家禽检测

最新推荐文章于 2021-12-29 14:45:41 发布

阿杜依诺

最新推荐文章于 2021-12-29 14:45:41 发布

阅读量674

点赞数

分类专栏：机器学习

本文链接：https://blog.csdn.net/qq_40250862/article/details/82864120

版权

机器学习专栏收录该内容

5 篇文章 0 订阅

订阅专栏

1.分割家禽：

将家禽从当前的背景下分割出来，一般有复杂背景和简单背景，先从简单背景说起。通过颜色空间的对比，Lab对家禽分割比较友好。分割的方法有很多，如可以直接在YCrCb颜色空间下进行分割，本次主要说明Lab+Kmeans的方式。

在拿到数据后，要先对数据进行预处理。当前主要是图像增强（具体方式参见之前的图像增强），经过比对，直方图均衡对分割前的效果比较好，选取直方图均衡进行亮度均衡。然后就是将RGB转换到Lab颜色空间，进行Kmeans聚类分割（可以直接调用OpenCV下的Kmeans(参数介绍TermCriteria),kmeans首先要将样本矩阵拉伸，即每个样本为一行，也就是每个像素为一行，然后Kmeans，之后对每个类进行上色），之后分割出来的家禽可能整体偏暗（由于背景的原因，背景是纯黑的），可以选择伽玛变换对图像进行增强。

void main()//lab+kmeans分割,提取骨架
{
	
	const int MAX_CLUSTERS = 5;
	Vec3b colorTab[] =
	{
		Vec3b(0, 0, 255),
		Vec3b(0, 255, 0),
		Vec3b(255, 100, 100),
		Vec3b(255, 0, 255),
		Vec3b(0, 255, 255)
	};
	Mat data, labels;
	Mat pic = imread("C:/Users/Administrator/Desktop/ckpic/re/gck/29.jpg");//x.jpg
	Mat img_pic=pic.clone();
	
	Mat gray(pic.size(), CV_32FC3);
	//gammaLight(pic,gray,0.2);
	hist(pic,gray);
	imshow("src", gray);
	cvtColor(gray,pic,CV_BGR2Lab);
	for (int i = 0; i < pic.rows; i++)
	for (int j = 0; j < pic.cols; j++)
	{
		Vec3b point = pic.at<Vec3b>(i, j);
		Mat tmp = (Mat_<float>(1, 3) <<  point[0],point[1], point[2]);//
		data.push_back(tmp);
	}

	//根据浏览图片，确定k=3
	kmeans(data, 2, labels, TermCriteria(TermCriteria::EPS + TermCriteria::COUNT, 10, 1.0),
		3, KMEANS_RANDOM_CENTERS);
	
	int n = 0;
	cout <<"label:" <<labels.size() << endl;
	cout << "data" << data.size() << endl;
	cout << "pic:" << pic.size() << endl;
	//显示聚类结果，不同的类别用不同的颜色显示
	for (int i = 0; i < pic.rows; i++)
	for (int j = 0; j < pic.cols; j++)
	{
		int clusterIdx = labels.at<int>(n);
		pic.at<Vec3b>(i, j) = colorTab[clusterIdx];
		n++;
	}
	imshow("pic", pic);
}

2.分割鸡冠：

经过比对，发现Lab颜色空间的效果最好，故选择Lab颜色空间。主要步骤如下：高斯滤波，转换颜色空间，分离出a分量（Lab中L表示亮度，a表示红到绿，b表示黄到蓝），二值化（OTSU的效果不太好），用二值图像mask原图，得到鸡冠，对二值图腐蚀、膨胀去小白点，查找轮廓，找轮廓外接矩，用ROI在鸡冠图上截取，进一步提取鸡冠。

3.提取特征：

本项目主要是提取鸡冠的颜色特征和纹理特征。颜色特征描述的方式有颜色直方图、颜色矩、颜色集。本次采用颜色矩进行描述。颜色特征主要集中在低阶矩中，所以我只用了一阶矩（平均值）、二阶矩（标准差）、三阶矩（斜度）。

一阶矩：

$u=\frac{1}{N}\sum_{i=1,j=1}^{N}P_{i,j}$

二阶矩：

$\sigma= (\frac{1}{N}\sum (P_{i,j}-u)^{2})^{\frac{1}{2}}$

三阶矩：

$s= (\frac{1}{N}\sum (P_{i,j}-u)^{3})^{\frac{1}{3}}$

对RGB三个分量分别求颜色矩，将其构成一个1行9列的矩阵。

灰度共生矩阵：

主要参考灰度共生矩阵的原理及实现(特征提取)-OpenCV，灰度共生矩阵，灰度共生矩阵及相关特征值的计算——opencv。简述一下主要计算过程。先遍历像素，找到最大灰度。然后将灰度归到某个灰度等级（现在有8,16,32等级，默认是16），即比较最大灰度和16的大小，如果最大灰度比16打，则每个灰度都除以16，如果小于16，即表明灰度在16的范围内。然后分别求0,45,90,135度的灰度共生矩阵，然后归一化，之后分别求0，45，90，135的灰度共生矩阵的角二阶矩、熵、逆差矩、相关性，然后分别去它们的平均值，即可作为特征。

4.家禽姿态特征提取：

直接从家禽的二值图提取骨架，会受干扰，极大改变骨架，所以必须先进行轮廓的简化。轮廓简化采用多边形逼近的方法（可以直接调用OpenCV中的approxPolyDP），提取骨架用了zhang的快速并行细化算法。参考了两种图像骨架提取算法的研究，改进zhang方法图像细化。然后就是提取特征，主要的特征有：骨架中心点到头部的距离、中心点到脚部的距离、逼近多边形的凹凸性、鸡头鸡尾的y值，鸡头鸡尾端点之间多边形顶点凹凸性。

5.信息融合：

这里主要是决策融合，使用的是DS证据理论（DS证据理论）。其过程涉及到概率，但是OpenCV中的SVM输出的是类别，所以现在使用Platt Scaling（带概率输出的SVM、使用opencv中的分类器返回样本的类别置信度、具有概率估计的多类图像分类），主要就是将SVM中为经过阈值处理的F(x)放到sigmoid中去（这里系数A、B可通过极大似然法求解得到），最后会输出每个类的概率。然后就可以根据DS证据理论算总的每个类的概率，最大概率即为预测的类别。