CN105654088B - 基于局部对称关系的烟梗提取方法 - Google Patents
基于局部对称关系的烟梗提取方法 Download PDFInfo
- Publication number
- CN105654088B CN105654088B CN201610128336.5A CN201610128336A CN105654088B CN 105654088 B CN105654088 B CN 105654088B CN 201610128336 A CN201610128336 A CN 201610128336A CN 105654088 B CN105654088 B CN 105654088B
- Authority
- CN
- China
- Prior art keywords
- connected region
- offal
- value
- image
- point
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于局部对称关系的烟梗提取方法,该方法主要包括两步,第一步使用基于局部对称性变换方法获得对称性特征图和笔画宽度特征图,接着将对称性特征图和笔画宽度特征图与原图组合成一个五通道的特征空间,然后在这个特征空间上使用区域生长算法获得烟梗连通区域;第二步使用层次聚类方法将可能属于一个烟梗的多个断裂的连通区域连接起来,最后使用了一个基于阈值的连通区域过滤方法获得最后的主要烟梗;烟梗提取出来之后可以利用烟梗的位置来进行烟叶的分选或者对烟叶进行梗茎剔除操作以确保香烟质。
Description
技术领域
本发明属于烟叶梗茎检测应用领域,具体提出了一种利用局部对称关系检测烟梗的算法以及利用层次聚类方法连接断裂烟梗的方法。
背景技术
烟草是我国重要的经济作物之一,烟草行业一直以来都是国家的利税大户,在国民经济收入中占有重要的地位。同时,我国也是目前世界上最大的烟草生产和消费国家,卷烟总产量占世界卷烟总产量的30%,同时烟草消费也占世界的三分之一,烟草行业的利税占中国财政收入的十分之一左右。随着人们对卷烟产品品质要求的提高和需求量的增加,想要实现烟草行业的更快更好更稳的发展,实现其生产自动化、产品高质量化,势在必行。
烟叶是由主脉、支脉和叶片组成的,烟叶的主脉也就是我们常说的烟梗。卷烟制品中烟气的有效成分主要是依靠叶片提供的,因烟梗中纤维素的含量高,其燃烧的香烟烟气不够,烟味平淡,劲头小,刺激性大。所以烟叶在经过打叶处理后,还需要进行烟叶梗茎的剔除操作,以确保香烟质量。
另外目前烟叶的分选主要靠人工操作,从大量的烟叶堆中将一张张烟叶分选开是一个耗时的工作。如果能够实现一个自动分选烟叶的系统,那么就能够将生产线上的工人从重复大量的分选烟叶工作中解放出来,另外也能大幅增加烟叶的分选速度。目前烟叶的自动分选系统的主要难点是如何将单片烟叶从一堆烟叶中提取出来,要实现这一目标,首先是要找出烟叶中的烟梗,定位了烟梗自然就能够知道烟叶的位置,从而驱动机械臂去抓取烟叶,实现烟叶的自动分选。
发明内容
为提取出烟叶中的主要烟梗,本发明提出了一种基于局部对称性关系的烟梗提取方法,能够在RGB图像上检测出烟叶的梗茎,不同于有些在红外线图像上检测烟梗的方法,该方法更容易应用,另外,该方法的烟梗检出率较高,这是由于该方法中采用的对称性变换能够有效地提取出烟梗两个边缘的对称关系,最后,该方法利用了一种层次聚类的方法将本属于一张烟叶的断裂的烟梗连接起来,所以即使烟叶的成像效果不好或者烟叶本身的遮掩问题导致图像中烟梗断裂,该方法也能将主要的烟梗提取出来。
一种基于局部对称关系的烟梗提取方法,该方法的包括以下步骤:
步骤A:获取烟叶图像后对原图像进行局部对称性变换获得对称性特征图和笔画宽度特征图;
步骤B:对原图像的每个像素点用R,G,B颜色值以及对称性度量值和笔画宽度值来表示,通过简单的将原RGB图像和对称性特征图像还有笔画宽度图像叠加在一起,形成了一个五维的特征空间,接着在这个五维的特征空间中使用区域生长来获得连通区域,接着对获得的连通区域做粗过滤处理以去除一些噪声;
步骤C:在去除噪声的连通区域上使用自下而上的层次聚类方法将断裂的可能属于同一烟梗的连通区域重新连接起来;
步骤D:聚类完成之后使用连通区域级的过滤方法来获得主要的烟梗,滤去图像中的非烟梗连通区域。
所述步骤A的具体步骤如下:
步骤A01:输入一副烟叶的RGB图像,先对图像做USM锐化来增强边缘;USM锐化的方法的流程为:首先对原图像做低通滤波以模糊图像,然后将原图像减去低通滤波后的图像以获得图像的高频部分,最后将图像的高频部分与原图相叠加来完成锐化操作;
步骤A02:对于边缘增强后的图像,使用sobel算子来计算梯度图像;
步骤A03:接着,在梯度图像上,遍历图像上的所有像素,对任一像素点i,沿着其梯度方向寻找另外一个像素点j直到超出一个距离阈值时停止;对于点对(i,j),计算其对称性特征值r,对称性特征的计算公式为Rij=OijGijDij,其中Rij为点对(i,j)的对称性特征值,Oij评价了点对(i,j)的梯度方向对称性,Gij评价了点对(i,j)的梯度值一致性,Dij评价了点对(i,j)的距离临近程度;然后将点对(i,j)连线上的所有点的对称性特征值都赋值为r,当然对任一像素点可能会被赋给多个对称性特征值,只需保留其中的最大值,同时保留取最大对称性特征值时的笔画宽度;点对(i,j)笔画宽度定义为点i和点j的欧式距离。
步骤A03所述的距离阈值表示点i与点j的欧氏距离的最大值,是该方法所能处理的烟梗的最大宽度。
步骤B的具体步骤如下:
步骤B01:获得原图像的对称性特征图以及笔画宽度特征图后,将原图像的RGB三个颜色通道与对称性特征图和笔画宽度特征图结合形成一个五维的特征空间,然后在这个五维的特征空间中采用区域生长方法来分割图像;区域生长方法的具体流程为:给定一个种子点,然后计算种子点邻域中的点在特征空间中与种子点的距离,如果距离小于设定的阈值则将其加入到集合中,迭代上述处理直到集合中每个点都遍历了一次,且没有新的点加入到集合中;
步骤B02:区域生长方法能够将图像分为多个连通区域,接着使用连通区域的大小过滤连通区域,滤去非烟梗的噪音。
步骤B01所述的设定的阈值为设定的阈值表示两个相邻的点在特征空间中最大的欧氏距离,大于这个阈值的被认为不属于同一个连通区域。
步骤C的具体步骤如下:
步骤C01:对任意两个连通区域计算获得其相似性度量,获得相似性度量矩阵。相似性度量的计算公式为Lij=Pij(veci,vecj)*Pij(veci,vecij)*Pij(vecj,vecij)*Dij,其中veci为第i连通区域长轴的单位方向向量,vecj同理,vecij表示第i和第j连通区域的最短距离的单位方向向量,P函数评价了两个向量的平行程度,Dij表示第i和第j连通区域的最短距离的临近程度;
步骤C02:对相似性度量矩阵做自下而上的层次聚类来将相似的连通区域聚集起来,先将每个连通区域看成一个簇,然后找出相似性度量矩阵中的最大值,若该值大于阈值,则将相似度最大的两个簇合并为一个簇,并更新相似性度量矩阵,否则,停止层次聚类。
步骤C02所述的阈值表示聚类的终止条件,当相似性度量矩阵中最大值都小于这个阈值时,聚类停止。
步骤D的具体步骤如下:
步骤D01:对聚类后的连通区域做椭圆拟合,计算获得每个连通区域的短轴长度、长轴长度和长短轴比值;
步骤D02:对于上一步骤提取的连通区域特征,设定一些经验阈值来过滤非烟梗连通区域,最终保留的连通区域即烟叶的主要烟梗,方法结束。
和现有技术相比较,本发明具备如下优点:
1.该方法能够在RGB图像上检测烟梗,不同于有些在红外线图像上检测烟梗的方法,该方法不需要额外设备。
2.该方法的烟梗检出率较高,这是由于该方法中所采用的对称性变换能够有效地提取出烟梗两个边缘的对称关系。
3.该方法较为鲁棒,这是由于该方法利用了一种层次聚类的方法将本属于一张烟叶的断裂的烟梗连接起来,所以即使烟叶的成像效果不好或者烟叶本身的遮掩问题导致图像中烟梗断裂,该方法也能将主要的烟梗提取出来。
附图说明
图1为烟叶原图像。
图2为烟叶原图像局部对称性变换后获得对称性特征图。
图3为区域生长后连通区域图(每个白色外接矩形框代表一个连通区域)。
图4为粗过滤后的连通区域图(每个白色外接矩形框代表连通区域)。
图5为连通区域聚类后的连通区域图。
图6为过滤后的主要烟梗二值图(白色中为提取出的烟梗连通区域)
具体实施方式
下面结合附图详细介绍本发明各步骤中的具体细节。
本发明提出了一种基于局部对称性关系的烟梗提取方法,步骤如下:
