果某一像素位置的幅值小于低阈值，该像素被排除；如果某一像素位置的幅值在两个阈值之间，该像素仅仅在连接到一个高于高阈值的像素时被保留；其中，依据花粉颗粒圆形或类圆形轮廓形状，双阈值设定为[40,80]；

2.3使用基于霍夫变换圆检测方法识别圆形区域，把图像空间转换到参数空间，公式为：其中，a，b为圆心的横纵坐标；x，y为图像像素点的横纵坐标；r为圆的半径；

2.4使用掩膜遮挡住不感兴趣的区域；依据输入的花粉图像，构建掩膜，即名为mask的二值图像，使用位运算对图像进行掩膜操作，遮挡非圆形区域；

2.5根据霍夫变换对花粉图像分割完成，输出初筛杂质后的花粉图像；

(3)基于检测模型提取前景花粉颗粒图像经过基于霍夫变换检测前景图像的初筛后，使用检测模型检测提取出花粉颗粒图像以去除剩余杂质的干扰；

将去气泡和初筛杂质的img′输入检测模型，公式为：img′＝HOUGH(HSV(img)) 公式13其中img为最初输出的花粉图像，HSV方法为去气泡处理，HOUGH方法为初筛杂质处理；

将图像转换为矩阵，通过卷积层得到特征图，最后在位置回归分支得到目标物的位置坐标，即花粉颗粒的位置坐标