CN103778428B - 基于块标记的病害感兴趣区域提取方法及系统 - Google Patents
基于块标记的病害感兴趣区域提取方法及系统 Download PDFInfo
- Publication number
- CN103778428B CN103778428B CN201410012650.8A CN201410012650A CN103778428B CN 103778428 B CN103778428 B CN 103778428B CN 201410012650 A CN201410012650 A CN 201410012650A CN 103778428 B CN103778428 B CN 103778428B
- Authority
- CN
- China
- Prior art keywords
- interest
- image
- block
- disease area
- divided
- 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)
- Image Processing (AREA)
Abstract
本发明提供了一种基于块标记的病害感兴趣区域提取方法及系统,该方法包括:在原图像的灰度图像中通过提取边缘特征将图像分为若干个块;在原图像的彩色图像中将从所述若干个块中筛选出的符合病害感兴趣区域颜色特征的块,划分到病害感兴趣区域中;基于原图像获取区分病害感兴趣区域与非病害感兴趣区域的二值图像;基于距离变换和分水岭变换将所述二值图像中的非病害感兴趣区域分割为若干个区域;在原图像的彩色图像中将从所述若干个区域中筛选出的符合病害感兴趣区域颜色特征的区域,划分到病害感兴趣区域中。本发明可以在大田环境下实现病害感兴趣区域的准确提取。
Description
技术领域
本发明涉及农业工程,具体涉及一种基于块标记的病害感兴趣区域提取方法及系统。
背景技术
随着计算机软硬件性能的提高以及机器视觉技术的进步,利用机器视觉实现病害自动识别已受到广泛关注,并广泛地应用于植保领域。机器视觉技术在农业中的研究起步较晚,其中高效高精度的分割算法是实现自动识别的热点和难点问题。
病害感兴趣区域包括正常叶片区域和病害区域,是衡量病害发病程度的重要依据,也是精确喷药的关键信息。但是在大田环境中,由于环境复杂,光照条件的不确定性,其图像的灰阶范围常常重叠,就会给常用的阈值法等仅基于图像颜色特征的固定标准的分割方法带来一些问题。比如说,由于该类方法很难区分两个区域的颜色差异是由周围光线引起的还是自身就存在颜色差异,所以很可能存在误分割的情况,从而不能准确地提取出病害感兴趣区域。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供一种基于块标记的病害感兴趣区域提取方法及系统,可以在大田环境下实现病害感兴趣区域的准确提取。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于块标记的病害感兴趣区域提取方法,其特征在于,该方法包括:
在原图像的灰度图像中通过提取边缘特征将图像分为若干个块;
在原图像的彩色图像中将从所述若干个块中筛选出的符合病害感兴趣区域颜色特征的块,划分到病害感兴趣区域中;
基于原图像获取区分病害感兴趣区域与非病害感兴趣区域的二值图像;
基于距离变换和分水岭变换将所述二值图像中的非病害感兴趣区域分割为若干个区域;
在原图像的彩色图像中将从所述若干个区域中筛选出的符合病害感兴趣区域颜色特征的区域,划分到病害感兴趣区域中。
优选地,所述在原图像的灰度图像中通过提取边缘特征将图像分为若干个块包括:
将原图像转换为灰度图像;
在所述灰度图像中提取边缘点;
将所述边缘点组合为若干个连通分量,使所有互为八邻域点的两个边缘点都属于同一个连通分量;
将所述连通分量组合为若干个块边界,使所有位置关系满足预定条件的连通分量都属于同一个块边界;
按所述块边界将图像分为若干个块。
优选地,所述预定条件包括两个连通分量中相距最近的两个边缘点之间相距的像素数,小于两连通分量中边缘点数较小者的边缘点数的一半。
优选地,在所述按所述块边界将图像分为若干个块步骤之前,进一步包括将所围面积小于预定噪声阈值的块边界从图像中除去。
优选地,所述按所述块边界将图像分为若干个块包括:
获取所有块边界组成图形的外接矩形;
将每一个由所述外接矩形与所有块边界围成的四连通区域视作一个单独的块;
将原图像中在所述外接矩形之外的部分视作一个单独的块。
