CN103020970B - 玉米果穗图像籽粒分割方法 - Google Patents
玉米果穗图像籽粒分割方法 Download PDFInfo
- Publication number
- CN103020970B CN103020970B CN201210572979.0A CN201210572979A CN103020970B CN 103020970 B CN103020970 B CN 103020970B CN 201210572979 A CN201210572979 A CN 201210572979A CN 103020970 B CN103020970 B CN 103020970B
- Authority
- CN
- China
- Prior art keywords
- image
- corn ear
- corn
- segmentation
- algorithm
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及计算机图像处理技术领域,具体涉及一种玉米果穗图像籽粒分割方法。该方法包括步骤:S1.结合形态学算法对玉米果穗图像进行预处理;S2.利用径向畸变校正方法处理步骤S1中得到的图像;S3.根据分级阈值分割算法分割步骤S2中得到的图像,生成玉米果穗图像最终分割结果。本发明首先利用径向畸变校正算法消除玉米果穗图像的径向畸变,使玉米果穗图像上的籽粒形状信息得到最大程度的恢复;其次,发明通过利用分级阈值分割方法对处理后的玉米果穗图像进行分割,克服了不同颜色类型籽粒难以分割的问题;因此,本发明极大的提高了对玉米果穗图像籽粒分割的准确性及精度,为玉米品种特性、形态特征的统计和分析提供了有力的技术支持。
Description
技术领域
本发明涉及计算机图像处理技术领域,具体涉及一种玉米果穗图像籽粒分割方法。
背景技术
传统的玉米果穗考种,需要人工测量和计算玉米果穗的各项指标参数,进而对玉米品种特性、形态特征进行统计和分析。传统考种过程重复、耗时、费力,对指标参数的测量严重依赖于工作人员的主观判断,获取的数据存在较大误差,考种流程标准化程度低。随着计算机和信息化技术在农业领域的深入渗透应用,使用计算机图像处理技术进行自动化考种已成为一种趋势。基于图像的自动考种方法,可以大大降低人力成本、提高玉米考种效率、形成统一的考种标准;另外,可以长期存储和重复利用样本图像数据,有利于对宝贵样本的统一标准化管理。
玉米果穗图像分割,是进行自动化考种、玉米果穗形状特征和产量计算的核心问题之一。由于玉米果穗种类繁多,从颜色角度可分为黄、白、黄白粒、紫、红等类型。图像获取过程中,由于成像光照差异以及玉米果穗本身颜色差异,使得玉米果穗中籽粒颜色所在的颜色阈值区间差异较大,即使将彩色图像转换为灰度图像,籽粒的灰度值仍明显处于不同的灰度阈值区间,这对于黄白粒等类型玉米果穗来说尤其明显。一般图像分割方法往往只能适用于单一颜色特征图像的分割,难以普遍适用于多种颜色特征玉米果穗图像的分割。
另外,由于玉米果穗一般可视为偏长的三维椭圆球,获取的玉米果穗图像实际上是玉米果穗在成像平面上的投影,因此玉米果穗图像上每个像素与其表示的三维玉米果穗上目标点,在物理尺寸上并非单一对应关系,玉米果穗图像的每个像素大小与其表示目标的大小存在较大差异;这种与物体形状相关的畸变对靠近玉米果穗边缘的籽粒影响非常大,即靠近边缘的籽粒存在较大的形状畸变;如果以玉米果穗骨架轴上图像像素大小为基准,图像上与骨架轴距离越远的像素表示的物理尺寸越大。现有的图像处理方法一般都是以图像中像素为基本特征,没有考虑像素所表示的目标本身的性状特征,这使得现有图像分割方法对玉米籽粒的分割和识别准确度以及精度较差。
综上所述,一种能够消除玉米果穗图像径向畸变,并能够克服不同颜色类型籽粒难以直接分割问题的玉米果穗图像籽粒分割方法亟待提供。
发明内容
(一)要解决的技术问题
本发明的目的在于提供一种玉米果穗图像籽粒分割方法,用于消除玉米果穗图像的径向畸变,克服不同颜色类型籽粒难以直接分割问题,进而提高对玉米果穗图像籽粒分割的准确性及精度,为玉米品种特性、形态特征的统计和分析提供有力的技术支持。
(二)技术方案
本发明技术方案如下:
一种玉米果穗图像籽粒分割方法,包括步骤:
S1.结合形态学算法对玉米果穗图像进行预处理;
S2.利用径向畸变校正方法处理步骤S1中得到的图像;
S3.根据分级阈值分割算法分割步骤S2中得到的图像,生成玉米果穗图像最终分割结果。
优选的,所述步骤S1包括:
S101.将玉米果穗图像转化为第一灰度图像;
