CN105095957A - 一种基于图像分割的蚕茧计数方法 - Google Patents
一种基于图像分割的蚕茧计数方法 Download PDFInfo
- Publication number
- CN105095957A CN105095957A CN201410198425.8A CN201410198425A CN105095957A CN 105095957 A CN105095957 A CN 105095957A CN 201410198425 A CN201410198425 A CN 201410198425A CN 105095957 A CN105095957 A CN 105095957A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- mark
- silk cocoon
- counting
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像分割的蚕茧计数方法,该蚕茧计数方法中对采集到的蚕茧样本图像进行预处理,然后依次对预处理后的图像进行K均值聚类、二值化处理、膨胀和腐蚀,最后以处理后的图像中连通区域个数为蚕茧个数。本发明的蚕茧计数方法成功的将蚕茧样本图像中的各个蚕茧分离开来,有效解决了蚕茧粘连而引起的计数不准的问题,且基于自适应阈值分割算法对聚类后的图像进行二值化,大大提高了二值化的精度,进而提高了计数结果的准确性,且采用连通区域标记法进行计数,大大提高了计数的精度和速度。
Description
技术领域
本发明涉及蚕茧计数技术领域,具体涉及一种基于图像分割的蚕茧计数方法。
背景技术
当今社会的生物医学工程、遥感技术、军事、通讯、农业及工业等研究领域,经常需要统计类圆颗粒(比如玉米、大米等农作物种子、药片、钢材、细胞等)的数量来确定目标物的数量,检测目标物的质量。例如,医疗诊断上经常用测量人体血液的各类细胞数目来诊断人体的健康状况;工业上对打捆的钢材计数;农业上统计种子的发芽率及粮食的产量;生丝生产中检测绪下蚕茧的数目、蚕茧的剥茧层率来确定生产的生丝质量等。
目前的缫丝设备基本上是采用定纤控制系统的自动缫丝机,根据生丝规格要求自动控制生丝纤度,但是在生丝纤度的自动控制过程中由于车间温湿度变化、蚕茧的煮熟程度不同,以及生丝纤度控制机构间的差异等因素会引起生丝纤度的粗细变化。生丝纤度的粗细在实际生产过程中无法采用定量标示的方法进行直观反映,实验证实绪下蚕茧平均粒数与生丝纤度存在一一对应关系,可以通过检查绪下蚕茧粒数多少来了解纤度的变化情况。
为便于进行实缫工艺参数的修正,传统的生丝生产管理是采用人工定期目测、手工记录、计算的方法,对每组缫丝设备绪下蚕茧粒数进行检测,这种方法存在着效率低、工作量大、实时效果差的缺点,不利于提高生丝品质、减少用工。因此,开发出能够快速、准确的自动判别绪下蚕茧粒数的计数系统,不仅能提高劳动生产率,而且还可以实现生丝纤度控制系统的实时修正,提高生丝质量。
发明内容
针对现有技术的不足,本发明提供了一种基于图像分割的蚕茧计数方法。
一种基于图像分割的蚕茧计数方法,包括:
(1)采集蚕茧样本图像,并对采集到的蚕茧样本图像进行预处理,得到预处理后的图像;
(2)采用基于最大距离的K均值聚类将预处理后的图像中的像素点聚为三类,分别为背景点、边缘点和中心点,并分别设定背景点、边缘点和中心点的像素值,得到聚类后的图像;
(3)采用自适应阈值分割算法确定最佳阈值,并利用该阈值对聚类后的图像进行二值化,得到二值化图像;
(4)各个针对所述二值化图像中任意一个由目标像素点组成的连通区域,对该像连通区域进行腐蚀和膨胀;
所述的目标像素点为二值化过程中像素值大于最佳阈值的像素点;
(5)计算步骤(4)处理后的二值化图像中各个由目标像素点组成的连通区域的个数,并以连通区域的个数作为蚕茧的个数。
与现有技术相比,本发明在对图像进行二值化处理前还对图像中的像素点进行了聚类,将所有像素点分为背景点、边缘点和中心点,从而使二值化后能够更好的将前景(蚕茧)和背景区分开来,且本发明先对二值化后的图像进行腐蚀,有效的将粘连在一起的蚕茧分割开来,大大提高了计数的准确性。
本发明中所述步骤(2)中设置的背景点、边缘点和中心点的像素值必须互不相同,从而能够将三者进行区分,作为优选,本发明中设置背景点的像素值为0,边缘点的像素值为127.5,中心点的像素值为255。
所述步骤(1)中预处理过程包括依次对采集到的蚕茧样本图像中值滤波、均值漂移和傅里叶变换。
均值漂移算法对于蚕茧图像来说比较合适,实现了一定的滤波去噪效果,关键是它能够增加求蚕茧中心、蚕茧边缘和背景之间的对比度,这对于后续进行图像分割是非常有用的,能够提高后续处理的精度。边界处的端点常常是伪端点,增加了蚕茧中心与边缘的对比度,能够加快图像分割的处理速度;傅里叶变换能够增加图像的亮度,本发明中通常采用快速傅里叶变换(FFT变换),但是由于FFT变换采用蝶形算法,在对图像FFT变换前需要进行一次中值滤波,提前消除椒盐噪声。
所述步骤(2)中采用基于最大距离的K均值聚类对预处理图像中的像素点进行聚类的过程如下:
(2-1)计算预处理后的蚕茧样本图像中任意两个像素点之间的距离,分别以距离最大的两个像素点作为第一数据对象和第二数据对象;
(2-2)在预处理后的蚕茧样本图像中确定与第一数据对象和第二数据对象的距离最远的像素点,并以该像素点作为第三数据样本;
(2-3)在预处理后的图像中确定与第一数据对象相邻的像素点,第二数据对象相邻的像素点,以及与第三数据对象相邻的像素点;
(2-4)求取所有第一数据样本的平均像素值,所有第二数据样本的平均像素值,所有第三数据样本的平均像素值,并以各个平均像素值作为聚类时的聚类中心,采用K均值聚类法将预处理图像中的像素点聚为3类。
采用最大距离聚类中心查找法解决随机选定初始聚类中心,形成的初始聚类中心更加相符于实际样本的分布,改善了现有K均值聚类鲁棒性差,分类准确率低的问题,提高图像分割时聚类的效率和准确性。K均值聚类过程中的距离应理解为各个像素点的像素值的距离,而不是二者的位置的距离。步骤(3)确定的第三数据样本同时与第一数据对象和第二数据对象的距离最远,即到第一数据对象和第二数据对象的距离相当。
所述步骤(3)包括:
(3-1)以背景点为背景、以边缘点和中心点为前景,采用Ostu法确定最佳阈值;
(3-2)令聚类后的图像中大于最佳阈值的像素点的像素值为255,并采用相同的标记进行标记,令聚类后的图像中小于最佳阈值的像素点的像素值为0。
在图像二值化处理过程中采用Ostu法确定最佳阈值的过程自适如下:
通过对聚类后的图像进行按行按列、从左到右、从上到下的扫描,找出图像中的最大像素值和最小像素值,用最大像素值与最小像素值和的一半作为初始阈值把图像分为两类,然后对整幅图像进行扫描,同时用迭代法求得动态阈值,将小于初始阈值的所有像素点的像素值加和求平均后得到第一参考值;将大于等于初始阈值的所有像素点的像素值加和求平均后得到第二参考值;第一参考值和第二参考值的平均值作为调整后的动态阈值,即最佳阈值。
作为优选,所述步骤(4)中腐蚀的次数为4~8次。
进一步优选,所述步骤(4)中膨胀次数为3~5次。
腐蚀是将目标像素点组成的连通区域进行缩小,一次腐蚀实际上就是将目标像素点组成的连通区域的边缘内缩一个像素,即将位于连通区域边缘上的各个像素点的像素值设置为255。膨胀与腐蚀相反,是将连通区域的边缘向外扩张一个像素,即将连通区域的边缘向外扩张一个像素,并将扩张后的位于边缘上的像素点的像素值设置为0。通过腐蚀能够使各个粘连的蚕茧分开,通过膨胀能够适当对蚕茧图像进行复原。腐蚀次数和膨胀次数取决于蚕茧样本的粘连程度,可根据实际情况调整,一般膨胀次数小于腐蚀次数。
所述步骤(5)连通区域的个数:
(5-1)采用4连通标记法对目标像素点进行连通域标记;
(5-2)根据连通域标记的结果获取连通区域的个数。
所述步骤(5-1)采用4连通标记法对目标像素点进行连通域标记包括如下步骤:
(5-11)按照从上到下,从左到右的顺序第一次遍历步骤(4)处理后的二值化图像中的所有像素点,若当前像素点为目标像素点,则扫描当前像素点左边和上面的2个4邻域像素点:
若二者均不是目标像素点,则采用新标记对当前像素点进行标记;
若二者中有一个为目标像素点,则采用二者中目标像素点的标记对当前像素点进行标记;
若二者都为目标像素点,且当二者的标记相同时,采用该标记对当前像素点进行标记,且当二者的标记不同时,采用二者中的任意一个的标记对当前像素点进行标记,并将对应的两个标记作为一个等价对;
(5-12)根据所有的等价对,将所有等价的标记归为一个等价组,遍历步骤(5-11)处理后二值化图像中所有的像素点,针对每一个等价组,采用相同的标记对被该等价组中的标记所标记的目标像素点重新进行标记。
通过连通区域标记后,直接统计标记的种类数即可得到蚕茧的个数。实际上进行连通区域标记时可以采用4连通标记法也可以采用8连通标记法,本发明中为保证标记速度,优选4连通标记法。
本发明的基于图像分割的蚕茧计数方法,对采集到的蚕茧样本图像进行预处理,然后依次对预处理后的图像进行K均值聚类、二值化处理、膨胀和腐蚀,将各个蚕茧样本图像中的蚕茧分离,从而解决了蚕茧粘连而引起的计数不准的问题,且基于自适应阈值分割算法对聚类后的图像进行二值化,大大提高了二值化的精度,进而提高了计数结果的准确性,且采用连通区域标记法进行计数,大大提高了计数的精度和速度。
具体实施方式
下面将结合具体实施例对本发明进行详细说明。
一种基于图像分割的蚕茧计数方法,包括:
(1)采集蚕茧样本图像,并对采集到的蚕茧样本图像进行预处理,得到预处理后的图像。其中,预处理过程包括依次对采集到的蚕茧样本图像中值滤波、均值漂移和傅里叶变换。
通过预处理有效降低了采集到的图像的噪声,且增加求蚕茧中心、蚕茧边缘和背景之间的对比度,这对于后续进行图像分割是非常有用的,能够提高后续处理的精度。
本实施例中通过CCD采集蚕茧样本图像。
(2)采用基于最大距离的K均值聚类将预处理后的图像中的像素点聚为三类,分别为背景点、边缘点和中心点,并分别为设定背景点、边缘点和中心点的像素值,得到聚类后的图像。
基于最大距离的K均值聚类对预处理图像中的像素点进行聚类的过程如下:
(2-1)计算预处理后的蚕茧样本图像中任意两个像素点之间的距离,分别以距离最大的两个像素点作为第一数据对象和第二数据对象;
(2-2)在预处理后的蚕茧样本图像中确定与第一数据对象和第二数据对象的距离最远的像素点,并以该像素点作为第三数据样本;
(2-3)在预处理后的图像中确定与第一数据对象相邻的像素点,第二数据对象相邻的像素点,以及与第三数据对象相邻的像素点;
(2-4)求取所有第一数据样本的平均像素值,所有第二数据样本的平均像素值,所有第三数据样本的平均像素值,并以各个平均像素值作为聚类时的聚类中心,采用K均值聚类法将预处理图像中的像素点聚为3类。
本实施例中设置背景点的像素值为0,边缘点的像素值为127.5,中心点的像素值为255。
(3)采用自适应阈值分割算法确定最佳阈值,并利用该阈值对聚类后的图像进行二值化,得到二值化图像,具体如下:
(3-1)以背景点为背景、以边缘点和中心点为前景,采用Ostu法确定最佳阈值;
(3-2)令聚类后的图像中大于最佳阈值的像素点的像素值为255,并采用相同的标记进行标记,令聚类后的图像中小于最佳阈值的像素点的像素值为0。
在图像二值化处理过程中采用Ostu法确定最佳阈值的过程自适如下:
通过对聚类后的图像进行按行按列、从左到右、从上到下的扫描,找出图像中的最大像素值和最小像素值,用最大像素值与最小像素值和的一半作为初始阈值把图像分为两类,然后对整幅图像进行扫描,同时用迭代法求得动态阈值,将小于初始阈值的所有像素点的像素值加和求平均后得到第一参考值;将大于等于初始阈值的所有像素点的像素值加和求平均后得到第二参考值;第一参考值和第二参考值的平均值作为调整后的动态阈值,即最佳阈值。
(4)各个针对所述二值化图像中任意一个由目标像素点组成的连通区域,对该像连通区域进行腐蚀和膨胀,其中,目标像素点为二值化过程中像素值大于最佳阈值的像素点。
腐蚀是将目标像素点组成的连通区域进行缩小,一次腐蚀实际上就是将目标像素点组成的连通区域的边缘内缩一个像素,即将位于连通区域边缘上的各个像素点的像素值设置为255。膨胀与腐蚀相反,是将连通区域的边缘向外扩张一个像素,即将连通区域的边缘向外扩张一个像素,并将扩张后的位于边缘上的像素点的像素值设置为0。通过腐蚀能够使各个粘连的蚕茧分开,通过膨胀能够适当对蚕茧图像进行复原。腐蚀次数和膨胀次数取决于蚕茧样本的粘连程度,可根据实际情况调整,一般膨胀次数小于腐蚀次数。
本实施例中腐蚀的次数为6次,膨胀次数为3次。
(5)计算步骤(4)处理后的二值化图像中各个由目标像素点组成的连通区域的个数,并以连通区域的个数作为蚕茧的个数。
所述步骤(5)连通区域的个数:
(5-1)采用4连通标记法对目标像素点进行连通域标记,具体包括:
(5-11)按照从上到下,从左到右的顺序第一次遍历步骤(4)处理后的二值化图像中的所有像素点,若当前像素点为目标像素点,则扫描当前像素点左边和上面的2个4邻域像素点:
若二者均不是目标像素点,则采用新标记对当前像素点进行标记;
若二者中有一个为目标像素点,则采用二者中目标像素点的标记对当前像素点进行标记;
若二者都为目标像素点,且当二者的标记相同时,采用该标记对当前像素点进行标记,且当二者的标记不同时,采用二者中的任意一个的标记对当前像素点进行标记,并将对应的两个标记作为一个等价对;
(5-12)根据所有的等价对,将所有等价的标记归为一个等价组,遍历步骤(5-11)处理后二值化图像中所有的像素点,针对每一个等价组,采用相同的标记对被该等价组中的标记所标记的目标像素点重新进行标记。
(5-2)根据连通域标记的结果获取连通区域的个数。
本实施例中通过连通区域标记后,直接统计标记的种类数即可得到蚕茧的个数。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于图像分割的蚕茧计数方法,其特征在于,包括:
(1)采集蚕茧样本图像,并对采集到的蚕茧样本图像进行预处理,得到预处理后的图像;
(2)采用基于最大距离的K均值聚类将预处理后的图像中的像素点聚为三类,分别为背景点、边缘点和中心点,并分别设定背景点、边缘点和中心点的像素值,得到聚类后的图像;
(3)采用自适应阈值分割算法确定最佳阈值,并利用该阈值对聚类后的图像进行二值化,得到二值化图像;
(4)各个针对所述二值化图像中任意一个由目标像素点组成的连通区域,对该像连通区域进行腐蚀和膨胀;
所述的目标像素点为二值化过程中像素值大于最佳阈值的像素点;
(5)计算步骤(4)处理后的二值化图像中各个由目标像素点组成的连通区域的个数,并以连通区域的个数作为蚕茧的个数。
2.如权利要求1所述的基于图像分割的蚕茧计数方法,其特征在于,所述步骤(1)中预处理过程包括依次对采集到的蚕茧样本图像中值滤波、均值漂移和傅里叶变换。
3.如权利要求2所述的基于图像分割的蚕茧计数方法,其特征在于,所述步骤(2)中采用基于最大距离的K均值聚类对预处理图像中的像素点进行聚类的过程如下:
(2-1)计算预处理后的蚕茧样本图像中任意两个像素点之间的距离,分别以距离最大的两个像素点作为第一数据对象和第二数据对象;
(2-2)在预处理后的蚕茧样本图像中确定与第一数据对象和第二数据对象的距离最远的像素点,并以该像素点作为第三数据样本;
(2-3)在预处理后的图像中确定与第一数据对象相邻的像素点,第二数据对象相邻的像素点,以及与第三数据对象相邻的像素点;
(2-4)求取所有第一数据样本的平均像素值,所有第二数据样本的平均像素值,所有第三数据样本的平均像素值,并以各个平均像素值作为聚类时的聚类中心,采用K均值聚类法将预处理图像中的像素点聚为3类。
4.如权利要求3所述的基于图像分割的蚕茧计数方法,其特征在于,所述步骤(3)包括:
(3-1)以背景点为背景、以边缘点和中心点为前景,采用Ostu法确定最佳阈值;
(3-2)令聚类后的图像中大于最佳阈值的像素点的像素值为255,并采用相同的标记进行标记,令聚类后的图像中小于最佳阈值的像素点的像素值为0。
5.如权利要求4所述的基于图像分割的蚕茧计数方法,其特征在于,所述步骤(4)中腐蚀的次数为4~8次。
6.如权利要求5所述的基于图像分割的蚕茧计数方法,其特征在于,所述步骤(4)中膨胀次数为3~5次。
7.如权利要求6所述的基于图像分割的蚕茧计数方法,其特征在于,所述步骤(5)连通区域的个数:
(5-1)采用4连通标记法对目标像素点进行连通域标记;
(5-2)根据连通域标记的结果获取连通区域的个数。
8.如权利要求7所述的基于图像分割的蚕茧计数方法,其特征在于,所述步骤(5-1)采用4连通标记法对目标像素点进行连通域标记包括如下步骤:
(5-11)按照从上到下,从左到右的顺序第一次遍历步骤(4)处理后的二值化图像中的所有像素点,若当前像素点为目标像素点,则扫描当前像素点左边和上面的2个4邻域像素点:
若二者均不是目标像素点,则采用新标记对当前像素点进行标记;
若二者中有一个为目标像素点,则采用二者中目标像素点的标记对当前像素点进行标记;
若二者都为目标像素点,且当二者的标记相同时,采用该标记对当前像素点进行标记,且当二者的标记不同时,采用二者中的任意一个的标记对当前像素点进行标记,并将对应的两个标记作为一个等价对;
(5-12)根据所有的等价对,将所有等价的标记归为一个等价组,遍历步骤(5-11)处理后二值化图像中所有的像素点,针对每一个等价组,采用相同的标记对被该等价组中的标记所标记的目标像素点重新进行标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410198425.8A CN105095957B (zh) | 2014-05-12 | 2014-05-12 | 一种基于图像分割的蚕茧计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410198425.8A CN105095957B (zh) | 2014-05-12 | 2014-05-12 | 一种基于图像分割的蚕茧计数方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105095957A true CN105095957A (zh) | 2015-11-25 |
CN105095957B CN105095957B (zh) | 2018-01-02 |
Family
ID=54576331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410198425.8A Active CN105095957B (zh) | 2014-05-12 | 2014-05-12 | 一种基于图像分割的蚕茧计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105095957B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780537A (zh) * | 2017-01-11 | 2017-05-31 | 山东农业大学 | 一种基于图像处理的方格蔟蚕茧筛选装置及方法 |
CN107392904A (zh) * | 2017-07-28 | 2017-11-24 | 陆杰 | 一种基于数学形态学的医学图像的分割算法 |
CN108108741A (zh) * | 2018-01-04 | 2018-06-01 | 中国计量大学 | 一种基于凹点自适应腐蚀的蚕茧自动计数方法 |
CN108109133A (zh) * | 2017-10-31 | 2018-06-01 | 青岛大学 | 一种基于数字图像处理技术的蚕卵自动计数方法 |
CN108596934A (zh) * | 2018-04-24 | 2018-09-28 | 中国计量大学 | 一种基于面积的蚕茧计数方法 |
CN108596891A (zh) * | 2018-04-23 | 2018-09-28 | 中国计量大学 | 一种面向多种类混合蚕茧的计数方法 |
CN108647685A (zh) * | 2018-05-11 | 2018-10-12 | 电子科技大学 | 一种基于图像处理的环形物体计数方法 |
CN109166116A (zh) * | 2018-08-31 | 2019-01-08 | 广州大学 | 一种用于芯片计数的图像处理算法 |
CN109741357A (zh) * | 2018-12-19 | 2019-05-10 | 浙江大学 | 一种基于图像处理的油菜花序计数方法和装置 |
CN109801260A (zh) * | 2018-12-20 | 2019-05-24 | 北京海益同展信息科技有限公司 | 牲畜个数的识别方法及装置 |
CN111611899A (zh) * | 2020-05-15 | 2020-09-01 | 大连海事大学 | 一种基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法 |
CN112017207A (zh) * | 2020-08-31 | 2020-12-01 | 浙江水晶光电科技股份有限公司 | 一种滤光片计数方法及计数装置 |
CN112419230A (zh) * | 2020-10-15 | 2021-02-26 | 福建数博讯信息科技有限公司 | 一种基于图像处理的钢筋数量统计方法及装置 |
CN112508128A (zh) * | 2020-12-22 | 2021-03-16 | 北京百度网讯科技有限公司 | 训练样本的构建方法、计数方法、装置、电子设备及介质 |
CN115294167A (zh) * | 2022-10-08 | 2022-11-04 | 维柏思特衬布(南通)有限公司 | 基于数据处理的蚕茧数目识别方法 |
CN117522900A (zh) * | 2023-12-13 | 2024-02-06 | 南京理工大学泰州科技学院 | 一种基于计算机图像处理的遥感影像分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1442786A (zh) * | 2003-04-09 | 2003-09-17 | 沈佐锐 | 微小昆虫自动计数系统 |
US20040240749A1 (en) * | 2003-03-31 | 2004-12-02 | Seiko Epson Corporation | Image processing device, image processing method, and program |
CN102252623A (zh) * | 2011-06-24 | 2011-11-23 | 西安工程大学 | 基于视频差异分析的输电线路导/地线覆冰厚度测量方法 |
CN103246920A (zh) * | 2013-03-22 | 2013-08-14 | 浙江理工大学 | 一种蚕茧自动计数方法及系统 |
-
2014
- 2014-05-12 CN CN201410198425.8A patent/CN105095957B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040240749A1 (en) * | 2003-03-31 | 2004-12-02 | Seiko Epson Corporation | Image processing device, image processing method, and program |
CN1442786A (zh) * | 2003-04-09 | 2003-09-17 | 沈佐锐 | 微小昆虫自动计数系统 |
CN102252623A (zh) * | 2011-06-24 | 2011-11-23 | 西安工程大学 | 基于视频差异分析的输电线路导/地线覆冰厚度测量方法 |
CN103246920A (zh) * | 2013-03-22 | 2013-08-14 | 浙江理工大学 | 一种蚕茧自动计数方法及系统 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780537B (zh) * | 2017-01-11 | 2019-08-23 | 山东农业大学 | 一种基于图像处理的方格蔟蚕茧筛选装置及方法 |
CN106780537A (zh) * | 2017-01-11 | 2017-05-31 | 山东农业大学 | 一种基于图像处理的方格蔟蚕茧筛选装置及方法 |
CN107392904A (zh) * | 2017-07-28 | 2017-11-24 | 陆杰 | 一种基于数学形态学的医学图像的分割算法 |
CN108109133A (zh) * | 2017-10-31 | 2018-06-01 | 青岛大学 | 一种基于数字图像处理技术的蚕卵自动计数方法 |
CN108109133B (zh) * | 2017-10-31 | 2021-10-12 | 青岛大学 | 一种基于数字图像处理技术的蚕卵自动计数方法 |
CN108108741A (zh) * | 2018-01-04 | 2018-06-01 | 中国计量大学 | 一种基于凹点自适应腐蚀的蚕茧自动计数方法 |
CN108596891A (zh) * | 2018-04-23 | 2018-09-28 | 中国计量大学 | 一种面向多种类混合蚕茧的计数方法 |
CN108596934A (zh) * | 2018-04-24 | 2018-09-28 | 中国计量大学 | 一种基于面积的蚕茧计数方法 |
CN108647685A (zh) * | 2018-05-11 | 2018-10-12 | 电子科技大学 | 一种基于图像处理的环形物体计数方法 |
CN109166116A (zh) * | 2018-08-31 | 2019-01-08 | 广州大学 | 一种用于芯片计数的图像处理算法 |
CN109166116B (zh) * | 2018-08-31 | 2021-01-26 | 广州大学 | 一种用于芯片计数的图像处理方法 |
CN109741357A (zh) * | 2018-12-19 | 2019-05-10 | 浙江大学 | 一种基于图像处理的油菜花序计数方法和装置 |
CN109801260A (zh) * | 2018-12-20 | 2019-05-24 | 北京海益同展信息科技有限公司 | 牲畜个数的识别方法及装置 |
CN111611899A (zh) * | 2020-05-15 | 2020-09-01 | 大连海事大学 | 一种基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法 |
CN111611899B (zh) * | 2020-05-15 | 2023-06-30 | 大连海事大学 | 一种基于纹理特征与K-means聚类算法的船载雷达原始图像油膜识别方法 |
CN112017207A (zh) * | 2020-08-31 | 2020-12-01 | 浙江水晶光电科技股份有限公司 | 一种滤光片计数方法及计数装置 |
CN112419230A (zh) * | 2020-10-15 | 2021-02-26 | 福建数博讯信息科技有限公司 | 一种基于图像处理的钢筋数量统计方法及装置 |
CN112508128A (zh) * | 2020-12-22 | 2021-03-16 | 北京百度网讯科技有限公司 | 训练样本的构建方法、计数方法、装置、电子设备及介质 |
CN112508128B (zh) * | 2020-12-22 | 2023-07-25 | 北京百度网讯科技有限公司 | 训练样本的构建方法、计数方法、装置、电子设备及介质 |
CN115294167A (zh) * | 2022-10-08 | 2022-11-04 | 维柏思特衬布(南通)有限公司 | 基于数据处理的蚕茧数目识别方法 |
CN117522900A (zh) * | 2023-12-13 | 2024-02-06 | 南京理工大学泰州科技学院 | 一种基于计算机图像处理的遥感影像分析方法 |
CN117522900B (zh) * | 2023-12-13 | 2024-05-17 | 南京理工大学泰州科技学院 | 一种基于计算机图像处理的遥感影像分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105095957B (zh) | 2018-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105095957A (zh) | 一种基于图像分割的蚕茧计数方法 | |
CN105095958A (zh) | 一种蚕茧计数方法 | |
CN108647652B (zh) | 一种基于图像分类和目标检测的棉花发育期自动识别方法 | |
Zheng et al. | Maize and weed classification using color indices with support vector data description in outdoor fields | |
WO2021098471A1 (zh) | 一种基于形态模型法的大范围作物物候提取方法 | |
CN107610122B (zh) | 一种基于Micro-CT的单籽粒谷物内部虫害检测方法 | |
Xu et al. | Recognition method for apple fruit based on SUSAN and PCNN | |
CN115861721B (zh) | 基于图像数据的畜禽养殖喷雾设备状态识别方法 | |
CN110610506A (zh) | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 | |
CN110660070A (zh) | 一种水稻叶脉图像提取方法和装置 | |
Li et al. | Image detection and verification of visual navigation route during cotton field management period | |
CN106960216A (zh) | 一种农机作业机具类型的识别方法和装置 | |
Ramesh et al. | Comparison and analysis of Rice Blast disease identification in Greenhouse Controlled Environment and Field Environment using ML Algorithms | |
CN108037123A (zh) | 一种杂交稻钵体盘播种性能参数精密检测方法 | |
He et al. | Visual detection of rice rows based on Bayesian decision theory and robust regression least squares method | |
CN103226709B (zh) | 一种美国白蛾幼虫网幕图像识别方法 | |
CN108596934A (zh) | 一种基于面积的蚕茧计数方法 | |
CN111886982B (zh) | 一种旱地栽植作业质量实时检测系统的检测方法 | |
Orin et al. | Cauliflower leaf disease detection using computerized techniques | |
CN114299144A (zh) | 一种基于机器视觉的水稻精准定位方法 | |
Samanta et al. | Histogram approach for detection of maize leaf damage | |
Santhosh Kumar et al. | Review on disease detection of plants using image processing and machine learning techniques | |
Gao et al. | Research on Direction Recognition of Plug Seedling of Vegetable Based on Image Morphology | |
CN109685815A (zh) | 一种基于图像处理的玉米行间的路径规划方法 | |
Liu et al. | Method for Detecting Obstacles of Riceplanter Based on Machine Vision |
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 |