CN109242791B - 一种针对破损植物叶片的批量修复方法 - Google Patents
一种针对破损植物叶片的批量修复方法 Download PDFInfo
- Publication number
- CN109242791B CN109242791B CN201810962566.0A CN201810962566A CN109242791B CN 109242791 B CN109242791 B CN 109242791B CN 201810962566 A CN201810962566 A CN 201810962566A CN 109242791 B CN109242791 B CN 109242791B
- Authority
- CN
- China
- Prior art keywords
- image
- damaged
- repaired
- plant leaves
- damaged plant
- 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.)
- Active
Links
- 241000196324 Embryophyta Species 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 238000003708 edge detection Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 238000009966 trimming Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 abstract description 2
- 239000003086 colorant Substances 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000002203 pretreatment Methods 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
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/90—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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种针对破损植物叶片的批量修复方法,首先对图像数据进行预处理,预处理包括前期处理:图像缩小→灰度化→高斯滤波→二值化;轮廓裁切:canny边缘检测→寻找边缘轮廓→外接最小四边形→ROI区域裁切;分水岭分割:标记前景→标记背景→标记未知区域→分水岭分割;然后将预处理得到的图像中待修复部分置换为同一颜色,制作出待修复区域的掩膜,最后使用FMM算法对待修复部分进行修复。与现有技术相比,本发明可以将叶片的残缺部分补全,修复准确率高,避免了由于不可抗力造成的叶片残缺对后续实验的影响;本发明通过一系列的图像预处理操作解决了掩膜的批量制作问题,实现了对破损植物叶片的批量处理操作。
Description
技术领域
本发明涉及信息图像修复技术领域,具体说是一种针对破损植物叶片的批量修复方法。
背景技术
采集植物叶片图像数据时,由于采摘过程或植物自身疾病或虫子啃食会造成叶片的残缺,会造成图像数据的不准确,这就需要对采集的植物叶片图像进行修复。
现有技术并没有专门针对破损植物叶片图像数据进行修复的技术,而且现有技术中在进行图像修复时需要有针对性的对每张待修复图片构建掩膜,对于不同叶子残缺的个体差异,直接应用现有技术的图像修复方法难以实现批量处理。
发明内容
本发明针对在用相机对植物叶片的图像数据采集过程中,叶片自身会由于不可抗力所造成的破损或部分组织的缺失,比如植物自身疾病所造成的孔洞或者采集过程中的破损,采集到的数据就会不够全面准确,这些都会影响使用这批数据所进行的后续研究,为了降低叶片信息不全对研究所造成的影响,本发明提出了一种针对破损植物叶片的批量修复方法,该方便快捷节约时间。
为了实现上述目的,本发明采用的技术方案是:
一种针对破损植物叶片的批量修复方法,将所有破损植物叶片的图像进行预处理后将所有预处理后的图像中待修复区域处理为同一颜色,再利用此种颜色构建掩膜,实现对破损植物叶片图像的批量修复,具体步骤如下:
步骤一、对破损植物叶片的图像预处理,包括:
1)前期处理,所述前期处理是对破损植物叶片的图像依次经过图像缩小、灰度化、高斯滤波、二值化处理,得到呈现出明显的黑白效果的图像;
2)轮廓裁切,所述轮廓裁切是对步骤1)中得到的图像依次进行canny边缘检测、寻找边缘轮廓、获取外接最小四边形、ROI区域裁切,获得感兴趣区域图像;
3)分水岭分割,所述分水岭分割是利用分水岭算法将步骤2)得到的感兴趣区域图像分割成不同的区域;
步骤二、将步骤一得到的图像中待修复部分置换为同一颜色,制作出待修复区域的掩膜,最后使用FMM算法对图像中待修复部分进行修复。
进一步,所述步骤一中图像缩小的原理是:设原始图像的像素矩阵为M*N,缩小后图像的像素矩阵为m*n,将图像划分为(M*N)/(m*n)大小的互不相交的小块,计算小块的平均值,该值作为缩小图像对应的像素值。
进一步,所述步骤一中灰度化具体过程为:使用亮度Y与R、G、B三个颜色分量的Y=0.3R+0.59G+0.11B表达图像的灰度值。
进一步,所述步骤一中高斯滤波的具体操作是:使用5×5的高斯滤波器模板,以模板的中心位置为坐标原点进行取样,对高斯函数进行离散化,将模板在各个位置的坐标带入到高斯函数中,其中x轴水平向右,y轴竖直向下,以离散点上的高斯函数值为权值,对灰度化的图像的每个像素点做邻域内的加权平均,从而消除高斯噪声。
进一步,所述步骤一中二值化的具体操作是:将高斯滤波后的图像上的像素点的灰度值设置为0或255,使用Threshold()函数中的OTSU算法,原理如下:
记t为高斯滤波后的图像的前景与背景的分割阈值,前景点数占图像比例为w0,平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1,则图像的总平均灰度为:u=w0*u0+w1*u1,前景和背景图象的方差:g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)=w0*w1*(u0-u1)*(u0-u1),当方差g最大时,此时的灰度t是最佳阈值sb=w0*w1*(u1-u0)*(u0-u1)。
进一步,所述步骤一中轮廓裁切的具体步骤为:利用canny算法首先找寻二值化处理后的图像的强度梯度,然后应用非最大抑制技术来消除边误检,之后使用应用双阈值的方法来决定潜在的边界,最后利用滞后技术来跟踪边界,然后使用FindContours()函数来寻找所有边缘轮廓,然后通过RotatedRect rect()函数进行外接最小四边形,最后使用ROI区域裁切获得感兴趣区域图像。
进一步,所述步骤一中分水岭分割的具体步骤为:首先封装分水岭算法类,然后获取感兴趣区域图像的前景像素,先对阈值化的二值图像腐蚀,去掉小的白色区域得到前景,并用255标记;获取背景像素,对阈值化后的图像进行膨胀,然后再阈值化并取反得到背景区域并用128标记,其他未知像素用0标记;合成标记图像,然后将原感兴趣区域图像和标记图像输入分水岭算法,将感兴趣区域图像分割成不同的区域。
进一步,所述步骤二中制作掩膜时是通过循环遍历整张预处理后的图片的颜色,然后将像素值为选定颜色的点置为掩膜,然后使用FMM算法的Inpainting()函数进行修复:利用那些已经被破坏的区域的边缘,即边缘的颜色和结构,根据这些图像留下的信息去推断被破坏的信息区的信息内容,然后对破坏区进行填补,以达到图像修补的目的。
与现有技术相比,本发明的具有以下有益效果:
1.本发明可以将叶片的残缺部分补全,修复准确率高,避免了由于不可抗力造成的叶片残缺对后续实验的影响。
2.本发明通过一系列的图像预处理操作解决了掩膜的批量制作问题,实现了对破损植物叶片的批量处理操作。
附图说明
图1为本发明实施例中待修复区域的一个像素点的修复原理图;
图2为本发明实施例中一种破损植物叶片的图像修复前后对比图;(a)为修复前破损植物叶片的图像,(b)为修复后破损植物叶片的图像;
图3为本发明实施例中另一种破损植物叶片的图像修复前后对比图;(a)为修复前破损植物叶片的图像,(b)为修复后破损植物叶片的图像;
图4为本发明实施例中第三种破损植物叶片的图像修复前后对比图;(a)为修复前破损植物叶片的图像,(b)为修复后破损植物叶片的图像
具体实施方案
下面结合附图及实施例对本发明进一步详细说明。
一种针对破损植物叶片的批量修复方法,将所有破损植物叶片的图像进行预处理后将所有预处理后的图像中待修复区域处理为同一颜色,再利用此种颜色构建掩膜,实现对破损植物叶片图像的批量修复,具体步骤如下:
步骤一、对图像数据进行图像预处理操作:
(1)前期处理:图像缩小→灰度化→高斯滤波→二值化;
图像缩小:是为了使不同的图像数据具有相同的尺寸,原理是设原始图像的像素矩阵为M*N,缩小后图像的像素矩阵为m*n,则需要将图像划分为(M*N)/(m*n)大小的互不相交的小块,计算小块的平均值,该值作为缩小图像对应的像素值;
灰度化:根据YUV的颜色空间中,Y的分量的物理意义是点的亮度,由该值反映亮度等级,根据RGB和YUV颜色空间的变化关系可建立亮度Y与R、G、B三个颜色分量的对应:Y=0.3R+0.59G+0.11B,以这个亮度值表达图像的灰度值;
高斯滤波用来去除图片数据中的噪声,其具体操作是使用5×5的高斯滤波器模板,以模板的中心位置为坐标原点进行取样;对高斯函数进行离散化,将模板在各个位置的坐标带入到高斯函数公式1中,x轴水平向右,y轴竖直向下;
以离散点上的高斯函数值为权值,对我们采集到的灰度矩阵的每个像素点做一定范围邻域内的加权平均,即可消除高斯噪声;
最后进行二值化,它就是将图像上的像素点的灰度值设置为0或255,这样将使整个图像呈现出明显的黑白效果;
本处使用Threshold()函数中的OTSU算法,原理如下:
记t为前景与背景的分割阈值,前景点数占图像比例为w0,平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1;
则图像的总平均灰度为:u=w0*u0+w1*u1;
前景和背景图象的方差:
g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)=w0*w1*(u0-u1)*(u0-u1)
此公式为方差公式;
参照下面程序中的sb的表达式;当方差g最大时,认为此时前景和背景差异最大;
此时的灰度t是最佳阈值sb=w0*w1*(u1-u0)*(u0-u1);
(2)轮廓裁切:canny边缘检测→寻找边缘轮廓→外接最小四边形→ROI区域裁切;
canny算法首先找寻图像的强度梯度,然后应用非最大抑制技术来消除边误检,使用应用双阈值的方法来决定潜在的边界,最后利用滞后技术来跟踪边界;
然后使用FindContours()函数来寻找所有边缘轮廓,通过RotatedRect rect()函数进行外接最小四边形,最后使用ROI区域裁切获得感兴趣区域;
(3)分水岭分割:标记前景→标记背景→标记未知区域→分水岭分割;
首先封装分水岭算法类,然后获取标记图像,获取前景像素,先对阈值化的二值图像腐蚀,去掉小的白色区域得到前景,并用255标记;获取背景像素,对阈值化后的图像进行膨胀,然后再阈值化并取反得到背景区域并用128标记,其他未知像素用0标记;合成标记图像,然后将原图和标记图像输入分水岭算法,最后显示结果;
步骤二、将步骤一得到的图像中待修复部分置换为同一颜色,制作出待修复区域的掩膜,最后使用FMM算法对图像中待修复部分进行修复。
制作掩膜时是通过循环遍历整张图片的颜色,然后将像素值为选定颜色的点置为掩膜;然后使用FMM算法处理图像进行修复,使用Inpainting()函数进行修复的,利用那些已经被破坏的区域的边缘,即边缘的颜色和结构,根据这些图像留下的信息去推断被破坏的信息区的信息内容,然后对破坏区进行填补,以达到图像修补的目的;
先处理待修复区域边缘上的像素点,然后层层向内推进,直到修复完所有的像素点。
下面以灰度图为例,对上述步骤二进行详细说明:
一、修复一个像素点:如图1所示,设Ω区域是待修复的区域;δΩ指Ω的边界;要修复Ω中的像素,就需要计算出新的像素值来代替原值。
现在假设p点是我们要修复的像素,以p为中心选取一个小邻域B(ε),该邻域中的点像素值都是已知的。
显然,我们需要的是用邻域B(ε)中的所有点计算p点的新灰度值。显然,各个像素点所起的作用应该是不同的,也就引入了权值函数来决定哪些像素的值对新像素值影响更大,哪些比较小。采用下面的公式:
这里的w(p,q)就是权值函数,是用来限定邻域中各像素的贡献大小的。
w(p,q)=dir(p,q)·dst(p,q)·lev(p,q)
其中,d0和T0分别为距离参数和水平集参数,一般都取为1。方向因子dir(p,q)保证了越靠近法线方向的像素点对p点的贡献最大;几何距离因子dst(p,q)保证了离p点越近的像素点对p点贡献越大;水平集距离因子lev(p,q)保证了离经过点p的待修复区域的轮廓线越近的已知像素点对点p的贡献越大。
二、修复待修复区域中的所有像素:
首先将像素分为三类,用flag标识记录:BAND:其实就是δΩ上的像素;KNOWN:就是δΩ外部不需要修复的像素;INSIDE:就是δΩ内部的等待修复的像素。
另外,每个像素还需要存储两个值:T(该像素离到边缘δΩ的距离);I(灰度值)。
处理像素是方式如下:
1.初始化。首先按上面说的方法找到narrowBand,flag记为BAND;窄边内部的待修复区域记为INSIDE,已知像素flag设为KNOWN。BAND和KNOWN类型的像素T值初始化为0(这里看opencv代码里好像把KNOWN也设为106),INSIDE类型像素T值设为无限大(实际中设为106)。
2.定义一个数据结构NarrowBand(opencv中采用双向链表实现),将窄边中的像素按T值升序排列,依次加入到NarrowBand中,先处理T最小的像素。假设为p点,将p点类型改为KNOWN,然后依次处理p点的四邻域点Pi。如果Pi类型为INSIDE,若是则重新计算I,修复该点,并更新其T值,修改该点类型为BAND,加入NarrowBand(这里仍按顺序,即始终保持NarrowBand是按升序排列的)。依次进行,每次处理的都是NarrowBand中T最小的像素,直到NarrowBand中没有像素。
对植物叶片进行拍摄后,利用本发明直接进行图像修复,如图2、图3、图4为使用本发明对不同破损图片叶片修复的效果图,从图2-4中可以看出,修复准确率非常之高,也说明了本发明的可行性。
Claims (7)
1.一种针对破损植物叶片的批量修复方法,其特征在于,将所有破损植物叶片的图像进行预处理后将所有预处理后的图像中待修复区域处理为同一颜色,再利用此种颜色构建掩膜,实现对破损植物叶片图像的批量修复,具体步骤如下:
步骤一、对破损植物叶片的图像预处理,包括:
1)前期处理,所述前期处理是对破损植物叶片的图像依次经过图像缩小、灰度化、高斯滤波、二值化处理,得到呈现出明显的黑白效果的图像;
2)轮廓裁切,所述轮廓裁切是对步骤1)中得到的图像依次进行canny边缘检测、寻找边缘轮廓、获取外接最小四边形、ROI区域裁切,获得感兴趣区域图像;
3)分水岭分割,所述分水岭分割是利用分水岭算法将步骤2)得到的感兴趣区域图像分割成不同的区域;
步骤二、将步骤一得到的图像中待修复部分置换为同一颜色,制作出待修复区域的掩膜,制作掩膜时是通过循环遍历整张预处理后的图片的颜色,然后将像素值为选定颜色的点置为掩膜,然后使用FMM算法的Inpainting()函数进行修复:利用那些已经被破坏的区域的边缘,即边缘的颜色和结构,根据这些图像留下的信息去推断被破坏的信息区的信息内容,然后对破坏区进行填补,以达到图像修补的目的;先处理待修复区域边缘上的像素点,然后层层向内推进,直到修复完所有的像素点。
2.根据权利要求1所述的针对破损植物叶片的批量修复方法,其特征在于:所述步骤一中图像缩小的原理是:设原始图像的像素矩阵为M*N,缩小后图像的像素矩阵为m*n,将图像划分为(M*N)/(m*n)大小的互不相交的小块,计算小块的平均值,该值作为缩小图像对应的像素值。
3.根据权利要求1所述的针对破损植物叶片的批量修复方法,其特征在于:所述步骤一中灰度化具体过程为:使用亮度Y与R、G、B三个颜色分量的Y=0.3R+0.59G+0.11B表达图像的灰度值。
5.根据权利要求1所述的针对破损植物叶片的批量修复方法,其特征在于:所述步骤一中二值化的具体操作是:将高斯滤波后的图像上的像素点的灰度值设置为0或255,使用Threshold()函数中的OTSU算法,原理如下:
记t为高斯滤波后的图像的前景与背景的分割阈值,前景点数占图像比例为w0,平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1,则图像的总平均灰度为:u=w0*u0+w1*u1,前景和背景图象的方差:g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)=w0*w1*(u0-u1)*(u0-u1),当方差g最大时,此时的灰度t是最佳阈值sb=w0*w1*(u1-u0)*(u0-u1)。
6.根据权利要求1所述的针对破损植物叶片的批量修复方法,其特征在于:所述步骤一中轮廓裁切的具体步骤为:利用canny算法首先找寻二值化处理后的图像的强度梯度,然后应用非最大抑制技术来消除边误检,之后使用应用双阈值的方法来决定潜在的边界,最后利用滞后技术来跟踪边界,然后使用FindContours()函数来寻找所有边缘轮廓,然后通过RotatedRect rect()函数进行外接最小四边形,最后使用ROI区域裁切获得感兴趣区域图像。
7.根据权利要求1所述的针对破损植物叶片的批量修复方法,其特征在于:所述步骤一中分水岭分割的具体步骤为:首先封装分水岭算法类,然后获取感兴趣区域图像的前景像素,先对阈值化的二值图像腐蚀,去掉小的白色区域得到前景,并用255标记;获取背景像素,对阈值化后的图像进行膨胀,然后再阈值化并取反得到背景区域并用128标记,其他未知像素用0标记;合成标记图像,然后将原感兴趣区域图像和标记图像输入分水岭算法,将感兴趣区域图像分割成不同的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810962566.0A CN109242791B (zh) | 2018-08-22 | 2018-08-22 | 一种针对破损植物叶片的批量修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810962566.0A CN109242791B (zh) | 2018-08-22 | 2018-08-22 | 一种针对破损植物叶片的批量修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242791A CN109242791A (zh) | 2019-01-18 |
CN109242791B true CN109242791B (zh) | 2022-07-26 |
Family
ID=65068102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810962566.0A Active CN109242791B (zh) | 2018-08-22 | 2018-08-22 | 一种针对破损植物叶片的批量修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242791B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019201702A1 (de) | 2019-02-11 | 2020-08-13 | Conti Temic Microelectronic Gmbh | Modulares inpainting Verfahren |
CN109961838A (zh) * | 2019-03-04 | 2019-07-02 | 浙江工业大学 | 一种基于深度学习的超声影像慢性肾脏病辅助筛查方法 |
CN110335231A (zh) * | 2019-04-01 | 2019-10-15 | 浙江工业大学 | 一种融合纹理特征和深度特征的超声影像慢性肾脏病辅助筛查方法 |
CN110378866B (zh) * | 2019-05-22 | 2021-04-06 | 中国水利水电科学研究院 | 一种基于无人机巡检的渠道衬砌破损图像识别方法 |
CN110458882A (zh) * | 2019-08-17 | 2019-11-15 | 陈�峰 | 一种基于计算机视觉的植物果实表型测定方法 |
CN110675345A (zh) * | 2019-09-25 | 2020-01-10 | 中国人民解放军61646部队 | 一种遥感图像待修复区域的模糊补全处理方法及装置 |
CN114140693A (zh) * | 2019-11-15 | 2022-03-04 | 南昌木本医疗科技有限公司 | 一种基于fcm算法和图像处理的植物提取参数设置系统 |
CN112785571B (zh) * | 2021-01-20 | 2024-04-12 | 浙江理工大学 | 一种基于改进分水岭的名优茶嫩叶识别分割方法 |
CN113066095B (zh) * | 2021-03-18 | 2024-02-23 | 上海烟草集团有限责任公司 | 重建烟叶轮廓的方法、系统及计算机可读存储介质 |
CN113421229B (zh) * | 2021-06-04 | 2023-05-30 | 桂林电子科技大学 | 一种图像小区域缺损检测与修复方法 |
CN114418902B (zh) * | 2022-03-31 | 2022-07-08 | 深圳市华汉伟业科技有限公司 | 图像修复方法和计算机可读存储介质 |
CN114581443B (zh) * | 2022-05-06 | 2022-08-26 | 中科慧远视觉技术(北京)有限公司 | 一种图像处理方法、装置、计算机设备和可读存储介质 |
CN117333400B (zh) * | 2023-11-06 | 2024-04-30 | 华中农业大学 | 一种根盒培养作物根系图像断根修复及表型提取方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136137A (zh) * | 2011-03-25 | 2011-07-27 | 苏州迪凯尔医疗科技有限公司 | 牙种植导航中图像的修复方法 |
CN102509319B (zh) * | 2011-10-20 | 2013-05-22 | 西北民族大学 | 结合破损块形状和邻域分类的唐卡图像修复方法 |
CN104200444B (zh) * | 2014-09-25 | 2017-08-25 | 西北民族大学 | 基于对称样本块的图像修复方法 |
CN105118036A (zh) * | 2015-08-26 | 2015-12-02 | 广西小草信息产业有限责任公司 | 一种对破损图像进行修复的方法和系统 |
CN105528797B (zh) * | 2015-12-02 | 2018-05-22 | 深圳飞马机器人科技有限公司 | 一种光学影像色彩一致性自适应处理与快速镶嵌方法 |
CN105466950B (zh) * | 2016-01-14 | 2018-06-01 | 上海孚兴电子科技有限公司 | 一种基于视觉的竹块在线检测方法及系统 |
CN106803232A (zh) * | 2016-11-30 | 2017-06-06 | 上海仙剑文化传媒股份有限公司 | 一种数字图像上色方法及装置 |
CN107527343B (zh) * | 2017-08-31 | 2019-11-26 | 山东省农业科学院科技信息研究所 | 一种基于图像处理的双孢蘑菇分级方法 |
CN108038487A (zh) * | 2017-11-22 | 2018-05-15 | 湖北工业大学 | 基于图像分割与特征融合的植物叶片辨别方法 |
-
2018
- 2018-08-22 CN CN201810962566.0A patent/CN109242791B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109242791A (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242791B (zh) | 一种针对破损植物叶片的批量修复方法 | |
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
CN111415363B (zh) | 一种图像边缘识别方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
Singh et al. | Shadow detection and removal from remote sensing images using NDI and morphological operators | |
CN111145209B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN110163219B (zh) | 基于图像边缘识别的目标检测方法 | |
CN109241973B (zh) | 一种纹理背景下的字符全自动软分割方法 | |
CN108830832A (zh) | 一种基于机器视觉的塑料筒表面缺陷检测算法 | |
CN110648349A (zh) | 基于背景减除和连通区域算法的焊缝缺陷分割方法 | |
CN107154044B (zh) | 一种中餐食物图像的分割方法 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN110268442B (zh) | 在图像中检测背景物上的外来物的计算机实现的方法、在图像中检测背景物上的外来物的设备以及计算机程序产品 | |
CN110807738B (zh) | 一种基于边缘图块锐化的模糊图像非盲复原方法 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN107545557A (zh) | 粪便图像中的虫卵检测方法和装置 | |
CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
CN113129323A (zh) | 一种基于人工智能的遥感田埂界线检测方法、系统、计算机设备及存储介质 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN111539980A (zh) | 一种基于可见光的多目标追踪方法 | |
CN107239761B (zh) | 基于骨架角点检测的果树拉枝效果评价方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN112288726A (zh) | 一种井下带式输送机带面异物检测方法 |
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 |