CN107392223A - 一种Adaboost与NCC相结合的完整麦穗识别方法及系统 - Google Patents
一种Adaboost与NCC相结合的完整麦穗识别方法及系统 Download PDFInfo
- Publication number
- CN107392223A CN107392223A CN201710434025.6A CN201710434025A CN107392223A CN 107392223 A CN107392223 A CN 107392223A CN 201710434025 A CN201710434025 A CN 201710434025A CN 107392223 A CN107392223 A CN 107392223A
- Authority
- CN
- China
- Prior art keywords
- wheat head
- wheat
- image
- complete
- head
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种Adaboost与NCC相结合的完整麦穗识别方法,包括以下步骤:S1、设置完整麦穗模版,并设置相似阈值;S2、获取麦穗样本,并通过rotation&uniform invariant LBP提取麦穗样本纹理特征;S3、对麦穗样本纹理特征使用Adaboost训练分类器;S4、通过分类器对获取的小麦图像进行麦穗识别,提取完整麦穗的候选目标;S5、将候选目标逐一与完整麦穗模版进行NCC相似性分析,根据相似度与相似阈值的比较结果从候选目标中提取完整麦穗目标并输出。通过本发明,可得到完整的麦穗目标,以便达到能够使用麦穗目标进行麦穗粒数等性状参数计算的目的。
Description
技术领域
本发明涉及智能农业技术领域,尤其涉及一种Adaboost与NCC相结合的完整麦穗识别方法及系统。
背景技术
随着农业智能化的发展,实现一种在实际麦田图像中识别视觉上完整的麦穗(非遮挡、采集不全),以便后续通过麦穗目标图像计算麦穗粒数的方法出现了需求。现有的技术常见的有:基于Adaboost的麦穗识别方法(2014,赵锋等.基于颜色特征和Adaboost算法的麦穗识别的研究)、基于神经网络的麦穗识别方法(2012,吕行军.基于图像处理技术的麦穗识别研究)等。但是这些方法存在识别结果集包含大量非完整麦穗目标的问题,而这些麦穗目标无法用来麦穗粒数计算。
发明内容
基于背景技术存在的技术问题,本发明提出了一种Adaboost与NCC相结合的完整麦穗识别方法和系统。
本发明提出的一种Adaboost与NCC相结合的完整麦穗识别方法,包括以下步骤:
S1、设置完整麦穗模版,并设置相似阈值;
S2、获取麦穗样本,并通过rotation&uniform invariant LBP提取麦穗样本纹理特征;
S3、对麦穗样本纹理特征使用Adaboost训练分类器;
S4、通过分类器对获取的小麦图像进行麦穗识别,提取完整麦穗的候选目标;
S5、将候选目标逐一与完整麦穗模版进行NCC相似性分析,根据相似度与相似阈值的比较结果从候选目标中提取完整麦穗目标并输出。
优选地,步骤S2中:从获取的小麦图像中通过LBP提取麦穗图像,并从麦穗图像中抽取麦穗样本。
优选地,步骤S4具体为:通过分类器对步骤S2中提取的麦穗图像进行识别,提取完整麦穗的候选目标。
本发明提出的一种Adaboost与NCC相结合的完整麦穗识别系统,包括:
图像输入模块,用于获取待识别的小麦图像;
候选目标识别模块,其连接图像输入模块;候选目标识别模块用于对获取的小麦图像进行LBP特征训练获得分类器,并用于通过分类器从小麦图像中提取完整麦穗的候选目标;
完整性判断模块,其连接候选目标识别模块;完整性判断模块中预设有完整麦穗模版和相似阈值,完整性判断模块用于分析候选目标与完整麦穗模版的相似度,并提取相似度大于相似阈值的候选目标作为完整麦穗目标;
完整麦穗输出模块,其连接完整性判断模块,用于获取完整麦穗目标并输出。
优选地,候选目标识别模块包括LBP特征提取单元、分类器训练单元和麦穗检测单元;LBP特征提取单元用于对小麦图像进行纹理特征识别,提取麦穗图像,并用于从麦穗图像中抽取样本并提取麦穗样本纹理特征;分类器训练单元连接LBP特征提取单元,用于根据麦穗样本纹理特征使用Adaboost训练分类器;麦穗检测单元分别连接LBP特征提取单元和分类器训练单元,麦穗检测单元用于根据分类器对LBP特征提取单元提取的麦穗图像进行分类获得完整麦穗的候选目标。
优选地,图像输入模块包括图像采集单元和图像预处理单元,图像采集单元用于加载待处理的小麦图像,图像预处理单元用于对加载的小麦图像进行预处理;LBP特征提取单元连接图像预处理单元用于获取预处理后的小麦图像作为特征提取对象。
本发明提出的一种Adaboost与NCC相结合的完整麦穗识别方法,通过从小麦图像中提取麦穗样本,避免了外来样本的引入,使得根据麦穗样本纹理特征训练出的分类器更加贴合小麦图像,从而可保证后续分类的精确度。
本发明中,使用Adaboost训练分类器,有利于在简化分类器生成复杂程度的同时多利用样本数据,从而使得各麦穗样本对于分类器的生成起到的作用均匀化,分类器的生成利用的麦穗样本数量多,从而保证了分类器与从小麦图像中提取的麦穗图像的针对性,有利于强化分类器工作效果。
本发明提供了一种基于Adaboost与NCC相结合算法实现完整麦穗识别的方案。通过本发明,可得到完整的麦穗目标,以便达到能够使用麦穗目标进行麦穗粒数等性状参数计算的目的。与现有技术相比,本发明是用在实际麦田小麦图像上,背景更复杂,并且识别的结果是完整麦穗,而非遮挡或者不完整麦穗目标。
附图说明
图1为本发明提出的一种Adaboost与NCC相结合的完整麦穗识别方法流程图;
图2为本发明提出的一种Adaboost与NCC相结合的完整麦穗识别系统结构图。
具体实施方式
参照图1,本发明提出的一种Adaboost与NCC相结合的完整麦穗识别方法,包括以下步骤。
S1、设置完整麦穗模版,并设置相似阈值。
S2、获取麦穗样本,并通过rotation&uniform invariant LBP(旋转不变等价LBP)提取麦穗样本纹理特征。本步骤中,麦穗样本可直接从待处理的小麦图像中获取。具体的,从获取的小麦图像中通过LBP提取麦穗图像,并从麦穗图像中抽取麦穗样本,然后通过rotation&uniform invariant LBP从麦穗样本中提取麦穗样本纹理特征。S3、对麦穗样本纹理特征使用Adaboost训练分类器。
如此,本实施方式中通过从小麦图像中提取麦穗样本,避免了外来样本的引入,使得根据麦穗样本纹理特征训练出的分类器更加贴合小麦图像,从而可保证后续分类的精确度。
本实施方式中,使用Adaboost训练分类器,有利于在简化分类器生成复杂程度的同时多利用样本数据,从而使得各麦穗样本对于分类器的生成起到的作用均匀化,分类器的生成利用的麦穗样本数量多,从而保证了分类器与从小麦图像中提取的麦穗图像的针对性,有利于强化分类器工作效果。
S4、通过分类器对获取的小麦图像进行麦穗识别,提取完整麦穗的候选目标。具体的,本步骤中,通过分类器对步骤S2中提取的麦穗图像进行识别,提取完整麦穗的候选目标。
S5、将候选目标逐一与完整麦穗模版进行NCC相似性分析,根据相似度与相似阈值的比较结果从候选目标中提取完整麦穗目标并输出。具体的,本步骤中,将与完整麦穗模版的相似度大于相似阈值的候选目标作为完整麦穗目标并输出。
以下结合一种Adaboost与NCC(Normalized cross correlation,归一化的相关相似性度量函数)相结合的完整麦穗识别系统对以上方法做进一步阐述。
实施例1
参照图2,本实施例提供的一种Adaboost与NCC相结合的完整麦穗识别系统,包括:图像输入模块、候选目标识别模块、完整性判断模块和完整麦穗输出模块。
图像输入模块,用于获取待识别的小麦图像。本实施方式中,图像输入模块包括图像采集单元和图像预处理单元,图像采集单元用于加载待处理的小麦图像,图像预处理单元用于对加载的小麦图像进行预处理,以便提高后续处理效率。候选目标识别模块包括LBP特征提取单元、分类器训练单元和麦穗检测单元。LBP特征提取单元连接图像预处理单元用于获取预处理后的小麦图像作为特征提取对象。LBP特征提取单元用于对小麦图像进行纹理特征识别,提取麦穗图像,并用于从麦穗图像中抽取样本并提取麦穗样本纹理特征。分类器训练单元连接LBP特征提取单元,用于根据麦穗样本纹理特征使用Adaboost训练分类器。麦穗检测单元分别连接LBP特征提取单元和分类器训练单元,麦穗检测单元用于根据分类器对LBP特征提取单元提取的麦穗图像进行分类获得完整麦穗的候选目标。
完整性判断模块连接候选目标识别模块。完整性判断模块中预设有完整麦穗模版和相似阈值,完整性判断模块用于根据NCC相似性分析判断候选目标与完整麦穗模版的相似度,并提取相似度大于相似阈值的候选目标作为完整麦穗目标。
完整麦穗输出模块连接完整性判断模块,用于获取完整麦穗目标并输出。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种Adaboost与NCC相结合的完整麦穗识别方法,其特征在于,包括以下步骤:
S1、设置完整麦穗模版,并设置相似阈值;
S2、获取麦穗样本,并通过rotation&uniform invariant LBP提取麦穗样本纹理特征;
S3、对麦穗样本纹理特征使用Adaboost训练分类器;
S4、通过分类器对获取的小麦图像进行麦穗识别,提取完整麦穗的候选目标;
S5、将候选目标逐一与完整麦穗模版进行NCC相似性分析,根据相似度与相似阈值的比较结果从候选目标中提取完整麦穗目标并输出。
2.如权利要求1所述的Adaboost与NCC相结合的完整麦穗识别方法,其特征在于,步骤S2中:从获取的小麦图像中通过LBP提取麦穗图像,并从麦穗图像中抽取麦穗样本。
3.如权利要求2所述的Adaboost与NCC相结合的完整麦穗识别方法,其特征在于,步骤S4具体为:通过分类器对步骤S2中提取的麦穗图像进行识别,提取完整麦穗的候选目标。
4.一种Adaboost与NCC相结合的完整麦穗识别系统,其特征在于,包括:
图像输入模块,用于获取待识别的小麦图像;
候选目标识别模块,其连接图像输入模块;候选目标识别模块用于对获取的小麦图像进行LBP特征训练获得分类器,并用于通过分类器从小麦图像中提取完整麦穗的候选目标;
完整性判断模块,其连接候选目标识别模块;完整性判断模块中预设有完整麦穗模版和相似阈值,完整性判断模块用于分析候选目标与完整麦穗模版的相似度,并提取相似度大于相似阈值的候选目标作为完整麦穗目标;
完整麦穗输出模块,其连接完整性判断模块,用于获取完整麦穗目标并输出。
5.如权利要求4所述的Adaboost与NCC相结合的完整麦穗识别系统,其特征在于,候选目标识别模块包括LBP特征提取单元、分类器训练单元和麦穗检测单元;LBP特征提取单元用于对小麦图像进行纹理特征识别,提取麦穗图像,并用于从麦穗图像中抽取样本并提取麦穗样本纹理特征;分类器训练单元连接LBP特征提取单元,用于根据麦穗样本纹理特征使用Adaboost训练分类器;麦穗检测单元分别连接LBP特征提取单元和分类器训练单元,麦穗检测单元用于根据分类器对LBP特征提取单元提取的麦穗图像进行分类获得完整麦穗的候选目标。
6.如权利要求4所述的Adaboost与NCC相结合的完整麦穗识别系统,其特征在于,图像输入模块包括图像采集单元和图像预处理单元,图像采集单元用于加载待处理的小麦图像,图像预处理单元用于对加载的小麦图像进行预处理;LBP特征提取单元连接图像预处理单元用于获取预处理后的小麦图像作为特征提取对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710434025.6A CN107392223A (zh) | 2017-06-09 | 2017-06-09 | 一种Adaboost与NCC相结合的完整麦穗识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710434025.6A CN107392223A (zh) | 2017-06-09 | 2017-06-09 | 一种Adaboost与NCC相结合的完整麦穗识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107392223A true CN107392223A (zh) | 2017-11-24 |
Family
ID=60333198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710434025.6A Pending CN107392223A (zh) | 2017-06-09 | 2017-06-09 | 一种Adaboost与NCC相结合的完整麦穗识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392223A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523509A (zh) * | 2018-09-28 | 2019-03-26 | 江苏省无线电科学研究所有限公司 | 小麦抽穗期的检测方法、装置及电子设备 |
CN112233795A (zh) * | 2020-11-19 | 2021-01-15 | 吾征智能技术(北京)有限公司 | 一种基于耳朵纹理特征的疾病预测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060110030A1 (en) * | 2004-11-24 | 2006-05-25 | Samsung Electronics Co., Ltd. | Method, medium, and apparatus for eye detection |
CN102903122A (zh) * | 2012-09-13 | 2013-01-30 | 西北工业大学 | 基于特征光流与在线集成学习的视频目标跟踪方法 |
CN103324932A (zh) * | 2013-06-07 | 2013-09-25 | 东软集团股份有限公司 | 基于视频的车辆检测跟踪方法和系统 |
-
2017
- 2017-06-09 CN CN201710434025.6A patent/CN107392223A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060110030A1 (en) * | 2004-11-24 | 2006-05-25 | Samsung Electronics Co., Ltd. | Method, medium, and apparatus for eye detection |
CN102903122A (zh) * | 2012-09-13 | 2013-01-30 | 西北工业大学 | 基于特征光流与在线集成学习的视频目标跟踪方法 |
CN103324932A (zh) * | 2013-06-07 | 2013-09-25 | 东软集团股份有限公司 | 基于视频的车辆检测跟踪方法和系统 |
Non-Patent Citations (1)
Title |
---|
赵锋: "基于颜色特征和改进Adaboost算法的麦穗识别的研究", 《中国优秀硕士学位论文全文数据库.信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523509A (zh) * | 2018-09-28 | 2019-03-26 | 江苏省无线电科学研究所有限公司 | 小麦抽穗期的检测方法、装置及电子设备 |
CN109523509B (zh) * | 2018-09-28 | 2021-08-13 | 航天新气象科技有限公司 | 小麦抽穗期的检测方法、装置及电子设备 |
CN112233795A (zh) * | 2020-11-19 | 2021-01-15 | 吾征智能技术(北京)有限公司 | 一种基于耳朵纹理特征的疾病预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Krithika et al. | An individual grape leaf disease identification using leaf skeletons and KNN classification | |
Tong et al. | Salient object detection via bootstrap learning | |
Yu et al. | Apple leaf disease identification through region-of-interest-aware deep convolutional neural network | |
Yu et al. | Leaf spot attention network for apple leaf disease identification | |
Pan et al. | Palm vein recognition based on three local invariant feature extraction algorithms | |
CN105303150B (zh) | 实现图像处理的方法和系统 | |
CN110543822A (zh) | 一种基于卷积神经网络和监督式离散哈希算法的指静脉识别方法 | |
CN108257151B (zh) | 基于显著性分析的PCANet图像变化检测方法 | |
CN102254188B (zh) | 掌纹识别方法及装置 | |
CN110633708A (zh) | 一种基于全局模型和局部优化的深度网络显著性检测方法 | |
CN102194114A (zh) | 一种基于边缘梯度方向金字塔直方图的虹膜识别方法 | |
CN107203742A (zh) | 一种基于显著特征点提取的手势识别方法及装置 | |
Priyankara et al. | Computer assisted plant identification system for Android | |
Vu et al. | Improving texture categorization with biologically-inspired filtering | |
CN107392223A (zh) | 一种Adaboost与NCC相结合的完整麦穗识别方法及系统 | |
Hitimana et al. | Automatic estimation of live coffee leaf infection based on image processing techniques | |
CN103824083B (zh) | 基于叶片完备局部二值特征的Web在线物种识别方法 | |
CN104751174A (zh) | 基于超向量编码的极化sar图像分类方法 | |
CN110309879A (zh) | 一种红枣外观品质分类方法、装置、设备及存储介质 | |
Putri et al. | Artistic Style Characterization of Vincent Van Gogh’s Paintings using Extracted Features from Visible Brush Strokes | |
Zamri et al. | Wood species recognition system based on improved basic grey level aura matrix as feature extractor | |
CN108304838A (zh) | 一种图片信息识别方法及终端 | |
Estrada et al. | Appearance-based keypoint clustering | |
CN113139946A (zh) | 一种基于视觉的衬衫污渍定位设备 | |
Habib et al. | Comparative analysis of lbp variants with the introduction of new radial and circumferential derivatives |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171124 |