CN109359653A - 一种棉花叶部粘连病斑图像分割方法和系统 - Google Patents
一种棉花叶部粘连病斑图像分割方法和系统 Download PDFInfo
- Publication number
- CN109359653A CN109359653A CN201811061115.6A CN201811061115A CN109359653A CN 109359653 A CN109359653 A CN 109359653A CN 201811061115 A CN201811061115 A CN 201811061115A CN 109359653 A CN109359653 A CN 109359653A
- Authority
- CN
- China
- Prior art keywords
- scab
- cotton
- image
- segmentation
- square circle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明实施例提供一种棉花叶部粘连病斑图像分割方法和系统,该方法包括:S1、获取棉花病斑区域图像中连通分量的最小二乘圆误差值;S2、基于最小二乘圆误差值调整H‑minima方法的h阈值,并将棉花病斑区域图像经H‑minima方法变换后与h阈值比较,直至极小值点数量发生变化,则进行距离变换和分水岭分割;S3、判断分水岭分割前最小二乘圆误差值是否大于分水岭分割后最小二乘圆误差值;若否,则分割结束,得到病斑分割区域;S4、标记病斑分割区域,并将病斑分割区域与棉花病斑原图进行逻辑运算,得到粘连病斑图像分割结果。可实现棉花病斑区域的提取以及粘连病斑的自动分割,对棉花病害的诊断具有重要意义。
Description
技术领域
本发明涉及农业技术领域,更具体地,涉及一种棉花叶部粘连病斑图像分割方法和系统。
背景技术
粘连或重叠病斑的准确分割,是病斑后续处理的特征提取及病害分类判别性能高低的关键。在棉花的生长过程中,随着病菌侵染和病斑扩张的不同,棉花叶部表面常常出现病斑聚堆、重叠、粘连的现象,即多个病斑聚集一起,形成较大的病斑区域,称为病斑重叠或粘连。病斑有时是同一种类病斑粘连重叠,有时会发生不同种类病斑粘连,粘连的病斑聚集一起会使得获取的病斑图像在特征提取时的形状特征、颜色特征和纹理特征出现差异,对后续的处理造成较大的影响,降低病害识别的准确性。
关于粘连重叠病斑或害虫分割问题,已有学者进行了研究,以准确分割粘连病斑,并使得分割后病斑尽可能保留边缘信息。对于作物叶片粘连重叠病斑分割方法,分水岭算法的优点是边界连续,在种子点选取较好的情况下,分割结果稳定,但由于受噪声和局部的不规则的影响,传统分水岭算法获取的局部极值过多造成过分割情况,造成大量虚假轮廓的出现,使得真正病斑边缘信息消失在过分割产生的复杂边缘和虚假轮廓信息里,尤其是对于多个病斑粘连情况该方法分割效果欠佳。如何改进传统分水岭算法,提高其分割效果,减少过分割现象发生成为了粘连病斑图像分割的关键。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的一种棉花叶部粘连病斑图像分割方法和系统。
根据本发明的一个方面,提供一种棉花叶部粘连病斑图像分割方法,包括:
S1、获取棉花病斑区域图像中连通分量的最小二乘圆误差值;
S2、基于所述最小二乘圆误差值调整H-minima方法的h阈值,并将棉花病斑区域图像经H-minima方法变换后与所述h阈值比较,直至极小值点数量发生变化,则进行距离变换和分水岭分割;
S3、判断分水岭分割前最小二乘圆误差值是否大于分水岭分割后最小二乘圆误差值;若是则返回步骤S1;若否,则分割结束,得到病斑分割区域;
S4、标记病斑分割区域,并将所述病斑分割区域与棉花病斑原图进行逻辑运算,得到粘连病斑图像分割结果。
根据本发明的二个方面,提供一种棉花叶部粘连病斑图像分割系统,包括:
最小二乘圆误差值提取模块,用于获取棉花病斑区域图像中连通分量的最小二乘圆误差值;
分水岭分割模块,用于基于所述最小二乘圆误差值调整H-minima方法的h阈值,并将棉花病斑区域图像经H-minima方法变换后与所述h阈值比较,直至极小值点数量发生变化,则进行距离变换和分水岭分割;并判断分水岭分割前最小二乘圆误差值是否大于分水岭分割后最小二乘圆误差值,若是,则重新通过最小二乘圆误差值提取模块获取最小二乘圆误差值,若否,则分割结束,得到病斑分割区域;
粘连病斑分割模块,用于标记病斑分割区域,并将所述病斑分割区域与棉花病斑原图进行逻辑运算,得到粘连病斑图像分割结果。
根据本发明的三个方面,提供一种棉花叶部粘连病斑图像分割设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如上述棉花叶部粘连病斑图像分割方法。
根据本发明的四个方面,提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如上述棉花叶部粘连病斑图像分割方法。
本发明提出一种棉花叶部粘连病斑图像分割方法和系统,在H-minima分水岭分割方法基础上,结合最小二乘圆法误差理论,根据病斑尺寸大小和轮廓不规则度,计算出最小二乘圆度误差,自适应确定H-minima变换的极小值h阈值,根据不同极小值h阈值实现棉花叶部粘连病斑的分水岭分割;可实现棉花病斑区域的提取以及粘连病斑的自动分割,对棉花病害的诊断具有重要意义。
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,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为根据本发明实施例的示意图;
图2为根据本发明实施例的棉花叶部粘连病斑图像分割方法具体流程示意图;
图3为根据本发明实施例的病斑区域提取流程示意图;
图4为根据本发明实施例的读取棉花病斑图像示意图;
图5为根据本发明实施例的提取棉花病斑区域图像示意图;
图6为根据本发明实施例的H-minima变换图像示意图;
图7为根据本发明实施例的连通分量最小二乘圆图像示意图;
图8为根据本发明实施例的距离变换图像示意图;
图9为根据本发明实施例的分水岭分割图像示意图;
图10为根据本发明实施例的病斑分割区域标记图像示意图;
图11为根据本发明实施例的棉花粘连病斑分割结果图像示意图;
图12为根据本发明实施例的棉花叶部粘连病斑图像分割设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
利用计算机视觉技术进行作物病害识别诊断,病斑形状是识别诊断病害的重要特征。提取病斑的形状特征参数,首先将单个病斑从图像中分离出来,再利用几何学方法定量描述其形状。由于病菌侵染情况的不同和随着病斑的生长、扩展,在实际采集到的病害图像中,经常会遇到病斑聚堆或粘连在一起的现象,即多个病斑(病斑簇)聚集在一起,形成较大的区域,称为病斑重叠或粘连。如果不把重叠粘连的病斑分离开,将影响后续的病斑形状特征提取和病害识别工作。
现有技术中分割方法包括区域生长、边缘检测、配对边界凹点检测、等效椭圆匹配、形态学极限腐蚀和条件膨胀相结合等方法。这些方法要求图像目标具有某些特定性质,在实际处理中存在一定的局限性。由于病斑的重叠粘连情况较为复杂,运用这些方法分离重叠病斑往往不能取得理想的效果。
传统分水岭算法在进行图像分割时,对微弱边缘响应良好,克服了其他分割算法丢失微弱边缘信息的缺点,能较好地定位图像目标的位置和检测目标的微弱边缘信息;但由于图像中细小噪声和量化误差的影响,会在平坦区域内部产生许多局部的“谷底”和“山峰”。经分水岭变换后形成小的区域,容易导致“过分割”的现象。
基于现有技术中的上述缺陷,本发明实施例中提出了一种棉花叶部粘连病斑图像分割方法,如图1和图2所示,包括:
S1、获取棉花病斑区域图像中连通分量的最小二乘圆误差值;
S2、基于所述最小二乘圆误差值调整H-minima方法的h阈值,并将棉花病斑区域图像经H-minima方法变换后与所述h阈值比较,直至极小值点数量发生变化,则进行距离变换和分水岭分割;
S3、判断分水岭分割前最小二乘圆误差值是否大于分水岭分割后最小二乘圆误差值;若是则返回步骤S1;若否,则分割结束,得到病斑分割区域;
S4、标记病斑分割区域,并将所述病斑分割区域与棉花病斑原图进行逻辑运算,得到粘连病斑图像分割结果。
在本实施例中,在H-minima分水岭分割方法基础上,结合最小二乘圆法误差理论,根据病斑尺寸大小和轮廓不规则度,计算出最小二乘圆度误差,自适应确定H-minima变换的极小值h阈值,根据不同极小值h阈值实现棉花叶部粘连病斑的分水岭分割,可实现棉花病斑区域的提取以及粘连病斑的自动分割,对棉花病害的诊断具有重要意义。
具体的,在本实施例中,1≤h≤25。
在上述实施例的基础上,所述步骤S1中,获取棉花病斑图像中连通分量的最小二乘圆误差值前,还包括:
读取棉花病斑图像,对所述棉花病斑图像进行高斯滤波处理后进行超绿颜色分量转换,并通过大津阈值分割法进行二值分割;
提取棉花病斑区域,得到棉花病斑区域图像。
在本实施例中,如图3所示,通过读取棉花病斑图像,如图4所示,并提取棉花病斑图像中的变化病斑区域,得到棉花病斑区域图像,首先进行高斯滤波处理,去除图像中微小孤立点和平滑病斑的边缘,然后进行超绿颜色分量转换、大津阈值分割法OTSU二值分割,以消除图像中的细小结构和噪声并平滑图像对象边缘,以及分割后的洞孔填充和形态学开运算,实现病斑区域的准确提取,如图5所示,得到棉花病斑区域图像,满足后续的粘连病斑分割需要。
在上述各实施例的基础上,所述步骤S1中,获取棉花病斑区域图像中连通分量的最小二乘圆误差值,具体包括:
提取所述棉花病斑区域图像中每个连通分量的病斑轮廓曲线,并通过最小二乘圆误差法,计算每个连通分量的病斑轮廓曲线的最小二乘圆误差值;求取所述最小二乘圆误差值的平均值,得到棉花病斑区域图像中连通分量的最小二乘圆误差值。
在本实施例中,最小二乘圆误差值计算方法,是用多个等分点组成的平面曲线来代替连续的病斑轮廓曲线,使从病斑轮廓曲线上各点到该圆的距离的平方和为最小,以内圆与外圆半径差计算圆度误差;
RE=Rmax-Rmin (2)
式(1)、(2)中,R为最小二乘圆半径;Ri为病斑轮廓曲线各点到最小二乘圆圆心距离;RE为圆度误差;Rmax为病斑轮廓曲线各点到最小二乘圆圆心距离的最大值;Rmin为病斑轮廓曲线各点到最小二乘圆圆心距离的最小值。
在上述各实施例的基础上,计算每个连通分量的轮廓曲线的最小二乘圆误差值,具体包括:
基于最小二乘圆误差法,将多个等分点组成的平面曲线代替连续的病斑轮廓曲线,以使所述病斑轮廓曲线上各点到最小二乘圆的距离的平方和为最小,并根据病斑轮廓曲线上各点到最小二乘圆圆心距离的最大值、最小值计算最小二乘圆度误差;
获取最小二乘圆的圆心,并对所述棉花病斑区域图像中每个连通分量进行最小二乘圆拟合与最小二乘圆圆度误差计算。
根据病斑轮廓曲线得到病斑轮廓,以病斑长轴与垂直短轴交点为中心点,令最小二乘圆的圆心直角坐标为G(a,b),按照极坐标测得的病斑轮廓坐标Pi(ri,θi),则最小二乘圆的圆心点G(a,b)计算公式为:
ri=R'+Δri(i=1,2,...,n) (5)
上式(3)~(5)中,n表示病斑轮廓等分间隔数;i为病斑轮廓检测点序号;R'为基圆的半径,Δr为光学分度测得值;ri为各点到坐标原点距离。图7为根据本发明实施例的连通分量最小二乘圆图像示意图。
在上述各实施例的基础上,H-minima变换是一种通过消除局部极小值有效消除过分割的方法,通过与给定的极小值阈值进行比较,抑制图像的所有极小值小于局部极小值阈值;H-minima变换集合中1个极值点相当于1个病斑的“种子”;在步骤S2中,所述H-minima方法为:
式(6)、(7)中,Hmin(f)为极小值;h为极小值阈值,且h∈N;表示腐蚀重建;f为棉花病斑区域图像;ε代表基本腐蚀运算,B表示结构元素;i=1,2,…,n,当第i次迭代与第i-1次迭代的结果相同时停止,以消除棉花病斑区域图像的局部极小值。腐蚀运算可以使目标区域范围“变小”,其实质造成图像的边界收缩,可以用来消除小且无意义的目标物。
病斑区域提取的图像f在经过H-minima变换后通过与给定的阈值h比较,消除低于阈值h的局部极小值。但其阈值h值的大小直接决定极小值的个数,影响水分岭分割准确性。图6为根据本发明实施例的H-minima变换图像示意图。
在上述各实施例的基础上,在步骤S2中,所述则进行距离变换具体包括:
基于欧氏距离计算方法,求取所述棉花病斑区域图像中每个像素到最近非零值像素的距离,得到距离变换图,如图8所示,近似于等高线图。
在上述各实施例的基础上,所述步骤S2中,进行分水岭分割具体包括:
将所述棉花病斑区域图像中每一个点像素的灰度值表示为该点的海拔高度,获取每一个局部极小值点及其影响区域,获取极小值点及其影响区域的脊边界,将所述脊边界作为用于分割粘连病斑的分水岭。
分水岭算法也称流域法,,它借用地形学知识描述图像,将图像看作是自然地貌中的地形表面,图像的梯度幅值对应于地形高度,不同梯度值的区域对应于山峰和山谷间的盆地。局部极小值及其影响区域称为集水盆地(catchment basin),集水盆地的边界则是分水岭,如图9所示。
在本实施例中,分水岭分割是一种重要的图像粘连分割方法,该方法基于拓扑理论,把图像中每一点像素的灰度值表示该点的海拔高度,每一个局部极小值及其影响区域称为集水盆,而集水盆的脊边界即分水岭,用于分割粘连病斑。
标记病斑分割区域,如图10所示,并将所述病斑分割区域与棉花病斑原图进行逻辑运算,得到粘连病斑图像分割结果,如图11所示。
本实施例,基于上述各实施例的棉花叶部粘连病斑图像分割方法,还提供了一种棉花叶部粘连病斑图像分割系统,包括:
最小二乘圆误差值提取模块,用于获取棉花病斑区域图像中连通分量的最小二乘圆误差值;
分水岭分割模块,用于基于所述最小二乘圆误差值调整H-minima方法的h阈值,并将棉花病斑区域图像经H-minima方法变换后与所述h阈值比较,直至极小值点数量发生变化,则进行距离变换和分水岭分割;并判断分水岭分割前最小二乘圆误差值是否大于分水岭分割后最小二乘圆误差值,若是,则重新通过最小二乘圆误差值提取模块获取最小二乘圆误差值,若否,则分割结束,得到病斑分割区域;
粘连病斑分割模块,用于标记病斑分割区域,并将所述病斑分割区域与棉花病斑原图进行逻辑运算,得到粘连病斑图像分割结果。
图12是示出本发明实施例的棉花叶部粘连病斑图像分割设备的结构框图。
参照图12,所述棉花叶部粘连病斑图像分割设备,包括:处理器(processor)810、存储器(memory)830、通信接口(Communications Interface)820和总线840;
其中,
所述处理器810、存储器830、通信接口820通过所述总线840完成相互间的通信;
所述处理器810用于调用所述存储器830中的程序指令,以执行上述各方法实施例所提供的棉花叶部粘连病斑图像分割方法,例如包括:
S1、获取棉花病斑区域图像中连通分量的最小二乘圆误差值;
S2、基于所述最小二乘圆误差值调整H-minima方法的h阈值,并将棉花病斑区域图像经H-minima方法变换后与所述h阈值比较,直至极小值点数量发生变化,则进行距离变换和分水岭分割;
S3、判断分水岭分割前最小二乘圆误差值是否大于分水岭分割后最小二乘圆误差值;若是则返回步骤S1;若否,则分割结束,得到病斑分割区域;
S4、标记病斑分割区域,并将所述病斑分割区域与棉花病斑原图进行逻辑运算,得到粘连病斑图像分割结果。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行如上述的棉花叶部粘连病斑图像分割方法,例如包括:
S1、获取棉花病斑区域图像中连通分量的最小二乘圆误差值;
S2、基于所述最小二乘圆误差值调整H-minima方法的h阈值,并将棉花病斑区域图像经H-minima方法变换后与所述h阈值比较,直至极小值点数量发生变化,则进行距离变换和分水岭分割;
S3、判断分水岭分割前最小二乘圆误差值是否大于分水岭分割后最小二乘圆误差值;若是则返回步骤S1;若否,则分割结束,得到病斑分割区域;
S4、标记病斑分割区域,并将所述病斑分割区域与棉花病斑原图进行逻辑运算,得到粘连病斑图像分割结果。
本实施例中还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如上述的棉花叶部粘连病斑图像分割方法,例如包括:
S1、获取棉花病斑区域图像中连通分量的最小二乘圆误差值;
S2、基于所述最小二乘圆误差值调整H-minima方法的h阈值,并将棉花病斑区域图像经H-minima方法变换后与所述h阈值比较,直至极小值点数量发生变化,则进行距离变换和分水岭分割;
S3、判断分水岭分割前最小二乘圆误差值是否大于分水岭分割后最小二乘圆误差值;若是则返回步骤S1;若否,则分割结束,得到病斑分割区域;
S4、标记病斑分割区域,并将所述病斑分割区域与棉花病斑原图进行逻辑运算,得到粘连病斑图像分割结果。
综上所述,本发明实施例提出一种棉花叶部粘连病斑图像分割方法和系统,在H-minima分水岭分割方法基础上,结合最小二乘圆法误差理论,根据病斑尺寸大小和轮廓不规则度,计算出最小二乘圆度误差,自适应确定H-minima变换的极小值h阈值,根据不同极小值h阈值实现棉花叶部粘连病斑的分水岭分割;可实现棉花病斑区域的提取以及粘连病斑的自动分割,对棉花病害的诊断具有重要意义。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种棉花叶部粘连病斑图像分割方法,其特征在于,包括:
S1、获取棉花病斑区域图像中连通分量的最小二乘圆误差值;
S2、基于所述最小二乘圆误差值调整H-minima方法的h阈值,并将棉花病斑区域图像经H-minima方法变换后与所述h阈值比较,直至极小值点数量发生变化,则进行距离变换和分水岭分割;
S3、判断分水岭分割前最小二乘圆误差值是否大于分水岭分割后最小二乘圆误差值;若是则返回步骤S1;若否,则分割结束,得到病斑分割区域;
S4、标记病斑分割区域,并将所述病斑分割区域与棉花病斑原图进行逻辑运算,得到粘连病斑图像分割结果。
2.根据权利要求1所述的棉花叶部粘连病斑图像分割方法,其特征在于,所述步骤S1中,获取棉花病斑图像中连通分量的最小二乘圆误差值前,还包括:
读取棉花病斑图像,对所述棉花病斑图像进行高斯滤波处理后进行超绿颜色分量转换,并通过大津阈值分割法进行二值分割;
提取棉花病斑区域,得到棉花病斑区域图像。
3.根据权利要求1所述的棉花叶部粘连病斑图像分割方法,其特征在于,所述步骤S1中,获取棉花病斑区域图像中连通分量的最小二乘圆误差值,具体包括:
提取所述棉花病斑区域图像中每个连通分量的病斑轮廓曲线,并通过最小二乘圆误差法,计算每个连通分量的病斑轮廓曲线的最小二乘圆误差值;求取所述最小二乘圆误差值的平均值,得到棉花病斑区域图像中连通分量的最小二乘圆误差值。
4.根据权利要求3所述的棉花叶部粘连病斑图像分割方法,其特征在于,计算每个连通分量的轮廓曲线的最小二乘圆误差值,具体包括:
基于最小二乘圆误差法,将多个等分点组成的平面曲线代替连续的病斑轮廓曲线,以使所述病斑轮廓曲线上各点到最小二乘圆的距离的平方和为最小,并根据病斑轮廓曲线上各点到最小二乘圆圆心距离的最大值、最小值计算最小二乘圆度误差;
获取最小二乘圆的圆心,并对所述棉花病斑区域图像中每个连通分量进行最小二乘圆拟合与最小二乘圆度误差计算。
5.根据权利要求1所述的棉花叶部粘连病斑图像分割方法,其特征在于,在步骤S2中,所述H-minima方法为:
式中,Hmin(f)为极小值;h为极小值阈值,且h∈N;表示腐蚀重建;f为棉花病斑区域图像;ε代表基本腐蚀运算,B表示结构元素;i=1,2,…,n,当第i次迭代与第i-1次迭代的结果相同时停止,以消除棉花病斑区域图像的局部极小值。
6.根据权利要求1所述的棉花叶部粘连病斑图像分割方法,其特征在于,在步骤S2中,所述则进行距离变换具体包括:
基于欧氏距离计算方法,求取所述棉花病斑区域图像中每个像素到最近非零值像素的距离,得到距离变换图。
7.根据权利要求6所述的棉花叶部粘连病斑图像分割方法,其特征在于,所述步骤S2中,进行分水岭分割具体包括:
将所述棉花病斑区域图像中每一个点像素的灰度值表示为该点的海拔高度,获取每一个局部极小值点及其影响区域,获取极小值点及其影响区域的脊边界,将所述脊边界作为用于分割粘连病斑的分水岭。
8.一种棉花叶部粘连病斑图像分割系统,其特征在于,包括:
最小二乘圆误差值提取模块,用于获取棉花病斑区域图像中连通分量的最小二乘圆误差值;
分水岭分割模块,用于基于所述最小二乘圆误差值调整H-minima方法的h阈值,并将棉花病斑区域图像经H-minima方法变换后与所述h阈值比较,直至极小值点数量发生变化,则进行距离变换和分水岭分割;并判断分水岭分割前最小二乘圆误差值是否大于分水岭分割后最小二乘圆误差值,若是,则重新通过最小二乘圆误差值提取模块获取最小二乘圆误差值,若否,则分割结束,得到病斑分割区域;
粘连病斑分割模块,用于标记病斑分割区域,并将所述病斑分割区域与棉花病斑原图进行逻辑运算,得到粘连病斑图像分割结果。
9.一种棉花叶部粘连病斑图像分割设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811061115.6A CN109359653B (zh) | 2018-09-12 | 2018-09-12 | 一种棉花叶部粘连病斑图像分割方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811061115.6A CN109359653B (zh) | 2018-09-12 | 2018-09-12 | 一种棉花叶部粘连病斑图像分割方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359653A true CN109359653A (zh) | 2019-02-19 |
CN109359653B CN109359653B (zh) | 2020-07-07 |
Family
ID=65350942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811061115.6A Active CN109359653B (zh) | 2018-09-12 | 2018-09-12 | 一种棉花叶部粘连病斑图像分割方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359653B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443811A (zh) * | 2019-07-26 | 2019-11-12 | 广州中医药大学(广州中医药研究院) | 一种复杂背景叶片图像的全自动分割方法 |
CN111311586A (zh) * | 2020-02-26 | 2020-06-19 | 无锡久仁健康云科技有限公司 | 基于非线性健康分析系统数据多指标动态整合算法和系统 |
CN112883852A (zh) * | 2021-02-04 | 2021-06-01 | 浙江大学山东工业技术研究院 | 一种高光谱图像分类系统和方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102706877A (zh) * | 2012-06-06 | 2012-10-03 | 石河子大学 | 便携式棉花病虫害检测系统及方法 |
CN103413314A (zh) * | 2013-08-19 | 2013-11-27 | 合肥师范学院 | 基于纹理梯度的纺织品缺陷检测算法 |
CN106296675A (zh) * | 2016-08-04 | 2017-01-04 | 山东科技大学 | 一种高噪声灰度不均匀图像的分割方法 |
CN106803257A (zh) * | 2016-12-22 | 2017-06-06 | 北京农业信息技术研究中心 | 一种作物病害叶片图像中病斑的分割方法 |
-
2018
- 2018-09-12 CN CN201811061115.6A patent/CN109359653B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102706877A (zh) * | 2012-06-06 | 2012-10-03 | 石河子大学 | 便携式棉花病虫害检测系统及方法 |
CN103413314A (zh) * | 2013-08-19 | 2013-11-27 | 合肥师范学院 | 基于纹理梯度的纺织品缺陷检测算法 |
CN106296675A (zh) * | 2016-08-04 | 2017-01-04 | 山东科技大学 | 一种高噪声灰度不均匀图像的分割方法 |
CN106803257A (zh) * | 2016-12-22 | 2017-06-06 | 北京农业信息技术研究中心 | 一种作物病害叶片图像中病斑的分割方法 |
Non-Patent Citations (3)
Title |
---|
岳奎: ""最小二乘圆法评定圆度误差的程序设计"", 《工具技术》 * |
汪澜 等: ""结合新颜色空间与Otsu 的分水岭彩色图像分割算法"", 《计算机应用研究》 * |
缪慧司 等: ""结合距离变换与边缘梯度的分水岭血细胞分割"", 《中国图像图形学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443811A (zh) * | 2019-07-26 | 2019-11-12 | 广州中医药大学(广州中医药研究院) | 一种复杂背景叶片图像的全自动分割方法 |
CN111311586A (zh) * | 2020-02-26 | 2020-06-19 | 无锡久仁健康云科技有限公司 | 基于非线性健康分析系统数据多指标动态整合算法和系统 |
CN111311586B (zh) * | 2020-02-26 | 2023-12-12 | 无锡久仁健康云科技有限公司 | 基于非线性健康分析系统数据多指标动态整合算法和系统 |
CN112883852A (zh) * | 2021-02-04 | 2021-06-01 | 浙江大学山东工业技术研究院 | 一种高光谱图像分类系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109359653B (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
WO2018107939A1 (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
CN109146948B (zh) | 基于视觉的作物长势表型参数量化与产量相关性分析方法 | |
Turker et al. | Field-based sub-boundary extraction from remote sensing imagery using perceptual grouping | |
CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN110837768B (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
CN108416789A (zh) | 图像边缘检测方法及系统 | |
CN111738271B (zh) | 自然环境中被遮挡果实的识别方法 | |
CN108596920A (zh) | 一种基于彩色图像的目标分割方法及装置 | |
CN110992381A (zh) | 一种基于改进Vibe+算法的运动目标背景分割方法 | |
CN105844610B (zh) | 基于机器视觉的植物叶片锈斑自动检测系统及方法 | |
CN105335965B (zh) | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 | |
Wang et al. | A novel multi-scale segmentation algorithm for high resolution remote sensing images based on wavelet transform and improved JSEG algorithm | |
CN109359653A (zh) | 一种棉花叶部粘连病斑图像分割方法和系统 | |
CN106127735B (zh) | 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置 | |
CN105844625A (zh) | 一种融合边缘和区域的活动轮廓图像分割方法 | |
WO2015092904A1 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN109978848A (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 | |
CN107194896B (zh) | 一种基于邻域结构的背景抑制方法和系统 | |
CN106446925A (zh) | 一种基于图像处理的海豚身份识别的方法 | |
CN109341524A (zh) | 一种基于机器视觉的光纤几何参数检测方法 | |
CN112734761A (zh) | 工业品图像边界轮廓提取方法 | |
Basavaprasad et al. | A survey on traditional and graph theoretical techniques for image segmentation | |
CN115049925A (zh) | 田块田坎提取方法、电子设备及存储介质 | |
CN116523898A (zh) | 一种基于三维点云的烟草表型性状提取方法 |
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 |