CN111311573A - 枝条确定方法、装置及电子设备 - Google Patents
枝条确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111311573A CN111311573A CN202010092063.XA CN202010092063A CN111311573A CN 111311573 A CN111311573 A CN 111311573A CN 202010092063 A CN202010092063 A CN 202010092063A CN 111311573 A CN111311573 A CN 111311573A
- Authority
- CN
- China
- Prior art keywords
- image
- branch
- value
- area
- gray value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 71
- 235000006040 Prunus persica var persica Nutrition 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 27
- 238000004891 communication Methods 0.000 claims description 25
- 238000003709 image segmentation Methods 0.000 claims description 24
- 230000008030 elimination Effects 0.000 claims description 9
- 238000003379 elimination reaction Methods 0.000 claims description 9
- 238000005260 corrosion Methods 0.000 claims description 7
- 230000007797 corrosion Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 240000006413 Prunus persica var. persica Species 0.000 claims 1
- 244000144730 Amygdalus persica Species 0.000 description 39
- 238000010586 diagram Methods 0.000 description 25
- 238000013138 pruning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 206010042674 Swelling Diseases 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000008961 swelling Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G06T5/70—
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明提供了一种枝条确定方法、装置及电子设备,该方法获取待识别的树木图像;其中,树木图像包括枝条区域和非枝条区域;对树木图像进行直方图均衡化处理,得到均衡图像;根据均衡图像中各个像素点的颜色值,将均衡图像转换为二值化图像;其中,二值化图像中的第一灰度值对应区域表征枝条区域,第二灰度值对应区域表征非枝条区域;剔除二值化图像中的第一灰度值对应的噪声,并将剔除噪声后的二值化图像中的第一灰度值所处区域连通,得到树木图像对应的枝条图像。本发明可以有效提高确定枝条的准确率。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种枝条确定方法、装置及电子设备。
背景技术
剪枝是提高树木产量与寿命的必要手段,目前剪枝手段多为人工剪枝效率低下,若要实现机械智能化剪枝,对目标枝条进行识别定位是枝条自动化剪枝的前提。目前现有的对目标枝条进行识别的方法具有较大的局限性,枝条的识别结果受光线以及树叶遮挡的影响极大,导致识别枝条的准确率较低。
发明内容
有鉴于此,本发明的目的在于提供一种枝条确定方法、装置及电子设备,可以有效提高确定枝条的准确率。
第一方面,本发明实施例提供了一种枝条确定方法,包括:获取待识别的树木图像;其中,所述树木图像包括枝条区域和非枝条区域;对所述树木图像进行直方图均衡化处理,得到均衡图像;根据所述均衡图像中各个像素点的颜色值,将所述均衡图像转换为二值化图像;其中,所述二值化图像中的第一灰度值对应区域表征所述枝条区域,第二灰度值对应区域表征所述非枝条区域;剔除所述二值化图像中的所述第一灰度值对应的噪声,并将剔除噪声后的二值化图像中的第一灰度值所处区域连通,得到所述树木图像对应的枝条图像。
在一种实施方式中,所述树木图像包括桃树图像;所述根据所述均衡图像中各个像素点的颜色值将所述均衡图像转换为二值化图像的步骤,包括:统计所述均衡图像中各个像素点的RGB颜色值,得到各个所述像素点对应的RGB规律;根据所述RGB规律对所述均衡图像进行图像分割处理;对图像分割处理后的均衡图像进行二值化处理,得到二值化图像。
在一种实施方式中,所述根据所述RGB规律对所述均衡图像进行图像分割处理的步骤,包括:如果所述像素点对应的RGB规律为G值小于R值且所述G值小于B值,确定所述像素点处于所述枝条区域;如果所述像素点对应的RGB规律为所述G值大于所述R值且所述G值大于所述B值,确定所述像素点处于所述非枝条区域;对所述枝条区域和所述非枝条区域进行图像分割处理。
