CN106023105A - 一种植物叶片的二值图像生成方法及系统 - Google Patents
一种植物叶片的二值图像生成方法及系统 Download PDFInfo
- Publication number
- CN106023105A CN106023105A CN201610328844.8A CN201610328844A CN106023105A CN 106023105 A CN106023105 A CN 106023105A CN 201610328844 A CN201610328844 A CN 201610328844A CN 106023105 A CN106023105 A CN 106023105A
- Authority
- CN
- China
- Prior art keywords
- bianry image
- scanning
- width
- correspondence
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 105
- 241000196324 Embryophyta Species 0.000 title abstract 5
- 238000001914 filtration Methods 0.000 claims abstract description 64
- 230000010339 dilation Effects 0.000 claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 51
- LFULEKSKNZEWOE-UHFFFAOYSA-N propanil Chemical compound CCC(=O)NC1=CC=C(Cl)C(Cl)=C1 LFULEKSKNZEWOE-UHFFFAOYSA-N 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 11
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 14
- 230000014759 maintenance of location Effects 0.000 description 5
- 150000003839 salts Chemical class 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种植物叶片的二值图像生成方法及系统,通过获取植物叶片的扫描图,读取所述扫描图对应的图片数据,所述图片数据包括扫描图的宽度、高度、水平分辨率及垂直分辨率;确定所述扫描图的全局阈值,根据所述全局阈值二值化所述扫描图,进行中值滤波处理、自适应滤波处理,确定噪点面积阈值,根据所述噪点面积阈值进行去噪处理,根据所述宽度和高度进行膨胀运算处理,得到对应的用于植物叶片形态全自动分析的待分析二值图像,不仅计算简单,而且去噪效果可完全满足各个分辨率下的植物叶片形态全自动分析中二值图的去噪需要,带来了大大的方便。
Description
技术领域
本发明涉及植物叶片图片数据处理领域,尤其涉及的是一种植物叶片的二值图像生成方法及系统。
背景技术
植物叶片形态全自动分析对于二值图的去噪处理要求极高,除植物叶片的黑色区域外的任何一点噪声都会导致运算的失败。因而,二值图像去噪的成功与否决定了植物叶片形态全自动分析结果的正确性。
针对植物叶片图像去噪的问题,若采用经典的参数设定法,需根据分析经验对各个扫描分辨率的区间进行单独设定,而这种静态的固定值的设定参数的方法,很难准确把握各个每个分辨率区间的划分标准,区间的划分不当更会造成全自动的分析结果的失真,这就是植物叶片全自动分析软件leafshapes1.0和leafshapes2.0的计算方法,虽然软件可以实现800像素的以下的分析,但在实际使用可以发现:在对一些叶面积较小的植物进行全自动分析时,如扫描分辨率为72和96dpi(Dots Per Inch,每英寸的像素)时,就会出现膨胀过渡的情况,导致计算失败;而当扫描分辨率为720dpi以上时,常会出现去噪不完美的情况,甚至出现删除最小面积的斑块错误。此外,还有一些对图像去噪的复杂算法,如遗传算法、粒子群算法、蚁群算法、人工神经网络算法等,但这些算法不仅计算复杂,而且不能完全去除植物叶片扫描图的噪声,并不适用植物叶片形态的全自动分析。
因此,现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种植物叶片的二值图像生成方法及系统,旨在解决现有的植物叶片二值图像生成方法计算复杂,去噪效果差的问题。
本发明解决技术问题所采用的技术方案如下:
一种植物叶片的二值图像生成方法,其中,包括:
S1、获取植物叶片的扫描图,读取所述扫描图对应的图片数据,所述图片数据包括扫描图的宽度、高度、水平分辨率及垂直分辨率;
S2、确定所述扫描图的全局阈值,根据所述全局阈值二值化所述扫描图,得到对应的第一二值图像;
S3、对所述第一二值图像进行中值滤波处理,得到对应的第二二值图像;
S4、根据所述水平分辨率和垂直分辨率对所述第二二值图像进行自适应滤波处理,得到对应的第三二值图像;
S5、根据所述宽度和高度确定噪点面积阈值,根据所述噪点面积阈值对所述第三二值图像进行去噪处理,得到对应的第四二值图像;
S6、根据所述宽度和高度对所述第四二值图像进行膨胀运算处理,得到对应的用于植物叶片形态全自动分析的待分析二值图像。
所述的植物叶片的二值图像生成方法,其中,所述步骤S2具体包括:
S21、将所述扫描图转换为对应的双精度数据类型的图像数据;
S22、采用最大类间方差法对所述图像数据进行处理,找到对应的全局阈值;
S23、将所述图像数据转化为对应的灰度图像数据;
S24、根据所述全局阈值二值化所述灰度图像数据,得到对应的第一二值图像。
所述的植物叶片的二值图像生成方法,其中,所述步骤S4具体包括:
S41、根据所述水平分辨率和垂直分辨率确定自适应滤波运算中相邻的第一结构元素矩阵,其中,所述第一结构元素矩阵为M列N行,M=2*ceil(XResolution^0.8/50);N=2*ceil(YResolution^0.8/50);其中,M为水平宽度,N为垂直宽度,ceil为取整计算,XResolution为叶片扫描图的水平分辨率,YResolution为叶片扫描图的垂直分辨率;
S42、根据所述第一结构元素矩阵对所述第二二值图像进行自适应滤波运算处理,得到对应的第三二值图像。
所述的植物叶片的二值图像生成方法,其中,所述步骤S5具体包括:
S51、根据所述宽度和高度确定噪点面积阈值,所述噪点面积阈值P的计算公式为:P=ceil(Width*Height/1000);其中,P为噪点面积阈值,ceil为取整计算,Width为扫描图的宽度,Height为扫描图的高度;
S52、根据所述噪点面积阈值对所述第三二值图像进行去噪处理,保留所述第三二值图像中面积大于所述噪点面积阈值的斑块,得到对应的第四二值图像。
所述的植物叶片的二值图像生成方法,其中,所述步骤S6具体包括:
S61、根据所述宽度和高度确定膨胀运算处理的第二结构元素矩阵SE和迭代次数A,其中,SE=strel('disk',2);A=ceil(((Width^0.5*Height^0.5)/50));SE为膨胀运算的第二结构元素矩阵,A为迭代次数,strel为结构元素构造函数,ceil为取整计算函数,Width为扫描图的宽度,Height为扫描图的高度,disk表示构建结构元素的形状为圆形;
S62、根据所述第二结构元素矩阵对所述第四二值图像进行膨胀运算处理,得到对应的用于植物叶片形态全自动分析的待分析二值图像。
一种植物叶片的二值图像生成系统,其中,包括:
图片获取模块,用于获取植物叶片的扫描图,读取所述扫描图对应的图片数据,所述图片数据包括扫描图的宽度、高度、水平分辨率及垂直分辨率;
二值化模块,用于确定所述扫描图的全局阈值,根据所述全局阈值二值化所述扫描图,得到对应的第一二值图像;
中值滤波模块,用于对所述第一二值图像进行中值滤波处理,得到对应的第二二值图像;
自适应滤波模块,用于根据所述水平分辨率和垂直分辨率对所述第二二值图像进行自适应滤波处理,得到对应的第三二值图像;
面积阈值处理模块,用于根据所述宽度和高度确定噪点面积阈值,根据所述噪点面积阈值对所述第三二值图像进行去噪处理,得到对应的第四二值图像;
膨胀运算模块,用于根据所述宽度和高度对所述第四二值图像进行膨胀运算处理,得到对应的用于植物叶片形态全自动分析的待分析二值图像。
所述的植物叶片的二值图像生成系统,其中,所述二值化模块包括:
数据类型转换单元,用于将所述扫描图转换为对应的双精度数据类型的图像数据;
全局阈值获取单元,用于采用最大类间方差法对所述图像数据进行处理,找到对应的全局阈值;
灰度处理单元,用于将所述图像数据转化为对应的灰度图像数据;
二值化单元,用于根据所述全局阈值二值化所述灰度图像数据,得到对应的第一二值图像。
所述的植物叶片的二值图像生成系统,其中,所述自适应滤波模块包括:
第一结构元素矩阵生成单元,用于根据所述水平分辨率和垂直分辨率确定自适应滤波运算中相邻的第一结构元素矩阵,其中,所述第一结构元素矩阵为M列N行,M=2*ceil(XResolution^0.8/50);N=2*ceil(YResolution^0.8/50);其中,M为水平宽度,N为垂直宽度,ceil为取整计算,XResolution为叶片扫描图的水平分辨率,YResolution为叶片扫描图的垂直分辨率;
自适应滤波运算单元,用于根据所述第一结构元素矩阵对所述第二二值图像进行自适应滤波运算处理,得到对应的第三二值图像。
所述的植物叶片的二值图像生成系统,其中,所述面积阈值处理模块包括:
面积阈值计算单元,用于根据所述宽度和高度确定噪点面积阈值,所述噪点面积阈值P的计算公式为:P=ceil(Width*Height/1000);其中,P为噪点面积阈值,ceil为取整计算,Width为扫描图的宽度,Height为扫描图的高度;
面积阈值处理单元,用于根据所述噪点面积阈值对所述第三二值图像进行去噪处理,保留所述第三二值图像中面积大于所述噪点面积阈值的斑块,得到对应的第四二值图像。
所述的植物叶片的二值图像生成系统,其中,所述膨胀运算模块包括:
第二结构元素矩阵生成单元,用于根据所述宽度和高度确定膨胀运算处理的第二结构元素矩阵SE和迭代次数A,其中,SE=strel('disk',2);A=ceil(((Width^0.5*Height^0.5)/50));SE为膨胀运算的第二结构元素矩阵,A为迭代次数,strel为结构元素构造函数,ceil为取整计算函数,Width为扫描图的宽度,Height为扫描图的高度,disk表示构建结构元素的形状为圆形;
膨胀运算单元,用于根据所述第二结构元素矩阵对所述第四二值图像进行膨胀运算处理,得到对应的用于植物叶片形态全自动分析的待分析二值图像。
本发明所提供的一种植物叶片的二值图像生成方法及系统,有效地解决了现有的植物叶片二值图像生成方法计算复杂,去噪效果差的问题,通过获取植物叶片的扫描图,读取所述扫描图对应的图片数据,所述图片数据包括扫描图的宽度、高度、水平分辨率及垂直分辨率;确定所述扫描图的全局阈值,根据所述全局阈值二值化所述扫描图,得到对应的第一二值图像;对所述第一二值图像进行中值滤波处理,得到对应的第二二值图像;根据所述水平分辨率和垂直分辨率对所述第二二值图像进行自适应滤波处理,得到对应的第三二值图像;根据所述宽度和高度确定噪点面积阈值,根据所述噪点面积阈值对所述第三二值图像进行去噪处理,得到对应的第四二值图像;根据所述宽度和高度对所述第四二值图像进行膨胀运算处理,得到对应的用于植物叶片形态全自动分析的待分析二值图像,不仅计算简单,而且去噪效果可完全满足各个分辨率下的植物叶片形态全自动分析中二值图的去噪需要,带来了大大的方便。
附图说明
图1为本发明提供的植物叶片的二值图像生成方法较佳实施例的流程图。
图2为本发明提供的植物叶片的二值图像生成方法应用实施例中第一二值图像示意图。
图3为本发明提供的植物叶片的二值图像生成方法应用实施例中第二二值图像示意图。
图4为本发明提供的植物叶片的二值图像生成方法应用实施例中第三二值图像示意图。
图5为本发明提供的植物叶片的二值图像生成方法应用实施例中第四二值图像示意图。
图6为本发明提供的植物叶片的二值图像生成方法应用实施例中待分析二值图像示意图。
图7为本发明提供的植物叶片的二值图像生成系统较佳实施例的结构框图。
具体实施方式
本发明提供一种植物叶片的二值图像生成方法及系统,为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1,图1为本发明提供的植物叶片的二值图像生成方法较佳实施例的流程图,包括以下步骤:
步骤S100、获取植物叶片的扫描图,读取所述扫描图对应的图片数据,所述图片数据包括扫描图的宽度、高度、水平分辨率及垂直分辨率;
步骤S200、确定所述扫描图的全局阈值,根据所述全局阈值二值化所述扫描图,得到对应的第一二值图像;
步骤S300、对所述第一二值图像进行中值滤波处理,得到对应的第二二值图像;
步骤S400、根据所述水平分辨率和垂直分辨率对所述第二二值图像进行自适应滤波处理,得到对应的第三二值图像;
步骤S500、根据所述宽度和高度确定噪点面积阈值,根据所述噪点面积阈值对所述第三二值图像进行去噪处理,得到对应的第四二值图像;
步骤S600、根据所述宽度和高度对所述第四二值图像进行膨胀运算处理,得到对应的用于植物叶片形态全自动分析的待分析二值图像。
下面结合具体的实施例对上述步骤进行详细的说明。
在步骤S100中,获取植物叶片的扫描图,读取所述扫描图对应的图片数据,所述图片数据包括扫描图的宽度、高度、水平分辨率及垂直分辨率。具体来说,植物叶片的叶相图就是将叶片通过扫描仪扫描进入电脑形成的栅格图像文件,由于扫描仪是以纸张大小为标准,所以此处称之为扫描纸张,本发明可对任意尺度的扫描图件进行分析的。对扫描图的尺寸不做限制。扫描仪获取植物叶片的扫描图,这是三维图,带有对应的RGB参数,在本发明中未图示。根据所述扫描图,便可得到对应的图片数据, 所述图片数据包括扫描图的宽度、高度、水平分辨率及垂直分辨率,譬如其扫描的尺寸为Width(宽度,单位:像素)* Height(高度,单位:像素),水平分辨率为XResolution(单位:dpi),垂直分辨率为YResolution(单位:dpi)。
在实际应用时,基于MATLAB分析软件,对植物叶片扫描图去噪的经典算法及本发明的动态参数的运用进行详细说明,确定待分析的叶片扫描图,文件名为IMG.jpg,在MATLAB中的运算式为:
Img=imread(‘IMG.jpg’); %读取原始图片的数据;
Width=Width;%读取原始图片的宽度;
Height=Height;%读取原始图片的高度;
XResolution=XResolution;%读取原始图片的数据;
YResolution=YResolution;%读取原始图片的数据。
在matlab中导入扫描图像。扫描图数据为3维数据,包含了红、绿、蓝三个颜色通道的数据。原始图片也就是扫描图。关于宽高及分辨率信息可以自动获取,也可人工输入,可通过查看图片的属性得知。
在步骤S200中,确定所述扫描图的全局阈值,根据所述全局阈值二值化所述扫描图,得到对应的第一二值图像。具体来说,就是对扫描图进行二值化处理,得到对应的二值化图像。在实际应用时,可采用人为设置的全局阈值来进行二值化处理,也可采用最大类间方差法可找到图片一个相对较好的全局阈值。关于图像二值化,则是将图像数据转化为由0和1组成的二值数据,就如同形成了一张白纸上诸多黑色斑块。本发明则是根据全局阈值,根据这个全局阈值范围内的图像数据分别分类为0和1,从而得到了第一二值图像。
进一步地,所述步骤S200具体包括:
S210、将所述扫描图转换为对应的双精度数据类型的图像数据;
S220、采用最大类间方差法对所述图像数据进行处理,找到对应的全局阈值;
S230、将所述图像数据转化为对应的灰度图像数据;
S240、根据所述全局阈值二值化所述灰度图像数据,得到对应的第一二值图像。
具体来说,在实际应用时,基于MATLAB分析软件,对植物叶片扫描图去噪的经典算法及本发明的动态参数的运用进行详细说明,扫描图图像数据不能直接用于matlab运算,需要将图像数据转为可计算的双精度数据类型。Matlab中代码为:a0=im2double(Img);%将原始图片的数据转化为双精度数据类型。扫描图,即待分析的数据为3维数数据,不可用用于分析叶面积等,需要将数据转为2维的二值数据。在使用im2bw函数将图像数据转换为二值图像数据时,包含了三色通道图像数据转灰度图像数据、和灰度图像数据转二值图像数据两个步骤。在将灰度图像转换为二值图像时,需要设定一个全局阈值,讲这个全局阈值范围内的数据分别分类为0和1。利用matlab的threshold函数采用最大类间方差法可找到图片一个相对较好的全局阈值。这个函数计算的全局阈值比人为设定的全局阈值能更好地把一张灰度图像转换为二值图像。每一张的差异很大,所以计算出来的全局阈值比经验全局阈值设定想过更好一些。然后,将图像数据转化为由0和1组成的二值数据,就如同形成了一张白纸上诸多黑色斑块,也就是得到了第一二值图像。
在实际应用时,对实际的植物叶片的扫描图处理后,得到的第一二值图像如图2所示,图2为本发明提供的植物叶片的二值图像生成方法应用实施例中第一二值图像示意图。可以发现图2中存在很多噪声,这明显是不符合植物叶片形态全自动分析的二值图像要求的,需要进一步对其去噪。关于扫描图显然可知为彩图(譬如植物叶多为绿色),因而在本发明中未图示。
在步骤S300中,对所述第一二值图像进行中值滤波处理,得到对应的第二二值图像。
具体来说,中值滤波法是一种非线性平滑技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值,让周围的像素值接近的真实值,从而消除孤立的噪声点,特别在消除椒盐噪声上非常有效。在处理叶相图时,中值滤波可以很好地消除叶边缘阴影残留的噪点和扫描仪上细小污点形成噪点。90%以上的椒盐状的阴影由于灰度值较低,其可能形成的噪点在二值化的过程中大多已经被消除,为了保证所有的椒盐噪点在此处被消除,在二值化后率先采用中值滤波可实现椒盐噪点的100%去除。
在实际应用时,对第一二值图像进行中值滤波处理后得到的第二二值图像如图3所示,图3为本发明提供的植物叶片的二值图像生成方法应用实施例中第二二值图像示意图。这样,得到的第二二值图像如图3所示。请对比图2和图3,可以发现在处理叶相图时,中值滤波很好地消除了叶边缘阴影残留的噪点和扫描仪上细小污点形成噪点。
在步骤S400中,根据所述水平分辨率和垂直分辨率对所述第二二值图像进行自适应滤波处理,得到对应的第三二值图像。
具体来说,自适应滤波法是一种以输入图像和输出图像之间的均方误差最小为依据,采取特定算法自动地调整滤波器系数,使其达到最佳滤波特性的一种算法。Matlab的wiener2函数可以很好执行自适应滤波的功能,并具有锐化图象空间的作用,该法对于去除高斯噪点具有很好的效果。由于部分叶片表面被毛,可能在扫描时形成具有高斯分布特性的噪点,因此,需要利用此法去除高斯噪点,保证叶片斑块足够平滑完成,以确保叶面积计算的准确性。此外,在针对一些很细小的运算不能处理噪点(肉眼难以发现时),该运算可以扩大噪音效果,便于进一步发现和处理。
进一步地,所述步骤S400具体包括:
S410、根据所述水平分辨率和垂直分辨率确定自适应滤波运算中相邻的第一结构元素矩阵,其中,所述第一结构元素矩阵为M列N行,M=2*ceil(XResolution^0.8/50);N=2*ceil(YResolution^0.8/50);其中,M为水平宽度,N为垂直宽度,ceil为取整计算,XResolution为叶片扫描图的水平分辨率,YResolution为叶片扫描图的垂直分辨率;
S420、根据所述第一结构元素矩阵对所述第二二值图像进行自适应滤波运算处理,得到对应的第三二值图像。
具体来说,就是自适应滤波运算中相邻大小为【M列N行】的第一结构元素矩阵的计算公式:M=2*ceil(XResolution^0.8/50);N=2*ceil(YResolution^0.8/50)。其中,M为水平宽度,N为垂直宽度,ceil为MATLAB取整计算,XResolution为叶片扫描图的水平分辨率,YResolution为叶片扫描图的垂直分辨率,显然,M和N为正整数。然后采用第一结构元素矩阵对第二二值图像进行自适应滤波运算得到对应的第三二值图像。关于第一结构元素矩阵的计算公式中的参数(譬如0.8,50,2等)为较佳实施例,采用这几个数字参数便可很好地解决植物叶片的去噪问题,此处为较佳应用实施例中参数所采用的数字。当然在实际应用时,可根据实际情况微调,当然也在本发明的保护范围之内。
请参阅图4,在实际应用时,对所述第二二值图像进行自适应滤波处理,得到的第三二值图像如图4所示,图4为本发明提供的植物叶片的二值图像生成方法应用实施例中第三二值图像示意图。请对比图3和图4,由于部分叶片表面被毛,可能在扫描时形成具有高斯分布特性的噪点,因此,需要利用此法去除高斯噪点,保证叶片斑块足够平滑完成,以确保叶面积计算的准确性。此外,在针对一些很细小的运算不能处理噪点(肉眼难以发现时),该运算可以扩大噪音效果,便于进一步发现和处理,对比图3和图4,可以发现扩大了噪音(也就是噪点)。
在步骤S500中,根据所述宽度和高度确定噪点面积阈值,根据所述噪点面积阈值对所述第三二值图像进行去噪处理,得到对应的第四二值图像。
具体来说,就是只保留面积大于噪点面积阈值的斑块。针对一些面积较大的噪点,通过中值滤波和自适应滤波都不能去除的,可以通过保留面积大于噪点面积阈值的斑块的算法计算。也就是说,只要第三二值图像中面积小于或等于噪点面积阈值的斑块都要去除,只留下第三二值图像中面积大于所述噪点面积阈值的斑块。
进一步地,所述步骤S500具体包括:
S510、根据所述宽度和高度确定噪点面积阈值,所述噪点面积阈值P的计算公式为:P=ceil(Width*Height/1000);其中,P为噪点面积阈值,ceil为取整计算,Width为扫描图的宽度,Height为扫描图的高度;
S520、根据所述噪点面积阈值对所述第三二值图像进行去噪处理,保留所述第三二值图像中面积大于所述噪点面积阈值的斑块,得到对应的第四二值图像。
具体来说,噪点面积阈值也就是允许存在的最大噪点的面积P,其计算公式:P=ceil(Width*Height/1000);其中,P为允许存在的最大噪点的面积(单位:像素),ceil为取整计算,Width为扫描纸张的宽(单位:像素),Height为扫描纸张的高(单位:像素)。只保留面积大于P的斑块。这是由于一些面积较大的噪点,通过中值滤波和自适应滤波都不能去除,但是可以通过保留面积大于P的斑块的算法计算来去除这类噪声。关于计算公式中的参数(譬如1000)为较佳实施例,采用这数字参数便可很好地解决植物叶片的去噪问题,此处为较佳应用实施例中参数所采用的数字。当然在实际应用时,可根据实际情况微调,当然也在本发明的保护范围之内。
在本发明提供的植物叶片的二值图像生成方法应用实施例中,对实际的植物叶片对应的第三二值图像根据定噪点面积阈值进行去噪处理后,也就是通过上述步骤S500得到的第四二值图像如图5所示,图5为本发明提供的植物叶片的二值图像生成方法应用实施例中第四二值图像示意图。请一并参阅图4和图5,可以发现采用允许存在的最大噪点的面积P作为面积阈值,将第三二值图像中大于P的斑块保留,小于或等于P的斑块去除,将图4中扩大了的噪点进行了去除,实现了进一步的去噪,去噪效果更好。
在步骤S600中,根据所述宽度和高度对所述第四二值图像进行膨胀运算处理,得到对应的用于植物叶片形态全自动分析的待分析二值图像。具体来说,膨胀操作会使物体的边界向外扩张,如果物体内部存在小空洞的话,经过膨胀操作这些洞将被补上,因而不再是边界了,若再进行腐蚀操作时,外部边界将变回原来的样子,而这些内部空洞则永远消失了。前期的去噪点的过程会对植物叶片斑块的边缘造成一点的腐蚀,为了保证计算的精度,适度的膨胀运算可以使得叶片斑块的边缘更加平滑,斑块内无白色噪点。因此膨胀运算即可满足处理需要,无需膨胀-腐蚀运算联用。
进一步地,所述步骤S600具体包括:
S610、根据所述宽度和高度确定膨胀运算处理的第二结构元素矩阵SE和迭代次数A,其中,SE=strel('disk',2);A=ceil(((Width^0.5*Height^0.5)/50));SE为膨胀运算的第二结构元素矩阵,A为迭代次数,strel为结构元素构造函数,ceil为取整计算函数,Width为扫描图的宽度,Height为扫描图的高度,disk表示构建结构元素的形状为圆形;
S620、根据所述第二结构元素矩阵对所述第四二值图像进行膨胀运算处理,得到对应的用于植物叶片形态全自动分析的待分析二值图像。
具体来说,膨胀运算中结构元素SE和迭代次数A的计算公式:SE=strel('disk',2);A=ceil(((Width^0.5*Height^0.5)/50));其中,SE为膨胀运算的结构元素(数据结构如图),A为迭代次数, strel为MATLAB结构元素构造函数,ceil为MATLAB取整计算函数,Width为扫描纸张的宽(单位:像素),Height为扫描纸张的高(单位:像素),disk表示构建结构元素的形状为圆形,2表示圆形的半径为2。关于结构元素SE和迭代次数A的计算公式中的参数(譬如0.5,50,2等)为较佳实施例,采用这几个数字参数便可很好地解决植物叶片的去噪问题,此处为较佳应用实施例中参数所采用的数字。当然在实际应用时,可根据实际情况微调,当然也在本发明的保护范围之内。
关于膨胀运算中的结构元素,植物叶片形态全自动分析中处理的是二值图,所构建的结构元素便是由0和1组成的二值的结构元素。膨胀的结果就是把结构元素矩阵平移后让结构元素的值与原始图片上提取的与结构元素矩阵等列等行的矩阵进行交集运算。所以说,结构元素是膨胀运算的基础,其设定的行列数大小和非空值点格局对运算结果影响很大。由于植物叶片边缘多有细齿,采用小半径的圆形结构元素可以很好的控制膨胀运算所带来的误差。膨胀运算中结构元素SE的矩阵结构如表1所示。
0 | 0 | 1 | 0 | 0 |
0 | 1 | 1 | 1 | 0 |
1 | 1 | 1 | 1 | 1 |
0 | 1 | 1 | 1 | 0 |
0 | 0 | 1 | 0 | 0 |
表1
在本发明提供的植物叶片的二值图像生成方法应用实施例中,对实际的植物叶片对应的第四二值图像进行膨胀运算,也就是通过上述步骤S600得到的待分析二值图像如图6所示,图6为本发明提供的植物叶片的二值图像生成方法应用实施例中待分析二值图像示意图。
请一并参阅图5和图6,可以发现膨胀操作会使物体的边界向外扩张,如果物体内部存在小空洞的话,经过膨胀操作这些洞将被补上,因而不再是边界了,若再进行腐蚀操作时,外部边界将变回原来的样子,而这些内部空洞则永远消失了;并且前期的去噪点的过程会对植物叶片斑块的边缘造成一点的腐蚀,为了保证计算的精度,适度的膨胀运算可以使得叶片斑块的边缘更加平滑,斑块内无白色噪点,进一步提高了去噪效果。最后得到的二值图像如图6所示。这样,得到的待分析二值图像便可用于植物叶片形态全自动分析,经过多种测试发现其不仅计算简单,而且去噪效果可完全满足各个分辨率下的植物叶片形态全自动分析中二值图的去噪需要。
以下以一应用实施例对本发明说明如下。在实际应用时,基于MATLAB分析软件,对植物叶片扫描图去噪的经典算法及本发明的动态参数的运用进行详细说明,并请一并参阅图2~图6,图2~图6为应用实施例中各个步骤对应得到的二值图像。首先,确定待分析的叶片扫描图,文件名为IMG.jpg,在MATLAB中的运算式为:
Img=imread(‘IMG.jpg’); %读取原始图片的数据;
Width=Width;%读取原始图片的宽度;
Height=Height;%读取原始图片的高度;
XResolution=XResolution;%读取原始图片的数据;
YResolution=YResolution;%读取原始图片的数据。
根据本发明计算参数M、N、P、SE、A,在MATLAB中的运算式为:
M=2*ceil(XResolution^0.8/50);% 自适应滤波运算中相邻大小为【M列N行】的结构元素矩阵
N=2*ceil(YResolution^0.8/50);% 自适应滤波运算的参数相邻大小为【M列N行】的结构元素矩阵
P=ceil(Width*Height/1000);% 删除最小面积运算的参数最小像素P;
SE=strel('disk',2);% 膨胀运算的参数结构元素;
A=ceil(((Width^0.5*Height^0.5)/50)) ;%膨胀运算的参数迭代次数A。
带入经典去噪算法,在MATLAB中的运算式为:
a0=im2double(Img);%将原始图片的数据转化为双精度数据类型;
a=graythresh(a0);%确定全局阈值;
c=im2bw(img,a);%根据全局阈值二值化图像;
k=medfilt2(c);%中值滤波运算;
k=wiener2(k,[M,N]);%自适应滤波运算;
d=bwareaopen(k,P);%保留面积大于P的斑块;
e=imdilate(d,SE,A);%膨胀运算,得到可用图像e。
处理后图像e,也就是上文所述的待分析二值图像可完全满足不同分辨率植物叶片图像全自动分析的计算需要。
本发明为实现不同扫描像素的植物叶片黑白二值图的完美去噪处理,就图像运算中自适应滤波、删除最小面积和膨胀运算的参数的确定提出一套基于扫描分辨率的计算公式,得到的用于植物叶片形态全自动分析的待分析二值图像,经过多种测试发现其不仅计算简单,而且去噪效果可完全满足各个分辨率下的植物叶片形态全自动分析中二值图的去噪需要。基于扫描图片的水平分辨率和垂直分辨率,实现了自适应滤波、删除最小面积和膨胀运算中参数设定的动态设定,可完美的解决各个分辨率分秒图的去噪工作。
基于上述的植物叶片的二值图像生成方法,本发明还提供了一种植物叶片的二值图像生成系统,如图7所示,所述系统包括:
图片获取模块10,用于获取植物叶片的扫描图,读取所述扫描图对应的图片数据,所述图片数据包括扫描图的宽度、高度、水平分辨率及垂直分辨率;具体如步骤S100所述;
二值化模块20,用于确定所述扫描图的全局阈值,根据所述全局阈值二值化所述扫描图,得到对应的第一二值图像;具体如步骤S200所述;
中值滤波模块30,用于对所述第一二值图像进行中值滤波处理,得到对应的第二二值图像;具体如步骤S300所述;
自适应滤波模块40,用于根据所述水平分辨率和垂直分辨率对所述第二二值图像进行自适应滤波处理,得到对应的第三二值图像;具体如步骤S400所述;
面积阈值处理模块50,用于根据所述宽度和高度确定噪点面积阈值,根据所述噪点面积阈值对所述第三二值图像进行去噪处理,得到对应的第四二值图像;具体如步骤S500所述;
膨胀运算模块60,用于根据所述宽度和高度对所述第四二值图像进行膨胀运算处理,得到对应的用于植物叶片形态全自动分析的待分析二值图像;具体如步骤S600所述。
进一步地,所述二值化模块20包括:
数据类型转换单元,用于将所述扫描图转换为对应的双精度数据类型的图像数据;
全局阈值获取单元,用于采用最大类间方差法对所述图像数据进行处理,找到对应的全局阈值;
灰度处理单元,用于将所述图像数据转化为对应的灰度图像数据;
二值化单元,用于根据所述全局阈值二值化所述灰度图像数据,得到对应的第一二值图像。
进一步地,所述自适应滤波模块40包括:
第一结构元素矩阵生成单元,用于根据所述水平分辨率和垂直分辨率确定自适应滤波运算中相邻的第一结构元素矩阵,其中,所述第一结构元素矩阵为M列N行,M=2*ceil(XResolution^0.8/50);N=2*ceil(YResolution^0.8/50);其中,M为水平宽度,N为垂直宽度,ceil为取整计算,XResolution为叶片扫描图的水平分辨率,YResolution为叶片扫描图的垂直分辨率;
自适应滤波运算单元,用于根据所述第一结构元素矩阵对所述第二二值图像进行自适应滤波运算处理,得到对应的第三二值图像。
进一步地,所述面积阈值处理模块50包括:
面积阈值计算单元,用于根据所述宽度和高度确定噪点面积阈值,所述噪点面积阈值P的计算公式为:P=ceil(Width*Height/1000);其中,P为噪点面积阈值,ceil为取整计算,Width为扫描图的宽度,Height为扫描图的高度;
面积阈值处理单元,用于根据所述噪点面积阈值对所述第三二值图像进行去噪处理,保留所述第三二值图像中面积大于所述噪点面积阈值的斑块,得到对应的第四二值图像。
进一步地,所述膨胀运算模块60包括:
第二结构元素矩阵生成单元,用于根据所述宽度和高度确定膨胀运算处理的第二结构元素矩阵SE和迭代次数A,其中,SE=strel('disk',2);A=ceil(((Width^0.5*Height^0.5)/50));SE为膨胀运算的第二结构元素矩阵,A为迭代次数,strel为结构元素构造函数,ceil为取整计算函数,Width为扫描图的宽度,Height为扫描图的高度,disk表示构建结构元素的形状为圆形;
膨胀运算单元,用于根据所述第二结构元素矩阵对所述第四二值图像进行膨胀运算处理,得到对应的用于植物叶片形态全自动分析的待分析二值图像。
综上所述,本发明提供的一种植物叶片的二值图像生成方法及系统,通过获取植物叶片的扫描图,读取所述扫描图对应的图片数据,所述图片数据包括扫描图的宽度、高度、水平分辨率及垂直分辨率;确定所述扫描图的全局阈值,根据所述全局阈值二值化所述扫描图,得到对应的第一二值图像;对所述第一二值图像进行中值滤波处理,得到对应的第二二值图像;根据所述水平分辨率和垂直分辨率对所述第二二值图像进行自适应滤波处理,得到对应的第三二值图像;根据所述宽度和高度确定噪点面积阈值,根据所述噪点面积阈值对所述第三二值图像进行去噪处理,得到对应的第四二值图像;根据所述宽度和高度对所述第四二值图像进行膨胀运算处理,得到对应的用于植物叶片形态全自动分析的待分析二值图像,不仅计算简单,而且待分析二值图像的去噪效果可完全满足各个分辨率下的植物叶片形态全自动分析中二值图的去噪需要,带来了大大的方便,其实现方法简单,通过软件实现,成本较低。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种植物叶片的二值图像生成方法,其特征在于,包括:
S1、获取植物叶片的扫描图,读取所述扫描图对应的图片数据,所述图片数据包括扫描图的宽度、高度、水平分辨率及垂直分辨率;
S2、确定所述扫描图的全局阈值,根据所述全局阈值二值化所述扫描图,得到对应的第一二值图像;
S3、对所述第一二值图像进行中值滤波处理,得到对应的第二二值图像;
S4、根据所述水平分辨率和垂直分辨率对所述第二二值图像进行自适应滤波处理,得到对应的第三二值图像;
S5、根据所述宽度和高度确定噪点面积阈值,根据所述噪点面积阈值对所述第三二值图像进行去噪处理,得到对应的第四二值图像;
S6、根据所述宽度和高度对所述第四二值图像进行膨胀运算处理,得到对应的用于植物叶片形态全自动分析的待分析二值图像。
2.根据权利要求1所述的植物叶片的二值图像生成方法,其特征在于,所述步骤S2具体包括:
S21、将所述扫描图转换为对应的双精度数据类型的图像数据;
S22、采用最大类间方差法对所述图像数据进行处理,找到对应的全局阈值;
S23、将所述图像数据转化为对应的灰度图像数据;
S24、根据所述全局阈值二值化所述灰度图像数据,得到对应的第一二值图像。
3.根据权利要求1所述的植物叶片的二值图像生成方法,其特征在于,所述步骤S4具体包括:
S41、根据所述水平分辨率和垂直分辨率确定自适应滤波运算中相邻的第一结构元素矩阵,其中,所述第一结构元素矩阵为M列N行,M=2*ceil(XResolution^0.8/50);N=2*ceil(YResolution^0.8/50);其中,M为水平宽度,N为垂直宽度,ceil为取整计算,XResolution为叶片扫描图的水平分辨率,YResolution为叶片扫描图的垂直分辨率;
S42、根据所述第一结构元素矩阵对所述第二二值图像进行自适应滤波运算处理,得到对应的第三二值图像。
4.根据权利要求1所述的植物叶片的二值图像生成方法,其特征在于,所述步骤S5具体包括:
S51、根据所述宽度和高度确定噪点面积阈值,所述噪点面积阈值P的计算公式为:P=ceil(Width*Height/1000);其中,P为噪点面积阈值,ceil为取整计算,Width为扫描图的宽度,Height为扫描图的高度;
S52、根据所述噪点面积阈值对所述第三二值图像进行去噪处理,保留所述第三二值图像中面积大于所述噪点面积阈值的斑块,得到对应的第四二值图像。
5.根据权利要求1所述的植物叶片的二值图像生成方法,其特征在于,所述步骤S6具体包括:
S61、根据所述宽度和高度确定膨胀运算处理的第二结构元素矩阵SE和迭代次数A,其中,SE=strel('disk',2);A=ceil(((Width^0.5*Height^0.5)/50));SE为膨胀运算的第二结构元素矩阵,A为迭代次数,strel为结构元素构造函数,ceil为取整计算函数,Width为扫描图的宽度,Height为扫描图的高度,disk表示构建结构元素的形状为圆形;
S62、根据所述第二结构元素矩阵对所述第四二值图像进行膨胀运算处理,得到对应的用于植物叶片形态全自动分析的待分析二值图像。
6.一种植物叶片的二值图像生成系统,其特征在于,包括:
图片获取模块,用于获取植物叶片的扫描图,读取所述扫描图对应的图片数据,所述图片数据包括扫描图的宽度、高度、水平分辨率及垂直分辨率;
二值化模块,用于确定所述扫描图的全局阈值,根据所述全局阈值二值化所述扫描图,得到对应的第一二值图像;
中值滤波模块,用于对所述第一二值图像进行中值滤波处理,得到对应的第二二值图像;
自适应滤波模块,用于根据所述水平分辨率和垂直分辨率对所述第二二值图像进行自适应滤波处理,得到对应的第三二值图像;
面积阈值处理模块,用于根据所述宽度和高度确定噪点面积阈值,根据所述噪点面积阈值对所述第三二值图像进行去噪处理,得到对应的第四二值图像;
膨胀运算模块,用于根据所述宽度和高度对所述第四二值图像进行膨胀运算处理,得到对应的用于植物叶片形态全自动分析的待分析二值图像。
7.根据权利要求6所述的植物叶片的二值图像生成系统,其特征在于,所述二值化模块包括:
数据类型转换单元,用于将所述扫描图转换为对应的双精度数据类型的图像数据;
全局阈值获取单元,用于采用最大类间方差法对所述图像数据进行处理,找到对应的全局阈值;
灰度处理单元,用于将所述图像数据转化为对应的灰度图像数据;
二值化单元,用于根据所述全局阈值二值化所述灰度图像数据,得到对应的第一二值图像。
8.根据权利要求6所述的植物叶片的二值图像生成系统,其特征在于,所述自适应滤波模块包括:
第一结构元素矩阵生成单元,用于根据所述水平分辨率和垂直分辨率确定自适应滤波运算中相邻的第一结构元素矩阵,其中,所述第一结构元素矩阵为M列N行,M=2*ceil(XResolution^0.8/50);N=2*ceil(YResolution^0.8/50);其中,M为水平宽度,N为垂直宽度,ceil为取整计算,XResolution为叶片扫描图的水平分辨率,YResolution为叶片扫描图的垂直分辨率;
自适应滤波运算单元,用于根据所述第一结构元素矩阵对所述第二二值图像进行自适应滤波运算处理,得到对应的第三二值图像。
9.根据权利要求6所述的植物叶片的二值图像生成系统,其特征在于,所述面积阈值处理模块包括:
面积阈值计算单元,用于根据所述宽度和高度确定噪点面积阈值,所述噪点面积阈值P的计算公式为:P=ceil(Width*Height/1000);其中,P为噪点面积阈值,ceil为取整计算,Width为扫描图的宽度,Height为扫描图的高度;
面积阈值处理单元,用于根据所述噪点面积阈值对所述第三二值图像进行去噪处理,保留所述第三二值图像中面积大于所述噪点面积阈值的斑块,得到对应的第四二值图像。
10.根据权利要求6所述的植物叶片的二值图像生成系统,其特征在于,所述膨胀运算模块包括:
第二结构元素矩阵生成单元,用于根据所述宽度和高度确定膨胀运算处理的第二结构元素矩阵SE和迭代次数A,其中,SE=strel('disk',2);A=ceil(((Width^0.5*Height^0.5)/50));SE为膨胀运算的第二结构元素矩阵,A为迭代次数,strel为结构元素构造函数,ceil为取整计算函数,Width为扫描图的宽度,Height为扫描图的高度,disk表示构建结构元素的形状为圆形;
膨胀运算单元,用于根据所述第二结构元素矩阵对所述第四二值图像进行膨胀运算处理,得到对应的用于植物叶片形态全自动分析的待分析二值图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610328844.8A CN106023105B (zh) | 2016-05-18 | 2016-05-18 | 一种植物叶片的二值图像生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610328844.8A CN106023105B (zh) | 2016-05-18 | 2016-05-18 | 一种植物叶片的二值图像生成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106023105A true CN106023105A (zh) | 2016-10-12 |
CN106023105B CN106023105B (zh) | 2020-08-04 |
Family
ID=57098394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610328844.8A Active CN106023105B (zh) | 2016-05-18 | 2016-05-18 | 一种植物叶片的二值图像生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106023105B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573267B (zh) * | 2017-03-13 | 2020-10-27 | 杭州筹图科技有限公司 | 一种肝脏组织结构分类的方法及装置 |
CN114666523A (zh) * | 2022-03-30 | 2022-06-24 | 湖南格为科技有限公司 | 一种可自动适应人眼亮度节能液晶电视 |
CN114688997A (zh) * | 2022-03-29 | 2022-07-01 | 华南农业大学 | 基于rls自适应滤波算法的叶片面积自动检测装置及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103148837A (zh) * | 2012-11-16 | 2013-06-12 | Tcl集团股份有限公司 | 一种车距测量方法、装置及汽车 |
WO2014018865A2 (en) * | 2012-07-26 | 2014-01-30 | General Electric Company | Systems and methods for performing segmentation and visualization of multivariate medical images |
CN104008401A (zh) * | 2014-05-07 | 2014-08-27 | 中国科学院信息工程研究所 | 一种图像文字识别的方法及装置 |
-
2016
- 2016-05-18 CN CN201610328844.8A patent/CN106023105B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014018865A2 (en) * | 2012-07-26 | 2014-01-30 | General Electric Company | Systems and methods for performing segmentation and visualization of multivariate medical images |
CN103148837A (zh) * | 2012-11-16 | 2013-06-12 | Tcl集团股份有限公司 | 一种车距测量方法、装置及汽车 |
CN104008401A (zh) * | 2014-05-07 | 2014-08-27 | 中国科学院信息工程研究所 | 一种图像文字识别的方法及装置 |
Non-Patent Citations (3)
Title |
---|
于国英: "农业AGV视觉导航参数提取与轨迹控制的研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
李旺: "基于图像处理的黄瓜叶部病害识别研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
邵明: "基于计算机视觉的龙井茶叶嫩芽识别方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573267B (zh) * | 2017-03-13 | 2020-10-27 | 杭州筹图科技有限公司 | 一种肝脏组织结构分类的方法及装置 |
CN114688997A (zh) * | 2022-03-29 | 2022-07-01 | 华南农业大学 | 基于rls自适应滤波算法的叶片面积自动检测装置及方法 |
CN114688997B (zh) * | 2022-03-29 | 2023-03-14 | 华南农业大学 | 基于rls自适应滤波算法的叶片面积自动检测装置及方法 |
CN114666523A (zh) * | 2022-03-30 | 2022-06-24 | 湖南格为科技有限公司 | 一种可自动适应人眼亮度节能液晶电视 |
CN114666523B (zh) * | 2022-03-30 | 2023-10-27 | 湖南格为科技有限公司 | 一种可自动适应人眼亮度节能液晶电视 |
Also Published As
Publication number | Publication date |
---|---|
CN106023105B (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102782706B (zh) | 经历光学字符识别的文本图像的文本增强 | |
CN100464347C (zh) | 一种工程cad图纸的矢量化图形识别方法 | |
CN108805023A (zh) | 一种图像检测方法、装置、计算机设备及存储介质 | |
CN110705583A (zh) | 细胞检测模型训练方法、装置、计算机设备及存储介质 | |
CN110533601B (zh) | 一种激光光斑中心位置及轮廓获取方法 | |
CN110544300B (zh) | 一种基于二维手绘图像特征自动生成三维模型的方法 | |
CN112991536B (zh) | 一种专题地图地理面要素自动提取和矢量化方法 | |
CN106023105A (zh) | 一种植物叶片的二值图像生成方法及系统 | |
JP2013105245A (ja) | 画像処理方法、装置及びプログラム | |
CN114863020A (zh) | 三维模型构建方法、装置、电子设备及存储介质 | |
CN110889374A (zh) | 印章图像处理方法、装置、计算机及存储介质 | |
US5982940A (en) | Image data processing device and method of processing image data | |
CN109741273A (zh) | 一种手机拍照低质图像的自动处理与评分方法 | |
CN106651816B (zh) | 数字图像的半色调处理方法和系统 | |
CN113538498B (zh) | 一种基于局部二值化的印章图像分割方法、电子设备和可读存储介质 | |
CN108596840B (zh) | 一种用于深度学习评定血管网络发育水平的数据集增强方法 | |
CN111179289B (zh) | 一种适用于网页长图宽图的图像分割方法 | |
CN113505622A (zh) | 一种自动识别多条码与led灯的测试系统及方法 | |
CN106651819A (zh) | 一种图像处理方法及装置 | |
CN112991359A (zh) | 一种路面区域提取方法、系统、电子设备及存储介质 | |
CN104463792A (zh) | 一种用于去除二值化图像中噪点的方法及其装置 | |
CN110930358A (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
CN110070103A (zh) | 身份证识别的方法及终端设备 | |
CN112052859B (zh) | 一种自由场景下的车牌精准定位方法及装置 | |
CN115393884A (zh) | 一种海图专题信息的提取处理方法、装置及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |