当前位置：文档之家 › 基于水平集的高分辨率影像 牛羊自动检测的方法

基于水平集的高分辨率影像 牛羊自动检测的方法

  • 格式：pdf
  • 大小：1.08 MB
  • 文档页数：10

下载文档原格式

  / 10

合集下载

基于matlab的牦牛图像边缘检测研究

基于matlab的牦牛图像边缘检测研究

基于matlab的牦牛图像边缘检测研究牦牛图像边缘检测是牦牛线性体型评定的基础。

为此，介绍了牦牛数字图像检测的步骤。

首先将RGB图像灰度化处理，而后对图像平滑降噪，再用高斯拉普拉斯算子对这一系列操作后的图像探测目标物体的边缘，检测出预想的目标图像。

结果表明，经过一系列的预处理以后，检测出的牦牛图像边缘明显，便于后续计算区域内的牦牛数量以及判断区域是否过度放牧等实际问题。

标签：图像处理；中值滤波；高斯拉普拉斯算子引言牦牛是高寒地区的特有牛种，不同类型的牦牛体型特征不同。

经长期的研究和实践发现，具备标准功能体型的牦牛市场好，销量高，经济收益高。

该题目的研究和实现可以直接利用直接应用于青藏高原牦牛的养殖，针对目前高原地区的传统老旧的皮尺测量体标的方式，通过人眼辨别能力去统计牦牛数量的过时方式等等，该算法的研究与应用可以实现自动化，智能化，数字化的管理。

具有重要的研究价值和应用意义。

基于牦牛的图像分割算法进行研究，可以提取出牦牛的整体轮廓，方便为后续的牦牛体型的三维图像的重建，饲养机械设备，生理指标的动态监测，体型体尺、体重、性别等指标参数，牦牛等级划分和种类识别提供便利，有着巨大的研究价值和实用性。

1 图像预处理图像在转换或传送中，因为存在有光学系统的失真、数字化过程数据丢失或者噪声污染等因素，会使图像质量会受到一定水平的干扰，甚至淹没图像的特征。

这为后续的边缘检测、分割、分析判断等操作造成了不必要的困扰。

那么在图像进行后续处理之前，为了改善图像的视觉效果、方便人机化操作，突出图像的特性便于计算机处理，对图像进行预处理操作就很有必要了。

图像预处理，顾名思义就是对图像进行特征抽取等预先操作，包括图像的点运算、几何变换、直方图均衡化、降噪、平滑、锐化、增强、复原等步骤。

2 系统流程2.1 数字图像的读取和灰度首先，利用imread（）函数将原牦牛图像存入matlab的Workspace空间。

然后再利用rgb2gray（）函数将原牦牛RGB图像转换为灰度图像，为后续步骤中查看图像直方图信息提供便利。

畜产品品质的高光谱图像无损检测研究进展

畜产品品质的高光谱图像无损检测研究进展
图像 技 术对 畜产 品品质 进 行 无损 检 测 是 当前 的研 究 热 点之 一 。介
绍 了该技 术 的基本 原理 和分 析 过程 ， 总结 分 析 了国 内外 畜产 品品质 高 光 谱 图像 无 损检 测 的研
究现状 和存 在 问题 ， 出 了畜产 品 品质 高 光谱 图像 技术检 测 的未 来研 究发 展方 向， 提 以期对 我 国 相 关研 究人 员 的研 究工作 提供 参考 。 关键 词 ： 高光 谱 图像 ； 畜产 品品质 ； 无损 检测
第 ４ 卷 第 １ １ ０期
２１ ０ １年 １ ０月
激 光 与 红 外
ＬＡＳ ＥＲ ＆ Ｉ ＮＦＲＡＲＥＤ
Ｖｏ ． １ ４１， Ｎｏ． ０ １
Ｏｃｏ ｅ ， ０ ｔｂ ｒ ２ １ １
文章编号： ０— ７ （０ １１— ６ － １ １ ０８ ２１ ）０１ ７ ５ ０ ５ ０ ０
ｄ ｔｃｉ ｎ ｈ ｓｂ ｃ ｍｅ ａ ｒ ｓ ａ ｃ ｏｓ ｏ ． ｉ ｔ ｔ ｅ ｂ ｓ ｒｎ ｉ ｌ ｎ ｎ ｙ ｉ ｐ ｏ ｅ ｓｏ Ｉｉ ｎ ｒ ｄ ｃ ｄ ｉ ｈ ｅｅ ｔ ａ ｅ ｏ ｅ ｅ ｒ ｈ ｈ ｔ ｔ Ｆ ｒ ｌ ｈ ａ ｉ ｐ ｉ ｃｐ ｅ ａ ｄ ａ ａ ｓｓ ｒ ｃ ｓ ｆＨＳ ｓ ｉｔｏ ｕ ｅ ｎ ｔ ｅ ｏ ｐ ｓ ｙ， ｃ ｌ ｐ ｐ ｒ Ｔ ｅ ｈ ｅ ｅ ｒｈ ｓａｕ ｎ ｘ ｓｉｇ ｐ ｏ ｌｍｓｉ ｖ ｓ ｃ ｒ ｄ ｃ ｕ ｌ ｙ ｄ ｔ ｃｉｎ ｕ ｉ ｇ ＨＳ ｔ ｏ ｎ — ａ ｅ ． ｈ ｎ ｔｅ ｒｓ ａｃ ｔ ｔｓ ａ ｄ ｅ ｉｔ ｒ ｂｅ ｎ ｌ ｅ ｔ ｋ ｐ ｏ ｕ ｔ ａｉ ｅ ｅ ｔ ｓｎ Ｉａ ｍｅ ａ ｄ ａ ｎ ｉ ｏ ｑ ｔ ｏ ｈ ｂ ｏ ｄ ａ ｅ ｓ ｍｍａ ｚ ｄ ａ ｄ ａ ａｙ ｅ ． ｉａｌ ，ｈ ｅ ｅｏ ｍｅ ｔｄｒ ｃ ｉｎ ｏ ｔ ｒ ｅ ｅ ｒ ｈ ｉ ｉｅ ｔ ｃ ｒ ｄ ｃ ｕ ｌｔ ｒ ａ ｒ ｕ ｉ ｒ ｅ ｎ ｎ ｌｚ ｄ Ｆ ｎ ｌ ｔｅ ｄ ｖ ｌｐ ｎ ｉｅ ｔ ｆ ｕ ｕ ｅ ｒ ｓ ａｃ ｎ ｌ ｓｏ ｋ ｐ ｏ ｕ ｔｑ ａ ｉ ｙ ｏ ｆ ｖ ｙ

基于水平集的航拍影像阴影检测与去除系统设计

基于水平集的航拍影像阴影检测与去除系统设计

基于水平集的航拍影像阴影检测与去除系统设计摘要:建筑物、树木和山脉等遮挡光线,可能使航拍影像中出现阴影。

而阴影区域的存在可能影响图像后续处理,导致重要信息丢失。

本系统旨在设计自动检测航拍影像中阴影区域并将其去除的系统,选择并搭建基于水平集航拍影像阴影检测算法的进行系统设计。

系统主要功能包括:图像读入、图像去雾、阴影检测、阴影去除。

关键词:航拍影像图像去雾阴影检测阴影去除水平集1 系统研究意义建筑物、树木和山脉等遮挡太阳光线,使遥感航拍影像中存在阴影区域。

阴影区域的存在可能导致重要信息的丢失,进而影响影像的后续处理,如图像配准、图像内容理解、分割、特征提取、目标变化检测和定位等。

阴影检测是遥感航拍影像中地物跟踪、分类和识别等处理的重要步骤之一,目前阴影检测技术可分基于模型与基于阴影属性两大类,基于模型的方法需有关影像中地物几何形状或DSM数据、太阳高度角、传感器参数等知识,计算复杂,且适用于特定场景。

基于阴影属性的方法通过分析阴影区域在亮度、几何结构和颜色等方面的共性及其与非阴影区域的差异来检测阴影区域,应用比较复杂[1]。

本系统旨在开发设计自动检测航拍影像阴影区域并将其去除的系统。

选择并搭建基于非匀质区域水平集航拍影像阴影检测算法的系统开发平台,实现自动检测阴影区域并将其去除。

系统主要功能包括:图像读入、图像去雾、阴影检测、阴影去除。

图像阴影区域极可能含重要信息,准确检测阴影区直接关系到影像后续处理及获取与识别阴影区中重要信息的成效。

本系统所用的算法不仅可解决传统阴影检测方法中对非匀质同块阴影区检测不全面的问题,也可检测到传统方法中漏检的亮阴影区。

检测到的阴影区连续、边缘清晰整齐,并能有效排除绿色植被干扰,检测正确率高,漏检率低,检测全面,阴影区提取方便。

2 国内外研究现状G.D.Finlayson等最早提出利用彩色不变量来进行阴影检测、阴影消除[2],但是这些彩色不变量要在图像满足中性界面反射模型的条件下才成立[3],而且很多的航空影像都难以满足此条件。

基于高光谱成像的农作物无损检测研究

基于高光谱成像的农作物无损检测研究

基于高光谱成像的农作物无损检测研究随着科技的不断发展，高光谱成像技术被越来越多地应用于农业领域中。

农作物是人类的重要粮食来源，而精确地了解农作物的生长状态和品质对于提高农作物的产量和品质具有重要意义。

而高光谱成像技术的无损检测能够提供农作物生长状态细腻的空间分布信息，使农民和科学家们能够更精确地了解其生长状态和品质，进而进行有效的管理和治理。

一、高光谱成像技术原理高光谱成像技术是指通过光谱分析，获取多波段图像信息，同时获取每一个像素点的连续谱信息。

它可以获取细微颜色与纹理变化的光谱响应，从而得到物体的光谱特征，同时能够进行深入的分析和调查。

高光谱成像技术可以提供高精度的物质分析和检测。

二、农作物无损检测应用1. 大规模农田遥感监测高光谱成像技术能够获取农田中大规模农作物生长状态数据，从而提高农作物的生产效率和品质。

在遥感监测中，可以通过对不同光线反射光谱的分析，得到植物的生长状态和品质信息。

在大规模农田监测中，我们可以提高农民观测农作物的手工记录效率，同时也能够为农业科学研究和管理提供数据支持。

2. 农作物病害监测高光谱成像技术的另一个应用是农作物病害检测。

通过高光谱成像技术，我们可以通过光谱响应来获取农作物的生长状态和品质信息。

同时，我们也可以根据农作物叶片形态的变化来推断农作物是否患病，并可以对植被表面物质进行定量的分析和判断。

现在，许多国家使用该技术，可以以较低的成本及时检测出农作物中的病害（如病斑和萎缩），从而对其进行管理和治理。

3. 农产品质量检测高光谱成像技术还可以应用于农产品的质量检测。

通过高光谱成像技术，我们可以获取精确的光谱信息，从而推断农产品的品质状况，如成熟度、酸度、糖分、水分等。

此外，在构建数据模型方面，高光谱成像技术可以更精确地进行复杂的扫描，并使用多种方法进行数据处理和分析，从而识别和判定不同的品质。

三、高光谱成像技术的潜力和前景伴随着科技的不断发展，高光谱成像技术不断完善和发展，其超强的信息处理和识别性能被人们充分发掘和运用。

用Quick Bird遥感影像监测区域牛羊圈分布情况初探

用Quick Bird遥感影像监测区域牛羊圈分布情况初探
中图分类号 ： ８０ ２ Ｘ ３ ． 文献标识 码 ： Ａ 文章编 号 ：０ ７— ４ ４ ２ １ ）２— ９ ０ １０ ２ ５ （０ １ ０ ０ １— ３
１ 引 言
４ ３ 。３， ９ 一 ３５ 区域面 积 为 １７０ １ｍ 。 ８ ．７ ｋ ２２ 数 据 资料 。本 文所 用 的 Ｑ ｉｋＢｒ 像 数 ． ｕｃ ｉ ｄ影 据 获取 时 间为 ２０ ０５年夏 季 ， 其多 光谱 波段 分辨 率 为 ２４ ｍ， 色 波段 为 ０ ６ｉ； Ｍ 影 像 数 据 获 取 ．４ 全 ．１ Ｔ ｎ 时 间为 ２０ ０ ５年 夏 季 ， 辨 率 ３ ｍ， 、 、 分 ０ ４ ３ ２通 道 合 成 ； 量数 据 为 ２０ 矢 ０６年度 高 分辨 率遥 感影 像 区域
２ 监 测 区概 况 、 据资 料及 技 术路 线 数
相关图层叠加 ， 进行信息提取 和分析 。方 法
３１ Ｑ ｉ ｉ ． ｕ ｋＢｒ ｃ ｄ影像 的融合处 理。分 辨率融合 （ ｅｏ ｔ ｎＭ ｒ ） Ｒ ｓ ｕ ｏ ｅ ｅ 是对不 同空 间分辨率遥 感 图 ｌｉ ｇ 像 的融合处理 ， 使处理后 的遥感图像既具有较好 的空间分辨率 ， 又具有多光谱特征 ， 从而达到图像 增 强 的 目的 ＿ 。本次 使用 的 Ｑ ｉｋＢｒ ２ Ｊ ｕｃ ｉ ｄ图像数 据 经实地采样对其进行 了精校正 ， 由全色波段 和多 光谱融合而成 ， 分辨率接近 ０６ ．ｍ。 文章采用基 于像元 的图像融合方法 ， 经过多 次实验 ， 彩色标准化变换后 的效果较好 。即比值 变换融合法（ ｒ ｅ Ｔａｓ ｒ ， 理是先标准化 Ｂｏ ｙ ｒ ｆ ｍ）原 ｖ ｎｏ
ｒｓ ｉ ｇ ｅ．ｍａｅ Ｊ＝Ｄ Ｂ — ｅ Ｎ ｎ ｎｗ
２ １ 年 ６月 ０１
多波段 数 据 ， 乘 以高分 辨率 数据 ， 再 以增强 图像 的 亮 度 和空 间分 辨率 ， 算法 公式 如下 ：

一种基于遥感影像识别牛羊的方法和系统[发明专利]

一种基于遥感影像识别牛羊的方法和系统[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010111366.1(22)申请日 2020.02.24(71)申请人 中国科学院植物研究所地址 100093 北京市海淀区香山南辛村20号(72)发明人 白永飞　陈文贺　赵玉金　鲁小名　王扬　(74)专利代理机构 北京纪凯知识产权代理有限公司 11245代理人 孙楠(51)Int.Cl.G06K 9/00(2006.01)G06K 9/38(2006.01)G06T 7/00(2017.01)G06T 7/62(2017.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称一种基于遥感影像识别牛羊的方法和系统(57)摘要本发明属于影像识别技术领域，涉及一种基于遥感影像识别牛羊的方法和系统，包括以下步骤：S1基于遥感影像集，通过深度学习目标识别算法训练识别模型；S2通过训练模型识别遥感影像中的牛个体，并统计牛的数量；S3结合阈值法识别遥感影像中的羊个体，并统计羊的数量；S4通过识别出的牛个体和羊个体判断牛和羊的体尺。

其针对分布过于密集的羊群，利用YOLO V3算法识别结果确定羊群范围，同时结合阈值法对该区域羊个体进行进一步分辨识别并统计总数；通过识别结果计算影像中不同牛羊的体长，利用已有实测数据获取体长与体高、胸围等其它体尺的比例关系，反演影像中牛羊的其它体尺。

权利要求书2页 说明书5页 附图4页CN 111339912 A 2020.06.26C N 111339912A1.一种基于遥感影像识别牛羊的方法，其特征在于，包括以下步骤：S1基于遥感影像集，通过深度学习目标识别算法得到识别模型；S2通过所述识别模型识别遥感影像中的牛个体，并统计牛的数量；S3结合阈值法识别遥感影像中的羊个体，并统计羊的数量；S4通过识别出的牛个体和羊个体判断牛和羊的体尺。

基于人工智能的自适应分辨率畜牧视频信息处理方法[发明专利]

专利名称：基于人工智能的自适应分辨率畜牧视频信息处理方法
专利类型：发明专利
发明人：各珍珍,邹昊
申请号：CN202010842163.X
申请日：20200820
公开号：CN111986234A
公开日：
20201124
专利内容由知识产权出版社提供
摘要：本发明提供了一种基于人工智能的自适应分辨率畜牧视频信息处理方法。

将各个子区域的原始图像经投影变换和拼接后投影在BIM地面平面上，得到养殖区域的全景俯视图。

同时通过牲畜检测神经网络处理畜牧区域图像得出牲畜关键点热力图，将牲畜关键点热力图经过投影变换和拼接后投影在BIM地面平面上，经过一定的后处理得出牲畜的运动量和牲畜关键点叠加图，并根据牲畜运动量调节各个相机拍摄图像的分辨率。

通过WebGIS和信息交换模块将BIM里的信息可视化，实现了对整个畜牧区域牲畜运动情况的实时监控，并且可以对运动量异常的牲畜个体进行进一步的观察分析。

申请人：各珍珍
地址：610000 四川省成都市高新区(西区)西源大道2006号
国籍：CN
代理机构：郑州芝麻绘智知识产权代理事务所(普通合伙)
代理人：李玲玲
更多信息请下载全文后查看。

基于计算机视觉技术的牛发情监测方法及系统[发明专利]

专利名称：基于计算机视觉技术的牛发情监测方法及系统专利类型：发明专利
发明人：卿胜奎
申请号：CN201910333012.9
申请日：20190424
公开号：CN110070051A
公开日：
20190730
专利内容由知识产权出版社提供
摘要：本发明目提供了基于计算机视觉技术的牛发情监测方法及系统，利用计算机图像处理技术可以无接触、高精确度、适应性强牛个体身份识别、行为特征分析，发情检测，并通过机器学习等人工智能提高计算的监测准确度，实现在养殖场中牛个体无接触精确个体识别，行为分析监测等，具有全天候监测，监测效率高，牧场前期投入成本和后期维护成本低等特征；解决现有的各种牛群发情检测的方法存在工作量大，检测精度不高，漏检牛的发情行为，从而耽误奶牛配种，以至于影响奶牛养殖的利益的问题。

申请人：卿胜奎
地址：400000 重庆市永川区吉安镇正街71号附82号
国籍：CN
代理机构：成都顶峰专利事务所(普通合伙)
代理人：陈夏
更多信息请下载全文后查看。

基于近红外高光谱技术检测新疆羊肉品质

(下转28页)随着我国经济生活水平的不断提高，人们对于羊肉的需求越来越日常化，从最开始的简单的屠宰消费逐渐走向深加工和商品化。

羊肉食品安全被更多地关注，现代营养学研究发现，羊肉的粗蛋白含量(12.8%～18.6%)近于牛肉(16.2%～19.9%)，高于猪肉(13.5%～16.4%);粗脂肪含量(16%～37%)低于猪肉(25%～37%)，高于牛肉(11%～28%);氨基酸含量丰富、种类齐全，有多种人体必需的氨基酸，如精氨酸、赖氨酸、组氨酸、亮氨酸、苯丙氨酸等，极易被人体消化吸收利用;含有多种矿物质，如K、P、Ca、Fe、Zn等以及多种维生素，如VB l 、VB 2、VB 3等。

目前，我国对于市场上的羊肉检测主要有感官和理化检测两种方式。

该方法因市场上检测人员的专业素质和技能水平受到主观因素影响比较大，存在较大的争议。

而理化检测是通过仪器仪表和检测羊肉的各项指标，这种方法科学但是过程比较复杂，很难在各个地方实行，只能简单地抽检，不能广泛应用于当前人民生活中来。

近年来随着电子计算机和光学图像处理技术的不断发展，传统的检测方式逐渐被取代，羊肉肉质检测正朝着高科技方向发展，可见光红外光谱分析技术、生物工程技术逐渐被应用在市场人员对羊肉的品质检测。

尽管这些技术存在一定的偏差，但相对于传统的检测人员感官检测和复杂的理化检测已经被越来越多的检测机构接受。

1 近红外高光谱成像技术随着计算机学科的不断发展，光谱成像技术越来越成熟，近红外高光光谱成像技术就是在其基础上，融合编程技术、信息化处理技术、图像处理技术等诸多学科的技术。

它能够将被检查羊肉用三维数据块的模式进行内部特征分析，根据各项分析指标参数对比，区分羊肉品质等级。

我国国内对于近红外技术的研究和应用起步较晚，研发的设备在市场上出现得较少，不过随着我国科研机构和人员的不断努力，市场上也出现了简单的红外检测羊肉的设备，随着羊肉品质各项指标的不断细化，越来越多的研究人员对其足够重视，在羊肉品质检测领域取得一些科研成果。

基于多光谱图像技术的生鲜牛肉嫩度检测分级系统[发明专利]

专利名称：基于多光谱图像技术的生鲜牛肉嫩度检测分级系统专利类型：发明专利
发明人：徐杨,田潇瑜,彭彦昆,马世榜,唐鸣,牛力钊
申请号：CN201210316635.3
申请日：20120830
公开号：CN102854148A
公开日：
20130102
专利内容由知识产权出版社提供
摘要：本发明属于食品质量检测技术领域，涉及一种基于多光谱图像技术的生鲜牛肉嫩度检测分级系统，在暗箱内，CCD工业相机的镜头对准高度可调载物台台面的中心，2个多光谱光源组件分别通过2个光源固定支架对称置于暗箱的左右侧壁上，多光谱光源组件上的大功率LED阵列有6种波段的LED组成，检测时被测样品置于高度可调载物台的台面上，6种波段的LED依次轮换发光，CCD工业相机采集被测样品的多光谱的图像，经计算机图像处理提取多光谱的瘦肉部位感兴趣区域的牛肉样品反射图像，从而提取牛肉大理石花纹，对牛肉大理石花纹含量进行评价分级和预测牛肉嫩度。

本发明适用于分割生鲜牛肉销售、加工、进出口公司，以及质监部门的市场监督。

申请人：中国农业大学
地址：100093 北京市海淀区圆明园西路2号
国籍：CN
代理机构：北京众合诚成知识产权代理有限公司
代理人：朱印康
更多信息请下载全文后查看。

  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
通过处理，仍然还有一些杂物需要处理。
(7)
2.3. 杂物剔除与牛羊统计
剔除杂物会出现两种特殊情况[30] [31]。 第一种是有一些小块的背景区域被误当成了牛羊区域，本文选择数学形态学，图像膨胀、合并、开 运算等，对细碎的牛羊部分合并，除牛羊之间相连现象。 第二种是有一些牛羊因为裁剪或拍摄等原因，使牛羊出现在高分辨率影像的边界上，出现在边界部 分有一些牛羊不完全，而且还会影响后面的统计。针对这种情况，本文采取了边缘过滤的方法。即把边 缘的牛羊部分全部变成背景区域，不加入统计。 本文采用四邻域标号搜索方法统计经过数学形态学处理产生的连通域。
Automatic Detection of Cattle and Sheep in High Resolution Images Based on Level Set
Aiwu Zhang1, Peng Gao1*, Lulu Liu1, Shatuo Chai2
1
Key Laboratory of 3D Information Acquisition and Application of Ministry of Education, Capital Normal University, Beijing 2 College of Animal Husbandry and Veterinary Sciences (Qinghai Academy of Animal Husbandry and Veterinary Sciences), Qinghai University, Xining Qinghai Received: Apr. 30 , 2018; accepted: May 17 , 2018; published: May 24 , 2018
Open Access
1. 引言
现行的牛羊统计方法主要是人工统计，逐级汇总，工作量大，耗费时间长。因此，需要探索出 一种新的统计方法。目前很少有研究人员在做这方面的工作，不过有很多研究人员在从事着基于图 像处理技术的自动识别和技术 [1] [2] [3]。 这方面应用主要在颗粒、 菌落、 细胞和大米自动计数上 [4] [5] [6] [7]。 周莹莉、曾立波[8]等人针对菌落图像特点，提出使用最大类间方差法对采集的菌落图像进行分割， 分析菌落种类、大小和形态，并对分割后的菌落进行统计。G. Corkidi [9]等研制出菌落图像分析系统，能 够对不均匀、存在粘连菌落的图像进行分割、计数、分析。尤育赛[10]等人对重叠的红细胞图像进行研究 分析，提高自动分割的精度。中国农业研究院的张云鹤[11]研究出了用于农作物计数的自动颗粒计数仪， 该系统在 PC 机上可以实现，但由于需要特定的 LED 灯光照明，所以使用起来不是很方便。赵增华[12] 等人曾以“绿僵菌”为研究对象，采用基于小波理论的图象分析法实现菌种的自动分类和计数。凌云[13] 等人设计出检测大米外观品质参数的装置，该装置基于机器视觉能够实现对大米粒型参数的检测及数目 统计。宋强[14]等人据此对棒材端面图像进行分析，实现了棒材的自动计数。 大学也针对不同用途的计数系统做过研究， 如天津大学， 重庆邮电大学，东北电力大学，吉林大学， 包括一些国外的大学都进行过类似研究[15]-[20]。 虽然基于图像处理技术的颗粒、菌落、细胞和大米等自动识别和技术的研究比较多，但是却不能完 全适用于牛羊统计中。因此本文在颗粒、菌落、细胞和大米等的成熟自动计数理论之上，提出了一种基 于水平集的高分辨率影像牛羊自动检测的方法，可自动统计牛羊个数。
∂φ = F ⋅ ∇φ ∂t
公式 6 就是水平集函数的真实演化函数。 基本方程式式 6 是一个水平集函数，是在法向力 F 的推动下的演化方程。 本文选择水平集作为牛羊图像分割方法。
(6)
2.2. 牛羊提取
经过上面处理的图像，圈出牛羊区域，若统计牛羊数量，还需进一步处理。故在这引入了图像二值 化的方法，图像二值化是为了从高分辨率率影像中检测出牛羊，即将图像分成牛羊和背景两个区域。通 常的办法是假设一个阈值为 θ，定义水平集分割出来的牛羊图像中灰度级大于 θ 的像素群为牛羊部分，
张爱武 等
∂C = F⋅N ∂t φ ( C ( t ) , t ) = 0
(1) (2)
(1)
在公式 1 中，动力 F 是一个速度函数，它为法向速率，N 是单位法向的方向。 对公式 1 中的(2)式，进行时间 t 的偏导数，可以得到以下的公式推导过程：
∂ϕ ( C ( t ) , t ) ∂t
3. 实验结果与分析
3.1. 图像分类分割实验
在这里，因为水平集的动态处理步骤都是一样的，故在这做了一组简单实验，方便显示看效果和五 组牛羊数目较多的情况下的实验。 首先，设定水平集函数的初态，得到如图 1(a)；其次，确定迭代次数，本文中数据选取的迭代次数 为 1000 次；然后，按基本方程推演水平集函数的各个状态，对于每一水平集函数的状态求解零水平集。 分别得出迭代次数为 120 次，400 次，640 次，880 次的结果，如图 1(b)~图 1(e)；最后，迭代次数完成 1000 次，牛羊也完全分出来了，得到结果图 1(f)。 为了定量水平集算法的检测性能，本文采用了三个定量评价指标，分别是：漏检率(Omitted error)、 误检率(Committed error)，及总错误率(Total error) [32]，分别定义： 漏检率：
FOER =
误检率：
DOI: 10.12677/airr.2018.72006 56
FN TS
关键词
牛羊，水平集，高分辨率，统计，杂物剔除
Copyright © 2018 by authors and Hans Publishers Inc. This work is licensed undernational License (CC BY). /licenses/by/4.0/
∂t ∂ϕ ∂x ∂ϕ ∂y ∂ϕ = ⋅ + ⋅ + ∂x ∂t ∂y ∂t ∂t ∂ϕ ∂C = + ∇ϕ ⋅ ∂t ∂t
=
∂ϕ ( x ( t ) , y ( t ) , t )
即化简为
∂φ ∂C + ∇φ ⋅ =0 ∂t ∂t
在公式 2 中，∇ϕ是ϕ的梯度是个向量，可以得到公式 3：
(2)
∇φ=
2. 研究方法
2.1. 图像分类分割
水平集图像处理的核心思想是不断求解关于水平集演化过程的函数， 该函数是一个 n 维变量[21] [22] [23] [24]。 在这零水平集 C(t)时所对应的水平集函数ϕ，得到公式 1 所示：
DOI: 10.12677/airr.2018.72006 54 人工智能与机器人研究
在公式 2 中，
∂φ ∂φ ⋅i + ⋅j ∂x ∂y
(3)
∂C 也是个向量，可以得到公式 4： ∂t ∂C ∂x ∂x = ⋅i + ⋅ j ∂t ∂t ∂t
(4)
公式 3 和 4 与公式 1 中(1)式是一致的，又因为以下公式 5：
N= −
说明公式 5 与水平集函数定义有关。
∇φ ∇φ
(5)
即ϕ是沿着曲线 C 的方向变化量为零，只能沿着其法线方向变化。 把 5 式带入公式 1 中(1)式中，再接着把公式 1 中(1)式带入 2 式中。 即可得
张爱武 等
摘
要
传统牛羊数量清点工作主要依靠人工统计的方式，这种方法费时、费力。针对这一缺点，本文利用飞艇 获取的高分辨率影像，提出一种基于水平集的牛羊自动统计方法。首先，用水平集方法对牛羊图像分割 分类，根据颜色、面积、长宽比等简单特征，剔除杂物，提取图像中牛羊部分。然后，提取通过连通域 数量，统计牛羊数量。实验表明该方法简单有效。
Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2018, 7(2), 53-62 Published Online May 2018 in Hans. /journal/airr https:///10.12677/airr.2018.72006
Keywords
Cattle and Sheep, Level Set, High Resolution, Statistics, Debris Elimination
基于水平集的高分辨率影像 牛羊自动检测的方法
张爱武1 ，高
1 2
朋1*，刘路路1，柴沙驼2
首都师范大学，三维信息获取与应用教育部重点实验室，北京 青海大学，畜牧兽医科学院(青海省畜牧兽医科学院)，青海 西宁
DOI: 10.12677/airr.2018.72006 55 人工智能与机器人研究
张爱武 等
灰度级小于 θ 的像素群为背景区域[25] [26] [27] [28] [29]，例如设原始图像为 f ( x, y ) ，二值化后图像为
g ( x, y ) ，则得到公式 7，如下所示：
1, f ( x, y ) ≥ θ g ( x, y ) = 0, f ( x, y ) < θ
th th th
Abstract
The traditional counting of cattle and sheep relies mainly on manual statistics, which is time-consuming and laborious. Aiming at this shortcoming, an automatic statistic method of cattle and sheep based on level set is presented by using high resolution image obtained from airship. Firstly, using the level set method to classify the image of cattle and sheep, according to the simple features of color, area, aspect ratio and so on, and remove the sundries and extract the part of cattle and sheep in the image. Then, the number of cattle and sheep is extracted by the number of connected domains. Experiments show that the method is simple and effective.