CN108171721A - 一种大尺度图像的目标对象图像提取方法及装置 - Google Patents
一种大尺度图像的目标对象图像提取方法及装置 Download PDFInfo
- Publication number
- CN108171721A CN108171721A CN201711262695.0A CN201711262695A CN108171721A CN 108171721 A CN108171721 A CN 108171721A CN 201711262695 A CN201711262695 A CN 201711262695A CN 108171721 A CN108171721 A CN 108171721A
- Authority
- CN
- China
- Prior art keywords
- image
- grid
- target object
- characteristic parameter
- target area
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 20
- 241000196324 Embryophyta Species 0.000 claims description 33
- 240000008042 Zea mays Species 0.000 claims description 13
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 13
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 13
- 235000005822 corn Nutrition 0.000 claims description 13
- 244000068988 Glycine max Species 0.000 claims description 11
- 235000010469 Glycine max Nutrition 0.000 claims description 11
- 241000209140 Triticum Species 0.000 claims description 11
- 235000021307 Triticum Nutrition 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 9
- 230000001052 transient effect Effects 0.000 claims description 7
- 238000010191 image analysis Methods 0.000 claims description 4
- 230000002363 herbicidal effect Effects 0.000 description 12
- 239000004009 herbicide Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 239000002917 insecticide Substances 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 239000003337 fertilizer Substances 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 206010059866 Drug resistance Diseases 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000009333 weeding Methods 0.000 description 2
- 240000004385 Centaurea cyanus Species 0.000 description 1
- 235000005940 Centaurea cyanus Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种大尺度图像的目标对象图像提取方法及装置。其中，所述方法包括：获取包括目标对象图像的目标区域图像；将所述目标区域图像划分为预设种类的栅格；基于RGB颜色空间获得各个所述栅格的特征参数；根据各个所述栅格的特征参数从所述目标区域图像中提取所述目标对象图像。所述装置用于执行上述方法。本发明提供的大尺度图像的目标对象图像提取方法及装置，由于能够获取包括目标对象图像的目标区域图像，然后将目标区域图像划分为预设种类的栅格，再基于RGB颜色空间获得各个栅格的特征参数，并根据各个栅格的特征参数从目标区域图像中提取目标对象图像，直接筛选出有效的目标对象图像，提高了对目标对象图像的处理效率。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种大尺度图像的目标对象图像提取方法及装置。
背景技术
精准农业是当今世界农业发展的的新潮流，而农田信息的获取是精准农业实施前提条件，图像采集是农田信息获取的重要手段之一。
大面积农作物的图像对于精准农业具有重要的整体农田分析价值，但由于图像尺寸太大，对于这类图像的进行图像处理，很难快速获得农作物空间分布以及长势等关键信息。目前，常规的做法是先采集图像信息，然后再利用大型计算软件进行运算和特征识别，耗费时间较多，不适合农机具的在线作业。
因此，如何提出一种图像处理方法，能够快速获取精准农业作业的关键信息，以提高对图像的处理效率成为业界亟待解决的重要课题。
发明内容
针对现有技术中的缺陷，本发明提供一种大尺度图像的目标对象图像提取方法及装置。
一方面，本发明提出一种大尺度图像的目标对象图像提取方法，包括：
获取包括目标对象图像的目标区域图像；
将所述目标区域图像划分为预设种类的栅格；
基于RGB颜色空间获得各个所述栅格的特征参数；
根据各个所述栅格的特征参数从所述目标区域图像中提取所述目标对象图像。
另一方面，本发明提供一种大尺度图像的目标对象图像提取装置，包括：
获取单元，用于获取包括目标对象图像的目标区域图像；
划分单元，用于将所述目标区域图像划分为预设种类的栅格；
获得单元，用于基于RGB颜色空间获得各个所述栅格的特征参数；
提取单元，用于根据各个所述栅格的特征参数从所述目标区域图像中提取所述目标对象图像。
再一方面，本发明提供一种电子设备，包括：处理器、存储器和通信总线，其中：
所述处理器和所述存储器通过所述通信总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上述各实施例提供的大尺度图像的目标对象图像提取方法。
又一方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如上述各实施例提供的大尺度图像的目标对象图像提取方法。
本发明提供的大尺度图像的目标对象图像提取方法及装置，由于能够获取包括目标对象图像的目标区域图像，然后将目标区域图像划分为预设种类的栅格，再基于RGB颜色空间获得各个栅格的特征参数，并根据各个栅格的特征参数从目标区域图像中提取目标对象图像，直接筛选出有效的目标对象图像，舍弃与目标对象图像无关的像素点，提高了对目标对象图像的处理效率。
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一简单地介绍，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为本发明一实施例大尺度图像的目标对象图像提取方法的流程示意图；
图2为本发明另一实施例大尺度图像的目标对象图像提取方法的流程示意图；
图3为本发明一实施例大尺度图像的目标对象图像提取装置的结构示意图；
图4为本发明一实施例电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、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地描述，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做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。
图1为本发明一实施例大尺度图像的目标对象图像提取方法的流程示意图，如图1所示，本发明提供的大尺度图像的目标对象图像提取方法包括：
S101、获取包括目标对象图像的目标区域图像；
具体地，大尺度图像的目标对象图像提取装置(以下简称图像提取装置)可以通过CCD摄像机获取目标区域图像，所述目标区域图像包括目标对象图像。其中，所述目标区域图像可以是包括农作物、杂草以及土壤的农田图像，所述目标对象图像可以是杂草图像或者农作物图像。
S102、将所述目标区域图像划分为预设种类的栅格；
具体地，为了加快对图像的处理速度，所述图像提取装置将所述目标区域图像划分为预设种类的栅格，所述预设种类根据实际经验进行设置，本发明实施例不做限定。
S103、基于RGB颜色空间获得各个所述栅格的特征参数；
具体地，所述图像提取装置在将所述目标区域图像划分为预设种类的栅格之后，可以基于RGB颜色空间获取各个所述栅格在所述RGB颜色空间的红色分量、绿色分量和蓝色分量，然后根据红色分量、绿色分量和蓝色分量中至少两个分量获得所述栅格的特征参数。其中，由于所述栅格覆盖多个所述目标区域图像的像素点，所述栅格在所述RGB颜色空间的红色分量可以根据所覆盖的多个像素点在所述RGB颜色空间的红色分量求平均值获得，同理可以获得所述栅格在所述RGB颜色空间的绿色分量和蓝色分量。
例如，所述图像提取装置获取栅格A在所述RGB颜色空间的第一颜色分量为c1和第二颜色分量为c2，可以根据公式p＝(c1-c2)/(c1+c2)计算获得栅格A的特征参数p。其中，所述第一颜色分量为所述红色分量、所述绿色分量和所述蓝色分量中的一个，所述第二颜色分量为所述红色分量、所述绿色分量和所述蓝色分量中的一个，且所述第一颜色分量与所述第二颜色分量不同。所述图像提取装置获取栅格E在所述RGB颜色空间的红色分量为r、绿色分量为g和蓝色分量为b，第一颜色分量为c1，第二颜色分量为c2可以根据公式p＝(c1-c2)/(g+r+b)计算获得栅格E的特征参数p。其中，所述第一颜色分量为所述红色分量、所述绿色分量和所述蓝色分量中的一个，所述第二颜色分量为所述红色分量、所述绿色分量和所述蓝色分量中的一个，且所述第一颜色分量与所述第二颜色分量不同。
S104、根据各个所述栅格的特征参数从所述目标区域图像中提取所述目标对象图像。
具体地，所述图像提取装置在获得各个所述栅格的特征参数之后，根据各个所述栅格的特征参数判断各个所述栅格对应的图像是否属于所述目标对象图像，提取属于所述目标对象图像的所述栅格对应的图像，将不属于所述目标对象图像的所述栅格对应的图像丢弃，最终从所述目标区域图像中提取出所述目标对象图像。
例如，所述图像提取装置在包括杂草图像的农田图像中提取出所述杂草图像，所述图像提取装置获得了所述农田图像中每个所述栅格的特征参数，分别判断各个所述栅格的特征参数是否在与所述杂草图像对应的预设范围内，如果所述栅格的特征参数在所述预设范围内，说明所述栅格对应的图像属于所述杂草图像，从所述目标区域图像中提取所述栅格对应的图像，如果所述栅格对应的特征参数不在所述预设范围内，说明所述栅格对应的图像不属于所述杂草图像，将所述栅格对应的图像丢弃。
本发明提供的大尺度图像的目标对象图像提取方法及装置，由于能够获取包括目标对象图像的目标区域图像，然后将目标区域图像划分为预设种类的栅格，再基于RGB颜色空间获得各个栅格的特征参数，并根据各个栅格的特征参数从目标区域图像中提取目标对象图像，直接筛选出有效的目标对象图像，舍弃与目标对象图像无
关的像素点，提高了对目标对象图像的处理效率。
在上述各实施例的基础上，进一步地，所述基于RGB颜色空间获取各个所述栅格的特征参数包括：
根据公式p＝(g-r)/(g+r)计算获得每个所述栅格的特征参数，其中，p表示所述栅格的特征参数，g表示所述栅格在所述RGB颜色空间的绿色分量，r表示所述栅格在所述RGB颜色空间的红色分量。
具体地，所述图像提取装置可以获得各个所述栅格在所述RGB颜色空间的绿色分量g和所述栅格在所述RGB颜色空间的红色分量r，然后根据公式p＝(g-r)/(g+r)计算获得每个所述栅格的特征参数p。通过上述公式计算获得的所述栅格的特征参数，有利于区分所述目标区域图像包括的不同对象。
在上述各实施例的基础上，进一步地，所述根据所述栅格的特征参数从所述目标区域图像中提取所述目标对象图像包括：
若判断获知所述栅格的特征参数在预设范围内，则从所述目标区域图像中提取所述栅格对应的图像；其中，所述预设范围是根据所述目标对象图像预设的。
具体地，所述图像提取装置在获取到所述各个所述栅格的特征参数之后，判断各个所述栅格的特征参数是否在预设范围内，如果所述栅格的特征参数在所述预设范围内，说明所述栅格对应的图像属于所述目标对象图像，将所述栅格对应的图像从所述目标区域图像中提取出来。将所述特征参数在所述预设范围内的各个所述栅格对应的图像提取出来，按照各个所述栅格在所述目标区域图像中位置进行组合，构成了所述目标对象图像。其中，所述预设范围是根据所述目标对象图像预设的。所述预设范围根据实际经验设置，本发明实施例不做限定。
图2为本发明另一实施例大尺度图像的目标对象图像提取方法的流程示意图，如图2所示，本发明提供的大尺度图像的目标对象图像提取方法还包括：
S201、获取不同时期的所述目标区域图像；
具体地，由于农作物具有生长周期，以及需要对所述农作物进行施肥、喷洒农药、喷洒除草剂等田间作业，所述图像提取装置可以通过CCD摄像机获取不同时期的所述目标区域图像。例如，获取玉米穗期的农田图像，获取玉米喷洒农药前和喷洒农药后的农田图像。
S202、从不同时期的所述目标区域图像中分别提取多个不同的目标对象图像；
具体地，所述图像提取装置在获得不同时期的所述目标区域图像之后，对不同时期的所述目标区域图像进行不同的目标对象图像提取，获得多个不同的目标对象图像，所述目标对象图像的具体提取过程与步骤102、步骤103和步骤104类似，此处不再赘述。
例如，获取了玉米花粒期喷洒农药前和喷洒农药后的农田图像，可以从上述农田图像中提取喷洒农药前玉米植株图像和杂草图像、喷洒农药后玉米植株图像和杂草图像。
S203、对多个所述不同的目标对象图像分别进行图像分析。
具体地，所述图像提取装置在获得多个所述不同的目标对象图像之后，可以对多个所述不同的目标对象图像分别进行图像分析，即通过分析所述目标对象图像中的像素以及相邻像素之间的关系，可以识别更加细微的目标，例如通过作物图像识别农药的药害信息、通过杂草图像识别杂草对农作物的抗药性、以及杂草的抗药性程度，通过对目标对象图像进行不同角度的分析，以提高图像分析的精确性。
例如，对一块生长有农作物和杂草的农田获取喷洒除草剂之前和喷洒除草剂之后的农田图像。从喷洒除草剂之前的农田图像中分别提取出喷洒除草剂之前的农作物图像和杂草图像，从喷洒除草剂之后的农田图像中分别提取出农作物图像和杂草图像。通过分析喷洒除草剂之后的农作物图像中相邻像素之间的关系，可以识别出农作物上除草剂的残留；通过对比喷洒除草剂之前的杂草图像和喷洒除草剂之后的杂草图像，可以获知杂草的抗药性程度；通过喷洒除草剂之前的杂草图像和喷洒除草剂之后的杂草图像，并结合采集的杂草的光谱响应参数，可以对杂草的抗药性进行分析。
在上述各实施例的基础上，进一步地，所述目标对象图像包括杂草图像、黄豆图像、小麦图像或者玉米图像。
具体地，在对农田进行作业前，需要获取作业的目标对象图像，如果要进行除草作业，需要从所述农田图像中获取杂草图像，再对所述杂草图像进行一步处理。如果所述农田种植了黄豆、小麦或者玉米，需要对黄豆、小麦或者玉米进行施肥或者除病虫害，需要从所述农田图像中获取黄豆图像、小麦图像或者玉米图像。因此，所述目标对象图像可以包括杂草图像、黄豆图像、小麦图像或者玉米图像。
图2为本发明一实施例大尺度图像的目标对象图像提取装置的结构示意图，如图2所示，本发明提供的大尺度图像的目标对象图像提取装置包括获取单元301、划分单元302、获得单元303和提取单元304，其中：
获取单元301用于获取包括目标对象图像的目标区域图像；划分单元302用于将所述目标区域图像划分为预设种类的栅格；获得单元303用于基于RGB颜色空间获得各个所述栅格的特征参数；提取单元304用于根据各个所述栅格的特征参数从所述目标区域图像中提取所述目标对象图像。
具体地，获取单元301可以通过CCD摄像机获取目标区域图像，所述目标区域图像包括目标对象图像。其中，所述目标区域图像可以是包括农作物、杂草以及土壤的农田图像，所述目标对象图像可以是杂草图像或者农作物图像。
为了加快对图像的处理速度，划分单元302将所述目标区域图像划分为预设种类的栅格，所述预设种类根据实际经验进行设置，本发明实施例不做限定。
获得单元303在将所述目标区域图像划分为预设种类的栅格之后，可以基于RGB颜色空间获取各个所述栅格在所述RGB颜色空间的红色分量、绿色分量和蓝色分量，然后根据红色分量、绿色分量和蓝色分量中至少两个分量获得所述栅格的特征参数。其中，由于所述栅格覆盖多个所述目标区域图像的像素点，所述栅格在所述RGB颜色空间的红色分量可以根据所覆盖的多个像素点在所述RGB颜色空间的红色分量求平均值获得，同理可以获得所述栅格在所述RGB颜色空间的绿色分量和蓝色分量。
提取单元304在获得各个所述栅格的特征参数之后，根据各个所述栅格的特征参数判断各个所述栅格对应的图像是否属于所述目标对象图像，提取属于所述目标对象图像的所述栅格对应的图像，将不属于所述目标对象图像的所述栅格对应的图像丢弃，最终从所述目标区域图像中提取出所述目标对象图像。
本发明提供的大尺度图像的目标对象图像提取装置，由于能够获取包括目标对象图像的目标区域图像，然后将目标区域图像划分为预设种类的栅格，再基于RGB颜色空间获得各个栅格的特征参数，并根据各个栅格的特征参数从目标区域图像中提取目标对象图像，直接筛选出有效的目标对象图像，舍弃与目标对象图像无关的像素点，提高了对目标对象图像的处理效率。
在上述各实施例的基础上，进一步地，获得单元303具体用于：
根据公式p＝(g-r)/(g+r)计算获得每个所述栅格的特征参数，其中，p表示所述栅格的特征参数，g表示所述栅格在所述RGB颜色空间的绿色分量，r表示所述栅格在所述RGB颜色空间的红色分量。
具体地，获得单元303可以获得各个所述栅格在所述RGB颜色空间的绿色分量g和所述栅格在所述RGB颜色空间的红色分量r，然后根据公式p＝(g-r)/(g+r)计算获得每个所述栅格的特征参数p。通过上述公式计算获得的所述栅格的特征参数，有利于区分所述目标区域图像包括的不同对象。
在上述各实施例的基础上，进一步地，提取单元304具体用于：
若判断获知所述栅格的特征参数在预设范围内，则从所述目标区域图像中提取所述栅格对应的图像；其中，所述预设范围是根据所述目标对象图像预设的。
具体地，提取单元304在获取到所述各个所述栅格的特征参数之后，判断各个所述栅格的特征参数是否在预设范围内，如果所述栅格的特征参数在所述预设范围内，说明所述栅格对应的图像属于所述目标对象图像，将所述栅格对应的图像从所述目标区域图像中提取出来。将所述特征参数在所述预设范围内的各个所述栅格对应的图像提取出来，按照各个所述栅格在所述目标区域图像中位置进行组合，构成了所述目标对象图像。其中，所述预设范围是根据所述目标对象图像预设的。所述预设范围根据实际经验设置，本发明实施例不做限定。
在上述各实施例的基础上，进一步地，所述目标对象图像包括杂草图像、黄豆图像、小麦图像或者玉米图像。
具体地，在对农田进行作业前，需要获取作业的目标对象图像，如果要进行除草作业，需要从所述农田图像中获取杂草图像，再对所述杂草图像进行一步处理。如果所述农田种植了黄豆、小麦或者玉米，需要对黄豆、小麦或者玉米进行施肥或者除病虫害，需要从所述农田图像中获取黄豆图像、小麦图像或者玉米图像。因此，所述目标对象图像可以包括杂草图像、黄豆图像、小麦图像或者玉米图像。
本发明提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
图4为本发明一实施例电子设备的实体结构示意图，如图4所示，所述电子设备包括处理器(processor)401、存储器(memory)402和通信总线403；
其中，处理器401、存储器402通过通信总线403完成相互间的通信；
处理器401用于调用存储器402中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取包括目标对象图像的目标区域图像；将所述目标区域图像划分为预设种类的栅格；基于RGB颜色空间获得各个所述栅格的特征参数；根据各个所述栅格的特征参数从所述目标区域图像中提取所述目标对象图像。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取包括目标对象图像的目标区域图像；将所述目标区域图像划分为预设种类的栅格；基于RGB颜色空间获得各个所述栅格的特征参数；根据各个所述栅格的特征参数从所述目标区域图像中提取所述目标对象图像。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取包括目标对象图像的目标区域图像；将所述目标区域图像划分为预设种类的栅格；基于RGB颜色空间获得各个所述栅格的特征参数；根据各个所述栅格的特征参数从所述目标区域图像中提取所述目标对象图像。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，装置，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以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；而这些修改或者替换，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)
1.一种大尺度图像的目标对象图像提取方法，其特征在于，包括：
获取包括目标对象图像的目标区域图像；
将所述目标区域图像划分为预设种类的栅格；
基于RGB颜色空间获得各个所述栅格的特征参数；
根据各个所述栅格的特征参数从所述目标区域图像中提取所述目标对象图像。
2.根据权利要求1所述的方法，其特征在于，所述基于RGB颜色空间获取各个所述栅格的特征参数包括：
根据公式p＝(g-r)/(g+r)计算获得每个所述栅格的特征参数，其中，p表示所述栅格的特征参数，g表示所述栅格在所述RGB颜色空间的绿色分量，r表示所述栅格在所述RGB颜色空间的红色分量。
3.根据权利要求1所述的方法，其特征在于，所述根据各个所述栅格的特征参数从所述目标区域图像中提取所述目标对象图像包括：
若判断获知所述栅格的特征参数在预设范围内，则从所述目标区域图像中提取所述栅格对应的图像；其中，所述预设范围是根据所述目标对象图像预设的。
4.根据权利要求1所述的方法，其特征在于，还包括：
获取不同时期的所述目标区域图像；
从不同时期的所述目标区域图像中分别提取多个不同的目标对象图像；
对多个所述不同的目标对象图像分别进行图像分析。
5.根据权利要求1至3所述的方法，其特征在于，所述目标对象图像包括杂草图像、黄豆图像、小麦图像或者玉米图像。
6.一种大尺度图像的目标对象图像提取装置，其特征在于，包括：
获取单元，用于获取包括目标对象图像的目标区域图像；
划分单元，用于将所述目标区域图像划分为预设种类的栅格；
获得单元，用于基于RGB颜色空间获得各个所述栅格的特征参数；
提取单元，用于根据各个所述栅格的特征参数从所述目标区域图像中提取所述目标对象图像。
7.根据权利要求6所述的装置，其特征在于，所述获得单元具体用于：
根据公式p＝(g-r)/(g+r)计算获得每个所述栅格的特征参数，其中，p表示所述栅格的特征参数，g表示所述栅格在所述RGB颜色空间的绿色分量，r表示所述栅格在所述RGB颜色空间的红色分量。
8.根据权利要求6所述的装置，其特征在于，所述提取单元具体用于：
若判断获知所述栅格的特征参数在预设范围内，则从所述目标区域图像中提取所述栅格对应的图像；其中，所述预设范围是根据所述目标对象图像预设的。
9.一种电子设备，其特征在于，包括：处理器、存储器和通信总线，其中：
所述处理器和所述存储器通过所述通信总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至5任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711262695.0A CN108171721A (zh) | 2017-12-04 | 2017-12-04 | 一种大尺度图像的目标对象图像提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711262695.0A CN108171721A (zh) | 2017-12-04 | 2017-12-04 | 一种大尺度图像的目标对象图像提取方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108171721A true CN108171721A (zh) | 2018-06-15 |
Family
ID=62524350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711262695.0A Pending CN108171721A (zh) | 2017-12-04 | 2017-12-04 | 一种大尺度图像的目标对象图像提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108171721A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796149A (zh) * | 2019-10-09 | 2020-02-14 | 陈浩能 | 食品追溯的图像比对方法及相关装置 |
| CN113366956A (zh) * | 2021-06-16 | 2021-09-10 | 中国农业大学 | 药肥同施的控制方法及药肥同施的装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184392A (zh) * | 2011-05-25 | 2011-09-14 | 中国水稻研究所 | 基于dsp的水稻杂草识别系统及其识别方法 |
| CN106228579A (zh) * | 2016-08-25 | 2016-12-14 | 河海大学 | 一种基于地理时空场景的视频图像动态水位信息提取方法 |
| CN106780514A (zh) * | 2016-12-28 | 2017-05-31 | 南京信息工程大学 | 基于监控视频影像的暴雨积涝区积水深度的计算方法 |
-
2017
- 2017-12-04 CN CN201711262695.0A patent/CN108171721A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184392A (zh) * | 2011-05-25 | 2011-09-14 | 中国水稻研究所 | 基于dsp的水稻杂草识别系统及其识别方法 |
| CN106228579A (zh) * | 2016-08-25 | 2016-12-14 | 河海大学 | 一种基于地理时空场景的视频图像动态水位信息提取方法 |
| CN106780514A (zh) * | 2016-12-28 | 2017-05-31 | 南京信息工程大学 | 基于监控视频影像的暴雨积涝区积水深度的计算方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴兰兰: "基于数字图像处理的玉米苗期田间杂草的识别研究", 《中国博士学位论文全文数据库_信息科技辑》 * |
| 周建军等: "平移喷灌机变量灌溉决策支持系统研究", 《河北农业大学学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796149A (zh) * | 2019-10-09 | 2020-02-14 | 陈浩能 | 食品追溯的图像比对方法及相关装置 |
| CN110796149B (zh) * | 2019-10-09 | 2023-10-27 | 陈浩能 | 食品追溯的图像比对方法及相关装置 |
| CN113366956A (zh) * | 2021-06-16 | 2021-09-10 | 中国农业大学 | 药肥同施的控制方法及药肥同施的装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109197278B (zh) | 作业策略的确定方法及装置、药物喷洒策略的确定方法 | |
| CN109446958B (zh) | 施药效果的确定方法及装置、系统 | |
| CN108052562A (zh) | 一种微型处方图生成方法及装置 | |
| Mahmud et al. | Development of a LiDAR-guided section-based tree canopy density measurement system for precision spray applications | |
| JP7086203B2 (ja) | 植物体耕作データ測定方法、作業経路計画方法及び装置、システム | |
| CN110297483A (zh) | 待作业区域边界获取方法、装置，作业航线规划方法 | |
| CN109409275B (zh) | 目标对象的识别方法及装置、施药信息的确定方法 | |
| Hočevar et al. | Flowering estimation in apple orchards by image analysis | |
| JP2022526368A (ja) | 化学的および機械的手段を用いるターゲットを定めた雑草防除 | |
| CN109446959B (zh) | 目标区域的划分方法及装置、药物的喷洒控制方法 | |
| Xiao et al. | An intelligent precision orchard pesticide spray technique based on the depth-of-field extraction algorithm | |
| Parra et al. | Edge detection for weed recognition in lawns | |
| CN113807130A (zh) | 一种杂草识别方法、装置、计算设备及存储介质 | |
| De Castro et al. | Mapping Cynodon dactylon in vineyards using UAV images for site-specific weed control | |
| CN111818796B (zh) | 用于喷洒管理的设备 | |
| TW202326596A (zh) | 一種利用光譜遙測和人工智慧的病蟲害防治方法 | |
| CN111753615A (zh) | 变量喷洒方法及装置、电子设备及存储介质 | |
| CN108171721A (zh) | 一种大尺度图像的目标对象图像提取方法及装置 | |
| US11710308B1 (en) | Seed germination detection method and apparatus | |
| CN108537164A (zh) | 基于无人机遥感的点穴播种出芽率监测方法与装置 | |
| Evstatiev et al. | Fast Pasture Classification Method using Ground-based Camera and the Modified Green Red Vegetation Index (MGRVI) | |
| CN104504736A (zh) | 一种识别大田作物长势监控图像中绿色植物的方法及系统 | |
| CN103778426A (zh) | 绿色作物特征提取方法以及农情信息检测视觉系统 | |
| CN114651283A (zh) | 搜寻功能出苗 | |
| US12001512B2 (en) | Generating labeled synthetic training data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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 |
Application publication date: 20180615 |
|
| RJ01 | Rejection of invention patent application after publication |