在一种实施方式中,所述对图像分割处理后的均衡图像进行二值化处理,得到二值化图像的步骤,包括:将图像分割处理后的均衡图像转换为灰度图;如果所述灰度图中的像素点对应的当前灰度值大于预设灰度阈值,将所述像素点对应的当前灰度值置为所述第一灰度值;如果所述灰度图中的像素点对应的当前灰度值小于所述预设灰度阈值,将所述像素点对应的当前灰度值置为所述第二灰度值,得到二值化图像。
在一种实施方式中,所述剔除所述二值化图像中所述第一灰度值对应的噪声,并将剔除噪声后的二值化图像中的第一颜色值所处区域连通,得到所述树木图像对应的枝条图像的步骤,包括:确定所述二值化图像中每个所述枝条区域对应的连通面积;基于预设函数和所述连通面积,对所述二值化图像中所述第一灰度值对应的噪声进行多次剔除处理;对剔除噪声后的二值化图像进行膨胀处理,得到多个枝条区域;从各个所述枝条区域中选择目标像素点,以所述目标像素点为顶点添加预设尺寸的矩形区域;其中,所述矩形区域中各个像素点采用所述第一灰度值;对添加所述矩形区域的二值化图像进行膨胀处理和腐蚀处理,得到所述树木图像对应的枝条图像。
在一种实施方式中,所述基于预设函数和所述连通面积,对所述二值化图像中所述第一灰度值对应的噪声进行多次剔除处理的步骤,包括:利用预设函数,从所述二值化图像中剔除所述连通面积小于第一预设面积阈值的枝条区域,得到中间图像;对所述中间图像进行腐蚀处理,并再次利用所述预设函数,从所述中间图像中提取所述连通面积小于第二预设面积阈值的枝条区域。
在一种实施方式中,所述从各个所述枝条区域中选择目标像素点的步骤,包括:从最大连通面积的枝条区域以外的枝条区域中,选择纵坐标最大值以及与所述纵坐标最大值对应的横坐标最大值的像素点,将选择的像素点作为目标像素点。
第二方面,本发明实施例还提供一种枝条确定装置,包括:图像获取模块,用于获取待识别的树木图像;其中,所述树木图像包括枝条区域和非枝条区域;均衡模块,用于对所述树木图像进行直方图均衡化处理,得到均衡图像;转换模块用于,根据所述均衡图像中各个像素点的颜色值,将所述均衡图像转换为二值化图像;其中,所述二值化图像中的第一灰度值对应区域表征所述枝条区域,第二灰度值对应区域表征所述非枝条区域;枝条确定模块,用于剔除所述二值化图像中的所述第一灰度值对应的噪声,并将剔除噪声后的二值化图像中的第一灰度值所处区域连通,得到所述树木图像对应的枝条图像。
第三方面,本发明实施例还提供一种电子设备,包括处理器和存储器;
所述存储器上存储有计算机程序,所述计算机程序在被所述处理器运行时执行如第一方面提供的任一项所述的方法。
第四方面,本发明实施例还提供一种计算机存储介质,用于储存为第一方面提供的任一项所述方法所用的计算机软件指令。
本发明实施例提供的一种枝条确定方法、装置及电子设备,首先获取待识别的包括有枝条区域和非枝条区域树木图像,然后对树木图像进行直方图均衡化处理得到均衡图像,根据均衡图像中各个像素点的颜色值,将均衡图像转换为二值化图像,然后剔除二值化图像中的第一灰度值对应的噪声,并将剔除噪声后的二值化图像中的第一灰度值所处区域连通,得到树木图像对应的枝条图像,其中,二值化图像中的第一灰度值对应区域表征枝条区域,第二灰度值对应区域表征非枝条区域。上述方法通过对树木图像进行直方图均衡处理,有效地减少了光线对树木图像的影响,从而有效提高确定枝条的准确率;另外,通过剔除图像中的噪声可以较好地缓解树叶遮挡对图像造成的影响,进一步提高确定枝条的准确率。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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他的附图。
图1为本发明实施例提供的一种枝条确定方法的流程示意图;
图2为本发明实施例提供的一种RGB规律的示意图;
图3为本发明实施例提供的另一种RGB规律的示意图;
图4为本发明实施例提供的另一种枝条确定方法的流程示意图;
图5为本发明实施例提供的一种桃树枝条图像的示意图;
图6为本发明实施例提供的一种均衡化处理后的桃树枝条图像的示意图;
图7为本发明实施例提供的一种分割处理后的桃树枝条图像的示意图;
图8为本发明实施例提供的一种二值化处理后的桃树枝条图像的示意图;
图9为本发明实施例提供的一种初步去噪处理后的桃树枝条图像的示意图;
图10为本发明实施例提供的一种二次去噪处理后的桃树枝条图像的示意图;
图11为本发明实施例提供的一种枝干填充处理后的桃树枝条图像的示意图;
图12为本发明实施例提供的一种去除最大连通面积后的桃树枝条图像的示意图;
图13为本发明实施例提供的一种枝条复原后的桃树枝条图像的示意图;
图14为本发明实施例提供的一种枝条填补后的桃树枝条图像的示意图;
图15为本发明实施例提供的一种目标枝条图像的示意图;
图16为本发明实施例提供的一种枝条确定装置的结构示意图;
图17为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前现有的识别枝条的方法是将去除掉拍摄的立木图像的背景信息以得到多个树枝图像,然后将图像细化得到多个树枝骨架并对各个树枝骨架进行直线拟合,得出各个树枝骨架的直线方程,从而根据任意二个树枝骨架直线方程的截距和斜率计算出任意二个树枝骨架对应二个树枝的相似度,并在相似度大于设定值时将该树枝为遮挡树枝,然而这种方式受光线以及树叶遮挡的影响极大,难以提取出完整的枝条图像,导致识别枝条的准确率较低。基于此,本发明实施提供了一种枝条确定方法、装置及电子设备,可以有效提高确定枝条的准确率。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种枝条确定方法进行详细介绍,参见图1所示的一种枝条确定方法的流程示意图,该方法主要包括以下步骤S102至步骤S108:
步骤S102,获取待识别的树木图像。
其中,树木图像包括枝条区域和非枝条区域,非枝条区域可以包括树叶区域或天空区域等。在一种实施方式中,可以通过具有拍摄功能的相机或手机等设备采集待识别的树木图像。
步骤S104,对树木图像进行直方图均衡化处理,得到均衡图像。
其中,直方图均衡化处理也即RGB(Red-Green-Blue,红-绿-蓝)均衡化处理,通过直方图均衡化处理可以增强树木图像的对比度,从而较好地减小了光线对树木图像造成的影响。在一种实施方式中,可以使用累积函数对灰度值进行“调整”以实现对树木图像进行直方图均衡化处理。
步骤S106,根据均衡图像中各个像素点的颜色值,将均衡图像转换为二值化图像。
其中,二值化图像中的第一灰度值对应区域表征枝条区域,第二灰度值对应区域表征非枝条区域,例如,第一灰度值为1(对应白色),第二灰度值为0(对应黑色),则在二值化图像中白色区域将表示枝条区域,黑色区域将表示非枝条区域。在实际应用中,可以先根据均衡图像中各个像素点的颜色值对均衡图像进行分割,并将分割后的均衡图像转换为灰度图,进而利用二值化处理方法将灰度图转换为二值化图像。
步骤S108,剔除二值化图像中的第一灰度值对应的噪声,并将剔除噪声后的二值化图像中的第一灰度值所处区域连通,得到树木图像对应的枝条图像。
在实际应用中,二值化图像中存在较多的第一灰度值对应的孤立点,例如白色孤立点,这些孤立点即可认为是第一灰度值对应的噪声,在具体实现时,可以采用诸如MATLAB软件等工具对二值化图像进行处理以将孤立点剔除,并采用诸如膨胀处理和腐蚀处理对剔除噪声后的二值化图像进行多次处理,从而对剔除噪声后的二值化图像中的枝条区域进行修复,以将其中第一灰度值所处区域连通,即可得到树木图像对应的枝条图像。
本发明实施例提供的上述枝条确定方法,首先获取待识别的包括有枝条区域和非枝条区域树木图像,然后对树木图像进行直方图均衡化处理得到均衡图像,根据均衡图像中各个像素点的颜色值,将均衡图像转换为二值化图像,然后剔除二值化图像中的第一灰度值对应的噪声,并将剔除噪声后的二值化图像中的第一灰度值所处区域连通,得到树木图像对应的枝条图像,其中,二值化图像中的第一灰度值对应区域表征枝条区域,第二灰度值对应区域表征非枝条区域。上述方法通过对树木图像进行直方图均衡处理,有效地减少了光线对树木图像的影响,从而有效提高确定枝条的准确率;另外,通过剔除图像中的噪声可以较好地缓解树叶遮挡对图像造成的影响,进一步提高确定枝条的准确率。
考虑到现有的对枝条的研究对象绝大多数为细枝类树木,枝干分支较少,而桃树的枝干较粗,分支较多,现有方法很难适用于桃树的视觉识别中。而本发明实施例可以较好地应用于桃树枝条的识别,在一种具体实施方式中,上述树木图像包括桃树图像。在具体实现时,可参照如下步骤1至步骤3执行根据均衡图像中各个像素点的颜色值将均衡图像转换为二值化图像的步骤:
步骤1,统计均衡图像中各个像素点的RGB颜色值,得到各个像素点对应的RGB规律。其中,各个像素点的RGB颜色值包括R(红)值、G(绿)值和B(蓝)值,像素点对应的RGB规律可以用于表征该像素点中R值、G值和B值之间的大小关系。
步骤2,根据RGB规律对均衡图像进行图像分割处理。本发明实施例提供了一种根据RGB规律对均衡图像进行图像分割处理的实现方式,参见如下步骤2.1至步骤2.3:
步骤2.1,如果像素点对应的RGB规律为G值小于R值且G值小于B值,确定像素点处于枝条区域。参见图2所示的一种RGB规律的示意图,经试验发现,当某个像素点对应的RGB规律满足G<R且G<B时,该像素点将处于枝条区域。
步骤2.2,如果像素点对应的RGB规律为G值大于R值且G值大于B值,确定像素点处于非枝条区域。参见图3所示的另一种RGB规律的示意图,经试验发现,当某个像素点对应的RGB规律满足G>R且G>B时,该像素点将处于非枝条区域,例如处于树叶区域。
步骤2.3,对枝条区域和非枝条区域进行图像分割处理。按照上述RGB规律可以较好的区分枝条区域和非枝条区域,在具体实现时,可以通过MATLAB软件将枝条区域和非枝条区域进行图像分割处理,例如,通过MATLAB软件将非枝条区域的像素点的颜色值置为0,也即将非枝条区域转换为黑色,从而实现得到仅包含枝条区域的均衡图像。
步骤3,对图像分割处理后的均衡图像进行二值化处理,得到二值化图像。本发明实施例提供了一种对图像分割处理后的均衡图像进行二值化处理,得到二值化图像的具体实现方式,参见如下步骤3.1至步骤3.3:
步骤3.1,将图像分割处理后的均衡图像转换为灰度图。
步骤3.2,如果灰度图中的像素点对应的当前灰度值大于预设灰度阈值,将像素点对应的当前灰度值置为第一灰度值。例如,第一灰度值为1,并将预设灰度阈值设置为0.001,当灰度图中的像素点对应的当前灰度值大于0.001时,将该像素点对应的当前灰度值置为1,显示为白色。
步骤3.3,如果灰度图中的像素点对应的当前灰度值小于预设灰度阈值,将像素点对应的当前灰度值置为第二灰度值,得到二值化图像。例如,第二灰度值为0,并将预设灰度阈值设置为0.001,当灰度图中的像素点对应的当前灰度值小于0.001时,将该像素点对应的当前灰度值置为0,显示为黑色,此时二值化图像中黑色区域将表示非枝条区域,白色区域将表示枝条区域。
对于前述步骤S108,本发明实施例提供了一种剔除二值化图像中第一灰度值对应的噪声,并将剔除噪声后的二值化图像中的第一颜色值所处区域连通,得到树木图像对应的枝条图像的具体实施方式,参见如下步骤a至步骤e:
步骤a确定二值化图像中每个枝条区域对应的连通面积。在一种实施方式中,可以确定每个像素点所占面积,若N个相连的像素点均为第一灰度值,则将该N个像素点确定为一个枝条区域,并通过计算每个像素点所占面积与该枝条区域中像素点的个数的乘积,得到该枝条区域对应的连通面积。
步骤b,基于预设函数和连通面积,对二值化图像中第一灰度值对应的噪声进行多次剔除处理。在具体实现时,可以按照如下步骤b1至步骤b2执行基于预设函数和连通面积,对二值化图像中第一灰度值对应的噪声进行多次剔除处理的步骤:
步骤b1,利用预设函数,从二值化图像中剔除连通面积小于第一预设面积阈值的枝条区域,得到中间图像。在图像分割后得到的均衡图像经二值化后会得到存在些许噪音的二值化图像,为剔除二值化图像中的噪声,可以采用利用MATLAB中的bwareaopen函数对二值化图像进行处理,通过各个孤立点的连同面积大小来初步对孤立点进行去除操作,例如,将第一预设面积阈值设置为500,将连通面积小于500的枝条区域确定为噪声并剔除该噪声,得到中间图像。
