CN108492296A - 基于超像素分割的小麦麦穗智能计数系统及方法 - Google Patents
基于超像素分割的小麦麦穗智能计数系统及方法 Download PDFInfo
- Publication number
- CN108492296A CN108492296A CN201810293533.1A CN201810293533A CN108492296A CN 108492296 A CN108492296 A CN 108492296A CN 201810293533 A CN201810293533 A CN 201810293533A CN 108492296 A CN108492296 A CN 108492296A
- Authority
- CN
- China
- Prior art keywords
- wheat
- region
- wheat head
- unit
- super
- 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
- 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
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/10—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
- G06T2207/30004—Biomedical image processing
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
Abstract
本发明公开了一种基于超像素分割的小麦麦穗智能计数系统及方法,系统包括超像素分割模块、特征数据集形成模块、分类识别模块、形态学处理区域划分模块和计数统计模块,所述超像素分割模块,用于对小麦麦穗数码照片,根据像素点颜色、亮度特性划分为多个像素区域,对每个像素区域加注标号,形成加注标号图像,且该加注标号图像包含多个特征属性的结构体。本发明通过超像素对小麦麦穗数码照片进行麦穗分割,较好地保留了麦穗的边缘信息,通过区域划分和重叠区处理,能够简单快捷准确的实现麦穗的计数统计,更便于小麦产量的估测,方法构思新颖巧妙,实现便捷,具有良好的应用前景。
Description
技术领域
本发明涉及粮食作物智能化产量评估技术领域,具体涉及一种基于超像素分割的小麦麦穗智能计数系统及方法。
背景技术
小麦是世界种植面积最大的粮食作物,也是我国主要的粮食作物之一,在国民经济中占重要地位,因此,准确高效的产量估测在小麦生产中有重要意义。
小麦的产量构成因素主要包括单位面积穗数、每穗粒数、千粒重,其中,单位面积穗数是构成产量的最基本因素,也是在优良品种选育过程中的一个重要指标。
因此,如何实现大田环境下智能、准确、快速的麦穗识别计数,更好的服务于高产优质的生产目标,以及基于生产潜力的良种选育,是当前急需解决的问题。
发明内容
本发明的目的是克服现有技术中,无法实现大田环境下智能、准确、快速的麦穗识别计数的问题。本发明的基于超像素分割的小麦麦穗智能计数系统及方法,通过超像素对小麦麦穗数码照片进行麦穗分割,较好地保留了麦穗的边缘信息,通过区域划分和重叠区处理,能够简单快捷准确的实现麦穗的计数统计,更便于小麦产量的估测,方法构思新颖巧妙,实现便捷,具有良好的应用前景。
为了达到上述目的,本发明所采用的技术方案是:
一种基于超像素分割的小麦麦穗智能计数系统,包括超像素分割模块、特征数据集形成模块、分类识别模块、形态学处理区域划分模块和计数统计模块,
所述超像素分割模块,用于对小麦麦穗数码照片,根据像素点颜色、亮度特性划分为多个像素区域,对每个像素区域加注标号,形成加注标号图像,且该加注标号图像包含多个特征属性的结构体;
所述特征数据集形成模块,利用超像素分割模块处理结果中的多个特征属性的结构体,根据样本区域预先处理的掩膜文件,对加注标号的样本区域进行划分,筛选出典型麦穗区域和背景区域,提取上述区域对应的特征参量,建立样本数据集;
所述分类识别模块,利用建立的样本数据集训练MATLAB仿真软件内自带的分类器,将进行超像素分割模块处理后的加注标号图像按其区域标号和对应特征参数形成与样本数据集相同格式,通过训练好的分类器进行分类,将每个标号区域划分为麦穗区域和背景区域两个部分,形成一个二值图像,并对二值图像进行预处理,实现原始数码图像掩膜,初步分割出麦穗区域;
所述形态学处理区域划分模块,对预处理后的二值图像进行进一步的形态学处理,弱化边界,突出麦穗区域部分,统计麦穗区域部分的总区域数,形成对应的区域标号图;
所述计数统计模块,基于形态学处理区域划分模块的结果,根据麦穗区域部分的区域面积,筛选出重叠区,对重叠区进行骨架提取,拐点检测,并依据拐点数和区域面积特性计算出重叠区麦穗数,结合总区域数,实现麦穗计数。
前述的基于超像素分割的小麦麦穗智能计数系统,所述超像素分割模块,包括依次连接的图像载入单元、Lab格式转化单元、建立标记区域单元、结构数组生成单元和分割结果呈现单元,所述结构数组生成单元,包括图像区域标号子单元、邻接矩阵生成子单元、多特征属性生成子单元。
前述的基于超像素分割的小麦麦穗智能计数系统,所述特征数据集形成模块,包括超像素分割结果载入单元、掩膜文件载入单元、颜色特征数据集提取单元、标号提取单元、样本数据集生成单元,所述标号提取单元包括麦穗区域标号提取和背景区域标号提取。
前述的基于超像素分割的小麦麦穗智能计数系统,所述分类识别模块,包括载入数据单元、训练分类器单元、分类结果处理单元、二值图像生成单元,所述载入数据单元包括样本数据集载入子单元、特征数据集载入子单元、原始图像载入子单元,所述样本数据集载入子单元与训练分类器单元相连接,所述训练分类器单元、特征数据集载入子单元、原始图像载入子单元分别与分类结果处理单元相连接,所述分类结果处理单元分类结果处理单元与二值图像生成单元相连接。
前述的基于超像素分割的小麦麦穗智能计数系统,所述形态学处理区域划分模块,包括依次连接的二值图像载入单元、二值图像处理单元、麦穗区域统计单元,区域标号图生成单元。
前述的基于超像素分割的小麦麦穗智能计数系统,所述计数统计模块,包括麦穗区域统计载入单元、区域标号图载入单元、麦穗区域数计算单元、重叠区提取单元、骨架提取单元、拐点检测单元、重叠区计数单元、麦穗计数单元,所述麦穗区域统计载入单元与麦穗区域数计算单元相连接,所述区域标号图载入单元、重叠区提取单元、骨架提取单元、拐点检测单元、重叠区计数单元依次连接,所述麦穗区域数计算单元、重叠区计数单元共同与麦穗计数单元相连接。
基于超像素分割的小麦麦穗智能计数方法,包括以下步骤,
步骤(A),对小麦麦穗数码照片进行超像素分割;
步骤(B),根据超像素分割结果,建立样本数据集;
步骤(C),根据超像素分割结果、样本数据集,形成一个二值图像,并对二值图像进行预处理,实现原始数码图像掩膜,初步分割出麦穗区域;
步骤(D),对预处理后的二值图像进行进一步的形态学处理,弱化边界,突出麦穗区域部分,统计麦穗区域部分的总区域数,形成对应的区域标号图;
步骤(E),根据麦穗区域部分的区域面积,筛选出重叠区,对重叠区进行骨架提取,拐点检测,并依据拐点数和区域面积特性计算出重叠区麦穗数,结合总区域数,实现麦穗计数。
前述的基于超像素分割的小麦麦穗智能计数方法,步骤(A),对小麦麦穗数码照片进行超像素分割,包括以下步骤,
(A1),读入小麦麦穗数码照片将图像转化为Lab格式;
(A2),初始化数据集,标注和距离,对Lab格式的图像进行分割处理,每个标记区域进行形态学操作,以清理对应区域上的孤立区,将清理后的区分配给最靠近的群集;
(A3)对处理后的区域重新标号,重新生成邻接矩阵,重新计算超像素属性,并将信息写入结构数组;
(A4),读取原始的小麦麦穗数码照片,将分割结果以网格呈现该图上;
前述的基于超像素分割的小麦麦穗智能计数方法,步骤(B),根据超像素分割结果,建立样本数据集,包括以下步骤,
(B1),将超像素分割结果载入,在分割结果的结构数组中提取分类所需特征参数,建立样本数据集;
(B2),载入样本掩膜文件,提取出样本区的麦穗标号和背景标号,结合特征数据集,建立样本特征数据集。
前述的基于超像素分割的小麦麦穗智能计数方法,步骤(C),根据超像素分割结果、样本数据集,形成一个二值图像,包括以下步骤,
(C1),载入样本数据集、样本特征数据集和小麦麦穗数码照片;
(C2),用样本数据集训练MATLAB仿真软件内自带的分类器,将相同数据格式的待分类样本特征数据集用训练好的分类器分类,得出的分类结果每个标号区域对应麦穗和背景,形成二值化图像。