优选地,所述将从所述若干个块中筛选出的符合病害感兴趣区域颜色特征的块,划分到病害感兴趣区域中包括当处理对象为绿色叶片的植物时,计算每个所述块中超绿像素点与超黄像素点所占的比例之和,并将所述比例之和大于预定值的块判定为符合病害感兴趣区域颜色特征的块,划分到病害感兴趣区域中。
优选地,所述将从所述若干个区域中筛选出的符合病害感兴趣区域颜色特征的区域,划分到病害感兴趣区域中包括在处理对象为绿色叶片的植物时,计算每个所述区域中超绿像素点与超黄像素点所占的比例之和,并将所述比例之和大于预定值的区域判定为符合病害感兴趣区域颜色特征的区域,划分到病害感兴趣区域中。
一种基于块标记的病害感兴趣区域提取系统,其特征在于,该系统包括:
块划分模块,用于在原图像的灰度图像中通过提取边缘特征将图像分为若干个块;
块提取模块,用于在原图像的彩色图像中将从所述若干个块中筛选出的符合病害感兴趣区域颜色特征的块,划分到病害感兴趣区域中;
二值图像获取模块,用于基于原图像获取区分病害感兴趣区域与非病害感兴趣区域的二值图像;
区域分割模块,用于基于距离变换和分水岭变换将所述二值图像中的非病害感兴趣区域分割为若干个区域;
区域提取模块,用于在原图像的彩色图像中将从所述若干个区域中筛选出的符合病害感兴趣区域颜色特征的区域,划分到病害感兴趣区域中。
优选地,所述块划分模块包括:
灰度转换单元,用于将原图像转换为灰度图像;
边缘点提取单元,用于在所述灰度图像中提取边缘点;
连通分量组合单元,用于将所述边缘点组合为若干个连通分量,使所有互为八邻域点的两个边缘点都属于同一个连通分量;
块边界组合单元,用于将所述连通分量组合为若干个块边界,使所有位置关系满足预定条件的连通分量都属于同一个块边界;
块划分单元,用于按所述块边界将图像分为若干个块。
优选地,所述块提取模块包括颜色提取单元,用于在处理对象为绿色叶片的植物时,计算每个所述块中超绿像素点与超黄像素点所占的比例之和,并将所述比例之和大于预定值的块判定为符合病害感兴趣区域颜色特征的块,划分到病害感兴趣区域中。
(三)有益效果
本发明至少具有如下的有益效果:
本发明先基于图像的边缘特征,将图像中所有被明显轮廓包围的部分都视作一个单独的块,然后基于块内的颜色特征,从中筛选出符合病害感兴趣区域颜色特征的块。由于正常的叶片边缘和叶片中的脉络都能通过边缘特征提取出来,所以这些提取出来的块通常包含了大多数的正常叶片区域和病害区域,也就是病害感兴趣区域。
进一步的,相对于已经提取出的病害感兴趣区域,图像中其他部分可能存在着由于边缘线条不明显而没有被找出来的病害感兴趣区域。此时,先区分当时的病害感兴趣区域与非病害感兴趣区域,基于原图像形成一个二值图像,然后基于距离变换和分水岭变换将其中的非病害感兴趣区域分割为若干个区域。对于这些区域,再基于颜色特征,从中筛选出符合病害感兴趣区域颜色特征的区域,加入到病害感兴趣区域中。也就是把图像的剩余部分再一次进行了分割和病害感兴趣区域的寻找。因为把这些其余部分又进一步细分了,所以其中由于边缘线条不明显而没有被找出来的病害感兴趣区域也可以被提取出来。
相较于仅基于图像颜色特征的固定标准的分割方法而言,这样的分割方式结合了图像的边缘特征和颜色特征,可以避免环境光线导致颜色差异而形成的误分割,可以更准确地提取病害感兴趣区域。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例中的基于块标记的病害感兴趣区域提取方法流程图;
图2是本发明一个实施例中在具体图像中的连通分量组合效果示意图;
图3是本发明一个实施例中在具体图像中的块边界组合效果示意图;
图4是本发明一个实施例中在具体图像中的块划分效果示意图;
图5是本发明一个实施例中在具体图像中的感兴趣区域的块划分提取结果示意图,亦为获取二值图像的效果示意图;
图6是本发明一个实施例中距离变换中所用到的模板;
图7是本发明一个实施例中在具体图像中的距离变换效果示意图;
图8是本发明一个实施例中在具体图像中的分水岭变换效果示意图;
图9是本发明一个实施例中基于块标记的病害感兴趣区域提取系统的机构框图。
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。
实施例1
本发明实施例提出了一种基于块标记的病害感兴趣区域提取方法,参见图1,该方法包括:
步骤101:在原图像的灰度图像中通过提取边缘特征将图像分为若干个块;
步骤102:在原图像的彩色图像中将从所述若干个块中筛选出的符合病害感兴趣区域颜色特征的块,划分到病害感兴趣区域中;