步骤A:对烟叶原图像使用局部对称性变换获得对称性特征图和笔画宽度特征图,对烟叶原图进行局部对称性变换获得的对称性特征图像如图2所示,可以发现在对称性特征图像中相较于背景区域和烟叶区域烟梗区域更为显著;
所述步骤A的具体步骤如下:
步骤A01:输入一副烟叶的RGB图像如图1所示,先对图像做USM锐化来增强边缘。USM锐化的方法的具体流程为:首先对原图像做高斯滤波以模糊图像,然后将原图像减去高斯滤波后的图像以获得图像的高频部分,最后将图像的高频部分与原图相叠加来完成锐化操作;
步骤A02:对于边缘增强后的图像,使用sobel算子得到梯度图像,并计算获得每个像素点的梯度方向;
步骤A03:在梯度图像上,遍历梯度图像上的所有像素,对任一像素点i,沿着其梯度方向寻找另外一个像素点j直到超出一个距离阈值时停止。对于点对(i,j),计算其对称性特征值r,然后将点对(i,j)连线上的所有点的对称性特征值都赋值为r,当然对任一像素点可能会被赋给多个对称性特征值,只需保留其中的最大值,同时保留取最大对称性特征值时的笔画宽度。点对(i,j)笔画宽度定义为点i与点j的欧式距离。
点对的对称性特征计算公式为:
Rij=OijGijDij,其中Rij为点对(i,j)的对称性特征值,Oij评价了点对(i,j)的梯度方向对称性,Gij评价了点对(i,j)的梯度值一致性,Dij评价了点对(i,j)的距离临近程度。
梯度方向对称性Oij的数学公式为:
Oij=(1-cos(θi-θj))*(1-cos(θi+θj-2*θij)),其中θi表示点i的梯度方向,θj同理,θij表示点对(i,j)连线的方向。
梯度值一致性Gij的数学公式为:
其中Si表示点i的梯度大小,Sj同理。
距离临近程度Dij的数学公式为:
其中d代表点i与点j的欧式距离,σd表示距离的尺度,这一参数可根据经验设定。
步骤B:对原图像的每个像素点用R,G,B颜色值以及对称性度量值和笔画宽度值来表示,通过简单的将原RGB图像和对称性特征图像还有笔画宽度图像叠加在一起,形成了一个五维的特征空间。接着在这个特征空间中使用区域生长来获得连通区域,对该特征空间使用区域生长算法后的获得的连通区域图如图3所示,图中每个白色外接矩形框代表一个连通区域,接着对获得的连通区域做一个粗过滤处理以去除一些噪声,粗过滤之后的连通区域图如图4所示,可以发现相较于图3图像上一些小的噪声都被过滤掉了;
步骤B的具体步骤如下:
步骤B01:获得原图像的对称性特征图以及笔画宽度特征图后,将原图像的RGB三个颜色通道与对称性特征图和笔画宽度特征图结合形成一个五维的特征空间,然后在这个五维的特征空间中采用区域生长方法来分割图像。区域生长方法的具体流程为:给定一个种子点,然后计算种子点邻域中的点在特征空间中与种子点的距离,如果距离小于设定的阈值则将其加入到集合中,迭代上述处理直到集合中每个点都遍历了一次,且没有新的点加入到集合中;
算法中使用的区域生长方法是带有模板掩码的区域生长算法,即原图像中对称性特征值为0的像素点直接跳过,不参与区域生长过程中。
步骤B02:区域生长方法能够将图像分为多个连通区域,接着使用连通区域的大小过滤连通区域,该阈值可以根据经验和先验知识确定,滤去非烟梗的噪音。
步骤C:在去除噪声的连通区域上使用自下而上的层次聚类方法将断裂的可能属于同一烟梗的连通区域重新连接起来,聚类后的连通区域图如图5所示,可以发现通过聚类方法,本属于一张烟叶上的断裂的烟梗被成功连接起来;
步骤C的具体步骤如下:
步骤C01:对任意两个连通区域计算获得其相似性度量,获得一个相似性度量矩阵;
相似性度量公式为:
Lij=Pij(veci,vecj)*Pij(veci,vecij)*Pij(vecj,vecij)*Dij,其中veci为第i连通区域长轴的单位方向向量,vecj同理,vecij表示第i和第j连通区域的最短距离的单位方向向量,P函数评价了两个向量的平行程度,Dij表示第i和第j连通区域的最短距离的临近程度。
平行程度评价函数公式为:
Pij=1-abs(veci(1)*vecj(2)-veci(2)*vecj(1)),其中veci为第i连通区域长轴的单位方向向量,vecj同理。veci和vecj都是单位二维向量。
距离临近程度公式为:
其中d代表第i与第j连通区域的最短距离,σd表示距离的尺度,这一参数可根据经验设定。
两个连通区域的最短距离定义为:对连通区域进行椭圆拟合,获得该椭圆与其长轴相交的两个端点,两个连通区域所有端点之间的距离的最小值即为连通区域的最短距离。
步骤C02:对相似性度量矩阵做自下而上的层次聚类来将相似的连通区域聚集起来,先将每个连通区域看成一个簇,接着计算任意两个簇之间的互联度,然后找出所有互联度中的最大值,若该值大于一个阈值,则将相似度最大的两个簇合并为一个簇,并更新相似性度量矩阵,否则,停止层次聚类。
相似度的计算公式为:
其中Ci代表第i个簇,Cj同理,EC(Ci,Cj)表示Ci和Cj两个簇之间的相似性度量,|Ci|代表第i个簇中连通区域的数目,|Cj|同理。
另外更新相似性度量矩阵的策略为:对任意两个簇i,j之间的相似性度量值修正为簇i中所有连通区域与簇j中所有连通区域之间的相似性度量值之和。同一簇内的任意两连通区域其相似性度量修正为0。
步骤D:聚类完成之后使用一个连通区域级的过滤方法来获得主要的烟梗,滤去图像中的非烟梗连通区域,过滤之后的二值图像如图6所示,白色部分为烟梗部分,其中白色框中为提取出来的烟梗连通区域。
步骤D的具体步骤如下:
步骤D01:对聚类后的连通区域做椭圆拟合,计算获得每个连通区域的短轴长度、长轴长度和长短轴比值;
步骤D02:对于上一步骤提取的连通区域特征,设定一些经验阈值过滤非烟梗连通区域,最终保留的连通区域即烟叶的主要烟梗,方法结束。
Claims (6)
1.一种基于局部对称关系的烟梗提取方法,其特征在于:包括以下步骤:
步骤A:获取烟叶图像后对原图像进行局部对称性变换获得对称性特征图和笔画宽度特征图;
步骤B:对原图像的每个像素点用R,G,B颜色值以及对称性特征值和笔画宽度值来表示,通过将原RGB图像和对称性特征图还有笔画宽度特征图叠加在一起,形成了一个五维的特征空间,接着在这个五维的特征空间中使用区域生长来获得连通区域,接着对获得的连通区域做粗过滤处理以去除噪声;
步骤C:在去除噪声的连通区域上使用自下而上的层次聚类方法将断裂的属于同一烟梗的连通区域重新连接起来;
步骤D:聚类完成之后使用连通区域级的过滤方法来获得主要的烟梗,滤去图像中的非烟梗连通区域;
所述步骤A的具体步骤如下:
步骤A01:输入一副烟叶的RGB图像,先对图像做USM锐化来增强边缘;USM锐化方法的流程为:首先对原图像做低通滤波以模糊图像,然后将原图像减去低通滤波后的图像以获得图像的高频部分,最后将图像的高频部分与原图相叠加来完成锐化操作;
步骤A02:对于边缘增强后的图像,使用sobel算子来计算梯度图像;
步骤A03:接着,在梯度图像上,遍历梯度图像上的所有像素,对任一像素点i,沿着其梯度方向寻找另外一个像素点j直到超出一个距离阈值时停止;对于点对(i,j),计算其对称性特征值r,对称性特征计算公式为Rij=OijGijDij,其中Rij为点对(i,j)的对称性特征值,Oij评价了点对(i,j)的梯度方向对称性,Gij评价了点对(i,j)的梯度值一致性,Dij评价了点对(i,j)的距离临近程度;然后将点对(i,j)连线上的所有点的对称性特征值都赋值为r,当然对任一像素点会被赋给多个对称性特征值,只需保留其中的最大值,同时保留取最大对称性特征值时的笔画宽度值;点对(i,j)笔画宽度值定义为点i和点j的欧式距离;
所述步骤C的具体步骤如下:
步骤C01:对任意两个连通区域计算获得其相似性度量,获得相似性度量矩阵;相似性度量的计算公式为Lij=Pij(veci,vecj)*Pij(veci,vecij)*Pij(vecj,vecij)*Dij,其中veci为第i连通区域长轴的单位方向向量,vecj同理,vecij表示第i和第j连通区域的最短距离的单位方向向量,P函数评价了两个向量的平行程度,Dij表示第i和第j连通区域的最短距离的临近程度;
步骤C02:对相似性度量矩阵做自下而上的层次聚类来将相似的连通区域聚集起来,先将每个连通区域看成一个簇,然后找出相似性度量矩阵中的最大值,若该值大于阈值,则将相似度最大的两个簇合并为一个簇,并更新相似性度量矩阵,否则,停止层次聚类;
所述步骤D的具体步骤如下:
步骤D01:对聚类后的连通区域做椭圆拟合,计算获得每个连通区域的短轴长度、长轴长度和长短轴比值;
步骤D02:对于上一步骤提取的连通区域特征,设定一个经验阈值来过滤非烟梗连通区域,最终保留的连通区域即烟叶的主要烟梗。
2.根据权利要求1所述的一种基于局部对称关系的烟梗提取方法,其特征在于:步骤A03所述的距离阈值表示点i与点j的欧氏距离的最大值,是该方法所能处理的烟梗的最大宽度。
3.根据权利要求1所述的一种基于局部对称关系的烟梗提取方法,其特征在于:步骤B的具体步骤如下:
步骤B01:获得原图像的对称性特征图以及笔画宽度特征图后,将原图像的RGB三个颜色通道与对称性特征图和笔画宽度特征图结合形成一个五维的特征空间,然后在这个五维的特征空间中采用区域生长方法来分割图像;区域生长方法的具体流程为:给定一个种子点,然后计算种子点邻域中的点在特征空间中与种子点的距离,如果距离小于设定的阈值则将其加入到集合中,迭代上述处理直到集合中每个点都遍历了一次,且没有新的点加入到集合中;
步骤B02:区域生长方法能够将图像分为多个连通区域,接着使用连通区域的大小过滤连通区域,滤去非烟梗的噪音。
4.根据权利要求3所述的一种基于局部对称关系的烟梗提取方法,其特征在于:步骤B01所述的设定的阈值表示两个相邻的点在特征空间中最大的欧氏距离,大于这个阈值的被认为不属于同一个连通区域。
5.根据权利要求1所述的一种基于局部对称关系的烟梗提取方法,其特征在于:步骤C02所述的阈值表示聚类的终止条件,当相似性度量矩阵中最大值都小于这个阈值时,聚类停止。
6.根据权利要求1所述的一种基于局部对称关系的烟梗提取方法,其特征在于:步骤D02所述的经验阈值给定了连通区域的短轴长度的最小值、长轴长度和长短轴比值的最小值,对于某个连通区域若其上述三个特征比对应的阈值还要小则被过滤掉。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610128336.5A CN105654088B (zh) | 2016-03-07 | 2016-03-07 | 基于局部对称关系的烟梗提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610128336.5A CN105654088B (zh) | 2016-03-07 | 2016-03-07 | 基于局部对称关系的烟梗提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105654088A CN105654088A (zh) | 2016-06-08 |
CN105654088B true CN105654088B (zh) | 2019-04-09 |
Family
ID=56493028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610128336.5A Active CN105654088B (zh) | 2016-03-07 | 2016-03-07 | 基于局部对称关系的烟梗提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105654088B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373134B (zh) * | 2016-09-18 | 2018-12-07 | 武汉武大卓越科技有限责任公司 | 一种基于线结构光三维测量的公路标线检测方法 |
CN110517226B (zh) * | 2019-07-24 | 2021-04-09 | 南京大树智能科技股份有限公司 | 基于双边滤波的多特征纹理图像融合的烟梗区域提取方法 |
CN110926359B (zh) * | 2019-11-05 | 2021-10-29 | 长安大学 | 一种优化双相扫描路面的三维裂缝曲面轮廓检测方法 |
CN113052808B (zh) * | 2021-03-15 | 2023-12-29 | 上海烟草集团有限责任公司 | 检测烟叶主脉走势的方法、系统及计算机可读存储介质 |
CN113989355A (zh) * | 2021-10-21 | 2022-01-28 | 北京远舢智能科技有限公司 | 烟丝宽度检测方法、系统、终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102339385A (zh) * | 2011-07-28 | 2012-02-01 | 南京焦耳科技有限责任公司 | 基于组合光透视的叶中含梗及含梗率视觉识别检测方法 |
CN102439606A (zh) * | 2009-05-22 | 2012-05-02 | 诺基亚公司 | 用于使用局部原码执行特征提取的方法和装置 |
CN103801514A (zh) * | 2014-01-25 | 2014-05-21 | 湖南中烟工业有限责任公司 | 一种制丝线烟叶自动化精选装置及方法 |
-
2016
- 2016-03-07 CN CN201610128336.5A patent/CN105654088B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102439606A (zh) * | 2009-05-22 | 2012-05-02 | 诺基亚公司 | 用于使用局部原码执行特征提取的方法和装置 |
CN102339385A (zh) * | 2011-07-28 | 2012-02-01 | 南京焦耳科技有限责任公司 | 基于组合光透视的叶中含梗及含梗率视觉识别检测方法 |
CN103801514A (zh) * | 2014-01-25 | 2014-05-21 | 湖南中烟工业有限责任公司 | 一种制丝线烟叶自动化精选装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105654088A (zh) | 2016-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105654088B (zh) | 基于局部对称关系的烟梗提取方法 | |
Lü et al. | Leaf area measurement based on image processing | |
CN102663354B (zh) | 人脸标定方法和系统 | |
CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
CN109191432B (zh) | 基于域变换滤波多尺度分解的遥感图像云检测方法 | |
CN106709450A (zh) | 一种指纹图像识别方法及系统 | |
CN110705655A (zh) | 一种基于光谱和机器视觉耦合的烟叶分类方法 | |
CN103971126A (zh) | 一种交通标志识别方法和装置 | |
AU2020103260A4 (en) | Rice blast grading system and method | |
CN106951905A (zh) | 一种基于tof相机的树上苹果识别与定位方法 | |
CN109544583B (zh) | 一种提取皮革图像感兴趣区域的方法、装置及设备 | |
CN109948625A (zh) | 文本图像清晰度评估方法及系统、计算机可读存储介质 | |
CN115115627B (zh) | 基于数据处理的土壤盐碱地监测方法 | |
CN105719275A (zh) | 一种并行组合的图像缺陷分割方法 | |
CN109871900A (zh) | 一种基于图像处理的复杂背景下苹果的识别定位方法 | |
CN110310291A (zh) | 一种稻瘟病分级系统及其方法 | |
CN103793709A (zh) | 细胞识别方法和装置、以及尿液分析仪 | |
CN105427279B (zh) | 一种基于计算机视觉及物联网的草原旱情监测系统和方法 | |
CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
CN110455201A (zh) | 基于机器视觉的茎秆作物高度测量方法 | |
CN107644200A (zh) | 基于安卓系统的病虫害感染程度检测方法及系统 | |
CN107590812A (zh) | 小麦穗部小穗识别计数方法 | |
CN107392927B (zh) | 一种亚米级遥感影像渔业网箱提取方法 | |
CN110796654A (zh) | 一种引导线检测方法、装置、设备、轮胎吊及介质 | |
CN106096527A (zh) | 一种实时高精度在线纸币面值的识别方法 |
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 |