步骤b2,对中间图像进行腐蚀处理,并再次利用预设函数,从中间图像中提取连通面积小于第二预设面积阈值的枝条区域。通过bwareaopen函数处理后的中间图像与二值化图像相比较,消除了部分噪音,修复了部分枝干,使枝条区域更为明显,但是在枝条周围仍会有零散的小面积区域(白色)与枝干相连接,此时用bwareaopen函数无法对该部分小面积区域进行消去,为了去除该部分小面积区域,首先对中间图像进行腐蚀处理消去小面积区域与枝干的连接部分,后再次运用bwareaopen函数设置阈值对孤立的小面积区域进行消去,例如,将第二预设面积阈值设置为1000,并将连通面积小于1000的小面积区域剔除。在实际应用中,第一预设面积阈值和第二预设面积阈值可以设置为相同值,也可以设置为不同值。
步骤c,对剔除噪声后的二值化图像进行膨胀处理,得到多个枝条区域。在具体实现时,可以利用MATLAB进行膨胀处理,并再次运行bwareaopen函数进行枝干区域填充,也即利用bwareaopen函数针对孤立的黑色区域进行消去,从而填充白色的枝干区域。
步骤d,从各个枝条区域中选择目标像素点,以目标像素点为顶点添加预设尺寸的矩形区域。其中,矩形区域中各个像素点采用第一灰度值。在具体实现时,可以首先去除最大面积的枝条区域,其中,最大面积的枝条区域提取最为完整,最大连通面积的枝条区域以外的枝条区域为断裂的枝条区域,从断裂的枝条区域中,选择纵坐标最大值以及与纵坐标最大值对应的横坐标最大值的像素点,将选择的像素点作为目标像素点。
步骤e,对添加矩形区域的二值化图像进行膨胀处理和腐蚀处理,得到树木图像对应的枝条图像。通过不断对添加矩形区域的二值化图像进行膨胀处理,可以将断裂的各个枝条区域和矩形区域之间连接,经过膨胀处理得到的图像后再用腐蚀处理进行枝条区域的复原,将复原后的枝条区域与上述最大面积的枝条区域进行叠加,即可得到树木图像对应的枝条图像。
为便于对上述实施例提供的枝条确定方法进行理解,本发明实施例提供了另一种枝条确定方法,参见图4所示的另一种枝条确定方法的流程示意图,该方法可以包括以下步骤S402至步骤S412:
步骤S402,提取桃树枝条图像。其中,桃树枝条图像也即上述树木图像,参见图5所示的一种桃树枝条图像的示意图,图5中示意出了桃树枝条图像包括枝条区域和非枝条区域。
步骤S404,对桃树枝条图像进行RGB均衡化处理,得到RGB规律。参见图6所示的一种均衡化处理后的桃树枝条图像的示意图,可见均衡化处理后的桃树枝条图像的对比度增强,枝干区域与非枝干区域的颜色差异增大。通过统计均衡化处理后的桃树枝条图像中每个像素点对应的RGB值,可以得到RGB规律。
步骤S406,根据RGB规律对桃树枝条图像进行分割。将满足G>R且G>B的像素点的颜色值置为0,即可得到如图7所示的一种分割处理后的桃树枝条图像的示意图。为使枝条区域与非枝条区域更为明显,可以将分割后的图像转换为灰度图,并通过极限阈值识别出分割处理后的桃树枝条图像中的枝条区域,并将识别出的枝条区域全部转换成白色,得到如图8所示的一种二值化处理后的桃树枝条图像的示意图。
步骤S408,对分割后的桃树枝条图像进行去噪处理。在具体实现时,首先利用bwareaopen函数对分割后的桃树枝条图像进行一次去噪(具体可参见前述步骤b1),得到如图9所示的一种初步去噪处理后的桃树枝条图像的示意图,然后对一次去噪后的桃树枝条图像进行腐蚀处理,并利用bwareaopen函数对腐蚀处理后的桃树枝条图像进行二次去噪(具体可参见前述步骤b2),得到如图10所示的一种二次去噪处理后的桃树枝条图像的示意图。
步骤S410,对去燥后的桃树枝条图像进行断枝修复处理,得到目标枝条图像。在一种具体的实施方式中,可以利用MATLAB进行膨胀处理,并再次运行bwareaopen函数进行枝干区域填充,得到如图11所示的一种枝干填充处理后的桃树枝条图像的示意图;然后去除最大面积的枝干区域,得到如图12所示的一种去除最大连通面积后的桃树枝条图像的示意图;通过不断膨胀图12中的图像可以将断裂的公共枝条区域连接,得到如图13所示的一种枝条复原后的桃树枝条图像的示意图;然后以图13中纵坐标最大值以及与纵坐标最大值对应的横坐标最大值的像素点作为目标像素点,并以该目标像素点为顶点添加矩形区域,得到如图14所示的一种枝条填补后的桃树枝条图像的示意图;利用腐蚀处理对枝条区域的粗细进行复原,并将复原后的图像与最大面积的枝干区域叠加,得到如图15所示的一种目标枝条图像的示意图。
步骤S412,对目标枝条图像进行普遍性验证和正确率验证。
综上,本发明实施例提供的枝条确定方法具有以下特点之一:
(1)本发明实施例极大减小了光线问题对图像识别造成的影响。
(2)本发明实施例能够修复被树叶遮挡部分的枝条图像。
(3)本发明实施例方法简便,同时具有较高的识别正确率。
对于前述实施例提供的枝条确定方法,本发明实施例提供了一种枝条确定装置,参见图16所示的一种枝条确定装置的结构示意图,该装置主要包括以下部分:
图像获取模块1602,用于获取待识别的树木图像;其中,树木图像包括枝条区域和非枝条区域。
均衡模块1604,用于对树木图像进行直方图均衡化处理,得到均衡图像。
转换模块1606,用于根据均衡图像中各个像素点的颜色值,将均衡图像转换为二值化图像;其中,二值化图像中的第一灰度值对应区域表征枝条区域,第二灰度值对应区域表征非枝条区域。
枝条确定模块1608,用于剔除二值化图像中的第一灰度值对应的噪声,并将剔除噪声后的二值化图像中的第一灰度值所处区域连通,得到树木图像对应的枝条图像。
本发明实施例提供的上述枝条确定装置,通过对树木图像进行直方图均衡处理,有效地减少了光线对树木图像的影响,从而有效提高确定枝条的准确率;另外,通过剔除图像中的噪声可以较好地缓解树叶遮挡对图像造成的影响,进一步提高确定枝条的准确率。
在一种实施方式中,上述树木图像包括桃树图像;上述转换模块1606还用于:统计均衡图像中各个像素点的RGB颜色值,得到各个像素点对应的RGB规律;根据RGB规律对均衡图像进行图像分割处理;对图像分割处理后的均衡图像进行二值化处理,得到二值化图像。
在一种实施方式中,上述转换模块1606还用于:如果像素点对应的RGB规律为G值小于R值且G值小于B值,确定像素点处于枝条区域;如果像素点对应的RGB规律为G值大于R值且G值大于B值,确定像素点处于非枝条区域;对枝条区域和非枝条区域进行图像分割处理。
在一种实施方式中,上述转换模块1606还用于:将图像分割处理后的均衡图像转换为灰度图;如果灰度图中的像素点对应的当前灰度值大于预设灰度阈值,将像素点对应的当前灰度值置为第一灰度值;如果灰度图中的像素点对应的当前灰度值小于预设灰度阈值,将像素点对应的当前灰度值置为第二灰度值,得到二值化图像。
在一种实施方式中,上述枝条确定模块1608还用于:确定二值化图像中每个枝条区域对应的连通面积;基于预设函数和连通面积,对二值化图像中第一灰度值对应的噪声进行多次剔除处理;对剔除噪声后的二值化图像进行膨胀处理,得到多个枝条区域;从各个枝条区域中选择目标像素点,以目标像素点为顶点添加预设尺寸的矩形区域;其中,矩形区域中各个像素点采用第一灰度值;对添加矩形区域的二值化图像进行膨胀处理和腐蚀处理,得到树木图像对应的枝条图像。
在一种实施方式中,上述枝条确定模块1608还用于:利用预设函数,从二值化图像中剔除连通面积小于第一预设面积阈值的枝条区域,得到中间图像;对中间图像进行腐蚀处理,并再次利用预设函数,从中间图像中提取连通面积小于第二预设面积阈值的枝条区域。
在一种实施方式中,上述枝条确定模块1608还用于:从最大连通面积的枝条区域以外的枝条区域中,选择纵坐标最大值以及与纵坐标最大值对应的横坐标最大值的像素点,将选择的像素点作为目标像素点。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备,具体的,该电子设备包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
图17为本发明实施例提供的一种电子设备的结构示意图,该电子设备100包括:处理器170,存储器171,总线172和通信接口173,所述处理器170、通信接口173和存储器171通过总线172连接;处理器170用于执行存储器171中存储的可执行模块,例如计算机程序。
其中,存储器171可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口173(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线172可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图17中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器171用于存储程序,所述处理器170在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器170中,或者由处理器170实现。
处理器170可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器170中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器170可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器171,处理器170读取存储器171中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见前述方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种枝条确定方法,其特征在于,包括:
获取待识别的树木图像;其中,所述树木图像包括枝条区域和非枝条区域;
对所述树木图像进行直方图均衡化处理,得到均衡图像;
根据所述均衡图像中各个像素点的颜色值,将所述均衡图像转换为二值化图像;其中,所述二值化图像中的第一灰度值对应区域表征所述枝条区域,第二灰度值对应区域表征所述非枝条区域;
剔除所述二值化图像中的所述第一灰度值对应的噪声,并将剔除噪声后的二值化图像中的第一灰度值所处区域连通,得到所述树木图像对应的枝条图像。
2.根据权利要求1所述的方法,其特征在于,所述树木图像包括桃树图像;
所述根据所述均衡图像中各个像素点的颜色值将所述均衡图像转换为二值化图像的步骤,包括:
统计所述均衡图像中各个像素点的RGB颜色值,得到各个所述像素点对应的RGB规律;
根据所述RGB规律对所述均衡图像进行图像分割处理;
对图像分割处理后的均衡图像进行二值化处理,得到二值化图像。
3.根据权利要求2所述的方法,其特征在于,所述根据所述RGB规律对所述均衡图像进行图像分割处理的步骤,包括:
如果所述像素点对应的RGB规律为G值小于R值且所述G值小于B值,确定所述像素点处于所述枝条区域;
如果所述像素点对应的RGB规律为所述G值大于所述R值且所述G值大于所述B值,确定所述像素点处于所述非枝条区域;
对所述枝条区域和所述非枝条区域进行图像分割处理。
4.根据权利要求2所述的方法,其特征在于,所述对图像分割处理后的均衡图像进行二值化处理,得到二值化图像的步骤,包括:
将图像分割处理后的均衡图像转换为灰度图;
如果所述灰度图中的像素点对应的当前灰度值大于预设灰度阈值,将所述像素点对应的当前灰度值置为所述第一灰度值;如果所述灰度图中的像素点对应的当前灰度值小于所述预设灰度阈值,将所述像素点对应的当前灰度值置为所述第二灰度值,得到二值化图像。
5.根据权利要求1所述的方法,其特征在于,所述剔除所述二值化图像中所述第一灰度值对应的噪声,并将剔除噪声后的二值化图像中的第一颜色值所处区域连通,得到所述树木图像对应的枝条图像的步骤,包括:
确定所述二值化图像中每个所述枝条区域对应的连通面积;
基于预设函数和所述连通面积,对所述二值化图像中所述第一灰度值对应的噪声进行多次剔除处理;
对剔除噪声后的二值化图像进行膨胀处理,得到多个枝条区域;
从各个所述枝条区域中选择目标像素点,以所述目标像素点为顶点添加预设尺寸的矩形区域;其中,所述矩形区域中各个像素点采用所述第一灰度值;
对添加所述矩形区域的二值化图像进行膨胀处理和腐蚀处理,得到所述树木图像对应的枝条图像。
6.根据权利要求5所述的方法,其特征在于,所述基于预设函数和所述连通面积,对所述二值化图像中所述第一灰度值对应的噪声进行多次剔除处理的步骤,包括:
利用预设函数,从所述二值化图像中剔除所述连通面积小于第一预设面积阈值的枝条区域,得到中间图像;
对所述中间图像进行腐蚀处理,并再次利用所述预设函数,从所述中间图像中提取所述连通面积小于第二预设面积阈值的枝条区域。
7.根据权利要求5所述的方法,其特征在于,所述从各个所述枝条区域中选择目标像素点的步骤,包括:
从最大连通面积的枝条区域以外的枝条区域中,选择纵坐标最大值以及与所述纵坐标最大值对应的横坐标最大值的像素点,将选择的像素点作为目标像素点。
8.一种枝条确定装置,其特征在于,包括:
图像获取模块,用于获取待识别的树木图像;其中,所述树木图像包括枝条区域和非枝条区域;
均衡模块,用于对所述树木图像进行直方图均衡化处理,得到均衡图像;
转换模块,用于根据所述均衡图像中各个像素点的颜色值,将所述均衡图像转换为二值化图像;其中,所述二值化图像中的第一灰度值对应区域表征所述枝条区域,第二灰度值对应区域表征所述非枝条区域;
枝条确定模块,用于剔除所述二值化图像中的所述第一灰度值对应的噪声,并将剔除噪声后的二值化图像中的第一灰度值所处区域连通,得到所述树木图像对应的枝条图像。
9.一种电子设备,其特征在于,包括处理器和存储器;
所述存储器上存储有计算机程序,所述计算机程序在被所述处理器运行时执行如权利要求1至7任一项所述的方法。
10.一种计算机存储介质,其特征在于,用于储存为权利要求1至7任一项所述方法所用的计算机软件指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010092063.XA CN111311573B (zh) | 2020-02-12 | 2020-02-12 | 枝条确定方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010092063.XA CN111311573B (zh) | 2020-02-12 | 2020-02-12 | 枝条确定方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311573A true CN111311573A (zh) | 2020-06-19 |
CN111311573B CN111311573B (zh) | 2024-01-30 |
Family
ID=71160025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010092063.XA Active CN111311573B (zh) | 2020-02-12 | 2020-02-12 | 枝条确定方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311573B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581857A (zh) * | 2022-05-06 | 2022-06-03 | 武汉兑鑫科技实业有限公司 | 基于图像分析的智能天车控制方法 |
CN116616045A (zh) * | 2023-06-07 | 2023-08-22 | 山东农业工程学院 | 一种基于植物生长的采摘方法及采摘系统 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050008250A1 (en) * | 2003-01-30 | 2005-01-13 | Chae-Whan Lim | Device and method for binarizing an image |
CN102013015A (zh) * | 2010-12-02 | 2011-04-13 | 南京大学 | 一种面向对象的遥感影像海岸线提取方法 |
US20110222734A1 (en) * | 2010-03-10 | 2011-09-15 | Industrial Technology Research Institute | Methods for evaluating distances in a scene and apparatus and machine readable medium using the same |
US20110274336A1 (en) * | 2010-03-12 | 2011-11-10 | Institute For Medical Informatics | Optimizing the initialization and convergence of active contours for segmentation of cell nuclei in histological sections |
CN102609907A (zh) * | 2012-01-12 | 2012-07-25 | 北京理工大学 | 基于自适应时域滤波和形态学的气体红外图像增强方法 |
CN102930547A (zh) * | 2012-11-13 | 2013-02-13 | 中国农业大学 | 风力传送条件下棉花异性纤维图像在线分割方法及系统 |
CN103793686A (zh) * | 2014-01-16 | 2014-05-14 | 中国农业大学 | 一种果树产量早期预测的方法 |
