CN106023231A - 一种高分辨率影像牛羊自动检测方法 - Google Patents
一种高分辨率影像牛羊自动检测方法 Download PDFInfo
- Publication number
- CN106023231A CN106023231A CN201610395837.XA CN201610395837A CN106023231A CN 106023231 A CN106023231 A CN 106023231A CN 201610395837 A CN201610395837 A CN 201610395837A CN 106023231 A CN106023231 A CN 106023231A
- Authority
- CN
- China
- Prior art keywords
- sheep
- cattle
- high resolution
- area
- size
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种高分辨率影像牛羊自动检测方法,包括牛羊圈出、牛羊标记、统计牛羊个数和统计牛羊面积等环节。牛羊圈出:使用高分影像的梯度信息数据,采取水平集的算法思想动态圈出牛羊。牛羊标记:找出牛羊区域的中心实现标记。统计牛羊个数:运用广度优先遍历,找出牛羊的连通域,根据连通域的大小,确定该连通域中的牛羊个数。统计牛羊面积:算出连通域的像素大小,然后得出牛羊的面积。本发明可批量处理影像数据,实现一键式统计出整个文件夹中的牛羊情况。
Description
技术领域
本发明涉及遥感领域、计算机视觉领域、生态畜牧领域,特别提供了一种高分辨率影像牛羊自动检测方法,统计和圈出牛羊。
背景技术
牛羊统计一直都是生态畜牧业迫切需要解决的重要问题。传统的牛羊统计方法主要是通过逐户统计,逐级上报的方法,但是所带来的工作量十分巨大,而且不能得出牛羊的实时数据。尽管有一些软件可以统计野生动物,但是这些软件限制过多,自动化程度不高,而且不能实现把野生动物给自动圈出,而且当影像中有另外的野生动物时,会给结果带来非常大的影响。
发明内容
本发明要解决的技术问题:克服现有技术的不足,提供一种基于影像数据的牛羊自动检测方法。该方法包括牛羊圈出、牛羊标记、统计牛羊个数和统计牛羊面积等步骤,在统计牛羊数目时,采用了广度优先遍历的算法思想,因此统计结果更为精确,得出结果的速度更快。该方法还采用了水平集的算法思想,实现了牛羊的快速圈出检测功能。
本发明采用的技术方案:一种高分辨率影像牛羊自动检测方法,分为单幅高分辨率影像的牛羊自动检测和多幅高分辨率影像的牛羊自动检测,其中:
单幅高分辨率影像的牛羊自动检测步骤如下:
第一步,通过高分辨率影像的颜色信息,进行二值化处理,得到去除草地的二值化图像;
第二步,根据第一步得到的结果,进行形态学腐蚀处理,得到去除部分错误牛羊信息的图像;
第三步,根据第二步得到的结果,使用梯度信息,自动圈出图像中的牛羊;
第四步,根据第二步得到的结果,利用梯度信息,找出梯度中心,自动标记牛羊;
第五步,根据第二步得到的结果,进行遍历处理,得到牛羊的连通域;
第六步,根据第五步得到的结果,通过比较每个连通域的大小,自动统计出牛羊的个数;
第七步,根据第六步得到的结果,计算出每个牛羊的像素大小,自动统计出牛羊的面积;
多幅高分辨率影像的牛羊自动检测步骤如下:
第八步,基于单幅高分辨率影像的牛羊自动检测,将多幅高分辨率影像的输入序列分成多分,进行自动检测,输出单幅高分辨率影像的牛羊圈出,标记和牛羊总数的图像,并得到多幅高分辨率影像的单个牛羊的面积和牛羊总数。
所述步骤三中采用水平集的算法思想动态自动圈出牛羊的过程如下:
(1)设定水平集函数的初态;
(2)确定动力F的形式;
(3)按基本方程推演水平集函数的各状态;
(4)对于每一水平集函数的状态求解零水平集。
所述第五步中运用广度优先进行遍历处理,得到牛羊的连通域,具体过程如下:
(1)从所述第二步中得到去除部分错误牛羊信息的图像中的某个顶点V0出发,并访问此顶点;
(2)从V0出发,访问V0的各个未曾访问的邻接点W1,W2,…,Wk;然后,依次从W1,W2,…,Wk出发访问各自未被访问的邻接点;
(3)重复步骤2,直到全部顶点都被访问为止;
(4)通过比较连通域的大小,当连通区域的大小小于平均连通域的大小的(1.45~1.55)倍时,这时只算一只牛羊;当连通区域的大小大于平均连通区域的大小的(1.45~1.55)倍且小于平均连通区域的大小的(2.45~2.55)倍时,这时算两只牛羊,这时算出的牛羊面积取了两只的平均值,当连通区域的大小大于平均连通区域的大小的(2.45~2.55)倍且小于平均连通区域的大小的(3.45~3.55)倍时,这时算三只牛羊,这时算出的牛羊面积取了三只的平均值,当连通区域的大小大于平均连通区域的大小的(3.45~3.55)倍,这时默认为不属于牛羊,属于其他杂物,删除改连通区域,不计入牛羊的总个数中;
(5)重复步骤(4),直至全部连通域都被访问为止,最终得到了单幅高分辨率影像的牛羊总数。
所述第七步中计算出每个牛羊的像素大小,自动统计出牛羊的面积的过程如下:
(1)在统计牛羊面积时,首先,当连通区域中只含有一个牛羊时候,直接统计出该牛羊的面积,当连通区域中含有两个牛羊的时候,直接把该连通区域分为两分,分别代表这两只牛羊的面积,当连通区域中含有三个牛羊的时候,直接把该连通区域分为三分,分别代表这三只牛羊的面积。
(2)重复步骤(1),直至全部连通域都被访问为止,得到了牛羊区域的面积,最后再乘以像素面积转化成实际的面积的系数(0.00070-0.00080)(不同类型的高分辨率影像数据有不同的系数),就可得出实际的牛羊汇总面积表。
本发明与现有技术相比的优点在于:
(1)本发明所提出的方法在统计牛羊的处理过程中,能精确的统计出牛羊的数目和面积。
(2)本发明所提出的方法相较于传统的统计野生动物的方法中,添加了水平集的思想,实现了牛羊的圈出功能。
附图说明
图1为牛羊影像数据;
图2为牛羊自动检测过程;
图3为牛羊统计结果;
图4为批量化程序;
图5为批量化结果;
图6为本发明流程图。
具体实施方式
如图6所示,本发明一种高分辨率影像牛羊自动检测方法,分为单幅高分辨率影像的牛羊自动检测和多幅高分辨率影像的牛羊自动检测。
其中单幅高分辨率影像的牛羊自动检测步骤如下:
1、加载数据
选择加载的图像格式为tif、bmp、jpg、gif等格式的图像,加载在界面中。出现的结果,如图1所示。
2、图像裁剪
若图像的数据量比较大,或者牛羊只在图像的某一部分,这时如果对整幅图像进行运算的话,所需时间较多,而且得到的结果精度也不高。这时就可以进行图像裁剪,选取自己需要运行的那块图像在图像中用矩形圈出,结果会自动加载在界面之中。如图2所示中未运行之前的图。
3、去除草地
通过高分辨率影像的颜色信息,进行二值化处理,得到去除草地的二值化图像;用颜色RGB实现与草地和其他地物之间的区分,然后二值化图像,白色的为牛羊,黑色的为非牛羊。在区分牛羊与非牛羊时,根据牛羊的RGB值与草地等其他地物有非常大的差距,从而区分出牛羊与非牛羊,再根据一些人工判读,去除一些非常明显的错误结果,从而得出结果。
4、形态学腐蚀
根据第3步得到的结果,进行形态学腐蚀处理,得到去除部分错误牛羊信息的图像;用形态学腐蚀去除掉一些混入牛羊之间的一些其他非牛羊地物的微小成分。
5、求取梯度信息
根据第4步得到的结果,求取图像的梯度信息,为之后的圈出牛羊做好准备。
6、圈出牛羊
利用水平集,给定确定的迭代次数,自动圈出牛羊。如图2所示。
在圈出牛羊时,采取了水平集图像分割思想。
①水平集图像处理的核心思想:
水平集图像处理的核心思想是把n维描述视为高一维(n+1)维的水平集,或者说是把n维描述视为有n维变量的水平集函数f的水平集。这样一来就把求解n维描述的演化过程转化为求解关于有n维变量的水平集函数f的演化所导致的水平集的演化过程。其要害是通过这种转化,引入了变中的相对不变:水平集函数f的水平C不变。把这种变中的相对不变叫做泛对称。引入了泛对称,就引入了规律,而引入了规律就能推演出水平集在此规律下依各种具体条件而演化的具体演化方程。也即是说,引进了泛对称这一规律,就有了从一般到特殊的演绎过程的出发点和依据。这种思想方法的实质是以关系来决定对象。
②水平集图像处理的基本方程;
③考虑零水平集C(t)所对应的水平集函数则有:
其中动力F为速度函数,为法向速率,N为单位法向方向;
对方程(4-1)中的(2)式对时间t求偏导数,得:
即化简为
其中是的梯度是个向量,
也是个向量,
这与(1)式是一致的,又因
这与水平集函数定义有关,即沿曲线C的方向变化量为零,只沿其法线方向变化,把(4-5)式带入(1)式中,再接着把(1)式带入(4-2)式中:
即可得
这就是水平集函数的演化函数;
基本方程式式(4-6)是水平集函数及相应的水平集在法向力F的推动下的演化方程。
④水平集算法
第一步:设定水平集函数的初态;
第二步:确定动力F的形式;
第三步:按基本方程推演水平集函数的各状态;
第四步:对于每一水平集函数的状态求解零水平集。
7、牛羊标记
根据5第步得到的结果,找出含有牛羊的梯度图像的中心,然后用五角星和文字给自动标记出牛羊,如图3所示。
8、统计牛羊
根据第4步得到的结果,进行遍历处理,得到牛羊的连通域;利用广度优先遍历图像求取图像中牛羊的个数,并统计牛羊的像素,最后再乘以像素面积转化成实际的面积的系数0.00075,就可得出实际的牛羊面积,自动算出每个牛羊的面积,然后输出到txt文件之中,并显示出来。如图3所示。
在统计牛羊数目时,运用了广度优先遍历的算法思想。
广度优先遍历的算法思想:
步骤一:从步骤4中所得的结果图中某个顶点V0出发,并访问此顶点;
步骤二:从V0出发,访问V0的各个未曾访问的邻接点W1,W2,…,Wk;然后,依次从W1,W2,…,Wk出发访问各自未被访问的邻接点;
步骤三:重复步骤2,直到全部顶点都被访问为止。
在这里,采取的方法是首先一行一行的读取图像数据,当遇到牛羊的某部分时,就使用广度优先遍历思想,上右下左,直至把牛羊的整个部分变成一个连通区域。但是,还有一些特殊的情况,这里主要有8种情况:①当遇到第一行的第一个元素是,只能遍历右下;②当遇到第一行的第二个元素至倒数第二个元素时,只能遍历右下左;③当遇到第一行的最后一个元素时,只能遍历下左;④当遍历最后一列的第二个元素至倒数第二个元素时,只能遍历上下左;⑤当遇到第一列的最后一个元素时,只能遍历上左;⑥当遇到最后一行的第二个元素至倒数第二个元素时,只能遍历上右左;⑦当遇到最后一行的第一个元素时,只能遍历上右;⑧当遇到第一列的第二个元素至倒数第二个元素时,只能遍历上右下。
在统计牛羊面积时,首先,是算出全部连通区域的平均像素数目,当连通区域的像素数目小于平均像素数目的1.5倍时,这时只算一只牛羊,并利用像素算出牛羊的面积;当连通区域的像素数目大于平均像素数目的1.5倍且小于平均数目的2.5倍时,这时算两只牛羊,这时算出的牛羊面积取了两只的平均值;当连通区域的大小大于平均连通区域的大小的2.5倍且小于平均连通区域的大小的3.5倍时,这时算三只牛羊,这时算出的牛羊面积取了三只的平均值;当连通区域的大小大于平均连通区域的大小的3.5倍,这时默认为不属于牛羊,属于其他杂物,删除改连通区域,不计入牛羊的总个数中。
多幅高分辨率影像的牛羊自动检测步骤如下:
9、批量化程序
基于单幅高分辨率影像的牛羊自动检测,将多幅高分辨率影像的输入序列分成多分,进行自动检测,输出单幅高分辨率影像的牛羊圈出,标记和牛羊总数的图像,并得到多幅高分辨率影像的单个牛羊的面积和牛羊总数。选择需要统计牛羊图像所在的文件夹,显示路径在界面上,如图4所示,运行程序,自动统计文件夹中的所有图像,生成一个txt文件和圈出以及标记牛羊的影像数据。所得结果为如图5所示。
Claims (4)
1.一种高分辨率影像牛羊自动检测方法,其特征在于:分为单幅高分辨率影像的牛羊自动检测和多幅高分辨率影像的牛羊自动检测,其中:
单幅高分辨率影像的牛羊自动检测步骤如下:
第一步,通过高分辨率影像的颜色信息,进行二值化处理,得到去除草地的二值化图像;
第二步,根据第一步得到的结果,进行形态学腐蚀处理,得到去除部分错误牛羊信息的图像;
第三步,根据第二步得到的结果,使用梯度信息,运用水平集,自动圈出图像中的牛羊;
第四步,根据第二步得到的结果,利用梯度信息,找出梯度中心,自动标记牛羊;
第五步,根据第二步得到的结果,进行广度优先遍历处理,得到牛羊的连通域;
第六步,根据第五步得到的结果,通过比较每个连通域的大小,自动统计出牛羊的个数;
第七步,根据第六步得到的结果,计算出每个牛羊的像素大小,自动统计出牛羊的面积;
多幅高分辨率影像的牛羊自动检测步骤如下:
第八步,基于单幅高分辨率影像的牛羊自动检测,将多幅高分辨率影像的输入序列分成多分,进行自动检测,输出单幅高分辨率影像的牛羊圈出,标记和牛羊总数的图像,并得到多幅高分辨率影像的单个牛羊的面积和牛羊总数。
2.根据权利要求1所述的一种高分辨率影像牛羊自动检测方法,其特征在于:所述步骤三中采用水平集的算法思想动态自动圈出牛羊的过程如下:
(1)设定水平集函数的初态;
(2)确定动力F的形式;
(3)按基本方程推演水平集函数的各状态;
(4)对于每一水平集函数的状态求解零水平集。
3.根据权利要求1所述的一种高分辨率影像牛羊自动检测方法,其特征在于:所述步骤五中运用广度优先遍历,找出牛羊的连通域,根据连通域的大小,自动确定该连通域中的牛羊个数的过程如下:
(1)从所述第二步中得到去除部分错误牛羊信息的图像中的某个顶点V0出发,并访问此顶点;
(2)从V0出发,访问V0的各个未曾访问的邻接点W1,W2,…,Wk;然后,依次从W1,W2,…,Wk出发访问各自未被访问的邻接点;
(3)重复步骤2,直到全部顶点都被访问为止;
(4)通过比较连通域的大小,当连通区域的大小小于平均连通域的大小的(1.45~1.55)倍时,这时只算一只牛羊;当连通区域的大小大于平均连通区域的大小的(1.45~1.55)倍且小于平均连通区域的大小的(2.45~2.55)倍时,这时算两只牛羊,这时算出的牛羊面积取了两只的平均值,当连通区域的大小大于平均连通区域的大小的(2.45~2.55)倍且小于平均连通区域的大小的(3.45~3.55)倍时,这时算三只牛羊,这时算出的牛羊面积取了三只的平均值,当连通区域的大小大于平均连通区域的大小的(3.45~3.55)倍,这时默认为不属于牛羊,属于其他杂物,删除改连通区域,不计入牛羊的总个数中;
(5)重复步骤(4),直至全部连通域都被访问为止,最终得到了单幅高分辨率影像的牛羊总数。
4.根据权利要求1所述的一种高分辨率影像牛羊自动检测方法,其特征在于:所述步骤七中计算出每个牛羊的像素,然后自动得出牛羊的面积过程如下:
(1)在统计牛羊面积时,首先,当连通区域中只含有一个牛羊时候,直接统计出该牛羊的面积,当连通区域中含有两个牛羊的时候,直接把该连通区域分为两分,分别代表这两只牛羊的面积,当连通区域中含有三个牛羊的时候,直接把该连通区域分为三分,分别代表这三只牛羊的面积;
(2)重复步骤(1),直至全部连通域都被访问为止,得到了牛羊区域的像素面积,最后再乘以像素面积转化成实际的面积的系数(0.00070-0.00080),就可得出实际的牛羊汇总面积表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610395837.XA CN106023231A (zh) | 2016-06-07 | 2016-06-07 | 一种高分辨率影像牛羊自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610395837.XA CN106023231A (zh) | 2016-06-07 | 2016-06-07 | 一种高分辨率影像牛羊自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106023231A true CN106023231A (zh) | 2016-10-12 |
Family
ID=57089661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610395837.XA Pending CN106023231A (zh) | 2016-06-07 | 2016-06-07 | 一种高分辨率影像牛羊自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106023231A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330403A (zh) * | 2017-06-30 | 2017-11-07 | 四川省草原科学研究院 | 一种基于视频数据的牦牛计数方法 |
CN110111321A (zh) * | 2019-05-10 | 2019-08-09 | 四川大学 | 一种非接触式多尺度裂纹识别方法 |
WO2020030052A1 (zh) * | 2018-08-10 | 2020-02-13 | 京东数字科技控股有限公司 | 一种动物数量识别方法、装置、介质及电子设备 |
CN111582778A (zh) * | 2020-04-17 | 2020-08-25 | 上海中通吉网络技术有限公司 | 操作场地货物堆积度量方法、装置、设备及存储介质 |
CN113222452A (zh) * | 2021-05-28 | 2021-08-06 | 中国农业科学院草原研究所 | 一种基于北斗导航的天然草地质量评价方法、系统及存储介质 |
CN114359969A (zh) * | 2022-01-12 | 2022-04-15 | 内蒙古农业大学 | 一种羊脸图像采集装置及图像识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080030497A1 (en) * | 2005-12-08 | 2008-02-07 | Yangqiu Hu | Three dimensional modeling of objects |
CN101976335A (zh) * | 2010-09-03 | 2011-02-16 | 浙江大学 | 基于改进c-v模型的遥感图路网提取方法 |
CN102542556A (zh) * | 2010-12-30 | 2012-07-04 | 汕头大学 | 超声图像乳腺肿瘤自动提取方法 |
CN103077398A (zh) * | 2013-01-08 | 2013-05-01 | 吉林大学 | 基于嵌入式的自然环境下家畜群体数目监测方法 |
CN104639897A (zh) * | 2015-01-19 | 2015-05-20 | 南阳理工学院 | 一种分布式摄像图像处理方法 |
JP2015203919A (ja) * | 2014-04-11 | 2015-11-16 | キヤノン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
-
2016
- 2016-06-07 CN CN201610395837.XA patent/CN106023231A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080030497A1 (en) * | 2005-12-08 | 2008-02-07 | Yangqiu Hu | Three dimensional modeling of objects |
CN101976335A (zh) * | 2010-09-03 | 2011-02-16 | 浙江大学 | 基于改进c-v模型的遥感图路网提取方法 |
CN102542556A (zh) * | 2010-12-30 | 2012-07-04 | 汕头大学 | 超声图像乳腺肿瘤自动提取方法 |
CN103077398A (zh) * | 2013-01-08 | 2013-05-01 | 吉林大学 | 基于嵌入式的自然环境下家畜群体数目监测方法 |
JP2015203919A (ja) * | 2014-04-11 | 2015-11-16 | キヤノン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
CN104639897A (zh) * | 2015-01-19 | 2015-05-20 | 南阳理工学院 | 一种分布式摄像图像处理方法 |
Non-Patent Citations (5)
Title |
---|
CHUNMING LI 等: "A level set method for image segmentation in the presence of intensity inhomogeneities with application to MRI", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
全红艳,曹桂涛编著: "《数字图像处理原理与实现方法》", 31 January 2014, 北京:机械工业出版社 * |
徐正光 等: "基于递归的二值图像连通域像素标记算法", 《计算机工程》 * |
贾志刚著: "《Java数字图像处理 编程技巧与应用实践》", 31 January 2016, 北京:机械工业出版社 * |
闫文忠 等: "基于数学形态学的染色体自动计数算法", 《数据采集与处理》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330403A (zh) * | 2017-06-30 | 2017-11-07 | 四川省草原科学研究院 | 一种基于视频数据的牦牛计数方法 |
CN107330403B (zh) * | 2017-06-30 | 2020-11-17 | 四川省草原科学研究院 | 一种基于视频数据的牦牛计数方法 |
WO2020030052A1 (zh) * | 2018-08-10 | 2020-02-13 | 京东数字科技控股有限公司 | 一种动物数量识别方法、装置、介质及电子设备 |
CN110111321A (zh) * | 2019-05-10 | 2019-08-09 | 四川大学 | 一种非接触式多尺度裂纹识别方法 |
CN111582778A (zh) * | 2020-04-17 | 2020-08-25 | 上海中通吉网络技术有限公司 | 操作场地货物堆积度量方法、装置、设备及存储介质 |
CN111582778B (zh) * | 2020-04-17 | 2024-04-12 | 上海中通吉网络技术有限公司 | 操作场地货物堆积度量方法、装置、设备及存储介质 |
CN113222452A (zh) * | 2021-05-28 | 2021-08-06 | 中国农业科学院草原研究所 | 一种基于北斗导航的天然草地质量评价方法、系统及存储介质 |
CN113222452B (zh) * | 2021-05-28 | 2024-07-05 | 中国农业科学院草原研究所 | 基于北斗导航的天然草地质量评价方法、系统及存储介质 |
CN114359969A (zh) * | 2022-01-12 | 2022-04-15 | 内蒙古农业大学 | 一种羊脸图像采集装置及图像识别方法 |
CN114359969B (zh) * | 2022-01-12 | 2023-04-07 | 内蒙古农业大学 | 一种羊脸图像采集装置及图像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106023231A (zh) | 一种高分辨率影像牛羊自动检测方法 | |
Kapishnikov et al. | Xrai: Better attributions through regions | |
Rahaman et al. | An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm | |
CN107798348B (zh) | 基于邻域信息深度学习的高光谱图像分类方法 | |
CN110245697B (zh) | 一种表面脏污检测方法、终端设备及存储介质 | |
CN106228554B (zh) | 基于多属性约简的模糊粗糙集煤粉尘图像分割方法 | |
US11841839B1 (en) | Preprocessing and imputing method for structural data | |
CN109299258A (zh) | 一种舆情事件检测方法、装置及设备 | |
CN104182985A (zh) | 遥感图像变化检测方法 | |
Szénási et al. | Evaluation and comparison of cell nuclei detection algorithms | |
Han et al. | Vision-based crack detection of asphalt pavement using deep convolutional neural network | |
CN110458809B (zh) | 一种基于亚像素边缘检测的纱线条干均匀度检测方法 | |
Zhang et al. | Investigation of pavement crack detection based on deep learning method using weakly supervised instance segmentation framework | |
Shu et al. | An active learning method with difficulty learning mechanism for crack detection | |
Wang et al. | A contour self-compensated network for salient object detection | |
Jiang et al. | Msk-unet: A modified u-net architecture based on selective kernel with multi-scale input for pavement crack detection | |
CN105205476B (zh) | 一种基于lbp特征的人脸识别硬件架构 | |
CN114648683B (zh) | 基于不确定性分析的神经网络性能提升方法和设备 | |
CN109739840A (zh) | 数据空值处理方法、装置及终端设备 | |
Jiang et al. | Grain segmentation of sandstone images based on convolutional neural networks and weighted fuzzy clustering | |
CN105894000A (zh) | 基于ransac的激光网格标记图像特征提取 | |
Zhang et al. | Semantic segmentation method accelerated quantitative analysis of the spatial characteristics of traditional villages | |
Sunkel et al. | A correlated parts model for object detection in large 3d scans | |
CN109753497A (zh) | 数据空值处理方法、装置及终端设备 | |
Cong et al. | Machine vision-based estimation of body size and weight of pearl gentian grouper |
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 |
Application publication date: 20161012 |
|
WD01 | Invention patent application deemed withdrawn after publication |