CN109754423B - 一种叶片病斑覆盖区域的提取方法和设备 - Google Patents
一种叶片病斑覆盖区域的提取方法和设备 Download PDFInfo
- Publication number
- CN109754423B CN109754423B CN201811436536.2A CN201811436536A CN109754423B CN 109754423 B CN109754423 B CN 109754423B CN 201811436536 A CN201811436536 A CN 201811436536A CN 109754423 B CN109754423 B CN 109754423B
- Authority
- CN
- China
- Prior art keywords
- image
- blade
- original image
- area
- complete
- 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.)
- Expired - Fee Related
Links
- 206010039509 Scab Diseases 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000011218 segmentation Effects 0.000 claims abstract description 44
- 238000003708 edge detection Methods 0.000 claims abstract description 40
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 31
- 230000003902 lesion Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 7
- 230000003628 erosive effect Effects 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 15
- 201000010099 disease Diseases 0.000 abstract description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 9
- 238000011160 research Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 239000010902 straw Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种叶片病斑覆盖区域的提取方法和设备,包括:根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定原始图像中的完整叶片区域,完整叶片区域包括叶片的病斑覆盖区域和叶片的正常覆盖区域;根据原始图像中的完整叶片区域滤除原始图像中的背景区域,以获得完整叶片图;根据完整叶片图提取叶片的病斑覆盖区域。本发明提供的方法和设备,通过原始图像的Q分量分割图和C分量边缘检测图确定原始图像中的完整叶片区域,以滤除原始图像中的背景区域,在提取叶片病斑覆盖区域时可完全避免背景颜色对叶片边缘位置的病斑覆盖区域的影响,提高提取的准确性和鲁棒性,为作物受病害的研究提供高精确度的叶片病斑覆盖区域图。
Description
技术领域
本发明实施例涉及农业信息技术领域,更具体地,涉及一种叶片病斑覆盖区域的提取方法和设备。
背景技术
作物叶片病斑覆盖区域的精确提取对作物受病害影响的研究具有重要意义,目前,对于作物叶片病斑覆盖区域的提取,主要是基于叶片在自然环境中所采集的图像,然而在自然环境中所采集的叶片图像中,由于病斑颜色与土壤、杂草、秸秆、地膜等作物种植过程中的背景颜色极为相似,同时在自然环境下的作物叶片图像采集,容易受到复杂背景、天气变化、采集角度等因素影响,使得采集图像具有内容繁多、光照不均匀、阴影、部分遮挡等特点,加大了对叶片病斑覆盖区域的精确提取的难度。
特别是当病斑出现在作物叶片边缘位置时,病斑极易与土壤、杂草、秸秆、地膜等背景混淆,在进行叶片病斑覆盖区域的提取时,边缘病斑往往被认作是背景,造成病斑区域提取不完全,使得提取不准确,鲁棒性不强,影响对作物受病害的研究。
发明内容
为了克服上述问题或者至少部分地解决上述问题,本发明实施例提供一种叶片病斑覆盖区域的提取方法和设备。
根据本发明实施例的第一方面,提供一种叶片病斑覆盖区域的提取方法,包括:根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定原始图像中的完整叶片区域,完整叶片区域包括叶片的病斑覆盖区域和叶片的正常覆盖区域;根据原始图像中的完整叶片区域滤除原始图像中的背景区域,以获得完整叶片图;根据完整叶片图提取叶片的病斑覆盖区域。
其中,根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定原始图像中的完整叶片区域,包括:将Q分量分割图和C分量边缘检测图进行叠加处理,得到叠加二值图像;对得到叠加二值图像进行洞孔填充处理,以获得完整叶片区域。
其中,对得到叠加二值图像进行洞孔填充处理之后,还包括:对叠加二值图像执行类型为圆盘,大小为第一像素的腐蚀运算,对叠加二值图像执行类型为圆盘,大小为第二像素的膨胀运算,以消除叠加二值图中完整叶片区域以外区域的毛刺和噪声。
其中,根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定原始图像中的完整叶片区域之前,还包括:对原始图像进行二维高斯滤波处理,以消除原始图像中的高斯噪声。
其中,根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定原始图像中的完整叶片区域之前,还包括:将原始图像转换至YIQ颜色空间,并提取Q分量图像;基于大律法的自适应阈值分割算法对Q分量图像进行阈值图像分割处理,以获得Q分量分割图。
其中,根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定原始图像中的完整叶片区域之前,还包括:将原始图像转换至CMYK颜色空间,并提取C分量图像;对C分量图像进行图像灰度拉伸处理和Canny算子边缘检测操作,以得到C分量边缘检测图。
其中,根据原始图像中的完整叶片区域滤除原始图像中的背景区域,以获得完整叶片图,包括:根据原始图像中的完整叶片区域获取二值图像掩模图;将二值图像掩模图与原始图像进行逻辑与操作,以滤除原始图像中的背景区域,获得完整叶片图。
其中,根据完整叶片图提取叶片的病斑覆盖区域,包括:对完整叶片图进行K均值聚类分割处理,得到叶片的病斑覆盖区域二值图像;对叶片的病斑覆盖区域二值图像进行类型为圆盘,大小为第三像素的开运算处理;以叶片的病斑覆盖区域二值图像为掩模,对完整叶片图进行逻辑与操作,获得叶片的病斑覆盖区域。
其中,根据本发明实施例的第二方面,提供一种电子设备,包括:至少一个处理器、至少一个存储器和数据总线;其中:处理器与存储器通过数据总线完成相互间的通信;存储器存储有可被处理器执行的程序指令,处理器调用程序指令以执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的叶片病斑覆盖区域的提取方法。
根据本发明实施例的第三方面,提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机程序,该计算机程序使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的叶片病斑覆盖区域的提取方法。
本发明实施例提供的一种叶片病斑覆盖区域的提取方法和设备,包括:根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定原始图像中的完整叶片区域,完整叶片区域包括叶片的病斑覆盖区域和叶片的正常覆盖区域;根据原始图像中的完整叶片区域滤除原始图像中的背景区域,以获得完整叶片图;根据完整叶片图提取叶片的病斑覆盖区域。本发明提供的方法和设备,通过原始图像的Q分量分割图和C分量边缘检测图确定原始图像中的完整叶片区域,以滤除原始图像中的背景区域,在提取叶片病斑覆盖区域时可完全避免背景区域中的背景颜色对叶片边缘位置的病斑覆盖区域的影响,提高提取的准确性和鲁棒性,为作物受病害的研究提供高精确度的叶片病斑覆盖区域图。
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提供的叶片病斑覆盖区域的提取方法的流程图;
图2为根据本发明实施例提供的叶片在RGB颜色空间中的原始图像;
图3为根据本发明实施例提供的Q分量分割图;
图4为根据本发明实施例提供的C分量边缘检测图;
图5为根据本发明实施例提供的完整叶片区域的示意图;
图6为根据本发明实施例提供的完整叶片图;
图7为根据本发明实施例提供的病斑覆盖区域的示意图;
图8为根据本发明实施例提供的叠加二值图像;
图9为根据本发明实施例提供的叶片病斑覆盖区域的提取装置的示意图;
图10为根据本发明实施例提供的电子设备的示意图。
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。
图1为根据本发明实施例提供的叶片病斑覆盖区域的提取方法的流程图,如图1所示,一种叶片病斑覆盖区域的提取方法,包括:S11,根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定原始图像中的完整叶片区域,完整叶片区域包括叶片的病斑覆盖区域和叶片的正常覆盖区域;S12,根据原始图像中的完整叶片区域滤除原始图像中的背景区域,以获得完整叶片图;S13,根据完整叶片图提取叶片的病斑覆盖区域。
具体地,在RGB颜色空间,叶片的正常颜色为绿色,病斑颜色则呈现浅黄色,而背景颜色则更接近病斑颜色,图2为叶片在RGB颜色空间中的原始图像。在YIQ颜色空间中,颜色Q分量代表从紫色到黄绿色的颜色变化,基于颜色Q分量对原始图像进行分割,则可将正常叶片颜色与背景颜色实现分离,以获得Q分量分割图,如图3所示,然而,基于颜色Q分量对原始图像进行分割,可能造成叶片边缘的病斑覆盖区域也被分割开,而CMYK颜色空间的颜色C分量可很好的体现出叶片的边缘情况,因此本实施例同时还对原始图像进行边缘检测,获得C分量边缘检测图,如图4所示,通过Q分量分割图和C分量边缘检测图可确定原始图像中的完整叶片区域,该完整叶片区域既包括了叶片的病斑覆盖区域也包括了叶片的正常覆盖区域(即叶片上的非病斑覆盖区域),如图5所示的白色区域。在确定了原始图像中的完整叶片区域后,可将完整叶片区域以外区域作为背景区域,滤除这些背景区域,则获得完整叶片图,通过上述处理,则在完整叶片图中不包括任何与病斑颜色相似的背景,如图6所示;最后,根据完整叶片图提取叶片的病斑覆盖区域,如图7所示。由于在完整叶片图中不包括任何与病斑颜色相似的背景,因此通过上述处理可完全避免原始图像中背景颜色对叶片病斑覆盖区域的提取的影响,可提高提取精度,特别是叶片边缘的病斑覆盖区域的提取精度。
本实施例通过原始图像的Q分量分割图和C分量边缘检测图确定原始图像中的完整叶片区域,以滤除原始图像中的背景区域,在提取叶片病斑覆盖区域时可完全避免背景区域中的背景颜色对叶片边缘位置的病斑覆盖区域的影响,提高提取的准确性和鲁棒性,为作物受病害的研究提供高精确度的叶片病斑覆盖区域图。
基于以上实施例,进一步地,根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定原始图像中的完整叶片区域,包括:将Q分量分割图和C分量边缘检测图进行叠加处理,得到叠加二值图像;对得到叠加二值图像进行洞孔填充处理,以获得完整叶片区域。
具体地,Q分量分割图主要包括了叶片的正常覆盖区域,而C分量边缘检测图可体现出叶片的边缘轮廓,将Q分量分割图和C分量边缘检测图进行叠加处理,能将叶片的正常覆盖区域和叶片的边缘轮廓体现在同一图片中,得到如图8所示的得到叠加二值图像;基于叠加二值图像中的叶片的正常覆盖区域和叶片的边缘轮廓对叠加二值图像进行洞孔填充处理,即将边缘轮廓中以及正常覆盖区域内的洞孔填充为与正常覆盖区域的颜色一致,以形成完整叶片区域,该完整叶片区域体现为在没有任何病斑的条件下叶片在原始图像中所占的区域。
基于以上实施例,进一步地,对得到叠加二值图像进行洞孔填充处理之后,还包括:对叠加二值图像执行类型为圆盘,大小为第一像素的腐蚀运算,对叠加二值图像执行类型为圆盘,大小为第二像素的膨胀运算,以消除叠加二值图中完整叶片区域以外区域的毛刺和噪声。
具体地,形态学运算中,腐蚀运算是一种消除边界点,使边界向内部收缩的过程,可以用来消除小且无意义的物体;膨胀运算是将与物体接触的所有背景点合并到该物体中,使边界向外部扩张的过程,可以用来填补物体中的空洞。本实施例中,对叠加二值图像执行类型为圆盘,大小为第一像素的腐蚀运算,对叠加二值图像执行类型为圆盘,大小为第二像素的膨胀运算,可消除叠加二值图中完整叶片区域以外区域的毛刺和噪声,以提高图像的精细度。其中,第一像素可选择5像素,第二像素可选择5像素。
基于以上实施例,进一步地,根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定原始图像中的完整叶片区域之前,还包括:对原始图像进行二维高斯滤波处理,以消除原始图像中的高斯噪声。
具体地,原始图像不可避免的包含各种噪声,在获取原始图像的Q分量分割图和C分量边缘检测图之前,可对原始图像进行二维高斯滤波处理,该二维高斯滤波为模板为3×3像素的高斯滤波,以消除原始图像中的高斯噪声,以保证对病斑覆盖区域的提取精度。
基于以上实施例,进一步地,根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定原始图像中的完整叶片区域之前,还包括:将原始图像转换至YIQ颜色空间,并提取Q分量图像;基于大律法的自适应阈值分割算法对Q分量图像进行阈值图像分割处理,以获得Q分量分割图。
具体地,原始图像为RGB颜色空间的图像,提取Q分量需在YIQ颜色空间中进行。本实施例中,将原始图像转换至YIQ颜色空间,提取Q分量图像。大律法的自适应阈值分割算法选取出来的分割阈值非常理想,对各种情况的表现都较为良好,基于大律法的自适应阈值分割算法对Q分量图像进行阈值图像分割处理,经过大律法可得到原始图像的最佳分割阈值,再经过阈值分割方法,进行自适应阈值分割,可获得较为理想的Q分量分割图。
基于以上实施例,进一步地,根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定原始图像中的完整叶片区域之前,还包括:将原始图像转换至CMYK颜色空间,并提取C分量图像;对C分量图像进行图像灰度拉伸处理和Canny算子边缘检测操作,以得到C分量边缘检测图。
具体地,原始图像为RGB颜色空间的图像,提取C分量需在CMYK颜色空间中进行。本实施例中,将原始图像转换至CMYK颜色空间,并提取C分量图像。Canny算子适用于不同的场合,它的参数允许根据不同实现的特定要求进行调整以识别不同的边缘特性;对C分量图像进行图像灰度拉伸处理和Canny算子边缘检测操作,可得到C分量边缘检测图,其中,图像灰度拉伸处理过程中可选择自适应分段线性拉伸算法。
基于以上实施例,进一步地,根据原始图像中的完整叶片区域滤除原始图像中的背景区域,以获得完整叶片图,包括:根据原始图像中的完整叶片区域获取二值图像掩模图;将二值图像掩模图与原始图像进行逻辑与操作,以滤除原始图像中的背景区域,获得完整叶片图。
具体地,如图5所示,根据原始图像中的完整叶片区域获取二值图像掩模图,例如将完整叶片区域调节为白色,而将完整叶片区域以外的其它区域调整为黑色,将二值图像掩模图与原始图像进行逻辑与操作,通过逻辑与操作,则获得如图6所示的完整叶片图,完整叶片图以外的背景区域被逻辑与操作调节为黑色,这样可以避免背景颜色对病斑覆盖区域提起的影响。
基于以上实施例,进一步地,根据完整叶片图提取叶片的病斑覆盖区域,包括:对完整叶片图进行K均值聚类分割处理,得到叶片的病斑覆盖区域二值图像;对叶片的病斑覆盖区域二值图像进行类型为圆盘,大小为第三像素的开运算处理;以叶片的病斑覆盖区域二值图像为掩模,对完整叶片图进行逻辑与操作,获得叶片的病斑覆盖区域。
具体地,对完整叶片图进行K均值聚类分割处理,得到叶片的病斑覆盖区域二值图像;对叶片的病斑覆盖区域二值图像进行类型为圆盘,大小为第三像素的开运算处理;以叶片的病斑覆盖区域二值图像为掩模,对完整叶片图进行逻辑与操作,获得叶片的病斑覆盖区域。其中,第三像素可选择为3像素。
图9为根据本发明实施例提供的叶片病斑覆盖区域的提取装置的示意图,如图9所示,一种叶片病斑覆盖区域的提取装置,包括:确定模块91、滤除模块92和提取模块93,其中:
确定模块91,用于根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定原始图像中的完整叶片区域,完整叶片区域包括叶片的病斑覆盖区域和叶片的正常覆盖区域;滤除模块92,用于根据原始图像中的完整叶片区域滤除原始图像中的背景区域,以获得完整叶片图;提取模块93,用于根据完整叶片图提取叶片的病斑覆盖区域。
本发明实施例的装置,可用于执行上述各方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图10为根据本发明实施例提供的电子设备的示意图,如图10所示,一种电子设备,包括:至少一个处理器101、至少一个存储器102和数据总线103;其中:处理器101与存储器102通过数据总线103完成相互间的通信;存储器102存储有可被处理器101执行的程序指令,处理器101调用程序指令以执行上述各方法实施例所提供的叶片病斑覆盖区域的提取方法,例如包括:根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定原始图像中的完整叶片区域,完整叶片区域包括叶片的病斑覆盖区域和叶片的正常覆盖区域;根据原始图像中的完整叶片区域滤除原始图像中的背景区域,以获得完整叶片图;根据完整叶片图提取叶片的病斑覆盖区域。
本发明实施例提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机程序,该计算机程序使该计算机执行上述各方法实施例所提供的叶片病斑覆盖区域的提取方法,例如包括:根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定原始图像中的完整叶片区域,完整叶片区域包括叶片的病斑覆盖区域和叶片的正常覆盖区域;根据原始图像中的完整叶片区域滤除原始图像中的背景区域,以获得完整叶片图;根据完整叶片图提取叶片的病斑覆盖区域。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过计算机程序指令相关的硬件来完成,前述的计算机程序可以存储于一计算机可读取存储介质中,该计算机程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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 (8)
1.一种叶片病斑覆盖区域的提取方法,其特征在于,包括:
根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定所述原始图像中的完整叶片区域,所述完整叶片区域包括所述叶片的病斑覆盖区域和所述叶片的正常覆盖区域;
根据所述原始图像中的完整叶片区域滤除所述原始图像中的背景区域,以获得完整叶片图;
根据所述完整叶片图提取所述叶片的病斑覆盖区域;
所述根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定所述原始图像中的完整叶片区域之前,还包括:
将所述原始图像转换至YIQ颜色空间,并提取Q分量图像;
基于大律法的自适应阈值分割算法对所述Q分量图像进行阈值图像分割处理,以获得所述Q分量分割图;
将所述原始图像转换至CMYK颜色空间,并提取C分量图像;
对所述C分量图像进行图像灰度拉伸处理和Canny算子边缘检测操作,以得到C分量边缘检测图。
2.根据权利要求1所述的方法,其特征在于,所述根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定所述原始图像中的完整叶片区域,包括:
将所述Q分量分割图和所述C分量边缘检测图进行叠加处理,得到叠加二值图像;
对所述得到叠加二值图像进行洞孔填充处理,以获得所述完整叶片区域。
3.根据权利要求2所述的方法,其特征在于,所述对所述得到叠加二值图像进行洞孔填充处理之后,还包括:
对所述叠加二值图像执行类型为圆盘,大小为第一像素的腐蚀运算,对所述叠加二值图像执行类型为圆盘,大小为第二像素的膨胀运算,以消除所述叠加二值图中完整叶片区域以外区域的毛刺和噪声。
4.根据权利要求1所述的方法,其特征在于,所述根据叶片的原始图像的Q分量分割图和C分量边缘检测图确定所述原始图像中的完整叶片区域之前,还包括:
对所述原始图像进行二维高斯滤波处理,以消除所述原始图像中的高斯噪声。
5.根据权利要求1所述的方法,其特征在于,所述根据所述原始图像中的完整叶片区域滤除所述原始图像中的背景区域,以获得完整叶片图,包括:
根据所述原始图像中的完整叶片区域获取二值图像掩模图;
将所述二值图像掩模图与所述原始图像进行逻辑与操作,以滤除所述原始图像中的背景区域,获得所述完整叶片图。
6.根据权利要求1所述的方法,其特征在于,所述根据所述完整叶片图提取所述叶片的病斑覆盖区域,包括:
对所述完整叶片图进行K均值聚类分割处理,得到所述叶片的病斑覆盖区域二值图像;
对所述叶片的病斑覆盖区域二值图像进行类型为圆盘,大小为第三像素的开运算处理;
以所述叶片的病斑覆盖区域二值图像为掩模,对所述完整叶片图进行逻辑与操作,获得所述叶片的病斑覆盖区域。
7.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器和数据总线;其中:
所述处理器与所述存储器通过所述数据总线完成相互间的通信;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以执行如权利要求1至6任一所述的方法。
8.一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程序,所述计算机程序使所述计算机执行如权利要求1至6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811436536.2A CN109754423B (zh) | 2018-11-28 | 2018-11-28 | 一种叶片病斑覆盖区域的提取方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811436536.2A CN109754423B (zh) | 2018-11-28 | 2018-11-28 | 一种叶片病斑覆盖区域的提取方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109754423A CN109754423A (zh) | 2019-05-14 |
CN109754423B true CN109754423B (zh) | 2020-09-15 |
Family
ID=66403422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811436536.2A Expired - Fee Related CN109754423B (zh) | 2018-11-28 | 2018-11-28 | 一种叶片病斑覆盖区域的提取方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109754423B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446965B (zh) * | 2018-10-22 | 2021-07-13 | 北京师范大学 | 一种基于无人机数据的烟田自动识别方法 |
CN110310291A (zh) * | 2019-06-25 | 2019-10-08 | 四川省农业科学院农业信息与农村经济研究所 | 一种稻瘟病分级系统及其方法 |
CN111598181B (zh) * | 2020-05-21 | 2023-04-07 | 中国热带农业科学院热带生物技术研究所 | 一种香蕉花叶心腐病app识别方法及系统 |
CN117456214B (zh) * | 2023-11-06 | 2024-05-31 | 江苏省农业科学院 | 一种番茄叶部病斑识别方法、系统及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699511A (zh) * | 2009-10-30 | 2010-04-28 | 深圳创维数字技术股份有限公司 | 彩色图像分割方法及系统 |
CN103077529A (zh) * | 2013-02-27 | 2013-05-01 | 电子科技大学 | 基于图像扫描的植物叶片特征分析系统 |
CN103808265A (zh) * | 2014-02-28 | 2014-05-21 | 北京农业信息技术研究中心 | 油菜叶片及菌核病斑形态同步测量的方法、装置及系统 |
CN105844285A (zh) * | 2016-02-25 | 2016-08-10 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609600A (zh) * | 2017-09-27 | 2018-01-19 | 北京农业信息技术研究中心 | 一种温室粘虫板害虫自动识别分类方法及系统 |
-
2018
- 2018-11-28 CN CN201811436536.2A patent/CN109754423B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699511A (zh) * | 2009-10-30 | 2010-04-28 | 深圳创维数字技术股份有限公司 | 彩色图像分割方法及系统 |
CN103077529A (zh) * | 2013-02-27 | 2013-05-01 | 电子科技大学 | 基于图像扫描的植物叶片特征分析系统 |
CN103808265A (zh) * | 2014-02-28 | 2014-05-21 | 北京农业信息技术研究中心 | 油菜叶片及菌核病斑形态同步测量的方法、装置及系统 |
CN105844285A (zh) * | 2016-02-25 | 2016-08-10 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109754423A (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754423B (zh) | 一种叶片病斑覆盖区域的提取方法和设备 | |
Dorj et al. | An yield estimation in citrus orchards via fruit detection and counting using image processing | |
CN110008969B (zh) | 图像显著性区域的检测方法和装置 | |
CN109165538B (zh) | 基于深度神经网络的条形码检测方法及装置 | |
US11151402B2 (en) | Method of character recognition in written document | |
Ružić et al. | Virtual restoration of the Ghent Altarpiece using crack detection and inpainting | |
CN111091571A (zh) | 细胞核分割方法、装置、电子设备及计算机可读存储介质 | |
CN113298777A (zh) | 一种基于颜色特征和超像素聚类的棉花叶枯病检测方法及系统 | |
US20170178341A1 (en) | Single Parameter Segmentation of Images | |
US10885326B2 (en) | Character recognition method | |
CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
Zhao et al. | Automatic blur region segmentation approach using image matting | |
Ross-Howe et al. | The effects of image pre-and post-processing, wavelet decomposition, and local binary patterns on U-nets for skin lesion segmentation | |
CN110363103B (zh) | 虫害识别方法、装置、计算机设备及存储介质 | |
CN111414877A (zh) | 去除颜色边框的表格裁切方法、图像处理设备和存储介质 | |
Ding et al. | Real-time interactive image segmentation using improved superpixels | |
CN110930358A (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
CN111062341A (zh) | 视频图像区域的分类方法、装置、设备及存储介质 | |
Shaikha et al. | Optic Disc Detection and Segmentation in Retinal Fundus Image | |
CN115578781A (zh) | 去遮挡的虹膜检测方法、虹膜识别方法及可读存储介质 | |
CN112329572B (zh) | 一种基于边框和闪光点的快速静态活体检测方法及装置 | |
CN114581660A (zh) | 植物叶片分割识别方法及系统 | |
CN110796684B (zh) | 目标跟踪方法以及相关装置 | |
CN114463440A (zh) | 一种单摄像头目标定位方法、系统、设备及存储介质 | |
CN109934215B (zh) | 一种身份证识别方法 |
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 |
Granted publication date: 20200915 |