CN109255795A - 一种番茄植株边缘排序算法 - Google Patents

一种番茄植株边缘排序算法 Download PDF

Info

Publication number
CN109255795A
CN109255795A CN201811055751.8A CN201811055751A CN109255795A CN 109255795 A CN109255795 A CN 109255795A CN 201811055751 A CN201811055751 A CN 201811055751A CN 109255795 A CN109255795 A CN 109255795A
Authority
CN
China
Prior art keywords
edge
point
image
edgeno
marginal
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
Application number
CN201811055751.8A
Other languages
English (en)
Other versions
CN109255795B (zh
Inventor
项荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Jiliang University
Original Assignee
China Jiliang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Jiliang University filed Critical China Jiliang University
Priority to CN201811055751.8A priority Critical patent/CN109255795B/zh
Publication of CN109255795A publication Critical patent/CN109255795A/zh
Application granted granted Critical
Publication of CN109255795B publication Critical patent/CN109255795B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20—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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种番茄植株边缘排序算法。首先对采集的番茄植株彩色图像进行图像分割；直接在二值图像中提取出番茄植株连续边缘；对所提取的的番茄植株边缘进行去噪；然后遍历番茄植株边缘图像，将未排序边缘点作为当前边缘点；将当前已排序边缘从当前边缘点的8邻域按序延伸，同时识别出交叉点；当当前边缘在当前边缘点8邻域内无法继续延伸时，新增一从同一起点至当前交叉点的边缘，并从交叉点8邻域内继续按序延伸；最后求同一起点边缘的最长边缘，保存最长边缘和其余边缘；应用本发明可实现具有复杂边缘点邻接关系和较多噪声点的长番茄植株茎秆边缘的实时排序、去噪，为基于图像边缘分析的番茄植株组成器官识别提供连续和完整的已排序边缘。