本发明的有益效果是:本发明的基于超像素分割的小麦麦穗智能计数系统及方法,通过超像素对小麦麦穗数码照片进行麦穗分割,较好地保留了麦穗的边缘信息,通过区域划分和重叠区处理,能够简单快捷准确的实现麦穗的计数统计,更便于小麦产量的估测,方法构思新颖巧妙,实现便捷,具有良好的应用前景。
附图说明
图1是本发明的基于超像素分割的小麦麦穗智能计数系统的系统框图;
图2是本发明的超像素分割模块的系统框图;
图3是本发明的特征数据集形成模块的系统框图;
图4是本发明的分类识别模块的系统框图;
图5是本发明的形态学处理区域划分模块的系统框图;
图6是本发明的计数统计模块的系统框图;
图7是本发明的基于超像素分割的小麦麦穗智能计数方法的流程图;
图8是本发明的超像素分割的流程图;
图9是本发明的特征数据集形成的流程图;
图10是本发明的分类识别的流程图;
图11是本发明的形态学处理区域划分的流程图;
图12是本发明的计数统计的流程图。
具体实施方式
下面将结合说明书附图,对本发明作进一步的说明。
如图1所示,本发明的基于超像素分割的小麦麦穗智能计数系统,包括超像素分割模块、特征数据集形成模块、分类识别模块、形态学处理区域划分模块和计数统计模块,
所述超像素分割模块,用于对小麦麦穗数码照片,根据像素点颜色、亮度特性划分为多个像素区域,对每个像素区域加注标号,形成加注标号图像,且该加注标号图像包含多个特征属性的结构体;
所述特征数据集形成模块,利用超像素分割模块处理结果中的多个特征属性的结构体,根据样本区域预先处理的掩膜文件,对加注标号的样本区域进行划分,筛选出典型麦穗区域和背景区域,提取上述区域对应的特征参量,建立样本数据集;
所述分类识别模块,利用建立的样本数据集训练MATLAB仿真软件内自带的分类器,将进行超像素分割模块处理后的加注标号图像按其区域标号和对应特征参数形成与样本数据集相同格式,通过训练好的分类器进行分类,将每个标号区域划分为麦穗区域和背景区域两个部分,形成一个二值图像,并对二值图像进行预处理,实现原始数码图像掩膜,初步分割出麦穗区域;
所述形态学处理区域划分模块,对预处理后的二值图像进行进一步的形态学处理,弱化边界,突出麦穗区域部分,统计麦穗区域部分的总区域数,形成对应的区域标号图;
所述计数统计模块,基于形态学处理区域划分模块的结果,根据麦穗区域部分的区域面积,筛选出重叠区,对重叠区进行骨架提取,拐点检测,并依据拐点数和区域面积特性计算出重叠区麦穗数,结合总区域数,实现麦穗计数。
如图2所示,所述超像素分割模块,包括依次连接的图像载入单元、Lab格式转化单元、建立标记区域单元、结构数组生成单元和分割结果呈现单元,所述结构数组生成单元,包括图像区域标号子单元、邻接矩阵生成子单元、多特征属性生成子单元。
如图3所示,所述特征数据集形成模块,包括超像素分割结果载入单元、掩膜文件载入单元、颜色特征数据集提取单元、标号提取单元、样本数据集生成单元,所述标号提取单元包括麦穗区域标号提取和背景区域标号提取。
如图4所示,所述分类识别模块,包括载入数据单元、训练分类器单元、分类结果处理单元、二值图像生成单元,所述载入数据单元包括样本数据集载入子单元、特征数据集载入子单元、原始图像载入子单元,所述样本数据集载入子单元与训练分类器单元相连接,所述训练分类器单元、特征数据集载入子单元、原始图像载入子单元分别与分类结果处理单元相连接,所述分类结果处理单元分类结果处理单元与二值图像生成单元相连接。
如图5所示,所述形态学处理区域划分模块,包括依次连接的二值图像载入单元、二值图像处理单元、麦穗区域统计单元,区域标号图生成单元。
如图6所示,所述计数统计模块,包括麦穗区域统计载入单元、区域标号图载入单元、麦穗区域数计算单元、重叠区提取单元、骨架提取单元、拐点检测单元、重叠区计数单元、麦穗计数单元,所述麦穗区域统计载入单元与麦穗区域数计算单元相连接,所述区域标号图载入单元、重叠区提取单元、骨架提取单元、拐点检测单元、重叠区计数单元依次连接,所述麦穗区域数计算单元、重叠区计数单元共同与麦穗计数单元相连接。
根据上述的基于超像素分割的小麦麦穗智能计数系统的智能计数方法,如图7所示,包括以下步骤,
步骤(A),对小麦麦穗数码照片进行超像素分割,如图8所示,包括以下步骤,
(A1),读入小麦麦穗数码照片将图像转化为Lab格式;
(A2),初始化数据集,标注和距离,对Lab格式的图像进行分割处理,每个标记区域进行形态学操作,以清理对应区域上的孤立区,将清理后的区分配给最靠近的群集;
(A3)对处理后的区域重新标号,重新生成邻接矩阵,重新计算超像素属性,并将信息写入结构数组;
步骤(B),根据超像素分割结果,建立样本数据集,如图9所示,包括以下步骤,
(B1),将超像素分割结果载入,在分割结果的结构数组中提取分类所需特征参数,建立样本数据集;
(B2),载入样本掩膜文件,提取出样本区的麦穗标号和背景标号,结合特征数据集,建立样本特征数据集;
步骤(C),根据超像素分割结果、样本数据集,形成一个二值图像,并对二值图像进行预处理,实现原始数码图像掩膜,初步分割出麦穗区域,如图10所示,包括以下步骤,
(C1),载入样本数据集、样本特征数据集和小麦麦穗数码照片;
(C2),用样本数据集训练MATLAB仿真软件内自带的分类器,将相同数据格式的待分类样本特征数据集用训练好的分类器分类,得出的分类结果每个标号区域对应麦穗和背景,形成二值化图像。
步骤(D),如图11所示,对预处理后的二值图像进行进一步的形态学处理,弱化边界,突出麦穗区域部分,统计麦穗区域部分的总区域数,形成对应的区域标号图;
步骤(E),根如图12所示,据麦穗区域部分的区域面积,筛选出重叠区,对重叠区进行骨架提取,拐点检测,并依据拐点数和区域面积特性计算出重叠区麦穗数,结合总区域数,实现麦穗计数。
本发明的基于超像素分割的小麦麦穗智能计数系统及方法,将麦穗数码照片经过超像素分割成多个颜色、亮度有相似性的子区域,同时形成对应每个像素的标号图像以及存储每个小区域特征属性(Lab颜色特征)的结构体。选取一个小范围区域结合预先处理的掩膜图像对小范围样本区域内进行穗与背景划分,结合其特征属性建立样本数据集,以及根据输入图像超像素分割后的标号和特征属性结构体建立待处理图像数据集。用样本数据集对分类器进行训练,然后导入待处理数据集分类识别出超像素分割后的每个小区域对应的是麦穗还是背景,分割出数码照片中的麦穗区域。分类所得二值图经过一系列形态学处理(如边缘弱化、小斑块去除)突出麦穗的主体,对处理后的图像进行区域划分,统计区域数,进一步筛选出麦穗重叠区,针对重叠区再次检测计数最终结合区域数完成麦穗计数。
综上所述,本发明的基于超像素分割的小麦麦穗智能计数系统及方法,通过超像素对小麦麦穗数码照片进行麦穗分割,较好地保留了麦穗的边缘信息,通过区域划分和重叠区处理,能够简单快捷准确的实现麦穗的计数统计,更便于小麦产量的估测,方法构思新颖巧妙,实现便捷,具有良好的应用前景。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.基于超像素分割的小麦麦穗智能计数系统,其特征在于:包括超像素分割模块、特征数据集形成模块、分类识别模块、形态学处理区域划分模块和计数统计模块,
所述超像素分割模块,用于对小麦麦穗数码照片,根据像素点颜色、亮度特性划分为多个像素区域,对每个像素区域加注标号,形成加注标号图像,且该加注标号图像包含多个特征属性的结构体;
所述特征数据集形成模块,利用超像素分割模块处理结果中的多个特征属性的结构体,根据样本区域预先处理的掩膜文件,对加注标号的样本区域进行划分,筛选出典型麦穗区域和背景区域,提取上述区域对应的特征参量,建立样本数据集;
所述分类识别模块,利用建立的样本数据集训练MATLAB仿真软件内自带的分类器,将进行超像素分割模块处理后的加注标号图像按其区域标号和对应特征参数形成与样本数据集相同格式,通过训练好的分类器进行分类,将每个标号区域划分为麦穗区域和背景区域两个部分,形成一个二值图像,并对二值图像进行预处理,实现原始数码图像掩膜,初步分割出麦穗区域;
所述形态学处理区域划分模块,对预处理后的二值图像进行进一步的形态学处理,弱化边界,突出麦穗区域部分,统计麦穗区域部分的总区域数,形成对应的区域标号图;
所述计数统计模块,基于形态学处理区域划分模块的结果,根据麦穗区域部分的区域面积,筛选出重叠区,对重叠区进行骨架提取,拐点检测,并依据拐点数和区域面积特性计算出重叠区麦穗数,结合总区域数,实现麦穗计数。
2.根据权利要求1所述的基于超像素分割的小麦麦穗智能计数系统,其特征在于:所述超像素分割模块,包括依次连接的图像载入单元、Lab格式转化单元、建立标记区域单元、结构数组生成单元和分割结果呈现单元,所述结构数组生成单元,包括图像区域标号子单元、邻接矩阵生成子单元、多特征属性生成子单元。
3.根据权利要求1所述的基于超像素分割的小麦麦穗智能计数系统,其特征在于:所述特征数据集形成模块,包括超像素分割结果载入单元、掩膜文件载入单元、颜色特征数据集提取单元、标号提取单元、样本数据集生成单元,所述标号提取单元包括麦穗区域标号提取和背景区域标号提取。
4.根据权利要求1所述的基于超像素分割的小麦麦穗智能计数系统,其特征在于:所述分类识别模块,包括载入数据单元、训练分类器单元、分类结果处理单元、二值图像生成单元,所述载入数据单元包括样本数据集载入子单元、特征数据集载入子单元、原始图像载入子单元,所述样本数据集载入子单元与训练分类器单元相连接,所述训练分类器单元、特征数据集载入子单元、原始图像载入子单元分别与分类结果处理单元相连接,所述分类结果处理单元分类结果处理单元与二值图像生成单元相连接。
5.根据权利要求1所述的基于超像素分割的小麦麦穗智能计数系统,其特征在于:所述形态学处理区域划分模块,包括依次连接的二值图像载入单元、二值图像处理单元、麦穗区域统计单元,区域标号图生成单元。
6.根据权利要求1所述的基于超像素分割的小麦麦穗智能计数系统,其特征在于:所述计数统计模块,包括麦穗区域统计载入单元、区域标号图载入单元、麦穗区域数计算单元、重叠区提取单元、骨架提取单元、拐点检测单元、重叠区计数单元、麦穗计数单元,所述麦穗区域统计载入单元与麦穗区域数计算单元相连接,所述区域标号图载入单元、重叠区提取单元、骨架提取单元、拐点检测单元、重叠区计数单元依次连接,所述麦穗区域数计算单元、重叠区计数单元共同与麦穗计数单元相连接。
7.基于超像素分割的小麦麦穗智能计数方法,其特征在于:包括以下步骤,
步骤(A),对小麦麦穗数码照片进行超像素分割;
步骤(B),根据超像素分割结果,建立样本数据集;
步骤(C),根据超像素分割结果、样本数据集,形成一个二值图像,并对二值图像进行预处理,实现原始数码图像掩膜,初步分割出麦穗区域;
步骤(D),对预处理后的二值图像进行进一步的形态学处理,弱化边界,突出麦穗区域部分,统计麦穗区域部分的总区域数,形成对应的区域标号图;
步骤(E),根据麦穗区域部分的区域面积,筛选出重叠区,对重叠区进行骨架提取,拐点检测,并依据拐点数和区域面积特性计算出重叠区麦穗数,结合总区域数,实现麦穗计数。
8.根据权利要求7所述的基于超像素分割的小麦麦穗智能计数方法,其特征在于:步骤(A),对小麦麦穗数码照片进行超像素分割,包括以下步骤,
(A1),读入小麦麦穗数码照片将图像转化为Lab格式;
(A2),初始化数据集,标注和距离,对Lab格式的图像进行分割处理,每个标记区域进行形态学操作,以清理对应区域上的孤立区,将清理后的区分配给最靠近的群集;
(A3)对处理后的区域重新标号,重新生成邻接矩阵,重新计算超像素属性,并将信息写入结构数组;
(A4),读取原始的小麦麦穗数码照片,将分割结果以网格呈现该图上。
9.根据权利要求7所述的基于超像素分割的小麦麦穗智能计数方法,其特征在于:步骤(B),根据超像素分割结果,建立样本数据集,包括以下步骤,
(B1),将超像素分割结果载入,在分割结果的结构数组中提取分类所需特征参数,建立样本数据集;
(B2),载入样本掩膜文件,提取出样本区的麦穗标号和背景标号,结合特征数据集,建立样本特征数据集。
10.根据权利要求8所述的基于超像素分割的小麦麦穗智能计数方法,其特征在于:步骤(C),根据超像素分割结果、样本数据集,形成一个二值图像,包括以下步骤,
(C1),载入样本数据集、样本特征数据集和小麦麦穗数码照片;
(C2),用样本数据集训练MATLAB仿真软件内自带的分类器,将相同数据格式的待分类样本特征数据集用训练好的分类器分类,得出的分类结果每个标号区域对应麦穗和背景,形成二值化图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810293533.1A CN108492296B (zh) | 2018-04-04 | 2018-04-04 | 基于超像素分割的小麦麦穗智能计数系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810293533.1A CN108492296B (zh) | 2018-04-04 | 2018-04-04 | 基于超像素分割的小麦麦穗智能计数系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108492296A true CN108492296A (zh) | 2018-09-04 |
CN108492296B CN108492296B (zh) | 2022-06-14 |
Family
ID=63317839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810293533.1A Active CN108492296B (zh) | 2018-04-04 | 2018-04-04 | 基于超像素分割的小麦麦穗智能计数系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108492296B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120054A (zh) * | 2019-05-15 | 2019-08-13 | 深圳铂石空间科技有限公司 | 基于图像处理的自动计数方法及装置、介质、电子设备 |
CN110967339A (zh) * | 2018-09-29 | 2020-04-07 | 北京瑞智稷数科技有限公司 | 一种玉米果穗性状分析的方法及装置、玉米性状分析设备 |
CN111062274A (zh) * | 2019-12-02 | 2020-04-24 | 汇纳科技股份有限公司 | 上下文感知嵌入的人群计数方法、系统、介质及电子设备 |
CN113223097A (zh) * | 2021-04-29 | 2021-08-06 | 武汉工程大学 | 一种提高密度计数精度的图像预处理方法 |
CN115330786A (zh) * | 2022-10-13 | 2022-11-11 | 南京邮电大学 | 基于ceci算法的水稻植株深度学习计数数据集的创建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021369A (zh) * | 2014-04-30 | 2014-09-03 | 南京农业大学 | 基于数字图像处理技术的单株水稻穗部籽粒数计数方法 |
CN105427275A (zh) * | 2015-10-29 | 2016-03-23 | 中国农业大学 | 大田环境麦穗计数方法及装置 |
CN105842164A (zh) * | 2016-05-06 | 2016-08-10 | 北京农业信息技术研究中心 | 一种小麦穗数测量装置及其使用方法 |
CN107316289A (zh) * | 2017-06-08 | 2017-11-03 | 华中农业大学 | 基于深度学习和超像素分割的大田稻穗分割方法 |
-
2018
- 2018-04-04 CN CN201810293533.1A patent/CN108492296B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021369A (zh) * | 2014-04-30 | 2014-09-03 | 南京农业大学 | 基于数字图像处理技术的单株水稻穗部籽粒数计数方法 |
CN105427275A (zh) * | 2015-10-29 | 2016-03-23 | 中国农业大学 | 大田环境麦穗计数方法及装置 |
CN105842164A (zh) * | 2016-05-06 | 2016-08-10 | 北京农业信息技术研究中心 | 一种小麦穗数测量装置及其使用方法 |
CN107316289A (zh) * | 2017-06-08 | 2017-11-03 | 华中农业大学 | 基于深度学习和超像素分割的大田稻穗分割方法 |
Non-Patent Citations (1)
Title |
---|
刘涛等: "基于图像处理技术的大田麦穗计数", 《农业机械学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110967339A (zh) * | 2018-09-29 | 2020-04-07 | 北京瑞智稷数科技有限公司 | 一种玉米果穗性状分析的方法及装置、玉米性状分析设备 |
CN110967339B (zh) * | 2018-09-29 | 2022-12-13 | 北京瑞智稷数科技有限公司 | 一种玉米果穗性状分析的方法及装置、玉米性状分析设备 |
CN110120054A (zh) * | 2019-05-15 | 2019-08-13 | 深圳铂石空间科技有限公司 | 基于图像处理的自动计数方法及装置、介质、电子设备 |
CN111062274A (zh) * | 2019-12-02 | 2020-04-24 | 汇纳科技股份有限公司 | 上下文感知嵌入的人群计数方法、系统、介质及电子设备 |
CN111062274B (zh) * | 2019-12-02 | 2023-11-28 | 汇纳科技股份有限公司 | 上下文感知嵌入的人群计数方法、系统、介质及电子设备 |
CN113223097A (zh) * | 2021-04-29 | 2021-08-06 | 武汉工程大学 | 一种提高密度计数精度的图像预处理方法 |
CN115330786A (zh) * | 2022-10-13 | 2022-11-11 | 南京邮电大学 | 基于ceci算法的水稻植株深度学习计数数据集的创建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108492296B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492296A (zh) | 基于超像素分割的小麦麦穗智能计数系统及方法 | |
CN104091179B (zh) | 小麦白粉病菌孢子图片的智能识别方法 | |
Mebatsion et al. | Automatic classification of non-touching cereal grains in digital images using limited morphological and color features | |
CN107067043A (zh) | 一种农作物病虫害检测方法 | |
CN102214306B (zh) | 叶片病斑识别方法及装置 | |
CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
CN110276386A (zh) | 一种基于机器视觉的苹果分级方法及系统 | |
CN108470172A (zh) | 一种文本信息识别方法及装置 | |
CN107358176A (zh) | 基于高分遥感影像区域信息和卷积神经网络的分类方法 | |
CN112069985B (zh) | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 | |
CN102968782A (zh) | 一种彩色图像中显著对象的自动抠取方法 | |
CN103824373B (zh) | 一种票据图像金额分类方法及系统 | |
CN106446957A (zh) | 一种基于随机森林的雾霾图像分类方法 | |
CN109034268A (zh) | 一种面向信息素诱捕器的红脂大小蠹检测器优化方法 | |
CN104597052A (zh) | 基于多特征融合的马铃薯高速无损分级检测方法及系统 | |
CN109740721A (zh) | 麦穗计数方法及装置 | |
CN109919224B (zh) | 一种基于人工智能的真伪混杂中药材的鉴别方法 | |
CN108304878A (zh) | 一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法 | |
CN112183448B (zh) | 一种基于三级分类和多尺度fcn的脱荚大豆图像分割方法 | |
CN115862004A (zh) | 一种玉米果穗表面缺陷检测方法及装置 | |
CN113255434A (zh) | 一种融合果实特征与深度卷积神经网络的苹果识别方法 | |
Khunkhett et al. | Non-destructive identification of pure breeding rice seed using digital image analysis | |
CN110575973A (zh) | 一种农作物种子品质检测与筛选系统 | |
CN106023223A (zh) | 柑橘果实大小描述及分级方法 | |
CN111414855B (zh) | 基于端到端回归模型的电线杆标牌目标检测及识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |