CN108459406A - 基于人工鱼群算法的显微镜自动对焦窗口选择方法 - Google Patents
基于人工鱼群算法的显微镜自动对焦窗口选择方法 Download PDFInfo
- Publication number
- CN108459406A CN108459406A CN201810216051.6A CN201810216051A CN108459406A CN 108459406 A CN108459406 A CN 108459406A CN 201810216051 A CN201810216051 A CN 201810216051A CN 108459406 A CN108459406 A CN 108459406A
- Authority
- CN
- China
- Prior art keywords
- artificial fish
- fish
- focusing
- bulletin board
- artificial
- 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
Links
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B21/00—Microscopes
- G02B21/24—Base structure
- G02B21/241—Devices for focusing
- G02B21/244—Devices for focusing using image analysis techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Optics & Photonics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明涉及一种基于人工鱼群算法的显微镜自动对焦窗口选择方法,以整幅图像中细节最丰富的区域作为对焦窗口的选取依据,利用人工鱼群算法在整幅图上进行搜索,保证调焦精度的同时,有效改善效率。将显微镜自动对焦的图像信息映射到人工鱼群算法中,初始化参数;初始化公告板;引入动态权衡因子策略;更新人工鱼状态;重置初始化参数;检查终止条件。对图像采用了二值化处理,不仅保留了原图的信息,还大大减少了处理的数据量;引入动态权衡因子,实时调整人工鱼的步长及视野,提高算法效率;针对人工鱼群算法局部优值的问题,每次迭代后,根据所求最优解重置初始参数,有效增强了对焦的实时性,并保证了较高的收敛速度和算法精度。
Description
技术领域
本发明涉及一种图像处理技术,特别涉及一种基于人工鱼群算法的显微镜自动对焦窗口选择方法。
背景技术
基于显微镜系统的自动对焦方法易于实现,而对焦窗口的选取是自动对焦方法的重要部分。选择合适的对焦窗口,即选择图像细节最丰富的区域,不仅可以降低后续对焦评价函数的计算量,提高对焦过程的实时行,亦可降低背景信息对主体信息的干扰。传统的对焦窗口算法的选择窗口主要集中在图像的中心,因此当主体部分随机分布在图像上时,无法准确获得感兴趣区域,则会失焦。
发明内容
本发明是针对传统自动对焦窗口选择算法不适合所有图像的问题,提出了一种基于人工鱼群算法的显微镜自动对焦窗口选择方法,将新型的人工鱼群算法运用到对焦窗口选择中,选取整幅图像中细节最丰富的区域作为调焦评价函数的评判依据,提高自动对焦的精确度和效率。
本发明的技术方案为:一种基于人工鱼群算法的显微镜自动对焦窗口选择方法,具体包括如下步骤:
1)将显微镜自动对焦的图像信息映射到人工鱼群算法中,定义人工鱼群规模X={x1,x2,...,xi,...xn},其中,X对应整幅图像,xi为欲求寻优个体的变量,对应于人工鱼的位置,i=1,…,n;初始化工鱼群算法参数:人工鱼群规模X,每条人工鱼xi的初始位置;人工鱼视野范围Visual;人工鱼可移动步长Step;拥挤度因子δ;人工鱼搜索的最大尝试次数Try_number;当前迭代次数k;最大迭代次数kmax;
2)计算每条人工鱼的食物浓度并初始化公告板:将个体鱼群的图像转换为二值图像,根据二值图像计算人工鱼的对焦评价函数的值Y=f(x),即目前人工鱼的食物浓度或称适应度值;在算法中设立公告板,存储最优解状态。初始化公告板是指,将上述所得的所有人工鱼比较得最优值,并赋予公告板;
3)引入动态权衡因子策略:对视野Visual和步长Step根据迭代次数实时调整,提高算法的前期搜索能力和后期收敛能力,调整如公式(1)和(2)所示:
Step=Step-Step×α; (1)
Visual=Visual-Visual×α; (2)
其中,α为动态权衡因子,
4)对每条人工鱼通过觅食、聚群、追尾和随机行为更新自己的位置,所有人工鱼都更新后,则生成新鱼群,完成一次迭代,选出更新后鱼群的最优解个体,与公告板进行比较,若优于公告板则取代公告板原状态,此时,公告板获得目前能搜索到全局适应度函数最大值;
5)二次初始化参数:每次迭代结束后,根据公告板中的当前最优解的位置,重置初始人工鱼群算法的最佳参数:人工鱼群规模X、对应的每条人工鱼xi的位置、最大迭代次数kmax;避开局部最优值;
6)检查终止条件:如迭代次数k≥kmax,则算法迭代结束,输出公告板中的最优解(xbest,ybest),按照得到的最佳对焦位置选取窗口,完成自动对焦中窗口选择部分,若不满足终止条件,则将k+1赋值给k,并返回执行步骤3)。
所述步骤4)中对每条人工鱼通过觅食、聚群、追尾和随机行为更新自己的位置具体方法如下:
觅食行为:设xi为人工鱼个体当前状态,对应的对焦函数值为yi;在其视野范围内随机选择一种状态xj,其对应的对焦函数值为yj,
xj=xi+Visual*rand()
如果yj>yi,则按照该方向作如下运动:
其中为目前人工鱼位置,为执行鱼群活动后的位置,xbest为是当前整个情况下最佳鱼的位置,即公告板存储的位置信息,
否则重新选择随机状态xj,继续判断适应度优劣,若反复几次,尝试次数超出最大尝试次数Try_number,则执行随机行为;
聚群行为:设xi为人工鱼个体当前状态,xc为当前邻域的同伴中心位置,nf为同伴数,dij<Visual,dij=||xi-xj||,人工鱼xi和xj之间的距离,n为人工鱼总数;
如果对应对焦函数值yc>yi,且表示同伴中心有较多的食物或较高的适应度函数值,且不是很拥挤,则向同伴中心作如下运动,
否则,执行捕食行为;
追尾行为:设xi为人工鱼个体当前状态,xj为当前领域内所有人工鱼中对焦函数值最大的个体状态,如果yj>yi,且表示同伴xi具有较高的食物浓度或适应度函数值较高,且周围环境不是很拥挤,则向同伴xj作如下运动,
否则,执行捕食行为;
聚群行为和觅食行为可根据实际运用环境择优选择执行顺序;
随机行为:在视野中随机选择一个状态,然后向这个状态移动。
本发明的有益效果在于:本发明基于人工鱼群算法的显微镜自动对焦窗口选择方法,以整幅图像中细节最丰富的区域作为对焦窗口的选取依据,利用人工鱼群算法在整幅图上进行搜索,保证调焦精度的同时,有效改善效率;针对显微镜成像系统的对象的特殊性,对图像采用了二值化处理,不仅保留了原图的信息,还大大减少了处理的数据量;针对人工鱼群算法本身的收敛慢的问题,引入动态权衡因子,实时调整人工鱼的步长及视野,提高算法效率;针对人工鱼群算法局部优值的问题,每次迭代后,根据所求最优解重置初始参数,有效增强了对焦的实时性,并保证了较高的收敛速度和算法精度。
附图说明
图1为本发明基于人工鱼群算法的显微镜自动对焦窗口选择方法流程图。
具体实施方式
将人工鱼群算法和图像处理技术相结合进行自动对焦,如图1所示自动对焦的算法流程图,具体实施例如下:
1)将显微镜自动对焦的图像信息映射到人工鱼群算法中,定义人工鱼群规模X={x1,x2,...,xi,...xn},其中,X对应整幅图像,xi(i=1,…,n)为欲求寻优个体的变量,对应于人工鱼的位置。初始化工鱼群算法参数:人工鱼群规模X,每条人工鱼xi的初始位置;人工鱼视野范围Visual;人工鱼可移动步长Step;拥挤度因子δ;人工鱼搜索的最大尝试次数Try_number;当前迭代次数k;最大迭代次数kmax。
2)计算每条人工鱼的食物浓度并初始化公告板:将个体鱼群的图像转换为二值图像,根据二值图像计算人工鱼的对焦评价函数的值Y=f(x),即目前人工鱼的食物浓度(或称适应度值)。在算法中设立公告板,存储最优解状态。初始化公告板是指,将上述所得的所有人工鱼比较得最优值,并赋予公告板。(对焦评价函数用于是对图像清晰度进行评价的函数,对焦位置越好,图像边缘信息越丰富,高频分量越多,则对应的函数值大)
3)引入动态权衡因子策略:对视野Visual和步长Step根据迭代次数实时调整,提高算法的前期搜索能力和后期收敛能力,调整如公式(1)和(2)所示:
Step=Step-Step×α; (1)
Visual=Visual-Visual×α; (2)
其中,α为动态权衡因子,
4)对每条人工鱼通过觅食、聚群、追尾和随机行为更新自己的位置,所有人工鱼都更新后,则生成新鱼群,完成一次迭代,选出更新后鱼群的最优解个体,与公告板进行比较,若优于公告板则取代公告板原状态。此时,公告板获得目前能搜索到全局适应度函数最大值。
觅食行为:设xi为人工鱼个体当前状态,对应的对焦函数值为yi;在其视野范围内随机选择一种状态xj,其对应的对焦函数值为yj,
xj=xi+Visual*rand()
如果yj>yi,则按照该方向作如下运动:
否则重新选择随机状态xj,继续判断适应度优劣,若反复几次,尝试次数超出最大尝试次数Try_number,则执行随机行为。
聚群行为:设xi为人工鱼个体当前状态,xc为当前邻域的同伴中心位置,nf为同伴数(dij<Visual,dij=||xi-xj||,人工鱼xi和xj之间的距离),n为人工鱼总数。如果对应对焦函数值yc>yi,且表示同伴中心有较多的食物(较高的适应度函数值),且不是很拥挤,则向同伴中心作如下运动,否则,执行捕食行为。
追尾行为:设xi为人工鱼个体当前状态,xj为当前领域内(dij<Visual)所有人工鱼中对焦函数值最大的个体状态,xj对应的对焦评价函数值为yj。如果yj>yi,且表示同伴xi具有较高的食物浓度(适应度函数值较高)且周围环境不是很拥挤,则向同伴xj作如下运动,否则,执行捕食行为。(聚群行为和觅食行为可根据实际运用环境择优选择执行顺序)
随机行为:在视野中随机选择一个状态,然后向这个状态移动。
其中为目前人工鱼位置,为执行鱼群活动后的位置,xbest为是当前整个情况下最佳鱼的位置,即公告板存储的位置信息。
5)二次初始化参数:每次迭代结束后,根据公告板中的当前最优解的位置,重置初始人工鱼群算法的最佳参数(人工鱼群规模X;和对应的每条人工鱼xi的位置;最大迭代次数kmax)避开局部最优值,这在相对较小的区域中提供了更准确的最佳参数。
6)检查终止条件:如迭代次数k≥kmax,则算法迭代结束,输出公告板中的最优解(xbest,ybest),按照得到的最佳对焦位置选取窗口,完成自动对焦中窗口选择部分,若不满足终止条件,则将k+1赋值给k,并返回执行步骤3)。
Claims (2)
1.一种基于人工鱼群算法的显微镜自动对焦窗口选择方法,其特征在于,具体包括如下步骤:
1)将显微镜自动对焦的图像信息映射到人工鱼群算法中,定义人工鱼群规模X={x1,x2,...,xi,...xn},其中,X对应整幅图像,xi为欲求寻优个体的变量,对应于人工鱼的位置,i=1,…,n;初始化工鱼群算法参数:人工鱼群规模X,每条人工鱼xi的初始位置;人工鱼视野范围Visual;人工鱼可移动步长Step;拥挤度因子δ;人工鱼搜索的最大尝试次数Try_number;当前迭代次数k;最大迭代次数kmax;
2)计算每条人工鱼的食物浓度并初始化公告板:将个体鱼群的图像转换为二值图像,根据二值图像计算人工鱼的对焦评价函数的值Y=f(x),即目前人工鱼的食物浓度或称适应度值;在算法中设立公告板,存储最优解状态。初始化公告板是指,将上述所得的所有人工鱼比较得最优值,并赋予公告板;
3)引入动态权衡因子策略:对视野Visual和步长Step根据迭代次数实时调整,提高算法的前期搜索能力和后期收敛能力,调整如公式(1)和(2)所示:
Step=Step-Step×α; (1)
Visual=Visual-Visual×α; (2)
其中,α为动态权衡因子,
4)对每条人工鱼通过觅食、聚群、追尾和随机行为更新自己的位置,所有人工鱼都更新后,则生成新鱼群,完成一次迭代,选出更新后鱼群的最优解个体,与公告板进行比较,若优于公告板则取代公告板原状态,此时,公告板获得目前能搜索到全局适应度函数最大值;
5)二次初始化参数:每次迭代结束后,根据公告板中的当前最优解的位置,重置初始人工鱼群算法的最佳参数:人工鱼群规模X、对应的每条人工鱼xi的位置、最大迭代次数kmax;避开局部最优值;
6)检查终止条件:如迭代次数k≥kmax,则算法迭代结束,输出公告板中的最优解(xbest,ybest),按照得到的最佳对焦位置选取窗口,完成自动对焦中窗口选择部分,若不满足终止条件,则将k+1赋值给k,并返回执行步骤3)。
2.根据权利要求1所述基于人工鱼群算法的显微镜自动对焦窗口选择方法,其特征在于,所述步骤4)中对每条人工鱼通过觅食、聚群、追尾和随机行为更新自己的位置具体方法如下:
觅食行为:设xi为人工鱼个体当前状态,对应的对焦函数值为yi;在其视野范围内随机选择一种状态xj,其对应的对焦函数值为yj,
xj=xi+Visual*rand()
如果yj>yi,则按照该方向作如下运动:
其中为目前人工鱼位置,为执行鱼群活动后的位置,xbest为是当前整个情况下最佳鱼的位置,即公告板存储的位置信息,
否则重新选择随机状态xj,继续判断适应度优劣,若反复几次,尝试次数超出最大尝试次数Try_number,则执行随机行为;
聚群行为:设xi为人工鱼个体当前状态,xc为当前邻域的同伴中心位置,nf为同伴数,dij<Visual,dij=||xi-xj||,人工鱼xi和xj之间的距离,n为人工鱼总数;
如果对应对焦函数值yc>yi,且表示同伴中心有较多的食物或较高的适应度函数值,且不是很拥挤,则向同伴中心作如下运动,
否则,执行捕食行为;
追尾行为:设xi为人工鱼个体当前状态,xj为当前领域内所有人工鱼中对焦函数值最大的个体状态,如果yj>yi,月表示同伴xi具有较高的食物浓度或适应度函数值较高,且周围环境不是很拥挤,则向同伴xj作如下运动,
否则,执行捕食行为;
聚群行为和觅食行为可根据实际运用环境择优选择执行顺序;
随机行为:在视野中随机选择一个状态,然后向这个状态移动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810216051.6A CN108459406B (zh) | 2018-03-15 | 2018-03-15 | 基于人工鱼群算法的显微镜自动对焦窗口选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810216051.6A CN108459406B (zh) | 2018-03-15 | 2018-03-15 | 基于人工鱼群算法的显微镜自动对焦窗口选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108459406A true CN108459406A (zh) | 2018-08-28 |
CN108459406B CN108459406B (zh) | 2020-06-23 |
Family
ID=63236631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810216051.6A Expired - Fee Related CN108459406B (zh) | 2018-03-15 | 2018-03-15 | 基于人工鱼群算法的显微镜自动对焦窗口选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108459406B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110442995A (zh) * | 2019-08-13 | 2019-11-12 | 江苏师范大学 | 一种基于人工鱼群算法的lcl滤波器参数优化方法 |
CN111142253A (zh) * | 2019-12-05 | 2020-05-12 | 苏州大学 | 显微图像中的对焦窗口选择方法及装置 |
CN112446457A (zh) * | 2020-12-02 | 2021-03-05 | 中国计量大学 | 一种基于改进人工鱼群算法的气体泄漏源定位方法 |
CN112765882A (zh) * | 2021-01-15 | 2021-05-07 | 云南电网有限责任公司电力科学研究院 | Afsa与l-m融合算法的cvt等值参数辨识方法 |
CN113538052A (zh) * | 2021-07-20 | 2021-10-22 | 大文传媒集团(山东)有限公司 | 一种基于大数据的品牌影响力重构方法及系统 |
CN114599069A (zh) * | 2022-03-04 | 2022-06-07 | 河北师范大学 | 一种基于能量自收集的水下无线传感器网络路由方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392283A (zh) * | 2014-11-27 | 2015-03-04 | 上海电机学院 | 基于人工鱼群算法的交通路径搜索方法 |
CN110097143A (zh) * | 2019-05-29 | 2019-08-06 | 上海海事大学 | 一种基于鱼群算法优化bp网络的齿轮箱故障诊断方法 |
-
2018
- 2018-03-15 CN CN201810216051.6A patent/CN108459406B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392283A (zh) * | 2014-11-27 | 2015-03-04 | 上海电机学院 | 基于人工鱼群算法的交通路径搜索方法 |
CN110097143A (zh) * | 2019-05-29 | 2019-08-06 | 上海海事大学 | 一种基于鱼群算法优化bp网络的齿轮箱故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
王彦芳 等: "应用于聚焦窗口自适应选择的人工鱼群算法改进", 《计算机工程与应用》 * |
龚波 等: "基于自适应动态邻域结构的人工鱼群算法", 《计算机工程与应用》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110442995A (zh) * | 2019-08-13 | 2019-11-12 | 江苏师范大学 | 一种基于人工鱼群算法的lcl滤波器参数优化方法 |
CN111142253A (zh) * | 2019-12-05 | 2020-05-12 | 苏州大学 | 显微图像中的对焦窗口选择方法及装置 |
CN112446457A (zh) * | 2020-12-02 | 2021-03-05 | 中国计量大学 | 一种基于改进人工鱼群算法的气体泄漏源定位方法 |
CN112446457B (zh) * | 2020-12-02 | 2023-07-18 | 中国计量大学 | 一种基于改进人工鱼群算法的气体泄漏源定位方法 |
CN112765882A (zh) * | 2021-01-15 | 2021-05-07 | 云南电网有限责任公司电力科学研究院 | Afsa与l-m融合算法的cvt等值参数辨识方法 |
CN112765882B (zh) * | 2021-01-15 | 2024-05-28 | 云南电网有限责任公司电力科学研究院 | Afsa与l-m融合算法的cvt等值参数辨识方法 |
CN113538052A (zh) * | 2021-07-20 | 2021-10-22 | 大文传媒集团(山东)有限公司 | 一种基于大数据的品牌影响力重构方法及系统 |
CN114599069A (zh) * | 2022-03-04 | 2022-06-07 | 河北师范大学 | 一种基于能量自收集的水下无线传感器网络路由方法 |
CN114599069B (zh) * | 2022-03-04 | 2024-01-23 | 河北师范大学 | 一种基于能量自收集的水下无线传感器网络路由方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108459406B (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108459406A (zh) | 基于人工鱼群算法的显微镜自动对焦窗口选择方法 | |
CN108389211B (zh) | 基于改进鲸鱼优化模糊聚类的图像分割方法 | |
CN109934121A (zh) | 一种基于YOLOv3算法的果园行人检测方法 | |
CN104123721B (zh) | 一种基于视频流图像分布式动态特征技术的鱼群投喂自动控制方法 | |
CN105320917B (zh) | 一种基于头肩轮廓及bp神经网络的行人检测及跟踪方法 | |
CN107169983B (zh) | 基于交叉变异人工鱼群算法的多阈值图像分割方法 | |
CN109684906A (zh) | 基于深度学习的检测红脂大小蠹的方法 | |
CN109712160B (zh) | 基于广义熵结合改进的狮群算法实现图像阈值分割方法 | |
JP7181001B2 (ja) | 生物組織画像処理システム及び機械学習方法 | |
CN113239980B (zh) | 基于小样本机器学习与超参数优化的水下目标检测方法 | |
CN110969654A (zh) | 基于收割机的玉米高通量表型测量的方法及装置、收割机 | |
CN108961301A (zh) | 一种基于无监督逐像素分类的角毛藻图像分割方法 | |
CN106031148A (zh) | 成像设备,成像设备中自动对焦的方法以及对应计算机程序 | |
CN110363103A (zh) | 虫害识别方法、装置、计算机设备及存储介质 | |
CN114612397A (zh) | 鱼苗分选方法、系统、电子设备及存储介质 | |
Zhang et al. | Robust image segmentation method for cotton leaf under natural conditions based on immune algorithm and PCNN algorithm | |
Biswas et al. | Microscopic image contrast and brightness enhancement using multi-scale retinex and cuckoo search algorithm | |
CN111242971B (zh) | 一种基于改进的双中心粒子群优化算法的目标跟踪方法 | |
Zhou et al. | YOLO-based marine organism detection using two-terminal attention mechanism and difficult-sample resampling | |
CN110245551B (zh) | 一种多草工况下田间作物的识别方法 | |
CN105654111B (zh) | 基于k-means聚类的病理图像扫描焦点分类方法 | |
Karakoyun et al. | Data clustering with shuffled leaping frog algorithm (SFLA) for classification | |
CN116740337A (zh) | 一种红花采摘点识别定位方法及采摘系统 | |
CN110490823A (zh) | 一种真实环境下的图像去噪方法 | |
Unajan et al. | A modified otsu-based image segmentation algorithm (obisa) |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200623 |