CN102110294A - 病鱼的鱼体图像处理方法及系统 - Google Patents
病鱼的鱼体图像处理方法及系统 Download PDFInfo
- Publication number
- CN102110294A CN102110294A CN2011100415735A CN201110041573A CN102110294A CN 102110294 A CN102110294 A CN 102110294A CN 2011100415735 A CN2011100415735 A CN 2011100415735A CN 201110041573 A CN201110041573 A CN 201110041573A CN 102110294 A CN102110294 A CN 102110294A
- Authority
- CN
- China
- Prior art keywords
- image
- fish
- target area
- pixel
- volume image
- 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
Images
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种病鱼的鱼体图像处理方法及系统,其中,病鱼的鱼体图像处理方法,包括:获取病鱼的鱼体图像;从所述鱼体图像中获取鱼体区域图像;从所述鱼体区域图像中获取异常目标区域图像;移除所述异常目标区域图像中的非病斑目标区域图像,以获取病斑目标图像。本发明的病鱼的鱼体图像处理方法及系统可以准确且便捷地获得病鱼的病斑的相应病斑目标图像,为计算机自动鱼病识别提供基础数据,从而便于技术人员及时了解病鱼所患病症的具体情况,及时采取措施遏制水产养殖鱼类的爆发性疾病的蔓延,从而降低水产养殖鱼类的爆发性疾病所带来的损失,并且本发明的病鱼的鱼体图像处理方法操作简便,具有良好的适应性。
Description
技术领域
本发明涉及图像处理技术,尤其涉及一种病鱼的鱼体图像处理方法及系统。
背景技术
目前,我国鱼类养殖业正朝着集约式养殖的方向发展,养殖规模不断扩大,而随着鱼类养殖业的迅速发展,水产养殖鱼类患爆发性疾病的概率不断增加。水产养殖鱼类的爆发性疾病是一种急性综合性鱼病,其具有病种多样化,面积广泛化,治疗难度大的特点,会给鱼类养殖户带来很大的损失。
由于目前我国水产养殖鱼类的爆发性疾病主要存在于家鱼,即青鱼、草鱼、鲢鱼、鳙鱼、鲤鱼和鲫鱼中,患病的病鱼的鱼体的体表颜色和纹理与正常鱼的鱼体完全不同。例如,就鲤科鱼来说,正常鲤科鱼的鱼体表面一般具有背部黑亮,靠近鱼肚部分发白,纹理清晰且形状完整的特点;而在患病时,病鱼的鱼体表面会出现红色血丝,并且伴随有血肿或白色肿块,即病斑。
随着计算机技术和图像处理技术的发展,利用图像处理技术已经可以对病鱼的鱼体表面的病斑进行分析,并通过分析确定鱼病的种类,进而对病鱼进行有效地隔离或治疗,从而有效地减小水产养殖鱼类的爆发性疾病所带来的损失。
但现有技术获取病鱼的鱼体图像后,无法快速且准确地将病鱼的鱼体表面的病斑提取出来,对病斑的采集和提取仍需通过操作者手工对病鱼的鱼体图像进行裁剪来进行。通过操作者手工对病鱼的鱼体图像进行裁剪,一方面降低了病斑提取的速度和准确性。另一方面提高了操作者的劳动强度,并且由于操作者需要具备计算机和图像处理方面的专业知识,也不利于在产业中的大规模推广。
因此,如何快速且准确地从病鱼的鱼体图像中获取病斑图像,就成为亟待解决的问题。
发明内容
本发明提供一种病鱼的鱼体图像处理方法及系统。
本发明提供一种病鱼的鱼体图像处理方法,包括:
获取病鱼的鱼体图像;
从所述鱼体图像中获取鱼体区域图像;
从所述鱼体区域图像中获取异常目标区域图像;
移除所述异常目标区域图像中的非病斑目标区域图像,以获取病斑目标图像。
本发明提供一种病鱼的鱼体图像处理系统,包括:
图像采集模块,用于获取病鱼的鱼体图像;
鱼体分割模块,用于从所述鱼体图像中获取鱼体区域图像;
异常目标区域图像获取模块,用于从所述鱼体区域图像中获取异常目标区域图像;
病斑目标图像获取模块,用于移除所述异常目标区域图像中的非病斑目标区域图像,以获取病斑目标图像。
本发明的病鱼的鱼体图像处理方法及系统可以准确且便捷地获得病鱼的病斑的相应病斑目标图像,为计算机自动鱼病识别提供基础数据,从而便于技术人员及时了解病鱼所患病症的具体情况,及时采取措施遏制水产养殖鱼类的爆发性疾病的蔓延,从而降低水产养殖鱼类的爆发性疾病所带来的损失,并且发明的病鱼的鱼体图像处理方法操作简便,具有良好的适应性。
附图说明
