CN108564124A - 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法 - Google Patents
一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法 Download PDFInfo
- Publication number
- CN108564124A CN108564124A CN201810331262.4A CN201810331262A CN108564124A CN 108564124 A CN108564124 A CN 108564124A CN 201810331262 A CN201810331262 A CN 201810331262A CN 108564124 A CN108564124 A CN 108564124A
- Authority
- CN
- China
- Prior art keywords
- image
- spore
- rice blast
- obtains
- gray
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法,包括如下步骤:(1)图像预处理:进行图像背景校正、中值滤波处理和图像增强处理;(2)图像分割:对预处理后的图像进行二值化操作、形态学运算和边缘检测,得到疑似稻瘟病孢子的图形轮廓;(3)支持向量机检测识别:从疑似稻瘟病孢子的图形轮廓中提取出最具代表性的形状特征参数和纹理特征参数,将所述形状特征参数和纹理特征参数作为输入向量训练支持向量机分类器模型,利用训练好的支持向量机分类器模型对稻瘟病孢子进行检测识别。本发明能实现对稻瘟病菌孢子的快速、准确识别,可为水稻稻瘟病病害的早期检测和病害程度判别提供技术支持。
Description
技术领域
本发明涉及稻瘟病检测技术领域,具体涉及一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法。
背景技术
由稻瘟病菌引起的稻瘟病是世界上水稻三大病害之一,给水稻的产量和质量造成了严重的影响。长期的生产实践证明,水稻稻瘟病病害的早期检测和病害程度判别是对稻瘟病进行预测预报和化学防治的基础和关键。由于在病害的初期阶段病害症状不明显,以及农业生产者缺乏相应的作物诊断知识,使得病情得不到较好的诊断,作物病害加重。当前阶段,稻瘟病害的识别诊断主要分为田地检测和实验室检测两方面进行。田地检测主要靠人为判断或依靠专业书籍提供的相关病斑图像进行对比判断,会引起人为误判,效率低下,专家依赖性大,难以及时对症下药,引起水稻减产。而实验室检测则由专业的技术检测人员对采集到的染病样本进行稻瘟病孢子的识别与数目统计。由于孢子个体很小不易观察、样本数量巨大、且样本中混有的其他种类的病源孢子会对显微镜计数造成干扰等原因,大大增加了对灾情初期的发现难度。
发明内容
针对上述现有技术,本发明的目的是提供一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法。该方法能实现对稻瘟病菌孢子的快速、准确识别,可为水稻稻瘟病病害的早期检测和病害程度判别提供技术支持。
为实现上述目的,本发明采用如下技术方案:
本发明的第一方面,提供一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法,包括如下步骤:
(1)图像预处理:获取稻瘟病菌显微图像,将所述稻瘟病菌显微图像转化为灰度图像,并进行图像背景校正、中值滤波处理和图像增强处理;
(2)图像分割:对预处理后的图像进行二值化操作、形态学运算和边缘检测,得到疑似稻瘟病孢子的图形轮廓;
(3)支持向量机检测识别:从疑似稻瘟病孢子的图形轮廓中提取出最具代表性的形状特征参数和纹理特征参数,将所述形状特征参数和纹理特征参数作为输入向量训练支持向量机分类器模型,利用训练好的支持向量机分类器模型对稻瘟病孢子进行检测识别。
优选的,步骤(1)中,采用改进的基准背景法进行图像背景校正,具体为:
将图像矩阵划分为4×4子矩阵并计算每一块子矩阵的平均灰度,沿行对子矩阵的平均灰度进行检测,当灰度值突降时,用相邻子矩阵平均灰度的均值代替该子矩阵的灰度值;随后在均匀化的子矩阵灰度中选定基本背景灰度B,以子矩阵平均灰度的中值作为基准背景灰度B;计算子矩阵转换系数M(p),计算方法为:其中,I(p)为像素灰度;Ib(p)为照明信号;In(p)为噪声信号;Id(p)为损坏信号;然后插值得到每个像素的转换系数,使整个图像的背景灰度值较为均匀地分布在B值附近。
优选的,步骤(1)中,采用4×4型滤波模板对背景校正后的图像进行中值滤波处理。
优选的,步骤(1)中,所述图像增强处理具体为:将中值滤波处理后的图像进行直方图均衡化处理,得到直方图均衡化效果图。
优选的,步骤(2)中,所述二值化操作具体为:将图像增强处理后得到的直方图均衡化效果图进行局部自适应阈值分割,得到二值化效果图。
进一步的,所述局部自适应阈值分割的操作步骤如下:
1)对于大小为h*k的原始图像,将其划分为H*K个子区域,其中h和k分别为H和K的整数倍;
2)对每个子区域分别计算其梯度直方图,以便于将子区域中的与边缘有关系的点提取出来,以获得比原图像的灰度直方图更好的性质;
3)分别对步骤1)中的每一个子区域施行Otsu阈值分割,完成二值化操作得到二值化效果图。
优选的,步骤(2)中,采用6*6的圆盘结构元素对直方图均衡化后的二值化效果图进行形态学闭运算和开运算,得到去噪效果图。
优选的,步骤(2)中,所述边缘检测具体为:将形态学运算得到的去噪效果图通过Canny边缘检测,得到只含有边缘信息的前景图,将只含边缘信息的前景图进行轮廓提取得到轮廓的个数,并将各轮廓以轮廓树的形式保存起来;按照轮廓树逐一绘制出前景图的各轮廓,得到疑似稻瘟病孢子的图形轮廓。
进一步的,所述Canny边缘检测的具体过程为:
1)使用一个5*5内核的高斯平滑滤波器对图像进行卷积降噪;
2)计算梯度幅值和方向,所用公式如下:
其中:Gx为检测水平边沿的横向模板,Gy检测垂直边沿的纵向模板,G为梯度幅值,θ为梯度方向。
3)非极大值抑制,以排除非边缘像素,仅保留一些候选边缘;
4)设置滞后阈值,滞后阈值通常需要设置一个高阈值和一个低阈值:若某一像素位置的幅值超过高阈值,该像素被保留为边缘像素;若某一像素位置的幅值小于低阈值,该像素被排除;若某一像素位置的幅值在两个阈值之间,该像素仅仅在连接到一个高于高阈值的像素时被保留。
优选的,步骤(3)中,所述形状特征参数包括:面积、周长、最小外接矩形长轴、最小外接矩形短轴、圆形度和矩形度;所述纹理特征参数包括:角度二阶矩、反差矩、熵、对比度、相关系数、大(小)梯度优势、灰度(梯度)分布不均匀性、熵和对比度。
本发明的第二方面,提供一种基于支持向量机的稻瘟病菌孢子显微图像检测识别系统,包括:图像预处理模块、图像分割模块和支持向量机检测识别模块;
所述图像预处理模块包括:稻瘟病菌孢子显微图像获取单元,用于获取稻瘟病菌孢子原始图像,并将原始图像转化为灰度图像;图像背景校正单元,用于补偿不平衡的背景强度及不平衡光照引起的图像不规则;中值滤波操作单元,用于减少图像采集过程中环境的扰动以及采样、量化、传输在图像中产生的噪声和其他干扰影响;图像增强处理单元,采用直方图均衡化的方法进行图像增强,用于突出图像中的有用信息,扩大图像中不同物体特征之间的差别;
所述图像分割模块包括:二值化操作单元,用于对具有不同特征的图像采用不同的阈值进行分割;形态学运算单元,用于消除孢子的内外环空洞和去除图像中目标物上比结构元素小的突刺和无用边界,得到去噪效果图;边缘检测单元,通过Canny边缘检测,得到只含有边缘信息的前景图,将只含边缘信息的前景图进行轮廓提取得到轮廓的个数,并将各轮廓以轮廓树的形式保存起来;按照轮廓树逐一绘制出前景图的各轮廓,得到疑似稻瘟病孢子的图形轮廓;
所述支持向量机检测识别模块包括:特征提取单元和检测识别单元,所述特征提取单元用于提取最具代表性的形态特征参数和纹理特征参数;所述检测识别单元用于接收所述形态特征参数和纹理特征参数,对支持向量机分类器模型进行训练,利用训练好的支持向量机分类器模型对稻瘟病孢子进行检测识别。
本发明的有益效果:
(1)本发明的稻瘟病菌孢子检测方法补偿了由于不平衡的背景强度及不平衡光照引起的图像不规则,解决了不均匀的光照会在检测到的图像中产生背景噪声而影响图像的检测精度和分析结果的问题。
(2)本发明采用自适应阈值分割与自适应边缘检测算法,使轮廓提取的信息损失降到最小。
(3)本发明采用的支持向量机是具有分割效果优、计算效率高、参数设置简便等优点,它兼顾训练误差和泛化能力,有助于对稻瘟病菌孢子进行快速、准确地识别。
附图说明
图1:本发明检测识别方法的流程示意图。
图2:经图像预处理后的效果图。
图3:经图像分割处理后的效果图。
图4:图像在支持向量机检测识别阶段的效果图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
正如背景技术部分所介绍的,由于稻瘟病菌孢子个体很小不易观察、样本数量巨大、且样本中混有的其他种类的病源孢子会对显微镜计数造成干扰,人为检测效率低下且易引起人为误判。基于此,本发明提出了一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法。
支持向量机是一种新的模式识别方法,它兼顾训练误差和泛化能力,在解决小样本、非线性、高维数、局部极小值等模式识别问题中表现出许多特有的优势,故其在农业领域的应用越来越多。由于稻瘟病菌孢子的形状、纹理等特征各不相同,故可依据计算机图像处理技术提取稻瘟病病害孢子的特征,然后采用支持向量机分类方法对稻瘟病进行识别。
在本发明的一种实施方案中,给出的稻瘟病菌孢子显微图像检测识别方法包括:图像预处理阶段、图像分割阶段、支持向量机检测识别阶段(如图1所示)。其中:
图像预处理阶段包括以下步骤:
1、利用实验室培养的稻瘟病菌制作载玻片标本,由显微镜摄像机拍摄稻瘟病菌显微图像。由于显微图像的色彩识别度不高,对孢子的识别主要依据光强的明暗,而单通道的图像数据更有利于后续的图像处理,可以缩短处理时间,因此将原始图像转化为灰度图像。
2、图像背景校正:为了补偿不平衡的背景强度及不平衡光照引起的图像不规则,对图像进行背景校正。本发明采用改进的基准背景法对稻瘟病菌孢子显微图像进行背景校正。
2.1所述的改进的基准背景法认为图像灰度的变异来自3个方面,可用公式I(p)=Ib(p)+In(p)+Id(p)表示,其中,I(p)为像素灰度;Ib(p)为照明信号;In(p)为噪声信号,主要是指稻瘟病菌孢子表面纹理引起的噪声:Id(p)为损坏信号,包括孢子表面损坏或由污渍引起的其它不规则痕迹。
2.2将图像矩阵划分为4*4子矩阵并计算每一块子矩阵的平均灰度,沿行对子矩阵的平均灰度进行检测,当灰度值突降时,用相邻子矩阵平均灰度的均值代替该子矩阵的灰度值。随后在均匀化的子矩阵灰度中选定基本背景灰度B,以子矩阵平均灰度的中值作为基准背景灰度B。计算子矩阵转换系数M(p),计算方法为然后插值得到每个像素的转换系数,使整个图像的背景灰度值较为均匀地分布在B值附近。
3、中值滤波操作:采用4×4型滤波模板对上一步得到的图像进行中值滤波处理,主要减少图像采集过程中环境的扰动以及采样、量化、传输在图像中产生的噪声和其他干扰影响。
4、图像增强处理:将上一步得到的图像进行直方图均衡化处理,得到的直方图均衡化效果图。
图像分割阶段包括以下步骤:
1、二值化操作:将直方图均衡化效果图进行局部自适应阈值分割,得到二值化效果图。本发明采用的自适应的阈值分割算法能够对具有不同特征的图像采用不同的阈值进行分割。局部自适应阈值分割算法针对每一个局部的子区域进行阈值提取算法,阈值的计算与所在的坐标值没有关系,通过对形态学特征的判断来对区域内图像进行判别,这种方法对区别度较小的图片仍然能取得较好的分割效果。针对不同的明暗、纹理特征和对比度的局部区域采用不同的分割阈值。局部自适应阈值分割算法具体操作步骤如下:
1.1、对于大小为h*k的原始图像,将其划分为H*K个子区域,其中h和k分别为H和K的整数倍。
1.2、对每个子区域分别计算其梯度直方图,以便于将子区域中的与边缘有关系的点提取出来,以获得比原图像的灰度直方图更好的性质。
1.3、分别对步骤1.1中的每一个子区域施行Otsu阈值分割,完成二值化操作得到二值化效果图。
2、形态学运算:采用6*6的圆盘结构元素对直方图均衡化后的二值化效果图进行形态学闭运算和开运算,以达到消除孢子的内外环空洞和去除图像中目标物上比结构元素小的突刺和无用边界的目的,得到去噪效果图。
3、边缘检测:将去噪效果图通过Canny边缘检测,得到只含有边缘信息的前景图,将只含边缘信息的前景图进行轮廓提取得到轮廓的个数,并将各轮廓以轮廓树的形式保存起来;按照轮廓树逐一绘制出前景图的各轮廓,即得到疑似稻瘟病孢子的图形轮廓。Canny边缘检测具体过程为:
3.1使用一个5*5内核的高斯平滑滤波器对图像进行卷积降噪。
3.2计算梯度幅值和方向,所用公式如下:
其中:Gx为检测水平边沿的横向模板,Gy检测垂直边沿的纵向模板,G为梯度幅值,θ为梯度方向。
3.3非极大值抑制,以排除非边缘像素,仅仅保留一些候选边缘。
3.4设置滞后阈值,滞后阈值通常需要设置一个高阈值和一个低阈值:若某一像素位置的幅值超过高阈值,该像素被保留为边缘像素;若某一像素位置的幅值小于低阈值,该像素被排除;若某一像素位置的幅值在两个阈值之间,该像素仅仅在连接到一个高于高阈值的像素时被保留。
支持向量机检测识别阶段包括以下步骤:
1、特征提取:特征提取是对稻瘟病孢子的定量描述,在稻瘟病孢子的自动识别过程中占有举足轻重的地位,将直接影响到支持向量机分类器的识别率。本发明从采集提取出的疑似稻瘟病孢子的图形轮廓中提取最具代表性的形态特征和纹理特征。
1.1形状特征参数:根据稻瘟病孢子的形态学特征,选择面积、周长、最小外接矩形长轴、最小外接矩形短轴、圆形度和矩形度特征6个形态特征参数来描述稻瘟病孢子的形态特征。以像素点作为测量单位,面积是目标物体边界内(包括边界)的像素点数;周长是目标物体边界的像素点数;最小外接矩形长、短轴是指能包围目标物体的面积最小的矩形长、短轴的像素点数;圆形度描述的是一个区域与圆形接近的程度,即S和A分别表示面积和周长;矩形度反映物体对其最小外接矩形的充满程度,用目标物体面积和矩形面积的比值表示;
1.2纹理特征参数:纹理特征因包含着稻瘟病孢子细胞组织表面结构排列的重要信息而在识别中起重要作用。与其他类特征相比,它能更好地反映孢子细胞图像的宏观与微观结构性质。本发明提取的纹理特征参数包括:角度二阶矩、反差矩、熵、对比度、相关系数、大(小)梯度优势、灰度(梯度)分布不均匀性、熵和对比度。本发明从二个变换矩阵中提取了9个统计纹理参数。它们均从稻瘟病孢子细胞组织表面图像中抽取的。这二个图像变换矩阵定义如下:
1.2.1灰度方差相关阵:矩阵元素定义为图像中某像点的δ邻域局部方差u与在θ方向上距离为d的像点的δ邻域局部方差v在图像中共同出现的概率。该阵优点是克服了特征对灰度敏感的缺点,它不受细胞染色深浅和图像输入光照条件的影响,只同图像的局部方差相关,与其灰度绝对值无关。局部方差反映了局部灰度变化率,如方差大表示局部灰度不均匀、纹理细;相反,方差小则说明是粗纹理。为反映这些纹理上的差异,本发明从归一化后矩阵中提取了角度二阶矩、反差矩、熵、对比度和相关系数5个特征。为了提取旋转不变量,本发明取30°,60°,90°,120°四个方向的特征值的均值来表示这5个纹理特征。
1.2.2灰度方差梯度相关阵:矩阵元素定义为在归一化的灰度方差图像和归一化的梯度图像中,某个灰度方差值与某个梯度值共同出现的像点对数。其中的梯度图像是采用梯度算子对归一化灰度方差图像作用而得到。灰度方差梯度相关阵特点是它集中反映了图像灰度与图像结构信息,又与其灰度绝对值无关。本发明从归一化后的矩阵中提取了大(小)梯度优势、灰度(梯度)分布不均匀性、熵和对比度4种纹理特征。
2、支持向量机检测与识别:利用支持向量机分类器进行水稻稻瘟病孢子识别,将前一步获得的特征向量作为输入向量,并采用网格搜索法对径向基核函数下的不同核参数分割效果和性能进行比较与分析,确定最佳模型参数,最后对待识别的稻瘟病菌孢子图像进行检测识别。
在本发明的另一种实施方案中,给出了一种基于支持向量机的稻瘟病菌孢子显微图像检测识别系统,包括:图像预处理模块、图像分割模块和支持向量机检测识别模块;
所述图像预处理模块包括:稻瘟病菌孢子显微图像获取单元,用于获取稻瘟病菌孢子原始图像,并将原始图像转化为灰度图像;图像背景校正单元,用于补偿不平衡的背景强度及不平衡光照引起的图像不规则;中值滤波操作单元,用于减少图像采集过程中环境的扰动以及采样、量化、传输在图像中产生的噪声和其他干扰影响;图像增强处理单元,采用直方图均衡化的方法进行图像增强,用于突出图像中的有用信息,扩大图像中不同物体特征之间的差别;
所述图像分割模块包括:二值化操作单元,用于对具有不同特征的图像采用不同的阈值进行分割;形态学运算单元,用于消除孢子的内外环空洞和去除图像中目标物上比结构元素小的突刺和无用边界,得到去噪效果图;边缘检测单元,通过Canny边缘检测,得到只含有边缘信息的前景图,将只含边缘信息的前景图进行轮廓提取得到轮廓的个数,并将各轮廓以轮廓树的形式保存起来;按照轮廓树逐一绘制出前景图的各轮廓,得到疑似稻瘟病孢子的图形轮廓;
所述支持向量机检测识别模块包括:特征提取单元和检测识别单元,所述特征提取单元用于提取最具代表性的形态特征参数和纹理特征参数;所述检测识别单元用于接收所述形态特征参数和纹理特征参数,对支持向量机分类器模型进行训练,利用训练好的支持向量机分类器模型对稻瘟病孢子进行检测识别。
为了使得本领域技术人员能够更加清楚地了解本申请的技术方案,以下将结合具体的实施例详细说明本申请的技术方案。
本发明实施例中所用的未进行具体说明试验材料均为本领域常规的试验材料,均可通过商业渠道购买得到。
实施例1:基于支持向量机的稻瘟病菌孢子显微图像检测识别
一、获取稻瘟病菌孢子显微图像:
通过稻瘟病菌孢子样本培养实验获得不同浓度的稻瘟病菌孢子溶液,获取检测稻瘟病菌孢子所需的原始样本。实验培养的稻瘟病菌孢子样本,在一定量的稀释倍数下,制作载玻片标本。由显微镜CCD摄像机采集载玻片稻瘟病菌孢子显微图像。由于显微图像的色彩识别度不高,对孢子的识别主要依据光强的明暗,而单通道的图像数据更有利于后续的图像处理,可以缩短处理时间,因此将原始图像转化为灰度图像处理。将三通道R、G和B图像转换为单通道的灰度图,即R、G和B三通道颜色数据转换为灰度数据Gray的换算公式如下:
Gray=(R+G+B)/3;
其中,R为图像中的红色通道,G为图像中的绿色通道,B为图像中的蓝色通道。
二、图像背景校正:
为了补偿不平衡的背景强度及不平衡光照引起的图像不规则,对图像进行背景校正。
将图像矩阵划分为4*4子矩阵并计算每一块子矩阵的平均灰度,沿行对子矩阵的平均灰度进行检测,当灰度值突降时,用相邻子矩阵平均灰度的均值代替该子矩阵的灰度值。随后在均匀化的子矩阵灰度中选定基本背景灰度B,以子矩阵平均灰度的中值作为基准背景灰度B。计算子矩阵转换系数M(p),计算方法为其中,I(p)为像素灰度;Ib(p)为照明信号;In(p)为噪声信号;Id(p)为损坏信号;然后插值得到每个像素的转换系数,使整个图像的背景灰度值较为均匀地分布在B值附近。
三、中值滤波处理:
采用4×4型滤波模板对图像进行中值滤波处理,主要减少图像采集过程中环境的扰动以及采样、量化、传输在图像中产生的噪声和其他干扰影响。
四、图像增强:
图像增强是根据一定的要求突出图像中的某些信息,去除或削弱某些不需要的信息的方法,其目的是突出图像中的“有用”信息,扩大图像中不同物体特征之间的差别;本发明选用直方图均衡化的方法进行图像增强;灰度级的直方图就是反映一幅图像中的灰度级与出现这种灰度的概率之间的关系的图形。
五、二值化操作:
将直方图均衡化效果图进行局部自适应阈值分割,得到二值化效果图。本发明采用的自适应的阈值分割算法能够对具有不同特征的图像采用不同的阈值进行分割。局部自适应阈值分割算法针对每一个局部的子区域进行阈值提取算法,阈值的计算与所在的坐标值没有关系,通过对形态学特征的判断来对区域内图像进行判别,这种方法对区别度较小的图片仍然能取得较好的分割效果。针对不同的明暗、纹理特征和对比度的局部区域采用不同的分割阈值。局部自适应阈值分割算法具体操作步骤如下:
1、对于大小为h*k的原始图像,将其划分为H*K个子区域,其中h和k分别为H和K的整数倍。
2、对每个子区域分别计算其梯度直方图,以便于将子区域中的与边缘有关系的点提取出来,以获得比原图像的灰度直方图更好的性质。
3、分别对步骤1中的每一个子区域施行Otsu阈值分割,完成二值化操作得到二值化效果图。
六、形态学运算:
将二值化效果图进行形态学变换得到去噪效果图的具体过程为:
1、根据孢子的形态特征,利用腐蚀方法将二值化效果图上的点与核进行卷积,并把卷积结果放到与二值化效果图上的点坐标相同的新的图像中的点上;从而计算核区域像素的最小值,并得到一个腐蚀后的图像;其中核可以是任何的形状或大小,它拥有一个单独定义出来的参考点;本发明中,核是一个6*6元素的中间带有参考点的实心圆盘。
2、膨胀是腐蚀的反操作,即核与腐蚀后的图像卷积后,计算核覆盖的区域的像素点最大值,并把这个最大值赋值给与腐蚀后的图像上的点坐标相同的新的图像中的点上;这样就会使图像中的高亮区域逐渐增长,这样的增长就是“膨胀操作”;膨胀可以去除图像中目标物上比结构元素小的突刺和无用边界,切断细长搭接而起到分离作用。
先腐蚀后膨胀称为开运算,其效果是除图像中目标物上比结构元素小的突刺和无用边界,切断细长搭接而起到分离作用。先膨胀后腐蚀的算法称为闭运算,其效果是消除了高于其邻近点的孤立点,孢子内外环空洞均被填充形成一个封闭的孢子区域;部分噪声点和细长菌丝的边界宽度小,因此也被填充并形成封闭区域。本发明中,对去噪效果图先采用开运算再采用闭运算的算法以达到去噪的目的。
七、边缘检测:
1、将去噪效果图通过Canny边缘检测,得到只含有边缘信息的前景图的具体过程为:
1)使用一个5*5内核的高斯平滑滤波器对图像进行卷积降噪。
2)计算梯度幅值和方向,所用公式如下:
其中:Gx为检测水平边沿的横向模板,Gy检测垂直边沿的纵向模板,G为梯度幅值,θ梯度方向。
3)非极大值抑制,以排除非边缘像素,仅仅保留一些候选边缘。
4)设置滞后阈值,滞后阈值通常需要设置一个高阈值和一个低阈值:若某一像素位置的幅值超过高阈值,该像素被保留为边缘像素;若某一像素位置的幅值小于低阈值,该像素被排除;若某一像素位置的幅值在两个阈值之间,该像素仅仅在连接到一个高于高阈值的像素时被保留。
2、将只含边缘信息的前景图进行轮廓提取得到轮廓的个数,并将各轮廓以轮廓树的形式保存起来;按照轮廓树逐一绘制出前景图的各轮廓,即得到疑似稻瘟病孢子的图形轮廓。
八、特征提取:
特征提取是对稻瘟病孢子的定量描述,在稻瘟病孢子的自动识别过程中占有举足轻重的地位,将直接影响到支持向量机分类器的识别率。本发明从采集提取出的疑似稻瘟病孢子的图形轮廓中提取最具代表性的形态特征和纹理特征。
1、形状特征参数:根据稻瘟病孢子的形态学特征,选择面积、周长、最小外接矩形长轴、最小外接矩形短轴、圆形度和矩形度特征6个形态特征参数来描述稻瘟病孢子的形态特征。以像素点作为测量单位,面积是目标物体边界内(包括边界)的像素点数:周长是目标物体边界的像素点数;最小外接矩形长、短轴是指能包围目标物体的面积最小的矩形长、短轴的像素点数;圆形度描述的是一个区域与圆形接近的程度,即S和A分别表示面积和周长;矩形度反映物体对其最小外接矩形的充满程度,用目标物体面积和矩形面积的比值表示;
2、纹理特征参数:纹理特征因包含着稻瘟病孢子细胞组织表面结构排列的重要信息而在识别中起重要作用。与其他类特征相比,它能更好地反映孢子细胞图像的宏观与微观结构性质。本发明从稻瘟病孢子细胞组织表面图像中提取的纹理特征参数包括:角度二阶矩、反差矩、熵、对比度、相关系数、大(小)梯度优势、灰度(梯度)分布不均匀性、熵和对比度。本发明从二个变换矩阵中提取了9个统计纹理参数。这二个图像变换矩阵定义如下:
2.1灰度方差相关阵:矩阵元素定义为图像中某像点的δ邻域局部方差u与在θ方向上距离为d的像点的δ邻域局部方差v在图像中共同出现的概率。该阵优点是克服了特征对灰度敏感的缺点,它不受细胞染色深浅和图像输入光照条件的影响,只同图像的局部方差相关,与其灰度绝对值无关。局部方差反映了局部灰度变化率,如方差大表示局部灰度不均匀、纹理细;相反,方差小则说明是粗纹理。为反映这些纹理上的差异,从归一化后矩阵中提取了角度二阶矩、反差矩、熵、对比度和相关系数5个特征。为了提取旋转不变量,我们取30°,60°,90°,120°四个方向的特征值的均值来表示这5个纹理特征。
2.2灰度方差梯度相关阵:矩阵元素定义为在归一化的灰度方差图像和归一化的梯度图像中,某个灰度方差值与某个梯度值共同出现的像点对数。其中的梯度图像是采用梯度算子对归一化灰度方差图像作用而得到。灰度方差梯度相关阵特点是它集中反映了图像灰度与图像结构信息,又与其灰度绝对值无关。从归一化后的矩阵中提取了大(小)梯度优势、灰度(梯度)分布不均匀性、熵和对比度4种纹理特征。
九、支持向量机检测与识别:
利用从上一步采集提取出的最具代表性的形态特征和纹理特征作为输入向量训练支持向量机分类器模型,采用网格搜索法对径向基核函数下的不同核参数分割效果和性能进行比较与分析,得出在参数C=1,δ=100时获得最高检测准确率99.3%。因此选择C=1,δ=100作为本发明的支持向量机的模型参数。最后利用训练好的支持向量机分类器模型对稻瘟病孢子进行检测识别。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法,其特征在于,包括如下步骤:
(1)图像预处理:获取稻瘟病菌显微图像,将所述稻瘟病菌显微图像转化为灰度图像,并进行图像背景校正、中值滤波处理和图像增强处理;
(2)图像分割:对预处理后的图像进行二值化操作、形态学运算和边缘检测,得到疑似稻瘟病孢子的图形轮廓;
(3)支持向量机检测识别:从疑似稻瘟病孢子的图形轮廓中提取出最具代表性的形状特征参数和纹理特征参数,将所述形状特征参数和纹理特征参数作为输入向量训练支持向量机分类器模型,利用训练好的支持向量机分类器模型对稻瘟病孢子进行检测识别。
2.根据权利要求1所述的方法,其特征在于,步骤(1)中,采用改进的基准背景法进行图像背景校正,具体为:
将图像矩阵划分为4×4子矩阵并计算每一块子矩阵的平均灰度,沿行对子矩阵的平均灰度进行检测,当灰度值突降时,用相邻子矩阵平均灰度的均值代替该子矩阵的灰度值;随后在均匀化的子矩阵灰度中选定基本背景灰度B,以子矩阵平均灰度的中值作为基准背景灰度B;计算子矩阵转换系数M(p),计算方法为:其中,I(p)为像素灰度;Ib(p)为照明信号;In(p)为噪声信号;Id(p)为损坏信号;然后插值得到每个像素的转换系数,使整个图像的背景灰度值较为均匀地分布在B值附近。
3.根据权利要求1所述的方法,其特征在于,步骤(1)中,采用4×4型滤波模板对背景校正后的图像进行中值滤波处理。
4.根据权利要求1所述的方法,其特征在于,步骤(1)中,所述图像增强处理具体为:将中值滤波处理后的图像进行直方图均衡化处理,得到直方图均衡化效果图。
5.根据权利要求1所述的方法,其特征在于,步骤(2)中,所述二值化操作具体为:将图像增强处理后得到的直方图均衡化效果图进行局部自适应阈值分割,得到二值化效果图;
优选的,所述局部自适应阈值分割的操作步骤如下:
1)对于大小为h*k的原始图像,将其划分为H*K个子区域,其中h和k分别为H和K的整数倍;
2)对每个子区域分别计算其梯度直方图,以便于将子区域中的与边缘有关系的点提取出来,以获得比原图像的灰度直方图更好的性质;
3)分别对步骤1)中的每一个子区域施行Otsu阈值分割,完成二值化操作得到二值化效果图。
6.根据权利要求1所述的方法,其特征在于,步骤(2)中,采用6*6的圆盘结构元素对直方图均衡化后的二值化效果图进行形态学闭运算和开运算,得到去噪效果图。
7.根据权利要求1所述的方法,其特征在于步骤(2)中,所述边缘检测具体为:将形态学运算得到的去噪效果图通过Canny边缘检测,得到只含有边缘信息的前景图,将只含边缘信息的前景图进行轮廓提取得到轮廓的个数,并将各轮廓以轮廓树的形式保存起来;按照轮廓树逐一绘制出前景图的各轮廓,得到疑似稻瘟病孢子的图形轮廓。
8.根据权利要求7所述的方法,其特征在于,所述Canny边缘检测的具体过程为:
1)使用一个5*5内核的高斯平滑滤波器对图像进行卷积降噪;
2)计算梯度幅值和方向,所用公式如下:
其中:Gx为检测水平边沿的横向模板,Gy检测垂直边沿的纵向模板,G为梯度幅值,θ为梯度方向。
3)非极大值抑制,以排除非边缘像素,仅保留一些候选边缘;
4)设置滞后阈值,滞后阈值通常需要设置一个高阈值和一个低阈值:若某一像素位置的幅值超过高阈值,该像素被保留为边缘像素;若某一像素位置的幅值小于低阈值,该像素被排除;若某一像素位置的幅值在两个阈值之间,该像素仅仅在连接到一个高于高阈值的像素时被保留。
9.根据权利要求1所述的方法,其特征在于,步骤(3)中,所述形状特征参数包括:面积、周长、最小外接矩形长轴、最小外接矩形短轴、圆形度和矩形度;所述纹理特征参数包括:角度二阶矩、反差矩、熵、对比度、相关系数、大(小)梯度优势、灰度(梯度)分布不均匀性、熵和对比度。
10.一种基于支持向量机的稻瘟病菌孢子显微图像检测识别系统,其特征在于,包括:图像预处理模块、图像分割模块和支持向量机检测识别模块;
所述图像预处理模块包括:稻瘟病菌孢子显微图像获取单元,用于获取稻瘟病菌孢子原始图像,并将原始图像转化为灰度图像;图像背景校正单元,用于补偿不平衡的背景强度及不平衡光照引起的图像不规则;中值滤波操作单元,用于减少图像采集过程中环境的扰动以及采样、量化、传输在图像中产生的噪声和其他干扰影响;图像增强处理单元,采用直方图均衡化的方法进行图像增强,用于突出图像中的有用信息,扩大图像中不同物体特征之间的差别;
所述图像分割模块包括:二值化操作单元,用于对具有不同特征的图像采用不同的阈值进行分割;形态学运算单元,用于消除孢子的内外环空洞和去除图像中目标物上比结构元素小的突刺和无用边界,得到去噪效果图;边缘检测单元,通过Canny边缘检测,得到只含有边缘信息的前景图,将只含边缘信息的前景图进行轮廓提取得到轮廓的个数,并将各轮廓以轮廓树的形式保存起来;按照轮廓树逐一绘制出前景图的各轮廓,得到疑似稻瘟病孢子的图形轮廓;
所述支持向量机检测识别模块包括:特征提取单元和检测识别单元,所述特征提取单元用于提取最具代表性的形态特征参数和纹理特征参数;所述检测识别单元用于接收所述形态特征参数和纹理特征参数,对支持向量机分类器模型进行训练,利用训练好的支持向量机分类器模型对稻瘟病孢子进行检测识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810331262.4A CN108564124A (zh) | 2018-04-13 | 2018-04-13 | 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810331262.4A CN108564124A (zh) | 2018-04-13 | 2018-04-13 | 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108564124A true CN108564124A (zh) | 2018-09-21 |
Family
ID=63534946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810331262.4A Pending CN108564124A (zh) | 2018-04-13 | 2018-04-13 | 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564124A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447119A (zh) * | 2018-09-26 | 2019-03-08 | 电子科技大学 | 一种结合形态学分割和svm的尿沉渣中管型识别方法 |
CN110163826A (zh) * | 2019-05-23 | 2019-08-23 | 南京工业大学 | 一种黄土微结构图像的处理方法 |
CN110414333A (zh) * | 2019-06-20 | 2019-11-05 | 平安科技(深圳)有限公司 | 一种图像边界的检测方法及装置 |
CN110610506A (zh) * | 2019-09-17 | 2019-12-24 | 北京中环易达设施园艺科技有限公司 | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 |
CN111062893A (zh) * | 2019-12-30 | 2020-04-24 | 合肥联宝信息技术有限公司 | 一种图像处理方法及电子设备 |
CN111161246A (zh) * | 2019-12-30 | 2020-05-15 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
CN111179289A (zh) * | 2019-12-31 | 2020-05-19 | 重庆邮电大学 | 一种适用于网页长图宽图的图像分割方法 |
CN111192273A (zh) * | 2019-12-27 | 2020-05-22 | 西北工业大学 | 一种基于计算机视觉技术的数字化喷丸覆盖率测量方法 |
CN111445490A (zh) * | 2020-02-21 | 2020-07-24 | 于兴虎 | 一种显微操作系统目标前景提取方法及系统 |
CN111707672A (zh) * | 2020-06-28 | 2020-09-25 | 江苏科技大学 | 风电回转支撑件表面缺陷检测方法 |
CN111797706A (zh) * | 2020-06-11 | 2020-10-20 | 昭苏县西域马业有限责任公司 | 一种基于图像的寄生虫虫卵形状识别系统及方法 |
CN112465906A (zh) * | 2020-09-30 | 2021-03-09 | 宁波智能装备研究院有限公司 | 一种基于显微操作系统的斑马鱼姿态检测方法及系统 |
CN112634257A (zh) * | 2020-12-31 | 2021-04-09 | 常州奥创医疗科技有限公司 | 一种真菌荧光检测方法 |
CN112749766A (zh) * | 2021-02-02 | 2021-05-04 | 上海第二工业大学 | 一种双孢蘑菇褐斑病的识别与分类方法 |
CN112950636A (zh) * | 2021-04-29 | 2021-06-11 | 山东仕达思生物产业有限公司 | 基于R3Det的女性阴道病原体的旋转框目标检测方法 |
CN113744212A (zh) * | 2021-08-23 | 2021-12-03 | 江苏大学 | 一种基于显微光谱图像采集和图像处理算法的粮食真菌孢子智能识别方法 |
CN114445408A (zh) * | 2022-04-11 | 2022-05-06 | 山东仕达思生物产业有限公司 | 一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质 |
CN116030460A (zh) * | 2023-02-22 | 2023-04-28 | 青岛海关技术中心 | 一种基于图像特征的细菌显微图像识别方法 |
CN116109840A (zh) * | 2023-04-10 | 2023-05-12 | 山东农业大学 | 一种基于机器视觉的樱桃孢子识别方法 |
CN111626326B (zh) * | 2020-04-13 | 2024-02-02 | 广州博进信息技术有限公司 | 一种复杂背景下大区域多目标硅藻提取与识别方法 |
CN117576550A (zh) * | 2023-10-26 | 2024-02-20 | 广东理工学院 | 基于深度学习与决策树的智能虾塘水质监控方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
CN103745231A (zh) * | 2014-01-16 | 2014-04-23 | 华南农业大学 | 小麦矮腥黑穗病tck及其近似种tct的冬孢子图像鉴定方法 |
CN104651462A (zh) * | 2015-01-29 | 2015-05-27 | 华南农业大学 | 基于显微图像分析的稻瘟病菌孢子检测方法 |
CN104794502A (zh) * | 2015-05-15 | 2015-07-22 | 哈尔滨工业大学 | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 |
-
2018
- 2018-04-13 CN CN201810331262.4A patent/CN108564124A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
CN103745231A (zh) * | 2014-01-16 | 2014-04-23 | 华南农业大学 | 小麦矮腥黑穗病tck及其近似种tct的冬孢子图像鉴定方法 |
CN104651462A (zh) * | 2015-01-29 | 2015-05-27 | 华南农业大学 | 基于显微图像分析的稻瘟病菌孢子检测方法 |
CN104794502A (zh) * | 2015-05-15 | 2015-07-22 | 哈尔滨工业大学 | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 |
Non-Patent Citations (1)
Title |
---|
李莉等: "改进的路面图像背景校正算法", 《同济大学学报(自然科学版)》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447119A (zh) * | 2018-09-26 | 2019-03-08 | 电子科技大学 | 一种结合形态学分割和svm的尿沉渣中管型识别方法 |
CN110163826A (zh) * | 2019-05-23 | 2019-08-23 | 南京工业大学 | 一种黄土微结构图像的处理方法 |
CN110414333A (zh) * | 2019-06-20 | 2019-11-05 | 平安科技(深圳)有限公司 | 一种图像边界的检测方法及装置 |
CN110610506A (zh) * | 2019-09-17 | 2019-12-24 | 北京中环易达设施园艺科技有限公司 | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 |
CN110610506B (zh) * | 2019-09-17 | 2022-11-29 | 北京中环易达设施园艺科技有限公司 | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 |
CN111192273A (zh) * | 2019-12-27 | 2020-05-22 | 西北工业大学 | 一种基于计算机视觉技术的数字化喷丸覆盖率测量方法 |
CN111161246B (zh) * | 2019-12-30 | 2024-05-14 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
US11741593B2 (en) | 2019-12-30 | 2023-08-29 | Goertek Inc. | Product defect detection method, device and system |
CN111062893A (zh) * | 2019-12-30 | 2020-04-24 | 合肥联宝信息技术有限公司 | 一种图像处理方法及电子设备 |
CN111062893B (zh) * | 2019-12-30 | 2022-02-08 | 合肥联宝信息技术有限公司 | 一种图像处理方法及电子设备 |
CN111161246A (zh) * | 2019-12-30 | 2020-05-15 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
CN111179289A (zh) * | 2019-12-31 | 2020-05-19 | 重庆邮电大学 | 一种适用于网页长图宽图的图像分割方法 |
CN111445490A (zh) * | 2020-02-21 | 2020-07-24 | 于兴虎 | 一种显微操作系统目标前景提取方法及系统 |
CN111445490B (zh) * | 2020-02-21 | 2023-10-20 | 于兴虎 | 一种显微操作系统目标前景提取方法及系统 |
CN111626326B (zh) * | 2020-04-13 | 2024-02-02 | 广州博进信息技术有限公司 | 一种复杂背景下大区域多目标硅藻提取与识别方法 |
CN111797706A (zh) * | 2020-06-11 | 2020-10-20 | 昭苏县西域马业有限责任公司 | 一种基于图像的寄生虫虫卵形状识别系统及方法 |
CN111707672A (zh) * | 2020-06-28 | 2020-09-25 | 江苏科技大学 | 风电回转支撑件表面缺陷检测方法 |
CN112465906B (zh) * | 2020-09-30 | 2022-06-14 | 宁波智能装备研究院有限公司 | 一种基于显微操作系统的斑马鱼姿态检测方法及系统 |
CN112465906A (zh) * | 2020-09-30 | 2021-03-09 | 宁波智能装备研究院有限公司 | 一种基于显微操作系统的斑马鱼姿态检测方法及系统 |
CN112634257A (zh) * | 2020-12-31 | 2021-04-09 | 常州奥创医疗科技有限公司 | 一种真菌荧光检测方法 |
CN112634257B (zh) * | 2020-12-31 | 2023-10-27 | 常州奥创医疗科技有限公司 | 一种真菌荧光检测方法 |
CN112749766A (zh) * | 2021-02-02 | 2021-05-04 | 上海第二工业大学 | 一种双孢蘑菇褐斑病的识别与分类方法 |
CN112950636A (zh) * | 2021-04-29 | 2021-06-11 | 山东仕达思生物产业有限公司 | 基于R3Det的女性阴道病原体的旋转框目标检测方法 |
CN113744212A (zh) * | 2021-08-23 | 2021-12-03 | 江苏大学 | 一种基于显微光谱图像采集和图像处理算法的粮食真菌孢子智能识别方法 |
CN114445408A (zh) * | 2022-04-11 | 2022-05-06 | 山东仕达思生物产业有限公司 | 一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质 |
CN116030460A (zh) * | 2023-02-22 | 2023-04-28 | 青岛海关技术中心 | 一种基于图像特征的细菌显微图像识别方法 |
CN116109840B (zh) * | 2023-04-10 | 2023-08-29 | 山东农业大学 | 一种基于机器视觉的樱桃孢子识别方法 |
CN116109840A (zh) * | 2023-04-10 | 2023-05-12 | 山东农业大学 | 一种基于机器视觉的樱桃孢子识别方法 |
CN117576550A (zh) * | 2023-10-26 | 2024-02-20 | 广东理工学院 | 基于深度学习与决策树的智能虾塘水质监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564124A (zh) | 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法 | |
CN109493954B (zh) | 一种基于类别判别定位的sd-oct图像视网膜病变检测系统 | |
CN103518224B (zh) | 用于分析微生物生长的方法 | |
Quelhas et al. | Cell nuclei and cytoplasm joint segmentation using the sliding band filter | |
Tosta et al. | Segmentation methods of H&E-stained histological images of lymphoma: A review | |
CN110120056B (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
JP2018525746A (ja) | コロニーコントラスト収集 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN104463140A (zh) | 一种彩色眼底图像视盘自动定位方法 | |
CN104794502A (zh) | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 | |
Narvekar et al. | Grape leaf diseases detection & analysis using SGDM matrix method | |
Jadhav et al. | Soybean leaf disease detection and severity measurement using multiclass SVM and KNN classifier | |
CN110310291A (zh) | 一种稻瘟病分级系统及其方法 | |
CN112017109B (zh) | 一种在线铁谱视频图像气泡的消除方法 | |
CN109447119A (zh) | 一种结合形态学分割和svm的尿沉渣中管型识别方法 | |
JP2006507579A (ja) | 核多形性の組織学的評価 | |
CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
Brancati et al. | Automatic segmentation of pigment deposits in retinal fundus images of Retinitis Pigmentosa | |
Taujuddin et al. | Detection of plant disease on leaves using blobs detection and statistical analysis | |
Janardhana et al. | Computer aided inspection system for food products using machine vision—a review | |
CN112816487B (zh) | 一种基于机器视觉的皮蛋内部品质无损检测方法 | |
CN115082379A (zh) | 一种活性污泥相差显微图像絮体和丝状菌分割方法 | |
CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 | |
Kaur et al. | A novel methodology for automatic bacterial colony counter | |
CN108133467B (zh) | 基于粒计算的水下图像增强系统及增强方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180921 |