S102.设定背景阈值,对第一灰度图像二值化,得到第一二值图像;
S103.计算所述第一二值图像中目标个数:
若大于1,则利用形态学算法确定所述第一二值图像轮廓。
优选的,所述步骤S102中通过最大类间方差算法得到背景阈值。
优选的,所述步骤S103包括:
利用区域填充方法或者轮廓计数方法得到第一二值图像中目标个数:
若第一二值图像中目标个数大于1,则先利用图像膨胀算法处理孔洞,再利用图像腐蚀算法恢复图像初始边界。
优选的,所述步骤S103之后还包括步骤:
S104.根据实际玉米果穗特征判断玉米果穗图像特征是否处于极限值范围内:
若是,则跳转至步骤S2;
若否,则选择新的玉米果穗图像并跳转至步骤S101。
优选的,所述步骤S2包括:
S201.建立步骤S1中最终得到的图像的OBB包围盒;
S202.结合所述包围盒的长轴以及短轴,利用径向畸变校正算法处理所述玉米果穗图像、第一灰度图像以及第一二值图像得到第二玉米果穗图像、第二灰度图像以及第二二值图像。
优选的,所述步骤S202包括:
建立坐标系:以所述OBB包围盒长轴方向作为玉米果穗中心轴方向Y,以所述OBB包围盒一个短轴作为X轴并以该短轴的中心点作为坐标系原点;
利用所有垂直于Y轴的玉米果穗横剖面中心点构建骨架轴;
分别以所述骨架轴上的每个点为中心,沿X轴方向扩展图像。
优选的,所述步骤S3包括:
S301.设定初始阈值;
S302.根据所述初始阈值对所述第二灰度图像进行分割;
S303.从分割结果中筛选有效玉米籽粒并将有效玉米籽粒区域置为背景色;
S304.增大阈值;
S305.重复步骤S302-S304,直到阈值大于等于图像中像素强度最大值。
优选的,所述初始阈值等于背景阈值。
优选的,所述步骤S303包括:
对于分割结果中每个玉米籽粒,计算其性状参数;
判断该玉米籽粒的性状参数是否与实际玉米籽粒特征匹配:
若是:则将第二灰度图像中该玉米籽粒所在区域置为背景色。
(三)有益效果
本发明的一种玉米果穗图像籽粒分割方法首先利用径向畸变校正算法消除玉米果穗图像的径向畸变,使玉米果穗图像上的籽粒形状信息得到最大程度的恢复;其次,发明通过利用分级阈值分割方法对处理后的玉米果穗图像进行分割,克服了不同颜色类型籽粒难以分割的问题;因此,本发明极大的提高了对玉米果穗图像籽粒分割的准确性及精度,为玉米品种特性、形态特征的统计和分析提供了有力的技术支持。
附图说明
图1是本发明的一种玉米果穗图像籽粒分割方法的流程图;
图2是图1中径向畸变校正算法示意图。
具体实施方式
下面结合附图和实施例,对发明的具体实施方式做进一步描述。以下实施例仅用于说明本发明,但不用来限制本发明的范围。
现有技术中利用图像处理方法对玉米果穗进行考种,一般都是针对单张玉米果穗图像进行,利用有限信息推导出尽量多的玉米果穗性状特征参数,其优点是简单、方便、快捷。本发明主要是针对单张玉米果穗图像籽粒分割方法进行的改进,从而提高玉米果穗性状特征参数检测的准确度以及精度。
流程图如图1中所示的一种玉米果穗图像籽粒分割方法,主要包括步骤:
S1.一定光照条件,在黑色背景上垂直玉米果穗中心轴成像,获得单张彩色玉米果穗图像C1,结合形态学算法对玉米果穗图像C1进行预处理;该步骤主要包括:
S101.将玉米果穗图像转化为值域为255第一灰度图像H1;
S102.设定背景阈值,根据背景阈值对第一灰度图像H1二值化,得到第一二值图像B1;其中背景阈值可通过最大类间方差方法计算得到,也可根据经验人工指定高于背景的强度值,该阈值主要用于确定玉米果穗整体相对于背景的像素边界;
S103.利用区域填充方法或者轮廓计数方法或者其它任何已知算法计算第一二值图像中目标个数;区域填充方法通过序贯扫描图像,为每个连通区域分配唯一的标记值,最后统计得到的标记值个数即为连通区域个数;轮廓计算方法是查找背景与目标的边界像素,按照像素位置连接为封闭环,计算最后计算出的封闭环个数,即得到连通区域数目;由于玉米果穗图像中只包含单一的玉米果穗目标,如果目标的个数大于1,表明图像B1中存在若干孔洞或者孤岛,玉米果穗的边界难以唯一确定;因此,可以利用形态学算法中的图像膨胀算法处理填充孔洞,直到图像上只有一个目标,并记录所有膨胀像素个数;再利用形态学算法中的图像腐蚀算法恢复图像初始边界,腐蚀像素个数等于膨胀像素个数,这样做的目的是使整个玉米果穗目标在图像上形成一个单连通区域;
进一步的,步骤S103之后还可以包括步骤:
