CN109410232A - 基于常规低分辨率摄像头对叶色特征值的提取方法 - Google Patents
基于常规低分辨率摄像头对叶色特征值的提取方法 Download PDFInfo
- Publication number
- CN109410232A CN109410232A CN201811120047.6A CN201811120047A CN109410232A CN 109410232 A CN109410232 A CN 109410232A CN 201811120047 A CN201811120047 A CN 201811120047A CN 109410232 A CN109410232 A CN 109410232A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- leaf
- leaf color
- low resolution
- 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
- 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
- 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
- G06T2207/10—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
- G06T2207/30—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)
- Image Processing (AREA)
Abstract
本发明公开了基于低分辨率摄像头对叶色特征值的提取方法,具体包括以下步骤:S1、首先使用低分辨率摄像头对叶片的图像信息进行采集,然后对采集的数字图像进行边缘检测,S2、然后通过运用图像轮廓切割及颜色阈值算法对S1边缘处理完成的数字图像进行切割、分离出前景目标图像,实现对普通相机所采集的彩色叶片图像进行自动化的精确快速切割并提取目标透明背景图像,涉及植物生理研究技术领域。本发明方法,对比了不同分辨率、不同样本容量数字图像对叶色特征参数的影响,说明了本办法对设备条件要求较低,可以通过适当降低图像分辨率或者运用大型计算机对数据进行处理。
Description
技术领域
本发明涉及植物生理研究技术领域,具体为基于常规低分辨率摄像头对叶色特征值的提取方法。
背景技术
高通量表型检测所需的设备和软件成本往往是大规模研究的瓶颈,如突变体筛选或数量遗传学分析,已有学者通过高光谱等手段对植物叶片中的生理生化指标及内在器官的变化情况进行定量分析,但由于其使用条件要求苛刻、成本昂贵,难以在生产中大规模推广,近年来,随着数字图像技术的日益成熟及高分辨率摄像设备的普及,采用数字图像对植物外观表型性状的定量描述成为了可能,由于数字图像摄像设备成本相较于高光谱仪器较为低廉,且具有携带使用方便,图像采集门槛低等优点,因此,基于数字图像对植物的定量分析成为一个研究热点,植株叶片是其最重要的光合器官,叶色是反映植株内在生理生化指标及器官变化的最主要外在特征之一,对叶色进行定量描述对于快速检测判断植物生长态势具有重要意义,有学者提出了从图像分析角度来估算叶片表观颜色方法,如基于叶图像检索(CBLIR)对叶片形状,颜色和纹理特征的描述方法,以及基于Rice中RGB值的叶色动力学建模,有学者通过对植物叶片图像形状和颜色信息的分析,提出了数字图像在观赏叶及茶叶嫩叶识别中应用的方法,也有学者基于颜色特征对图像切割后定量描述农作物病害情况,现阶段的研究已基本实现了对植物数字图像特定形状、颜色的定量识别。
随着研究的深入,部分学者开始尝试通过数字图像建立植物外观性状与其内部的生理生化变化情况的关联;已有研究实现了通过彩色RGB图像对植物体内水分及氮素含量的估测,并提出了运用图像R、G、B值及其组合参数在定量描述植物内在因子变化中的系列方法,由于其所需要的数字照片采集条件要求相对苛刻,算法及分析过程较为繁琐,难以在生产中进行大规模推广。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于常规低分辨率摄像头对叶色特征值的提取方法,解决了现有的高分辨率摄像头所需数字照片采集条件要求相对苛刻,算法及分析过程较为繁琐,难以在生产中进行大规模推广的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:基于常规低分辨率摄像头对叶色特征值的提取方法,具体包括以下步骤:
S1、首先使用低分辨率摄像头对叶片的图像信息进行采集,然后对采集的数字图像进行边缘检测;
S2、然后通过运用图像轮廓切割及颜色阈值算法对S1边缘处理完成的数字图像进行切割、分离出前景目标图像,实现对低分辨率摄像头所采集的彩色叶片图像进行自动化的精确快速切割并提取目标透明背景图像;
S3、之后快速获取目标图像各个像素点R、G、B及灰度分量的色阶值及其累计频次,并基于偏态分布分别对中位数、标准差、方差、偏度、峰度和峰值叶色特征参数进行描述性统计;
S4、建立叶色像素色阶累计频次直方图与特征参数表,实现对叶色特征值的精确、全局性描述。
优选的,所述步骤S2中只进行图片切割的数字图像在计算机识别中会对白色背景进行误判,影响叶片颜色特征值获取的准确性,因此还需要通过颜色阈值法对所分离出来的目标图像再次进行背景透明化处理,减少背景噪点对叶片图像像素点RGB累积量的干扰。
优选的,所述数字图像像素点与其相邻像素存在着连通关系,若两个像素的坐标位置是否相邻,而且两个像素的RGB值是否满足特定的相似性准则,可判定两个像素连通。
优选的,所述步骤S3在偏态分布中,均值与中位数、众数不相等,为准确反映偏态分布的集中趋势,需要对偏态分布的中位数进行计算。
优选的,所述步骤S3中的偏度是统计数据分布偏斜方向和程度的度量,是统计数据分布非对称程度的数字特征,定义上偏度是样本的三阶标准化矩。
优选的,所述步骤S3中的峰度是描述总体中所有取值分布形态陡缓程度的统计量,峰度的绝对值数值越大表示其分布形态的陡缓程度与正态分布的差异程度越大。
(三)有益效果
本发明提供了基于常规低分辨率摄像头对叶色特征值的提取方法。与现有技术相比具备以下有益效果:该基于常规低分辨率摄像头对叶色特征值的提取方法,通过在具体包括以下步骤:S1、首先使用低分辨率摄像头对叶片的图像信息进行采集,然后对采集的数字图像进行边缘检测;S2、然后通过运用图像轮廓切割及颜色阈值算法对S1边缘处理完成的数字图像进行切割、分离出前景目标图像,实现对普通相机所采集的彩色叶片图像进行自动化的精确快速切割并提取目标透明背景图像;S3、之后快速获取目标图像各个像素点R、G、B及灰度分量的色阶值及其累计频次,并基于偏态分布分别对中位数、标准差、方差、偏度、峰度和峰值叶色特征参数进行描述性统计;S4、建立叶色像素色阶累计频次直方图与特征参数表,实现对叶色特征值的精确、全局性描述,实现了通过对偏态分布提出R、G、B及灰度分量的均值、中位数、标准差、方差、偏度、峰度、峰值等参数作为定量描述叶色的特征参数;同时,对比了不同分辨率、不同样本容量数字图像对叶色特征参数的影响,说明了本办法对设备条件要求较低,可以通过适当降低图像分辨率或者运用大型计算机对数据进行处理,进而提升群体样本容量及处理效率,能够满足研究人员在实验室条件下对植物叶片叶色变化情况的定量描述,具有设备成本低廉、采集分析高效、参数数据量大,模型可以完善廉的优点,可以广泛运用于测量大种群作物的颜色相关性状,这将提升大样本表型性状数据的提取效率,降低高通量表型获取障碍,并帮助研究人员在各种实验室条件下建立外观颜色表型性状与植物体内在生理生化的关联,更好的解释植物外观表型及适应性的生理基础,从而实现通过使用低分辨率摄像头也可很好的提高叶色特征值的提取精度。
附图说明
图1为本发明背景噪音对图像RGB特征值的干扰分析表;
图2为本发明绿色植物叶片R、G、B、灰度分量色阶累计频次直方图;
图3为本发明特征参数的正态分布函数公式示意图;
图4为本发明特征参数的偏态分布函数公式示意图;
图5为本发明特征参数的偏度计算公式示意图;
图6为本发明特征参数的峰度计算公式示意图;
图7为本发明数字图像转化为图像矩阵的示意图;
图8为本发明彩色数字图像像素点颜色信息与图像矩阵的关联图。
具体实施方式
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,所描述的实施例仅仅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做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。
请参阅图1-6,本发明实施例提供一种技术方案:基于常规低分辨率摄像头对叶色特征值的提取方法,具体包括以下步骤:
S1、首先使用低分辨率摄像头对叶片的图像信息进行采集,然后对采集的数字图像进行边缘检测;
S2、然后通过运用图像轮廓切割及颜色阈值算法对S1边缘处理完成的数字图像进行切割、分离出前景目标图像,实现对低分辨率摄像头所采集的彩色叶片图像进行自动化的精确快速切割并提取目标透明背景图像;
S3、之后快速获取目标图像各个像素点R、G、B及灰度分量的色阶值及其累计频次,并基于偏态分布分别对中位数、标准差、方差、偏度、峰度和峰值叶色特征参数进行描述性统计;
S4、建立叶色像素色阶累计频次直方图与特征参数表,实现对叶色特征值的精确、全局性描述。
本发明中,步骤S2中只进行图片切割的数字图像在计算机识别中会对白色背景进行误判,影响叶片颜色特征值获取的准确性,因此还需要通过颜色阈值法对所分离出来的目标图像再次进行背景透明化处理,减少背景噪点对叶片图像像素点RGB累积量的干扰。
本发明中,数字图像像素点与其相邻像素存在着连通关系,若两个像素的坐标位置是否相邻,而且两个像素的RGB值是否满足特定的相似性准则,可判定两个像素连通。
本发明中,步骤S3在偏态分布中,均值与中位数、众数不相等,为准确反映偏态分布的集中趋势,需要对偏态分布的中位数进行计算。
本发明中,步骤S3中的偏度是统计数据分布偏斜方向和程度的度量,是统计数据分布非对称程度的数字特征,定义上偏度是样本的三阶标准化矩。
本发明中,步骤S3中的峰度是描述总体中所有取值分布形态陡缓程度的统计量,峰度的绝对值数值越大表示其分布形态的陡缓程度与正态分布的差异程度越大。
将采集到的图像与空白背景图片分别转化为灰度图,采用imsubtract函数进行差分处理,去除背景,运用imclearborder去除图像的边缘对象后,用edge函数sobel算子对灰度图像边缘提取检测,运用strel和imdilate函数对图像进行膨胀操作并填补边缘缝隙,运用imfill函数对空隙填充并采用菱形结构元素对图像进行平滑,将平滑后的图像进行多次中值滤波去除冗余信息,运用bwlabe函数寻找8联通成份并进行二值化处理,采用合成运算得到从背景中分割出来的彩色叶片前景图像,最后用颜色阈值算法去除底色后生产透明背景通道的叶片PNG图片。
数字图像的数据可以用图像矩阵来表示,可以采用矩阵理论和矩阵算法对其进行分析和处理,数码相机采集的图像数据一般采用RGB Color Space来表示,RGB ColorSpace建立在笛卡尔坐标系中,任意色光F都可以用R(Red)、G(Green)、B(Blue)三色不同分量的相加混合而成。R、G、B三个基色色阶范围均为0-255,三者组合起来可以表示16777216种不同的颜色,满足自然界颜色表达的需要,彩色数字图像的像素颜色数据可以转化为一个三维数组矩阵来表示,每个像素点的颜色信息可以用以下公式表示:
n,m=[r, g, b];
其中,n、m分别表示为三维数组的行、列,其对应的是像素点在图像中的位置;三维数组的元素值对应像素点R、G、B三个不同通道的色阶值,图像矩阵通过不同的色阶值来表示“Red、Green、Blue”三个通道颜色在图像中比重,例如,色阶值为255,代表了该色光在此处的最高亮度,图像颜色为纯白;而纯黑色阶值则为0,代表该像素点无该色光,通过三个通道的色阶值复合最终显示出彩色图像,叶片R、G、B颜色色阶值采用MATLAB软件提取。将经过本研究所获取的每个彩色叶片前景图像中每一个像素点中R分量、G分量、B分量的色阶值分别进行提取,公式如下:
Rn,m=[n, m, 1];Gn,m=[n, m, 2];Bn,m=[n, m, 3];
其中,n、m分别表示为数字图像每个像素点的行、列,最后一列的数值代表像素点R、G、B三个不同通道的色阶值,同时,通过rgb2gray函数将彩色图片转化为灰度图像(二维数组矩阵),将其数值一并提取后,采用MATLAB函数并对每个分量数组的均值、色阶中位数、最大频次色阶值等特征参数进行描述性统计,运用SPSS软件对数据进行方差分析、相关分析及回归分析,并建立预测模型,我们比较了线性模型、二次模型及三次模型,发现存在模型存在共线性问题,因此,采用因子分析进行降维处理,建立基于因子的预测模型,并对预测结果进行残差分析,确定其模型预测精度。
由于叶片图像像素点坐标值及RGB值具有唯一性,且其相邻像素点间存在连通性,因此可以用叶片图像R、G、B值的对叶片颜色进行定量描述。在之前研究中,大量学者采用目标叶片图像R、G、B均值及三者相互组合而成28种颜色参数对叶片颜色进行定量描述,但是,该方法使用的前提是目标叶片图像R、G、B三者各个色阶累计出现频次数必须符合正态分布,我们通过对大量绿色叶片图像的色阶累积频次直方图观测后发现,R、G、B及灰度分量的累积频次属于偏态分布,如果只用正态分布的参数(均数)μ和标准差σ对叶色进行统计描述会导致一部分叶色数据的缺失,会造成叶色特征值的信息量偏少,影响叶色模型建立的准确性。因此,在本研究中我们对叶色R、G、B及灰度分量的色阶分布情况采用基于偏态分布的描述性统计进行定量描述,我们在试验中发现,同种植物不同叶龄的叶片颜色在不同分量中呈现不同的分布,并具有一定的典型性,因此,可以将相同状态的叶片R、G、B及灰度分量色阶频次进行累加从而进行群体分析,为准确反映叶色色阶累计情况,我们对正态、偏态分布的几个重要参数进行概述,正态分布函数公式表示如图3,式中,μ是正态分布的位置参数,描述正态分布的集中趋势位置,概率规律为取与μ邻近的值的概率大,而取离μ越远的值的概率越小,正态分布的期望、均数、中位数、众数相同,均等于μ;σ描述正态分布资料数据分布的离散程度,σ越大,数据分布越分散,σ越小,数据分布越集中。
在偏态分布中,均值与中位数、众数不相等。为准确反映偏态分布的集中趋势,需要对偏态分布的中位数进行计算,在偏态分布中,中位数的计算要考虑频数的全部排序,其计算公式如图4,式中,L=频数累积到50%( )所在组的下限值,d=频数累积到50%所在组的组距,Sm=频数累积到50%所在组上组的累积频数,fm=频数累积到50%所在组的频数。
偏度(Skewness)是统计数据分布偏斜方向和程度的度量,是统计数据分布非对称程度的数字特征,定义上偏度是样本的三阶标准化矩,计算公式如图5,式中, 分别表示二阶和三阶中心矩。
峰度(Kurtosis)是描述总体中所有取值分布形态陡缓程度的统计量,峰度的绝对值数值越大表示其分布形态的陡缓程度与正态分布的差异程度越大,计算如图6,综上所述,R、G、B及灰度分量的均值、中位数、标准差、方差、偏度、峰度、峰值(最大频次色阶)等参数可以作为定量描述叶片颜色的特征参数。
在进行群体高通量表型获取时,研究人员必须考虑检测仪器的成本投入及测量结果的获取时长,我们采集了同一批叶片不同分辨率的数字图像进行算法模拟演算发现,中高分辨率(2500*3333)及中等分辨率(1000*1333)图像分辨率在叶片颜色特征值的色阶均值、色阶中位数、极差、最大频次色阶值、最大频次色阶值占比,有效像素占比均等方面与高分辨率(3840*5120)上无显著差异,且在运算速度上较高分辨率图像提升2倍以上,我们还对群体样本容量对叶片特征参数的影响进行了研究后发现,随着样本容量的扩展,标准差、方差、偏度逐渐减少,表明样本容量越大其叶色特征值集中度越高,但是,我们在操作中叶发现,高分辨率、大样本的数字图像对分析计算机要求较高,我们所采用的分析计算机为ASUS品牌个人计算机,安装64位Windows7旗舰版SP1操作系统;CPU为Intel Core i5-4460频率为3.20GHz*2,RAM为DDR3 *2,容量8.00GB;GPU为NVIDIA GeForce GT-620显存2GB,在实际运算中,我们运用MATLAB处理高分辨率图像(3840*5120)累加样本数量>6个,中高分辨率(2500*3333)累加样本数量>16个时就会出现内存不足的情况,因此,在对群体高通量表型进行统计分析时,可以适当降低图像分辨率或者运用大型计算机对数据进行处理,可以提升群体样本容量及处理效率。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.基于常规分辨率摄像头对叶色特征值的提取方法,其特征在于:具体包括以下步骤:
S1、首先使用低分辨率摄像头对叶片的图像信息进行采集,然后对采集的数字图像进行边缘检测;
S2、然后通过运用图像轮廓切割及颜色阈值算法对S1边缘处理完成的数字图像进行切割、分离出前景目标图像,实现对低分辨率摄像头所采集的彩色叶片图像进行自动化的精确快速切割并提取目标透明背景图像;
S3、之后快速获取目标图像各个像素点R、G、B及灰度分量的色阶值及其累计频次,并基于偏态分布分别对中位数、标准差、方差、偏度、峰度和峰值叶色特征参数进行描述性统计;
S4、建立叶色像素色阶累计频次直方图与特征参数表,实现对叶色特征值的精确、全局性描述。
2.根据权利要求1所述的基于常规低分辨率摄像头对叶色特征值的提取方法,其特征在于:所述步骤S2中只进行图片切割的数字图像在计算机识别中会对白色背景进行误判,影响叶片颜色特征值获取的准确性,因此还需要通过颜色阈值法对所分离出来的目标图像再次进行背景透明化处理,减少背景噪点对叶片图像像素点RGB累积量的干扰。
3.根据权利要求1所述的基于常规低分辨率摄像头对叶色特征值的提取方法,其特征在于:所述数字图像像素点与其相邻像素存在着连通关系,若两个像素的坐标位置是否相邻,而且两个像素的RGB值是否满足特定的相似性准则,可判定两个像素连通。
4.根据权利要求1所述的基于常规低分辨率摄像头对叶色特征值的提取方法,其特征在于:所述步骤S3在偏态分布中,均值与中位数、众数不相等,为准确反映偏态分布的集中趋势,需要对偏态分布的中位数进行计算。
5.根据权利要求1所述的基于常规低分辨率摄像头对叶色特征值的提取方法,其特征在于:所述步骤S3中的偏度是统计数据分布偏斜方向和程度的度量,是统计数据分布非对称程度的数字特征,定义上偏度是样本的三阶标准化矩。
6.根据权利要求1所述的基于常规低分辨率摄像头对叶色特征值的提取方法,其特征在于:所述步骤S3中的峰度是描述总体中所有取值分布形态陡缓程度的统计量,峰度的绝对值数值越大表示其分布形态的陡缓程度与正态分布的差异程度越大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811120047.6A CN109410232A (zh) | 2018-09-26 | 2018-09-26 | 基于常规低分辨率摄像头对叶色特征值的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811120047.6A CN109410232A (zh) | 2018-09-26 | 2018-09-26 | 基于常规低分辨率摄像头对叶色特征值的提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109410232A true CN109410232A (zh) | 2019-03-01 |
Family
ID=65466318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811120047.6A Pending CN109410232A (zh) | 2018-09-26 | 2018-09-26 | 基于常规低分辨率摄像头对叶色特征值的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410232A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415181A (zh) * | 2019-06-12 | 2019-11-05 | 勤耕仁现代农业科技发展(淮安)有限责任公司 | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 |
CN110427798A (zh) * | 2019-06-12 | 2019-11-08 | 勤耕仁现代农业科技发展(淮安)有限责任公司 | 一种青菜智能识别及叶色环境变化预测的方法 |
CN111436962A (zh) * | 2020-04-13 | 2020-07-24 | 重庆工程职业技术学院 | 用于海量医学影像数据分布收集设备及其工作方法 |
CN113570538A (zh) * | 2020-04-28 | 2021-10-29 | 福建省烟草公司龙岩市公司 | 一种叶片rgb图像偏态分布参数信息采集及分析方法 |
CN114022389A (zh) * | 2021-11-17 | 2022-02-08 | 河北农业大学 | 一种基于数码相机进行植物叶色等级判别的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107064069A (zh) * | 2017-03-23 | 2017-08-18 | 西北农林科技大学 | 一种猕猴桃树叶片叶绿素含量高光谱估算方法 |
-
2018
- 2018-09-26 CN CN201811120047.6A patent/CN109410232A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107064069A (zh) * | 2017-03-23 | 2017-08-18 | 西北农林科技大学 | 一种猕猴桃树叶片叶绿素含量高光谱估算方法 |
Non-Patent Citations (2)
Title |
---|
吴兰兰: "《基于数字图像处理的玉米苗期田间杂草的识别研究》", 《中国博士学位论文全文数据库信息科技辑》 * |
罗绪强等: "《退化喀斯特森林群落常见植物叶片SPAD 值变异特征》", 《生态环境学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415181A (zh) * | 2019-06-12 | 2019-11-05 | 勤耕仁现代农业科技发展(淮安)有限责任公司 | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 |
CN110427798A (zh) * | 2019-06-12 | 2019-11-08 | 勤耕仁现代农业科技发展(淮安)有限责任公司 | 一种青菜智能识别及叶色环境变化预测的方法 |
CN110415181B (zh) * | 2019-06-12 | 2023-07-14 | 勤耕仁现代农业科技发展(淮安)有限责任公司 | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 |
CN110427798B (zh) * | 2019-06-12 | 2023-07-18 | 勤耕仁现代农业科技发展(淮安)有限责任公司 | 一种青菜智能识别及叶色环境变化预测的方法 |
CN111436962A (zh) * | 2020-04-13 | 2020-07-24 | 重庆工程职业技术学院 | 用于海量医学影像数据分布收集设备及其工作方法 |
CN111436962B (zh) * | 2020-04-13 | 2023-05-26 | 重庆工程职业技术学院 | 用于海量医学影像数据分布收集设备及其工作方法 |
CN113570538A (zh) * | 2020-04-28 | 2021-10-29 | 福建省烟草公司龙岩市公司 | 一种叶片rgb图像偏态分布参数信息采集及分析方法 |
CN113570538B (zh) * | 2020-04-28 | 2024-05-17 | 福建省烟草公司龙岩市公司 | 一种叶片rgb图像偏态分布参数信息采集及分析方法 |
CN114022389A (zh) * | 2021-11-17 | 2022-02-08 | 河北农业大学 | 一种基于数码相机进行植物叶色等级判别的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410232A (zh) | 基于常规低分辨率摄像头对叶色特征值的提取方法 | |
CN106295789B (zh) | 一种基于图像处理的作物种子计数方法 | |
CN108960011B (zh) | 部分遮挡的柑橘果实图像识别方法 | |
CN103745478B (zh) | 小麦发芽率机器视觉测定方法 | |
TW201022708A (en) | Method of change detection for building models | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别系统与方法 | |
CN113191334B (zh) | 一种基于改进CenterNet的植物冠层密集叶片计数方法 | |
CN109871900A (zh) | 一种基于图像处理的复杂背景下苹果的识别定位方法 | |
CN114708490A (zh) | 水稻种植提取及复种指数监测方法、系统、终端及存储介质 | |
CN113450376A (zh) | 一种基于fpga的棉株边缘检测方法 | |
CN102938053A (zh) | 一种基于计算机视觉的甘蔗特征提取与识别方法 | |
CN101799920A (zh) | 基于颜色特征的舌象分析方法及其应用 | |
CN106558044A (zh) | 影像模组的解像力测量方法 | |
CN107103295A (zh) | 光学遥感影像云检测方法 | |
CN112329791B (zh) | 一种高光谱影像水域自动提取方法 | |
Walsworth et al. | Image modelling of forest changes associated with acid mine drainage | |
CN107392927B (zh) | 一种亚米级遥感影像渔业网箱提取方法 | |
CN111368826B (zh) | 一种基于可变卷积核的明火检测算法 | |
CN102938052A (zh) | 一种基于计算机视觉的甘蔗分割与识别方法 | |
Warner et al. | Remote sensing of land cover change | |
CN111627031A (zh) | 基于瓦屋状多边形的作物根系表型分析装置及方法 | |
Dhanuja et al. | Areca nut disease detection using image processing technology | |
CN116109826A (zh) | 一种道路裂缝检测方法 | |
CN110580495A (zh) | 一种梨树叶面积与叶面炭疽病病斑数自动化分析方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190301 |