CN108171718A - 一种基于小波变换的小菊花瓣数目自动检测方法 - Google Patents
一种基于小波变换的小菊花瓣数目自动检测方法 Download PDFInfo
- Publication number
- CN108171718A CN108171718A CN201711184318.XA CN201711184318A CN108171718A CN 108171718 A CN108171718 A CN 108171718A CN 201711184318 A CN201711184318 A CN 201711184318A CN 108171718 A CN108171718 A CN 108171718A
- Authority
- CN
- China
- Prior art keywords
- small
- chrysanthemum
- petal
- image
- signal
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 13
- 238000012360 testing method Methods 0.000 title description 2
- 241000723353 Chrysanthemum Species 0.000 claims abstract description 32
- 235000007516 Chrysanthemum Nutrition 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002592 echocardiography Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009659 non-destructive testing Methods 0.000 abstract description 5
- 241000196324 Embryophyta Species 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000003709 image segmentation Methods 0.000 abstract description 3
- 244000025254 Cannabis sativa Species 0.000 abstract 1
- 241001573881 Corolla Species 0.000 abstract 1
- 241000159750 Urtica cannabina Species 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000005633 Chrysanthemum balsamita Nutrition 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于小波的小菊花瓣数目自动无损检测方法，属于植物表型测量领域。以普通相机作为采集设备，采集小菊图像。通过数字图像处理技术，设计出一种小菊花瓣数目自动无损检测方法。该方法如图1所示，具体包括：将采集的菊花花冠RGB图像进行图像分割，将菊花从背景中提取出来；对空洞进行填充；通过边界跟踪将菊花轮廓曲线提取出来；采用质心距法将二维轮廓曲线，降维为一维信号；经信号扩展后对信号进行小波变换，提取小波第四层系数；查找正过零点，从而实现菊花花瓣数目的自动检测。本方法是国内外首次采用小波变换方法实现小菊花花瓣数目的自动无损检测，适用于单层有瓣花卉的花瓣数目自动无损检测，为小菊表型自动测量奠定基础。
Description
技术领域
本发明属于数字图像处理在植物表型测量领域的应用，是对小菊花瓣数目进行自动检测级测量的一种 方法，适用于单层花瓣的小菊及其他花卉的花瓣数目自动检测。
背景技术
菊花起源于中国,是中国十大传统名花之一,菊花表型研究对菊花分类具有重要意义。菊花花瓣数量花 卉表型的一个重要参数。然而截止到目前为止，都是采用人工识别从而进行测量的方法，难于满足大批量 快速测试的要求。图像作为一种内容丰富,表达直观的多媒体信息,在人们生活、科研等方面都扮演着十分 重要的角色。近几十年兴起的数字图像处理技术也已经深入到各个领域,具有快速、准确的特点,所以也越 来越引起了植物分类专家们的重视。相比传统的人工方法,这种技术更加高效、自动、精确,且省时省力,不 易受研究者的主观因素影响,是植物分类学家仅靠人工难以做到的。小菊花瓣相比于大菊花瓣更适于采用 自动化的方法测量，但截至目前为止国内外鲜有相关文献报道。刘倩采用质心距和凹角点的二次面积结合 方法来检测其他花瓣数目，但检测方法繁琐，检测效果受拍摄角度和质量影响比较大，而且对于花瓣生长 的不规则性，效果较差(刘倩.基于图像处理的花卉花瓣的测量[D].北京林业大学,2012)。本发明开发了一 种基于小波变换，适合小菊菊花花瓣数目自动识别方法，克服了上述检测方法的不足，检测方法简便，对 于拍摄效果不理想的，边缘不光滑的花朵也能够达到比较好的检测效果，为小菊菊花表型自动快速测量 奠定基础。
发明内容
本发明采用基于小波变换小菊花瓣数目自动识别方法，先进行小菊图像分割，提取花朵轮廓曲线，采 用质心距方法将二维轮廓曲线转换成一维曲线，然后进行小波变换，提取第四层小波系数，通过查找正过 零点来检测花瓣的个数。
本发明主要包括以下部分(图1)：
小菊菊花图像分割：对小菊RGB图像进行归一化处理获得每一个像素的RGB的值，采用OSTU方法求 得该灰度图阈值，利用该阈值对图像进行二值化处理，将小菊从背景中分割出来，对分割后的小菊图像进 行填充孔洞。