S104.根据实际玉米果穗特征判断玉米果穗图像特征是否处于极限值范围内:若是,则跳转至步骤S2;若否,则选择新的玉米果穗图像并跳转至步骤S101;本实施例中具体为:基于最终得到的玉米果穗图像,计算出玉米果穗长度、宽度、投影面积和投影周长等参数,如果这些计算值均位于玉米果穗性状特征库中对应极限值范围内,则认为得到的玉米果穗图像B1为有效;其中,玉米果穗性状特征库是收集了各种类型玉米果穗的品种、性状和颜色特征的数据库,包括了大量已知玉米果穗及其籽粒的参数数据;每项参数的极值是指从性状特征库中检索到的所有已知玉米果穗的该参数指标的极大值和极小值。
S2.利用径向畸变校正方法处理步骤S1中预处理后得到的第一二值图像B1;该步骤主要包括:
S201.建立第一二值图像B1的OBB(OrientedBoundingBox,有向包围盒)包围盒;其中OBB包围盒是指最贴近玉米果穗边界的长方形;
S202.结合包围盒的长轴以及短轴,利用径向畸变校正算法处理玉米果穗图像C1、第一灰度图像H1以及第一二值图像B2得到第二玉米果穗图像C2、第二灰度图像H2以及第二二值图像B2。
其中,步骤S202包括:
建立坐标系:以OBB包围盒长轴方向作为玉米果穗中心轴方向Y,以OBB包围盒一个短轴作为X轴(视为玉米果穗径向)并以该短轴的中心点作为坐标系原点;
利用所有垂直于Y轴的玉米果穗横剖面中心点构建骨架轴;本实施中具体为:对位于Y轴上且在包围盒内的每个点,沿X方向生成一条直线,计算该直线与玉米果穗轮廓的交点;如果交点个数为2,分别记为P1以及P2,则将P1点和P2点的中心点C作为玉米果穗骨架轴上一点;如果交点个数为1,则认为是玉米果穗骨架轴的端点;记录骨架轴上每个点、该点沿X轴方向生成的直线与玉米轮廓的交点个数以及以该点为圆心的横剖面的半径R;
分别以骨架轴上的每个点为中心,沿X轴方向扩展图像;本实施例中具体为:以玉米果穗骨架轴上每个点为中心,沿X轴方向扩展图像,扩展方式如图2所示:其中P1′点和P2′点对应P1点和P2点扩展后在图像上的位置,从中心点到P1′和P2′之间像素可以采用非线性方式填充,其中P点扩展后的位置由P点到C′的弧长决定,即Line(C′,P′)=Arc(C′,P″);扩展后的图像总是存在的未填充空隙区域,可以使用其离骨架中心最近的有效像素点作为填充值;校正后得到的玉米果穗图像上每个像素大小与其表示的三维目标具有相同的物理尺度;重复上述步骤,分别处理图像C1、H1以及B1,得到畸变校正后图像C2、H2以及B2。
S3.对于大多数玉米果穗来说,在第二灰度图像H2上玉米籽粒的阈值范围往往位于不同的阈值区间内,尤其对于黄白粒等杂色类型玉米果穗来说,在同一张图像中籽粒的分割阈值区间相差较大,因此本发明根据分级阈值分割算法分割步骤S2中得到的图像,生成玉米果穗图像最终分割结果;分级阈值分割方法,是指从初始阈值开始逐步递增阈值进行图像分割,从每次分割结果中筛选中有效玉米籽粒,并在原图中将分割出的玉米籽粒区域置为背景色,直到阈值达到图像中像素强度最大值。该步骤主要包括:
S301.设定初始阈值T;其中,初始阈值T可以设定为等于背景阈值的值,也可以设定高于背景强度的值;
S302.根据初始阈值对第二灰度图像H2进行分割,得到结果图像为第三灰度图像H3;
S303.从第三灰度图像H3中筛选有效玉米籽粒并将有效玉米籽粒区域置为背景色;
S304.增大阈值;
S305.重复步骤S302-S304,直到阈值大于等于图像中像素强度最大值。
分割完成后,将所有的判定为籽粒的子图像按照其实际位置填充到一个新建图像S(与初始第二灰度图像H2大小、类型一致),即得到玉米果穗图像分割结果。
其中,步骤S303包括:
对于分割结果中每个玉米籽粒,计算其性状参数;本实施例中具体为:使用目标轮廓生成方法得到图像H3中每个目标轮廓,填充每个轮廓得到仅包含目标的各个子图像,其中子图像是指包含单个分割目标的矩形图像,目标像素填充为标记值(255),其他像素填充为背景值;计算每个子图像中目标的性状参数(面积、周长、长宽比、圆度)和颜色等参数,其中目标的颜色可以通过检索该子图像在第二彩色图像C2中相同位置的像素计算得到;
判断该子图像即玉米籽粒的性状参数是否与实际玉米籽粒特征匹配,若匹配,则将该子图像区域置为背景色;本实施例中具体为:将每个子图计算结果与玉米果穗性状特征库进行匹配,对每项参数指标进行打分,最后的总得分即为该子图判定为玉米籽粒的概率;其中,籽粒特征库中包含了已有的所有玉米籽粒性状特征的数据;参数指标打分,是为籽粒的每项指标建立一项权重系数,表示该指标对判定目标为籽粒的贡献大小;如果打分高于经验值,则判定该子图像表示玉米籽粒,则将其从图像H2中删除,即将其所在目标区域填充为背景色。
