基于人工智能的农业航拍图像处理方法及系统与流程

1.本发明涉及农业航拍图像质量优化领域，具体涉及基于人工智能的农业航拍图像处理方法及系统。


背景技术：

2.现有技术中，如果采用从空中进行农业信息的采集方式，能够更便捷地获取农业大数据信息。以往从高空中进行农作物图像采集并识别多以遥感技术为主，但这种实现方式存在计算复杂，识别效率低等问题，具有一定的限制性。近年来，在深度学习技术的推动下，图像识别与分类得到了广泛的应用，采用无人机拍摄作物图像可以降低工劳动强度，提高生产效率以及数据准确性。
3.但是，目前环境污染较为严重，雾霾天气频繁出现，从而导致光学传感器捕获的图像质量严重降质，影响计算机视觉算法的有效执行，同时导致获取的农业信息准确性降低，因此，对图像质量改善优化算法的研究对于计算机视觉在农业航拍领域的应用具有极大的现实意义和实用价值。
4.目前，对于图像质量改善的方法多为基于模型的图像增强算法，以及基于模型的图像复原算法。但是，图像增强算法在排除图像部分干扰信息的同时会出现过增强的现象，引起图像的色彩失真；对于基于模型的图像复原方法，对于图像信息存在透射率估计不准确问题，图像复原过程中不能够完整的保持图像的边缘特征，导致复原后的图像容易丢失部分亮度信息和细节信息。


技术实现要素：

5.本发明的目的在于提供一种基于人工智能的农业航拍图像处理方法及系统，用于解决方法改善农业航拍图像的质量不佳的问题。
6.因此，所采用的技术方案具体如下：
7.第一方面，本发明提供了一种基于人工智能的农业航拍图像处理方法，包括：
8.p1)对农业航拍图像进行分块处理，等分为多个尺寸相同的像素块，利用各个像素块之间的间隔距离和梯度差异，筛选满足设定条件的像素块，作为参考像素块pc_i的相似像素块，i＝1,2,
…
,m，m为像素块的总数，每个参考像素块pc_i与其相似像素块一同构成一个相似像素块集合；
9.p2)对各个相似像素块集合中的各个像素块进行频域变换，在频域中去除各像素块中的噪声，然后对各个像素块进行频域反变换，得到时域上的各个像素块；
10.p3)利用相似像素块集合中各像素块的像素值，来修正该相似像素块集合中参考像素块pc_i的像素值，直到所有参考像素块的像素值均修正完成后，融合所有修正过的参考像素块，得到当前农业航拍图像的优化图像。
11.优选的，在步骤p1)之前，还包括以下步骤：
12.获取农业航拍图像，采用设定的噪声转换模型进行图像处理，将农业图像上的各
种噪声转换成高斯噪声，得到农业航拍图像的转换图像。
13.优选的，步骤p1)中，筛选像素块的方法包括一次筛选，步骤如下：
14.1)选取一个参考像素块，计算该参考像素块与其他各像素块之间的相似程度，计算式如下：
[0015][0016]
式中，d
p、h
为参考像素块与其他待分析各像素块之间的相似程度，为待分析像素块与参考像素块之间的距离，n
×
n为像素块尺寸；
[0017]
2)当所述的相似程度低于设定距离阈值时，选择此像素块，作为参考像素块pc_i的相似像素块；
[0018]
3)重复上面步骤，确定下一个参考像素块的相似像素块集合，直到确定出所有参考像素值的相似像素块集合。
[0019]
优选的，步骤p1)中，筛选像素块的方法还包括二次筛选，步骤如下：
[0020]
1)根据一次筛选得到的相似像素块集合，根据集合内各像素块中的像素梯度，构建能够表征像素块内像素值整体变化情况的特征矩阵；
[0021]
2)在当前的相似像素块集合内，根据各个像素块的特征矩阵，确定各个像素块在水平、垂直方向上的梯度特征；
[0022]
3)计算相似像素块集合内，参考像素块和其他各个像素块在水平、垂直方向上的梯度特征差异值，在水平、垂直方向上的梯度特征差异值求和，得到参考像素块和另一个待筛选的像素块之间的非相关系数；
[0023]
当非相关系数低于设定阈值时，判定该待筛选的像素块与参考像素块相关，当非相关系数高于或等于设定阈值时，判定该待筛选的像素块与参考像素块不相关，删除集合内不相关的像素块。
[0024]
优选的，步骤1)中，各像素块对应的特征矩阵的表达式为：
[0025][0026]
式中，d为特征矩阵，v
x
(k)、v
y
(k)分别为第k个像素的水平和垂直方向上的梯度，n
×
n为像素块尺寸，e、f、g为三个特征元素值。
[0027]
优选的，步骤2)中，利用设定的像素块梯度特征分析模型确定各个像素块在水平、垂直方向上的梯度特征，像素块梯度特征分析模型如下：
[0028]
g
x
＝τcosθ
[0029]
g
y
＝τsinθ
[0030]
其中，gx，gy分别表示各像素块在x水平方向上、y方向上的梯度特征，τ为根据特征矩阵计算出的梯度模值，cosθ，sinθ均表示根据特征矩阵和特征模值计算出的梯度方向。
[0031]
优选的，步骤3)中，利用构建的像素块相关性分析模型计算非相关系数，所述像素
块相关性分析模型为：
[0032]
r
x
＝(g
x
(1)
‑
g
x
(2))2+(g
y
(1)
‑
g
y
(2))2[0033]
其中，r
x
表示非相关系数，g
x
(1)，g
x
(2)表示两个像素块在水平方向上的梯度特征值，(g
x
(1)
‑
g
x
(2))2表示水平方向上的梯度特征差异值；g
y
(1)，g
y
(2)表示两个像素块在垂直方向上的梯度特征值，(g
y
(1)
‑
g
y
(2))2表示垂直方向上的梯度特征差异值。
[0034]
优选的，步骤p2)中的具体处理子步骤如下：
[0035]
1)对于步骤p1)获取的每组集合，基于集合内的各像素块对应位置的像素点构建矩阵模型，然后通过频域变换方法对各矩阵数据转换到频域中，得到频域上的图像数据；每个矩阵模型中，将同一集合内各像素块的像素值以行或列的形式排列；
[0036]
2)对频域上的图像数据，获取该图像数据中，参考像素块对应的集合中各相似像素块的各对应位置的小波系数bij，i为集合内的像素块，j为像素块中的像素位置，像素块中的任一个像素点对应一个小波系数；
[0037]
3)修改图像数据中的小波系数，将超过阈值的小波系数置零，以去除像素块中的噪声，对修改小波系数后的图像数据进行频域逆变换，将其变换到原来的时域中，得到修改后的像素块；对各个单个像素块进行前面的去噪处理，得到所有集合中修改后的像素块。
[0038]
优选的，步骤p3)中的具体处理子步骤如下：
[0039]
(1)获取集合内各像素块的非零分量，该非零分量为非噪声的正常像素点个数，记为r
t
，代表第t个像素块中非零分量总数；
[0040]
(2)根据各像素块中非零分量的数量以及整个集合中非零分量，计算各像素块对参考像素块的影响权重，计算式如下：
[0041][0042]
其中，s为集合中所有像素块的非零分量总数，w
t
为第t个像素块的影响权重，包括各个相似像素块的影响权重，以及参考相似块对其自身的影响权重；
[0043]
(3)通过设置的像素值计算模型，修正相似像素块集合中参考像素块pc_i的像素值，像素值计算模型如下：
[0044][0045]
式中，i
i
′
为每个参考像素块修正后第i个像素点的像素值，m为集合内的像素块数量，i
it
为第i个像素点分别在集合内m个像素块中各像素块对应位置处的像素值，t为集合内的像素块序号；
[0046]
(4)融合所有修正过的参考像素块，得到当前农业航拍图像的优化图像。
[0047]
第二方面，本发明提供了一种基于人工智能的农业航拍图像处理系统，包括：
[0048]
包括存储器和处理器，以及存储器上并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器在执行计算机程序时实现所述的农业航拍图像处理方法。
[0049]
本发明具有如下有益效果：
[0050]
本发明将一张农业航拍图像分成若干个尺寸相同的像素块，依次将每一个像素块作为参考像素块，在剩余的像素块中筛选与参考像素块相似度较高的像素块，筛选间隔距
离较小、梯度差异较小的像素块，作为相似像素块，与对应的参考相似块构成一个相似像素块集合；然后，对各相似像素块中的所有像素块进行频域上的去噪处理，实现初步的图像质量优化，初步优化后，对于每个相似像素块集合，利用集合中各个像素块的像素值，来修正集合中参考像素块的对应位置的像素值大小，实现图像质量再次优化；最后将各修正后的参考像素块融合拼接，得到当前农业航拍图像的最佳优化图像。
[0051]
本发明利用相似像素块能够对参考像素块进行修正的原因是，当分得的像素块数量最够多，集合内各个像素块的分布距离较近且梯度差异较小，如果之前步骤的频域去噪过程中，遗留了个别的噪声点，例如修正前参考像素块的某一位置处为噪声点，那么经过集合内各像素块在同一位置像素值的加权叠加，最终求得的像素值能够明显弱化甚至去除该噪声点，达到图像质量的最佳优化。
[0052]
本发明通过人工智能结合图像分析处理方法对农业航拍图像进行针对性的处理，提高图像质量，防止图像色彩失真，保证图像细节信息以及边缘信息的完整性，同时能够较好的恢复图像记录的场景信息，提升图像清晰度，能够提供准确的农业信息，实现对农业信息的实时检测。
附图说明
[0053]
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0054]
图1为本发明实施例1的农业航拍图像处理方法流程图。
具体实施方式
[0055]
下面结合附图具体的说明本发明所提供的实施方案。
[0056]
实施例1：
[0057]
本发明的一种基于人工智能的农业航拍图像处理方法，主要目的是，。该方法的发明构思为：
[0058]
具体的，如图1所示，该方法的具体实现步骤如下：
[0059]
步骤s1，获取农业航拍图像，采用设定的噪声转换模型进行图像处理，将农业图像上的各种噪声转换成高斯噪声，得到农业航拍图像的转换图像。
[0060]
本步骤中，用于进行图像处理的噪声转换模型为：
[0061]
y
′
＝ln(y)
[0062]
y＝x
v
[0063]
其中，y
′
为农业航拍图像的转换图像，x为未处理的农业航拍图像，v为转换系数。
[0064]
之所以上面的转换模型能够将图像中噪声转换成高斯噪声，其理解过程如下：
[0065]
为了描述含有噪声污染的农业图像，构建噪声分析模型：
[0066]
x＝cz
[0067]
其中，x是被噪声污染的图像，c为真实图像，z为噪声。
[0068]
然后，结合上面的噪声分析模型，噪声转换模型可表示为：
[0069]
y
′
＝ln(y)＝vln(c)+vln(z)
[0070]
式中，vln(z)即为满足高斯分布的加性噪声。
[0071]
该步骤主要目的是将图像中的噪声进行统一处理，即利用转换模型进行优化处理，将图像中的噪声转换成高斯分布特性的噪声，为了防止图像中的噪声种类不一致时，降低后续处理步骤的图像质量，以便后续步骤使用基于高斯噪声的滤波算法将噪声去除，对图像的处理、复原。如果原始的农业航拍图像中的噪声种类一致，则无需进行步骤s1中的图像处理。
[0072]
步骤s2，对农业航拍图像的转换图像进行分块处理，等分为多个尺寸相同的像素块，利用各个像素块之间的间隔距离和梯度差异，筛选满足设定条件的像素块，作为参考像素块pc_i的相似像素块，i＝1,2,
…
,m，m为像素块的总数，每个参考像素块pc_i与其相似像素块一同构成一个相似像素块集合。
[0073]
本步骤中，筛选像素块的方法包括一次筛选和二次筛选，具体步骤如下：
[0074]
进行的一次筛选过程为：
[0075]
1)选取一个参考像素块，计算该参考像素块与其他各像素块之间的相似程度，计算式如下：
[0076][0077]
式中，为待分析像素块与参考块之间的距离(两个像素块中对应像素点之间的距离)，模型函数值越大，则认为两个像素块的相似度越小。
[0078]
2)当相似程度低于设定距离阈值时，选择此像素块，作为参考像素块pc_i的相似像素块。
[0079]
具体的，设置距离阈值d
t
，若d
p
低于距离阈值d
t
时，则该待分析像素块可以与参考像素块保留在同一集合中，进而可得到相似像素块集合s＝{d
p
(p
c
,p
h
)≤d
t
}，其中，集合内的每个像素块都是与参考块p
c
相似的像素块，对于整个图像，若分为m个像素块，可得到m个相似像素块集合。
[0080]
3)重复上面步骤，直到确定出所有参考像素值的相似像素块集合。
[0081]
进一步的，考虑到后续图像复原过程是通过各集合对各参考像素块进行复原优化的，故各参考像素块的相似像素块的准确获取对整个系统的精度、图像优化效果影响很大，且对于图像的边缘或者细节处等较为突出时，仅通过上述灰度值以及距离值进行相似度度量，会导致错误分组，因此，为保证将相似度一致的像素块分为到相同集合中，需要将对一次筛选后的像素块之间的相关性做进一步分析，对各参考像素块的相似块做最终的筛选，即二次筛选，进行集合中像素块的最终判定。
[0082]
因此，进行的二次筛选过程为：
[0083]
1)根据一次筛选得到的相似像素块集合，根据集合内各像素块中的像素梯度，构建能够表征像素块内像素值整体变化情况的特征矩阵。
[0084]
具体为：首先v(r，c)为图像的像素值，在水平方向和垂直方向上的梯度表达式为：v
x
＝v(r，c)
‑
v(r
‑
1，c)，v
y
＝v(r，c)
‑
v(r，c
‑
1)，对于每个大小为n
×
n的像素块，本发明将基于像素块梯度构建特征矩阵d，用于后续获取各像素块的梯度特征。各像素块对应的特征矩阵具体为：
[0085][0086]
式中，d为特征矩阵，v
x
(k)、v
y
(k)分别为第k个像素的水平和垂直方向上的梯度。该特征矩阵能够体现出各个像素块的自身特性(由e、f、g三个特征元素值来表征)，像素块内的像素值整体变化情况。
[0087]
2)在当前的相似像素块集合内，根据各个像素块的特征矩阵，确定各个像素块在水平、垂直方向上的梯度特征。
[0088]
根据所述特征矩阵d中的特征元素值，计算出矩阵的梯度模值，对应的特征向量为梯度方向，具体的，梯度模值的计算式为：
[0089][0090]
其中，τ为梯度模值，取绝对值最大特征值作为梯度模值。
[0091]
梯度方向的计算式为：
[0092][0093]
其中，cosθ，sinθ均表示梯度方向。
[0094]
基于梯度模值以及梯度方向，本发明将构建像素块梯度特征分析模型，获取各像素块的梯度特征，用于精准检测参考像素块与各像素块之间的相关性。具体的，像素块梯度特征分析模型具体为：
[0095]
g
x
＝τcosθ
[0096]
g
y
＝τsinθ
[0097]
gx,gy分别表示各像素块在x水平方向上、y方向上的的梯度特征。
[0098]
3)计算相似像素块集合内，参考像素块和其他各个像素块在水平、垂直方向上的梯度特征差异值，在水平、垂直方向上的梯度特征差异值求和，得到两个像素块(参考像素块和另一个待筛选的像素块)之间的非相关系数，当非相关系数低于设定阈值时，判定该待筛选的像素块与参考像素块相关，当非相关系数高于或等于设定阈值时，判定该待筛选的像素块与参考像素块不相关，删除集合内不相关的像素块，实现相似像素块集合内像素块的二次筛选。
[0099]
具体过程为：
[0100]
可获取各像素块的梯度特征g
x
，g
y
，然后基于各像素块之间的梯度特征，构建相关性分析模型，检测两个像素块间的相关性。所述像素块相关性分析模型为：
[0101]
r
x
＝(g
x
(1)
‑
g
x
(2))2+(g
y
(1)
‑
g
y
(2))2[0102]
其中，r
x
表示非相关系数，g
x
(1)，g
x
(2)表示两个像素块在水平方向上的梯度特征值，(g
x
(1)
‑
g
x
(2))2表示水平方向上的梯度特征差异值；g
y
(1)，g
y
(2)表示两个像素块在垂直方向上的梯度特征值，(g
y
(1)
‑
g
y
(2))2表示垂直方向上的梯度特征差异值。
[0103]
对像素块间的相似程度进一步做更加精准的检测判定，以提高所述集合的精度，
所述相关性模型函数值(即非相关系数)越小，待分析像素块与参考像素块的相关性越高，两者之间的差距越小。
[0104]
经过上面的一次筛选过程和二次筛选过程，对农业航拍图像的各像素块进行分析处理，每个参考像素块均可获取对应的像素块集合，且所获取的集合内各像素块与参考像素块的相似程度较高。
[0105]
为加快相似像素块集合的确定速度，在一次筛选过程之前，还进行了初步集合分类，具体过程如下：
[0106]
(1)首先，从农业航拍图像(步骤s1处理后得到的转换图像)的左上角开始，获取尺寸为n
×
n的像素块，将其作为参考像素块，然后以n
×
n的窗口从农业航拍图像中搜索其他与该参考像素块相似的像素块；
[0107]
在此需要说明，参考像素块为n
×
n的像素块，假设农业航拍图像大小为n
×
n，将农业航拍图像分为多个n
×
n的像素块，共有个像素块，分别将其作为参考块，从其他剩余像素块中通过窗口滑动个搜索出与其相似的像素块。
[0108]
(2)将根据窗口内像素块的像素均值对其进行初步分组，将肯定不能与参考像素块构成相似块的窗口像素块进行排除：
[0109]
τ＝|g
c
‑
g
h
|
[0110]
式中，τ为参考像素块与其他像素块的像素差异幅值，g
c
为参考像素块像素灰度均值，g
h
为候选待分析的窗口像素块灰度均值。当候选各窗口内的像素块与参考像素块的灰度均值差值的绝对值高于灰度阈值时，本发明将该候选像素块排除，对于灰度阈值实施者自行设定，本发明将其设置为0.5。
[0111]
进行上面的步骤(1)和(2)，对于所有的像素块，对窗口内像素块的相似度分析过程进行粗略的分组，提高了后续一次筛选和二次筛选的检测速度，降低计算复杂度。
[0112]
步骤s3，对各个相似像素块集合中的各个像素块进行频域变换，在频域中去除各像素块中的噪声，然后对各个像素块进行频域反变换，得到时域上的各个像素块。
[0113]
具体步骤如下：
[0114]
1)对于步骤s2获取的每组集合，基于集合内的各像素块对应位置的像素点构建矩阵模型，然后通过频域变换方法对各矩阵数据转换到频域中，得到频域上的图像数据。
[0115]
本步骤中，一个相似块集合对应构建一个矩阵模型，每个矩阵模型中，将同一集合内各像素块的像素值以行或列的形式排列，以方便后续步骤的数据处理。
[0116]
本步骤中，频域变换方法有很多：傅里叶变换、小波变换、小波包分解等，考虑到小波变换可以保持局部分析能力，对细节部分的处理能力较高，优选的本发明选取小波变换方法对数据进行频域变换。小波变换具体过程为公知技术，本实施例不做赘述。
[0117]
2)对小波变换(一种频域变换)后的图像数据，获取该图像数据中，参考像素块(例如p1)对应的集合(s1)中各相似像素块的各对应位置的小波系数bij，i为集合内的像素块，j为像素块中的像素位置，像素块pi中的一个像素点对应一个小波系数。
[0118]
根据先验可知，噪声的小波系数低于正常图像像素块数据的小波系数，因此，本发明将对小波系数进行阈值设置，阈值设定方法也有很多：软阈值设定、硬阈值法设定方法等，优选地，本发明将选取软阈值设定方法对小波系数进行阈值选取，可以自适应的选取相
应的阈值，保证图像复原效果；
[0119]
3)修改图像数据中的小波系数，本发明将超过阈值的小波系数置零(并统计非零小波系数对应的像素点个数)，以去除像素块中的噪声，对获取的结果(修改小波系数后的图像数据)进行逆变换，将其变换到原来的时域中，得到修改后的像素块；对各个单个像素块进行前面的去噪处理，得到所有集合中修改后的像素块。
[0120]
步骤s4，利用相似像素块集合中各像素块的像素值，来修正该相似像素块集合中参考像素块pc_i的像素值，直到所有参考像素块的像素值均修正完成后，融合所有修正过的参考像素块，得到当前农业航拍图像的优化图像。
[0121]
具体步骤如下：
[0122]
(1)获取集合内各像素块(包含参考像素块和相似像素块)的非零分量，该非零分量为非噪声的正常像素点个数，记为r
t
，代表第t个像素块中非零分量总数，即步骤s3的子步骤3)中的非零小波系数对应的像素点个数。
[0123]
(2)根据各像素块中非零分量的数量以及整个集合中非零分量，计算各像素块对参考像素块的影响权重，计算式如下：
[0124][0125]
其中，s为集合中所有像素块的非零分量总数，w
t
为第t个像素块的影响权重，包括各个相似像素块的影响权重，以及参考相似块对其自身的影响权重。由于非零分量越多，代表这个像素块受噪声影响越小，那么，设置上面的权重，能够体现出各个像素块同一位置处对应像素点对待修正像素块中对应像素点的像素值影响大小，其他方式，可以相同的权重系数。
[0126]
(3)通过设置的像素值计算模型，修正相似像素块集合中参考像素块pc_i的像素值，像素值计算模型如下：
[0127][0128]
式中，i
i
′
为每个参考像素块修正后第i个像素点的像素值，m为集合内的像素块数量，i
it
为第i个像素点分别在集合内m个像素块中对应位置处的像素值，t为集合内的像素块序号。
[0129]
(4)融合所有修正过的参考像素块，得到当前农业航拍图像的优化图像。
[0130]
至此，即可根据上面方法通过相似像素块集合以及对像素点灰度值分析，获取复原之后的各像素点的像素值，实现农业航拍图像的优化，为农业信息的检测提供更加准确的图像参考数据。
[0131]
实施例2：
[0132]
本实施例提出基于人工智能的农业航拍图像处理系统，包括存储器和处理器，以及存储器上并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器在执行计算机程序时实现实施例1中的图像处理方法。
[0133]
需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范
围之内。