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,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明病鱼的鱼体图像处理方法实施例一的流程图;
图2为本发明病鱼的鱼体图像处理方法实施例二的流程图;
图3为本发明病鱼的鱼体图像处理方法实施例三的流程图;
图4为本发明病鱼的鱼体图像处理方法实施例四的流程图;
图5为本发明病鱼的鱼体图像处理系统实施例一的结构图。
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,下面将结合本发明实施例中的附图,对本发明实施例中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作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。
图1为本发明病鱼的鱼体图像处理方法实施例一的流程图,如图1所示,本实施例的方法可以包括以下步骤:
步骤101、获取病鱼的鱼体图像。
举例来说,病鱼的鱼体图像可以通过水下电荷耦合元件(Charge-coupledDevice,以下简称:CCD)相机及与其相连的图像采集卡实时获取。需要说明的是,如何区分病鱼的鱼体图像和正常鱼的鱼体图像并不属于本发明的范畴,本领域技术人员可通过现有技术或人工手段将病鱼的鱼体图像与正常鱼的鱼体图像区分开来,从而得到需要进行病鱼的鱼体图像处理的病鱼的鱼体图像。
步骤102、从鱼体图像中获取鱼体区域图像。
举例来说,在得到病鱼的鱼体图像后,可通过对获得的病鱼的鱼体图像进行自适应阈值分割,进而从包括背景在内的病鱼的鱼体图像中提取出鱼体区域图像,从而可以有效地降低后续图像处理步骤的数据运算量,提高病鱼的鱼体图像的处理效率。
步骤103、从鱼体区域图像中获取异常目标区域图像。
举例来说,在通过步骤102获得病鱼的鱼体区域图像后,可以进一步获得病鱼的鱼体区域中的病斑位置的异常目标区域图像。这样就可以将病鱼的病斑从病鱼的鱼体区域中分割出来,从而便于后续步骤的进行,可以进一步有效地降低后续图像处理步骤的数据运算量,从而提高病鱼的鱼体图像的处理效率。
步骤104、移除异常目标区域图像中的非病斑目标区域图像,以获取病斑目标图像。
举例来说,再通过步骤103获得异常目标区域图像后,为降低病斑的识别处理的准确性,同时降低病斑的识别处理的数据量,可以进一步去除异常目标区域图像中的鱼体的正常部分,在移除异常目标区域图像中的非病斑目标区域图像后,就可以获得仅包含病斑的病斑目标图像。获得病斑目标图像后,通过对病斑目标图像进行特征提取就可以了解病鱼所患病症的种类、严重程度等相关信息,农业技术人员就可以采取相应的措施,例如隔离、给药治疗等手段,从而及时遏制水产养殖鱼类的爆发性疾病的蔓延,降低水产养殖鱼类的爆发性疾病所带来的损失。需要说明的是,本发明并不涉及通过对病斑目标图像进行特征提取,来了解病鱼所患病症的种类、严重程度等相关信息的具体方式,本领域技术人员可采用现有技术的图像处理方法来实现对病斑目标图像的处理,此处不再赘述。
本实施例的病鱼的鱼体图像处理方法可以准确且便捷地获得病鱼的病斑的相应病斑目标图像,为计算机自动鱼病识别提供基础数据,从而便于技术人员及时了解病鱼所患病症的具体情况,及时采取措施遏制水产养殖鱼类的爆发性疾病的蔓延,从而降低水产养殖鱼类的爆发性疾病所带来的损失,并且本实施例的病鱼的鱼体图像处理方法操作简便,具有良好的适应性。
图2为本发明病鱼的鱼体图像处理方法实施例二的流程图,如图2所示,本实施例是对实施例一的进一步细化,本实施例的方法可以包括以下步骤:
步骤201、获取病鱼的鱼体图像。
步骤202、分别提取鱼体图像RGB空间的R、G和B三个颜色的归一化分量。
举例来说,通过步骤201获得病鱼的鱼体图像后,可以对该鱼体图像的RGB空间的R(Red)、G(Green)和B(Blue)三个颜色进行提取处理,从而获得R、G和B三个颜色的归一化分量,以供后续步骤处理。
优选地,分别提取鱼体图像RGB空间的R、G和B三个颜色的归一化分量具体可以为:通过公式(1)获得鱼体图像RGB空间的归一化分量,
r=R/(R+B+G)
g=G/(R+B+G) (1)
b=B/(R+G+B)
其中,r、g和b分别为所述鱼体图像RGB空间的R、G和B三个颜色的归一化分量。
步骤203、对提取到的归一化分量分别进行中值滤波图像增强处理。
举例来说,通过步骤202提取到鱼体图像RGB空间的R、G和B三个颜色的归一化分量后,可以对提取到的R、G和B三个颜色的归一化分量进行中值滤波图像增强处理,从而便于后续步骤的进行。对R、G和B三个颜色的归一化分量进行中值滤波图像增强处理可以提高鱼体图像的锐度,从而使获取鱼体区域图像的准确度和精度有很大程度的提高。
优选地,对提取到的归一化分量分别进行中值滤波图像增强处理具体可以为:通过像素模板扫描鱼体图像,像素模板的中心与所述鱼体图像的目标像素位置重合;计算像素模板内的鱼体图像的像素的灰度值;将鱼体图像的像素按灰度值大小重新排列,以获取像素中值;将像素中值作为目标像素的像素值。
举例来说,像素模板可以是大小为3像素×3像素的像素模板,使像素模板在鱼体图像中漫游,从而达到扫描鱼体图像的目的,像素模板具体可通过逐行或逐列的形式扫描鱼体图像的每个像素。在扫描过程中,像素模板的中心与鱼体图像的某个像素的位置重合,当像素模板的中心与鱼体图像的某个像素的位置重合时,即将与像素模板的中心重合的鱼体图像的像素作为鱼体图像的目标像素,从而达到对鱼体图像的每个像素都进行扫描的目的。
在每一个确定目标像素后,计算像素模板内的鱼体图像的各个像素的灰度值,将鱼体图像的像素按灰度值大小重新排列,以获取像素中值。例如对于作为目标像素的鱼体图像的像素a(i,j)来说,当像素模板为像素×3像素的像素模板时,像素模板内的鱼体图像共有9个像素,这9个像素按灰度值xi分别为(x1,x2,x3,x4,x5,x6,x7,x8,x9),将这9个灰度值(x1,x2,x3,x4,x5,x6,x7,x8,x9)由大到小重新排列,并将位于中间位置的灰度值作为像素中值。即当像素模板由n个像素组成时,若n为奇数,则为像素中值,若n为偶数,则为像素中值。确定像素中值后,就可以将像素中值作为目标像素的像素值。对鱼体图像的每个像素都进行上述处理后,就可以使鱼体图像的每个像素的灰度值都等于该像素作为目标像素的像素中值,从而可以使鱼体图像得到有效地锐化,便于后续步骤的处理。
步骤204、对进行中值滤波图像增强处理后的鱼体图像进行自适应阈值分割,以获取鱼体区域图像。
举例来说,通过对步骤203获得进行中值滤波图像增强处理的鱼体图像后,可对该鱼体图像进行自适应阈值分割处理,去除鱼体图像的背景部分,进而获得表现病鱼的鱼体区域的鱼体区域图像。
对进行中值滤波图像增强处理后的鱼体图像进行自适应阈值分割,具体可以为:获取进行中值滤波图像增强处理后的鱼体图像的像素矩阵;根据像素灰度值对像素矩阵中的像素进行整体归一化处理;对进行整体归一化处理后的鱼体图像进行分块处理;对分块处理后的鱼体图像进行阈值判断,以获取鱼体区域图像。
举例来说,获取进行中值滤波图像增强处理后的鱼体图像的像素矩阵,例如,将进行中值滤波图像增强处理后的灰度鱼体图像I定义为XY的像素矩阵,其中I(i,j)表示矩阵中第i行,第j列的鱼体图像的像素灰度值,I1为N×N的像素矩阵,I1为图像I的一个字块。
根据像素灰度值对像素矩阵中的像素进行整体归一化处理,具体可以为:定义Mean(I)为鱼体图像的整体均值,Var(I)为整体方差,则归一化处理可通过公式(2)至(4)实现。
其中,G(i,j)为进行归一化处理后的鱼体图像像素点的灰度值;M0和Var0分别为相应像素灰度值的数学期望的均值和方差。
对进行整体归一化处理后的鱼体图像进行分块处理,具体可以为:取尺寸为N像素×N像素的分块,将进行整体归一化处理后的鱼体图像划分为大小相等的若干块,可以以M(I1)表示鱼体图像的分块的均值,Var(I1)表示鱼体图像的分块的方差,进而通过公式(5)和(6)计算以像素点I(i,j)为中心的分块的均值和方差。
对分块处理后的鱼体图像进行阈值判断,以获取鱼体区域图像,具体可以为:对每个分块进行判断,以确定相应的分块是背景区、前景区或是背景区和前景区之间的过渡区域。例如,当某个分块I1的方差Var(I1)小于阈值T1时,可以直接确定该分块属于背景区;如果该分块的方差在[T1,T2]之间,则可以确定该分块为孤立点或者噪声点所在分块;如果分块的方差在[T2,T3]之间,则可以确定该分块为过渡区域;除以上情况之外,具备其他数值范围内的方差的分块可以确定为前景区域。需要说明的是,由于不同环境,不同光线条件,不同种类的病鱼,其用于进行分块处理的阈值T1、T2和T3是不同的,因此,本领域技术人员需要根据实际需要自行进行设置阈值T1、T2和T3。
当确定某一分块为过渡区域时,进一步需要对该分块内的像素点I(i,j),通过公式(5)计算以该像素点位中心的N像素×N像素的区域内的像素的灰度均值M(I1)。如果该像素点的灰度值大于该均值,则进一步将该像素点确定为背景像素点,否则将该像素点确定为前景像素点。
通过保留前景区域的分块及前景像素点,就可以将鱼体图像中的背景部分剔除,从而获得相应的反映病鱼的鱼体区域的鱼体区域图像。
步骤205、从鱼体区域图像中获取异常目标区域图像。
步骤206、移除异常目标区域图像中的非病斑目标区域图像,以获取病斑目标图像。
由于步骤201、步骤205和步骤206相应与实施例一的步骤101、步骤103和步骤104的实现原理以及技术效果类似,此处不再赘述。
本实施例的病鱼的鱼体图像处理方法可以准确且便捷地将病鱼的鱼体图像中的背景部分剔除,从而获得相应的反映病鱼的鱼体区域的鱼体区域图像,相应可以提高获取病鱼的病斑的相应病斑目标图像的准确度,从而便于技术人员及时了解病鱼所患病症的具体情况,从而可以及时采取措施遏制水产养殖鱼类的爆发性疾病的蔓延,降低水产养殖鱼类的爆发性疾病所带来的损失。
图3为本发明病鱼的鱼体图像处理方法实施例三的流程图,如图3所示,本实施例是对实施例一和二的进一步细化,本实施例的方法可以包括以下步骤:
步骤301、步骤获取病鱼的鱼体图像。
步骤302、从鱼体图像中获取鱼体区域图像。
步骤303、获取鱼体区域图像的像素的灰度值。
举例来说,具体可以通过将鱼体区域图像定义为M像素×N像素,f(m,n)即为相应的鱼体区域图像阵列在位置(m,n)处的像素灰度值,K为鱼体区域图像的相应的灰度级数,且f(m,n)∈{0,1,...,K-1}。
步骤304、获取鱼体区域图像的一维灰度统计直方图数据。
举例来说,鱼体区域图像的一维灰度统计直方图数据可以通过将H(k)定义为鱼体区域图像的直方图函数,并通过公式(7)计算相应的直方图数据。
其中,函数δ(0)=1,δ(k≠0)=0,H(k)为具有灰度级k的像素个数。
步骤305、根据聚类类别数和迭代停止阈值,通过聚类目标函数计算划分矩阵,以获得异常目标区域图像。
举例来说,通过步骤304获得直方图数据后,可以通过聚类目标函数Jm(U,V:K)计算划分矩阵,具体可通过公式(8)实现。
其中,公式(8)满足极值条件:k∈{0,1,...,K-1},m和c为聚类类别数,且m>1,2≤c≤K-1;uik为第i类样本k的隶属度,vi为聚类中心,k-vi表示样本点k距离聚类中心vi的欧式距离,且k∈Rs,vi∈Rs,s是聚类空间的维数;U={uik}表示一个(K-1)×c维的矩阵,V={v1,v2,...,vc}表示一个s×c的矩阵;K为鱼体区域图像的灰度级数。
确定聚类目标函数后,需给定聚类类别数c(2≤c≤K-1)和m(m>1),并设定迭代停止值ε=0.001;初始化聚类原型模式V(0),及设定迭代计数器b=0。
进而通过公式(9)计算划分矩阵U(b)。
及通过公式(10)计算聚类原型模式V(b+1)。
如果则停止计算,即得到划分矩阵U(b),否则令b=b+1,并重新计算划分矩阵U(b)和聚类原型模式V(b+1),直到获得符合要求的划分矩阵U(b)。这样就可以将异常目标区域图像从鱼体区域图像中划分出来,以供后续步骤的处理。
步骤306、移除异常目标区域图像中的非病斑目标区域图像,以获取病斑目标图像。
由于步骤301、步骤302和步骤306相应与实施例一的步骤101、步骤102和步骤104的实现原理以及技术效果类似,此处不再赘述。
本实施例的病鱼的鱼体图像处理方法可以准确且便捷地将病鱼的鱼体区域图像中的病斑的异常目标区域图像划分出来,相应可以提高获取病鱼的病斑的相应病斑目标图像的准确度,从而便于技术人员及时了解病鱼所患病症的具体情况,从而可以及时采取措施遏制水产养殖鱼类的爆发性疾病的蔓延,降低水产养殖鱼类的爆发性疾病所带来的损失。
图4为本发明病鱼的鱼体图像处理方法实施例四的流程图,如图4所示,本实施例是对实施例一和二的进一步细化,本实施例的方法可以包括以下步骤:
步骤401、步骤获取病鱼的鱼体图像。
步骤402、从鱼体图像中获取鱼体区域图像。
步骤403、从鱼体区域图像中获取异常目标区域图像。
由于步骤401至步骤403相应与实施例一的步骤101至步骤103的实现原理以及技术效果类似,此处不再赘述。
步骤404、将异常目标区域图像进行反转。
举例来说,由于通过步骤403获取的异常目标区域图像中可能包含有非病斑图像信息,为了有效地将非病斑图像信息从异常目标区域图像中移除,从而获得精确的病斑图像信息,需要通过步骤404对通过步骤403获取的包含有非病斑信息的异常目标区域图像进行翻转处理。
步骤405、从鱼体区域图像中获取正常目标区域图像块,将正常目标区域图像块作为扫描模板。
举例来说,可以从鱼体区域图像的任意位置获得表现病鱼的鱼体的正常部分的正常目标区域图像块,并将该正常目标区域图像块作为扫描模板。需要说明的是正常目标区域图像块应尽可能与异常目标区域图像保持一定的距离,从而使正常目标区域图像块中不包含任何与病斑有关的图像信息。
步骤406、将反转后的异常目标区域图像进行反转还原。
举例来说,通过步骤405获得扫描模板后,可将经步骤404反转的异常目标区域图像进行反转还原,使其呈现原来的位置状态,以供后续步骤进行处理。
步骤407、使用扫描模板扫描异常目标区域图像。
举例来说,可以使用与实施例二的优选实施例的方式通过扫描模板扫描异常目标区域图像,为使说明书简洁明了,具体操作步骤和流程不再赘述。
步骤408、计算扫描模板下的异常目标区域图像的特征值并计算特征值的均值。
举例来说,在使用扫描模板扫描异常目标区域图像的过程中,可以记录扫描模板下的异常目标区域图像的全部像素的特征值,及特征值所对应的均值C1。
步骤409、根据扫描模板的特征值的均值和扫描阈值获得病斑目标图像。
举例来说,扫描模板的特征值和均值可通过求取相应的正常目标区域图像块所包含的全部像素的特征值的均值,并以该均值作为扫描模板的特征值的均值C2,并设定扫描阈值ε。这样根据扫描阈值ε和扫描模板的特征值的均值C2就可以对相应的异常目标区域图像的每个像素的特征值所对应的均值C1进行判定,当|C1-C2|≤ε时,则将扫描模板下的异常目标区域图像的相应像素的像素值设为1,否则保持其不变,从而可以将异常目标区域图像中的非病斑图像信息移除,进而获得相应的病斑目标图像。
本实施例的病鱼的鱼体图像处理方法可以准确且便捷地获得病鱼的病斑的相应病斑目标图像,从而便于技术人员及时了解病鱼所患病症的具体情况,从而可以及时采取措施遏制水产养殖鱼类的爆发性疾病的蔓延,降低水产养殖鱼类的爆发性疾病所带来的损失,并且本实施例的病鱼的鱼体图像处理方法操作简便,具有良好的适应性。
图5为本发明病鱼的鱼体图像处理系统实施例一的结构图,如图5所示,本实施例的病鱼的鱼体图像处理系统可以包括:图像采集模块1,用于获取病鱼的鱼体图像;鱼体分割模块2,用于从鱼体图像中获取鱼体区域图像;异常目标区域图像获取模块3,用于从鱼体区域图像中获取异常目标区域图像;病斑目标图像获取模块4,用于移除异常目标区域图像中的非病斑目标区域图像,以获取病斑目标图像。
本实施例的病鱼的鱼体图像处理系统可以用于执行图1所示实施例的方法,其实现原理以及技术效果类似,此处不再赘述。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、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:以上实施例仅用以说明本发明的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种病鱼的鱼体图像处理方法,其特征在于,包括:
获取病鱼的鱼体图像;
从所述鱼体图像中获取鱼体区域图像;
从所述鱼体区域图像中获取异常目标区域图像;
移除所述异常目标区域图像中的非病斑目标区域图像,以获取病斑目标图像。
2.根据权利要求1所述的方法,其特征在于,所述从所述鱼体图像中获取鱼体区域图像具体包括:
分别提取所述鱼体图像RGB空间的R、G和B三个颜色的归一化分量;
对提取到的所述归一化分量分别进行中值滤波图像增强处理;
对进行所述中值滤波图像增强处理后的所述鱼体图像进行自适应阈值分割,以获取所述鱼体区域图像。
3.根据权利要求2所述的方法,其特征在于,所述分别提取所述鱼体图像RGB空间的R、G和B三个颜色的归一化分量具体为:
通过公式(1)获得所述鱼体图像RGB空间的归一化分量,
r=R/(R+B+G)
g=G/(R+B+G) (1)
b=B/(R+G+B)
其中,r、g和b分别为所述鱼体图像RGB空间的R、G和B三个颜色的归一化分量。
4.根据权利要求2所述的方法,其特征在于,所述对提取到的所述归一化分量分别进行中值滤波图像增强处理具体为:
通过像素模板扫描所述鱼体图像,所述像素模板的中心与所述鱼体图像的目标像素位置重合;
计算所述像素模板内的所述鱼体图像的像素的灰度值;
将所述鱼体图像的像素按灰度值大小重新排列,以获取像素中值;
将所述像素中值作为目标像素的像素值。
5.根据权利要求2所述的方法,其特征在于,所述对进行所述中值滤波图像增强处理后的所述鱼体图像进行自适应阈值分割,具体为:
获取进行所述中值滤波图像增强处理后的所述鱼体图像的像素矩阵;
根据像素灰度值对所述像素矩阵中的像素进行整体归一化处理;
对进行所述整体归一化处理后的鱼体图像进行分块处理;
对分块处理后的所述鱼体图像进行阈值判断,以获取所述鱼体区域图像。
6.根据权利要求1至5中任一权利要求所述的方法,其特征在于,所述从所述鱼体区域图像中获取异常目标区域图像具体为:
获取所述鱼体区域图像的像素的灰度值;
获取所述鱼体区域图像的一维灰度统计直方图数据;
根据聚类类别数和迭代停止阈值,通过聚类目标函数计算划分矩阵,以获得所述异常目标区域图像。
7.根据权利要求1至5中任一权利要求所述的方法,其特征在于,所述移除所述异常目标区域图像中的非病斑目标区域图像,具体为:
将所述异常目标区域图像进行反转;
从所述鱼体区域图像中获取正常目标区域图像块,将所述正常目标区域图像块作为扫描模板;
将反转后的所述异常目标区域图像进行反转还原;
使用所述扫描模板扫描所述异常目标区域图像;
计算所述扫描模板下的所述异常目标区域图像的特征值并计算所述特征值的均值;
根据所述扫描模板的特征值的均值和扫描阈值获得所述病斑目标图像。
8.一种病鱼的鱼体图像处理系统,其特征在于,包括:
图像采集模块,用于获取病鱼的鱼体图像;
鱼体分割模块,用于从所述鱼体图像中获取鱼体区域图像;
异常目标区域图像获取模块,用于从所述鱼体区域图像中获取异常目标区域图像;
病斑目标图像获取模块,用于移除所述异常目标区域图像中的非病斑目标区域图像,以获取病斑目标图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100415735A CN102110294B (zh) | 2011-02-21 | 2011-02-21 | 病鱼的鱼体图像处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100415735A CN102110294B (zh) | 2011-02-21 | 2011-02-21 | 病鱼的鱼体图像处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102110294A true CN102110294A (zh) | 2011-06-29 |
CN102110294B CN102110294B (zh) | 2012-11-14 |
Family
ID=44174441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011100415735A Active CN102110294B (zh) | 2011-02-21 | 2011-02-21 | 病鱼的鱼体图像处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102110294B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104823891A (zh) * | 2015-05-25 | 2015-08-12 | 江苏农牧科技职业学院 | 一种自动区分刺鳅雌雄的鉴别方法及其装置 |
CN107133958A (zh) * | 2017-04-26 | 2017-09-05 | 北方工业大学 | 基于块粒度预判平衡直方图的光学遥感船舶切片分割方法 |
CN107392117A (zh) * | 2015-03-10 | 2017-11-24 | 合肥智慧龙图腾知识产权股份有限公司 | 鱼体新鲜程度识别系统 |
CN108391602A (zh) * | 2018-04-25 | 2018-08-14 | 中国农业科学院农业信息研究所 | 一种雏鸡性别识别系统及其识别方法 |
CN108782312A (zh) * | 2018-03-22 | 2018-11-13 | 杨明 | 基于图像处理的污水处理系统 |
CN110214725A (zh) * | 2019-07-04 | 2019-09-10 | 仲恺农业工程学院 | 基于水产养殖行为和大数据挖掘的精准投喂方法 |
CN111695463A (zh) * | 2020-05-29 | 2020-09-22 | 深圳数联天下智能科技有限公司 | 人脸面部杂质检测模型的训练方法、人脸面部杂质检测方法 |
CN111754527A (zh) * | 2020-06-24 | 2020-10-09 | 西藏自治区农牧科学院水产科学研究所 | 一种基于三维扫描模型的鱼类表型自动提取方法 |
CN112841099A (zh) * | 2021-03-19 | 2021-05-28 | 东营市阔海水产科技有限公司 | 基于图像检测对虾头部病变的检测装置 |
CN113598098A (zh) * | 2021-08-06 | 2021-11-05 | 黑龙江八一农垦大学 | 一种基于机器视觉的鱼病识别处理装置 |
CN114711181A (zh) * | 2022-03-16 | 2022-07-08 | 四川农业大学 | 一种嵌入式草鱼病灶自动分流装置及检测方法 |
CN117455909A (zh) * | 2023-12-22 | 2024-01-26 | 广东马氏水产有限公司 | 一种鱼类进出自动化线鱼体鱼病检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1598866A (zh) * | 2004-09-08 | 2005-03-23 | 江苏大学 | 采用图像处理的鱼病自动诊断方法及其装置 |
-
2011
- 2011-02-21 CN CN2011100415735A patent/CN102110294B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1598866A (zh) * | 2004-09-08 | 2005-03-23 | 江苏大学 | 采用图像处理的鱼病自动诊断方法及其装置 |
Non-Patent Citations (5)
Title |
---|
《2009 International Conference on Artificial Intelligence and Computational Intelligence》 20091108 WU Yuan-hong et al A New Method for Fish disease Diagnosis System Based on Rough Set and Classifier Fusion 全文 1-8 , 2 * |
《Frontiers in the Convergence of Bioscience and Information Technologies 2007》 20071013 Jeong-Seon Park et al Fish Disease Diagnosis System Based on Image Processing of Pathogens Microscopic Images 全文 1-8 , 2 * |
《Journal of Computer Science》 20101227 Mutasem Khalil Alsmadi et al Fish Classification Based on Robust Features Extraction From Color Signature Using Back-Propagation Classifier 全文 1-8 第7卷, 第1期 2 * |
《New Zealand Journal of Agricultural Research》 20080208 DONGMEI LOU et al Study on A Fish Disease Case Reasoning System Based on Image Retrieval 全文 1-8 第50卷, 2 * |
《农业工程学报》 20050630 刘星桥 等 采用图像处理技术对鱼体健康状况监视和预报 第119-120页第2.3节及图3、图5、图6 1-4,6,8 第21卷, 第6期 2 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392117A (zh) * | 2015-03-10 | 2017-11-24 | 合肥智慧龙图腾知识产权股份有限公司 | 鱼体新鲜程度识别系统 |
CN104823891A (zh) * | 2015-05-25 | 2015-08-12 | 江苏农牧科技职业学院 | 一种自动区分刺鳅雌雄的鉴别方法及其装置 |
CN107133958A (zh) * | 2017-04-26 | 2017-09-05 | 北方工业大学 | 基于块粒度预判平衡直方图的光学遥感船舶切片分割方法 |
CN107133958B (zh) * | 2017-04-26 | 2021-04-23 | 北方工业大学 | 基于块粒度预判平衡直方图的光学遥感船舶切片分割方法 |
CN108782312B (zh) * | 2018-03-22 | 2020-10-16 | 诸暨易阳环保科技有限公司 | 基于图像处理的污水处理系统 |
CN108782312A (zh) * | 2018-03-22 | 2018-11-13 | 杨明 | 基于图像处理的污水处理系统 |
CN108391602A (zh) * | 2018-04-25 | 2018-08-14 | 中国农业科学院农业信息研究所 | 一种雏鸡性别识别系统及其识别方法 |
CN108391602B (zh) * | 2018-04-25 | 2023-06-06 | 中国农业科学院农业信息研究所 | 一种雏鸡性别识别系统及其识别方法 |
CN110214725A (zh) * | 2019-07-04 | 2019-09-10 | 仲恺农业工程学院 | 基于水产养殖行为和大数据挖掘的精准投喂方法 |
CN111695463B (zh) * | 2020-05-29 | 2022-07-26 | 深圳数联天下智能科技有限公司 | 人脸面部杂质检测模型的训练方法、人脸面部杂质检测方法 |
CN111695463A (zh) * | 2020-05-29 | 2020-09-22 | 深圳数联天下智能科技有限公司 | 人脸面部杂质检测模型的训练方法、人脸面部杂质检测方法 |
CN111754527B (zh) * | 2020-06-24 | 2022-01-04 | 西藏自治区农牧科学院水产科学研究所 | 一种基于三维扫描模型的鱼类表型自动提取方法 |
CN111754527A (zh) * | 2020-06-24 | 2020-10-09 | 西藏自治区农牧科学院水产科学研究所 | 一种基于三维扫描模型的鱼类表型自动提取方法 |
CN112841099A (zh) * | 2021-03-19 | 2021-05-28 | 东营市阔海水产科技有限公司 | 基于图像检测对虾头部病变的检测装置 |
CN113598098A (zh) * | 2021-08-06 | 2021-11-05 | 黑龙江八一农垦大学 | 一种基于机器视觉的鱼病识别处理装置 |
CN114711181A (zh) * | 2022-03-16 | 2022-07-08 | 四川农业大学 | 一种嵌入式草鱼病灶自动分流装置及检测方法 |
CN117455909A (zh) * | 2023-12-22 | 2024-01-26 | 广东马氏水产有限公司 | 一种鱼类进出自动化线鱼体鱼病检测方法 |
CN117455909B (zh) * | 2023-12-22 | 2024-03-29 | 广东马氏水产有限公司 | 一种鱼类进出自动化线鱼体鱼病检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102110294B (zh) | 2012-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102110294B (zh) | 病鱼的鱼体图像处理方法及系统 | |
CN110196053B (zh) | 一种基于fpga的实时田间机器人视觉导航方法与系统 | |
CN110472616B (zh) | 图像识别方法、装置、计算机设备及存储介质 | |
Malambo et al. | Automated detection and measurement of individual sorghum panicles using density-based clustering of terrestrial lidar data | |
CN101794434B (zh) | 图像处理装置及图像处理方法 | |
Zion et al. | Real-time underwater sorting of edible fish species | |
US9449253B2 (en) | Learning painting styles for painterly rendering | |
CN103984958A (zh) | 宫颈癌细胞分割方法及系统 | |
WO2020023467A1 (en) | Unique identification of freely swimming fish in an aquaculture environment | |
CN108109133B (zh) | 一种基于数字图像处理技术的蚕卵自动计数方法 | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN107103608A (zh) | 一种基于区域候选样本选择的显著性检测方法 | |
CN105654099A (zh) | 基于改进视觉的甘蔗分割与识别方法 | |
Farid et al. | DOST: A distributed object segmentation tool | |
CN106529552A (zh) | 一种扇贝贝壳生长纹路的分割与识别方法 | |
CN104463862B (zh) | 肾脏ct序列图像快速分割方法 | |
CN102938053A (zh) | 一种基于计算机视觉的甘蔗特征提取与识别方法 | |
CN103971367A (zh) | 水文资料图像分割方法 | |
CN115797844A (zh) | 一种基于神经网络的鱼体鱼病检测方法及系统 | |
CN106327508B (zh) | Ki67指数自动分析方法 | |
CN102938052A (zh) | 一种基于计算机视觉的甘蔗分割与识别方法 | |
CN116452967B (zh) | 基于机器视觉的鱼游动速度识别方法 | |
CN116258703A (zh) | 缺陷检测方法、装置、电子设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |