CN108335307A - 基于暗原色的自适应烟叶图片分割方法及系统 - Google Patents
基于暗原色的自适应烟叶图片分割方法及系统 Download PDFInfo
- Publication number
- CN108335307A CN108335307A CN201810355969.9A CN201810355969A CN108335307A CN 108335307 A CN108335307 A CN 108335307A CN 201810355969 A CN201810355969 A CN 201810355969A CN 108335307 A CN108335307 A CN 108335307A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- tobacco leaf
- picture
- channel
- foreground
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10024—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
本发明涉及基于暗原色的自适应烟叶图片分割方法及系统,该方法包括获取烟叶图片数据;基于大规模烟叶图片数据的统计学规律,选择分割频道;选取分割频道内的分割阈值,并对烟叶图片进行前景和背景分割;根据分割后的前景像素和背景像素进行联通区域分析,获取符合条件的烟叶区域。本发明通过对大规模烟叶图片数据的统计学规律,获取分割频道,从分割频道中选取分割阈值,并对实际的烟叶图片进行分割,选取基于暗原色的色彩频道进行自适应的Otsu分割,通过最大联通区域分析输出符合条件的烟叶区域,实现精准的图片分割,在嘈杂的真实场景中拍摄的烟叶图像实现高效实时的前景提取,自适应新数据能力强,操作简单,计算要求低。
Description
技术领域
本发明涉及图片分割方法,更具体地说是指基于暗原色的自适应烟叶图片分割方法及系统。
背景技术
烟叶作物在我国农业生产中占有重要地位,烟叶作物的收购中,评级系统对农民和商家的利益具有重要意义,长期以来,不论是国内还是国外,烟叶质量的检测和分级都是参照各地区颁布的烟叶分级标准和标准的烟叶样本,依靠人的视觉和触觉感官来进行判断分级的。
目前我国烟叶评级制度及实施主要依靠于专家的现场监测,具有效率低,成本高,主观性强等明显缺陷,并且,专家分级对人工要求很高,专家的培养需要严格的培训机制,业务能力的合格需要长时间的实际经验,近年来,随着人工智能在农业应用中的兴起,基于自动化智能设备和算法的技术与系统在农业应用中找到了价值。然而,已有的自动烟叶分级系统具有很多的局限性,导致其在现实应用中效果达不到预期标准,因此仍然需要大量的人力进行复查。现有的自动分类系统主要是基于传统的监督学习的分类系统。此类系统有明显的局限性:对图片中的不相关区域容忍度低。实际应用场景拍摄的烟叶图片往往包含大量干扰信息,例如拍摄背景的颜色光照变化或不相关物体的出现,传统机器学习算法模型往往基于烟叶图像本身的特征提取,来自背景的干扰信息会严重影响特征提取的精度,进而严重影响分类系统最终的准确度,对烟叶部分图像轮廓精度要求高,由于烟叶的形状特征是进行烟叶分类的最重要特征之一,准确的轮廓分割对分类系统的精度有决定性作用。
因此,有必要设计一种新的烟叶图片分割方法,实现精准的图片分割,在嘈杂的真实场景中拍摄的烟叶图像实现高效实时的前景提取,自适应新数据能力强,操作简单,计算要求低。
发明内容
本发明的目的在于克服现有技术的缺陷,提供基于暗原色的自适应烟叶图片分割方法及系统。
为实现上述目的,本发明采用以下技术方案:基于暗原色的自适应烟叶图片分割方法,所述方法包括:
获取烟叶图片数据;
基于大规模烟叶图片数据的统计学规律,选择分割频道;
选取分割频道内的分割阈值,并对烟叶图片进行前景和背景分割;
根据分割后的前景像素和背景像素进行联通区域分析,获取符合条件的烟叶区域。
其进一步技术方案为:基于大规模烟叶图片数据的统计学规律,选择分割频道的步骤,包括以下具体步骤:
根据大规模的烟叶图片数据统计学规律,获取不同色彩频道中图像值的分布情况;
从分布情况中获取图像值方差最大的色彩频道,形成分割频道。
其进一步技术方案为:选取分割频道内的分割阈值,并对烟叶图片进行前景和背景分割的步骤,包括以下具体步骤:
通过最小化Otsu算法,获取分割阈值;
获取烟叶图片的图片像素值;
根据图片像素值以及分割阈值进行二分法分割,获取前景和背景。
其进一步技术方案为:根据图片像素值以及分割阈值进行二分法分割,获取前景和背景的步骤,包括以下具体步骤:
获取图片像素值高于分割阈值的区域,作为前景;
获取图片像素值低于或等于分割阈值的区域,作为背景。
其进一步技术方案为:根据分割后的前景像素和背景像素进行联通区域分析,获取符合条件的烟叶区域的步骤,包括以下具体步骤:
对分割后的前景像素和背景像素进行聚类,形成联通区域;
选择联通区域中尺寸最大且符合先验位置信息的区域,形成符合条件的烟叶区域;
输出烟叶区域。
本发明还提供了基于暗原色的自适应烟叶图片分割系统,包括图片获取单元、频道选择单元、分割单元以及烟叶区域获取单元;
所述图片获取单元,用于获取烟叶图片数据;
所述频道选择单元,用于基于大规模烟叶图片数据的统计学规律,选择分割频道;
所述分割单元,用于选取分割频道内的分割阈值,并对烟叶图片进行前景和背景分割;
所述烟叶区域获取单元,用于根据分割后的前景像素和背景像素进行联通区域分析,获取符合条件的烟叶区域。
其进一步技术方案为:所述频道选择单元包括分布情况获取模块以及分割频道形成模块;
所述分布情况获取模块,用于根据大规模的烟叶图片数据统计学规律,获取不同色彩频道中图像值的分布情况;
所述分割频道形成模块,用于从分布情况中获取图像值方差最大的色彩频道,形成分割频道。
其进一步技术方案为:所述分割单元包括阈值获取模块、像素值获取模块以及二分法分割模块;
所述阈值获取模块,用于通过最小化Otsu算法,获取分割阈值;
所述像素值获取模块,用于获取烟叶图片的图片像素值;
所述二分法分割模块,用于根据图片像素值以及分割阈值进行二分法分割,获取前景和背景。
其进一步技术方案为:所述二分法分割模块包括前景获取子模块以及背景获取子模块;
所述前景获取子模块,获取图片像素值高于分割阈值的区域,作为前景;
所述背景获取子模块,获取图片像素值低于或等于分割阈值的区域,作为背景。
其进一步技术方案为:所述烟叶区域获取单元包括聚类模块、选择模块以及输出模块;
所述聚类模块,用于对分割后的前景像素和背景像素进行聚类,形成联通区域;
所述选择模块,用于选择联通区域中尺寸最大且符合先验位置信息的区域,形成符合条件的烟叶区域;
所述输出模块,用于输出烟叶区域。
本发明与现有技术相比的有益效果是:本发明的基于暗原色的自适应烟叶图片分割方法,通过对大规模烟叶图片数据的统计学规律,获取分割频道,从分割频道中选取分割阈值,并对实际的烟叶图片进行分割,选取基于暗原色(Dark Channel Prior)的色彩频道进行自适应的Otsu分割,通过最大联通区域分析输出符合条件的烟叶区域,实现精准的图片分割,在嘈杂的真实场景中拍摄的烟叶图像实现高效实时的前景提取,自适应新数据能力强,操作简单,计算要求低。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
图1为本发明具体实施例提供的基于暗原色的自适应烟叶图片分割方法的流程图一;
图2为本发明具体实施例提供的基于暗原色的自适应烟叶图片分割方法的流程图二;
图3为本发明具体实施例提供的基于灰度和超像素算法的失败示例的流程图;
图4为本发明具体实施例提供的选择分割频道的流程图;
图5为本发明具体实施例提供的选取分割频道内的分割阈值并对烟叶图片进行前景和背景分割的流程图;
图6为本发明具体实施例提供的根据图片像素值以及分割阈值进行二分法分割的流程图;
图7为本发明具体实施例提供的根据分割后的前景像素和背景像素进行联通区域分析的流程图;
图8为本发明具体实施例提供的根据分割后的前景像素和背景像素进行联通区域分析的图片示意图;
图9为本发明具体实施例提供的基于暗原色的自适应烟叶图片分割系统的结构框图;
图10为本发明具体实施例提供的频道选择单元的结构框图;
图11为本发明具体实施例提供的分割单元的结构框图;
图12为本发明具体实施例提供的二分法分割模块的结构框图;
图13为本发明具体实施例提供的烟叶区域获取单元的结构框图。
具体实施方式
为了更充分理解本发明的技术内容,下面结合具体实施例对本发明的技术方案进一步介绍和说明,但不局限于此。
如图1~13所示的具体实施例,本实施例提供的基于暗原色的自适应烟叶图片分割方法,可以运用于对工厂和实际操作场地的充满干扰信息的图像流进行自适应,实现精准的图片分割,在嘈杂的真实场景中拍摄的烟叶图像实现高效实时的前景提取,自适应新数据能力强,操作简单,计算要求低。
如图1所示,本实施例提供了基于暗原色的自适应烟叶图片分割方法,该方法包括:
S1、获取烟叶图片数据;
S2、基于大规模烟叶图片数据的统计学规律,选择分割频道;
S3、选取分割频道内的分割阈值,并对烟叶图片进行前景和背景分割;
S4、根据分割后的前景像素和背景像素进行联通区域分析,获取符合条件的烟叶区域。
对于上述的S1步骤,具体是采用摄像头(例如个人手机)等拍摄设备从实际应用场景获取烟叶图像数据作为分割算法的输入。
更进一步地,对于上述的S2步骤,基于大规模烟叶图片数据的统计学规律,选择分割频道的步骤,包括以下具体步骤:
S21、根据大规模的烟叶图片数据统计学规律,获取不同色彩频道中图像值的分布情况;
S22、从分布情况中获取图像值方差最大的色彩频道,形成分割频道。
对于上述的S21步骤,通过对上万幅实际应用场景中采集的烟叶图片进行统计数据分析,发现在最少一个颜色频道上,烟叶图像具有明显的二分特征,因此,对烟叶图片的不同色彩频道,包括R,G,B,H,S,V空间分别进行颜色值分析,在每一个颜色空间取得颜色值的平均值μ,进行颜色空间的颜色值方差计算,便可获取烟叶图片中不同色彩频道中图像值的分布情况。具体地,利用以下公式计算颜色空间的颜色值方差,将其作为不同色彩频道中图像值:Var(X)=E[(X-μ)2],其中X为此色彩频道所有像素的颜色值,E为期望值,Var表示方差。
基于大数据的规律获取,可以提高获取分布情况的准确率,从而提高分割的准确率。
对于上述的S22步骤,在计算出每一个颜色频道的方差后,选取颜色频道内颜色分布的方差最突出(最大)的颜色频道,选取频道的大方差是由于在此颜色频道中,烟叶部分图像的像素值与背景图像差别最大,便于图片的分割,这一步选取的暗原色频道的图像将作为下一步烟叶分割算法的输入。
更进一步地,上述的S3步骤,选取分割频道内的分割阈值,并对烟叶图片进行前景和背景分割的步骤,包括以下具体步骤:
S31、通过最小化Otsu算法,获取分割阈值;
S32、获取烟叶图片的图片像素值;
S33、根据图片像素值以及分割阈值进行二分法分割,获取前景和背景。
对于上述的S31步骤,在一些示例中,对暗原色频道(即分割频道)进行基于Otsu算法的自适应前后景分割,Otsu算法通过最小化以下公式来获得分割的阈值:其中ω0和ω1是以t为阈值分割两个类别的概率,在此实施例中为图片的前景与背景,和是这两个类别的方差,在此应用中是前景像素的像素值与背景像素的像素值。
另外,对于上述的S33步骤,根据图片像素值以及分割阈值进行二分法分割,获取前景和背景的步骤,包括以下具体步骤:
S331、获取图片像素值高于分割阈值的区域,作为前景;
S332、获取图片像素值低于或等于分割阈值的区域,作为背景。
根据上述的S331步骤至S332步骤,如图8所示,可实现前景和背景的分割,分割效率以及准确率高,自适应新数据能力强,操作简单,计算要求低。
优选地,上述的S4步骤,根据分割后的前景像素和背景像素进行联通区域分析,获取符合条件的烟叶区域的步骤,包括以下具体步骤:
S41、对分割后的前景像素和背景像素进行聚类,形成联通区域;
S42、选择联通区域中尺寸最大且符合先验位置信息的区域,形成符合条件的烟叶区域;
S43、输出烟叶区域。
在一些示例中,对阈值分割的前景和背景结果进行联通区域(connectedcomponent)分析,通过对分割出的前景和背景像素进行聚类生成联通区域,每一块联通区域只包含前景或背景,从生成的联通区域中选取其中尺寸最大且符合先验位置信息(如烟叶大致位于图片中心)的部分作为实用型的最终输出。
基于对烟叶尺寸的先验知识,自动选取联通区域最大的部分,能够准确定位正确的烟叶区域,去除其余小的噪音区域,从而提高分割的准确率和效率。
本方法相对于基于灰度和超像素算法的烟叶图片分割对比如图3所示。
上述的基于暗原色的自适应烟叶图片分割方法,通过对大规模烟叶图片数据的统计学规律,获取分割频道,从分割频道中选取分割阈值,并对实际的烟叶图片进行分割,选取基于暗原色(Dark Channel Prior)的色彩频道进行自适应的Otsu分割,通过最大联通区域分析输出符合条件的烟叶区域,实现精准的图片分割,在嘈杂的真实场景中拍摄的烟叶图像实现高效实时的前景提取,自适应新数据能力强,操作简单,计算要求低。
如图9所示,本发明还提供了基于暗原色的自适应烟叶图片分割系统,其包括图片获取单元1、频道选择单元2、分割单元3以及烟叶区域获取单元4。
图片获取单元1,用于获取烟叶图片数据。具体是采用摄像头(例如个人手机)等拍摄设备从实际应用场景获取烟叶图像数据作为分割算法的输入。
频道选择单元2,用于基于大规模烟叶图片数据的统计学规律,选择分割频道。
分割单元3,用于选取分割频道内的分割阈值,并对烟叶图片进行前景和背景分割;。
烟叶区域获取单元4,用于根据分割后的前景像素和背景像素进行联通区域分析,获取符合条件的烟叶区域。
对于上述的频道选择单元2包括分布情况获取模块21以及分割频道形成模块22。
分布情况获取模块21,用于根据大规模的烟叶图片数据统计学规律,获取不同色彩频道中图像值的分布情况。通过对上万幅实际应用场景中采集的烟叶图片进行统计数据分析,发现在最少一个颜色频道上,烟叶图像具有明显的二分特征,因此,对烟叶图片的不同色彩频道,包括R,G,B,H,S,V空间分别进行颜色值分析,在每一个颜色空间取得颜色值的平均值μ,进行颜色空间的颜色值方差计算,便可获取烟叶图片中不同色彩频道中图像值的分布情况。具体地,利用以下公式计算颜色空间的颜色值方差,将其作为不同色彩频道中图像值:Var(X)=E[(X-μ)2],其中X为此色彩频道所有像素的颜色值,E为期望值,Var表示方差。
基于大数据的规律获取,可以提高获取分布情况的准确率,从而提高分割的准确率。
分割频道形成模块22,用于从分布情况中获取图像值方差最大的色彩频道,形成分割频道。在计算出每一个颜色频道的方差后,选取颜色频道内颜色分布的方差最突出(最大)的颜色频道,选取频道的大方差是由于在此颜色频道中,烟叶部分图像的像素值与背景图像差别最大,便于图片的分割,这一步选取的暗原色频道的图像将作为下一步烟叶分割算法的输入。
更进一步地,分割单元3包括阈值获取模块31、像素值获取模块32以及二分法分割模块33。
阈值获取模块31,用于通过最小化Otsu算法,获取分割阈值。在一些示例中,对暗原色频道(即分割频道)进行基于Otsu算法的自适应前后景分割,Otsu算法通过最小化以下公式来获得分割的阈值:其中ω0和ω1是以t为阈值分割两个类别的概率,在此实施例中为图片的前景与背景,和是这两个类别的方差,在此应用中是前景像素的像素值与背景像素的像素值。
像素值获取模块32,用于获取烟叶图片的图片像素值。
二分法分割模块33,用于根据图片像素值以及分割阈值进行二分法分割,获取前景和背景。
另外,对于上述的二分法分割模块33包括前景获取子模块331以及背景获取子模块332。
前景获取子模块331,获取图片像素值高于分割阈值的区域,作为前景。
背景获取子模块332,获取图片像素值低于或等于分割阈值的区域,作为背景。
如图8所示,可实现前景和背景的分割,分割效率以及准确率高,自适应新数据能力强,操作简单,计算要求低。
优选地,上述的烟叶区域获取单元4包括聚类模块41、选择模块42以及输出模块42。
聚类模块41,用于对分割后的前景像素和背景像素进行聚类,形成联通区域。
选择模块42,用于选择联通区域中尺寸最大且符合先验位置信息的区域,形成符合条件的烟叶区域。
输出模块42,用于输出烟叶区域。
在一些示例中,对阈值分割的前景和背景结果进行联通区域(connectedcomponent)分析,通过对分割出的前景和背景像素进行聚类生成联通区域,每一块联通区域只包含前景或背景,从生成的联通区域中选取其中尺寸最大且符合先验位置信息(如烟叶大致位于图片中心)的部分作为实用型的最终输出。
基于对烟叶尺寸的先验知识,自动选取联通区域最大的部分,能够准确定位正确的烟叶区域,去除其余小的噪音区域,从而提高分割的准确率和效率。
本系统相对于基于灰度和超像素算法的烟叶图片分割对比如图3所示。
本发明还提供了基于移动终端的烟叶评级的系统,其包括:一个或多个处理器,存储器,以及,一个或多个程序,该一个或多个程序存储于存储器中,且被配置为可被所述处理器读取执行,所述一个或多个程序包括可用于执行以下步骤的指令:
获取烟叶图片数据;
基于大规模烟叶图片数据的统计学规律,选择分割频道;
选取分割频道内的分割阈值,并对烟叶图片进行前景和背景分割;
根据分割后的前景像素和背景像素进行联通区域分析,获取符合条件的烟叶区域。
该处理器执行时还包括上述方法实施例中记载的任何应用的基于暗原色的自适应烟叶图片分割方法的部分或全部步骤。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,可通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
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单元来实现本实施例方案的目的。
另外,在本发明的各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以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,可以存储在一个处理器中,即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全部或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(可为个人计算机、服务器或者网络设备等)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、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述的基于暗原色的自适应烟叶图片分割系统,通过对大规模烟叶图片数据的统计学规律,获取分割频道,从分割频道中选取分割阈值,并对实际的烟叶图片进行分割,选取基于暗原色(Dark Channel Prior)的色彩频道进行自适应的Otsu分割,通过最大联通区域分析输出符合条件的烟叶区域,实现精准的图片分割,在嘈杂的真实场景中拍摄的烟叶图像实现高效实时的前景提取,自适应新数据能力强,操作简单,计算要求低。
上述仅以实施例来进一步说明本发明的技术内容,以便于读者更容易理解,但不代表本发明的实施方式仅限于此,任何依本发明所做的技术延伸或再创造,均受本发明的保护。本发明的保护范围以权利要求书为准。
Claims (10)
1.基于暗原色的自适应烟叶图片分割方法,其特征在于,所述方法包括:
获取烟叶图片数据;
基于大规模烟叶图片数据的统计学规律,选择分割频道;
选取分割频道内的分割阈值,并对烟叶图片进行前景和背景分割;
根据分割后的前景像素和背景像素进行联通区域分析,获取符合条件的烟叶区域。
2.根据权利要求1所述的基于暗原色的自适应烟叶图片分割方法,其特征在于,基于大规模烟叶图片数据的统计学规律,选择分割频道的步骤,包括以下具体步骤:
根据大规模的烟叶图片数据统计学规律,获取不同色彩频道中图像值的分布情况;
从分布情况中获取图像值方差最大的色彩频道,形成分割频道。
3.根据权利要求1所述的基于暗原色的自适应烟叶图片分割方法,其特征在于,选取分割频道内的分割阈值,并对烟叶图片进行前景和背景分割的步骤,包括以下具体步骤:
通过最小化Otsu算法,获取分割阈值;
获取烟叶图片的图片像素值;
根据图片像素值以及分割阈值进行二分法分割,获取前景和背景。
4.根据权利要求3所述的基于暗原色的自适应烟叶图片分割方法,其特征在于,根据图片像素值以及分割阈值进行二分法分割,获取前景和背景的步骤,包括以下具体步骤:
获取图片像素值高于分割阈值的区域,作为前景;
获取图片像素值低于或等于分割阈值的区域,作为背景。
5.根据权利要求1至4任一项所述的基于暗原色的自适应烟叶图片分割方法,其特征在于,根据分割后的前景像素和背景像素进行联通区域分析,获取符合条件的烟叶区域的步骤,包括以下具体步骤:
对分割后的前景像素和背景像素进行聚类,形成联通区域;
选择联通区域中尺寸最大且符合先验位置信息的区域,形成符合条件的烟叶区域;
输出烟叶区域。
6.基于暗原色的自适应烟叶图片分割系统,其特征在于,包括图片获取单元、频道选择单元、分割单元以及烟叶区域获取单元;
所述图片获取单元,用于获取烟叶图片数据;
所述频道选择单元,用于基于大规模烟叶图片数据的统计学规律,选择分割频道;
所述分割单元,用于选取分割频道内的分割阈值,并对烟叶图片进行前景和背景分割;
所述烟叶区域获取单元,用于根据分割后的前景像素和背景像素进行联通区域分析,获取符合条件的烟叶区域。
7.根据权利要求6所述的基于暗原色的自适应烟叶图片分割系统,其特征在于,所述频道选择单元包括分布情况获取模块以及分割频道形成模块;
所述分布情况获取模块,用于根据大规模的烟叶图片数据统计学规律,获取不同色彩频道中图像值的分布情况;
所述分割频道形成模块,用于从分布情况中获取图像值方差最大的色彩频道,形成分割频道。
8.根据权利要求7所述的基于暗原色的自适应烟叶图片分割系统,其特征在于,所述分割单元包括阈值获取模块、像素值获取模块以及二分法分割模块;
所述阈值获取模块,用于通过最小化Otsu算法,获取分割阈值;
所述像素值获取模块,用于获取烟叶图片的图片像素值;
所述二分法分割模块,用于根据图片像素值以及分割阈值进行二分法分割,获取前景和背景。
9.根据权利要求8所述的基于暗原色的自适应烟叶图片分割系统,其特征在于,所述二分法分割模块包括前景获取子模块以及背景获取子模块;
所述前景获取子模块,获取图片像素值高于分割阈值的区域,作为前景;
所述背景获取子模块,获取图片像素值低于或等于分割阈值的区域,作为背景。
10.根据权利要求9所述的基于暗原色的自适应烟叶图片分割系统,其特征在于,所述烟叶区域获取单元包括聚类模块、选择模块以及输出模块;
所述聚类模块,用于对分割后的前景像素和背景像素进行聚类,形成联通区域;
所述选择模块,用于选择联通区域中尺寸最大且符合先验位置信息的区域,形成符合条件的烟叶区域;
所述输出模块,用于输出烟叶区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810355969.9A CN108335307A (zh) | 2018-04-19 | 2018-04-19 | 基于暗原色的自适应烟叶图片分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810355969.9A CN108335307A (zh) | 2018-04-19 | 2018-04-19 | 基于暗原色的自适应烟叶图片分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108335307A true CN108335307A (zh) | 2018-07-27 |
Family
ID=62934403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810355969.9A Pending CN108335307A (zh) | 2018-04-19 | 2018-04-19 | 基于暗原色的自适应烟叶图片分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108335307A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910591A (zh) * | 2018-09-18 | 2020-03-24 | 北京意锐新创科技有限公司 | 应用于景区的基于移动支付设备的收银方法和装置 |
CN111091373A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 智能语音导购方法和装置 |
CN111091375A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 基于商品码识读的快速支付方法和装置 |
CN111091369A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 与输入设备协同应用的快速支付方法和装置 |
CN111091371A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 快速支付方法和装置 |
CN111091372A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 与输入设备及打印装置协同应用的快速支付方法和装置 |
CN111091368A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 封闭式快速支付方法和装置 |
CN111091367A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 开放式快速支付方法和装置 |
CN111091376A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 集扫码与非接触式刷卡的支付方法和装置 |
CN111091668A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 基于二维码识读装置的零距离收银方法和装置 |
CN111091370A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 基于电磁干扰状态下的支持外接设备的支付方法和装置 |
CN111091374A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 与输入设备及打印装置协同应用的快速支付方法和装置 |
CN111091017A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 高频次交易状态下的移动支付设备的收银优化方法和装置 |
CN111091366A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 应用于远距离的扣扫式支付方法和装置 |
CN111091363A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 与pos设备协同应用的快速支付方法和装置 |
CN112577960A (zh) * | 2020-12-07 | 2021-03-30 | 上海威士顿信息技术股份有限公司 | 烟叶中的杂质检测方法、系统及计算机可读存储介质 |
CN113784142A (zh) * | 2021-09-10 | 2021-12-10 | 河南启迪睿视智能科技有限公司 | 无损压缩烟叶图片的方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070223831A1 (en) * | 2006-03-22 | 2007-09-27 | Arcsoft, Inc. | Image Deblur Based on Two Images |
CN102208099A (zh) * | 2011-05-30 | 2011-10-05 | 华中科技大学 | 一种抗光照变化的作物彩色图像分割方法 |
US20120148103A1 (en) * | 2009-08-23 | 2012-06-14 | Iad Gesellschaft Fur Informatik, Automatisierung Und Datenverarbeitung Mbh | Method and system for automatic object detection and subsequent object tracking in accordance with the object shape |
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 |
CN104966085A (zh) * | 2015-06-16 | 2015-10-07 | 北京师范大学 | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 |
CN106251301A (zh) * | 2016-07-26 | 2016-12-21 | 北京工业大学 | 一种基于暗原色先验的单幅图像去雾方法 |
CN106446968A (zh) * | 2016-11-22 | 2017-02-22 | 湖北民族学院 | 基于fpga的烟叶自动分级系统 |
CN107301623A (zh) * | 2017-05-11 | 2017-10-27 | 北京理工大学珠海学院 | 一种基于暗通道和图像分割的交通图像去雾方法及系统 |
CN107369157A (zh) * | 2016-05-12 | 2017-11-21 | 尖刀视智能科技(上海)有限公司 | 一种自适应阈值Otsu图像分割方法及装置 |
-
2018
- 2018-04-19 CN CN201810355969.9A patent/CN108335307A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070223831A1 (en) * | 2006-03-22 | 2007-09-27 | Arcsoft, Inc. | Image Deblur Based on Two Images |
US20120148103A1 (en) * | 2009-08-23 | 2012-06-14 | Iad Gesellschaft Fur Informatik, Automatisierung Und Datenverarbeitung Mbh | Method and system for automatic object detection and subsequent object tracking in accordance with the object shape |
CN102208099A (zh) * | 2011-05-30 | 2011-10-05 | 华中科技大学 | 一种抗光照变化的作物彩色图像分割方法 |
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 |
CN104966085A (zh) * | 2015-06-16 | 2015-10-07 | 北京师范大学 | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 |
CN107369157A (zh) * | 2016-05-12 | 2017-11-21 | 尖刀视智能科技(上海)有限公司 | 一种自适应阈值Otsu图像分割方法及装置 |
CN106251301A (zh) * | 2016-07-26 | 2016-12-21 | 北京工业大学 | 一种基于暗原色先验的单幅图像去雾方法 |
CN106446968A (zh) * | 2016-11-22 | 2017-02-22 | 湖北民族学院 | 基于fpga的烟叶自动分级系统 |
CN107301623A (zh) * | 2017-05-11 | 2017-10-27 | 北京理工大学珠海学院 | 一种基于暗通道和图像分割的交通图像去雾方法及系统 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910591A (zh) * | 2018-09-18 | 2020-03-24 | 北京意锐新创科技有限公司 | 应用于景区的基于移动支付设备的收银方法和装置 |
CN111091376A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 集扫码与非接触式刷卡的支付方法和装置 |
CN111091372A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 与输入设备及打印装置协同应用的快速支付方法和装置 |
CN111091668A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 基于二维码识读装置的零距离收银方法和装置 |
CN111091371A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 快速支付方法和装置 |
CN111091370A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 基于电磁干扰状态下的支持外接设备的支付方法和装置 |
CN111091368A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 封闭式快速支付方法和装置 |
CN111091367A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 开放式快速支付方法和装置 |
CN111091374A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 与输入设备及打印装置协同应用的快速支付方法和装置 |
CN111091369A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 与输入设备协同应用的快速支付方法和装置 |
CN111091375A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 基于商品码识读的快速支付方法和装置 |
CN111091373A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 智能语音导购方法和装置 |
CN111091017A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 高频次交易状态下的移动支付设备的收银优化方法和装置 |
CN111091366A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 应用于远距离的扣扫式支付方法和装置 |
CN111091363A (zh) * | 2018-10-24 | 2020-05-01 | 北京意锐新创科技有限公司 | 与pos设备协同应用的快速支付方法和装置 |
CN112577960A (zh) * | 2020-12-07 | 2021-03-30 | 上海威士顿信息技术股份有限公司 | 烟叶中的杂质检测方法、系统及计算机可读存储介质 |
CN112577960B (zh) * | 2020-12-07 | 2024-05-24 | 上海威士顿信息技术股份有限公司 | 烟叶中的杂质检测方法、系统及计算机可读存储介质 |
CN113784142A (zh) * | 2021-09-10 | 2021-12-10 | 河南启迪睿视智能科技有限公司 | 无损压缩烟叶图片的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108335307A (zh) | 基于暗原色的自适应烟叶图片分割方法及系统 | |
CN107223344A (zh) | 一种静态视频摘要的生成方法及装置 | |
CN110135386B (zh) | 一种基于深度学习的人体动作识别方法和系统 | |
CN109740721B (zh) | 麦穗计数方法及装置 | |
CN109214403B (zh) | 图像识别方法、装置及设备、可读介质 | |
US8942469B2 (en) | Method for classification of videos | |
CN113435509B (zh) | 基于元学习的小样本场景分类识别方法及系统 | |
Chen et al. | No-reference image quality assessment: An attention driven approach | |
CN110349112B (zh) | 一种基于自适应奇异值阈值的两阶段图像去噪方法 | |
CN108664839B (zh) | 一种图像处理方法和设备 | |
Kumar et al. | Fuzzified contrast enhancement for nearly invisible images | |
CN111598918B (zh) | 一种基于参考帧优选和前后景分离的视频稳像运动估计方法 | |
CN113177640B (zh) | 一种离散异步事件数据增强方法 | |
CN106127729A (zh) | 一种基于梯度的图像噪声水平估计方法 | |
CN111783693A (zh) | 果蔬采摘机器人的智能识别方法 | |
CN111931722B (zh) | 一种结合颜色比率特征的相关滤波跟踪方法 | |
Yap et al. | A recursive soft-decision approach to blind image deconvolution | |
CN112329784A (zh) | 一种基于时空感知及多峰响应的相关滤波跟踪方法 | |
CN113129236A (zh) | 基于Retinex和卷积神经网络的单张低光照图像增强方法及系统 | |
WO2022183805A1 (zh) | 视频分类方法、装置及设备 | |
CN113326925B (zh) | 基于密度图回归的卷积神经网络的花量统计方法、系统、设备及介质 | |
CN111667509B (zh) | 目标与背景颜色相似下的运动目标自动跟踪方法及系统 | |
CN111369477A (zh) | 一种针对视频恢复任务的预分析和工具自适应的方法 | |
CN109409381A (zh) | 基于人工智能的家具顶视图的分类方法及系统 | |
Li et al. | Image object detection algorithm based on improved Gaussian mixture model |
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 |