CN105335749B - 基于灰度共生矩阵的草地未割区域分界线提取方法 - Google Patents
基于灰度共生矩阵的草地未割区域分界线提取方法 Download PDFInfo
- Publication number
- CN105335749B CN105335749B CN201510543458.6A CN201510543458A CN105335749B CN 105335749 B CN105335749 B CN 105335749B CN 201510543458 A CN201510543458 A CN 201510543458A CN 105335749 B CN105335749 B CN 105335749B
- Authority
- CN
- China
- Prior art keywords
- gray level
- cut
- meadow
- binary map
- occurrence matrixes
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于灰度共生矩阵的草地未割区域分界线提取方法;包括如下的步骤:1)将彩色图像I(x,y)进行灰度计算,提取出灰度图I1(x,y);2)将灰度图像I1(x,y)进行等比例压缩,得到新的灰度图像I2(x,y);3)通过步骤2)提取的灰度图像I2(x,y)进行纹理特征值计算,获得特征值矩阵I3(x,y);4)将特征值矩阵I3(x,y)映射成对应的纹理分割二值图I4(x,y);5)将纹理分割二值图I4(x,y)进行图像的形态学操作,得到优化后的纹理分割二值图I5(x,y);6)利用优化后的纹理分割二值图I5(x,y)进行分割线的提取并最终得到带有分割线的图I6(x,y)。
Description
技术领域
本发明涉及图像处理与模式识别领域,是一种基于灰度共生矩阵的草地未割区域分界线提取方法。
背景技术
随着社会经济的发展,城市绿化面积有了显著地提高。然而公园、小区、足球场等公共绿地需要进行定时维护,其中,草地的修剪工作最为繁琐。为了提高作业效率,减少劳动力成本,近几年来各国的电子工业技术行业、自动化行业等都尝试将传统的手动割草机升级为全自动智能割草机器人。在研究智能割草机器人的过程中,路径规划算法的制定直接影响了机器人工作的效率和精确度。一般的路径规划是指两点之间直线最短的最优路径选择,割草机器人的路径规划则需要做到高效地、无遗漏地全区域覆盖。国内外现有的技术包括利用栅格法得到的区域路径规划、基于模糊控制的全区域填充法等优化算法、使用离散的构造空间向量法的路径规划等。但这种路径规划多依赖前期的算法编写与工作过程中的自适应学习,一旦周围环境发生改变则需要重新进行学习,缺乏智能性。
发明内容
本发明要解决的技术问题是提供一种简单的基于灰度共生矩阵的草地未割区域分界线提取方法。
为了解决上述技术问题,本发明提供一种简单的基于灰度共生矩阵的草地未割区域分界线提取方法,包括如下的步骤:1)将彩色图像I(x,y)进行灰度计算,提取出灰度图I1(x,y);2)将灰度图像I1(x,y)进行等比例压缩,得到新的灰度图像I2(x,y);3)通过步骤2)提取的灰度图像I2(x,y)进行纹理特征值计算,获得特征值矩阵I3(x,y);4)将特征值矩阵I3(x,y)映射成对应的纹理分割二值图I4(x,y);5)将纹理分割二值图I4(x,y)进行图像的形态学操作,得到优化后的纹理分割二值图I5(x,y);6)利用优化后的纹理分割二值图I5(x,y)进行分割线的提取并最终得到带有分割线的图I6(x,y)。
作为对本发明所述的基于灰度共生矩阵的草地未割区域分界线提取方法的改进:在步骤1)中,彩色图像I(x,y)的灰度化公式如下:
I1(x,y)=0.3*R(x,y)+0.59*G(x,y)+0.11*B(x,y);R(x,y),G(x,y),B(x,y)分别为彩色图像I(x,y)的红色,绿色,蓝色分量。
作为对本发明所述的基于灰度共生矩阵的草地未割区域分界线提取方法的进一步改进:所述等比例压缩步骤如下:将步骤1)所述的灰度图I1(x,y)进行直方图均匀化后将每个像素点的值再除以16或者32取整,获得新的灰度图像I2(x,y)。
作为对本发明所述的基于灰度共生矩阵的草地未割区域分界线提取方法的进一步改进:所述纹理特征值计算步骤如下:计算步骤2)获得的灰度图像I2(x,y)中每个3×3、5×5、7×7或9×9大小的像素点窗口所对应的灰度共生矩阵;通过灰度共生矩阵特征值计算公式计算每个灰度共生矩阵的特征值生成一个特征值矩阵I3(x,y)。
作为对本发明所述的基于灰度共生矩阵的草地未割区域分界线提取方法的进一步改进:所述映射步骤如下:统计特征值矩阵I3(x,y)上的所有像素点值;将数值最大的和数值最小的提取出来取其平均值Mid=(Max+Min)/2;依次将特征值矩阵I3(x,y)的像素点值与Mid进行对比,大于Mid的将0赋值给此像素点,小于Mid的将255赋值给此像素点;最后就将原特征值矩阵I3(x,y)映射成一个只有0和255像素值组成的纹理分割二值图I4(x,y)。
作为对本发明所述的基于灰度共生矩阵的草地未割区域分界线提取方法的进一步改进:所述形态学操作步骤如下:将纹理分割二值图I4(x,y)进行先腐蚀后膨胀的操作,去除纹理分割二值图I4(x,y)中多余的杂质点;在此基础上再进行先膨胀后腐蚀的操作,填充纹理分割二值图I4(x,y)中细小的空洞,使得草地未割区域和割过区域的差别显得更明显,并最终得到优化后的纹理分割二值图I5(x,y)。
作为对本发明所述的基于灰度共生矩阵的草地未割区域分界线提取方法的进一步改进:所述分割线的提取步骤如下:第一步:将优化后的纹理分割二值图I5(x,y)分成对称的左、右两份,分别统计两边的黑色像素点个数;如果左侧个数大于右侧,则判定草地未割区域位于左半部分;如果右侧个数大于左侧,则判定草地未割区域位于右半部分;第二步:将优化后的纹理分割二值图I5(x,y)进行等宽度横向均匀切割,令横条宽度为L,横条长度为N;随后从上至下提取第一个等宽横条,并统计其黑色像素点个数Nb,令当前条横条中黑色像素点的占有比例为P,则第三步:根据第二步中所求的黑色像素点占有比例P拟定一个以T1为长度的轮廓历遍器;第四步:根据第一步中的统计,如果草地未割区判定为左半部分,则选取最大轮廓历遍器IMAX右侧边缘中心像素点作为当前横条统计出来的分割点;相反,如果草地未割区域判定为右半部分则选取最大轮廓历遍器IMAX左侧边缘中心像素点作为分割点;第五步:分别求出每一个横条所对应的分割点,最后将每个分割点依次用直线连接起来便形成所求的分割线。
作为对本发明所述的基于灰度共生矩阵的草地未割区域分界线提取方法的进一步改进:所述第三步骤中,设置增加轮廓历遍器的长度T1=(P+t)×N,其中轮廓历遍器长度增加值t是一个范围为(0,0.3)的数值。
作为对本发明所述的基于灰度共生矩阵的草地未割区域分界线提取方法的进一步改进:所述第五步骤中,分割点的求法为:从第一个横条的第一列像素点开始,以T1为单位长度,每次向右移动一个像素点并统计每个轮廓历遍器内黑色像素点的个数;当历遍完整个横条之后选取黑色像素点占有比最多的最大轮廓历遍器IMAX,并根据第四步骤提取出对应的分割点。
作为对本发明所述的基于灰度共生矩阵的草地未割区域分界线提取方法的进一步改进:所述的轮廓历遍器长度增加值t,根据不同的黑色像素点占有比例进行变化,当P=0~0.1时t=0.3;P=0.1~0.3时t=0.2;P=0.3~0.5时t=0.1;P>0.5时t=0。
现有的路径规划技术多依赖前期的算法编写与工作过程中的自适应学习,一旦周围环境发生改变则需要重新进行学习,缺乏智能性这是现有技术中主要的缺陷。本发明的基于灰度共生矩阵的草地未割区域分界线提取方法中,运用图像处理技术在灰度共生矩阵的基础上,通过比较不同特征值、滑动窗口大小等参数提取优化后的纹理分割二值图,并根据人眼的视觉特性提出一种未割草地和已割草地的分界线拟合算法,将草地割过区域与未割区域进行准确地区分开,割草机器人可根据本发明所提取的分割线快速找到工作区域并沿分割线进行割草,大大提高了割草机器人的工作效率、免除了繁琐的自适应学习,增强了割草机器人的智能性。对基于机器人视觉的割草机路径规划有着一定的研究意义和价值。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细说明。
图1是本发明中纹理特征值计算过程示意图;
图2是将优化后的纹理分割二值图I5(x,y)进行等宽度横向均匀切割的过程示意图;
图3是图2中等宽度横向均匀切割后,P=0.3~0.5时的历遍过程示意图;
图4是最终分割线效果示意图。
具体实施方式
实施例1、图1~图4给出了一种基于灰度共生矩阵的草地未割区域分界线提取方法。
在一般草地中,未割过区域的草长势茂密,叶片成明显的条形状,纹理特征明显,而割过区域的草地相对平坦,两者存在较大的纹理差异,因此在图像的空间灰度矩阵中两个相隔一定距离的像素点之间在统计学上存在着一定的关系。而本发明采用如下的步骤实现在草地上未割区域分界线的提取:
1)将彩色图像I(x,y)进行灰度计算,提取出灰度图I1(x,y);
2)将灰度图像I1(x,y)进行等比例压缩,得到新的灰度图像I2(x,y);
3)通过步骤2)提取的灰度图像I2(x,y)进行纹理特征值计算,获得特征值矩阵I3(x,y);
4)将特征值矩阵I3(x,y)映射成对应的纹理分割二值图I4(x,y);
5)将纹理分割二值图I4(x,y)进行图像的形态学操作得到优化后的纹理分割二值图I5(x,y);
6)利用图I5(x,y)进行分割线的提取并最终得到带有分割线的图I6(x,y)。
以上步骤中,彩色图像I(x,y)为256×256像素的彩色草地图,该图像的获取通过数码设备直接拍摄获取。
在步骤1)中彩色图像I(x,y)经公式I1(x,y)=0.3*R(x,y)+0.59*G(x,y)+0.11*B(x,y)提取出相应的灰度图I1(x,y),其中R(x,y),G(x,y),B(x,y)分别为彩色图像I(x,y)的红色,绿色,蓝色分量;一般灰度图的灰度级数默认为256级,然而灰度级数直接影响灰度共生矩阵的计算量,过大的灰度级数会造成本发明中的计算机运算次数、内存占用大大增加,因此考虑到智能割草机器人工作的实时性和高效性,在提取出256级灰度图I1(x,y)之后,将该灰度图I1(x,y)进行直方图均匀化后再将每个像素点的值除以16或者32取整,获得新的灰度图像I2(x,y),此时,该新的灰度图像I2(x,y)灰度级就从原来的256级压缩为8或者16级,从而在不影响图像整体对比效果的前提下大大提高了运算效率。
在通过以上的操作获取新的灰度图像I2(x,y)之后,进行相关的纹理特征值的计算。在纹理特征值的计算中并不是求灰度图像I2(x,y)的灰度共生矩阵,而是选取一定大小的滑动窗口对灰度图像I2(x,y)进行历遍计算操作。如图1,选取大小为3×3的滑动窗口,计算该窗口的灰度共生矩阵,并通过灰度共生矩阵特征值计算公式计算每个灰度共生矩阵对应的的特征值,再将求得的特征值赋值给滑动窗口的中心点像素,也就是图1中第二行第二列的位置。此时,第一个窗口的纹理特征值计算完毕,然后将滑动窗口向右移动一个像素点,用同样的方法可就求得第二行第三列的像素点对应的特征值,依次类推,原灰度图像I2(x,y)将成为一个由纹理特征值构成的特征值矩阵I3(x,y)。而对于边界像素点的处理则采用将灰度图像I2(x,y)外围补充若干圈像素点,如果是3×3的滑动窗口则补充一圈,5×5的滑动窗口则补充两圈,依此类推。外围像素点的灰度值与灰度图像I2(x,y)最外层像素点灰度值一致。
在以上所述的计算灰度共生矩阵的过程中,可选取像素点0,45,90,135四个角度进行扫描统计,但若单独计算每个角度形成灰度共生矩阵,最后得到的纹理特征值矩阵过于复杂且无法从理论高度去证明最优角度的存在,因此本发明通过比较选取了四个角度的平均值作为生成最后的特征值矩阵I3(x,y)。
在特征值矩阵I3(x,y)生成的过程中,不同的特征值所体现的纹理特征不同,并且直接影响最后纹理分割效果的好坏,所以在处理草地图像的过程中,本发明在固定其他参数情况下选取了“自相关”“对比度”“能量”“均匀性”四个具有代表性的特征值进行纹理分割二值图I4(x,y)的映射,并选取处理效果较好的“能量”作为标准参考值。
在特征值矩阵I3(x,y)生成的过程中,滑动窗口的选取十分的重要,如果窗口选择过大将导致计算量和信息储存量变大,降低效率;但是窗口选择过小又会导致纹理信息失真从而使最终处理效果变差。这里对标准参考值“能量”分别进行了3×3,5×5,7×7,9×9四种窗口大小进行历遍,并选取处理效果较好的“3×3窗口”作为标准参考值。
最后将生成的特征值矩阵I3(x,y)根据一定的方法映射为纹理分割二值图I4(x,y)。
该映射的方法如下:
统计特征值矩阵I3(x,y)上的所有像素点值,并将数值最大的和数值最小的像素点值提取出来,并取其平均值Mid=(Max+Min)/2;依次将特征值矩阵I3(x,y)的像素点值与Mid进行对比,大于Mid的将0赋值给此像素点,小于Mid的将255赋值给此像素点;最后就将原特征值矩阵I3(x,y)映射成一个只有0和255像素值组成的纹理分割二值图I4(x,y)。
经过纹理分割的二值图I4(x,y)存在较多的杂质点,对后期处理造成了一定的影响。为了提高分割线提取的准确率,将纹理分割二值图I4(x,y)进行先腐蚀后膨胀的操作,去除纹理分割二值图I4(x,y)中多余的杂质点;在此基础上再进行先膨胀后腐蚀的操作,填充纹理分割二值图I4(x,y)中细小的空洞,使得草地未割区域和割过区域的差别显得更明显,并最终得到优化后的纹理分割二值图I5(x,y);通过以上膨胀腐蚀等简单的图像形态学处理,使得草地未割区域和割过区域的差别显得更明显。
根据人眼的视觉特性,当我们在看到优化后的纹理分割二值图I5(x,y)时,脑中根据优化后的纹理分割二值图I5(x,y)中黑色像素点的分布位置和密集程度判断出分割线的位置与大致的走势,参考这种视觉特性,本发明在求得优化后的纹理分割二值图I5(x,y)的前提下通过一定的算法将分割线较为准确地通过机器语言提取出来。具体如下:
第一步:先将以上步骤获取的优化后的纹理分割二值图I5(x,y)分成对称的左右两份,分别统计两边的黑色像素点个数:
如果左侧个数大于右侧,则判定草地未割区域位于左半部分;
如果右侧个数大于左侧,则判定草地未割区域位于右半部分。
第二步:将优化后的纹理分割二值图I5(x,y)进行等宽度横向均匀切割,令横条宽度为L横条长度为N(如图2所示);需要注意的是:根据人眼判断在处理图像的过程中不会涉及到单个或者几个像素点,而是整体的、大量的,因此在选取横条宽度也就是对于整幅图进行横向均匀切割的时候不宜分得过细;
随后从上至下提取第一个等宽横条统计其黑色像素点个数Nb,令当前条横条中黑色像素点的占有比例为P则
第三步:根据第二步中所求的黑色像素点占有比例P拟定一个以T为长度的轮廓历遍器,其中T=P·N。
而由于像素点分布的离散性,如果仅仅选取上述T作为长度会产生较大的误差,因此适当增加轮廓历遍器的长度T1=(P+t)×N,其中轮廓历遍器长度增加值t是一个范围为(0,0.3)的数值;具体的说,轮廓历遍器长度增加值t会根据不同的黑色像素点占有比例进行变化,当P=0~0.1时t=0.3;P=0.1~0.3时t=0.2;P=0.3~0.5时t=0.1;P>0.5时t=0(如图3所示)。
随后从当前横条第一列像素点开始,以T1为单位长度,每次向右移动一个像素点并统计每个轮廓历遍器内黑色像素点的个数,当历遍完整个横条之后选取黑色像素点占有比例最多的最大轮廓历遍器IMAX。
第四步:根据第一步中的统计,如果草地未割区判定为左半部分,则选取最大轮廓历遍器IMAX右侧边缘中心像素点作为当前横条统计出来的分割点;
相反,如果草地未割区域判定为右半部分则选取最大轮廓历遍器IMAX左侧边缘中心像素点作为分割点。
第五步:依此类推,将余下的横条做同样的历遍统计分别求出每一个横条所对应的分割点(该每一个横条所对应的分割点的计算为步骤三和步骤四的过程)。最后将每个分割点依次用直线连接起来便形成所求的分割线。
最后,还需要注意的是,以上列举的仅是本发明的一个具体实施例。显然,本发明不限于以上实施例,还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形,均应认为是本发明的保护范围。
Claims (8)
1.一种基于灰度共生矩阵的草地未割区域分界线提取方法;其特征是:包括如下的步骤:
1)将彩色图像I(x,y)进行灰度计算,提取出灰度图I1(x,y);
2)将灰度图像I1(x,y)进行等比例压缩,得到新的灰度图像I2(x,y);
3)通过步骤2)提取的灰度图像I2(x,y)进行纹理特征值计算,获得特征值矩阵I3(x,y);
4)将特征值矩阵I3(x,y)映射成对应的纹理分割二值图I4(x,y);
5)将纹理分割二值图I4(x,y)进行图像的形态学操作,得到优化后的纹理分割二值图I5(x,y);
6)利用优化后的纹理分割二值图I5(x,y)进行分割线的提取并最终得到带有分割线的图I6(x,y);
所述分割线的提取步骤如下:
第一步:将优化后的纹理分割二值图I5(x,y)分成对称的左、右两份,分别统计两边的黑色像素点个数;
如果左侧个数大于右侧,则判定草地未割区域位于左半部分;
如果右侧个数大于左侧,则判定草地未割区域位于右半部分;
第二步:将优化后的纹理分割二值图I5(x,y)进行等宽度横向均匀切割,令横条宽度为L,横条长度为N;
随后从上至下提取第一个等宽横条,并统计其黑色像素点个数Nb,令当前横条中黑色像素点的占有比例为P,则
第三步:根据第二步中所求的黑色像素点占有比例P拟定一个以T1为长度的轮廓历遍器;
第四步:根据第一步中的统计,如果草地未割区判定为左半部分,则选取最大轮廓历遍器IMAX右侧边缘中心像素点作为当前横条统计出来的分割点;
相反,如果草地未割区域判定为右半部分则选取最大轮廓历遍器IMAX左侧边缘中心像素点作为分割点;
第五步:分别求出每一个横条所对应的分割点,最后将每个分割点依次用直线连接起来便形成所求的分割线;
分割点的求法为:
从第一个横条的第一列像素点开始,以T1为单位长度,每次向右移动一个像素点并统计每个轮廓历遍器内黑色像素点的个数;
当历遍完整个横条之后选取黑色像素点占有比最多的最大轮廓历遍器IMAX,并根据第四步骤提取出对应的分割点。
2.根据权利要求1所述的基于灰度共生矩阵的草地未割区域分界线提取方法,其特征是:所述第三步骤中,设置增加轮廓历遍器的长度T1=(P+t)×N,其中轮廓历遍器长度增加值t是一个范围为[0,0.3]的数值。
3.根据权利要求2所述的基于灰度共生矩阵的草地未割区域分界线提取方法,其特征是:所述的轮廓历遍器长度增加值t,根据不同的黑色像素点占有比例进行变化,当P=0~0.1时t=0.3;
P=0.1~0.3时t=0.2;
P=0.3~0.5时t=0.1;
P>0.5时t=0。
4.根据权利要求1~3任一所述的基于灰度共生矩阵的草地未割区域分界线提取方法,其特征是:在步骤1)中,彩色图像I(x,y)的灰度化公式如下:
I1(x,y)=0.3*R(x,y)+0.59*G(x,y)+0.11*B(x,y);
R(x,y),G(x,y),B(x,y)分别为彩色图像I(x,y)的红色,绿色,蓝色分量。
5.根据权利要求4所述的基于灰度共生矩阵的草地未割区域分界线提取方法,其特征是:所述等比例压缩步骤如下:
将步骤1)所述的灰度图I1(x,y)进行直方图均匀化后将每个像素点的值再除以16或者32取整,获得新的灰度图像I2(x,y)。
6.根据权利要求5所述的基于灰度共生矩阵的草地未割区域分界线提取方法,其特征是:所述纹理特征值计算步骤如下:
计算步骤2)获得的灰度图像I2(x,y)中每个3×3、5×5、7×7或9×9大小的像素点窗口所对应的灰度共生矩阵;
通过灰度共生矩阵特征值计算公式计算每个灰度共生矩阵的特征值生成一个特征值矩阵I3(x,y)。
7.根据权利要求6所述的基于灰度共生矩阵的草地未割区域分界线提取方法,其特征是:所述映射步骤如下:
统计特征值矩阵I3(x,y)上的所有像素点值;
将数值最大的和数值最小的提取出来取其平均值Mid=(Max+Min)/2;
依次将特征值矩阵I3(x,y)的像素点值与Mid进行对比,大于Mid的将0赋值给此像素点,小于Mid的将255赋值给此像素点;
最后就将原特征值矩阵I3(x,y)映射成一个只有0和255像素值组成的纹理分割二值图I4(x,y)。
8.根据权利要求7所述的基于灰度共生矩阵的草地未割区域分界线提取方法,其特征是:所述形态学操作步骤如下:
将纹理分割二值图I4(x,y)进行先腐蚀后膨胀的操作,去除纹理分割二值图I4(x,y)中多余的杂质点;
在此基础上再进行先膨胀后腐蚀的操作,填充纹理分割二值图I4(x,y)中细小的空洞,使得草地未割区域和割过区域的差别显得更明显,并最终得到优化后的纹理分割二值图I5(x,y)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510543458.6A CN105335749B (zh) | 2015-08-28 | 2015-08-28 | 基于灰度共生矩阵的草地未割区域分界线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510543458.6A CN105335749B (zh) | 2015-08-28 | 2015-08-28 | 基于灰度共生矩阵的草地未割区域分界线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105335749A CN105335749A (zh) | 2016-02-17 |
CN105335749B true CN105335749B (zh) | 2019-05-10 |
Family
ID=55286264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510543458.6A Active CN105335749B (zh) | 2015-08-28 | 2015-08-28 | 基于灰度共生矩阵的草地未割区域分界线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105335749B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845558B (zh) * | 2017-02-27 | 2019-11-05 | 广东诚泰交通科技发展有限公司 | 路面检测的方法和装置 |
CN108958231A (zh) * | 2017-05-17 | 2018-12-07 | 北京雷动云合智能技术有限公司 | 一种移动机器人地图的多分辨率区域划分方法 |
CN108428239A (zh) * | 2018-03-20 | 2018-08-21 | 东南大学 | 基于图像纹理特征提取的智能割草机边界识别方法 |
CN109740644A (zh) * | 2018-12-19 | 2019-05-10 | 惠科股份有限公司 | 用于确定画面相邻行相似度的方法 |
CN109709960B (zh) * | 2018-12-27 | 2021-11-02 | 浙江长江机械有限公司 | 割草次数解析系统 |
CN111324122B (zh) * | 2020-02-28 | 2022-05-13 | 苏州科瓴精密机械科技有限公司 | 自动工作系统、自动行走设备及其控制方法及计算机可读存储介质 |
CN115661173B (zh) * | 2022-11-10 | 2023-03-10 | 菏泽市土地储备中心 | 一种基于遥感图像的地块分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1936919A (zh) * | 2005-09-23 | 2007-03-28 | 中国农业机械化科学研究院 | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 |
CN103839069A (zh) * | 2014-03-11 | 2014-06-04 | 浙江理工大学 | 基于图像分析的漏割草坪识别方法 |
CN104239886A (zh) * | 2014-09-30 | 2014-12-24 | 浙江理工大学 | 基于图像分析的草坪与背景分界线的提取方法 |
-
2015
- 2015-08-28 CN CN201510543458.6A patent/CN105335749B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1936919A (zh) * | 2005-09-23 | 2007-03-28 | 中国农业机械化科学研究院 | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 |
CN103839069A (zh) * | 2014-03-11 | 2014-06-04 | 浙江理工大学 | 基于图像分析的漏割草坪识别方法 |
CN104239886A (zh) * | 2014-09-30 | 2014-12-24 | 浙江理工大学 | 基于图像分析的草坪与背景分界线的提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105335749A (zh) | 2016-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105335749B (zh) | 基于灰度共生矩阵的草地未割区域分界线提取方法 | |
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
CN106228545B (zh) | 一种佛像类唐卡一致性破损区域的自动分割方法 | |
CN103699900B (zh) | 卫星影像中建筑物水平矢量轮廓自动批量提取方法 | |
CN110443778B (zh) | 一种检测工业品不规则缺陷的方法 | |
CN106295656B (zh) | 基于图像色块内容的图像轮廓特征提取方法和装置 | |
CN109376728A (zh) | 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用 | |
CN104036493B (zh) | 一种基于多重分形谱的无参考图像质量评价方法 | |
CN106951836A (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
CN111259925B (zh) | 基于k均值聚类和宽度突变算法的田间麦穗计数方法 | |
CN112085675B (zh) | 深度图像去噪方法、前景分割方法及人体运动监测方法 | |
CN106803257A (zh) | 一种作物病害叶片图像中病斑的分割方法 | |
CN107392929A (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN106157323A (zh) | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 | |
CN109583376A (zh) | 基于多特征信息融合的古陶瓷断源断代方法 | |
CN108388905A (zh) | 一种基于卷积神经网络和邻域上下文的光源估计方法 | |
CN108053412A (zh) | 融合多定量评价指标的遥感影像最优分割结果确定方法 | |
CN112818775A (zh) | 基于区域边界像素交换的林区道路快速识别方法及系统 | |
CN113255434A (zh) | 一种融合果实特征与深度卷积神经网络的苹果识别方法 | |
CN105844213A (zh) | 一种绿色果实识别方法 | |
CN103226709B (zh) | 一种美国白蛾幼虫网幕图像识别方法 | |
CN106910180A (zh) | 一种图像质量评估方法及装置 | |
CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 | |
CN115601690B (zh) | 一种基于智慧农业的食用菌环境检测方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210210 Address after: 211111 No. 12, Mazhou East Road, Mau Ling Street, Jiangning District, Nanjing, Jiangsu Patentee after: JIANGSU ZHIJU INTELLECTUAL PROPERTY SERVICE Co.,Ltd. Address before: 310018, No. 2, No. 5, Xiasha Higher Education Park, Hangzhou, Zhejiang Patentee before: Zhejiang University of Technology |