CN108496203B - 一种对图像的处理方法及装置、智能终端 - Google Patents
一种对图像的处理方法及装置、智能终端 Download PDFInfo
- Publication number
- CN108496203B CN108496203B CN201780004777.7A CN201780004777A CN108496203B CN 108496203 B CN108496203 B CN 108496203B CN 201780004777 A CN201780004777 A CN 201780004777A CN 108496203 B CN108496203 B CN 108496203B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- area
- polygon
- determining
- 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.)
- Expired - Fee Related
Links
- 238000003672 processing method Methods 0.000 title description 4
- 239000007921 spray Substances 0.000 claims abstract description 110
- 238000005070 sampling Methods 0.000 claims abstract description 93
- 238000012545 processing Methods 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 230000007547 defect Effects 0.000 claims description 34
- 238000001914 filtration Methods 0.000 claims description 31
- 238000010276 construction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 description 31
- 238000005507 spraying Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000015654 memory Effects 0.000 description 10
- 239000000575 pesticide Substances 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000002146 bilateral effect Effects 0.000 description 4
- 239000011521 glass Substances 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种对图像的处理方法及装置,其中,所述方法包括:从所述图像中确定出采样图像,所述图像是对用于采集目标环境中的喷洒物的物体进行拍摄得到的;将所述采样图像转换为二值图像,并基于预置的多边形拟合算法将所述二值图像上的各图像对象拟合为多边形;根据拟合得到的多边形确定出喷洒物图像对象,并基于确定出的喷洒物图像对象确定所述目标环境中喷洒物的分布参数。能够满足用户快速得到分布参数的需求,不需要进行复杂、繁琐的处理,统计效率高。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种对图像的处理方法及装置、智能终端。
背景技术
对于农业上评估喷洒效率,需要对喷洒物进行分析。目前,在进行喷洒物分析时,首先需要使用专业的试纸采集,并通过计算机软件简单处理后,通过实验人员在实验室通过专业的仪器,例如专业的显微镜等,完成雾滴的识别以及提取,再由计算机软件测量大小,最终完成统计工作,十分繁琐。
因此,现有的喷洒物分析方法,大多是在实验室内完成,需要具备一定的专业能力和专业设备。而如何快捷地进行喷洒物分析成为研究的热点问题。
发明内容
本发明实施例提供了一种对图像的处理方法及装置、智能终端,可完全通过图像分析的方式确定喷洒物的分布。
第一方面,本发明实施例提供了一种对图像的处理方法,所述图像是对用于采集目标环境中的喷洒物的物体进行拍摄得到的,所述方法包括:
从所述图像中确定出采样图像;
将所述采样图像转换为二值图像,并基于预置的多边形拟合算法将所述二值图像上的各图像对象拟合为多边形;
根据拟合得到的多边形确定出喷洒物图像对象,并基于确定出的喷洒物图像对象确定所述目标环境中喷洒物的分布参数。
第二方面,本发明实施例还提供了一种对图像的处理装置,所述图像是对用于采集目标环境中的喷洒物的物体进行拍摄得到的,所述装置包括:
提取模块,用于从所述图像中确定出采样图像;
处理模块,用于将所述采样图像转换为二值图像,并基于预置的多边形拟合算法将所述二值图像上的各图像对象拟合为多边形;
确定模块,用于根据拟合得到的多边形确定出喷洒物图像对象,并基于确定出的喷洒物图像对象确定所述目标环境中喷洒物的分布参数。
第三方面,本发明实施例还提供了一种智能终端,包括:存储装置和处理器;其中,
所述存储装置,用于存储程序指令,
所述处理器,调用所述程序指令,当所述程序指令被执行时时,用于:
从图像中确定出采样图像,所述图像是对用于采集目标环境中的喷洒物的物体进行拍摄得到的;
将所述采样图像转换为二值图像,并基于预置的多边形拟合算法将所述二值图像上的各图像对象拟合为多边形;
根据拟合得到的多边形确定出喷洒物图像对象,并基于确定出的喷洒物图像对象确定所述目标环境中喷洒物的分布参数。
第四方面,本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有程序指令,该程序指令被处理器运行时,用于执行上述第一方面所述的对图像的处理方法。
本发明实施例能够对图像进行分析,基于多边形拟合算法来确定喷洒物在图像上的图像对象,进而进行目标环境中农药雾滴等喷洒物的分布参数的统计,能够满足用户快速得到分布参数的需求,不需要进行复杂、繁琐的处理,统计效率高,并且大多数农业喷洒也仅需要知道大致的分布参数即可,不需要进行精确的处理,本发明实施例的所述方法能够较好的满足农业用户对喷洒物的统计需求,在智能手机等设备均可实现,有效地降低了喷洒物的统计成本。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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是本发明实施例的从图像中确定出采样图像的方法的流程示意图;
图2是本发明实施例的一种关于喷洒物的分析仪器结构示意图;
图3是本发明实施例的一种进行图像处理后的图像的示意图;
图4是本发明实施例的采样图像与所述图像之间的关系示意图;
图5是本发明实施例的确定喷洒物图像对象的方法流程示意图;
图6是本发明实施例的另一种进行图像处理后的图像的示意图;
图7是本发明实施例的再一种进行图像处理后的图像的示意图;
图8是本发明实施例的对确定喷洒物图像对象的过程的简要示意图;
图9是本发明实施例的一种对图像的处理方法的流程示意图;
图10是本发明实施例的另一种对图像的处理方法的流程示意图;
图11是本发明实施例的一种对图像的处理装置的结构示意图;
图12是本发明实施例的一种智能终端的结构示意图。
具体实施方式
在目标环境中喷洒农药、水等物的过程中,本发明实施例可以通过多张试纸(或者大量试纸)同时采集不同区域的喷洒物。在每一张试纸上,喷洒物会以雾滴等方式沾附于试纸上。针对每一张试纸,进行图像拍摄。并针对每一个拍摄得到的图像,采样拟合算法对其中的所有图像对象进行分析,找出其中的被认为是喷洒物的图像对象,基于找到的喷洒物图像对象的个数、平均尺寸大小等数据来确定此次在目标环境中进行喷洒作业的喷洒物分布参数。
在拍摄试纸得到相应的包括试纸的图像后,本发明实施例大致上可以包括三个步骤,首先是从包括试纸的图像上确定出采样图像,该采样图像被认为是本次分析的有效图像区域。其次是针对采样区域进行分析,确定喷洒物图像对象,并对可能存在黏连的喷洒物对应的图像对象进行拆分,以得到多个单独的喷洒物图像对象。最后则是基于确定的喷洒物图像对象进行统计,得到进行喷洒作业的喷洒物分布参数。
请参考图1,是本发明实施例的从图像中确定出采样图像的方法的流程示意图。在本发明实施例中,为了更好地对图像进行分析,可以在拍摄得到包括试纸的图像后,基于一个关于喷洒物的分析仪器对图像进行放大,照相机拍摄到的是经过放大后的图像。如图2所示,该分析仪器包括前镜头201、后镜头202,前镜头201与后镜头202之间构成一个腔体,该腔体位于分析仪器壳体的内部,在腔体中可设置发光二极管LED等照明装置,对放大后的试纸进行补光,使得光照均匀,最终获取到更加细致的图像。在一个实施例中,前镜头201起到放大试纸区域的作用,智能手机等带照相功能的设备透过后镜头202拍摄包括被放大后的试纸区域的图像。
在拍摄得到图像后,做了一个镜头内圆的检测,以便于最终从所述图像中得到采样图像进行后续分析。具体如图1所示,在S101中,调整所述图像的图像参数。可以调整拍摄到的所述图像的大小,降低分辨率,由此能够去除一些明显的噪点,减少计算量。也就是说,如果图像的分辨率太高,图像太清晰,试纸的很多细节会在图像中呈现出来,可能会存在很多噪点,例如,带摄像头的手机在低亮度下拍摄的图像会存在噪点,或者图像的噪点也可能是某些带摄像头的手机因为摄像头等硬件的性能较低而产生的杂色点,在分辨率较高的情况下,这些噪点会较为明显,影响后续的图像处理及喷洒物图像对象的识别。调整图片大小,降低分辨率,虽然会过滤掉一部分喷洒物图像对象,但会过滤掉更多的噪点图像对象,方便快速计算,并且对最终结果的影响并不大。在S102中,使用边缘保持的滤波对所述图像进行处理,例如可以使用双边滤波或是峰值滤波的滤波处理方式,进一步滤除噪点,平滑图像的同时保持喷洒物图像对象边缘的锐利。在S103中,去除颜色信息,将所述图像转为灰度图,并进一步对灰度图进行动态阈值二值化处理。基于上述S101至S103的处理后,得到的图像如图3所示。
在S104中,在二值化的图像上确定出闭合的边缘轮廓,在本发明实施例中,可以找到多个闭合的轮廓。进一步把这些闭合的边缘轮廓对应的边缘点拟合成闭合圆形区域,本发明实施例中,会确定出多个闭合圆形区域,需要进一步地从多个闭合圆形区域中确定目标圆形区域。
在S105中,确定出目标圆形区域。在本发明实施例中,设置的确定条件包括圆的尺寸条件,其中,确定目标圆形区域包括:确定出多个闭合圆形区域中各个圆形区域的圆半径,从中确定出半径在所述图像的画幅短边(图片的长与高较小的边)的80%~90%,并且圆心位置在图像中心附近的闭合圆形区域,其中,画幅短边的80%~90%例如取86%是一个经验值,画幅短边与手机等智能终端的摄像头的焦距、视场角FOV决定。经过上述的圆半径和圆心位置的限制条件,如果仅有一个闭合圆形区域满足条件,则该一个闭合圆形区域可以认为是目标圆形区域。如果包括多个满足条件的闭合圆形区域,则还需要进一步进行筛选。在一个实施例中,可以将所有满足上述圆半径和圆心位置条件的闭合圆形区域中,半径最小的闭合圆形区域作为目标圆形区域。
在S106中,从目标圆形区域中确定出采样区域。在本发明实施例中,可以从目标圆形区域中选取出感兴趣区域ROI(region of interest)作为采样区域,在一个实施例中,可以选取一个中心与圆重合,边长与圆半径成固定比例的正方形,例如,正方形的边长与目标圆形区域的半径为1:1,该正方形区域即为采样区域,进一步地,由于镜头尺寸是固定已知的,因此,该采样区域的边长也可以计算得到,例如,在正方形的边长与圆半径为1:1的情况下,采样区域为在中心区域的边长为1.8cm的区域。
在S107中,按照采样区域的位置,从所述图像中确定出采样图像。在一个实施例中,采样图像与所述图像之间的关系如图4所示,需要说明的是,所述采样图像和所述图像均为彩色图像,例如,图4所示的图像上,试纸底色为黄色,喷洒物所形成的雾滴为深蓝色。后续的计算是以该采样图像为基础进行图像分析。采样图像是拍摄得到的原始图像中的部分区域,或者为对拍摄得到的图像进行尺寸、分辨率以及滤波处理后的图像中的部分区域。
在确定出采样图像后,进一步再请参见图5,是本发明实施例的确定喷洒物图像对象的方法流程示意图。提取出有效区域确定采样图像后,进一步地对采样图像所在区域内的每个图像对象进行检测,确定出单个喷洒物图像对象,并把黏连的多个喷洒物图像对象分割开来。
在S501中,使用边缘保持的滤波对所述采样图像进行处理,例如采样双边滤波或是峰值滤波对所述采样图像进行处理,进一步滤除该采样图像上的噪点,平滑图像的同时保持喷洒物图像对象边缘的锐利。
在S502中将采样图像转化为灰度图。在本发明实施例中,针对试纸底色为黄色,喷洒物所形成的雾滴为深蓝色的特性,可以先提取颜色通道信息,将原始图像拆分为BGR(Blue蓝,Green绿,Red红)三个颜色通道,仅仅选取G和R即红绿通道转化得到灰度图。当然,在其他实施例中,可以针对试纸颜色和喷洒物颜色,选择其他的一个或者两个颜色通道,转换得到灰度图。
在S503中,对在所述S502中对转化得到的灰度图进行二值化处理,得到黑白两色的二值化图像,在一个实施例中可以采用动态阈值的二值化处理方式对所述S502得到的灰度图进行处理。如图6和图7所示,图6是直接将彩色图片转化为灰度图后动态二值化的结果,图7是提取GR通道后再进行动态二值化处理后的结果,可以看到提取红绿通道再二值化能够保留更多的细节,使的微小的雾滴不至于被判定为背景。
在S504中,在所述二值化图像上,提取出边缘轮廓;在一个实施例中,对每个边缘轮廓,均使用预置的多边形近似拟合算法,拟合边缘轮廓得到多个多边形。
在S505中,判断每个多边形轮廓是否为凹曲线,即非凸。
在S506中,对于面积大于一定面积阈值的多边形,针对其每个凹曲线,检测该多边形的所有凹包部分Convex Hull,从而提取出凹缺陷点集Convexity Defects,在本发明实施例中,每个凹缺陷点集是一个三角形的三个点。在一个实施例中,该面积阈值可以取0.1平方毫米到0.15平方毫米,例如取0.13平方毫米。
在S507中,对应每个凹包部分,利用提取的凹缺陷点集组成的三角形,先求出该凹缺陷点集对应的底边和高。在一个实施例中,为了防止误检测,先根据三角形的高度剔除扁平的三角形(三角形的高低于预设的高阈值的三角形),即很浅的凹包,再进一步求取三角形的面积。
在S508中,若多边形的凹陷部分有多个(即可能多个雾滴黏连),则需要根据凹曲线对该多边形进行拆分。在其中一个实施例中,可以基于目标三角形的顶点对此类多边形进行拆分。针对多个凹陷部分对应的凹缺陷点集形成的三角形,基于每一个三角形的面积进行排序,取面积较大的两个凹陷三角形作为目标三角形,连接该两个目标三角形的目标顶点,对应的连线作为拆分线对多边形进行拆分,得到两个多边形,该两个多边形中每一个多边形均可以认为是喷洒物图像对象。
在一个实施例中,若有多个雾滴黏连,需要再对在S508拆分后的两个多边形进行进一步的拆分,跳转到步骤S505重复执行上述步骤,直到拆分后的多边形不再是凹曲线,或是面积较小(已经小于预设的面积阈值),或是凹缺陷三角形不符合条件为止(三角形中目标顶点对应的高小于预设的高阈值)。也就是说,当拆分得到的多边形没有凹曲线,或者面积小于预设的面积阈值,或者存在凹曲线、但凹曲线构成的三角形的指定顶点对应的高小于阈值,在此限制条件下的多边形对应的图像对象为喷洒物图像对象。
在S509中,将拆分得到的多边形按照预置的圆拟合算法进行拟合处理,得到喷洒物圆形区域。其中,对于某些多边形的重合区域需要进行圆边补全处理,以得到所述喷洒物圆形区域,在本发明实施例中,每一个喷洒物圆形区域可以认为是一个喷洒物图像对象。
举例来说,进一步地请参见图8,是本发明实施例的确定喷洒物图像对象的过程的简要示意图。简单来讲,依次执行的步骤包括:S1提取轮廓;S2进行多边形拟合;S3判定为凹曲线;S4检测多边形中的凹包;S5检测凹包中的凹缺陷点集;S6求底和指定顶点的高;S7基于面积确定最大的两个凹缺陷点集构成的三角形;S8连接该两个三角形的指定顶点,以连接线作为分割线,拆分得到两个多边形;S9进行圆拟合处理,补全重合部分,得到两个喷洒物图像对象。
通过上述描述在采样图像中确定出了喷洒物图像对象后,针对试纸对应的采样图像中的喷洒物图像对象,进行数量统计、求取每个喷洒物图像对象的面积、计算喷洒物图像对象在采样图像中所占面积比,得到喷洒物的密度以及覆盖率。喷洒物图像对象的面积可以基于该喷洒物图像对象所占的像素点的个数来进行近似计算,或者采用最小外接矩阵得到喷洒物图像对象的有效直径,基于直径来求取喷洒物图像对象的粒径,从而进行面积计算。统计所有试纸计算得到的个数、面积等参数,最终得到所述目标环境中喷洒物的分布参数,该分布参数例如可以为该喷洒物的覆盖率、平均直径等参数。
本发明实施例能够对图像进行分析,基于多边形拟合算法来确定喷洒物在图像上的图像对象,进而进行目标环境中农药雾滴等喷洒物的分布参数的统计,能够满足用户快速得到分布参数的需求,不需要进行复杂、繁琐的处理,统计效率高,并且大多数农业喷洒也仅需要知道大致的分布参数即可,不需要进行精确的处理,本发明实施例的所述方法能够较好的满足农业用户对喷洒物的统计需求,在智能手机等设备均可实现,有效地降低了喷洒物的统计成本。
再请参见图9,是本发明实施例的一种对图像的处理方法的流程示意图,本发明实施例的所述方法可以由一个能够运行相应程序指令的智能终端来执行,该智能终端可以是智能手机、平板电脑等终端。具体的,本发明实施例的所述方法包括如下步骤。
S901:从所述图像中确定出采样图像;所述图像是对用于采集目标环境中的喷洒物的物体进行拍摄得到的。所述图像可以是执行本发明实施例的所述方法的智能终端自带的摄像头拍摄得到的,所述物体是指能够搜集目标环境中喷洒物的试纸,所述喷洒物例如可以是喷洒农药、水等液态物质后产生的雾滴。所述图像可以是所述试纸被放大镜放大后拍摄得到的。
所述采样图像则是从所述图像中截取的部分图像。该采样图像可以是所述图像中居中的一个目标区域对应的图像,或者也可以是基于用户界面通过框选的方式选出的一个区域对应图像,用户可以通过肉眼观察后执行框选采样图像区域的操作。采样图像所在的目标区域可以为三角形区域,或矩形区域,或圆形区域,或多边形区域。
S902:将所述采样图像转换为二值图像,并基于预置的多边形拟合算法将所述二值图像上的各图像对象拟合为多边形。转换得到的二值图像为一个黑白图像,基于预置的多边形拟合算法,可以将二值图像上的多个图像对象分别拟合成多边形。
S903:根据拟合得到的多边形确定出喷洒物图像对象,并基于确定出的喷洒物图像对象确定所述目标环境中喷洒物的分布参数。在一个实施例中,可以简单地将拟合得到的各个多边形直接认为是喷洒物图像对象,每一个喷洒物图像对象即对应一个喷洒物。对这些喷洒物进行数量统计,求取每一个喷洒物图像对象的面积,进一步地结合多个试纸所对应的图像确定出的喷洒物图像对象以及相应的统计计算结果,进而确定整个目标环境中喷洒物的覆盖情况、喷洒物尺寸大小等分布参数。或者进一步地,为了得到更为精确的分布参数,还可以执行多边形拆分等处理,得到更为准确的喷洒物图像对象,以便于统计得到更准确的分布参数,具体实现请参考上述实施例的描述。
本发明实施例能够对图像进行分析,基于多边形拟合算法来确定喷洒物在图像上的图像对象,进而进行目标环境中农药雾滴等喷洒物的分布参数的统计,能够满足用户快速得到分布参数的需求,不需要进行复杂、繁琐的处理,统计效率高,并且大多数农业喷洒也仅需要知道大致的分布参数即可,不需要进行精确的处理,本发明实施例的所述方法能够较好的满足农业用户对喷洒物的统计需求,在智能手机等设备均可实现,有效地降低了喷洒物的统计成本。
再请参见图10,是本发明实施例的另一种对图像的处理方法的流程示意图,本发明实施例的所述方法可以由一个能够运行相应程序指令的智能终端来执行,该智能终端可以是手机、平板电脑等终端。具体的,本发明实施例的所述方法包括如下步骤。
S1001:将获取的图像转换为灰度图,并进行二值化处理,得到待检测图像;在一个实施例中,所述图像可以是对用于采集目标环境中的喷洒物的物体进行拍摄得到的,所述物体可以是各种类型的试纸,所述喷洒物包括在喷洒农药或者水等情形下,喷洒的雾滴。所述图像进一步可以是在放大用于采集目标环境中的喷洒物的物体后拍摄得到的。另外,在一个实施例中,在拍摄得到所述图像后,可以对所述图像进行预处理,具体可以将所述图像的分辨率降低至预置的分辨率值,和/或,使用预置的边缘保持的滤波算法对所述图像进行滤波处理,其中,边缘保持的滤波算法可以为双边滤波或是峰值滤波,降低分辨率或者进行边缘保持的滤波算法主要用于减少图像中的图像对象,减少噪点。
S1002:从所述待检测图像中确定出采样区域。所述采样区域主要是指所述待检测图像中的有效区域。在通过放大镜等放大试纸后进行拍摄时,有可能会拍摄到无关的区域,例如拍摄到放大镜相应结构,如图3所示,在中间的闭合圆形区域以外的区域即是放大镜相关结构的图像区域,在检测时需要去除这部分区域,仅保留该中间闭合圆形区域内部的部分区域,将这部分区域作为采样区域,以便于进行后续的图像分析处理。
在一个实施例中,所述S1002可以包括:基于预置的圆拟合算法对所述待检测图像上的对象进行边缘点拟合处理,得到多个闭合圆形区域;从多个闭合圆形区域中确定出目标圆形区域,并在该目标圆形区域截取得到采样区域。该采样区域可以基于截取规则从目标圆形区域中截取得到,也可以通过一个用户界面,提供一个尺寸可调节的选取框给用户,以便于用户框选得到采样区域,例如提供边长可调的正方形选取框,或者提供半径可调的圆形选取框等。
在一个实施例中,按照预置的截取规则确定采样区域时,首先,所述从多个闭合圆形区域中确定出目标圆形区域的方式可以包括:将所述多个闭合圆形区域中尺寸在预设的长度范围内的闭合圆形区域确定为目标圆形区域。进一步地,若所述多个闭合圆形区域中尺寸在预设的长度范围内的闭合圆形区域包括多个,则将在预设的长度范围内的闭合圆形区域中尺寸最小的闭合圆形区域作为目标圆形区域。在一个实施例中,所述预设的长度范围是根据所述图像的短边长度确定的,例如在短边长度的80%~90%的长度范围。
进一步地,还可以取在中心位置的闭合圆形区域作为目标圆形区域,即:确定出的所述目标圆形区域的圆心与所述图像的中心之间的距离在预置的第一距离阈值内。
在一个实施例中,所述在该目标圆形区域截取得到采样区域,包括:在所述目标圆形区域中截取一个目标区域作为采样区域;其中,所述目标区域的图像中心与所述目标圆形区域的圆心的距离在预置的第二距离阈值内、且所述目标区域的尺寸与所述目标圆形区域的半径的长度比值为预置的比值,在一个实施例中,该目标区域为一个正方形区域,该正方形区域的尺寸为该正方形的边长,该正方形区域的边长与所述目标圆形区域的半径相等。在其他实施例中,该目标区域也可以为一个长方形区域,该长方形的尺寸为该长方形的较长边的长度,该长方形区域的长边长度为目标圆形区域的直径的70%;或者该目标区域还可以为一个圆形区域,该圆形区域的尺寸是指该圆形区域的直径,该圆形区域的直径为目标圆形区域的直径的70%。
S1003:根据所述采样区域在所述待检测图像中的位置,从所述图像中确定出对应位置区域的区域图像作为采样图像。基于采样区域在所述待检测图像中的像素位置,对原始的图像进行截取,从原始图像中获得采样图像。该原始图像可以是指对原始拍摄图像经过预处理后的图像。
在一个实施例中,在得到了采样图像后,可以使用预置的边缘保持的滤波算法对所述采样图像进行滤波处理。所述边缘保持的滤波算法可以为双边滤波或是峰值滤波
S1004:将所述采样图像转换为灰度图;在一个实施例中,所述S1004可以包括从所述采样图像的三个颜色通道中选取指定的两个颜色通道;基于该两个颜色通道转换得到所述采样图像的灰度图。在一个实施例中,针对试纸底色为黄色,雾滴为深蓝色的特性,所述指定的两个颜色通道包括绿色颜色通道和红色颜色通道,其中,使用红绿通道是根据试纸的背景颜色选定的,在其他实施例中,所选中的颜色通道是根据不同颜色的试纸选取不同的颜色通道。提取红绿通道再二值化能够保留更多的细节,使的微小的雾滴不至于被判定为背景,提高了后续进行图像分析确定喷洒物的准确性。
S1005:将转换得到的灰度图进行二值化处理,得到所述采样图像的二值图像。具体的,所述二值化处理可以采用动态阈值的二值化处理方式。
S1006:基于预置的多边形拟合算法将所述二值图像上的各图像对象拟合为多边形。通过多边形拟合算法来拟合采样图像上不规则的边界曲线,得到相对规整的多边形。
S1007:从拟合得到的多边形中确定出目标多边形,并判断该目标多边形的轮廓是否包括凹曲线;所述目标多边形可以为拟合得到的多边形中的任意一个,也可以是指拟合得到的多边形中面积大于预置面积阈值的多边形;也可以是指拟合得到的多边形中面积最大的多边形。
S1008:如果不包括凹曲线,则确定该目标多边形为一个喷洒物图像对象。在本发明实施例中,不包括凹曲线表明该目标多边形不存在多个喷洒物的黏连的情况,其为单个雾滴沾附在试纸上,该类目标多边形为一个单独的喷洒物图像对象,不需要再进行拆分处理等。
S1009:如果包括凹曲线,则根据凹曲线对所述目标多边形进行拆分处理,以拆分得到两个或多个喷洒物图像对象。在本发明实施例中,如果包括凹曲线,则认为该目标多边形至少为两个雾滴黏连沾附在试纸上,需要经过图像分析对其进行拆分,得到两个或多个喷洒物图像对象。
在一个实施例中,所述S1009可以包括:根据凹曲线提取出凹缺陷点集;基于凹缺陷点集构建三角形;根据构建得到的三角形的顶点对所述目标多边形进行拆分处理,以拆分得到喷洒物图像对象。在另一个实施例中,所述S1009还可以包括:根据凹曲线提取出凹缺陷点集,所述凹缺陷点集中包括所述凹曲线上的多个位置点,例如所述凹缺陷点集中包括构成三角形的三个顶点;基于凹缺陷点集构建三角形;根据构建得到的三角形的面积,确定出目标三角形;根据目标三角形的顶点对所述目标多边形进行拆分处理,以拆分得到喷洒物图像对象。在一个实施例中,构建得到的三角形的面积可以基于三角形的面积计算公式计算得到,其中底的长度和高的长度可以根据像素点的个数来确定。在一个实施例中,构建得到的三角形的面积也可以根据该三角形覆盖的像素点的数量来确定的。在一个实施例中,构建得到的三角形是指:根据凹缺陷点集生成的三角形中目标顶点所对应的高大于预设的高阈值的三角形。该目标顶点是上述实施例中提及的指定顶点,例如图8中S5所对应的图例中两条线交汇的点为指定顶点,也即是S6所对应示意图中的高所对应的顶点。具体的,根据凹曲线对所述目标多边形进行拆分处理可参考图8对应的实施例描述。
S1010:将拆分得到的多边形按照预置的圆拟合算法进行拟合处理。
S1011:对拆分得到的多边形的重合区域进行圆边补全处理,得到喷洒物圆形区域,每一个喷洒物圆形区域为一个喷洒物图像对象。一般情况下,农药、水等喷洒后形成的雾滴在试纸上应该以近似圆形的形状存在,在拆分得到多个多边形后,再采用预置的圆拟合算法进行拟合处理,同样请参考图8对应实施例中的描述。并且,基于圆形更方便计算喷洒物图像对象所占的面积,以确定喷洒物的面积。
S1012:基于确定出的喷洒物图像对象确定所述目标环境中喷洒物的分布参数。在一个实施例中,所述分布参数包括:在所述目标环境中的喷洒物的密度、喷洒物的尺寸、喷洒物所占面积比中的任意一项或多项。进一步地,为了直观地对用户进行提示,所述方法还包括:发出提示信息,所述提示信息用于提示所述分布参数,具体在一个显示界面上显示相应的分布参数,或者通过语音提示的方式提醒相应的分布参数。
本发明实施例能够对图像进行分析,基于多边形拟合算法来确定喷洒物在图像上的图像对象,进而进行目标环境中农药雾滴等喷洒物的分布参数的统计,能够满足用户快速得到分布参数的需求,不需要进行复杂、繁琐的处理,统计效率高,并且大多数农业喷洒也仅需要知道大致的分布参数即可,不需要进行精确的处理,本发明实施例的所述方法能够较好的满足农业用户对喷洒物的统计需求,在智能手机等设备均可实现,有效地降低了喷洒物的统计成本。
请参见图11,是本发明实施例的一种对图像的处理装置的结构示意图;本发明实施例的所述装置可以设置在智能手机等智能终端中。具体的,本发明实施例的所述装置包括如下结构。
提取模块1101,用于从图像中确定出采样图像,所述图像是对用于采集目标环境中的喷洒物的物体进行拍摄得到的;
处理模块1102,用于将所述采样图像转换为二值图像,并基于预置的多边形拟合算法将所述二值图像上的各图像对象拟合为多边形;
确定模块1103,用于根据拟合得到的多边形确定出喷洒物图像对象,并基于确定出的喷洒物图像对象确定所述目标环境中喷洒物的分布参数。
在一个实施例中,所述提取模块1101,具体用于将所述图像转换为灰度图,并进行二值化处理,得到待检测图像;从所述待检测图像中确定出采样区域;根据所述采样区域在所述待检测图像中的位置,从所述图像中确定出对应位置区域的区域图像作为采样图像。
在一个实施例中,所述提取模块1101,具体用于基于预置的圆拟合算法对所述待检测图像上的对象进行边缘点拟合处理,得到多个闭合圆形区域;从多个闭合圆形区域中确定出目标圆形区域,并在该目标圆形区域截取得到采样区域。
在一个实施例中,所述装置还可以包括:预处理模块1104,用于将所述图像的分辨率降低至预置的分辨率值,和/或,使用预置的边缘保持的滤波算法对所述图像进行滤波处理。
在一个实施例中,所述提取模块1101,具体用于将所述多个闭合圆形区域中尺寸在预设的长度范围内的闭合圆形区域确定为目标圆形区域。
在一个实施例中,所述提取模块1101,具体用于若所述多个闭合圆形区域中尺寸在预设的长度范围内的闭合圆形区域包括多个,则将在预设的长度范围内的闭合圆形区域中尺寸最小的闭合圆形区域作为目标圆形区域。
在一个实施例中,所述预设的长度范围是根据所述图像的短边长度确定的。
在一个实施例中,确定出的所述目标圆形区域的圆心与所述图像的中心之间的距离在预置的第一距离阈值内。
在一个实施例中,所述提取模块1101,具体用于在所述目标圆形区域中截取一个目标区域作为采样区域;其中,所述目标区域的图像中心与所述目标圆形区域的圆心的距离在预置的第二距离阈值内、且所述目标区域的尺寸与所述目标圆形区域的半径的长度比值为预置的比值。
在一个实施例中,所述处理模块1102,具体用于将所述采样图像转换为灰度图;将转换得到的灰度图进行二值化处理,得到所述采样图像的二值图像。
在一个实施例中,所述处理模块1102,具体用于从所述采样图像的三个颜色通道中选取指定的两个颜色通道;基于该两个颜色通道转换得到所述采样图像的灰度图。
在一个实施例中,所述指定的两个颜色通道包括绿色颜色通道和红色颜色通道。
在一个实施例中,所述预处理模块1104,还用于使用预置的边缘保持的滤波算法对所述采样图像进行滤波处理。
在一个实施例中,所述确定模块1103,具体用于从拟合得到的多边形中确定出目标多边形,并判断该目标多边形的轮廓是否包括凹曲线;如果不包括凹曲线,则确定该目标多边形为一个喷洒物图像对象;如果包括凹曲线,则根据凹曲线对所述目标多边形进行拆分处理,以拆分得到两个或多个喷洒物图像对象。
在一个实施例中,所述目标多边形是指拟合得到的多边形中面积大于预置面积阈值的多边形。
在一个实施例中,所述确定模块1103,具体用于根据凹曲线提取出凹缺陷点集;基于凹缺陷点集构建三角形;根据构建得到的三角形的顶点对所述目标多边形进行拆分处理,以拆分得到喷洒物图像对象。
在一个实施例中,所述确定模块1103,具体用于根据凹曲线提取出凹缺陷点集,所述凹缺陷点集中包括所述凹曲线上的多个位置点;基于凹缺陷点集构建三角形;根据构建得到的三角形的面积,确定出目标三角形;根据目标三角形的顶点对所述目标多边形进行拆分处理,以拆分得到喷洒物图像对象。
在一个实施例中,构建得到的三角形的面积是根据该三角形覆盖的像素点的数量来确定的。
在一个实施例中,构建得到的三角形是指:根据凹缺陷点集生成的三角形中目标顶点所对应的高大于预设的高阈值的三角形。
在一个实施例中,所述确定模块1103,具体用于将拆分得到的多边形按照预置的圆拟合算法进行拟合处理;对拆分得到的多边形的重合区域进行圆边补全处理,得到喷洒物圆形区域,每一个喷洒物圆形区域为一个喷洒物图像对象。
需要说明的是,本发明实施例的所述装置中各个模块的实现可参考上述各个实施例中相应内容的描述,在此不赘述。
本发明实施例能够对图像进行分析,基于多边形拟合算法来确定喷洒物在图像上的图像对象,进而进行目标环境中农药雾滴等喷洒物的分布参数的统计,能够满足用户快速得到分布参数的需求,不需要进行复杂、繁琐的处理,统计效率高,并且大多数农业喷洒也仅需要知道大致的分布参数即可,不需要进行精确的处理,本发明实施例的所述方法能够较好的满足农业用户对喷洒物的统计需求,在智能手机等设备均可实现,有效地降低了喷洒物的统计成本。
再请参见图12,是本发明实施例的一种智能终端的结构示意图。本发明实施例的所述智能终端可以是智能手机、平板电脑等设备。该智能终端包括供电模块等,还包括:处理器1201以及存储装置1202。
所述存储装置1202可以包括易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储装置1202也可以包括非易失性存储器(non-volatile memory),例如快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD);存储装置1202还可以包括上述种类的存储器的组合。
所述处理器1201可以是中央处理器(central processing unit,CPU)。所述处理器1201还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit,ASIC),可编程逻辑器件(programmable logic device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logicdevice,CPLD),现场可编程逻辑门阵列(field-programmable gate array,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。
可选地,所述存储器还用于存储程序指令。所述处理器1201可以调用所述程序指令,实现如本申请图1,5、8、9以及10实施例中所示的相应方法。
所述处理器1201,调用所述存储装置1202中存储的程序指令,当所述程序指令被执行时,用于:
从所述图像中确定出采样图像,所述图像是对用于采集目标环境中的喷洒物的物体进行拍摄得到的;
将所述采样图像转换为二值图像,并基于预置的多边形拟合算法将所述二值图像上的各图像对象拟合为多边形;
根据拟合得到的多边形确定出喷洒物图像对象,并基于确定出的喷洒物图像对象确定所述目标环境中喷洒物的分布参数。
在一个实施例中,所述处理器1201,用于将所述图像转换为灰度图,并进行二值化处理,得到待检测图像;从所述待检测图像中确定出采样区域;根据所述采样区域在所述待检测图像中的位置,从所述图像中确定出对应位置区域的区域图像作为采样图像。
在一个实施例中,所述处理器1201,用于基于预置的圆拟合算法对所述待检测图像上的对象进行边缘点拟合处理,得到多个闭合圆形区域;从多个闭合圆形区域中确定出目标圆形区域,并在该目标圆形区域截取得到采样区域。
在一个实施例中,所述处理器1201,用于将所述图像的分辨率降低至预置的分辨率值,和/或,使用预置的边缘保持的滤波算法对所述图像进行滤波处理。
在一个实施例中,所述处理器1201,用于将所述多个闭合圆形区域中尺寸在预设的长度范围内的闭合圆形区域确定为目标圆形区域。
在一个实施例中,所述处理器1201,用于若所述多个闭合圆形区域中尺寸在预设的长度范围内的闭合圆形区域包括多个,则将在预设的长度范围内的闭合圆形区域中尺寸最小的闭合圆形区域作为目标圆形区域。
在一个实施例中,所述预设的长度范围是根据所述图像的短边长度确定的。
在一个实施例中,确定出的所述目标圆形区域的圆心与所述图像的中心之间的距离在预置的第一距离阈值内。
在一个实施例中,所述处理器1201,用于在所述目标圆形区域中截取一个目标区域作为采样区域;其中,所述目标区域的图像中心与所述目标圆形区域的圆心的距离在预置的第二距离阈值内、且所述目标区域的尺寸与所述目标圆形区域的半径的长度比值为预置的比值。
在一个实施例中,所述处理器1201,用于将所述采样图像转换为灰度图;将转换得到的灰度图进行二值化处理,得到所述采样图像的二值图像。
在一个实施例中,所述处理器1201,用于从所述采样图像的三个颜色通道中选取指定的两个颜色通道;基于该两个颜色通道转换得到所述采样图像的灰度图。
在一个实施例中,所述指定的两个颜色通道包括绿色颜色通道和红色颜色通道。
在一个实施例中,所述处理器1201,用于使用预置的边缘保持的滤波算法对所述采样图像进行滤波处理。
在一个实施例中,所述处理器1201,用于从拟合得到的多边形中确定出目标多边形,并判断该目标多边形的轮廓是否包括凹曲线;如果不包括凹曲线,则确定该目标多边形为一个喷洒物图像对象;如果包括凹曲线,则根据凹曲线对所述目标多边形进行拆分处理,以拆分得到两个或多个喷洒物图像对象。
在一个实施例中,所述目标多边形是指拟合得到的多边形中面积大于预置面积阈值的多边形。
在一个实施例中,所述处理器1201,用于根据凹曲线提取出凹缺陷点集;基于凹缺陷点集构建三角形;根据构建得到的三角形的顶点对所述目标多边形进行拆分处理,以拆分得到喷洒物图像对象。
在一个实施例中,所述处理器1201,用于根据凹曲线提取出凹缺陷点集,所述凹缺陷点集中包括所述凹曲线上的多个位置点;基于凹缺陷点集构建三角形;根据构建得到的三角形的面积,确定出目标三角形;根据目标三角形的顶点对所述目标多边形进行拆分处理,以拆分得到喷洒物图像对象。
在一个实施例中,构建得到的三角形的面积是根据该三角形覆盖的像素点的数量来确定的。
在一个实施例中,构建得到的三角形是指:根据凹缺陷点集生成的三角形中目标顶点所对应的高大于预设的高阈值的三角形。
在一个实施例中,所述处理器1201,用于将拆分得到的多边形按照预置的圆拟合算法进行拟合处理;对拆分得到的多边形的重合区域进行圆边补全处理,得到喷洒物圆形区域,每一个喷洒物圆形区域为一个喷洒物图像对象。
需要说明的是,本发明实施例的所述处理器的具体实现可参考上述各个实施例中相应内容的描述,在此不赘述。
本发明实施例能够对图像进行分析,基于多边形拟合算法来确定喷洒物在图像上的图像对象,进而进行目标环境中农药雾滴等喷洒物的分布参数的统计,能够满足用户快速得到分布参数的需求,不需要进行复杂、繁琐的处理,统计效率高,并且大多数农业喷洒也仅需要知道大致的分布参数即可,不需要进行精确的处理,本发明实施例的所述方法能够较好的满足农业用户喷洒物的统计需求,在智能手机等设备均可实现,有效地降低了喷洒物的统计成本。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所揭露的仅为本发明部分实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (38)
1.一种对图像的处理方法,其特征在于,所述图像是对用于采集目标环境中的喷洒物的物体进行拍摄得到的,所述方法包括:
从所述图像中确定出采样图像;
将所述采样图像转换为二值图像,并基于预置的多边形拟合算法将所述二值图像上的各图像对象拟合为多边形;
根据拟合得到的多边形确定出喷洒物图像对象,并基于确定出的喷洒物图像对象确定所述目标环境中喷洒物的分布参数;
其中,所述根据拟合得到的多边形确定出喷洒物图像对象,包括:从拟合得到的多边形中确定出目标多边形,并判断该目标多边形的轮廓是否包括凹曲线;如果包括凹曲线,则根据凹曲线提取出凹缺陷点集;基于凹缺陷点集构建三角形;根据构建得到的三角形的面积,确定出两个目标三角形;根据两个目标三角形的目标顶点的连线作为拆分线对所述目标多边形进行拆分处理,以拆分得到喷洒物图像对象。
2.如权利要求1所述的方法,其特征在于,所述从所述图像中确定出采样图像,包括:
将所述图像转换为灰度图,并进行二值化处理,得到待检测图像;
从所述待检测图像中确定出采样区域;
根据所述采样区域在所述待检测图像中的位置,从所述图像中确定出对应位置区域的区域图像作为采样图像。
3.如权利要求2所述的方法,其特征在于,所述从所述待检测图像中确定出采样区域,包括:
基于预置的圆拟合算法对所述待检测图像上的对象进行边缘点拟合处理,得到多个闭合圆形区域;
从多个闭合圆形区域中确定出目标圆形区域,并在该目标圆形区域截取得到采样区域。
4.如权利要求1-3任一项所述的方法,其特征在于,还包括:
将所述图像的分辨率降低至预置的分辨率值,和/或,
使用预置的边缘保持的滤波算法对所述图像进行滤波处理。
5.如权利要求3所述的方法,其特征在于,所述从多个闭合圆形区域中确定出目标圆形区域,包括:
将所述多个闭合圆形区域中尺寸在预设的长度范围内的闭合圆形区域确定为目标圆形区域。
6.如权利要求5所述的方法,其特征在于,所述从多个闭合圆形区域中确定出目标圆形区域,还包括:
若所述多个闭合圆形区域中尺寸在预设的长度范围内的闭合圆形区域包括多个,则将在预设的长度范围内的闭合圆形区域中尺寸最小的闭合圆形区域作为目标圆形区域。
7.如权利要求5或6所述的方法,其特征在于,所述预设的长度范围是根据所述图像的短边长度确定的。
8.如权利要求5或6所述的方法,其特征在于,确定出的所述目标圆形区域的圆心与所述图像的中心之间的距离在预置的第一距离阈值内。
9.如权利要求3所述的方法,其特征在于,所述在该目标圆形区域截取得到采样区域,包括:
在所述目标圆形区域中截取目标区域作为采样区域;
其中,所述目标区域的图像中心与所述目标圆形区域的圆心的距离在预置的第二距离阈值内、且所述目标区域的尺寸与所述目标圆形区域的半径的长度比值为预置的比值。
10.如权利要求1所述的方法,其特征在于,所述将所述采样图像转换为二值图像,包括:
将所述采样图像转换为灰度图;
将转换得到的灰度图进行二值化处理,得到所述采样图像的二值图像。
11.如权利要求10所述的方法,其特征在于,所述将所述采样图像转换为灰度图,包括:
从所述采样图像的三个颜色通道中选取指定的两个颜色通道;
基于该两个颜色通道转换得到所述采样图像的灰度图。
12.如权利要求11所述的方法,其特征在于,所述指定的两个颜色通道包括绿色颜色通道和红色颜色通道。
13.如权利要求1所述的方法,其特征在于,还包括:
使用预置的边缘保持的滤波算法对所述采样图像进行滤波处理。
14.如权利要求1所述的方法,其特征在于,所述根据拟合得到的多边形确定出喷洒物图像对象,包括:
如果不包括凹曲线,则确定该目标多边形为一个喷洒物图像对象。
15.如权利要求14所述的方法,其特征在于,所述目标多边形是指拟合得到的多边形中面积大于预置面积阈值的多边形。
16.如权利要求14或15所述的方法,其特征在于,构建得到的三角形的面积是根据该三角形覆盖的像素点的数量来确定的。
17.如权利要求14或15所述的方法,其特征在于,构建得到的三角形是指:根据凹缺陷点集生成的三角形中目标顶点所对应的高大于预设的高阈值的三角形。
18.如权利要求14或15所述的方法,其特征在于,在对所述目标多边形进行拆分处理后,还包括:
将拆分得到的多边形按照预置的圆拟合算法进行拟合处理;
对拆分得到的多边形的重合区域进行圆边补全处理,得到喷洒物圆形区域,每一个喷洒物圆形区域为一个喷洒物图像对象。
19.一种对图像的处理装置,其特征在于,所述图像是对用于采集目标环境中的喷洒物的物体进行拍摄得到的,所述装置包括:
提取模块,用于从所述图像中确定出采样图像;
处理模块,用于将所述采样图像转换为二值图像,并基于预置的多边形拟合算法将所述二值图像上的各图像对象拟合为多边形;
确定模块,用于根据拟合得到的多边形确定出喷洒物图像对象,并基于确定出的喷洒物图像对象确定所述目标环境中喷洒物的分布参数;
其中,所述处理模块,在用于根据拟合得到的多边形确定出喷洒物图像对象时,具体用于从拟合得到的多边形中确定出目标多边形,并判断该目标多边形的轮廓是否包括凹曲线;如果包括凹曲线,则根据凹曲线提取出凹缺陷点集;基于凹缺陷点集构建三角形;根据构建得到的三角形的面积,确定出两个目标三角形;根据两个目标三角形的目标顶点的连线作为拆分线对所述目标多边形进行拆分处理,以拆分得到喷洒物图像对象。
20.一种智能终端,其特征在于,包括:存储装置和处理器;
所述存储装置,用于存储程序指令;
所述处理器,调用所述程序指令,当所述程序指令被执行时,用于:
从图像中确定出采样图像,所述图像是对用于采集目标环境中的喷洒物的物体进行拍摄得到的;
将所述采样图像转换为二值图像,并基于预置的多边形拟合算法将所述二值图像上的各图像对象拟合为多边形;
根据拟合得到的多边形确定出喷洒物图像对象,并基于确定出的喷洒物图像对象确定所述目标环境中喷洒物的分布参数;
所述处理器,在用于根据拟合得到的多边形确定出喷洒物图像对象时,具体用于:从拟合得到的多边形中确定出目标多边形,并判断该目标多边形的轮廓是否包括凹曲线;如果包括凹曲线,则根据凹曲线提取出凹缺陷点集;基于凹缺陷点集构建三角形;根据构建得到的三角形的面积,确定出两个目标三角形;根据两个目标三角形的目标顶点的连线作为拆分线对所述目标多边形进行拆分处理,以拆分得到喷洒物图像对象。
21.如权利要求20所述的智能终端,其特征在于,
所述处理器,用于将所述图像转换为灰度图,并进行二值化处理,得到待检测图像;从所述待检测图像中确定出采样区域;根据所述采样区域在所述待检测图像中的位置,从所述图像中确定出对应位置区域的区域图像作为采样图像。
22.如权利要求21所述的智能终端,其特征在于,
所述处理器,用于基于预置的圆拟合算法对所述待检测图像上的对象进行边缘点拟合处理,得到多个闭合圆形区域;从多个闭合圆形区域中确定出目标圆形区域,并在该目标圆形区域截取得到采样区域。
23.如权利要求20-22任一项所述的智能终端,其特征在于,
所述处理器,用于将所述图像的分辨率降低至预置的分辨率值,和/或,使用预置的边缘保持的滤波算法对所述图像进行滤波处理。
24.如权利要求22所述的智能终端,其特征在于,
所述处理器,用于将所述多个闭合圆形区域中尺寸在预设的长度范围内的闭合圆形区域确定为目标圆形区域。
25.如权利要求24所述的智能终端,其特征在于,
所述处理器,用于若所述多个闭合圆形区域中尺寸在预设的长度范围内的闭合圆形区域包括多个,则将在预设的长度范围内的闭合圆形区域中尺寸最小的闭合圆形区域作为目标圆形区域。
26.如权利要求24或25所述的智能终端,其特征在于,所述预设的长度范围是根据所述图像的短边长度确定的。
27.如权利要求24或25所述的智能终端,其特征在于,确定出的所述目标圆形区域的圆心与所述图像的中心之间的距离在预置的第一距离阈值内。
28.如权利要求22所述的智能终端,其特征在于,
所述处理器,用于在所述目标圆形区域中截取一个目标区域作为采样区域;其中,所述目标区域的图像中心与所述目标圆形区域的圆心的距离在预置的第二距离阈值内、且所述目标区域的尺寸与所述目标圆形区域的半径的长度比值为预置的比值。
29.如权利要求20所述的智能终端,其特征在于,
所述处理器,用于将所述采样图像转换为灰度图;将转换得到的灰度图进行二值化处理,得到所述采样图像的二值图像。
30.如权利要求29所述的智能终端,其特征在于,
所述处理器,用于从所述采样图像的三个颜色通道中选取指定的两个颜色通道;基于该两个颜色通道转换得到所述采样图像的灰度图。
31.如权利要求30所述的智能终端,其特征在于,所述指定的两个颜色通道包括绿色颜色通道和红色颜色通道。
32.如权利要求20所述的智能终端,其特征在于,
所述处理器,用于使用预置的边缘保持的滤波算法对所述采样图像进行滤波处理。
33.如权利要求20所述的智能终端,其特征在于,
所述处理器,用于如果不包括凹曲线,则确定该目标多边形为一个喷洒物图像对象。
34.如权利要求33所述的智能终端,其特征在于,所述目标多边形是指拟合得到的多边形中面积大于预置面积阈值的多边形。
35.如权利要求33或34所述的智能终端,其特征在于,构建得到的三角形的面积是根据该三角形覆盖的像素点的数量来确定的。
36.如权利要求33或34所述的智能终端,其特征在于,构建得到的三角形是指:根据凹缺陷点集生成的三角形中目标顶点所对应的高大于预设的高阈值的三角形。
37.如权利要求33或34所述的智能终端,其特征在于,
所述处理器,用于将拆分得到的多边形按照预置的圆拟合算法进行拟合处理;对拆分得到的多边形的重合区域进行圆边补全处理,得到喷洒物圆形区域,每一个喷洒物圆形区域为一个喷洒物图像对象。
38.一种计算机可读存储介质,其特征在于,该计算机可读存储介质中存储有程序指令,该程序指令被处理器运行时,用于执行上述权利要求1~18任一项所述的对图像的处理方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2017/093170 WO2019014810A1 (zh) | 2017-07-17 | 2017-07-17 | 一种对图像的处理方法及装置、智能终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108496203A CN108496203A (zh) | 2018-09-04 |
CN108496203B true CN108496203B (zh) | 2022-04-22 |
Family
ID=63344775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780004777.7A Expired - Fee Related CN108496203B (zh) | 2017-07-17 | 2017-07-17 | 一种对图像的处理方法及装置、智能终端 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108496203B (zh) |
WO (1) | WO2019014810A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109120757A (zh) * | 2018-09-27 | 2019-01-01 | 中国民用航空总局第二研究所 | 一种基于手机拍照的雾滴图像采集辅助装置及方法 |
CN111437420A (zh) * | 2019-10-26 | 2020-07-24 | 泰州三凯工程技术有限公司 | 基于定制滤波的环境维护系统 |
CN111445482B (zh) * | 2020-03-24 | 2023-03-28 | 上海第二工业大学 | 重叠双孢蘑菇的分割识别方法 |
CN111899146A (zh) * | 2020-08-04 | 2020-11-06 | 西安科技大学 | 基于matlab发动机喷雾图像自动筛选方法 |
CN113686867A (zh) * | 2021-07-15 | 2021-11-23 | 昆山丘钛微电子科技股份有限公司 | 一种点胶质量检测方法、装置、介质及摄像头调焦机 |
CN114399507B (zh) * | 2022-03-25 | 2022-06-17 | 季华实验室 | 一种手机外观质量检测方法、装置、电子设备及存储介质 |
CN114972750B (zh) * | 2022-04-29 | 2023-10-27 | 北京九章云极科技有限公司 | 目标覆盖率的获取方法、分类模型的训练方法及装置 |
CN116503397B (zh) * | 2023-06-26 | 2023-09-01 | 山东天通汽车科技股份有限公司 | 基于图像数据的车内传输带缺陷检测方法 |
CN116703922B (zh) * | 2023-08-08 | 2023-10-13 | 青岛华宝伟数控科技有限公司 | 一种锯木缺陷位置智能定位方法及系统 |
CN117689672B (zh) * | 2024-01-03 | 2024-05-14 | 广州悦瑞化妆品有限公司 | 基于图像处理的面膜营养液喷洒方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7065242B2 (en) * | 2000-03-28 | 2006-06-20 | Viewpoint Corporation | System and method of three-dimensional image capture and modeling |
CN100578192C (zh) * | 2005-08-15 | 2010-01-06 | 中国农业大学 | 一种雾滴谱的测量装置及其图像处理方法 |
CN101226108B (zh) * | 2007-01-19 | 2010-12-22 | 中国农业机械化科学研究院 | 一种雾滴分布均匀度的检测方法 |
CN101770582B (zh) * | 2008-12-26 | 2013-05-08 | 鸿富锦精密工业(深圳)有限公司 | 图像匹配系统及方法 |
CN101872425B (zh) * | 2010-07-29 | 2012-06-27 | 哈尔滨工业大学 | 基于经验模态分解获取图像特征并测量相应物理参数方法 |
CN103226387B (zh) * | 2013-04-07 | 2016-06-22 | 华南理工大学 | 基于Kinect的视频人手指尖定位方法 |
CN104240243B (zh) * | 2014-09-05 | 2017-05-10 | 南京农业大学 | 一种基于椭圆拟合的粘连仔猪自动计数方法 |
CN104502990A (zh) * | 2015-01-06 | 2015-04-08 | 中国地质大学(武汉) | 一种基于数码图像的隧道掌子面地质调查方法 |
CN107110754B (zh) * | 2015-10-12 | 2019-05-03 | 深圳市大疆创新科技有限公司 | 喷洒质量检测装置、系统、方法以及采样辅助装置 |
-
2017
- 2017-07-17 CN CN201780004777.7A patent/CN108496203B/zh not_active Expired - Fee Related
- 2017-07-17 WO PCT/CN2017/093170 patent/WO2019014810A1/zh active Application Filing
Non-Patent Citations (2)
Title |
---|
Automated segmentation of overlapped nuclei using concave point detection and segment grouping;WanjunZhang et al.;《Pattern Recognition》;20170613;第349-360页 * |
分水岭算法在异形粘连纤维分割中的研究与应用;和英英;《中国优秀硕士学位论文全文数据库 信息科技辑》;20110815;第2011年卷(第8期);第I138-393页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2019014810A1 (zh) | 2019-01-24 |
CN108496203A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108496203B (zh) | 一种对图像的处理方法及装置、智能终端 | |
CN109886130B (zh) | 目标对象的确定方法、装置、存储介质和处理器 | |
JP6921095B2 (ja) | 航空画像を収集及び分析するための方法 | |
US9521391B2 (en) | Settings of a digital camera for depth map refinement | |
JP6259928B2 (ja) | 車線データの処理方法、装置、記憶媒体及び機器 | |
Woodgate et al. | Understanding the variability in ground-based methods for retrieving canopy openness, gap fraction, and leaf area index in diverse forest systems | |
US10620005B2 (en) | Building height calculation method, device, and storage medium | |
JP4858793B2 (ja) | 樹木本数算定方法及び樹木本数算定装置 | |
US20080080746A1 (en) | Method and Apparatus for Identifying Facial Regions | |
CN110346699B (zh) | 基于紫外图像处理技术的绝缘子放电信息提取方法及装置 | |
CN110736748A (zh) | 免疫组化核浆染色切片诊断方法及系统 | |
CN108195736B (zh) | 一种三维激光点云提取植被冠层间隙率的方法 | |
CN110967339A (zh) | 一种玉米果穗性状分析的方法及装置、玉米性状分析设备 | |
US20130342694A1 (en) | Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device | |
CN105637343A (zh) | 检测控制装置、程序、检测系统、存储介质和检测控制方法 | |
CN113344958B (zh) | 一种显微成像扫描方法及扫描系统 | |
US8467590B2 (en) | Microscopy analysis technique | |
CN116630148A (zh) | 光谱图像处理方法、装置、电子设备及存储介质 | |
Gauci et al. | A Machine Learning approach for automatic land cover mapping from DSLR images over the Maltese Islands | |
CN112183489A (zh) | 一种松材变色立木识别定位方法、装置、设备及存储介质 | |
CN115019044A (zh) | 单株植物的分割方法、装置、终端设备和可读存储介质 | |
JP2008084109A (ja) | 目開閉判定装置及び目開閉判定方法 | |
CN111862106B (zh) | 基于光场语义的图像处理方法、计算机装置、及存储介质 | |
Wang | Estimating forest attributes from spherical images | |
CN112639868A (zh) | 图像处理方法、装置及可移动平台 |
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 |
Granted publication date: 20220422 |
|
CF01 | Termination of patent right due to non-payment of annual fee |