CN106650738A - 一种基于凹点匹配的玉米穗部粘连籽粒分割方法及系统 - Google Patents

一种基于凹点匹配的玉米穗部粘连籽粒分割方法及系统 Download PDF

Info

Publication number
CN106650738A
CN106650738A CN201611050628.8A CN201611050628A CN106650738A CN 106650738 A CN106650738 A CN 106650738A CN 201611050628 A CN201611050628 A CN 201611050628A CN 106650738 A CN106650738 A CN 106650738A
Authority
CN
China
Prior art keywords
seed
segmentation
adhesion
profile
concave 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.)
Granted
Application number
CN201611050628.8A
Other languages
English (en)
Other versions
CN106650738B (zh
Inventor
马钦
王越
朱德海
范梦扬
张亚
崔雪莲
张秦川
吕春利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Agricultural University
Original Assignee
China Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Agricultural University filed Critical China Agricultural University
Priority to CN201611050628.8A priority Critical patent/CN106650738B/zh
Publication of CN106650738A publication Critical patent/CN106650738A/zh
Application granted granted Critical
Publication of CN106650738B publication Critical patent/CN106650738B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于凹点匹配的玉米穗部粘连籽粒分割方法及系统，该方法在玉米穗部的籽粒分割图存在粘连籽粒时，获取粘连籽粒的轮廓最小凸闭包，获取粘连籽粒的轮廓最小凸闭包的匹配凹区以及对应的分割凹点对，以及根据分割凹点对粘连籽粒进行分割。该系统包括粘连籽粒的轮廓最小凸闭包获取单元、匹配凹区及分割凹点对获取单元及粘连籽粒分割单元。本发明能够可以快速、准确分割玉米果穗穗部粘连籽粒，为玉米品种的考察研究提供了准确且可靠的基础。

Description

一种基于凹点匹配的玉米穗部粘连籽粒分割方法及系统
技术领域
本发明涉及现代农业识别技术领域，具体涉及一种基于凹点匹配的玉米穗部粘连籽粒分割方法及系统。
背景技术
玉米果穗穗部性状考种是玉米考种的重要环节，它与玉米品种、产量关系密切。目前对玉米籽粒的检测绝大部分都是对脱粒后的籽粒进行处理，这样存在脱粒工序复杂、脱粒机械损伤无法实现无损测量、脱粒无法保存玉米果穗穗部籽粒拓扑性状等问题。因此基于未脱粒果穗的穗部籽粒考种可以保留考种材料，提高育种进程。
对玉米果穗穗部籽粒而言，由于籽粒与缝隙之间灰度差异小、部分籽粒本身也具有粘连情况，导致一般分割算法得到的分割二值化图像具有比较严重的粘连现象。
针对粘连目标，人们提出了很多种分割算法，比如极限腐蚀法、分水岭算法、霍夫圆估计法等。针对玉米穗部粘连籽粒研究对象，极限腐蚀法容易破坏原籽粒轮廓，分水岭算法易造成过分割，霍夫圆估计法对分割目标形状要求过高，都不适用于穗部粘连籽粒分割。传统的bresenham算法生成的连线是8-连通的，而籽粒轮廓提取也是基于8-连通，导致bresenham画线后原连通区域并未分割成功，因此需要改进画分割线算法分割粘连目标。
因此，结合玉米果穗穗部籽粒的生长规律，提出一种适应性高的粘连分割算法对玉米育种、考种意义重大。
发明内容
针对现有技术中的缺陷，本发明提供一种基于凹点匹配的玉米穗部粘连籽粒分割方法及系统，能够可以快速、准确分割玉米果穗穗部粘连籽粒，为玉米品种的考察研究提供了准确且可靠的基础。
为解决上述技术问题，本发明提供以下技术方案：
一方面，本发明提供了一种基于凹点匹配的玉米穗部粘连籽粒分割方法，包括：
步骤1.在玉米穗部的籽粒分割图存在粘连籽粒时，获取所述粘连籽粒的轮廓最小凸闭包；
步骤2.获取所述粘连籽粒的轮廓最小凸闭包的匹配凹区以及对应的分割凹点对；
步骤3.根据所述分割凹点对所述粘连籽粒进行分割。
进一步的，所述步骤1，之前还包括：
步骤A.获取未脱粒的玉米果穗的穗部图像；
步骤B.对穗部图像进行籽粒预分割，得到籽粒分割图；
步骤C.在所述籽粒分割图中提取各籽粒的轮廓，得到单个籽粒的形状因子；
步骤D.根据所述单个籽粒的形状因子判断所述籽粒分割图中是否存在粘连籽粒。
进一步的，所述步骤1包括：
步骤1-1.在玉米穗部的籽粒分割图存在粘连籽粒时，对所述粘连籽粒的轮廓进行孔洞填充，并删除籽粒分割图中的非粘连籽粒；
步骤1-2.根据Jarvis步进法获取所述粘连籽粒的轮廓最小凸闭包。
进一步的，所述步骤2包括：
步骤2-1.将所述粘连籽粒的轮廓最小凸闭包与所述粘连籽粒的原轮廓进行异或处理，得到凹区区域；
步骤2-2.比较所述凹区区域与预设的区域面积阈值，删除小于区域面积阈值的凹区区域，得到预处理后的凹区区域；
步骤2-3.将所述预处理后的凹区区域进行凹区匹配，得到所述匹配凹区；
步骤2-4.根据平面欧式距离公式，确定使得各所述匹配凹区的欧式距离最短的一对像素点，该一对像素点即为一个所述分割凹点对。
进一步的，所述步骤3包括：
根据bresenham改进算法依次连接各所述分割凹点对，对所述粘连籽粒进行分割。
进一步的，所述步骤B包括：
步骤B-1.提取籽粒分割图中的玉米果穗穗部中心部分作为感兴趣区域ROI；
步骤B-2.提取所述ROI的红色通道信息，并根据高斯滤波方法对所述ROI进行去噪；
步骤B-3.对去噪后的ROI进行籽粒预分割，得到籽粒分割图。
进一步的，所述步骤D，包括：
步骤D-1.获取所述籽粒分割图中的全部籽粒轮廓，以及获取各籽粒轮廓的像素面积和像素周长；
步骤D-2.比较各籽粒轮廓的像素面积及预设的面积阈值，删除像素面积小于所述面积阈值的籽粒轮廓，得到预筛后的籽粒轮廓；
步骤D-3.根据预筛后的各籽粒轮廓的像素面积和像素周长，计算得到预筛后的籽粒轮廓的形状因子；
步骤D-4.若经判断获知预筛后的籽粒轮廓的形状因子中存在大于预设的形状阈值的形状因子，则确认形状因子大于预设的形状阈值的籽粒轮廓为粘连籽粒。
进一步的，所述步骤D-3中的所述形状因子为圆形度其中，A为目标像素面积，l为目标像素周长。
另一方面，本发明还提供了一种基于凹点匹配的玉米穗部粘连籽粒分割系统，包括：
粘连籽粒的轮廓最小凸闭包获取单元，用于在玉米穗部的籽粒分割图存在粘连籽粒时，获取所述粘连籽粒的轮廓最小凸闭包；
匹配凹区及分割凹点对获取单元，用于获取所述粘连籽粒的轮廓最小凸闭包的匹配凹区以及对应的分割凹点对；
粘连籽粒分割单元，用于根据所述分割凹点对所述粘连籽粒进行分割。
进一步的，所述系统还包括：
穗部图像获取单元，用于获取未脱粒的玉米果穗的穗部图像；
籽粒预分割单元，用于对穗部图像进行籽粒预分割，得到籽粒分割图；
形状因子获取单元，用于在所述籽粒分割图中提取各籽粒的轮廓，得到单个籽粒的形状因子；
粘连籽粒判断单元，用于根据所述单个籽粒的形状因子判断所述籽粒分割图中是否存在粘连籽粒。
由上述技术方案可知，本发明所述的一种基于凹点匹配的玉米穗部粘连籽粒分割方法及系统，该方法在玉米穗部的籽粒分割图存在粘连籽粒时，获取粘连籽粒的轮廓最小凸闭包，获取粘连籽粒的轮廓最小凸闭包的匹配凹区以及对应的分割凹点对，以及根据分割凹点对粘连籽粒进行分割。该系统包括粘连籽粒的轮廓最小凸闭包获取单元、匹配凹区及分割凹点对获取单元及粘连籽粒分割单元。本发明能够可以快速、准确分割玉米果穗穗部粘连籽粒，为玉米品种的考察研究提供了准确且可靠的基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种基于凹点匹配的玉米穗部粘连籽粒分割方法的流程示意图；
图2是本发明的分割方法中步骤100之前的步骤A00至D00的流程示意图；
图3是本发明的控制方法中步骤100的一种具体实施例的流程示意图；
图4是本发明的控制方法中步骤200的一种具体实施例的流程示意图；
图5是本发明的分割方法中步骤B00的一种具体实施例的流程示意图；
图6是本发明的分割方法中步骤D00的一种具体实施例的流程示意图；
图7是本发明的分割方法的一种应用实例的流程示意图；
图8是本发明的一种基于凹点匹配的玉米穗部粘连籽粒分割系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例一提供了一种基于凹点匹配的玉米穗部粘连籽粒分割方法。参见图1，该分割方法具体包括如下步骤：
步骤100：在玉米穗部的籽粒分割图存在粘连籽粒时，获取粘连籽粒的轮廓最小凸闭包。
在本步骤中，首先对粘连籽粒轮廓进行孔洞填充，去除小轮廓区域，使用Jarvis步进法寻找轮廓最小凸包，在Jarvis步进法中，运行时间为O(n h),h为凸包中的顶点数。
步骤200：获取粘连籽粒的轮廓最小凸闭包的匹配凹区以及对应的分割凹点对。
在本步骤中，根据bresenham改进算法依次连接各分割凹点对，对粘连籽粒进行分割，其中，bresenham算法是计算机图形学中为了“显示器(屏幕或打印机)系由像素构成”的这个特性而设计出来的算法，使得在求直线各点的过程中全部以整数来运算，因而大幅度提升计算速度。
步骤300：根据分割凹点对粘连籽粒进行分割。
在本步骤中，对粘连籽粒图像使用OTSU算法进行分割，获取预分割籽粒二值化图像，其中，大津OTSU算法是由日本学者OTSU于1979年提出的一种对图像进行二值化的高效算法。
从上述描述可知，本发明的实施例实现了在玉米穗部的籽粒分割图存在粘连籽粒时，获取粘连籽粒的轮廓最小凸闭包以及对应的分割凹点对后，能够根据分割凹点对粘连籽粒进行精确且快速的分割。
本发明实施例二提供了上述分割方法中步骤100之前的步骤A00至D00。参见图2，该步骤A00至D00具体包括如下步骤：
步骤A00：获取未脱粒的玉米果穗的穗部图像。
步骤B00：对穗部图像进行籽粒预分割，得到籽粒分割图。
步骤C00：在籽粒分割图中提取各籽粒的轮廓，得到单个籽粒的形状因子。
步骤D00：根据单个籽粒的形状因子判断籽粒分割图中是否存在粘连籽粒。
从上述描述可知，本发明的实施例实现了对粘连籽粒是否存在的判断，是基于凹点匹配对玉米穗部粘连籽粒进行分割的判断基础。
本发明实施例三提供了上述分割方法中步骤100的具体实现方式。参见图3，该步骤100具体包括如下步骤：
步骤101：在玉米穗部的籽粒分割图存在粘连籽粒时，对粘连籽粒的轮廓进行孔洞填充，并删除籽粒分割图中的非粘连籽粒。
步骤102：根据Jarvis步进法获取粘连籽粒的轮廓最小凸闭包。
从上述描述可知，本发明的实施例实现了在玉米穗部的籽粒分割图存在粘连籽粒时，准确且可靠地获取粘连籽粒的轮廓最小凸闭包。
本发明实施例四提供了上述分割方法中步骤200的具体实现方式。参见图4，该步骤200具体包括如下步骤：
步骤201：将粘连籽粒的轮廓最小凸闭包与粘连籽粒的原轮廓进行异或处理，得到凹区区域。
步骤202：比较凹区区域与预设的区域面积阈值，删除小于区域面积阈值的凹区区域，得到预处理后的凹区区域。
步骤203：将预处理后的凹区区域进行凹区匹配，得到匹配凹区。
步骤204：根据平面欧式距离公式，确定使得各匹配凹区的欧式距离最短的一对像素点，该一对像素点即为一个分割凹点对。
从上述描述可知，本发明的实施例实现了对匹配凹区以及对应的分割凹点对的获取，得到了进行对粘连籽粒进行分割的分割依据，使得分割结果准确。
本发明实施例五提供了上述分割方法中步骤B00的具体实现方式。参见图5，该步骤B00具体包括如下步骤：
步骤B01：提取籽粒分割图中的玉米果穗穗部中心部分作为感兴趣区域ROI。
步骤B02：提取ROI的红色通道信息，并根据高斯滤波方法对ROI进行去噪。
步骤B03：对去噪后的ROI进行籽粒预分割，得到籽粒分割图。
从上述描述可知，本发明的实施例实现了通过对穗部图像进行籽粒预分割来获得有效的籽粒分割图。
本发明实施例六提供了上述分割方法中步骤D00的具体实现方式。参见图6，该步骤D00具体包括如下步骤：
步骤D01：获取籽粒分割图中的全部籽粒轮廓，以及获取各籽粒轮廓的像素面积和像素周长。
步骤D02：比较各籽粒轮廓的像素面积及预设的面积阈值，删除像素面积小于面积阈值的籽粒轮廓，得到预筛后的籽粒轮廓。
步骤D03：根据预筛后的各籽粒轮廓的像素面积和像素周长，计算得到预筛后的籽粒轮廓的形状因子。
在本步骤中，形状因子为圆形度其中，A为目标像素面积，l为目标像素周长。
步骤D04：若经判断获知预筛后的籽粒轮廓的形状因子中存在大于预设的形状阈值的形状因子，则确认形状因子大于预设的形状阈值的籽粒轮廓为粘连籽粒。
从上述描述可知，本发明的实施例能够根据单个籽粒的形状因子有效判断出籽粒分割图中是否存在粘连籽粒。
为进一步的说明本发明的技术方案，本发明还提供一种基于凹点匹配的玉米穗部粘连籽粒分割方法的应用实例。参见图7，具体包括如下内容：
S1：对玉米果穗穗部图像进行籽粒预分割。
S2：对S1得到的图像中的所有籽粒轮廓使用形状因子进行粘连性判别。
S3：对S2中确定的粘连籽粒计算最小凸闭包并确定匹配凹区。
S4：根据S3中匹配凹区确定分割凹点对，使用改进的bresenham算法画线分割。
进一步地，所述步骤S1包含以下子步骤：
S11：提取玉米果穗穗部中心部分作为ROI。
S12：对S11图像提取R通道信息，高斯滤波去噪。
S13：对S12得到的图像使用OTSU算法进行分割，获取预分割籽粒二值化图像。
进一步地，所述步骤S2包含以下子步骤：
S21：寻找S1预分割二值化图中所有籽粒轮廓并计算其像素面积以及像素周长。
S22：面积阈值去除过小的非籽粒轮廓。
S23：计算剩余籽粒轮廓形状因子其中A为目标像素面积，l为目标像素周长。
S24：形状因子设定阈值判断籽粒是否粘连。
进一步地，所述步骤S23描述为：
根据玉米籽粒生长规律，由于玉米穗部籽粒相邻两行之间距离以及灰度差异较大，预分割情况较少，粘连情况只出现于纵向单行粘连，即粘连情况只为串联(籽粒首尾相连)，单个籽粒横截面近似圆形，而粘连籽粒形状与圆形存在较大差异，将圆形度作为形状因子，通过大样本实验确定形状因子阈值作为粘连判别依据。
进一步地，所述步骤S3包含以下子步骤：
S31：对S2中粘连籽粒轮廓寻找最小凸闭包。
S32：籽粒凸闭包轮廓与原轮廓异或得到凹区区域。
S33：面积阈值法去除籽粒边缘轮廓小凹区。
S34：对剩余凹区进行凹区匹配。
进一步地，所述步骤S31包含以下子步骤：
S311：对粘连籽粒轮廓进行孔洞填充，去除小轮廓区域。
S312：使用Jarvis步进法寻找轮廓最小凸包。
进一步地，所述步骤S34包含以下子步骤：
S341：标记每个凹区为未匹配，并编号为1,2，…，n。
S342：分别计算S341中每个凹区的中心点坐标Pi＝(xi，yi)，(i＝1，2，...，n)。
S343：对当前凹区，遍历标记为未匹配的凹区，寻找凹区中心点y坐标差值绝对值最小的另一凹区，标记两个凹区为匹配。
S344：对剩余未匹配凹区进行S343操作，直到所有凹区都匹配为止。
进一步地，所述步骤S4中包含以下子步骤：
S41：根据S3得到的匹配凹区获取分割凹点对。
S42：使用改进的bresenham算法依次画线连接凹点对，完成粘连分割。
进一步地，所述步骤S41具体描述为：
根据平面欧式距离公式将匹配凹区欧式距离最短的两点作为分割凹点对。
进一步地，所述步骤S42包含以下子步骤：
S421：构建虚拟网格线。
S422：连接凹点对两像素点，将一点设为起点，顺序计算连线与垂直网格线交点，取列像素与其交点最近的像素并将其标记为画线点，记录画线点与交点的距离d以及交点的行坐标域(y,y+1)。
S423：对比前一列列像素纵坐标，如发生变化，首先对比两交点行坐标域，如果相同，比较两列d值，较大的一列将该列纵坐标在两列纵坐标之间的点都标记为画线点；若行坐标域不同，则标记后一列纵坐标在两列之间的点为画线点。
S424：顺序连接所有画线点。
与现有技术相比，本发明能够产生如下有益效果：
本发明涉及计算机视觉领域，尤其涉及一种基于凹点匹配的玉米穗部粘连籽粒分割方法。本发明将未脱粒玉米果穗穗部图像作为研究对象，首先使用OTSU算法进行籽粒预分割。针对籽粒预分割之后粘连籽粒未分开问题，提取每个籽粒轮廓根据形状因子判断籽粒是否粘连。对于粘连籽粒，寻找粘连籽粒轮廓最小凸闭包，之后确定粘连轮廓匹配凹区以及分割凹点对，使用改进的bresenham算法画线完成粘连分割。本发明采用的粘连籽粒分割方法可以有效的分割玉米果穗粘连籽粒，为玉米果穗穗部籽粒性状考种打下了基础。
本发明还提供能够实现上述方法全部内容的一种基于凹点匹配的玉米穗部粘连籽粒分割系统。参见图8，该系统具体包括如下内容：
穗部图像获取单元A0，用于获取未脱粒的玉米果穗的穗部图像。
籽粒预分割单元B0，用于对穗部图像进行籽粒预分割，得到籽粒分割图。
形状因子获取单元C0，用于在籽粒分割图中提取各籽粒的轮廓，得到单个籽粒的形状因子。
粘连籽粒判断单元D0，用于根据单个籽粒的形状因子判断籽粒分割图中是否存在粘连籽粒。
粘连籽粒的轮廓最小凸闭包获取单元10，用于在玉米穗部的籽粒分割图存在粘连籽粒时，获取粘连籽粒的轮廓最小凸闭包。
匹配凹区及分割凹点对获取单元20，用于获取粘连籽粒的轮廓最小凸闭包的匹配凹区以及对应的分割凹点对。
粘连籽粒分割单元30，用于根据分割凹点对粘连籽粒进行分割。
从上述描述可知，本发明的系统实现了在玉米穗部的籽粒分割图存在粘连籽粒时，获取粘连籽粒的轮廓最小凸闭包以及对应的分割凹点对后，能够根据分割凹点对粘连籽粒进行精确且快速的分割。
以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于凹点匹配的玉米穗部粘连籽粒分割方法，其特征在于，包括：
步骤1.在玉米穗部的籽粒分割图存在粘连籽粒时，获取所述粘连籽粒的轮廓最小凸闭包；
步骤2.获取所述粘连籽粒的轮廓最小凸闭包的匹配凹区以及对应的分割凹点对；
步骤3.根据所述分割凹点对所述粘连籽粒进行分割。
2.根据权利要求1所述的方法，其特征在于，所述步骤1，之前还包括：
步骤A.获取未脱粒的玉米果穗的穗部图像；
步骤B.对穗部图像进行籽粒预分割，得到籽粒分割图；
步骤C.在所述籽粒分割图中提取各籽粒的轮廓，得到单个籽粒的形状因子；
步骤D.根据所述单个籽粒的形状因子判断所述籽粒分割图中是否存在粘连籽粒。
3.根据权利要求1所述的方法，其特征在于，所述步骤1包括：
步骤1-1.在玉米穗部的籽粒分割图存在粘连籽粒时，对所述粘连籽粒的轮廓进行孔洞填充，并删除籽粒分割图中的非粘连籽粒；
步骤1-2.根据Jarvis步进法获取所述粘连籽粒的轮廓最小凸闭包。
4.根据权利要求1所述的方法，其特征在于，所述步骤2包括：
步骤2-1.将所述粘连籽粒的轮廓最小凸闭包与所述粘连籽粒的原轮廓进行异或处理，得到凹区区域；
步骤2-2.比较所述凹区区域与预设的区域面积阈值，删除小于区域面积阈值的凹区区域，得到预处理后的凹区区域；
步骤2-3.将所述预处理后的凹区区域进行凹区匹配，得到所述匹配凹区；
步骤2-4.根据平面欧式距离公式，确定使得各所述匹配凹区的欧式距离最短的一对像素点，该一对像素点即为一个所述分割凹点对。
5.根据权利要求1所述的方法，其特征在于，所述步骤3包括：
根据bresenham改进算法依次连接各所述分割凹点对，对所述粘连籽粒进行分割。
6.根据权利要求2所述的方法，其特征在于，所述步骤B包括：
步骤B-1.提取籽粒分割图中的玉米果穗穗部中心部分作为感兴趣区域ROI；
步骤B-2.提取所述ROI的红色通道信息，并根据高斯滤波方法对所述ROI进行去噪；
步骤B-3.对去噪后的ROI进行籽粒预分割，得到籽粒分割图。
7.根据权利要求2所述的方法，其特征在于，所述步骤D，包括：
步骤D-1.获取所述籽粒分割图中的全部籽粒轮廓，以及获取各籽粒轮廓的像素面积和像素周长；
步骤D-2.比较各籽粒轮廓的像素面积及预设的面积阈值，删除像素面积小于所述面积阈值的籽粒轮廓，得到预筛后的籽粒轮廓；
步骤D-3.根据预筛后的各籽粒轮廓的像素面积和像素周长，计算得到预筛后的籽粒轮廓的形状因子；
步骤D-4.若经判断获知预筛后的籽粒轮廓的形状因子中存在大于预设的形状阈值的形状因子，则确认形状因子大于预设的形状阈值的籽粒轮廓为粘连籽粒。
8.根据权利要求7所述的方法，其特征在于，所述步骤D-3中的所述形状因子为圆形度其中，A为目标像素面积，l为目标像素周长。
9.一种基于凹点匹配的玉米穗部粘连籽粒分割系统，其特征在于，包括：
粘连籽粒的轮廓最小凸闭包获取单元，用于在玉米穗部的籽粒分割图存在粘连籽粒时，获取所述粘连籽粒的轮廓最小凸闭包；
匹配凹区及分割凹点对获取单元，用于获取所述粘连籽粒的轮廓最小凸闭包的匹配凹区以及对应的分割凹点对；
粘连籽粒分割单元，用于根据所述分割凹点对所述粘连籽粒进行分割。
10.根据权利要求9所述的系统，其特征在于，所述系统还包括：
穗部图像获取单元，用于获取未脱粒的玉米果穗的穗部图像；
籽粒预分割单元，用于对穗部图像进行籽粒预分割，得到籽粒分割图；
形状因子获取单元，用于在所述籽粒分割图中提取各籽粒的轮廓，得到单个籽粒的形状因子；
粘连籽粒判断单元，用于根据所述单个籽粒的形状因子判断所述籽粒分割图中是否存在粘连籽粒。
CN201611050628.8A 2016-11-23 2016-11-23 一种基于凹点匹配的玉米穗部粘连籽粒分割方法及系统 Active CN106650738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611050628.8A CN106650738B (zh) 2016-11-23 2016-11-23 一种基于凹点匹配的玉米穗部粘连籽粒分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611050628.8A CN106650738B (zh) 2016-11-23 2016-11-23 一种基于凹点匹配的玉米穗部粘连籽粒分割方法及系统

Publications (2)

Publication Number Publication Date
CN106650738A true CN106650738A (zh) 2017-05-10
CN106650738B CN106650738B (zh) 2019-10-25

Family

ID=58812275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611050628.8A Active CN106650738B (zh) 2016-11-23 2016-11-23 一种基于凹点匹配的玉米穗部粘连籽粒分割方法及系统

Country Status (1)

Country Link
CN (1) CN106650738B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801308A (zh) * 2018-12-28 2019-05-24 西安电子科技大学 粘连类圆形目标图像的分割方法
CN111462147A (zh) * 2020-04-30 2020-07-28 柳州智视科技有限公司 一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法
CN111583178A (zh) * 2020-04-02 2020-08-25 电子科技大学 一种在藻类细胞显微图像中分割黏连藻类细胞的方法
CN111579427A (zh) * 2020-05-22 2020-08-25 山东农业大学 一种玉米籽粒内部组分密度测量方法及系统
CN114049481A (zh) * 2022-01-12 2022-02-15 安徽高哲信息技术有限公司 粮食籽粒检测对齐方法、装置、设备及存储介质
CN117576414A (zh) * 2023-11-27 2024-02-20 北京霍里思特科技有限公司 对矿石图像分割中的凹点检测的方法、设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101281112A (zh) * 2008-04-30 2008-10-08 浙江理工大学 一种对网状粘连稻米的图像式自动分析方法
CN102043957A (zh) * 2011-01-11 2011-05-04 北京邮电大学 基于图像凹点的车辆分割方法
CN103020970A (zh) * 2012-12-25 2013-04-03 北京农业信息技术研究中心 玉米果穗图像籽粒分割方法
CN103808263A (zh) * 2014-01-20 2014-05-21 北京派得伟业科技发展有限公司 谷粒粒形参数的高通量检测方法
US9014481B1 (en) * 2014-04-22 2015-04-21 King Fahd University Of Petroleum And Minerals Method and apparatus for Arabic and Farsi font recognition
CN105894512A (zh) * 2016-03-31 2016-08-24 中国农业大学 一种小区玉米果穗考种中粘连玉米果穗分割方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101281112A (zh) * 2008-04-30 2008-10-08 浙江理工大学 一种对网状粘连稻米的图像式自动分析方法
CN102043957A (zh) * 2011-01-11 2011-05-04 北京邮电大学 基于图像凹点的车辆分割方法
CN103020970A (zh) * 2012-12-25 2013-04-03 北京农业信息技术研究中心 玉米果穗图像籽粒分割方法
CN103808263A (zh) * 2014-01-20 2014-05-21 北京派得伟业科技发展有限公司 谷粒粒形参数的高通量检测方法
US9014481B1 (en) * 2014-04-22 2015-04-21 King Fahd University Of Petroleum And Minerals Method and apparatus for Arabic and Farsi font recognition
CN105894512A (zh) * 2016-03-31 2016-08-24 中国农业大学 一种小区玉米果穗考种中粘连玉米果穗分割方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
傅蓉: "基于凹点搜寻的重叠细胞图像自动分离的算法研究", 《计算机工程与应用》 *
荀一: "粘连玉米籽粒图像的自动分割方法", 《农业机械学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801308A (zh) * 2018-12-28 2019-05-24 西安电子科技大学 粘连类圆形目标图像的分割方法
CN109801308B (zh) * 2018-12-28 2022-10-18 西安电子科技大学 粘连类圆形目标图像的分割方法
CN111583178A (zh) * 2020-04-02 2020-08-25 电子科技大学 一种在藻类细胞显微图像中分割黏连藻类细胞的方法
CN111583178B (zh) * 2020-04-02 2022-11-08 电子科技大学 一种在藻类细胞显微图像中分割黏连藻类细胞的方法
CN111462147A (zh) * 2020-04-30 2020-07-28 柳州智视科技有限公司 一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法
CN111462147B (zh) * 2020-04-30 2022-07-05 柳州智视科技有限公司 一种基于图像块外轮廓及其角点对图像块进行切割和填补的方法
CN111579427A (zh) * 2020-05-22 2020-08-25 山东农业大学 一种玉米籽粒内部组分密度测量方法及系统
CN114049481A (zh) * 2022-01-12 2022-02-15 安徽高哲信息技术有限公司 粮食籽粒检测对齐方法、装置、设备及存储介质
CN114049481B (zh) * 2022-01-12 2022-04-22 安徽高哲信息技术有限公司 粮食籽粒检测对齐方法、装置、设备及存储介质
CN117576414A (zh) * 2023-11-27 2024-02-20 北京霍里思特科技有限公司 对矿石图像分割中的凹点检测的方法、设备和存储介质

Also Published As

Publication number Publication date
CN106650738B (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
CN106650738B (zh) 一种基于凹点匹配的玉米穗部粘连籽粒分割方法及系统
CN109961049B (zh) 一种复杂场景下香烟品牌识别方法
CN106651872B (zh) 基于Prewitt算子的路面裂缝识别方法及系统
CN107230202B (zh) 路面病害图像的自动识别方法和系统
CN107862667B (zh) 一种基于高分辨率遥感影像的城市阴影检测与去除方法
EP3633605A1 (en) Information processing device, information processing method, and program
CN105590319B (zh) 一种深度学习的图像显著性区域检测方法
CN109993099A (zh) 一种基于机器视觉的车道线提取识别方法
CN105389586A (zh) 一种基于计算机视觉自动检测虾体完整性的方法
CN109241973B (zh) 一种纹理背景下的字符全自动软分割方法
CN115082466B (zh) 一种pcb表面焊点缺陷检测方法及系统
CN109472788B (zh) 一种飞机铆钉表面的伤痕检测方法
CN112614062A (zh) 菌落计数方法、装置及计算机存储介质
CN110517273B (zh) 基于动态梯度阈值的细胞学图像分割方法
CN107016680B (zh) 一种基于显著性检测的害虫图像背景去除方法
Galsgaard et al. Circular hough transform and local circularity measure for weight estimation of a graph-cut based wood stack measurement
CN108090485A (zh) 基于多视角融合的图像前景自动提取方法
Tang et al. Leaf extraction from complicated background
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
CN115115627A (zh) 基于数据处理的土壤盐碱地监测方法
CN107545557A (zh) 粪便图像中的虫卵检测方法和装置
CN101770645A (zh) 高分辨率棉花异性纤维彩色图像的快速分割方法与系统
CN105956592B (zh) 一种基于图像显著性与svm的飞机目标检测方法
CN106408533A (zh) 一种卡片图像提取方法及系统
CN108205678A (zh) 一种含有亮斑干扰的铭牌文字识别处理方法

Legal Events

Date Code Title Description
PB01 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