Description

一种番茄植株边缘排序算法
技术领域
本发明涉及一种番茄植株边缘排序算法。
背景技术
作为实现番茄生产自动化的一种主要手段，番茄生产机器人能够较好地解决当前番茄生产中劳动力资源紧缺，劳动力成本高的问题。视觉系统作为番茄生产机器人的一个重要组成部分，其主要功能是实现番茄植株各组成器官的识别和三维定位。通过图像的边缘分析实现番茄植株各组成器官的识别，如番茄、茎秆、叶子等，是当前基于图像的番茄植株及其他果蔬植株组成器官识别的常用方法。在进行植株组成器官边缘分析前，实现植株边缘排序是前提。如进行番茄边缘曲率分析以实现成簇番茄识别前，需首先对番茄边缘进行排序。同样，进行番茄植株边缘分析以实现番茄茎秆、叶子识别前，同样需要对番茄植株边缘进行分析，进而基于边缘特征实现番茄茎秆、叶子的识别。因此，番茄植株边缘排序对实现番茄植株茎秆、叶子的识别，进而基于番茄生产机器人实现番茄生产自动化，具有非常重要的应用价值。
由于番茄枝叶近色，且茎秆和叶子相互重叠，从而造成图像中所提取的番茄植株边缘相互交叉、联通。另外，由于光照条件的影响，造成所提取的番茄植株边缘存在较多的噪声，使得番茄植株边缘间的联通，边缘点间的邻接均非常复杂。当前的4邻域、8邻域等边缘排序算法无法适应该类情况下的番茄植株边缘排序，会造成属于同一组成器官的边缘被排序成多段，在影响已排序边缘的完整型和连续性，进而影响后续番茄植株组成器官识别成功率的同时，也影响了排序算法的实时性。现有的番茄边缘排序算法，只适用于番茄这类边缘较短、边缘点间邻接关系简单、边缘上噪声较少的情况，对边缘点邻接关系复杂、边缘较长且存在较多边缘噪声的这类番茄植株边缘无法运行，因此并不适用。
基于番茄植株边缘的复杂性，为实现番茄植株边缘排序，非常需要一种实时的番茄植株边缘排序算法。本发明可实现番茄植株边缘排序，并从中提取出最长边缘和其他边缘，同时也可实现番茄植株边缘的去噪，进而可为实现番茄植株茎秆、叶子的识别，提供连续的已排序番茄植株边缘，降低边缘排序破坏番茄植株组成器官边缘完整性的几率，提高基于边缘分析的番茄植株组成器官识别成功率。本发明还有助于改善番茄植株边缘排序算法的实时性。
发明内容
本发明的目的在于提供一种实时的番茄植株边缘排序算法，以实现图像番茄植株边缘点按位置关系排序，提取出番茄植株同一起始边缘点的最长边缘以及其他边缘，同时也可实现番茄植株边缘的去噪，为实现基于番茄植株边缘分析的番茄植株组成器官识别提供已排序的连续和完整的边缘。
本发明采用的技术方案是：
本发明包括如下步骤：
①图像分割：对番茄植株彩色图像C进行图像分割，获得番茄植株二值图像B；采用基于绿红色差特征量的阈值图像分割算法，如式(1)所示：
式中：B(x,y)—二值图像B中坐标为(x,y)像素的像素值；Tb—图像分割阈值；cn—归一化绿红色差特征量，如式(2)所示：
式中：min-表示求最小值；max-表示求最大值；cc—绿红色差特征量，如式(3)所示：
式中：RGB—彩色图像的三个颜色分量；
②连续边缘提取：在图像分割后的二值图像B中，进行番茄植株连续边缘提取，获得边缘图像E，如式(4)所示：
式中：Eo(x,y)—边缘图像Eo中坐标为(x,y)像素的像素值；Eo(x+1,y)—边缘图像Eo中坐标为(x+1,y)像素的像素值；Eo(x,y+1)—边缘图像Eo中坐标为(x,y+1)像素的像素值；B(x+1,y)—二值图像B中坐标为(x+1,y)像素的像素值；B(x,y+1)—二值图像B中坐标为(x,y+1)像素的像素值；
③边缘去噪：去除Eo中长度小于阈值Tl的短边缘，获得边缘图像Es；
④边缘排序：对边缘图像Es中各边缘的边缘点按其在图像坐标系中的位置先后关系分别进行排序，包含如下步骤：
步骤4.1：存储已排序边缘的变量、数组定义和初始化；定义已排序边缘数变量EN，初始化为0；定义存储已排序边缘点数的一维数组EPN，并将其所有元素均初始化为0；定义存储已排序边缘点图像纵横坐标y、x的二维数组EPY、EPX，第一维表示该边缘点所在边缘序号，第二维表示该边缘点在所在已排序边缘所有边缘点中的序号；定义标识边缘点是否为已排序边缘点的二维数组EdgPoF，第一维表示边缘点在图像坐标系中的纵坐标，第二维表示边缘点在图像坐标系中的横坐标，将其所有元素均初始化为0；进入步骤4.2；
步骤4.2：进行同一起点边缘簇中边缘的排序；存储同一起点边缘簇所需变量和数组的定义和初始化；定义同一起点边缘簇中边缘数变量EdgeNo，初始化为0；定义存储边缘点数的一维数组EdgPoNo，并将其所有元素均初始化为0；定义存储边缘点图像纵横坐标y、x的二维数组EdgPoY、EdgPoX，第一维表示该边缘点所在边缘的序号，第二维表示该边缘点在所在边缘所有边缘点中的序号；进入步骤4.3；
步骤4.3：从上往下，从左往右逐点扫描边缘图像ES，判断当前像素(i,j)是否为未排序边缘点，即判断ES(i,j)及EdgPoF(i,j)的值；若是，即ES(i,j)值为1、EdgPoF(i,j)值为0，则新建一条以该边缘点(i,j)为起点的边缘，即将边缘数EdgeNo置为1，将第EdgeNo号边缘的边缘点数EdgPoNo(EdgeNo)置为1，保存第EdgeNo号边缘中第1个边缘点的图像纵横坐标，即EdgPoY(EdgeNo,1)＝i，EdgPoX(EdgeNo,1)＝j；将该边缘点(i,j)标识为已排序边缘点，即设置EdgPoF(i,j)＝1；使用变量StartY、StartX分别保存该起点的图像纵横坐标，即设置StartY＝i，StartX＝j；将该边缘作为当前边缘EdgeNo；将该边缘点(i,j)作为当前边缘点(r,c)，即r＝i，c＝j，进入步骤4.4；否则，跳转至步骤4.9；
步骤4.4：存储分叉点及相应公共边缘的变量和数组的定义及初始化；定义分叉点数变量CroPoNo，并初始化为0；定义存储分叉点图像纵横坐标的一维数组CroPoY及CroPoX；定义存储第CroPoNo个分叉点对应的公共边缘CroPoNo的边缘点图像纵横坐标的二维数组ShaEdgPoY、ShaEdgPoX，其中第一维表示公共边缘序号，第二维表示边缘点序号；进入步骤4.5；
步骤4.5：分叉点及公共边缘的识别：基于当前边缘点8邻域内边缘点个数及其位置关系实现当前边缘点是否为分叉点的识别；若当前边缘点8邻域内边缘点个数为两个且这两个边缘点为非相邻边缘点或边缘点个数大于2个(其中的两个边缘点间距一定大于1)，则当前边缘点为交叉点，当前边缘点及其前已排序边缘为公共边缘，使用CroPoNo保存分叉点数即公共边缘数，使用CroPoY及CroPoX数组分别保存分叉点图像纵横坐标，并将当前边缘点及其前已排序边缘作为该分叉点对应的公共边缘，使用数组ShaEdgPoY、ShaEdgPoX按序保存该公共边缘的边缘点图像纵横坐标；
步骤4.6：判断当前边缘点(r,c)的8邻域内是否存在未排序边缘点(p,q)，即判断是否存在ES(p,q)为1且EdgPoF(p,q)同时为0的像素；若是，当前边缘EdgeNo的边缘点数EdgPoNo(EdgeNo)自增1，将该边缘点(p,q)按序存入当前边缘EdgeNo，即EdgPoY(EdgeNo,EdgPoNo(EdgeNo))＝p，EdgPoX(EdgeNo,EdgPoNo(EdgeNo))＝q，将该边缘点(p,q)标识为已排序边缘点，即设置EdgPoF(p,q)＝1，并以该边缘点(p,q)为当前边缘点，即r＝p，c＝q，跳转至步骤4.5；否则，进入步骤4.7；
步骤4.7：判断分叉点数CroPoNo是否大于0；若是，新建一边缘，即边缘数EdgeNo自增1，且将序号为CroPoNo的公共边缘的边缘点按序存入该新建边缘，作为该新建边缘中的边缘点，即将ShaEdgPoY(CroPoNo,t)、ShaEdgPoX(CroPoNo,t)按t从1至ShaEdgPoNo(CroPoNo)的顺序分别存入EdgPoY(EdgeNo,t)、EdgPoX(EdgeNo,t)，当前边缘EdgeNo的边缘点数为该公共边缘的边缘点数，即EdgPoNo(EdgeNo)＝ShaEdgPoNo(CroPoNo)，同时以该新建边缘为当前边缘EdgeNo，以该分叉点为当前边缘点，即r＝CroPoY(CroPoNo)，c＝CroPoX(CroPoNo)，公共边缘数CroPoNo减1，跳转至步骤4.5；否则，转入步骤4.8；
步骤4.8：同一起点边缘簇中最长边缘和其他边缘的提取：求同一起点边缘簇中的最长边缘，并按序保存其边缘点图像纵横坐标；遍历同一起点边缘簇中除最长边缘外的其他边缘，剔除其中在最长边缘上的公共边缘点；对剔除最长边缘上的公共边缘点后剩余的边缘重复步骤4.8，直至剔除最长边缘上的公共边缘点后剩余的边缘数为0为止，去除长度小于阈值Tl的短边缘，跳转到步骤4.2；
步骤4.9：结束边缘排序过程；获得边缘图像E4。
2.所述的步骤4.5中分叉点及公共边缘的识别方法，包括如下步骤：
步骤2.1：统计当前边缘点(r,c)8邻域内的未排序边缘点数UnFPoNo，即遍历当前边缘点(r,c)8邻域内像素(m,n)，统计ES(m,n)为1且EdgPoF(m,n)为0的像素数，存入UnFPoNo；定义标识当前边缘点(r,c)是否为分叉点的变量CroPoF并初始化为0；
步骤2.2：判断当前边缘点(r,c)是否为分叉点；判断UnFPoNo是否等于2，若是，计算边缘点(r,c)8邻域内的这两个未排序边缘点的间距dist，判断dist是否大于1，若是，标识当前边缘点(r,c)是分叉点，即设置标识变量CroPoF为1；若UnFPoNo大于2，则当前边缘点(r,c)同样是分叉点，即设置标识变量CroPoF为1；
步骤2.3：若当前边缘点(r,c)是分叉点，则保存该分叉点图像纵横坐标，并将起点(StartY,StartX)到该分叉点(r,c)的边缘作为相应的公共边缘加以保存，即判断CroPoF是否为1，若是，分叉点数CroPoNo自增1，保存该分叉点的图像纵横坐标，即CroPoY(CroPoNo)＝r，CroPoX(CroPoNo)＝c，新增一条公共边缘，即将EdgPoY(EdgeNo,t)、EdgPoX(EdgeNo,t)按t从1至EdgPoNo(EdgeNo)的顺序分别存入ShaEdgPoY(CroPoNo,t)、ShaEdgPoX(CroPoNo,t)，并用ShaEdgPoNo数组保存该公共边缘的边缘点数，即ShaEdgPoNo(CroPoNo)＝EdgPoNo(EdgeNo)。
3.所述的步骤4.8中同一起点边缘簇中最长边缘和其他边缘的提取方法，包括如下步骤：
步骤3.1：判断同一起点(StartY,StartX)的边缘数量EdgeNo是否大于0；若是，确定同一起点(StartY,StartX)的所有边缘中边缘点数最多的边缘作为最长边缘MLE，并保存MLE的边缘点图像纵横坐标及边缘点数，即已排序边缘数变量EN自增1，将MLE边缘所有边缘点图像纵横坐标EdgPoY(MLE,t)、EdgPoX(MLE,t)分别按t从1至EdgPoNo(MLE)的顺序存入EPY(EN,t)、EPX(EN,t)数组中，将最长边缘边缘点数EdgPoNo(MLE)存入EPN(EN)中，转入步骤3.2；否则，结束本算法；
步骤3.2：将同一起点(StartY,StartX)的所有边缘中，除最长边缘MLE外，其他所有边缘进行逐点扫描，去除其中属于最长边缘的边缘点，即逐点判断第tE号边缘(tE为1到EdgeNo中的一个整数且不等于MLE)中的各边缘点，若第t个(t为1到EdgPoNo(tE)中的一个整数)边缘点的图像纵或横坐标EdgPoY(tE,t)、EdgPoX(tE,t)与EdgPoY(MLE,t)、EdgPoX(MLE,t)不全相等，则去除tE边缘中第1到第t-1号的边缘点，只保留第t到第EdgPoNo(tE)号边缘点，且tE边缘的边缘点数EdgPoNo(tE)修改为EdgPoNo(tE)-t+1个；同一起点的边缘数EdgeNo自减1，从同一起点(StartY,StartX)的所有边缘中去除MLE边缘，即将EdgPoNo(MLE)清零；跳转至步骤3.1。
本发明具有的有益效果是：本发明通过设计一种实时的番茄植株边缘排序算法，基于分叉点识别和最长边缘提取实现了番茄植株边缘的排序，从中提取出最长边缘及其他边缘，同时也可实现番茄植株边缘的去噪，进而可为实现番茄植株茎秆、叶子识别提供连续和完整的已排序番茄植株边缘，减少由于边缘排序使得同一植株组成器官边缘被分裂为多段，从而破坏了番茄植株组成器官边缘的连续性和完整性，进而造成番茄植株器官的错误识别。本发明还有助于改善番茄植株边缘排序算法的实时性。
附图说明
图1是番茄植株边缘排序系统组成示意图。
图2是番茄植株边缘排序算法流程图。
图3是图像分割后的番茄植株二值图像示例。
图4是从图3中提取的番茄植株边缘。
图5是图4中的交叉点识别及最长边缘提取示例。
图6是图4中的番茄植株边缘经排序后的结果。
图1中：1、番茄植株，2、彩色相机，3、照明系统，4、1394图像采集卡，5、计算机，6、番茄植株边缘排序软件。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1示意了番茄植株边缘排序系统的一个具体实施例。照明系统3采用2盏3w的白色荧光灯构成的对角照射系统，对角距离为400mm。图像接收装置采用双目立体相机2(立体相机可获取目标的三维位置信息，为以后获取番茄植株组成器官的三维位置信息考虑)，双目立体相机2中的图像传感器为彩色Sony ICX204 CCD，最大分辨率为1024×768，透镜焦距为6mm。图像采集卡4型号为MOGE 1394，带电源适配器。计算机5为Lenovo R400笔记本电脑，内存3G，CPU为Intel CoreDuo T6570，WIN 7操作系统。使用1394连接线将双目立体相机2与1394图像采集卡4相连，1394图像采集卡4通过7合1读卡器接口安装在计算机5上。
番茄植株边缘排序算法的具体实现如下：
使用照明系统3对夜间室外番茄植株1进行照明；双目立体相机2中的彩色CCD接收到番茄植株1的一对光学图像对后，将其转换为一对电子图像对输出；双目立体相机2输出的这对电子图像对输入到1394图像采集卡4；1394图像采集卡4将模拟图像信号转换为数字图像信号后输入到计算机5中；计算机5中的番茄植株边缘排序软件6实现番茄植株边缘排序。
如图2所示，番茄植株边缘排序软件6中的番茄植株边缘排序算法的具体实现如下：
①图像分割：对番茄植株彩色图像C进行图像分割，获得番茄植株二值图像B；采用基于绿红色差特征量的阈值图像分割算法，如式(1)所示：
式中：B(x,y)—二值图像B中坐标为(x,y)像素的像素值；Tb—图像分割阈值，设为0.37；cn—归一化绿红色差特征量，如式(2)所示：
式中：min-表示求最小值；max-表示求最大值；cc—绿红色差特征量，如式(3)所示：
式中：RGB—彩色图像的三个颜色分量；
②连续边缘提取：在图像分割后的二值图像B中，进行番茄植株连续边缘提取，获得边缘图像E，如式(4)所示：
式中：Eo(x,y)—边缘图像Eo中坐标为(x,y)像素的像素值；Eo(x+1,y)—边缘图像Eo中坐标为(x+1,y)像素的像素值；Eo(x,y+1)—边缘图像Eo中坐标为(x,y+1)像素的像素值；B(x+1,y)—二值图像B中坐标为(x+1,y)像素的像素值；B(x,y+1)—二值图像B中坐标为(x,y+1)像素的像素值；
③边缘去噪：去除Eo中长度小于阈值Tl(设为10)的短边缘，获得边缘图像Es；如图4为图3番茄植株二值图像中提取的去噪后的番茄植株边缘；
④边缘排序：对边缘图像Es中各边缘的边缘点按其在图像坐标系中的位置先后关系分别进行排序，包含如下步骤：
步骤4.1：存储已排序边缘的变量、数组定义和初始化；定义已排序边缘数变量EN，初始化为0；定义存储已排序边缘点数的一维数组EPN，并将其所有元素均初始化为0；定义存储已排序边缘点图像纵横坐标y、x的二维数组EPY、EPX，第一维表示该边缘点所在边缘序号，第二维表示该边缘点在所在已排序边缘所有边缘点中的序号；定义标识边缘点是否为已排序边缘点的二维数组EdgPoF，第一维表示边缘点在图像坐标系中的纵坐标，第二维表示边缘点在图像坐标系中的横坐标，将其所有元素均初始化为0；进入步骤4.2；
步骤4.2：进行同一起点边缘簇中边缘的排序；存储同一起点边缘簇所需变量和数组的定义和初始化；定义同一起点边缘簇中边缘数变量EdgeNo，初始化为0；定义存储边缘点数的一维数组EdgPoNo，并将其所有元素均初始化为0；定义存储边缘点图像纵横坐标y、x的二维数组EdgPoY、EdgPoX，第一维表示该边缘点所在边缘的序号，第二维表示该边缘点在所在边缘所有边缘点中的序号；进入步骤4.3；
步骤4.3：从上往下，从左往右逐点扫描边缘图像ES，判断当前像素(i,j)是否为未排序边缘点，即判断ES(i,j)及EdgPoF(i,j)的值；若是，即ES(i,j)值为1、EdgPoF(i,j)值为0，则新建一条以该边缘点(i,j)为起点的边缘，即将边缘数EdgeNo置为1，将第EdgeNo号边缘的边缘点数EdgPoNo(EdgeNo)置为1，保存第EdgeNo号边缘中第1个边缘点的图像纵横坐标，即EdgPoY(EdgeNo,1)＝i，EdgPoX(EdgeNo,1)＝j；将该边缘点(i,j)标识为已排序边缘点，即设置EdgPoF(i,j)＝1；使用变量StartY、StartX分别保存该起点的图像纵横坐标，即设置StartY＝i，StartX＝j；将该边缘作为当前边缘EdgeNo；将该边缘点(i,j)作为当前边缘点(r,c)，即r＝i，c＝j，进入步骤4.4；否则，跳转至步骤4.9；
步骤4.4：存储分叉点及相应公共边缘的变量和数组的定义及初始化；定义分叉点数变量CroPoNo，并初始化为0；定义存储分叉点图像纵横坐标的一维数组CroPoY及CroPoX；定义存储第CroPoNo个分叉点对应的公共边缘CroPoNo的边缘点图像纵横坐标的二维数组ShaEdgPoY、ShaEdgPoX，其中第一维表示公共边缘序号，第二维表示边缘点序号；进入步骤4.5；
步骤4.5：分叉点及公共边缘的识别：基于当前边缘点8邻域内边缘点个数及其位置关系实现当前边缘点是否为分叉点的识别；若当前边缘点8邻域内边缘点个数为两个且这两个边缘点为非相邻边缘点或边缘点个数大于2个(其中的两个边缘点间距一定大于1)，则当前边缘点为交叉点(如图4中椭圆标记内的边缘如图5所示，其中的边缘点1、2、3、4为已排序边缘点，边缘点4的8邻域内的2个边缘点间距大于1，所以边缘点4为分叉点)，当前边缘点及其前已排序边缘为公共边缘(如图5中的边缘点1、2、3、4组成的边缘即为公共边缘)，使用CroPoNo保存分叉点数即公共边缘数，使用CroPoY及CroPoX数组分别保存分叉点图像纵横坐标，并将当前边缘点及其前已排序边缘作为该分叉点对应的公共边缘，使用数组ShaEdgPoY、ShaEdgPoX按序保存该公共边缘的边缘点图像纵横坐标；
步骤4.6：判断当前边缘点(r,c)的8邻域内是否存在未排序边缘点(p,q)，即判断是否存在ES(p,q)为1且EdgPoF(p,q)同时为0的像素；若是，当前边缘EdgeNo的边缘点数EdgPoNo(EdgeNo)自增1，将该边缘点(p,q)按序存入当前边缘EdgeNo，即EdgPoY(EdgeNo,EdgPoNo(EdgeNo))＝p，EdgPoX(EdgeNo,EdgPoNo(EdgeNo))＝q，将该边缘点(p,q)标识为已排序边缘点，即设置EdgPoF(p,q)＝1，并以该边缘点(p,q)为当前边缘点，即r＝p，c＝q，跳转至步骤4.5；否则，进入步骤4.7，如图5中的边缘点5，其邻域内无未排序边缘；
步骤4.7：判断分叉点数CroPoNo是否大于0；若是，新建一边缘，即边缘数EdgeNo自增1，且将序号为CroPoNo的公共边缘的边缘点按序存入该新建边缘，作为该新建边缘中的边缘点，即将ShaEdgPoY(CroPoNo,t)、ShaEdgPoX(CroPoNo,t)按t从1至ShaEdgPoNo(CroPoNo)的顺序分别存入EdgPoY(EdgeNo,t)、EdgPoX(EdgeNo,t)，当前边缘EdgeNo的边缘点数为该公共边缘的边缘点数，即EdgPoNo(EdgeNo)＝ShaEdgPoNo(CroPoNo)，同时以该新建边缘为当前边缘EdgeNo，以该分叉点为当前边缘点，即r＝CroPoY(CroPoNo)，c＝CroPoX(CroPoNo)，公共边缘数CroPoNo减1，跳转至步骤4.5，如图5中的边缘点4为交叉点，边缘点1、2、3、4组成的边缘为公共边缘，将边缘点4作为当前点，而将边缘点1、2、3、4组成的边缘作为当前边缘；否则，转入步骤4.8；
步骤4.8：同一起点边缘簇中最长边缘和其他边缘的提取：求同一起点边缘簇中的最长边缘，并按序保存其边缘点图像纵横坐标；遍历同一起点边缘簇中除最长边缘外的其他边缘，剔除其中在最长边缘上的公共边缘点；对剔除最长边缘上的公共边缘点后剩余的边缘重复步骤4.8，直至剔除最长边缘上的公共边缘点后剩余的边缘数为0为止，去除长度小于阈值Tl(设为10)的短边缘，跳转到步骤4.2；如图5中所示，边缘点1、2、3、4、5组成的边缘长度小于边缘点1、2、3、4、6、7、8组成的边缘，因此，边缘点1、2、3、4、6、7、8组成的边缘为最长边缘，边缘点1、2、3、4、5组成的边缘去掉其中的属于最长边缘的边缘点1、2、3、4，剩余的边缘仅包含边缘点5，边缘长度为1，由于边缘长度小于阈值Tl，该边缘被去除，如图6椭圆标记内的边缘所示；
步骤4.9：结束边缘排序过程；获得边缘图像E4，图6为图4经边缘排序后的结果，椭圆标记及正方形标记内的噪声点均已被去除。
2.所述的步骤4.5中分叉点及公共边缘的识别方法，包括如下步骤：
步骤2.1：统计当前边缘点(r,c)8邻域内的未排序边缘点数UnFPoNo，即遍历当前边缘点(r,c)8邻域内像素(m,n)，统计ES(m,n)为1且EdgPoF(m,n)为0的像素数，存入UnFPoNo；定义标识当前边缘点(r,c)是否为分叉点的变量CroPoF并初始化为0；
步骤2.2：判断当前边缘点(r,c)是否为分叉点；判断UnFPoNo是否等于2，若是，计算边缘点(r,c)8邻域内的这两个未排序边缘点的间距dist，判断dist是否大于1，若是，标识当前边缘点(r,c)是分叉点，即设置标识变量CroPoF为1；若UnFPoNo大于2，则当前边缘点(r,c)同样是分叉点，即设置标识变量CroPoF为1；
步骤2.3：若当前边缘点(r,c)是分叉点，则保存该分叉点图像纵横坐标，并将起点(StartY,StartX)到该分叉点(r,c)的边缘作为相应的公共边缘加以保存，即判断CroPoF是否为1，若是，分叉点数CroPoNo自增1，保存该分叉点的图像纵横坐标，即CroPoY(CroPoNo)＝r，CroPoX(CroPoNo)＝c，新增一条公共边缘，即将EdgPoY(EdgeNo,t)、EdgPoX(EdgeNo,t)按t从1至EdgPoNo(EdgeNo)的顺序分别存入ShaEdgPoY(CroPoNo,t)、ShaEdgPoX(CroPoNo,t)，并用ShaEdgPoNo数组保存该公共边缘的边缘点数，即ShaEdgPoNo(CroPoNo)＝EdgPoNo(EdgeNo)。
3.所述的步骤4.8中同一起点边缘簇中最长边缘和其他边缘的提取方法，包括如下步骤：
步骤3.1：判断同一起点(StartY,StartX)的边缘数量EdgeNo是否大于0；若是，确定同一起点(StartY,StartX)的所有边缘中边缘点数最多的边缘作为最长边缘MLE，并保存MLE的边缘点图像纵横坐标及边缘点数，即已排序边缘数变量EN自增1，将MLE边缘所有边缘点图像纵横坐标EdgPoY(MLE,t)、EdgPoX(MLE,t)分别按t从1至EdgPoNo(MLE)的顺序存入EPY(EN,t)、EPX(EN,t)数组中，将最长边缘边缘点数EdgPoNo(MLE)存入EPN(EN)中，转入步骤3.2；否则，结束本算法；
步骤3.2：将同一起点(StartY,StartX)的所有边缘中，除最长边缘MLE外，其他所有边缘进行逐点扫描，去除其中属于最长边缘的边缘点，即逐点判断第tE号边缘(tE为1到EdgeNo中的一个整数且不等于MLE)中的各边缘点，若第t个(t为1到EdgPoNo(tE)中的一个整数)边缘点的图像纵或横坐标EdgPoY(tE,t)、EdgPoX(tE,t)与EdgPoY(MLE,t)、EdgPoX(MLE,t)不全相等，则去除tE边缘中第1到第t-1号的边缘点，只保留第t到第EdgPoNo(tE)号边缘点，且tE边缘的边缘点数EdgPoNo(tE)修改为EdgPoNo(tE)-t+1个；同一起点的边缘数EdgeNo自减1，从同一起点(StartY,StartX)的所有边缘中去除MLE边缘，即将EdgPoNo(MLE)清零；跳转至步骤3.1。
经测试，应用本发明，基于Matlab R2017a编程环境，获得图6的边缘排序结果，算法运行总时间为0.3531秒。另外，图6椭圆标记内边缘，若使用基于4或8邻域的排序算法，则在交叉点处(如图5中的边缘点4)会分为2段边缘，如图5中，会分为由边缘点1、2、3、4、5组成的边缘和由边缘点6、7、8组成的边缘；若边缘点1、2、3、4、5组成的边缘长度小于阈值Tl，该边缘将作为短边缘被去除，从而造成有效番茄茎秆边缘信息的丢失；即使边缘点1、2、3、4、5组成的边缘长度大于阈值Tl，也会因为该边缘是孤立边缘，周围无对应的右茎秆边缘导致该段边缘信息丢失，从而影响后续番茄茎秆边缘识别的正确性；若叶子边缘因排序导致断开成几段，则会因与茎秆边缘形状相似导致发生叶子或茎秆边缘的识别错误，完整的叶子边缘则会因为与茎秆边缘存在形状差异从而可实现叶子和茎秆边缘的识别；而应用本发明，该边缘没有断开，而是连续排序，如图5中由边缘点1、2、3、4、6、7、8组成的边缘，确保了该番茄植株茎秆边缘的完整性。最后，应用本发明，实现了图4中的边缘去噪，图4中边缘上的噪声点被去除，如图4矩形标记内的边缘点噪声、椭圆标记内的边缘点噪声(即图5中的边缘点5)经排序后被去除，如图6矩形和椭圆标记内的边缘所示。边缘去噪后，可提高基于边缘分析的叶子和茎秆边缘识别的正确性。

Claims (3)

1.一种番茄植株边缘排序算法，其特征在于，包括如下步骤：
①图像分割：对番茄植株彩色图像C进行图像分割，获得番茄植株二值图像B；采用基于绿红色差特征量的阈值图像分割算法，如式(1)所示：
式中：B(x,y)—二值图像B中坐标为(x,y)像素的像素值；Tb—图像分割阈值；cn—归一化绿红色差特征量，如式(2)所示：
式中：min-表示求最小值；max-表示求最大值；cc—绿红色差特征量，如式(3)所示：
式中：RGB—彩色图像的三个颜色分量；
②连续边缘提取：在图像分割后的二值图像B中，进行番茄植株连续边缘提取，获得边缘图像E，如式(4)所示：
式中：Eo(x,y)—边缘图像Eo中坐标为(x,y)像素的像素值；Eo(x+1,y)—边缘图像Eo中坐标为(x+1,y)像素的像素值；Eo(x,y+1)—边缘图像Eo中坐标为(x,y+1)像素的像素值；B(x+1,y)—二值图像B中坐标为(x+1,y)像素的像素值；B(x,y+1)—二值图像B中坐标为(x,y+1)像素的像素值；
③边缘去噪：去除Eo中长度小于阈值Tl的短边缘，获得边缘图像Es；
④边缘排序：对边缘图像Es中各边缘的边缘点按其在图像坐标系中的位置先后关系分别进行排序，包含如下步骤：
步骤4.1：存储已排序边缘的变量、数组定义和初始化；定义已排序边缘数变量EN，初始化为0；定义存储已排序边缘点数的一维数组EPN，并将其所有元素均初始化为0；定义存储已排序边缘点图像纵横坐标y、x的二维数组EPY、EPX，第一维表示该边缘点所在边缘序号，第二维表示该边缘点在所在已排序边缘所有边缘点中的序号；定义标识边缘点是否为已排序边缘点的二维数组EdgPoF，第一维表示边缘点在图像坐标系中的纵坐标，第二维表示边缘点在图像坐标系中的横坐标，将其所有元素均初始化为0；进入步骤4.2；
步骤4.2：进行同一起点边缘簇中边缘的排序；存储同一起点边缘簇所需变量和数组的定义和初始化；定义同一起点边缘簇中边缘数变量EdgeNo，初始化为0；定义存储边缘点数的一维数组EdgPoNo，并将其所有元素均初始化为0；定义存储边缘点图像纵横坐标y、x的二维数组EdgPoY、EdgPoX，第一维表示该边缘点所在边缘的序号，第二维表示该边缘点在所在边缘所有边缘点中的序号；进入步骤4.3；
步骤4.3：从上往下，从左往右逐点扫描边缘图像ES，判断当前像素(i,j)是否为未排序边缘点，即判断ES(i,j)及EdgPoF(i,j)的值；若是，即ES(i,j)值为1、EdgPoF(i,j)值为0，则新建一条以该边缘点(i,j)为起点的边缘，即将边缘数EdgeNo置为1，将第EdgeNo号边缘的边缘点数EdgPoNo(EdgeNo)置为1，保存第EdgeNo号边缘中第1个边缘点的图像纵横坐标，即EdgPoY(EdgeNo,1)＝i，EdgPoX(EdgeNo,1)＝j；将该边缘点(i,j)标识为已排序边缘点，即设置EdgPoF(i,j)＝1；使用变量StartY、StartX分别保存该起点的图像纵横坐标，即设置StartY＝i，StartX＝j；将该边缘作为当前边缘EdgeNo；将该边缘点(i,j)作为当前边缘点(r,c)，即r＝i，c＝j，进入步骤4.4；否则，跳转至步骤4.9；
步骤4.4：存储分叉点及相应公共边缘的变量和数组的定义及初始化；定义分叉点数变量CroPoNo，并初始化为0；定义存储分叉点图像纵横坐标的一维数组CroPoY及CroPoX；定义存储第CroPoNo个分叉点对应的公共边缘CroPoNo的边缘点图像纵横坐标的二维数组ShaEdgPoY、ShaEdgPoX，其中第一维表示公共边缘序号，第二维表示边缘点序号；进入步骤4.5；
步骤4.5：分叉点及公共边缘的识别：基于当前边缘点8邻域内边缘点个数及其位置关系实现当前边缘点是否为分叉点的识别；若当前边缘点8邻域内边缘点个数为两个且这两个边缘点为非相邻边缘点或边缘点个数大于2个，则当前边缘点为交叉点，当前边缘点及其前已排序边缘为公共边缘，使用CroPoNo保存分叉点数即公共边缘数，使用CroPoY及CroPoX数组分别保存分叉点图像纵横坐标，并将当前边缘点及其前已排序边缘作为该分叉点对应的公共边缘，使用数组ShaEdgPoY、ShaEdgPoX按序保存该公共边缘的边缘点图像纵横坐标；
步骤4.6：判断当前边缘点(r,c)的8邻域内是否存在未排序边缘点(p,q)，即判断是否存在ES(p,q)为1且EdgPoF(p,q)同时为0的像素；若是，当前边缘EdgeNo的边缘点数EdgPoNo(EdgeNo)自增1，将该边缘点(p,q)按序存入当前边缘EdgeNo，即EdgPoY(EdgeNo,EdgPoNo(EdgeNo))＝p，EdgPoX(EdgeNo,EdgPoNo(EdgeNo))＝q，将该边缘点(p,q)标识为已排序边缘点，即设置EdgPoF(p,q)＝1，并以该边缘点(p,q)为当前边缘点，即r＝p，c＝q，跳转至步骤4.5；否则，进入步骤4.7；
步骤4.7：判断分叉点数CroPoNo是否大于0；若是，新建一边缘，即边缘数EdgeNo自增1，且将序号为CroPoNo的公共边缘的边缘点按序存入该新建边缘，作为该新建边缘中的边缘点，即将ShaEdgPoY(CroPoNo,t)、ShaEdgPoX(CroPoNo,t)按t从1至ShaEdgPoNo(CroPoNo)的顺序分别存入EdgPoY(EdgeNo,t)、EdgPoX(EdgeNo,t)，当前边缘EdgeNo的边缘点数为该公共边缘的边缘点数，即EdgPoNo(EdgeNo)＝ShaEdgPoNo(CroPoNo)，同时以该新建边缘为当前边缘EdgeNo，以该分叉点为当前边缘点，即r＝CroPoY(CroPoNo)，c＝CroPoX(CroPoNo)，公共边缘数CroPoNo减1，跳转至步骤4.5；否则，转入步骤4.8；
步骤4.8：同一起点边缘簇中最长边缘和其他边缘的提取：求同一起点边缘簇中的最长边缘，并按序保存其边缘点图像纵横坐标；遍历同一起点边缘簇中除最长边缘外的其他边缘，剔除其中在最长边缘上的公共边缘点；对剔除最长边缘上的公共边缘点后剩余的边缘重复步骤4.8，直至剔除最长边缘上的公共边缘点后剩余的边缘数为0为止，去除长度小于阈值Tl的短边缘，跳转到步骤4.2；
步骤4.9：结束边缘排序过程；获得边缘图像E4。
2.如权利要求1所述的一种番茄植株边缘排序算法，其特征在于，所述的步骤4.5中分叉点及公共边缘的识别方法，包括如下步骤：
步骤2.1：统计当前边缘点(r,c)8邻域内的未排序边缘点数UnFPoNo，即遍历当前边缘点(r,c)8邻域内像素(m,n)，统计ES(m,n)为1且EdgPoF(m,n)为0的像素数，存入UnFPoNo；定义标识当前边缘点(r,c)是否为分叉点的变量CroPoF并初始化为0；
步骤2.2：判断当前边缘点(r,c)是否为分叉点；判断UnFPoNo是否等于2，若是，计算边缘点(r,c)8邻域内的这两个未排序边缘点的间距dist，判断dist是否大于1，若是，标识当前边缘点(r,c)是分叉点，即设置标识变量CroPoF为1；若UnFPoNo大于2，则当前边缘点(r,c)同样是分叉点，即设置标识变量CroPoF为1；
步骤2.3：若当前边缘点(r,c)是分叉点，则保存该分叉点图像纵横坐标，并将起点(StartY,StartX)到该分叉点(r,c)的边缘作为相应的公共边缘加以保存，即判断CroPoF是否为1，若是，分叉点数CroPoNo自增1，保存该分叉点的图像纵横坐标，即CroPoY(CroPoNo)＝r，CroPoX(CroPoNo)＝c，新增一条公共边缘，即将EdgPoY(EdgeNo,t)、EdgPoX(EdgeNo,t)按t从1至EdgPoNo(EdgeNo)的顺序分别存入ShaEdgPoY(CroPoNo,t)、ShaEdgPoX(CroPoNo,t)，并用ShaEdgPoNo数组保存该公共边缘的边缘点数，即ShaEdgPoNo(CroPoNo)＝EdgPoNo(EdgeNo)。
3.如权利要求1所述的一种番茄植株边缘排序算法，其特征在于，所述的步骤4.8中同一起点边缘簇中最长边缘和其他边缘的提取方法，包括如下步骤：
步骤3.1：判断同一起点(StartY,StartX)的边缘数量EdgeNo是否大于0；若是，确定同一起点(StartY,StartX)的所有边缘中边缘点数最多的边缘作为最长边缘MLE，并保存MLE的边缘点图像纵横坐标及边缘点数，即已排序边缘数变量EN自增1，将MLE边缘所有边缘点图像纵横坐标EdgPoY(MLE,t)、EdgPoX(MLE,t)分别按t从1至EdgPoNo(MLE)的顺序存入EPY(EN,t)、EPX(EN,t)数组中，将最长边缘边缘点数EdgPoNo(MLE)存入EPN(EN)中，转入步骤3.2；否则，结束本算法；
步骤3.2：将同一起点(StartY,StartX)的所有边缘中，除最长边缘MLE外，其他所有边缘进行逐点扫描，去除其中属于最长边缘的边缘点，即逐点判断第tE号边缘(tE为1到EdgeNo中的一个整数且不等于MLE)中的各边缘点，若第t个(t为1到EdgPoNo(tE)中的一个整数)边缘点的图像纵或横坐标EdgPoY(tE,t)、EdgPoX(tE,t)与EdgPoY(MLE,t)、EdgPoX(MLE,t)不全相等，则去除tE边缘中第1到第t-1号的边缘点，只保留第t到第EdgPoNo(tE)号边缘点，且tE边缘的边缘点数EdgPoNo(tE)修改为EdgPoNo(tE)-t+1个；同一起点的边缘数EdgeNo自减1，从同一起点(StartY,StartX)的所有边缘中去除MLE边缘，即将EdgPoNo(MLE)清零；跳转至步骤3.1。
CN201811055751.8A 2018-09-11 2018-09-11 一种番茄植株边缘排序方法 Expired - Fee Related CN109255795B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811055751.8A CN109255795B (zh) 2018-09-11 2018-09-11 一种番茄植株边缘排序方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811055751.8A CN109255795B (zh) 2018-09-11 2018-09-11 一种番茄植株边缘排序方法

Publications (2)

Publication Number Publication Date
CN109255795A true CN109255795A (zh) 2019-01-22
CN109255795B CN109255795B (zh) 2021-04-06

Family

ID=65047345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811055751.8A Expired - Fee Related CN109255795B (zh) 2018-09-11 2018-09-11 一种番茄植株边缘排序方法

Country Status (1)

Country Link
CN (1) CN109255795B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084791A (zh) * 2019-04-18 2019-08-02 天津大学 一种基于图像处理的番茄早疫病与晚疫病自动检测方法
CN112270708A (zh) * 2020-10-26 2021-01-26 中国计量大学 一种基于不同边缘类型交点的蔬果植株侧枝点识别方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040101972A1 (en) * 2002-11-25 2004-05-27 Agdia, Inc. Controls and standards for assays and method for manufacture thereof
CN101303226A (zh) * 2008-06-25 2008-11-12 南昌航空大学 一种基于最大连通域的线路板线宽测量方法
CN102034101A (zh) * 2010-10-22 2011-04-27 广东工业大学 一种pcb视觉检测中快速圆形标志定位方法
KR101305316B1 (ko) * 2011-12-08 2013-09-06 아진산업(주) 개선된 폴리곤 매핑을 이용한 차량 어라운드 뷰 영상 생성 방법
CN103308056A (zh) * 2013-05-23 2013-09-18 中国科学院自动化研究所 一种道路标线检测方法
CN103336946A (zh) * 2013-06-17 2013-10-02 浙江大学 一种基于双目立体视觉的成簇状番茄识别方法
US20140233846A1 (en) * 2013-02-18 2014-08-21 Armorlink Sh Corp. Method for auto-depicting trends in object contours
CN104636722A (zh) * 2015-01-26 2015-05-20 江苏大学 一种采摘机器人的重叠果实快速跟踪识别方法
CN106096219A (zh) * 2016-01-29 2016-11-09 中国计量学院 一种用于果蔬识别算法性能评价的数据质量分析方法
CN107038446A (zh) * 2017-03-23 2017-08-11 中国计量大学 一种主动照明下基于重叠边缘检测的夜间双果重叠番茄识别方法
CN108090910A (zh) * 2018-01-04 2018-05-29 中国计量大学 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040101972A1 (en) * 2002-11-25 2004-05-27 Agdia, Inc. Controls and standards for assays and method for manufacture thereof
CN101303226A (zh) * 2008-06-25 2008-11-12 南昌航空大学 一种基于最大连通域的线路板线宽测量方法
CN102034101A (zh) * 2010-10-22 2011-04-27 广东工业大学 一种pcb视觉检测中快速圆形标志定位方法
KR101305316B1 (ko) * 2011-12-08 2013-09-06 아진산업(주) 개선된 폴리곤 매핑을 이용한 차량 어라운드 뷰 영상 생성 방법
US20140233846A1 (en) * 2013-02-18 2014-08-21 Armorlink Sh Corp. Method for auto-depicting trends in object contours
CN103308056A (zh) * 2013-05-23 2013-09-18 中国科学院自动化研究所 一种道路标线检测方法
CN103336946A (zh) * 2013-06-17 2013-10-02 浙江大学 一种基于双目立体视觉的成簇状番茄识别方法
CN104636722A (zh) * 2015-01-26 2015-05-20 江苏大学 一种采摘机器人的重叠果实快速跟踪识别方法
CN106096219A (zh) * 2016-01-29 2016-11-09 中国计量学院 一种用于果蔬识别算法性能评价的数据质量分析方法
CN107038446A (zh) * 2017-03-23 2017-08-11 中国计量大学 一种主动照明下基于重叠边缘检测的夜间双果重叠番茄识别方法
CN108090910A (zh) * 2018-01-04 2018-05-29 中国计量大学 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIANG RONG ET AL: ""Recognition of clustered tomatoes based on binocular stereo vision"", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 *
王丹丹等: ""苹果采摘机器人视觉系统研究进展"", 《农业工程学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084791A (zh) * 2019-04-18 2019-08-02 天津大学 一种基于图像处理的番茄早疫病与晚疫病自动检测方法
CN110084791B (zh) * 2019-04-18 2021-01-26 天津大学 一种基于图像处理的番茄早疫病与晚疫病自动检测方法
CN112270708A (zh) * 2020-10-26 2021-01-26 中国计量大学 一种基于不同边缘类型交点的蔬果植株侧枝点识别方法
CN112270708B (zh) * 2020-10-26 2024-02-02 中国计量大学 一种基于不同边缘类型交点的蔬果植株侧枝点识别方法

Also Published As

Publication number Publication date
CN109255795B (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN103927741B (zh) 增强目标特征的sar图像合成方法
Saitoh et al. Automatic recognition of wild flowers
CN103870808B (zh) 一种手指静脉识别方法
CN108960011B (zh) 部分遮挡的柑橘果实图像识别方法
CN103177445B (zh) 基于分段阈值图像分割及光斑识别的室外番茄识别方法
CN103323455A (zh) 基于反射、透视和显微图像的烟叶分级方法
CN105513066B (zh) 一种基于种子点选取与超像素融合的通用物体检测方法
JP2002203242A (ja) 植物認識システム
CN106709412B (zh) 交通标志检测方法和装置
CN112528947B (zh) 一种通过增加方向维度的假菌丝检测方法、设备及存储介质
CN110032946A (zh) 一种基于机器视觉的铝/铝泡罩包装药片识别与定位方法
CN103793709A (zh) 细胞识别方法和装置、以及尿液分析仪
CN108090485A (zh) 基于多视角融合的图像前景自动提取方法
CN105868717A (zh) 一种基于分类的高分辨率遥感图像单木树冠信息提取方法
CN109255795A (zh) 一种番茄植株边缘排序算法
CN111401364B (zh) 一种基于颜色特征和模板匹配相结合的车牌定位算法
CN110991463B (zh) 一种超像素图引导下的多尺度引导滤波特征提取方法
CN114708208A (zh) 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法
CN116416613A (zh) 一种基于改进YOLO v7的柑橘果实识别方法及系统
CN103778428B (zh) 基于块标记的病害感兴趣区域提取方法及系统
CN108596262A (zh) 一种基于计算机视觉进行植物病斑分类的方法及系统
CN108090910A (zh) 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法
CN109697450B (zh) 细胞分类方法
CN109522901A (zh) 一种基于边缘对偶关系的番茄植株茎秆边缘识别方法
CN115690778A (zh) 基于深度神经网络的成熟期水果的检测与跟踪计数的方法

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
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: 20210406

Termination date: 20210911