技術領域

本發明涉及智能農業技術領域，尤其涉及一種Adaboost與NCC相結合的完整麥穗識別方法及系統。

背景技術

隨著農業智能化的發展，實現一種在實際麥田圖像中識別視覺上完整的麥穗(非遮擋、采集不全)，以便后續通過麥穗目標圖像計算麥穗粒數的方法出現了需求。現有的技術常見的有：基于Adaboost的麥穗識別方法(2014，趙鋒等.基于顏色特征和Adaboost算法的麥穗識別的研究)、基于神經網絡的麥穗識別方法(2012，呂行軍.基于圖像處理技術的麥穗識別研究)等。但是這些方法存在識別結果集包含大量非完整麥穗目標的問題，而這些麥穗目標無法用來麥穗粒數計算。

發明內容

基于背景技術存在的技術問題，本發明提出了一種Adaboost與NCC相結合的完整麥穗識別方法和系統。

本發明提出的一種Adaboost與NCC相結合的完整麥穗識別方法，包括以下步驟：

S1、設置完整麥穗模版，并設置相似閾值；

S2、獲取麥穗樣本，并通過rotation&uniform invariant LBP提取麥穗樣本紋理特征；

S3、對麥穗樣本紋理特征使用Adaboost訓練分類器；

S4、通過分類器對獲取的小麥圖像進行麥穗識別，提取完整麥穗的候選目標；

S5、將候選目標逐一與完整麥穗模版進行NCC相似性分析，根據相似度與相似閾值的比較結果從候選目標中提取完整麥穗目標并輸出。

優選地，步驟S2中：從獲取的小麥圖像中通過LBP提取麥穗圖像，并從麥穗圖像中抽取麥穗樣本。

優選地，步驟S4具體為：通過分類器對步驟S2中提取的麥穗圖像進行識別，提取完整麥穗的候選目標。

本發明提出的一種Adaboost與NCC相結合的完整麥穗識別系統，包括：

圖像輸入模塊，用于獲取待識別的小麥圖像；

候選目標識別模塊，其連接圖像輸入模塊；候選目標識別模塊用于對獲取的小麥圖像進行LBP特征訓練獲得分類器，并用于通過分類器從小麥圖像中提取完整麥穗的候選目標；

完整性判斷模塊，其連接候選目標識別模塊；完整性判斷模塊中預設有完整麥穗模版和相似閾值，完整性判斷模塊用于分析候選目標與完整麥穗模版的相似度，并提取相似度大于相似閾值的候選目標作為完整麥穗目標；

完整麥穗輸出模塊，其連接完整性判斷模塊，用于獲取完整麥穗目標并輸出。

優選地，候選目標識別模塊包括LBP特征提取單元、分類器訓練單元和麥穗檢測單元；LBP特征提取單元用于對小麥圖像進行紋理特征識別，提取麥穗圖像，并用于從麥穗圖像中抽取樣本并提取麥穗樣本紋理特征；分類器訓練單元連接LBP特征提取單元，用于根據麥穗樣本紋理特征使用Adaboost訓練分類器；麥穗檢測單元分別連接LBP特征提取單元和分類器訓練單元，麥穗檢測單元用于根據分類器對LBP特征提取單元提取的麥穗圖像進行分類獲得完整麥穗的候選目標。

優選地，圖像輸入模塊包括圖像采集單元和圖像預處理單元，圖像采集單元用于加載待處理的小麥圖像，圖像預處理單元用于對加載的小麥圖像進行預處理；LBP特征提取單元連接圖像預處理單元用于獲取預處理后的小麥圖像作為特征提取對象。

本發明提出的一種Adaboost與NCC相結合的完整麥穗識別方法，通過從小麥圖像中提取麥穗樣本，避免了外來樣本的引入，使得根據麥穗樣本紋理特征訓練出的分類器更加貼合小麥圖像，從而可保證后續分類的精確度。

本發明中，使用Adaboost訓練分類器，有利于在簡化分類器生成復雜程度的同時多利用樣本數據，從而使得各麥穗樣本對于分類器的生成起到的作用均勻化，分類器的生成利用的麥穗樣本數量多，從而保證了分類器與從小麥圖像中提取的麥穗圖像的針對性，有利于強化分類器工作效果。

本發明提供了一種基于Adaboost與NCC相結合算法實現完整麥穗識別的方案。通過本發明，可得到完整的麥穗目標，以便達到能夠使用麥穗目標進行麥穗粒數等性狀參數計算的目的。與現有技術相比，本發明是用在實際麥田小麥圖像上，背景更復雜，并且識別的結果是完整麥穗，而非遮擋或者不完整麥穗目標。

附圖說明

圖1為本發明提出的一種Adaboost與NCC相結合的完整麥穗識別方法流程圖；

圖2為本發明提出的一種Adaboost與NCC相結合的完整麥穗識別系統結構圖。

具體實施方式