步骤103:基于原图像获取区分病害感兴趣区域与非病害感兴趣区域的二值图像;
步骤104:基于距离变换和分水岭变换将所述二值图像中的非病害感兴趣区域分割为若干个区域;
步骤105:在原图像的彩色图像中将从所述若干个区域中筛选出的符合病害感兴趣区域颜色特征的区域,划分到病害感兴趣区域中。
本方法是基于一张大田环境下拍摄的植物叶片照片,具体是要提取其中的病害感兴趣区域,包括正常叶片部分和病斑部分。
可见,本方法大致上分为两个部分:块划分提取和区域划分提取。
块划分提取实际上就是通过提取图像中的边缘特征把图像中的被明显轮廓包围的部分视作块,然后基于块内的颜色特征,从中筛选出符合病害感兴趣区域颜色特征的块。由于正常的叶片边缘和叶片中的脉络都能通过边缘特征提取出来,所以这些提取出来的块通常包含了大多数的正常叶片区域和病害区域,也就是病害感兴趣区域。当然,块的划分是在原图像的灰度图像中进行的,而颜色特征的匹配是在原图像的彩色图像中进行的。
区域划分提取是在块划分提取之上的,其主要就是先区分当时的病害感兴趣区域与非病害感兴趣区域,基于原图像形成一个二值图像。然后基于距离变换和分水岭变换(其属于常用的图像分割方法)将其中的非病害感兴趣区域分割为若干个区域。也就是把已经提取出的病害感兴趣区域视为最低平台或最高平台,把剩下的区域按距离该平台的远近由低到高或由高到低排列,然后绘制其等高线图,并画出其中的分水线,从而将非病害感兴趣区域划分成了若干个区域。
对于这些区域,再基于颜色特征,从中筛选出符合病害感兴趣区域颜色特征的区域,加入到病害感兴趣区域中。也就是把图像的剩余部分再一次进行了分割和病害感兴趣区域的寻找。因为把这些其余部分又进一步细分了,所以其中由于边缘线条不明显而没有被找出来的病害感兴趣区域也可以被提取出来。
所以,本方法可以从图像中自动地提取出病害感兴趣区域,主要利用了边缘特征与颜色特征相结合的方法,先大体上确定了图像中的叶片部分,又在其余部分进行了进一步的查找和补充,可以在大田环境下实现病害感兴趣区域的准确提取。
更具体地,这里结合一个具体照片的处理实例来说明本方法的具体步骤。
首先,将照片转换为灰度图像,基于边缘特征将图像分块:首先用3×3(像素)模板提取Canny边缘,并给每个边缘点分配一个标记;视互为八邻域点的两个边缘点的标记等价,用一个等价表记录所有的等价标记;使用这一等价表将所有拥有等价标记的像素点分配唯一标记,使每一个由拥有等价标记像素点组成的连通分量都有一个唯一的标记,对照片提取的连通分量参见图2。
这一步骤主要就是将所述边缘点都组合为了若干个连通分量,使所有互为八邻域点的两个边缘点都属于同一个连通分量。上面只是实现这一目的的一种方法实例,实际操作上可以根据多种其他现有算法实现。
接下来需要将所述连通分量组合为若干个块边界,使所有位置关系满足预定条件的连通分量都属于同一个块边界。实际上也就是将距离非常靠近的两个连通分量合并为一个,使图像中的连通分量呈现网状,并将图像分割为若干个块。这里所说的“预定条件”就是指用于描述连通分量间的距离足够近的一种数学表达式,举例来说就是“两个连通分量中相距最近的两个边缘点之间相距的像素数,小于两连通分量中边缘点数较小者的边缘点数的一半”,当然也可以参照现有技术中的图像处理方法做其他类似设定。
下面是一种组合方法实例:
定义连通分量之间的距离:
其中coni,conj分别表示第i,j个连通分量;mx,my,nx,ny分别为点m的横、纵坐标和点n的横、纵坐标。若dij<min(leni,lenj)/2(也就是上面所说的预定条件举例),则将第i个和第j个连通分量进行组合,即在经过第i个和第j个连通分量最短距离的两个点之间的连线进行标记,标记为一个新的连通分量;其中leni和lenj分别为第i个和第j个连通分量。如此对每两个连通分量重复进行这一操作,直至没有可以组合的连通分量为止,自此完成了对连通分量的组合。组合后的每个连通分量都称为一个块边界,其具体的处理后图像参见图3,其中区分了不同的块边界。其中,已经将所围面积小于预定噪声阈值的块边界从图像中除去,方法为面积滤波,这里具体设定的噪声阈值为500,为预先由实验得到的数值。不同情景下可以根据所得图像大小选择噪声阈值。
接下来,就可以由块边界来划分图像了:先获取所有块边界组成图形的外接矩形;然后将每一个由所述外接矩形与所有块边界围成的四连通区域视作一个单独的块;最后将原图像中在所述外接矩形之外的部分视作一个单独的块。图像中未包含在这些四连通区域中的点就被认为是背景而暂不考虑,具体的块划分结果参见图4。
