[发明专利]基于先验阈值优化卷积神经网络的作物覆盖度提取方法

权利要求书

1.基于先验阈值优化卷积神经网络的作物覆盖度提取方法，其特征在于：

首先利用RGB先验阈值分割法对作物图进行初分割，保留作物主体和杂草，去除土地背景，再通过HSI阈值分割法保留绿色植物的边缘并解决光照影响，最后将图像输入为区分作物与杂草及土地背景颜色、梯度特征而生成的卷积神经网络分类器模型中，利用分类结果对图像进行分割，将三个步骤所得的图像结合起来，得到最后的覆盖度分割图，同时解决了杂草检测及覆盖度提取的任务；

首先利用RGB先验阈值分割法对作物图进行初分割，保留作物主体和杂草，去除土地背景，再通过HSI阈值分割法保留绿色植物的边缘并解决光照影响，具体如下：

首先设定一个阈值:

其中，标注为1的像素对应于前景，标注为零的像素则对应背景，由公式可知，当像素点的绿色分量与红色分量之差大于16且绿色分量大于48时，该点偏绿色，属于作物的可能性更大，需要保留，这样保留作物主体和杂草，去除土地背景；

将RGB转化为HSI空间，需要再设定以下阈值:

60°<H<150°

将绿色植物与土地分割出来了，通过RGB先验阈值分割得到的作物主体，通过HSI阈值分割法保留的绿色植物边缘，其余的像素点均作为图像的背景，不再参与后续的算法运算；

基于卷积神经网络的作物图像分割具体为：

该网络由5个卷积层、2个全连接层和1个softmax层组成，层1、层2和层5加入了pooling层，相当于是在五层卷积层的基础上再加上一个三层的全连接神经网络分类器；层8的神经元个数是2个，相当于实现前景和背景的2分类；系统由三个五层卷积网络构成；

将测试的图像输入到训练好的卷积神经网络中来预测每个像素点的标签，最后结合分类结果得到的分割结果图。