本发明提供的方法适合于各种不同颜色特征的玉米果穗图像的分割。首先使用了玉米径向畸变校正方法对玉米果穗图像沿径向进行扩展,恢复了初始图像中每个像素真实的物理形状,为基于籽粒性状特征的识别提供了可靠的籽粒形状数据;进而采用分级阈值分割方法提取籽粒,结合玉米果穗性状特征库对分割出的玉米籽粒进行识别和筛选,提高了图像中玉米籽粒的识别准确率。
与现有技术相比,本发明提出的玉米果穗图像籽粒分割方法首先基于玉米果穗三维形状特征对输入的玉米果穗图像进行径向畸变校正,使图像上籽粒形状信息得到最大程度恢复,为基于籽粒形状特征的分割提供更为可靠的数据来源;然后使用分级阈值分割方法,克服了不同颜色类型籽粒难以直接分割的问题,通过阈值分割-籽粒筛选-图像填充的分级阈值分割方法从原始图像中提取出处于不同阈值区间的玉米籽粒,每一步均利用了上次分割的结果,最后结合玉米果穗特征库对每次分割出的籽粒进行筛选,得到的结果是一系列籽粒图像,最后将这些籽粒图像按照其实际位置拷贝到空白图像上,即得到最终分割结果。因此,本发明可从玉米果穗图像中有效分割出玉米籽粒,基于本发明的分割结果,可以更准确计算出玉米果穗和籽粒的性状特征参数,进而计算玉米果穗的考种指标,为玉米果穗考种提供了极大的便利。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的保护范畴。
Claims (5)
1.一种玉米果穗图像籽粒分割方法,其特征在于,包括步骤:
S1.结合形态学算法对玉米果穗图像进行预处理;
S2.利用径向畸变校正方法处理步骤S1中得到的图像;
S3.根据分级阈值分割算法分割步骤S2中得到的图像,生成玉米果穗图像最终分割结果;
所述步骤S1包括:
S101.将玉米果穗图像转化为第一灰度图像;
S102.设定背景阈值,对第一灰度图像二值化,得到第一二值图像;
S103.计算所述第一二值图像中目标个数:
若大于1,则利用形态学算法确定所述第一二值图像轮廓;
所述步骤S2包括:
S201.建立步骤S1中最终得到的第一二值图像的OBB包围盒;
S202.结合所述包围盒的长轴以及短轴,利用径向畸变校正算法处理所述玉米果穗图像、第一灰度图像以及第一二值图像,得到第二玉米果穗图像、第二灰度图像以及第二二值图像;
所述步骤S202包括:
建立坐标系:以所述OBB包围盒长轴方向作为玉米果穗中心轴方向Y,以所述OBB包围盒一个短轴作为X轴并以该短轴的中心点作为坐标系原点;
利用所有垂直于Y轴的玉米果穗横剖面中心点构建骨架轴:对位于Y轴上且在包围盒内的每个点,沿X方向生成一条直线,计算该直线与玉米果穗轮廓的交点;如果交点个数为2,分别记为P1以及P2,则将P1点和P2点的中心点C作为玉米果穗骨架轴上一点;如果交点个数为1,则认为是玉米果穗骨架轴的端点;记录骨架轴上每个点、该点沿X轴方向生成的直线与玉米轮廓的交点个数以及以该点为圆心的横剖面的半径R;
分别以所述骨架轴上的每个点为中心,沿X轴方向扩展图像;
所述步骤S3包括:
S301.设定初始阈值;
S302.根据所述初始阈值对所述第二灰度图像进行分割;
S303.从分割结果中筛选有效玉米籽粒并将有效玉米籽粒区域置为背景色;
S304.增大阈值;
S305.重复步骤S302-S304,直到阈值大于等于图像中像素强度最大值;
所述步骤S303包括:
对于分割结果中每个玉米籽粒,计算其性状参数;
判断该玉米籽粒的性状参数是否与实际玉米籽粒特征匹配:
若是:则将第二灰度图像中该玉米籽粒所在区域置为背景色。
2.根据权利要求1所述的玉米果穗图像籽粒分割方法,其特征在于,所述步骤S102中通过最大类间方差算法得到背景阈值。
3.根据权利要求1所述的玉米果穗图像籽粒分割方法,其特征在于,所述步骤S103包括:
利用区域填充方法或者轮廓计数方法得到第一二值图像中目标个数:
若第一二值图像中目标个数大于1,则先利用图像膨胀算法处理孔洞,再利用图像腐蚀算法恢复图像初始边界。
4.根据权利要求1所述的玉米果穗图像籽粒分割方法,其特征在于,所述步骤S103之后还包括步骤:
S104.根据实际玉米果穗特征判断玉米果穗图像特征是否处于极限值范围内:
若是,则跳转至步骤S2;
若否,则选择新的玉米果穗图像并跳转至步骤S101。
5.根据权利要求1所述的玉米果穗图像籽粒分割方法,其特征在于,所述初始阈值等于背景阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210572979.0A CN103020970B (zh) | 2012-12-25 | 2012-12-25 | 玉米果穗图像籽粒分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210572979.0A CN103020970B (zh) | 2012-12-25 | 2012-12-25 | 玉米果穗图像籽粒分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103020970A CN103020970A (zh) | 2013-04-03 |
CN103020970B true CN103020970B (zh) | 2016-03-30 |
Family
ID=47969536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210572979.0A Active CN103020970B (zh) | 2012-12-25 | 2012-12-25 | 玉米果穗图像籽粒分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103020970B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268492B (zh) * | 2013-04-19 | 2016-03-30 | 北京农业信息技术研究中心 | 一种玉米籽粒类型识别方法 |
WO2016123525A1 (en) * | 2015-01-30 | 2016-08-04 | Raytheon Company | Apparatus and methods for classifying and counting corn kernels |
CN106296644A (zh) * | 2015-06-10 | 2017-01-04 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的玉米籽粒考种分析方法 |
CN105335705A (zh) * | 2015-10-16 | 2016-02-17 | 中国农业大学 | 基于计算机视觉的玉米异常果穗筛分方法、装置及系统 |
CN106023235B (zh) * | 2016-06-15 | 2018-09-18 | 哈尔滨师范大学 | 一种农作物有效籽粒个数测量的方法 |
CN106650738B (zh) * | 2016-11-23 | 2019-10-25 | 中国农业大学 | 一种基于凹点匹配的玉米穗部粘连籽粒分割方法及系统 |
CN106934796B (zh) * | 2017-02-15 | 2018-11-30 | 山东大学 | 隧道掘进机搭载的高速皮带机岩渣视频分析系统及方法 |
CN106971393B (zh) * | 2017-02-23 | 2019-09-10 | 北京农业信息技术研究中心 | 一种玉米籽粒的表型测量方法及系统 |
CN106971394B (zh) * | 2017-04-12 | 2019-11-12 | 东北农业大学 | 一种快速分离粘连玉米种子的图像分割方法 |
CN109308936B (zh) * | 2018-08-24 | 2020-09-01 | 黑龙江省稻无疆农业科技有限责任公司 | 一种粮食作物产地的识别方法、识别装置及终端识别设备 |
CN110967339B (zh) * | 2018-09-29 | 2022-12-13 | 北京瑞智稷数科技有限公司 | 一种玉米果穗性状分析的方法及装置、玉米性状分析设备 |
CN110490868B (zh) * | 2019-08-23 | 2023-05-30 | 陈�峰 | 一种基于计算机视觉玉米穗粒数的无损计数方法 |
CN116129331B (zh) * | 2023-04-12 | 2023-07-04 | 成都航空职业技术学院 | 一种回转体零件表面通孔个数统计方法及装置 |
CN116778477B (zh) * | 2023-06-20 | 2024-05-17 | 上海市农业科学院 | 一种基于图像处理的玉米果穗性状指标计算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853524A (zh) * | 2010-05-13 | 2010-10-06 | 北京农业信息技术研究中心 | 使用图像序列生成玉米果穗全景图的方法 |
CN102538717A (zh) * | 2010-12-30 | 2012-07-04 | 北京师范大学 | 叶面积指数自动观测系统及其方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8189855B2 (en) * | 2007-08-31 | 2012-05-29 | Accenture Global Services Limited | Planogram extraction based on image processing |
-
2012
- 2012-12-25 CN CN201210572979.0A patent/CN103020970B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853524A (zh) * | 2010-05-13 | 2010-10-06 | 北京农业信息技术研究中心 | 使用图像序列生成玉米果穗全景图的方法 |
CN102538717A (zh) * | 2010-12-30 | 2012-07-04 | 北京师范大学 | 叶面积指数自动观测系统及其方法 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉的玉米种子品种识别与检测研究;王玉亮;《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》;20090331;第I140-442页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103020970A (zh) | 2013-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103020970B (zh) | 玉米果穗图像籽粒分割方法 | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN104463140B (zh) | 一种彩色眼底图像视盘自动定位方法 | |
CN106340044B (zh) | 摄像机外参自动标定方法及标定装置 | |
CN107273896A (zh) | 一种基于图像识别的车牌检测识别方法 | |
US20180182099A1 (en) | Identifying and Excluding Blurred Areas of Images of Stained Tissue To Improve Cancer Scoring | |
CN102704215B (zh) | 基于dst文件解析与机器视觉结合的绣布自动切割方法 | |
CN103994786B (zh) | 圆弧标尺线指针式仪表刻度的图像检测方法 | |
CN109389163B (zh) | 一种基于地形图的无人机影像分类系统及方法 | |
CN109636732A (zh) | 一种深度图像的空洞修复方法以及图像处理装置 | |
CN112069985B (zh) | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 | |
CN104598907B (zh) | 一种基于笔画宽度图的图像中文字数据提取方法 | |
CN105865329A (zh) | 基于视觉的成捆圆钢端面中心坐标的获取系统和方法 | |
CN103852034B (zh) | 一种电梯导轨垂直度检测方法 | |
CN109871875A (zh) | 一种基于深度学习的建筑物变化检测方法 | |
US20170178341A1 (en) | Single Parameter Segmentation of Images | |
CN102393902A (zh) | 基于h_s二维直方图和区域颜色匹配的车辆颜色检测方法 | |
CN113012096B (zh) | 显示屏子像素定位及亮度提取方法、设备以及存储介质 | |
CN109341524A (zh) | 一种基于机器视觉的光纤几何参数检测方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN116777877A (zh) | 电路板缺陷检测方法、装置、计算机设备及存储介质 | |
CN113205511B (zh) | 基于深层神经网络的电子元器件批量信息检测方法及系统 | |
CN111738310B (zh) | 物料分类方法、装置、电子设备和存储介质 | |
CN110728660B (zh) | 基于缺血性脑卒中mri检测标记进行病灶分割的方法及装置 |
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 |