CN110428401B - 一种梨种质资源表型果点数据的测量与分析方法 - Google Patents
一种梨种质资源表型果点数据的测量与分析方法 Download PDFInfo
- Publication number
- CN110428401B CN110428401B CN201910642746.5A CN201910642746A CN110428401B CN 110428401 B CN110428401 B CN 110428401B CN 201910642746 A CN201910642746 A CN 201910642746A CN 110428401 B CN110428401 B CN 110428401B
- Authority
- CN
- China
- Prior art keywords
- fruit
- image
- point
- area
- points
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 193
- 235000014443 Pyrus communis Nutrition 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005259 measurement Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 20
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 208000032544 Cicatrix Diseases 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 231100000241 scar Toxicity 0.000 claims description 3
- 230000037387 scars Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 2
- 241000220324 Pyrus Species 0.000 description 62
- 238000011156 evaluation Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 235000021017 pears Nutrition 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000002023 wood Substances 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种梨种质资源表型果点数据的测量与分析方法,采集梨表面图像,对图像进行预处理去除图像中的噪声,然后统计图像中的果点数据,分析数据得到果点密度。本发明基于机器视觉测量梨种质资源果点数据,大大提高了梨种质研究中果点数据的统计效率,增加了统计数据种类,采用机器代替人工检测,不仅可以减少成本,还能减少人工测量误差产生的统计错误,本发明的方法不仅可以统计梨表面果点的数量、大小等信息,还可以计算果点密度,对梨种质研究有着深远的意义。
Description
技术领域
本发明属于梨种质资源技术领域,尤其是一种梨种质资源表型果点数据的测量与分析方法。
背景技术
梨是我国第三大水果,现有种植面积约104.06万公顷、产量约1523.19万吨/年,占世界梨树收获总面积的68.2%和世界梨树总产量的67.3%,我国是世界上最大的梨资源生产和消费国家。
表型多样性主要研究种群在其分布区域内的各种环境中的表型变异,是生物多样性的重要研究内容,研究分析梨种质资源表型多样性有助于了解梨种质资源性状遗传发育机理,有利于梨种质资源的评价挖掘及特色多样化品种培育,同时可以为梨种质资源描述的规范化和标准化提供数据基础和理论依据,促进梨种质资源的高效利用。
在表型特征中,果实的变异是遗传变异的最主要特征之一,主要包括果实纵横经、单果重、果实形状、底色、盖色、果锈、果点、果梗、萼片等外在品质,以及果心大小、硬度、质地、可溶性固形物含量、石细胞、汁液、风味、香气等内在品质。国内梨种质资源的评价主要参考曹玉芬编著的《梨种质资源描述规范和数据标准》,简称梨规范标准。梨规范标准中规定了梨种质资源各描述符的字段名称、类型、长度、小数位、单位、代码等,便于建立规范、统一的梨种质资源数据库,提高资源利用效率。果点的密度和大小作为果实外观品质的重要性状之一,因为针对果点密度和大小的测量设备不够成熟、人力测量耗时耗力等的原因,梨规范标准中有关梨果实果点的描述仅限于“果点明显程度(明显、中等、不明显)”,这样的标准不足以开展性状遗传多样性及变异系数的研究。
发明内容
针对目前梨种质资源中果点大小、密度等信息的标准不够规范,测量复杂、成本较高的问题,本发明提出了一种梨种质资源表型果点数据的测量与分析方法,采集梨表面图像,对图像进行预处理去除图像中的噪声,然后统计图像中的果点数据,分析数据得到果点密度。
实现本发明目的的技术解决方案为:
一种梨种质资源表型果点数据的测量与分析方法,包括以下步骤:
步骤1、采集梨表面图像,并对梨表面图像进行预处理,所述预处理包括灰度值处理和二值化处理;
步骤2、从预处理后的图像中选择一块图像区域作为测量区域,统计该测量区域中的果点数据,并根据果点数据对测量区域中的图像进行去噪处理,得到去噪后的图像;
所述去噪处理是指将果点的面积、长度、宽度、周长分别与预设的对应的去噪条件进行比较,将满足去噪条件的果点视为噪点并去除;
步骤3、从去噪后的图像中统计梨种质资源表型果点数据并计算果点密度。
进一步的,本发明的梨种质资源表型果点数据的测量与分析方法,所述预处理的具体步骤为:
步骤1-1:取RGB绿色通道为灰度值,对梨表面图像做灰度值处理,得到灰度值图像;
步骤1-2:采用Niblack算法对灰度值图像进行阈值分割,生成二值化图像。
进一步的,本发明的梨种质资源表型果点数据的测量与分析方法,所述步骤1-2中对灰度值图像进行阈值分割,生成二值化图像的具体步骤为:
步骤1-2-1:将灰度值图像分为Q个矩形区域,所述每个矩形区域由n*n个像素点组成,即矩形区域每一行均包含n个像素,每一列均包含n个像素,其中,Q、n为正整数;
步骤1-2-2:选取一个矩形区域q,q=1,2,…,Q,设矩形区域q的中心点像素坐标为(x,y),计算矩形区域q内所有像素点的灰度值均值mq(x,y):
其中,f(i,j)表示矩形区域q内坐标为(i,j)的像素点的灰度值;
步骤1-2-3:计算矩形区域q内所有像素点的灰度值标准差sq(x,y):
步骤1-2-4:根据灰度值均值和标准差计算矩形区域q的二值化阈值Tq(x,y):
Tq(x,y)=ksq(x,y)+mq(x,y)
其中,k为修正系数,k∈[0.1,0.4];
步骤1-2-5:利用二值化阈值对矩形区域q进行二值化处理:
其中,bq(i,j)为二值化图像值;
步骤1-2-6:重复步骤1-2-2至步骤1-2-5,对灰度值图像内所有矩形区域的像素点进行二值化处理,获得二值化图像。
进一步的,本发明的梨种质资源表型果点数据的测量与分析方法,所述步骤2中的测量区域为预处理后的图像中无伤疤、无划痕、无虫洞、无果锈的一块图像区域。
进一步的,本发明的梨种质资源表型果点数据的测量与分析方法,所述步骤2中统计的果点为不与其他果点重合的、独立的果点,果点数据包括:果点坐标、果点长度、果点宽度、果点周长、果点外凸圆弧周长和果点面积,其中,果点坐标定义为:以测量区域的左上角为坐标原点,将果点的质心坐标作为果点坐标。
进一步的,本发明的梨种质资源表型果点数据的测量与分析方法,所述步骤2中去噪处理的具体步骤为:
步骤2-1:根据测量区域中的果点数据,计算测量区域内所有果点的面积平均值W:
其中,wr表示第r个果点的面积,R表示测量区域内的果点个数,r=1,2,…,R;
步骤2-3:计算果点长度ar和宽度br之差,当|ar-br|>H'时,将果点r作为噪点去除,其中,H'为预设的长宽之差阈值;否则保留果点r;
步骤2-4:计算果点外凸圆弧周长cr和果点周长Cr之比,当cr/Cr≤H”时,将果点r作为噪点去除,其中,H”为预设的周长比阈值,果点周长=果点外凸圆弧周长+直线长度+内凹圆弧长度;否则保留果点r。
进一步的,本发明的梨种质资源表型果点数据的测量与分析方法,所述H的取值范围为[0.3,0.5],H'的取值范围为[8,15],H”的取值范围为[0.8,0.9]。
进一步的,本发明的梨种质资源表型果点数据的测量与分析方法,所述步骤3中的具体步骤为:
步骤3-1:统计去噪后的图像中的果点个数e和各果点面积wf,f=1,2,…,e;
步骤3-2:测量去噪后的图像的长度L和宽度D,计算图像的面积V:
V=L×D
步骤3-3:计算图像中果点的密度:
P=e/V
步骤3-4:计算图像中果点的面积占比:
U=W'/V
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明的梨种质资源表型果点数据的测量与分析方法基于机器视觉测量梨种质资源果点数据,大大提高了梨种质研究中果点数据的统计效率,增加了统计数据种类,采用机器代替人工检测,不仅可以减少成本,还能减少人工测量误差产生的统计错误,本发明的方法不仅可以统计梨表面果点的数量、大小等信息,还可以计算果点密度,对梨种质研究有着深远的意义。
附图说明
图1为本发明的梨种质资源表型果点数据的测量与分析方法流程图。
图2为本发明的梨种质资源表型果点数据的测量与分析方法的实施例1中经过灰度值处理后的梨表面图。
图3为本发明的梨种质资源表型果点数据的测量与分析方法的实施例1中经过二值化处理后的测量区域图。
图4为本发明的梨种质资源表型果点数据的测量与分析方法的实施例1中某一个果点的形状图,其中,1是外凸圆弧,2是直线段,3是内凹圆弧。
图5为本发明的梨种质资源表型果点数据的测量与分析方法的实施例1中去噪后的梨表面图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
一种梨种质资源表型果点数据的测量与分析方法,如图1所示,主要包括以下步骤:
S1、果点指梨果皮皮孔及周边组织木栓化形成的黄褐色斑点,其大小、密度等在品种间差异较大,是梨果实外观评价中的重要性状之一。
选取一种具有代表性的梨作为实验样本,采用照相或摄像设备采集梨表面图像,并对采集的梨表面图像进行预处理,预处理主要包括灰度值处理和二值化处理。
采集到的梨表面图像一般是彩色图像,因为带有RGB信息的图像数据量较大不方便计算,同时RGB数值对于图像中提取果点并无用处,所以需要对采集的梨表面图像进行灰度值处理,本发明方法取RGB绿色通道为灰度值,对梨表面彩色图像经过灰度处理得到灰度值图像,如图2所示。
由于果点灰度值和梨表面灰度值存在一定差值,本发明方法采用Niblack算法对灰度值图像进行阈值分割,生成二值化图像,Niblack算法是通过某一像素点及其邻域内像素点灰度值的均值和标准差计算得到二值化阈值的。具体操作如下:
S1-1、将灰度值图像分为Q个矩形区域,所述每个矩形区域由n*n个像素点组成,即矩形区域每一行均包含n个像素,每一列也包含n个像素,其中,Q、n为正整数,本实施例中n取35。
S1-2、选取一个矩形区域q,q=1,2,…,Q,设矩形区域q的中心点像素坐标为(x,y),计算矩形区域q内所有像素点的灰度值均值mq(x,y):
其中,f(i,j)表示矩形区域q内坐标为(i,j)的像素点的灰度值。
S1-3、计算矩形区域q内所有像素点的灰度值标准差sq(x,y):
S1-4、根据灰度值均值和标准差计算矩形区域q的二值化阈值Tq(x,y),具体公式如下:
Tq(x,y)=ksq(x,y)+mq(x,y)
其中,k为修正系数,k∈[0.1,0.4]。
S1-5、利用二值化阈值对该矩形区域进行二值化处理,具体公式如下:
其中,bq(i,j)为二值化图像值;
S1-6、重复步骤S1-2至S1-5,对灰度值图像内所有矩形区域的像素点进行二值化处理,获得二值化图像。
S2、对预处理后的图像进行区域选择,并统计所选区域中的果点数据,根据果点数据对图像进行去噪。果点噪点主要分为两种:一种是在图像阈值处理时由于图像灰度值不均匀产生的噪声,另一种是水果的伤疤等瑕疵产生的噪声。所述去噪是指将果点的面积、长宽、周长分别与设置的对应的去噪条件比较,满足所述去噪条件的果点视为噪点去除,具体操作如下:
S2-1、从预处理后的图像(即二值化图像)中选取一块无伤疤、无划痕、无虫洞、无果锈的图像区域作为测量区域,本实施例选取的测量区域如图3所示,统计测量区域中的果点数据。
本发明方法利用labview中的LV_ParticleAnalysis函数统计测量区域中的果点数据,为了提高数据统计的效率和准确度,本发明方法不统计存在重叠关系的果点,统计的果点应该是不与其他任何果点重合的、独立的果点。以测量区域的左上角为坐标原点、果点的质心坐标为果点坐标,根据标准像素对应的尺寸值统计图像中的果点数据,果点数据主要包括果点坐标、果点长度、果点宽度、果点周长、果点外凸圆弧周长、果点面积和果点包围区域内的孔洞的面积值,下表是图3中部分果点的数据:
S2-2、计算测量区域内所有果点的面积平均值W:
其中,wr表示第r个果点的面积,所述测量区域内有R个果点,r=1,2,…,R。
S2-3、一般情况下面积远大于果点平均面积的果点可能是二值化处理时产生的噪点,比较wr和W,当时,将果点r作为噪点去除,否则保留该果点。其中,H为人为设置的面积比阈值,H的取值范围为[0.3,0.5],本实施例中H取0.4。
S2-4、除去面积比较,还可以比较果点长宽之差。正常梨果点均为不规则近似圆形,不会出现正方形、长方形、不规则体的情况。计算果点长度ar和宽度br之差,当|ar-br|>H'时,将果点r作为噪点去除,否则保留该果点。其中,H'为人为设置的长宽之差阈值,H'的取值范围为[8,15],本实施例中H'取10。
S2-5、本发明方法还通过外凸圆弧周长和周长之比来去除噪点,如图4所示,周长=外凸圆弧周长+直线长度+内凹圆弧长度。计算果点外凸圆弧周长cr和果点周长Cr之比,当cr/Cr≤H”时,将果点r作为噪点去除,否则保留该果点。其中,H”为人为设置的周长比阈值,H”的取值范围为[0.8,0.9],本实施例中H”取0.85。
S2-3、S2-4、S2-5这3种去噪方法是并列关系,果点不满足三者中任一条件都会被视为噪点去除掉,这样的设计可以最大限度的保证去噪的准确性,图5是去噪后的图像。
S-3、根据去噪后的图像统计梨种质资源表型果点数据并计算果点密度,具体操作如下:
S3-1、将噪点的数据从S2-1中获得的果点数据表格中删除,获得新的数据表格,可以直接用这个表格中的数据作为最终的果点数据进行分析计算,也可以采用LV_ParticleAnalysis函数重新统计得到去噪后的图像中的果点数量e和果点面积wf,f=1,2,…,e。
S3-2、根据标准像素对应的尺寸值测量去噪后的图像的长度L和宽度D,计算图像的面积:
V=L×D
S3-3、计算图像中果点的密度:
P=e/V
其中,e表示去噪后的图像中的果点个数;
S3-4、计算图像中果点面积占比:
U=W'/V
果点是由果面皮孔发育而来,是梨果实外观评价中重要的性状之一,果点大、多的品种其果实外观较差,甚至会形成果锈,如翠冠梨因果锈较多,消费者接受度较差,因此生产中常采用套袋等方法以减少/减轻果锈的形成,增加了生产成本。但常规的果点评价方法主观性强,无法量化品种间的差异性,因此本专利对果点的密度、大小通过图像分析、数字化,规范在梨种质资源果点性状的评价与利用,为后续开展梨种质资源果点性状遗传多样性及变异系数的研究奠定基础。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进,这些改进应视为本发明的保护范围。
Claims (5)
1.一种梨种质资源表型果点数据的测量与分析方法,其特征在于,包括以下步骤:
步骤1、采集梨表面图像,并对梨表面图像进行预处理,所述预处理包括灰度值处理和二值化处理;
步骤2、从预处理后的图像中选择一块图像区域作为测量区域,统计该测量区域中的果点数据,并根据果点数据对测量区域中的图像进行去噪处理,得到去噪后的图像;
所述去噪处理是指将果点的面积、长度、宽度、周长分别与预设的对应的去噪条件进行比较,将满足去噪条件的果点视为噪点并去除;
其中所述步骤2中统计的果点为不与其他果点重合的、独立的果点,果点数据包括:果点坐标、果点长度、果点宽度、果点周长、果点外凸圆弧周长和果点面积,其中,果点坐标定义为:以测量区域的左上角为坐标原点,将果点的质心坐标作为果点坐标;
步骤2中去噪处理的具体步骤为:
步骤2-1:根据测量区域中的果点数据,计算测量区域内所有果点的面积平均值W:
其中,wr表示第r个果点的面积,R表示测量区域内的果点个数,r=1,2,…,R;
步骤2-3:计算果点长度ar和宽度br之差,当|ar-br|>H'时,将果点r作为噪点去除,其中,H'为预设的长宽之差阈值;否则保留果点r;
步骤2-4:计算果点外凸圆弧周长cr和果点周长Cr之比,当cr/Cr≤H”时,将果点r作为噪点去除,其中,H”为预设的周长比阈值,果点周长=果点外凸圆弧周长+直线长度+内凹圆弧长度;否则保留果点r;
步骤3、从去噪后的图像中统计梨种质资源表型果点数据并计算果点密度;
步骤3-1:统计去噪后的图像中的果点个数e和各果点面积wf,f=1,2,…,e;
步骤3-2:测量去噪后的图像的长度L和宽度D,计算图像的面积V:
V=L×D
步骤3-3:计算图像中果点的密度:
P=e/V
步骤3-4:计算图像中果点的面积占比:
U=W'/V
2.根据权利要求1所述的梨种质资源表型果点数据的测量与分析方法,其特征在于,所述预处理的具体步骤为:
步骤1-1:取RGB绿色通道为灰度值,对梨表面图像做灰度值处理,得到灰度值图像;
步骤1-2:采用Niblack算法对灰度值图像进行阈值分割,生成二值化图像。
3.根据权利要求2所述的梨种质资源表型果点数据的测量与分析方法,其特征在于,所述步骤1-2中对灰度值图像进行阈值分割,生成二值化图像的具体步骤为:
步骤1-2-1:将灰度值图像分为Q个矩形区域,每个矩形区域由n*n个像素点组成,即矩形区域每一行均包含n个像素,每一列均包含n个像素,其中,Q、n为正整数;
步骤1-2-2:选取一个矩形区域q,q=1,2,…,Q,设矩形区域q的中心点像素坐标为(x,y),计算矩形区域q内所有像素点的灰度值均值mq(x,y):
其中,f(i,j)表示矩形区域q内坐标为(i,j)的像素点的灰度值;
步骤1-2-3:计算矩形区域q内所有像素点的灰度值标准差sq(x,y):
步骤1-2-4:根据灰度值均值和标准差计算矩形区域q的二值化阈值Tq(x,y):
Tq(x,y)=ksq(x,y)+mq(x,y)
其中,k为修正系数,k∈[0.1,0.4];
步骤1-2-5:利用二值化阈值对矩形区域q进行二值化处理:
其中,bq(i,j)为二值化图像值;
步骤1-2-6:重复步骤1-2-2至步骤1-2-5,对灰度值图像内所有矩形区域的像素点进行二值化处理,获得二值化图像。
4.根据权利要求1所述的梨种质资源表型果点数据的测量与分析方法,其特征在于,所述步骤2中的测量区域为预处理后的图像中无伤疤、无划痕、无虫洞、无果锈的一块图像区域。
5.根据权利要求1所述的梨种质资源表型果点数据的测量与分析方法,其特征在于,所述H的取值范围为[0.3,0.5],H'的取值范围为[8,15],H”的取值范围为[0.8,0.9]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910642746.5A CN110428401B (zh) | 2019-07-16 | 2019-07-16 | 一种梨种质资源表型果点数据的测量与分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910642746.5A CN110428401B (zh) | 2019-07-16 | 2019-07-16 | 一种梨种质资源表型果点数据的测量与分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110428401A CN110428401A (zh) | 2019-11-08 |
CN110428401B true CN110428401B (zh) | 2023-06-27 |
Family
ID=68409728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910642746.5A Active CN110428401B (zh) | 2019-07-16 | 2019-07-16 | 一种梨种质资源表型果点数据的测量与分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110428401B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112444208B (zh) * | 2020-11-27 | 2022-05-06 | 中国科学院海洋研究所 | 基于边缘检测的高通量贝类外部形态自动测量方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105761259B (zh) * | 2016-02-15 | 2018-08-21 | 江苏大学 | 一种基于显微图像的小麦叶片气孔密度测量方法 |
CN107133922A (zh) * | 2016-02-29 | 2017-09-05 | 孙智权 | 一种基于机器视觉和图像处理的硅片计数方法 |
CN107462586A (zh) * | 2017-08-13 | 2017-12-12 | 塔里木大学 | 一种快速测定果实果点密度的新方法 |
-
2019
- 2019-07-16 CN CN201910642746.5A patent/CN110428401B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110428401A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308697B (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN110288594B (zh) | 一种植物冠层结构性状分析方法 | |
CN110120042B (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
CN105335749B (zh) | 基于灰度共生矩阵的草地未割区域分界线提取方法 | |
CN104778458B (zh) | 一种基于纹理特征的纺织品花纹检索方法 | |
CN106855951A (zh) | 一种基于计算机视觉的粮种品质检测方法 | |
CN112907545B (zh) | 基于图像处理的种子芽长与根长检测方法 | |
CN104680186B (zh) | 一种心电信号中st段形态的自动分类方法 | |
CN110428401B (zh) | 一种梨种质资源表型果点数据的测量与分析方法 | |
CN108280833B (zh) | 一种植物根系分叉特征的骨架提取方法 | |
CN110263205B (zh) | 一种用于人参图像的检索方法 | |
CN115661187A (zh) | 用于中药制剂分析的图像增强方法 | |
CN111815542A (zh) | 一种树木年轮图像髓心定位、年轮测量方法 | |
CN115601690B (zh) | 一种基于智慧农业的食用菌环境检测方法 | |
CN114088714B (zh) | 一种谷物颗粒表面规则度的检测方法 | |
CN111428990A (zh) | 一种基于深度神经网络的水培花卉开花期花卉等级评估方法 | |
CN113610187B (zh) | 基于图像技术的木材纹理提取及分类方法 | |
CN109064288A (zh) | 一种服装设计系统 | |
CN113933304A (zh) | 基于视觉的金针菇成熟状态检测方法 | |
CN112365532B (zh) | 高精度樱桃尺寸分级方法 | |
CN104200497B (zh) | 基于断层识别和算子逼近的图像矢量化方法和系统 | |
CN112529838A (zh) | 一种基于图像处理技术的烟叶成熟度在线判别方法 | |
CN111160252A (zh) | 基于人工智能的马铃薯病害监测方法、系统及电子设备 | |
CN110570437A (zh) | 一种基于边界识别的电力通道自动化巡检数据处理方法 |
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 |