论文部分内容阅读
为了将猪从猪舍复杂的背景中提取出来,便于后续对猪呼吸检测、步态识别、身份识别等工作实现,本文提出了基于多尺度小波模极大值的猪体目标提取算法。 由于猪舍中光线复杂、地面污迹多,猪体图像质量不高,本文首先使用小波阈值去噪和局部直方图均衡的预处理操作来去除噪声增强图像;然后利用最大类间方差法提取感兴趣目标区域,对猪体目标粗分割大致得到猪体所在区域,去除背景冗余细节信息对猪体目标提取的干扰;接着利用多尺度小波模极大值的方法来检测猪体目标的边缘点,对猪图进行小波变换得到梯度模极大值点,利用自适应阈值法去除梯度模极大值点对应的伪边缘点,再将不同尺度下的边缘信息综合得到猪体边缘;尽管多尺度小波模极大值边缘检测可以准确地提取出猪体目标的边缘,但是得到的边缘不完全连续,部分边缘之间存在间断,本文利用基于梯度的边缘生长法来使猪体边缘封闭,形成闭合轮廓。经过边缘生长法后的边缘虽已封闭,但除了目标的轮廓外还存在其他的噪声封闭曲线,本文采取膨胀、腐蚀、填充等二值形态学运算处理,最终得到猪体目标完成提取。 本文分别用最大类间方差法、区域生长法和本文算法对不同猪舍环境下的猪进行目标提取。为了客观评价实验结果,本文选取区域均匀性测度(UM)、区域灰度对比度(GC)、分割代价因子(Q)3项评价参数对上述实验结果进行定量分析。相比较最大类间方差法和区域生长法,本文算法的区域均匀性测度和区域灰度对比度最高,分割代价因子最小,评价参数表明本文算法提取的效果较好。对连续20幅黑猪样本图像进行本文算法目标提取,以人工提取猪体目标为参照,得出本文算法的错误率为5.3%,低于最大类间方差法和区域生长法。实验结果表明,在猪舍复杂背景下,本文算法能够较好地将猪体与背景分离,能够得到光滑、完整的猪体,提高了分割的有效性。 整个软件系统在Matlab和VC++混合编程环境下调试完成,具有使用方便、易于编写算法等特点。