小菊轮廓信息提取：通过边界跟踪查找外轮廓，获得轮廓序列，提取该轮廓序列中每个轮廓点的x坐 标和y坐标。采用质心距法将二维轮廓曲线降维为一维信号，并将一维信号进行扩展。
小波变换：采用Haar小波做为母小波，经扩展后再与信号进行卷积，得到在不同分辨率下的小波 系数。
花瓣数目检测：提取第四层小波系数，得到新的一维信号，然后查找正过零点。正过零点表示的是原 一维信号的局部最大值，通过检测局部最大值(正过零点)的个数，便可得到花瓣的个数。
附图说明
图1为一种基于小波变换的小菊花瓣数目自动无损检测方法流程图；
图2为小菊图像的灰度图像
图3为分割、填充后的图像
图4为通过边界跟踪得到的边界曲线
图5为一维质心距曲线
图6为小波变换的第四层系数曲线
图7为图6曲线的正过零点
图8为菊花轮廓上的正过零点
具体实施方式
本发明开发了一种基于小波变换的小菊花瓣数目自动识别方法，具体实施方式如下：
(1)用相机采集小菊的RGB图像。
(2)对小菊RGB图像进行归一化处理获得每一个像素的RGB的值，采用OSTU方法求得该灰度图 (图2)阈值，利用该阈值对图像进行二值化处理，实现小菊图像分割，将小菊从背景中分割出来， 对分割后的小菊图像进行填充孔洞(如图3)。
(3)通过边界跟踪查找外轮廓，获得轮廓序列，提取该轮廓序列中每个轮廓点的x坐标和y坐标(图 4)。
(4)计算小菊区域的质心与外轮廓点之间的距离。令某个外轮廓点在图像中的坐标为(xi,yi),质心在图 像中的坐标为(x0,y0),二者之间的距离为公式(1)，通过计算每个点的距离Di，得到一个一维数组S, 从而将二维图像变成一维信号(图5)。
(5)将一维信号扩展为2j倍：令一维信号的长度为N0,计算N0以2为底的对数值,得到的结果取整数， 并加1，得到数值n，若2n小于2N0，则对原一维信号进行镜像翻转，补充到原一维信号之后，取前2n个数据点，得到新的信号。若2n大于2N0，则对原一维信号补充镜像翻转的信号之后,再补充原一维信 号，然后再取前2n个数据点，得到新的信号。
(6)小波变换：选择用Haar小波，其母小波的形式如公式(2)，对母小波按上述(5)方法进行扩 展，再与信号进行卷积(公式(3)),可以得到在不同分辨率下的小波系数。
其中
(7)提取信号小波变换后的第四层系数(图6)，对获得的小波系数提取前N0个数据点,得到新的一维 信号，使其与原始信号长度相同。
(8)查找正过零点(图7)。正过零点表示的是原一维信号的局部最大值。图8为轮廓上的正过零点， 显然，通过检测局部最大值的个数，便可得到花瓣的个数。
Claims (1)
1.一种基于小波变换小菊花瓣数目无损自动检测及测量方法。该方法按照以下步骤进行：
(1)对小菊RGB图像进行归一化处理获得每一个像素的RGB的值，采用OSTU方法求得该灰度图阈值，利用该阈值对图像进行二值化处理，将小菊从背景中分割出来，对分割后的小菊图像进行填充孔洞。
(2)通过边界跟踪查找外轮廓，获得轮廓序列，提取该轮廓序列中每个轮廓点的x坐标和y坐标。
(3)计算小菊区域的质心与外轮廓点之间的距离，通过计算每个点的距离，得到一个一维数组，,从而将二维图像变成一维信号，并将一维信号扩展为2n倍。
(4)采用Haar小波做为母小波，并对母小波做上述同样的2n倍扩展，再与信号进行卷积，得到在不同分辨率下的小波系数。
(5)提取第四层小波系数，对获得的小波系数提取前N0个数据点,得到新的一维信号，使其与原始信号长度相同。
(6)查找正过零点，正过零点表示的是原一维信号的局部最大值，通过检测局部最大值(正过零点)的个数，便可得到花瓣的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711184318.XA CN108171718A (zh) | 2017-11-23 | 2017-11-23 | 一种基于小波变换的小菊花瓣数目自动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711184318.XA CN108171718A (zh) | 2017-11-23 | 2017-11-23 | 一种基于小波变换的小菊花瓣数目自动检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108171718A true CN108171718A (zh) | 2018-06-15 |
Family
ID=62527598
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711184318.XA Pending CN108171718A (zh) | 2017-11-23 | 2017-11-23 | 一种基于小波变换的小菊花瓣数目自动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108171718A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458200A (zh) * | 2019-07-17 | 2019-11-15 | 浙江工业大学 | 一种基于机器学习的花朵种类识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103471523A (zh) * | 2013-09-30 | 2013-12-25 | 北京林业大学 | 一种拟南芥轮廓表型的检测方法 |
| CN103489192A (zh) * | 2013-09-30 | 2014-01-01 | 北京林业大学 | 一种拟南芥叶片个数及叶片尖点到质心的距离的检测方法 |
| CN103591887A (zh) * | 2013-09-30 | 2014-02-19 | 北京林业大学 | 一种拟南芥区域表型的检测方法 |
| CN103593840A (zh) * | 2013-09-30 | 2014-02-19 | 北京林业大学 | 一种拟南芥表型检测方法 |
| CN105184752A (zh) * | 2015-09-23 | 2015-12-23 | 成都融创智谷科技有限公司 | 一种基于小波变换的图像处理方法 |
| CN106872383A (zh) * | 2017-03-31 | 2017-06-20 | 南京农业大学 | 一种基于连续小波分析的水稻反射光谱红边位置提取方法 |
| CN107330919A (zh) * | 2017-06-27 | 2017-11-07 | 中国科学院成都生物研究所 | 花蕊运动轨迹的获取方法 |
-
2017
- 2017-11-23 CN CN201711184318.XA patent/CN108171718A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103471523A (zh) * | 2013-09-30 | 2013-12-25 | 北京林业大学 | 一种拟南芥轮廓表型的检测方法 |
| CN103489192A (zh) * | 2013-09-30 | 2014-01-01 | 北京林业大学 | 一种拟南芥叶片个数及叶片尖点到质心的距离的检测方法 |
| CN103591887A (zh) * | 2013-09-30 | 2014-02-19 | 北京林业大学 | 一种拟南芥区域表型的检测方法 |
| CN103593840A (zh) * | 2013-09-30 | 2014-02-19 | 北京林业大学 | 一种拟南芥表型检测方法 |
| CN105184752A (zh) * | 2015-09-23 | 2015-12-23 | 成都融创智谷科技有限公司 | 一种基于小波变换的图像处理方法 |
| CN106872383A (zh) * | 2017-03-31 | 2017-06-20 | 南京农业大学 | 一种基于连续小波分析的水稻反射光谱红边位置提取方法 |
| CN107330919A (zh) * | 2017-06-27 | 2017-11-07 | 中国科学院成都生物研究所 | 花蕊运动轨迹的获取方法 |
Non-Patent Citations (1)
| Title |
|---|
| （英）拉卡米亚 等编著: "《开放市场下的电能质量指标》", 31 March 2011 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458200A (zh) * | 2019-07-17 | 2019-11-15 | 浙江工业大学 | 一种基于机器学习的花朵种类识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109522788B (zh) | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 | |
| CN112381861B (zh) | 一种基于地基激光雷达的林地点云数据配准和分割方法 | |
| CN106022288B (zh) | 基于sar图像的海洋溢油信息识别与提取方法 | |
| CN106289777B (zh) | 一种基于几何度量的多工况滚动轴承性能评估方法 | |
| CN102521835A (zh) | 一种基于空间三维模板的点云数据树高提取方法 | |
| CN103065149A (zh) | 网纹甜瓜果实表型提取与量化方法 | |
| CN110288561A (zh) | 基于频率域滤波增强的耐火砖表面划痕识别方法 | |
| CN107123146A (zh) | 一种标定板图像的标志物定位方法和系统 | |
| CN107358161B (zh) | 一种基于遥感影像分类的海岸线提取方法及系统 | |
| CN103528534A (zh) | 一种基于图像监测的输电线路覆冰厚度检测方法 | |
| CN108805139B (zh) | 一种基于频域视觉显著性分析的图像相似性计算方法 | |
| CN104764407A (zh) | 一种电缆护套厚度的精细测量方法 | |
| CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
| CN107067430A (zh) | 一种基于特征点聚类的麦田作物行检测方法 | |
| CN107392953B (zh) | 基于等高线的深度图像识别方法 | |
| CN108171718A (zh) | 一种基于小波变换的小菊花瓣数目自动检测方法 | |
| CN103065296B (zh) | 一种基于边缘特征的高分辨率遥感影像居民区提取方法 | |
| CN106324708B (zh) | 雨量记录图纸的数字化方法、装置 | |
| CN103471514B (zh) | 一种基于机器视觉和一元线性回归分析的大蒜分级方法 | |
| CN117274263B (zh) | 一种显示器瘢痕缺陷检测方法 | |
| CN107220972B (zh) | 一种基于红外图像的禽蛋品质鉴别方法 | |
| CN113870179A (zh) | 一种基于多视角轮廓图重建的蜜柚纵横径测量方法 | |
| CN108985346A (zh) | 融合低层图像特征及cnn特征的现勘图像检索方法 | |
| CN110653166B (zh) | 一种水果检测分级方法与装置 | |
| CN107527362A (zh) | 一种基于图像纹理特征指标的苹果口感定性鉴别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180615 |