CN110660070B - 一种水稻叶脉图像提取方法和装置 - Google Patents
一种水稻叶脉图像提取方法和装置 Download PDFInfo
- Publication number
- CN110660070B CN110660070B CN201910739330.5A CN201910739330A CN110660070B CN 110660070 B CN110660070 B CN 110660070B CN 201910739330 A CN201910739330 A CN 201910739330A CN 110660070 B CN110660070 B CN 110660070B
- Authority
- CN
- China
- Prior art keywords
- image
- rice
- vein
- leaf
- rice leaf
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 130
- 235000009566 rice Nutrition 0.000 title claims abstract description 130
- 210000003462 vein Anatomy 0.000 title claims abstract description 93
- 238000000605 extraction Methods 0.000 title claims abstract description 16
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 130
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000003064 k means clustering Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000003708 edge detection Methods 0.000 claims abstract description 8
- 238000005520 cutting process Methods 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 8
- 239000000463 material Substances 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 238000003745 diagnosis Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000021121 meiosis Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—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
- G06T2207/30004—Biomedical image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种水稻叶脉图像提取方法和装置，包括：获取含有水稻叶片的图像，通过K均值聚类算法提取水稻叶片主体图像；对水稻叶片主体图像进行裁剪，得到含单一背景的水稻叶片图像，并对其进行灰度化处理；根据聚类均值判断法提取灰度化处理后水稻叶片图像中的叶脉图像，并根据Roberts算子进行边缘检测提取水稻叶片边缘的轮廓图像；根据得到的水稻叶脉图像及水稻叶片边缘图像判断水稻叶脉的偏向。通过本发明得到水稻的叶脉偏向，确定水稻叶片的叶龄精确度高，避免的用人眼识别，误差小，提高了效率，节省了人力物力，处理的结果可以应用于机器学习的样本，使得可以通过计算机技术来对水稻的生长进行智能的调控。
Description
技术领域
本发明涉及图像处理技术领域。更具体地，涉及一种水稻叶脉图像提取方法和装置。
背景技术
伴随着农业智能设备及传感器、物联网的普遍应用，海量有价值的农业图像数据和农情信息得以采集存储，如何对这些数据特别是图像数据进行处理，从中发现提取新颖的农业知识模式，成为发掘项目效益和促进农业生产力发展的关键举措。寒地水稻叶龄诊断栽培技术开始逐渐推广应用，这项技术是基于水稻器官同伸理论、叶龄模式理论、群体质量理论在水稻生产上的具体应用而发展起来的水稻栽培技术。其技术特点是以所种植的水稻主茎叶片生长发育进程为依据，其直观性强，在水稻生育过程中便于掌握应用。对于寒地水稻智慧调控技术研究主要包括三方面：一是标准，在水稻生育的各个叶龄期，经过大量实验制定的生长发育和农事活动标准。二是“诊断”，借用医学上对人的精神和体质状态做出判断的术语。对水稻不同生育阶段的生长发育表现和素质做出判断，用来认识水稻个体和群体的状况，是水稻生育预测和调控的前提。本研究通过水稻叶片来进行叶龄诊断，可以帮助种植者进行比较和判断。三是调控，及时采取相适应的施肥、灌溉、植保等措施进行调控，促使水稻沿着优质高产的轨迹发展。
在已有的水稻叶龄检测技术应用中，目前尚未有针对水稻叶片进行自动识别叶龄的技术。在进行常规的叶龄诊断方法中，常用的叶龄判断方法有三种，包括:点计叶龄法、种谷偏向法、叶脉偏向法。其中点计叶龄法的特点是：准确、快速、全生育期应用。但是必须在田间对水稻植株进行红点跟踪，在我们所获取的水稻叶片图像上没有相应的红点，因此这种方法不可取。种谷偏向法，这种方法适用于水稻前期——4、5、6叶时的叶龄快速识别。叶脉偏向法，这种方法用于水稻6、7、8、9叶时的叶龄快速识别。后两种方法的特点是：快速简单，但是有误差，需要调查10株以上，以多数为主。这三种方法目前都采用人眼识别，必须到田间进行水稻采集，识别叶龄之后进行手工记录，留待查看，费时费力，并且记录不能和图像结合起来，耗费人力和物力，效率低下，不能直观地进行统计叶龄，也不能推测出来幼穗分化、拔节、减数分裂、抽穗等关键时期，预知抽穗早晚。
要将计算机视觉应用在寒地水稻叶龄诊断栽培技术，需要对生长发育中后期的水稻进行检测，由于是图像自动采集，因此选用叶脉偏向法来进行叶龄判断。具体内容是需要根据获取的水稻叶片图像进行叶龄诊断，然后再根据诊断结果进行调控，及时采取相适应的措施，促使水稻沿着优质高产的轨迹发展。
因此，需要提供一种水稻叶脉图像提取方法和装置。
发明内容
本发明的目的在于提供一种水稻叶脉图像提取方法和装置，解决传统图像处理的方法无法对收到叶脉图像进行提取的问题，采用本发明的方法可以提取水稻叶脉并且分析叶脉的偏向。
为达到上述目的，本发明采用下述技术方案：
一种水稻叶脉图像提取方法，包括：
获取含有水稻叶片的图像，通过K均值聚类算法提取水稻叶片主体图像；
对所述水稻叶片主体图像进行裁剪，得到含单一背景的水稻叶片图像，并对其进行灰度化处理；
根据聚类均值判断法提取所述灰度化处理后水稻叶片图像中的叶脉图像，并根据Roberts算子进行边缘检测提取水稻叶片边缘的轮廓图像；
根据得到的水稻叶脉图像及水稻叶片边缘图像判断水稻叶脉的偏向。
进一步地，所述方法还包括：在CIE彩色空间中，根据K均值聚类算法将含有水稻叶片的图像中水稻叶片主体的像素点及背景的像素点分别分类。
进一步地，所述方法还包括：对水稻叶片主体图像进行裁剪后保留叶脉清晰位置的图像，并对其进行灰度化处理。
进一步地，所述方法还包括：利用聚类均值判断法根据灰度化处理后水稻叶片图像上每个像素点的灰度值将图像上主叶脉像素点从叶肉像素点中提取出来，得到叶片的叶脉图像。
进一步地，所述方法还包括：将所述叶片边缘的轮廓图像与所述叶脉图像结合得到叠加效果图，比较其中叶脉像素点的坐标均值与叶片轮廓的坐标均值得到叶脉的偏向。
本发明的一个实施例还公开了一种水稻叶脉图像提取装置，包括：
图像获取模块，用于获取含有水稻叶片的图像；
图像提取模块，用于通过K均值聚类算法提取水稻叶片主体图像；还用于根据聚类均值判断法提取所述灰度化处理后水稻叶片图像中的叶脉图像，并根据Roberts算子进行边缘检测提取水稻叶片边缘的轮廓图像；
图像裁剪模块，用于对所述水稻叶片主体图像进行裁剪，得到含单一背景的水稻叶片图像；
图像处理模块，用于对含单一背景的水稻叶片图像进行灰度化处理；
判断模块，用于根据得到的水稻叶脉图像及水稻叶片边缘图像判断水稻叶脉的偏向。
进一步地，所述图像提取模块还用于：在CIE彩色空间中，根据K均值聚类算法将含有水稻叶片的图像中水稻叶片主体的像素点及背景的像素点分别分类。
进一步地，所述图像处理模块还用于对水稻叶片主体图像进行裁剪后保留叶脉清晰位置的图像，并对其进行灰度化处理。
进一步地，所述图像提取模块还用于：利用聚类均值判断法根据灰度化处理后水稻叶片图像上每个像素点的灰度值将图像上主叶脉像素点从叶肉像素点中提取出来，得到叶片的叶脉图像。
进一步地，所述判断模块还用于：将所述叶片边缘的轮廓图像与所述叶脉图像结合得到叠加效果图，比较其中叶脉像素点的坐标均值与叶片轮廓的坐标均值得到叶脉的偏向。
本发明的有益效果如下：
本发明所述技术方案通过K均值聚类算法及判断法提取水稻叶片叶脉图像，利用Roberts算子提取水稻叶片边缘轮廓图像，最后通过结合计算得到水稻的叶脉偏向，以此确定水稻叶片的叶龄，由此法得到的叶龄精确度高，且全程为机械化操作，避免的用人眼识别，误差小，提高了效率，节省了人力物力，处理的结果可以应用于机器学习的样本，使得可以通过计算机技术来对水稻的生长进行智能的调控。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明；
图1为本发明一种水稻叶脉图像提取方法流程图；
图2为传统的图像处理后得到的水稻叶脉图片；
图3为利用本发明处理过后的水稻叶脉图片。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1所示，本发明公开的一种水稻叶脉图像提取方法，包括：获取含有水稻叶片的图像，通过K均值聚类算法提取水稻叶片主体图像；对所述水稻叶片主体图像进行裁剪，得到含单一背景的水稻叶片图像，并对其进行灰度化处理；根据聚类均值判断法提取所述灰度化处理后水稻叶片图像中的叶脉图像，并根据Roberts算子进行边缘检测提取水稻叶片边缘的轮廓图像；根据得到的水稻叶脉图像及水稻叶片边缘图像判断水稻叶脉的偏向。
具体的，采用在CIE彩色空间中进行K均值聚类方法来用于复杂背景中的目标叶片分割，精确的将目标叶片从背景中分割出来，对于分割出的叶片，只需要裁剪出其部分叶片用于提取叶脉即可，要求裁剪出叶片中叶脉清晰可见的位置，同时对图像进行灰度化。如图2所示，传统方法无法得到水稻叶片的叶脉图像，本发明使用聚类均值判断法来提取叶脉，聚类均值判断法是一种改进的聚类均值判断方法，其实现步骤具体如下：
(1)首先将图像各行像素点分别分为一组。如图像大小为m*n，则可分为m组，每一组数据点个数为n个。
(2)对于每一行的像素点根据其灰度值分别进行K聚类，聚类数定为2。
(3)对于其中一行：经过K聚类后的像素点分为两类，其中聚类均值更高的那一类就是主叶脉像素点。
(4)将每一行的主叶脉像素点保留，得到叶片整体的叶脉均值判断图。
由于水稻叶片的图像背景颜色为单一色调，而且正常的水稻叶片可以看到水稻主叶脉部分的颜色相对叶肉部分的颜色更深。所以对输入图片的灰度图进行降噪处理之后，根据像素点的灰度值进行聚类，最终可以将图像中水稻主叶脉部分的像素点聚成一类，叶肉的像素点聚成一类，以及图片的背景像素点聚为一类。通过上述处理可以将主叶脉的信息从图中分离出来，最后结合图像处理中的数学形态学方式进一步处理可以得到更加清晰的水稻主叶脉图像。将聚类后得到的最大均值作为阈值，来对图像进行“中值滤波”，也就是对每个像素点进行判断其邻域均值是否大于给定阈值。如果大于，则认定其是主叶脉像素点，将其在图中进行保留，否则，就从图中去掉。在提取出的叶脉图中，由于存在噪声，导致在图像的背景区域会残留一些小的噪点，这会影响主叶脉的提取效果。可以利用图像处理中的求解最大连通域的方法，得到单独的叶脉，然后再对主叶脉进行膨胀操作，填补主叶脉图像内部的孔隙。如图3所示，由本发明的方法得到的叶片图像中可以清楚地识别出叶脉位置。
得到了叶脉提取图像后，将叶片的像素点二值化，再进行膨胀操作，消除细小的边缘毛刺，再利用Roberts算子进行边缘检测，边缘检测通常是利用位置、朝向、幅度、均值和斜率五个方面的边缘特征来实现的。对于水稻叶片，其不仅具有主叶脉，还有平行的纵脉，并且主叶脉具有一定脉宽。本方案选择Roberts算子如式(1)所示，该算子在计算边缘时使用的是局部差分运算，采用对角线上相邻的两个像素之间的灰度差作为梯度来提取图像的边缘，该算子的检测效果优势主要体现在对垂直边缘的检测中，提取垂直边缘的效果会明显优于倾斜的边缘，最后得到叶片的轮廓图像。
Roberts算子：
最后，将叶片轮廓图像和叶脉提取图像结合起来，得到最终的叠加效果图。然后通过计算叶脉像素点的坐标均值，在图中用一种颜色虚线绘制出来，再计算出叶片轮廓的坐标均值，在图中用另一种颜色虚线绘制出来，将两者进行横向比较，就能得到最终的叶脉偏向。
本领域的技术人员应明白，本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (8)
1.一种水稻叶脉图像提取方法，其特征在于，包括：
获取含有水稻叶片的图像，通过K均值聚类算法提取水稻叶片主体图像；
对所述水稻叶片主体图像进行裁剪，得到含单一背景的水稻叶片图像，并对其进行灰度化处理；
根据聚类均值判断法提取所述灰度化处理后水稻叶片图像中的叶脉图像，并根据Roberts算子进行边缘检测提取水稻叶片边缘的轮廓图像；
根据得到的水稻叶脉图像及水稻叶片边缘图像判断水稻叶脉的偏向；
其中，
所述根据聚类均值判断法提取所述灰度化处理后水稻叶片图像中的叶脉图像包括：
将灰度化处理后水稻叶片图像各行像素点分别分为一组，对于每一行的像素点根据其灰度值分别进行K聚类，聚类数定为2，将经过K聚类后的像素点分为两类，其中聚类均值更高的一类为主叶脉像素点；将每一行的主叶脉像素点保留，得到叶片的叶脉图像。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：在CIE彩色空间中，根据K均值聚类算法将含有水稻叶片的图像中水稻叶片主体的像素点及背景的像素点分别分类。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：对水稻叶片主体图像进行裁剪后保留叶脉清晰位置的图像，并对其进行灰度化处理。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：将所述叶片边缘的轮廓图像与所述叶脉图像结合得到叠加效果图，比较其中叶脉像素点的坐标均值与叶片轮廓的坐标均值得到叶脉的偏向。
5.一种水稻叶脉图像提取装置，其特征在于，包括：
图像获取模块，用于获取含有水稻叶片的图像；
图像提取模块，用于通过K均值聚类算法提取水稻叶片主体图像；还用于根据聚类均值判断法提取灰度化处理后水稻叶片图像中的叶脉图像，并根据Roberts算子进行边缘检测提取水稻叶片边缘的轮廓图像；
其中，所述根据聚类均值判断法提取所述灰度化处理后水稻叶片图像中的叶脉图像包括：
将灰度化处理后水稻叶片图像各行像素点分别分为一组，对于每一行的像素点根据其灰度值分别进行K聚类，聚类数定为2，将经过K聚类后的像素点分为两类，其中聚类均值更高的一类为主叶脉像素点；将每一行的主叶脉像素点保留，得到叶片的叶脉图像；
图像裁剪模块，用于对所述水稻叶片主体图像进行裁剪，得到含单一背景的水稻叶片图像；
图像处理模块，用于对含单一背景的水稻叶片图像进行灰度化处理；
判断模块，用于根据得到的水稻叶脉图像及水稻叶片边缘图像判断水稻叶脉的偏向。
6.根据权利要求5所述的装置，其特征在于，所述图像提取模块还用于：在CIE彩色空间中，根据K均值聚类算法将含有水稻叶片的图像中水稻叶片主体的像素点及背景的像素点分别分类。
7.根据权利要求5所述的装置，其特征在于，所述图像处理模块还用于对水稻叶片主体图像进行裁剪后保留叶脉清晰位置的图像，并对其进行灰度化处理。
8.根据权利要求5所述的装置，其特征在于，所述判断模块还用于：将所述叶片边缘的轮廓图像与所述叶脉图像结合得到叠加效果图，比较其中叶脉像素点的坐标均值与叶片轮廓的坐标均值得到叶脉的偏向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910739330.5A CN110660070B (zh) | 2019-08-12 | 2019-08-12 | 一种水稻叶脉图像提取方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910739330.5A CN110660070B (zh) | 2019-08-12 | 2019-08-12 | 一种水稻叶脉图像提取方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110660070A CN110660070A (zh) | 2020-01-07 |
| CN110660070B true CN110660070B (zh) | 2023-09-29 |
Family
ID=69036508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910739330.5A Active CN110660070B (zh) | 2019-08-12 | 2019-08-12 | 一种水稻叶脉图像提取方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110660070B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112800845A (zh) * | 2020-12-31 | 2021-05-14 | 广州极飞科技股份有限公司 | 叶龄识别方法、装置、电子设备及可读存储介质 |
| CN113988465A (zh) * | 2021-11-17 | 2022-01-28 | 广西中以水肥一体生物科技有限公司 | 一种基于机器学习的香蕉植物营养判断方法 |
| CN114140688B (zh) * | 2021-11-23 | 2022-12-09 | 武汉理工大学 | 基于透射扫描图像的叶脉表型提取方法、装置及电子设备 |
| CN114596509A (zh) * | 2022-03-30 | 2022-06-07 | 华南农业大学 | 一种基于机器视觉的水稻秧苗叶龄期识别方法 |
| CN114913217A (zh) * | 2022-03-31 | 2022-08-16 | 北京瀚景锦河科技有限公司 | 一种水稻叶龄诊断方法 |
| CN116994001B (zh) * | 2023-08-10 | 2024-07-26 | 东北农业大学 | 一种基于数据智能的水稻叶龄模式栽培方法、系统及设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5475507A (en) * | 1992-10-14 | 1995-12-12 | Fujitsu Limited | Color image processing method and apparatus for same, which automatically detects a contour of an object in an image |
| CN109325498A (zh) * | 2018-07-26 | 2019-02-12 | 河北师范大学 | 基于窗口动态阈值改进Canny算子的叶脉提取算法 |
-
2019
- 2019-08-12 CN CN201910739330.5A patent/CN110660070B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5475507A (en) * | 1992-10-14 | 1995-12-12 | Fujitsu Limited | Color image processing method and apparatus for same, which automatically detects a contour of an object in an image |
| CN109325498A (zh) * | 2018-07-26 | 2019-02-12 | 河北师范大学 | 基于窗口动态阈值改进Canny算子的叶脉提取算法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于K-means聚类的植物叶片图像叶脉提取;李灿灿 等;《农业工程学报》;20120930;第28卷(第17期);第157-162页 * |
| 由叶轮廓生成叶脉的树叶建模与绘制;仲兰芬 等;《小型微型计算机系统》;20160531;第37卷(第5期);第1017-1021页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110660070A (zh) | 2020-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110660070B (zh) | 一种水稻叶脉图像提取方法和装置 | |
| Akanksha et al. | OPNN: optimized probabilistic neural network based automatic detection of maize plant disease detection | |
| Singh et al. | Detection and classification of plant leaf diseases in image processing using MATLAB | |
| CN105095958B (zh) | 一种蚕茧计数方法 | |
| CN110245657A (zh) | 病理图像相似性检测方法及检测装置 | |
| CN112990103B (zh) | 一种基于机器视觉的串采二次定位方法 | |
| Rajput et al. | Detection and classification of exudates using k-means clustering in color retinal images | |
| CN105095957A (zh) | 一种基于图像分割的蚕茧计数方法 | |
| CN111784597A (zh) | 一种植保机器人自主导航路径检测方法及服务器、存储介质 | |
| CN112836623B (zh) | 设施番茄农事决策辅助方法及装置 | |
| Sharma et al. | Detection of rice disease using bayes' classifier and minimum distance classifier | |
| CN107292228A (zh) | 一种加快人脸识别搜索速度的方法 | |
| CN111291686B (zh) | 农作物根果表型参数的提取与根果表型判别方法及系统 | |
| CN114677606B (zh) | 基于注意力机制和双分支网络的柑橘细粒度病害识别方法 | |
| CN115620151B (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
| CN106846334A (zh) | 基于支持向量数据描述的田间玉米植株识别方法 | |
| CN105891420A (zh) | 一种大数据智能分析植物生长状态的方法 | |
| Kumar et al. | Apple Sweetness Measurement and Fruit Disease Prediction Using Image Processing Techniques Based on Human‐Computer Interaction for Industry 4.0 | |
| CN105447860B (zh) | 一种麦苗计数方法 | |
| CN103714517B (zh) | 视频去雨方法 | |
| Murugeswari et al. | Automated sugarcane disease detection using faster RCNN with an android application | |
| Santhosh Kumar et al. | Review on disease detection of plants using image processing and machine learning techniques | |
| Kanwal et al. | Overlapped apple fruit yield estimation using pixel classification and hough transform | |
| CN109685815A (zh) | 一种基于图像处理的玉米行间的路径规划方法 | |
| CN113269750A (zh) | 香蕉叶部病害图像检测方法、系统、储存介质及检测设备 |
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 |