US8831321B1 (en) * | 2011-11-07 | 2014-09-09 | Lightlab Imaging, Inc. | Side branch detection methods, systems and devices |
CN104318546A (zh) * | 2014-09-29 | 2015-01-28 | 中国农业大学 | 一种基于多尺度分析的温室田间植物叶片边缘提取方法及其系统 |
CN104463138A (zh) * | 2014-12-19 | 2015-03-25 | 深圳大学 | 基于视觉结构属性的文本定位方法及系统 |
US20160125245A1 (en) * | 2014-10-29 | 2016-05-05 | Behavioral Recognition Systems, Inc. | Foreground detector for video analytics system |
CN105678299A (zh) * | 2016-02-29 | 2016-06-15 | 江文得 | 一种车牌定位方法 |
CN106504263A (zh) * | 2016-11-04 | 2017-03-15 | 辽宁工程技术大学 | 一种图像的快速连续边缘提取方法 |
CN107423864A (zh) * | 2016-05-23 | 2017-12-01 | 交通运输部水运科学研究院 | 船员行为的分析方法和装置 |
CN107876970A (zh) * | 2017-12-13 | 2018-04-06 | 浙江工业大学 | 一种机器人多层多道焊接焊缝三维检测及焊缝拐点识别方法 |
CN109064440A (zh) * | 2018-06-19 | 2018-12-21 | 广东工业大学 | 一种基于机器视觉的喇叭音圈焊线识别方法 |
CN109409292A (zh) * | 2018-10-26 | 2019-03-01 | 西安电子科技大学 | 基于精细化特征优化提取的异源图像匹配方法 |
CN110097510A (zh) * | 2019-04-11 | 2019-08-06 | 平安科技(深圳)有限公司 | 一种纯色花朵识别方法、装置及存储介质 |
-
2020
- 2020-02-12 CN CN202010092063.XA patent/CN111311573B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050008250A1 (en) * | 2003-01-30 | 2005-01-13 | Chae-Whan Lim | Device and method for binarizing an image |
US20110222734A1 (en) * | 2010-03-10 | 2011-09-15 | Industrial Technology Research Institute | Methods for evaluating distances in a scene and apparatus and machine readable medium using the same |
US20110274336A1 (en) * | 2010-03-12 | 2011-11-10 | Institute For Medical Informatics | Optimizing the initialization and convergence of active contours for segmentation of cell nuclei in histological sections |
CN102013015A (zh) * | 2010-12-02 | 2011-04-13 | 南京大学 | 一种面向对象的遥感影像海岸线提取方法 |
US8831321B1 (en) * | 2011-11-07 | 2014-09-09 | Lightlab Imaging, Inc. | Side branch detection methods, systems and devices |
CN102609907A (zh) * | 2012-01-12 | 2012-07-25 | 北京理工大学 | 基于自适应时域滤波和形态学的气体红外图像增强方法 |
CN102930547A (zh) * | 2012-11-13 | 2013-02-13 | 中国农业大学 | 风力传送条件下棉花异性纤维图像在线分割方法及系统 |
CN103793686A (zh) * | 2014-01-16 | 2014-05-14 | 中国农业大学 | 一种果树产量早期预测的方法 |
CN104318546A (zh) * | 2014-09-29 | 2015-01-28 | 中国农业大学 | 一种基于多尺度分析的温室田间植物叶片边缘提取方法及其系统 |
US20160125245A1 (en) * | 2014-10-29 | 2016-05-05 | Behavioral Recognition Systems, Inc. | Foreground detector for video analytics system |
CN104463138A (zh) * | 2014-12-19 | 2015-03-25 | 深圳大学 | 基于视觉结构属性的文本定位方法及系统 |
CN105678299A (zh) * | 2016-02-29 | 2016-06-15 | 江文得 | 一种车牌定位方法 |
CN107423864A (zh) * | 2016-05-23 | 2017-12-01 | 交通运输部水运科学研究院 | 船员行为的分析方法和装置 |
CN106504263A (zh) * | 2016-11-04 | 2017-03-15 | 辽宁工程技术大学 | 一种图像的快速连续边缘提取方法 |
CN107876970A (zh) * | 2017-12-13 | 2018-04-06 | 浙江工业大学 | 一种机器人多层多道焊接焊缝三维检测及焊缝拐点识别方法 |
CN109064440A (zh) * | 2018-06-19 | 2018-12-21 | 广东工业大学 | 一种基于机器视觉的喇叭音圈焊线识别方法 |
CN109409292A (zh) * | 2018-10-26 | 2019-03-01 | 西安电子科技大学 | 基于精细化特征优化提取的异源图像匹配方法 |
CN110097510A (zh) * | 2019-04-11 | 2019-08-06 | 平安科技(深圳)有限公司 | 一种纯色花朵识别方法、装置及存储介质 |
Non-Patent Citations (8)
Title |
---|
刘新瀚等: "自然场景下基于连通域检测的文字识别算法研究", 《计算机技术与发展》 * |
刘新瀚等: "自然场景下基于连通域检测的文字识别算法研究", 《计算机技术与发展》, vol. 25, no. 05, 31 May 2015 (2015-05-31) * |
刘莹芳等: "一种基于CT图像的肺实质分割方法", 《云南大学学报(自然科学版)》 * |
刘莹芳等: "一种基于CT图像的肺实质分割方法", 《云南大学学报(自然科学版)》, vol. 41, no. 03, 10 May 2019 (2019-05-10) * |
王惠华等: "基于二值图像连通域提取的图像滤波方法", 《北京印刷学院学报》 * |
王惠华等: "基于二值图像连通域提取的图像滤波方法", 《北京印刷学院学报》, vol. 23, no. 06, 26 December 2015 (2015-12-26) * |
赵庆生等: "基于新型阈值选择方法的变电站红外图像分割", 光学学报, vol. 39, no. 8, pages 109 - 116 * |
陈超;秦其明;陈理;王金梁;刘明超;温奇;: "基于地物光谱特征分析的高分辨率遥感图像水上桥梁提取", 光谱学与光谱分析, no. 03, pages 718 - 721 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581857A (zh) * | 2022-05-06 | 2022-06-03 | 武汉兑鑫科技实业有限公司 | 基于图像分析的智能天车控制方法 |
CN114581857B (zh) * | 2022-05-06 | 2022-07-05 | 武汉兑鑫科技实业有限公司 | 基于图像分析的智能天车控制方法 |
CN116616045A (zh) * | 2023-06-07 | 2023-08-22 | 山东农业工程学院 | 一种基于植物生长的采摘方法及采摘系统 |
CN116616045B (zh) * | 2023-06-07 | 2023-11-24 | 山东农业工程学院 | 一种基于植物生长的采摘方法及采摘系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111311573B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369545B (zh) | 边缘缺陷检测方法、装置、模型、设备及可读存储介质 | |
CN107273838B (zh) | 交通信号灯抓拍图片的处理方法及装置 | |
CN111428875A (zh) | 图像识别方法、装置及相应模型训练方法、装置 | |
CN111680690B (zh) | 一种文字识别方法及装置 | |
CN111681256A (zh) | 图像边缘检测方法、装置、计算机设备和可读存储介质 | |
CN112417955B (zh) | 巡检视频流处理方法及装置 | |
CN110726725A (zh) | 一种输电线路金具锈蚀检测方法及装置 | |
CN111311573B (zh) | 枝条确定方法、装置及电子设备 | |
CN107578011A (zh) | 视频关键帧的判定方法及装置 | |
CN114140346A (zh) | 一种图像处理方法及装置 | |
CN112052907A (zh) | 基于图像边缘信息的目标检测方法、装置及存储介质 | |
CN116597343A (zh) | 基于集成学习算法的高速公路气象识别方法及装置 | |
CN111325671B (zh) | 网络训练方法、装置、图像处理方法及电子设备 | |
CN111159150A (zh) | 一种数据扩充方法及装置 | |
CN111696064B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN114241344A (zh) | 一种基于深度学习的植物叶片病虫害严重程度评估方法 | |
CN116503382B (zh) | 一种显示屏划痕缺陷检测的方法和系统 | |
CN109033797B (zh) | 一种权限设置方法及装置 | |
CN111738069A (zh) | 人脸检测方法、装置、电子设备及存储介质 | |
CN114648467B (zh) | 图像的去雾方法、装置、终端设备及计算机可读存储介质 | |
CN111179245A (zh) | 图像质量检测方法、装置、电子设备和存储介质 | |
CN116229098A (zh) | 一种基于掩模轮廓跟踪的图像识别方法及相关产品 | |
CN111986176B (zh) | 一种裂纹图像识别方法、系统、终端及可读存储介质 | |
CN113780492A (zh) | 一种二维码二值化方法、装置、设备及可读存储介质 | |
CN114596210A (zh) | 噪声估计方法、装置、终端设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |