CN106683098A - 一种重叠叶片图像的分割方法 - Google Patents

一种重叠叶片图像的分割方法 Download PDF

Info

Publication number
CN106683098A
CN106683098A CN201611019028.5A CN201611019028A CN106683098A CN 106683098 A CN106683098 A CN 106683098A CN 201611019028 A CN201611019028 A CN 201611019028A CN 106683098 A CN106683098 A CN 106683098A
Authority
CN
China
Prior art keywords
image
icv
boundary
area
pixel
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
CN201611019028.5A
Other languages
English (en)
Other versions
CN106683098B (zh
Inventor
王志彬
王开义
刘忠强
潘守慧
韩焱云
杨锋
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.)
Beijing Research Center for Information Technology in Agriculture
Original Assignee
Beijing Research Center for Information Technology in Agriculture
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 Beijing Research Center for Information Technology in Agriculture filed Critical Beijing Research Center for Information Technology in Agriculture
Priority to CN201611019028.5A priority Critical patent/CN106683098B/zh
Publication of CN106683098A publication Critical patent/CN106683098A/zh
Application granted granted Critical
Publication of CN106683098B publication Critical patent/CN106683098B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种重叠叶片图像的分割方法，包括：从图像采集设备中获取包含作物重叠叶片的彩色图像，对其进行归一化；提取图像的绿色颜色特征，除去非绿色背景；利用Chan‑Vese模型进行目标叶片的轮廓提取；利用Sobel算子进行目标叶片的边缘检测；将轮廓提取结果和边缘检测结果进行融合，实现重叠叶片的准确分割，提取出目标叶片。本发明能够实现对重叠的作物叶片准确、完整地分割，为后续叶片病害的识别奠定基础，也为农作物叶片分割领域提供新的方法和技术。

Description

一种重叠叶片图像的分割方法
技术领域
本发明涉及数字图像处理技术领域，特别涉及到一种重叠叶片图像的分割方法。
背景技术
叶片是作物外部形态中反应最为敏感的器官。根据完整的叶片图像可以准确地实现作物种类归属的判断、生长状况的监测、病虫害的识别等。因此，从采集的图像中，准确、无损地分割出完整的作物叶片具有十分重要的意义。
在农田环境下，由于作物生长环境复杂、干扰因素众多，且叶片多存在颜色相近、相互重叠的现象，从复杂背景图像中准确自动地分割出具有重叠区域的目标叶片变的异常困难。目前常用的叶片分割方法主要包括：基于阈值的分割方法、基于边缘检测的分割方法、基于聚类的分割方法、基于区域的分割方法、基于形态学的分割方法等。上述方法在对单一叶片进行分割时，往往能取得较好的效果，但是当叶片存在重叠时，则分割效果欠佳，需要多种分割技术集成使用，从而加大了算法的复杂度，且算法的移植性也不理想。因此，仍缺少一种行之有效的针对田间重叠叶片图像的分割方法。
研究一种适应于田间重叠叶片图像的分割方法，将有助于提高后续病害识别的精度，对指导作物生产、作物生长状况的研究、病虫害的防治具有十分重要的意义，而且也为农作物叶片分割领域提供新的方法和技术。
发明内容
本发明提供了一种重叠叶片图像的分割方法，以解决现有技术中难以实现从采集的作物叶片图像中准确、完整地分割出具有重叠区域的目标叶片的问题。
为解决上述技术问题，本发明采用如下技术方案：
一种重叠叶片图像的分割方法，包括以下步骤：
S1：从图像采集设备中获取包含作物重叠叶片的彩色图像I1，对所述彩色图像进行归一化处理形成彩色图像I2；
S2：提取所述彩色图像I2中的颜色特征，利用颜色特征去除所述彩色图像I2中的非绿色背景区域，形成灰度图像I3；
S3：利用Chan-Vese模型对所述灰度图像I3进行轮廓检测，提取出目标叶片的大致轮廓，形成图像Icv；
S4：利用Sobel算子对所述灰度图像I3进行边缘检测，提取出目标叶片的精确边缘，形成图像Is；
S5：将所述图像Icv和图像Is进行融合，即实现了重叠叶片的准确分割，提取得到目标叶片。
优选地，步骤S1中，所述归一化处理采用双线性差值方法。归一化处理后得到L×H的彩色图像I2，其中，L、H分别为归一化后图像的宽度和高度，单位为像素。L和H的数值可根据实际应用情况设定，如原始彩色图像I1大小为4160×3120，放缩后的彩色图像I2大小为416×312。
优选地，步骤S2中，通过如下步骤去除所述彩色图像I2中的非绿色背景区域：
(2.1)提取所述彩色图像I2的红色、绿色、蓝色三个颜色通道上的子图像Ir,Ig,Ib；
(2.2)根据绿色颜色特征，按照公式(1)对图像Ig进行阈值化处理：
其中，θ1是绿色与红色之间的阈值，其值范围为(0,20]，θ2是绿色与蓝色之间的阈值，其值范围为(0,20]；
(2.3)对Iexcg中面积小于θ3的空洞进行修复，其中θ3的范围为(0，I1面积的10％]。
实际应用时，步骤(2.2)中，阈值可根据具体应用设定，如θ1＝10，θ2＝15，也可利用自建的图像样本库中样本图像中绿色颜色值的均值设定。步骤(2.3)中，例如可对面积小于100的空洞进行修复，以消除对后续图像分割结果的影响。
优选地，步骤S3中，利用Chan-Vese模型对所述灰度图像I3进行轮廓检测，包括如下步骤：
(3.1)以所述灰度图像I3的中心点为初始分割点，并以所述灰度图像I3最大宽度或高度的1/5为初始分割半径；其中，所述中心点指的是图像的(H/2，L/2)处；
(3.2)利用Chan-Vese模型对所述灰度图像I3进行轮廓检测；
(3.3)计算检测结果中曲线的曲率，当曲率在T次检测结果内稳定时，则退出Chan-Vese模型的检测，否则重新进行步骤(3.2)～(3.3)，其中T的范围为(0，30]；
(3.4)对Chan-Vese检测结果中面积小于θ3的空洞进行修复，形成轮廓图像Icv，其中θ3的范围为(0，I1面积的10％]。
其中，步骤(3.3)中，所述T的取值可依据具体情况而定，如在10次检测结果内稳定即可退出模型检测。
优选地，步骤S4中，利用Sobel算子对所述灰度图像I3进行边缘检测，包括如下步骤：
(4.1)利用Sobel算子按公式(2)对灰度图像I3进行边缘检测，
其中，Gx和Gy分别是水平和垂直方向上的梯度值；
(4.2)利用最大类间方差法对图像gr进行阈值化，形成最大值为1、最小值为0的二值图像；
(4.3)利用叶脉提取方法，去除所述二值图像中的叶脉边缘；
(4.4)去除步骤(4.3)得到的二值图像中的空洞区域；
(4.5)对步骤(4.4)得到的图像为1的区域进行4邻域增强，形成边缘检测结果Is。
其中，步骤(4.1)中，当采用多个方向检测模板时，可以采用多个方向梯度加权平均值作为最终的边缘检测结果。步骤(4.4)中，所述空洞区域指的是面积小于一定值的区域，具体数值可依实际情况设定，如对面积小于10的空洞区域进行修复等。
优选地，步骤S5中，所述融合包括如下步骤：
(5.1)在所述图像Icv上，以所述图像Icv的中心点为初始分割点，计算初始分割点到分割轮廓边缘上的最小距离r；
(5.2)在所述图像Is上，以所述图像Is的中心点为初始分割点，并以初始分割点为中心，以r为半径，去掉圆内所有的边缘，形成图像Ism；
(5.3)在Ism图像上，其对应结果为1的位置点，则在图像Icv上置0，形成图像Icvm；
(5.4)在图像Icvm上，提取图像中最大的轮廓区域所包含的所有像素，形成图像Icvc，并记录最大轮廓上所有边界点的位置boundary；
(5.5)在图像Icvc上，根据公式(3)计算Icv图像中的像素点所对应的位置与boundary中的边界点的位置的距离，
其中，Icv(x)、Icv(y)分别是像素点Icv(x,y)所对应的坐标值，b(x)、b(y)是边界点boundary(x,y)所对应的位置；
当Dis(x,y)＜θ4时，则将该像素添加到图像Icvm上，其中θ4的范围为(0,L/2]，其值可根据具体应用而进行设定，如θ4＝50；
(5.6)在图像Icvc上，根据公式(4)计算Is图像中的像素点所对应的位置与boundary中的边界点的位置的距离，
其中，Is(x)、Is(y)分别是像素点Is(x,y)所对应的坐标值，b(x)、b(y)是边界点boundary(x,y)所对应的位置；
当Dis(x,y)＜θ5时，则将该像素添加到图像Icvm上，其中θ5的范围为(0,L/2]，其值可根据具体应用而进行设定，如θ5＝50；
(5.7)在图像Icvm上，去除图像中面积过小的空洞，提取图像中最大的轮廓区域，即为目标叶片区域。
其中，上述步骤(5.1)和(5.2)中，所述中心点的含义与前文一致，即指图像的(H/2，L/2)处。其中，L、H分别为图像的宽度和高度，单位为像素。
在符合本领域常识的基础上，上述各优选条件，可以相互组合，即得本发明各较佳实施例。
相对于现有技术，本发明的分割方法能够达到如下有益效果：
(1)该方法能够克服田间复杂环境的干扰，准确、完整的分割出重叠的叶片区域，实现叶片图像的自动分割；
(2)上述分割方法可编写为应用程序应用到手机等移动终端上，实现现场快速、准确分析，适合田间操作，拓宽了该方法的应用范围。
附图说明
图1是本发明所述的重叠叶片图像的分割方法的流程图；
图2是本发明实施例1中重叠叶片的分割结果图；
图2中，(a)为彩色图像I1；(b)为灰度图像I3；(c)为图像 Is；(d)为图像Icv；(e)为提取出的目标叶片图像；(f)为对比图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例1
一种重叠叶片图像的分割方法，具体采用如下步骤进行分割：
步骤一：从图像采集设备中获取含有作物重叠叶片的彩色图像I1(如图2中(a)所示)，该彩色图像I1的大小为4160×3120(宽×高)，通过双线性差值方法将该图像进行归一化处理，得到图像大小为416×312(宽×高)的彩色图像I2；
步骤二：提取彩色图像I2中的绿色特征，利用绿色特征去除非绿色的背景区域，保留绿色的叶片区域，形成灰度图像I3(如图2中(b)所示)；
具体地，背景去除方法包括如下步骤：
(2.1)提取彩色图像I2的红色、绿色、蓝色三个颜色通道上的子图像Ir,Ig,Ib；
(2.2)利用绿色颜色特征，按照公式(1)对图像Ig进行阈值计算：
其中，θ1＝10、θ2＝15；
(2.3)将Iexcg中面积小于100的空洞进行修复；
步骤三：利用Chan-Vese模型对灰度图像I3进行轮廓检测，提取出目标叶片图像的大致轮廓，形成图像Icv；
具体地，利用Chan-Vese模型对目标进行轮廓提取包括如下步骤：
(3.1)以图像I3的中心点为初始分割点，并以图像最大宽度的1/5为初始分割半径；
(3.2)利用Chan-Vese模型对灰度图像I3进行轮廓检测；
(3.3)计算检测结果中曲线的曲率，当曲率在10次内稳定时，则退出Chan-Vese模型的检测；否则重新进行步骤(3.2)～(3.3)，
(3.4)对Chan-Vese检测结果中面积小于10的空洞进行修复，形成轮廓图像Icv(如图2中(d)所示)；
步骤四：利用Sobel算子对灰度图像I3进行边缘检测，提取出目标叶片的精确边缘，形成图像Is；
具体地，利用Sobel算子进行边缘检测包括如下步骤：
(4.1)利用Sobel算子按照公式(2)对图像I3进行边缘检测，
其中，Gx和Gy分别是水平和垂直方向上的梯度值；
(4.2)利用最大类间方差法对图像gr进行阈值化，形成最大值为1、最小值为0的二值图像；
(4.3)利用叶脉提取方法，去除二值图像中的叶脉边缘；
(4.4)去除步骤(4.3)所得二值图像中面积小于10的空洞区域；
(4.5)对步骤(4.4)得到的图像为1的区域进行4邻域增强，形成边缘检测结果，即图像Is(如图2中(c)所示)。
步骤五：将图像Icv和图像Is进行融合，即实现了重叠叶片的准确分割，提取得到目标叶片；
具体地，所述的分割结果融合，包括如下步骤：
(5.1)在所述图像Icv上，以所述图像Icv的中心点为初始分割点，计算初始分割点到分割轮廓边缘上的最小距离r；
(5.2)在所述图像Is上，以所述图像Is的中心点为初始分割点，并以初始分割点为中心，以r为半径，去掉圆内所有的边缘，形成图像Ism；
(5.3)在Ism图像上，其对应结果为1的位置点，则在图像Icv上置0，形成图像Icvm；
(5.4)在图像Icvm上，提取图像中最大的轮廓区域所包含的所有像素，形成图像Icvc，并记录最大轮廓上所有边界点的位置boundary；
(5.5)在图像Icvc上，根据公式(3)计算Icv图像中的像素点所对应的位置与boundary中的边界点的位置的距离
其中，Icv(x)、Icv(y)分别是像素点Icv(x,y)所对应的坐标值，b(x)、b(y)是边界点boundary(x,y)所对应的位置；
当Dis(x,y)＜θ4时，则将该像素添加到图像Icvm上，其中θ4＝50；
(5.6)在图像Icvc上，根据公式(4)计算Is图像中的像素点所对应的位置与boundary中的边界点的位置的距离，
其中，Is(x)、Is(y)分别是像素点Is(x,y)所对应的坐标值，b(x)、b(y)是边界点boundary(x,y)所对应的位置；
当Dis(x,y)＜θ5时，则将该像素添加到图像Icvm上，其中θ5＝50；
(5.7)在图像Icvm上，去除图像中面积过小的空洞，提取图像中最大的轮廓区域，即为目标叶片区域(如图2中(e)所示)。
通过比对图2中(e)与(f)，可知采用本发明的方法能够精确地实现对重叠叶片的分割。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (6)

1.一种重叠叶片图像的分割方法，其特征在于，包括如下步骤：
S1：从图像采集设备中获取包含作物重叠叶片的彩色图像I1，对所述彩色图像进行归一化处理形成彩色图像I2；
S2：提取所述彩色图像I2中的颜色特征，利用颜色特征去除所述彩色图像I2中的非绿色背景区域，形成灰度图像I3；
S3：利用Chan-Vese模型对所述灰度图像I3进行轮廓检测，提取出目标叶片的大致轮廓，形成图像Icv；
S4：利用Sobel算子对所述灰度图像I3进行边缘检测，提取出目标叶片的精确边缘，形成图像Is；
S5：将所述图像Icv和图像Is进行融合，即实现了重叠叶片的准确分割，提取得到目标叶片。
2.根据权利要求1所述的分割方法，其特征在于：步骤S1中，所述归一化处理采用双线性差值方法。
3.根据权利要求1所述的分割方法，其特征在于：步骤S2中，通过如下步骤去除所述彩色图像I2中的非绿色背景区域：
(2.1)提取所述彩色图像I2的红色、绿色、蓝色三个颜色通道上的子图像Ir,Ig,Ib；
(2.2)根据绿色颜色特征，按照公式(1)对图像Ig进行阈值化处理：
其中，θ1是绿色与红色之间的阈值，其值范围为(0,20]，θ2是绿色与蓝色之间的阈值，其值范围为(0,20]；
(2.3)对Iexcg中面积小于θ3的空洞进行修复，其中θ3的范围为(0，I1面积的10％]。
4.根据权利要求1-3任一项所述的分割方法，其特征在于，步骤S3中，利用Chan-Vese模型进行轮廓检测，包括如下步骤：
(3.1)以所述灰度图像I3的中心点为初始分割点，并以所述灰度图像I3最大宽度或高度的1/5为初始分割半径；其中，所述中心点为图像的(L/2，H/2)处，L、H分别为图像的宽度和高度，单位为像素；
(3.2)利用Chan-Vese模型对所述灰度图像I3进行轮廓检测；
(3.3)计算检测结果中曲线的曲率，当曲率在T次检测结果内稳定时，则退出Chan-Vese模型的检测，否则重新进行步骤(3.2)～(3.3)，其中，T的范围为(0，30]；
(3.4)对Chan-Vese检测结果中面积小于θ3的空洞进行修复，形成轮廓图像Icv，其中θ3的范围为(0，I1面积的10％]。
5.根据权利要求1-4任一项所述的分割方法，其特征在于，步骤S4中，利用Sobel算子进行边缘检测包括如下步骤：
(4.1)利用Sobel算子按公式(2)对灰度图像I3进行边缘检测，
其中，Gx和Gy分别是水平和垂直方向上的梯度值；
(4.2)利用最大类间方差法对图像gr进行阈值化，形成最大值为1、最小值为0的二值图像；
(4.3)利用叶脉提取方法，去除所述二值图像中的叶脉边缘；
(4.4)去除步骤(4.3)得到的二值图像中的空洞区域；
(4.5)对步骤(4.4)得到的图像为1的区域进行4邻域增强，形成边缘检测结果Is。
6.根据权利要求1-5任一项所述的分割方法，其特征在于，步骤S5中，所述融合包括如下步骤：
(5.1)在所述图像Icv上，以所述图像Icv的中心点为初始分割点，计算初始分割点到分割轮廓边缘上的最小距离r；
(5.2)在所述图像Is上，以所述图像Is的中心点为初始分割点，并以初始分割点为中心，以r为半径，去掉圆内所有的边缘，形成图像Ism；
(5.3)在Ism图像上，其对应结果为1的位置点，则在图像Icv上置0，形成图像Icvm；
(5.4)在图像Icvm上，提取图像中最大的轮廓区域所包含的所有像素，形成图像Icvc，并记录最大轮廓上所有边界点的位置boundary；
(5.5)在图像Icvc上，根据公式(3)计算Icv图像中的像素点所对应的位置与boundary中的边界点的位置的距离，
其中，Icv(x)、Icv(y)分别是像素点Icv(x,y)所对应的坐标值，b(x)、b(y)是边界点boundary(x,y)，所对应的位置；
当Dis(x,y)＜θ4时，则将该像素添加到图像Icvm上，其中θ4的范围为(0，L/2]，其值可根据具体应用而进行设定，如θ4＝50；
(5.6)在图像Icvc上，根据公式(4)计算Is图像中的像素点所对应的位置与boundary中的边界点的位置的距离，
其中，Is(x)、Is(y)分别是像素点Is(x,y)所对应的坐标值，b(x)、b(y)是边界点boundary(x,y)所对应的位置；
当Dis(x,y)＜θ5时，则将该像素添加到图像Icvm上，其中θ5的范围为(0,L/2]，其值可根据具体应用而进行设定，如θ5＝50；
(5.7)在图像Icvm上，去除图像中面积过小的空洞，提取图像中最大的轮廓区域，即为目标叶片区域；
其中，步骤(5.1)和(5.2)中，所述中心点为图像的(L/2，H/2)处，L、H分别为图像的宽度和高度，单位为像素。
CN201611019028.5A 2016-11-15 2016-11-15 一种重叠叶片图像的分割方法 Active CN106683098B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611019028.5A CN106683098B (zh) 2016-11-15 2016-11-15 一种重叠叶片图像的分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611019028.5A CN106683098B (zh) 2016-11-15 2016-11-15 一种重叠叶片图像的分割方法

Publications (2)

Publication Number Publication Date
CN106683098A true CN106683098A (zh) 2017-05-17
CN106683098B CN106683098B (zh) 2019-08-13

Family

ID=58865692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611019028.5A Active CN106683098B (zh) 2016-11-15 2016-11-15 一种重叠叶片图像的分割方法

Country Status (1)

Country Link
CN (1) CN106683098B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443811A (zh) * 2019-07-26 2019-11-12 广州中医药大学(广州中医药研究院) 一种复杂背景叶片图像的全自动分割方法
CN111681253A (zh) * 2020-06-09 2020-09-18 山东大学 基于颜色与形态特征的叶片图像分割方法及系统
CN111696125A (zh) * 2020-06-17 2020-09-22 广西科技大学 一种重叠叶片边缘的提取方法
CN113989689A (zh) * 2021-11-29 2022-01-28 沈阳农业大学 一种基于无人机的农作物病虫害识别方法及系统
US20220130051A1 (en) * 2020-10-23 2022-04-28 Tata Consultancy Services Limited Method and system for leaf age estimation based on morphological features extracted from segmented leaves

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473550A (zh) * 2013-09-23 2013-12-25 广州中医药大学 基于Lab空间和局域动态阈值的植物叶片图像分割方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103473550A (zh) * 2013-09-23 2013-12-25 广州中医药大学 基于Lab空间和局域动态阈值的植物叶片图像分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GUILLAUME CERUTTI等: "A MODEL-BASED APPROACH FOR COMPOUND LEAVES UNDERSTANDING AND IDENTIFICATION", 《2013 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 *
张志斌等: "基于颜色特征的绿色作物图像分割算法", 《农业工程学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443811A (zh) * 2019-07-26 2019-11-12 广州中医药大学(广州中医药研究院) 一种复杂背景叶片图像的全自动分割方法
CN110443811B (zh) * 2019-07-26 2020-06-26 广州中医药大学(广州中医药研究院) 一种复杂背景叶片图像的全自动分割方法
CN111681253A (zh) * 2020-06-09 2020-09-18 山东大学 基于颜色与形态特征的叶片图像分割方法及系统
CN111696125A (zh) * 2020-06-17 2020-09-22 广西科技大学 一种重叠叶片边缘的提取方法
CN111696125B (zh) * 2020-06-17 2022-05-24 广西科技大学 一种重叠叶片边缘的提取方法
US20220130051A1 (en) * 2020-10-23 2022-04-28 Tata Consultancy Services Limited Method and system for leaf age estimation based on morphological features extracted from segmented leaves
US11880981B2 (en) * 2020-10-23 2024-01-23 Tata Consultancy Services Limited Method and system for leaf age estimation based on morphological features extracted from segmented leaves
CN113989689A (zh) * 2021-11-29 2022-01-28 沈阳农业大学 一种基于无人机的农作物病虫害识别方法及系统
CN113989689B (zh) * 2021-11-29 2023-09-22 沈阳农业大学 一种基于无人机的农作物病虫害识别方法及系统

Also Published As

Publication number Publication date
CN106683098B (zh) 2019-08-13

Similar Documents

Publication Publication Date Title
Luo et al. A vision methodology for harvesting robot to detect cutting points on peduncles of double overlapping grape clusters in a vineyard
CN106683098A (zh) 一种重叠叶片图像的分割方法
Wang et al. Image segmentation of overlapping leaves based on Chan–Vese model and Sobel operator
CN108898085B (zh) 一种基于手机视频的道路病害智能检测方法
WO2016066038A1 (zh) 一种图像主体提取方法及系统
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
CN102663354B (zh) 人脸标定方法和系统
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
WO2015010451A1 (zh) 一种从单幅图像检测道路的方法
CN103364410B (zh) 一种基于模板搜索的水工混凝土结构水下表面裂缝检测方法
CN109345554A (zh) 一种基于rgb－d相机的粘连蘑菇视觉原位测量方法
CN103295013A (zh) 一种基于成对区域的单幅图像阴影检测方法
CN104091175B (zh) 一种基于Kinect深度信息获取技术的害虫图像自动识别方法
WO2022095137A1 (zh) 一种应用于自行走设备的障碍物识别方法及自行走设备
CN106803257A (zh) 一种作物病害叶片图像中病斑的分割方法
CN107633202A (zh) 一种基于农田图像特征识别的植保无人机飞控方法和系统
CN104036231A (zh) 人体躯干识别装置及方法、终点影像检测方法、装置
CN108364300A (zh) 蔬菜叶部病害图像分割方法、系统及计算机可读存储介质
CN103729621B (zh) 基于叶片骨架模型的植物叶片图像自动识别方法
CN111798470A (zh) 一种应用于智能农业的农作物图像实体分割方法及系统
CN106934338A (zh) 一种基于相关滤波器的长期行人跟踪方法
Tang et al. Leaf extraction from complicated background
Rahman et al. Identification of mature grape bunches using image processing and computational intelligence methods
CN107239761B (zh) 基于骨架角点检测的果树拉枝效果评价方法
CN111369497B (zh) 一种行走式树上果实连续计数方法及装置

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