基于自适应椭圆分块和小波边缘检测的多猪目标提取方法

【摘要】：为了将多猪目标从背景复杂的俯视群养猪图像中提取出来,本文提出一种基于自适应椭圆分块和小波边缘检测的目标提取算法,为进一步探索群养多猪身份识别和行为分析等奠定了一定的基础。针对规模化养猪场中噪声干扰多、环境差、光线复杂、猪体图像质量较低等情况,本文首先使用限制对比度直方图均衡对图像进行增强,在提高图像中相同区域的相似度和不同区域的对比度的同时充分保留图像的细节信息;然后使用二维OTSU阈值对图像进行粗分割,遍历L?1级灰度寻找图像的最佳阈值,使得猪体目标和背景的类间方差最大,并且使用80像素盘状元素形态学闭运算消除图像的板条状边缘,将目标像素数目较小的连通区域和前景目标内部的非前景“空洞”进行去除和填充获得初始分割的多猪目标图像。然后在初始分割的结果上对俯视群养猪原图进行自适应分块,首先使用基于代数距离的最小二乘方法对图像进行椭圆拟合,再通过基于几何距离的最小二乘方法迭代获得改进的参数,将原图像以每个猪体目标为中心自适应分成若干个椭圆形区域。最后在每个椭圆形子块区域内,利用小波变换较好的多尺度分析能力,结合大尺度时的抗噪性、边缘稳定和小尺度时的边缘定位精度高、细节信息丰富的特性,使用基于B样条的小波边缘检测算法寻找猪体目标边缘,边缘检测后使用边缘生长解决检测的边缘不封闭连续的问题,使用二值形态学处理去除不是猪体目标的连通区域和填充猪体目标内部的非前景空洞,从而提取出图像中的多猪目标。试验结果表明,本文方法能够快速有效的提取出俯视群养猪图像中的多猪目标。与OTSU多阈值分割相比,本文算法的区域灰度对比度(G)、区域均匀性(U)和分割代价因子(Q)三个目标提取评价参数都优于前者;与人工提取猪体目标相比,本文算法的错误分割率为2.9%,目标提取结果令人满意,达到了研究的预期效果。