CN104008365A - 基于图像处理技术的检测果树树叶稀密程度的方法 - Google Patents
基于图像处理技术的检测果树树叶稀密程度的方法 Download PDFInfo
- Publication number
- CN104008365A CN104008365A CN201410123409.2A CN201410123409A CN104008365A CN 104008365 A CN104008365 A CN 104008365A CN 201410123409 A CN201410123409 A CN 201410123409A CN 104008365 A CN104008365 A CN 104008365A
- Authority
- CN
- China
- Prior art keywords
- image
- fruit tree
- outline
- area
- fruit
- 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.)
- Pending
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像处理技术的检测果树树叶稀密程度的方法,其采用下列步骤:利用超绿色法和OTSU相结合清晰识地识别出果树图像;将经过图像识别技术处理过得果树二值化图像经过中值滤波去噪,形态学计算处理增强图像的识别性;利用算法检测果树图像所占的轮廓----果树图像的长及宽,然后以此计算出果树图像的轮廓面积;计算图像中果树树叶树干所占的面积;果树树叶稀密程度的计算。利用计算出的果树树叶所占的面积除以果树图像的轮廓面积的值即为果树树叶稀密程度。该方法不需要固定成像距离和使用白板标定,最大轮廓矩形法对果树图像面积的检测是因果树实际图像而异的,不存在现有方法统一采用相机所设定的图像大小作为最大轮廓而导致所检测到的树叶稀密程度偏小的问题。
Description
技术领域
本发明涉及一种基于图像处理技术的检测果树树叶稀密程度的方法,尤其指不需要标定白板的检测方法。
背景技术
果树树叶稀密程度的实时快速检测是基于实时的变量喷雾的关键技术。关于单株果树生物量密度的概念,目前国内外还没有确切的定义。国外主要集中于森林或木材生物量密度及区域作物的生物量密度研究,但针对单株果树生物量密度进行研究的学者很少。果树树叶稀密程度是指一幅果树图像中树叶与树干占整个果树图像的面积比。现有方法将采集图像时相机所设定图像的大小作为整个果树图像的面积,但该值比果树实际轮廓面积要大,从而导致计算的果树树叶稀密程度值比实际偏小;该方法还要求在同一成像距离下采集样本作为标准,其后再采用BP数据融合技术消除成像距离对果树树叶稀密程度检测结果的影响。为此,本发明提出一种可以解决现有法检测树叶稀密程度值比实际值偏小且受成像距离影响的问题,更能反映果树的生物量密度水平的测量果树树叶稀密度的数字图像处理方法。
发明内容
本发明所要解决的技术问题是能够识别采集图像中整棵果树的实际轮廓,解决现有法检测树叶稀密程度值比实际值偏小且受成像距离影响的问题。
本发明的技术内容:一种基于图像处理技术的检测果树树叶稀密程度的方法,包含下列步骤:
(1)图像的识别技术,利用超绿色法与OTSU算法清晰识别出果树图像;
(2)图像的去噪、形态学处理:将经过图像识别技术处理过得果树二值化图像经过中值滤波去噪,形态学计算处理增强图像的识别性;
(3)图像轮廓的计算:利用算法检测果树图像所占的最大轮廓—果树图像的长及宽,然后以此计算出果树图像的轮廓面积;
(4)计算图像中果树树叶树干所占的面积;
(5)果树树叶稀密程度的计算:利用步骤4计算出的果树树叶所占的面积除以果树图像的轮廓面积的值即为果树树叶稀密程度。
本发明的有益效果:
超绿色法能较好的提取绿色的果树图像,土壤能被明显的抑制,使果树图像更为突出;
膨胀运算增加了代表果树的白色区域,解决了错分的问题,提高后续果树树叶稀密程度的计算准确性。
该方法不需要固定成像距离和使用白板标定,最大轮廓矩形法对果树图像面积的检测是因果树实际图像而异的,不存在现有方法统一采用相机所设定的图像大小作为最大轮廓而导致所检测到的树叶稀密程度偏小的问题。
中值滤波能去除噪声,但不能完全去除表示残留土壤的白色独立像素点。连续4次腐蚀与膨胀能将果树图像中的独立像素点得到了较好的去除,且果树图像轮廓变得光滑,凸显了果树图像。
附图说明
图1 本发明的果树最大轮廓检测原理示意图,a-果树图像轮廓的宽,b-果树图像轮廓的长c-照片设定的长,d-照片设定的宽,1-果树图像;
图2 本发明的以二值图检测果树树叶稀密程度的流程框图;
图3 本发明的实例展示图,其中a:采集的果树图像;b:超绿色法灰度化后果树图像;c:OTSU分割后且二值化果树图像;d:中值滤波后果树图像;e:开启运算后果树图像;f:膨胀运算后果树图像。
具体实施方式
按照本发明检测果树树叶稀密程度的方法中,其检测过程为:将原始的彩色果树图像经过利用超绿色法与OTSU算法清晰识别出果树二值化图像1;将经过图像识别技术处理过得果树二值化图像1经过中值滤波去噪,形态学计算处理得到的增强了识别性的果树二值化图像2;设定经过处理后的果树二值图像2的函数为f(x,y);设f(x,y)的大小等于M×N;且i=1,2,…,M;j=1,2,…,N。f(i,j)=1的点表示果树树叶或树干图像的点。从f(i,1)开始直至f(i,N),统计每一行的像素点为1的像素的位置(列坐标)序列H,1≤H≤N;从f(1,j)开始直至f(M,j),统计每一列的像素点为1的像素的位置(行坐标)序列L,1≤L≤M;对每一行像素,都求得第一次出现1的所在位置的列数f(I,first)与最后出现1的位置所在列数f(i,end)的差值Di,Di=f(i,end)-f(i,first);对每一列像素,都求得第一次出现1的所在位置的列数f(first,j)与最后出现1的位置所在列数f(end,j)的差值Dj,Dj=f(end,j)-f(first,j);求出Di中的最大值Dh和Dj中的最大值Dl;检测果树图像所占的最大行距和最大列距都包括起始值,所以最大轮廓矩形的长和宽的值分别为(Dh+1)和(Dl+1),根据矩形面积计算法则可求出整棵果树最大轮廓矩形的面积3为(Dh+1)与(Dl+1)的乘积;检测图像中树叶树干所占的面积4,即二值图像中值为1的像素点数目;果树树叶稀密程度值5为图像中树叶树干所占的面积4与果树最大轮廓矩形的面积3的商。
现以一张设定大小为640(像素)×480(像素)的果树图像为例,其检测过程如下:
1、将原始的彩色图像3-a经过先后超绿色法与OTSU算法处理,将果树从土壤等背景中清晰地提取出来,如图3-b、3-c所示;
2、将分割出来的果树图像3-c利用中值滤波和连续4次腐蚀与膨胀去噪和除杂,此时的果树图像中噪声能到去除,独立像素点得到了较好的去除,且果树图像轮廓变得光滑,凸显了果树图像,分别如图3-d、3-e所示;
3、将经过步骤2处理的果树图像3-e进行膨胀运算,增加了代表果树的白色区域,解决了错分的问题,如图3-f所示;
4、检测果树图像3-f中每一行、每一列第一次和最后一次出现像素值为1的差值,找出行差值与列差值中的最大值,两个最大值分别加1后的乘积即为果树所占的最大轮廓面积;检测果树图像3-f中值为1的像素点数目即为果树树叶树干所占的面积。
5、果树树叶稀密程度值为果树树叶树干所占的面积与果树所占的最大轮廓面积的商。
Claims (1)
1.一种基于图像处理技术的检测果树树叶稀密程度的方法,其特征在于:包含下列步骤:
(1)图像的识别技术,利用超绿色法与OTSU算法清晰识别出果树图像;
(2)图像的去噪、形态学处理:将经过图像识别技术处理过得果树二值化图像经过中值滤波去噪,形态学计算处理增强图像的识别性;
(3)图像轮廓的计算:利用算法检测果树图像所占的最大轮廓—果树图像的长及宽,然后以此计算出果树图像的轮廓面积;
(4)计算图像中果树树叶树干所占的面积;
(5)果树树叶稀密程度的计算:利用步骤4计算出的果树树叶所占的面积除以果树图像的轮廓面积的值即为果树树叶稀密程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410123409.2A CN104008365A (zh) | 2014-03-31 | 2014-03-31 | 基于图像处理技术的检测果树树叶稀密程度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410123409.2A CN104008365A (zh) | 2014-03-31 | 2014-03-31 | 基于图像处理技术的检测果树树叶稀密程度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104008365A true CN104008365A (zh) | 2014-08-27 |
Family
ID=51369014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410123409.2A Pending CN104008365A (zh) | 2014-03-31 | 2014-03-31 | 基于图像处理技术的检测果树树叶稀密程度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104008365A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104132650A (zh) * | 2014-06-05 | 2014-11-05 | 贵州大学 | 采用最大轮廓矩形法检测果树树叶稀密程度的方法 |
CN107507191A (zh) * | 2017-07-18 | 2017-12-22 | 郑州轻工业学院 | 一种树冠通透度的计算方法 |
CN108921849A (zh) * | 2018-09-30 | 2018-11-30 | 靖西海越农业有限公司 | 用于防治沃柑病虫害的智慧农业监控预警系统 |
CN109342421A (zh) * | 2018-09-30 | 2019-02-15 | 靖西海越农业有限公司 | 一种基于物联网的智慧农业监测平台 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090237407A1 (en) * | 2008-03-21 | 2009-09-24 | National Chiao Tung University | Leaping iterative composition method of complicated graphic and storage medium having computer program executing the same |
CN103475799A (zh) * | 2013-09-15 | 2013-12-25 | 贵州大学 | 果树农学参数实时检测装置 |
-
2014
- 2014-03-31 CN CN201410123409.2A patent/CN104008365A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090237407A1 (en) * | 2008-03-21 | 2009-09-24 | National Chiao Tung University | Leaping iterative composition method of complicated graphic and storage medium having computer program executing the same |
CN103475799A (zh) * | 2013-09-15 | 2013-12-25 | 贵州大学 | 果树农学参数实时检测装置 |
Non-Patent Citations (2)
Title |
---|
张富贵 等: "基于图像处理技术的果树树叶稀密程度的检测", 《山地农业生物学报》 * |
张富贵 等: "果树冠幅的检测机理研究", 《农业工程学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104132650A (zh) * | 2014-06-05 | 2014-11-05 | 贵州大学 | 采用最大轮廓矩形法检测果树树叶稀密程度的方法 |
CN107507191A (zh) * | 2017-07-18 | 2017-12-22 | 郑州轻工业学院 | 一种树冠通透度的计算方法 |
CN108921849A (zh) * | 2018-09-30 | 2018-11-30 | 靖西海越农业有限公司 | 用于防治沃柑病虫害的智慧农业监控预警系统 |
CN109342421A (zh) * | 2018-09-30 | 2019-02-15 | 靖西海越农业有限公司 | 一种基于物联网的智慧农业监测平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103310218B (zh) | 一种重叠遮挡果实精确识别方法 | |
CN106600625A (zh) | 检测小型生物的图像处理方法及装置 | |
CN109145872B (zh) | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 | |
CN103870808B (zh) | 一种手指静脉识别方法 | |
CN103761748B (zh) | 异常行为检测方法和装置 | |
CN108960011B (zh) | 部分遮挡的柑橘果实图像识别方法 | |
CN107590489A (zh) | 基于级联卷积神经网络的目标检测方法 | |
CN103218605A (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
CN107092884B (zh) | 一种快速粗精级联行人检测方法 | |
CN104268877B (zh) | 一种红外图像海天线自适应检测方法 | |
CN110084238B (zh) | 基于LadderNet网络的指静脉图像分割方法、装置和存储介质 | |
CN105069460A (zh) | 一种isar图像舰船目标特征提取方法 | |
CN103295018A (zh) | 一种枝叶遮挡果实精确识别方法 | |
CN104008365A (zh) | 基于图像处理技术的检测果树树叶稀密程度的方法 | |
CN110334660A (zh) | 一种雾天条件下基于机器视觉的森林火灾监测方法 | |
CN107066952A (zh) | 一种车道线检测方法 | |
CN109711256B (zh) | 一种低空复杂背景无人机目标检测方法 | |
CN105117701A (zh) | 基于最大正方形原理的玉米作物行骨架提取方法 | |
CN114155200B (zh) | 基于卷积神经网络的遥感影像变化检测方法 | |
CN102881160A (zh) | 一种低照度场景下的户外交通标志识别方法 | |
CN104915642A (zh) | 前方车辆测距方法及装置 | |
CN105138983A (zh) | 基于加权部件模型和选择性搜索分割的行人检测方法 | |
CN111275040A (zh) | 定位方法及装置、电子设备、计算机可读存储介质 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
CN111027534A (zh) | 一种紧凑双车牌检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140827 |