利用颜色特征在原图像的彩色图像中将从所述若干个块中筛选出的符合病害感兴趣区域颜色特征的块,划分到病害感兴趣区域中的具体方法为:在彩色图像中,计算对应区域中满足2*g–1.2*r–1.2*b>0(即为超绿像素)或者1.2*r+1.2*g–2*b>0的像素(即为超黄像素)个数与区域内总像素个数的比值,若该比值大于等于70%则将该块划分到病害感兴趣区域中。前文所说的“病害感兴趣区域颜色特征”就指的是超绿像素和超黄像素所占的比例超过70%。这里的70%是通过实验得到的,在不同应用场景、光照条件和相机设置时下对应的阈值有一定变化。具体的最终得到的病害感兴趣区域参见图5(图中的白色区域)。
图5同时也可以表示区分病害感兴趣区域与非病害感兴趣区域的二值图像。
对这一二值图像的图像分割流程如下:
对图像进行距离变换:参见图6的模板(a)和模板(b),将模板(a)从左至右,从上至下在图像上移动,对于非零的中心像素点,将像素值和对应模板值相加,取和的最小值作为中心像素值。在模板(a)的运算结果上,用模板(b)从下至上,从右至左做同样运算,取模板(a)的运算结果和模板(b)的运算结果的较小值作为最终结果,除以3后得到距离灰度图,从而将图像灰度化。如图7所示,其中不同线条表示不同距离,黑色表示背景。
将分水岭变换应用于距离变换后的灰度图像:将图像灰度值从小到大排序,找到图像中的局部极小值,给它们分配不同的标记,从图像灰度的最小值到最大值一级级处理,在每一个灰度级上,具有已标记邻域像素最先被放入队列中。按照先入先出原则从队列中取像素,取出像素标记值由它已标记邻域值决定(如果已标记邻域标记值不同,则是分水线上的点,否则标记值和已标记邻域值一致)。处理完队列中具有已标记邻域像素后,给没有标记邻域像素分配一个新标记。如图8所示,不同颜色表示分水线分割开的不同区域,黑色表示背景。
从而,根据所得的分水线就把二值图像分为了若干个区域。最后,在原图像的彩色图像中将从所述若干个区域中筛选出的符合病害感兴趣区域颜色特征的区域,划分到病害感兴趣区域中。具体而言,就是在彩色图像中,计算对应区域中满足2*g–1.2*r–1.2*b>0(即为超绿像素)或者1.2*r+1.2*g–2*b>0的像素(即为超黄像素)个数与区域内总像素个数的比值,若该比值大于等于90%则将该块划分到病害感兴趣区域中。类似地,这里的90%也是在具体的应用场景、光照条件和相机设置下通过实验得到的。与上面的块提取相比,这里的“病害感兴趣区域颜色特征”更严格,这是具体环境下的实验结果。在实际实施上,这两个数值可以在60%-100%之间选取,其对应的就是所需要提取的病害感兴趣区域颜色特征。
本发明对病害感兴趣区域提取具有通用性,但由于产品种类很多,因此本发明只举一个用于绿色植物和黄色病害的实施实例,其它病害感兴趣区域的提取可以参照该实施实例的方法,具体针对所识别的病害,改变相关参数,就可以对新的病害感兴趣区域进行提取。
综上,本发明与人工提取相比,结果更客观公正,能适应大田环境,并且分割速度快,文章结合图像的边缘特征,受光照变化的影响较小,分割结果鲁棒稳定,更有利于与后期的精准施药相结合。将机器视觉用于病害感兴趣区域提取过程中,既可以让人们从复杂枯燥的工作中脱离出来,又可以更加快速、准确、客观的得到病害的感兴趣区域,进而计算得到病害的受害程度,结合图像的边缘特征,受光照变化的影响较小,并且通过分块标记的方式,能较好的减少像素标记的错误,提高计算的精度和鲁棒性,该发明可以应用于大田环境中的病害感兴趣区域提取、病害受害程度自动化计算、精准施药中。
实施例2
本发明实施例提出了一种基于块标记的病害感兴趣区域提取,参见图9,该系统包括:
块划分模块901,用于在原图像的灰度图像中通过提取边缘特征将图像分为若干个块;
块提取模块902,用于在原图像的彩色图像中将从所述若干个块中筛选出的符合病害感兴趣区域颜色特征的块,划分到病害感兴趣区域中;
二值图像获取模块903,用于基于原图像获取区分病害感兴趣区域与非病害感兴趣区域的二值图像;
区域分割模块904,用于基于距离变换和分水岭变换将所述二值图像中的非病害感兴趣区域分割为若干个区域;
区域提取模块905,用于在原图像的彩色图像中将从所述若干个区域中筛选出的符合病害感兴趣区域颜色特征的区域,划分到病害感兴趣区域中。
其中,所述块划分模块包括:灰度转换单元,用于将原图像转换为灰度图像;边缘点提取单元,用于在所述灰度图像中提取边缘点;连通分量组合单元,用于将所述边缘点组合为若干个连通分量,使所有互为八邻域点的两个边缘点都属于同一个连通分量;块边界组合单元,用于将所述连通分量组合为若干个块边界,使所有位置关系满足预定条件的连通分量都属于同一个块边界;块划分单元,用于按所述块边界将图像分为若干个块。
所述块提取模块包括颜色提取单元,用于在处理对象为绿色叶片的植物时,计算每个所述块或所述区域中超绿像素点与超黄像素点所占的比例之和,并将所述比例之和大于预定值的区域判定为符合病害感兴趣区域颜色特征的块或区域,划分到病害感兴趣区域中。
所述区域提取模块包括颜色提取单元,用于在处理对象为绿色叶片的植物时,计算每个所述区域或所述区域中超绿像素点与超黄像素点所占的比例之和,并将所述比例之和大于预定值的区域判定为符合病害感兴趣区域颜色特征的区域或区域,划分到病害感兴趣区域中。
本实施例所提出的系统的具体工作流程参见实施例1中所提出的方法流程,其中的模块与方法中的步骤一一对应,实施方式相对应并且具有相同的有益效果。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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)
1.一种基于块标记的病害感兴趣区域提取方法,其特征在于,该方法包括:
在原图像的灰度图像中通过提取边缘特征将图像分为若干个块;
在原图像的彩色图像中将从所述若干个块中筛选出的符合病害感兴趣区域颜色特征的块,划分到病害感兴趣区域中;
基于原图像获取区分病害感兴趣区域与非病害感兴趣区域的二值图像;
基于距离变换和分水岭变换将所述二值图像中的非病害感兴趣区域分割为若干个区域;
在原图像的彩色图像中将从所述若干个区域中筛选出的符合病害感兴趣区域颜色特征的区域,划分到病害感兴趣区域中;
所述在原图像的灰度图像中通过提取边缘特征将图像分为若干个块包括:
将原图像转换为灰度图像;
在所述灰度图像中提取边缘点;
将所述边缘点组合为若干个连通分量,使所有互为八邻域点的两个边缘点都属于同一个连通分量;
将所述连通分量组合为若干个块边界,使所有位置关系满足预定条件的连通分量都属于同一个块边界;
按所述块边界将图像分为若干个块。
2.根据权利要求1所述的方法,其特征在于,所述预定条件包括两个连通分量中相距最近的两个边缘点之间相距的像素数,小于两连通分量中边缘点数较小者的边缘点数的一半。
3.根据权利要求1所述的方法,其特征在于,在所述按所述块边界将图像分为若干个块步骤之前,进一步包括将所围面积小于预定噪声阈值的块边界从图像中除去。
4.根据权利要求1所述的方法,其特征在于,所述按所述块边界将图像分为若干个块包括:
获取所有块边界组成图形的外接矩形;
将每一个由所述外接矩形与所有块边界围成的四连通区域视作一个单独的块;
将原图像中在所述外接矩形之外的部分视作一个单独的块。
5.根据权利要求1所述的方法,其特征在于,所述将从所述若干个块中筛选出的符合病害感兴趣区域颜色特征的块,划分到病害感兴趣区域中包括当处理对象为绿色叶片的植物时,计算每个所述块中超绿像素点与超黄像素点所占的比例之和,并将所述比例之和大于预定值的块判定为符合病害感兴趣区域颜色特征的块,划分到病害感兴趣区域中。
6.根据权利要求1所述的方法,其特征在于,所述将从所述若干个区域中筛选出的符合病害感兴趣区域颜色特征的区域,划分到病害感兴趣区域中包括在处理对象为绿色叶片的植物时,计算每个所述区域中超绿像素点与超黄像素点所占的比例之和,并将所述比例之和大于预定值的区域判定为符合病害感兴趣区域颜色特征的区域,划分到病害感兴趣区域中。
7.一种基于块标记的病害感兴趣区域提取系统,其特征在于,该系统包括:
块划分模块,用于在原图像的灰度图像中通过提取边缘特征将图像分为若干个块;
块提取模块,用于在原图像的彩色图像中将从所述若干个块中筛选出的符合病害感兴趣区域颜色特征的块,划分到病害感兴趣区域中;
二值图像获取模块,用于基于原图像获取区分病害感兴趣区域与非病害感兴趣区域的二值图像;
区域分割模块,用于基于距离变换和分水岭变换将所述二值图像中的非病害感兴趣区域分割为若干个区域;
区域提取模块,用于在原图像的彩色图像中将从所述若干个区域中筛选出的符合病害感兴趣区域颜色特征的区域,划分到病害感兴趣区域中;
所述块划分模块包括:
灰度转换单元,用于将原图像转换为灰度图像;
边缘点提取单元,用于在所述灰度图像中提取边缘点;
连通分量组合单元,用于将所述边缘点组合为若干个连通分量,使所有互为八邻域点的两个边缘点都属于同一个连通分量;
块边界组合单元,用于将所述连通分量组合为若干个块边界,使所有位置关系满足预定条件的连通分量都属于同一个块边界;
块划分单元,用于按所述块边界将图像分为若干个块。
8.根据权利要求7所述的系统,其特征在于,所述块提取模块包括颜色提取单元,用于在处理对象为绿色叶片的植物时,计算每个所述块中超绿像素点与超黄像素点所占的比例之和,并将所述比例之和大于预定值的块判定为符合病害感兴趣区域颜色特征的块,划分到病害感兴趣区域中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410012650.8A CN103778428B (zh) | 2014-01-10 | 2014-01-10 | 基于块标记的病害感兴趣区域提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410012650.8A CN103778428B (zh) | 2014-01-10 | 2014-01-10 | 基于块标记的病害感兴趣区域提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103778428A CN103778428A (zh) | 2014-05-07 |
CN103778428B true CN103778428B (zh) | 2017-04-05 |
Family
ID=50570641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410012650.8A Active CN103778428B (zh) | 2014-01-10 | 2014-01-10 | 基于块标记的病害感兴趣区域提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103778428B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11852618B2 (en) | 2018-10-19 | 2023-12-26 | Climate Llc | Detecting infection of plant diseases by classifying plant photos |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127216A (zh) * | 2016-03-16 | 2016-11-16 | 青岛大学 | 一种乳腺癌腋窝淋巴结转移病灶检测方法 |
CN109409270A (zh) * | 2018-10-16 | 2019-03-01 | 宁夏农林科学院农业经济与信息技术研究所(宁夏农业科技图书馆) | 一种枸杞虫害图像识别系统 |
CN110310291A (zh) * | 2019-06-25 | 2019-10-08 | 四川省农业科学院农业信息与农村经济研究所 | 一种稻瘟病分级系统及其方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789005A (zh) * | 2010-01-22 | 2010-07-28 | 深圳创维数字技术股份有限公司 | 一种基于感兴趣区域的图像检索方法 |
CN101901477A (zh) * | 2010-07-27 | 2010-12-01 | 中国农业大学 | 植物叶片田间图像边缘提取方法及其系统 |
CN102013021A (zh) * | 2010-08-19 | 2011-04-13 | 汪建 | 基于颜色和区域生长的茶叶嫩芽分割和识别方法 |
CN102214306A (zh) * | 2011-06-16 | 2011-10-12 | 中国农业大学 | 叶片病斑识别方法及装置 |
CN102759528A (zh) * | 2012-07-09 | 2012-10-31 | 陕西科技大学 | 一种农作物叶部病害检测方法 |
-
2014
- 2014-01-10 CN CN201410012650.8A patent/CN103778428B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789005A (zh) * | 2010-01-22 | 2010-07-28 | 深圳创维数字技术股份有限公司 | 一种基于感兴趣区域的图像检索方法 |
CN101901477A (zh) * | 2010-07-27 | 2010-12-01 | 中国农业大学 | 植物叶片田间图像边缘提取方法及其系统 |
CN102013021A (zh) * | 2010-08-19 | 2011-04-13 | 汪建 | 基于颜色和区域生长的茶叶嫩芽分割和识别方法 |
CN102214306A (zh) * | 2011-06-16 | 2011-10-12 | 中国农业大学 | 叶片病斑识别方法及装置 |
CN102759528A (zh) * | 2012-07-09 | 2012-10-31 | 陕西科技大学 | 一种农作物叶部病害检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11852618B2 (en) | 2018-10-19 | 2023-12-26 | Climate Llc | Detecting infection of plant diseases by classifying plant photos |
Also Published As
Publication number | Publication date |
---|---|
CN103778428A (zh) | 2014-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103778628B (zh) | 田间开放环境下的叶片病害程度获取方法及系统 | |
KR102380493B1 (ko) | 골수 세포 표지 방법 및 시스템 | |
CN103971126B (zh) | 一种交通标志识别方法和装置 | |
Raut et al. | Plant disease detection in image processing using MATLAB | |
CN103345617B (zh) | 中药识别的方法及其系统 | |
Jidong et al. | Recognition of apple fruit in natural environment | |
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN108629319B (zh) | 图像检测方法及系统 | |
CN103778428B (zh) | 基于块标记的病害感兴趣区域提取方法及系统 | |
CN107871125A (zh) | 违章建筑识别方法、装置及电子设备 | |
CN103186904A (zh) | 图片轮廓提取方法及装置 | |
Maglad | A vehicle license plate detection and recognition system | |
CN104504722B (zh) | 一种利用灰色点校正图像颜色的方法 | |
CN108416814B (zh) | 一种菠萝头部的快速定位与识别方法及系统 | |
CN106203237A (zh) | 集装箱拖车编号的识别方法和装置 | |
CN110807807B (zh) | 一种单目视觉的目标定位的图案、方法、装置及设备 | |
CN105069816B (zh) | 一种进出口人流量统计的方法及系统 | |
CN108090485A (zh) | 基于多视角融合的图像前景自动提取方法 | |
CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
CN109284759A (zh) | 一种基于支持向量机(svm)的魔方颜色识别方法 | |
Kshirsagar et al. | Plant disease detection in image processing using MATLAB | |
CN108711160A (zh) | 一种基于hsi增强性模型的目标分割方法 | |
Batule et al. | Leaf disease detection using image processing and support vector machine (SVM) | |
CN108256520A (zh) | 一种识别硬币年份的方法、终端设备及计算机可读存储介质 | |
CN113313692B (zh) | 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |