CN110751118A - 一种进行多株植物种类快速识别的算法 - Google Patents
一种进行多株植物种类快速识别的算法 Download PDFInfo
- Publication number
- CN110751118A CN110751118A CN201911025903.4A CN201911025903A CN110751118A CN 110751118 A CN110751118 A CN 110751118A CN 201911025903 A CN201911025903 A CN 201911025903A CN 110751118 A CN110751118 A CN 110751118A
- Authority
- CN
- China
- Prior art keywords
- image
- processing
- algorithm
- plant
- plant species
- 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
- 241000196324 Embryophyta Species 0.000 title claims abstract description 76
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 20
- 238000002372 labelling Methods 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 4
- 239000011148 porous material Substances 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000011835 investigation Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- 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
Abstract
本发明公开了一种进行多株植物种类快速识别的算法，包括以下步骤：S1、获取含有多株植物叶片的图像；S2、对获取的图像进行二值化处理；S3、对二值化处理后的图像进行填充处理和边界提取处理，边界提取处理后获得各叶片所代表的连通区边界；S4、对获取的连通区进行连通区标记处理；S5、对标记后的连通区进行分割处理；S6、最后利用分割处理得到的图像进行植株种类的识别和叶片面积的计算。本发明中，将对图像的二值化、边界提取、连通区提取与分割和面积计算结合到一起，并结合单株植物识别软件，实现植物的多株识别，大大减少了调查所需的时间，提高识别效率，减少人力物力的消耗。
Description
技术领域
本发明属于植株图像识别技术领域，具体涉及一种进行多株植物种类快速识别的算法。
背景技术
目前在植物识别领域，已经出现了多种单株植物图像识别的软件，其操作简单，识别起来精度也令人较为满意。但是这些植物种类识别的软件也有着其局限性，由于这些软件目前都只能够进行单株识别，因此在识别过程当中，操作人员必须对植株叶片进行单株拍摄，并不能够进行对多种植物的一次性识别。而这一缺陷使得在大型野外植物种类调查研究当中，运用植株种类识别软件会消耗掉很大的人力和时间。因此，如果能够结合这些单株植物识别软件，通过相关的算法来实现植物的多株识别，势必会大大减少调查所需的时间，提高识别效率，减少人力物力的消耗；并且，由于各种植物叶片形状的不规则而使得其面积不能够被准确地测量，目前也没有很好的解决方案。
发明内容
为了解决现有技术存在的上述问题，本发明目的在于提供一种进行多株植物种类快速识别的算法。
本发明所采用的技术方案为：一种进行多株植物种类快速识别的算法，包括以下步骤：
S1、获取含有多株植物叶片的图像；
S2、对获取的图像进行二值化处理；
S3、对二值化处理后的图像进行填充处理和边界提取处理，边界提取处理后获得各叶片所代表的连通区边界；
S4、对获取的连通区进行连通区标记处理；
S5、对标记后的连通区进行分割处理；
S6、最后利用分割处理得到的图像进行植株种类的识别和叶片面积的计算。
本发明中，在确定所要研究的区域之后，首先运用数码相机对所要研究的植物进行拍摄，拍摄时注意镜头俯视植株。在获取图像之后，首先进行图像的二值化处理，在处理之后将图像当中的叶片边界进行提取，之后进行图像的填充，形成若干个连通区，在连通区形成之后，将连通区边界对应的原图当中进行图像的分割，并将分割得到的含有单个叶片的图像提取出来，之后再将这些提取出来的图像导入到单株植物识别软件的数据库当中进行识别，获得植物的种类。
可选地，步骤S2包括以下过程：对获取的图像进行灰度化处理，其中包括对图像阈值的检测和简化图像颜色的类别。在获取图像之后，先运用MATLAB对图像进行预处理，运用图像的RGB特征将所要研究的目标与背景分离出来，将目标用黑色填充，将背景用白色填充。
可选地，步骤S3包括以下过程：对二值化处理的图像运用开操作去噪，将原图转化为黑底图并进行边界提取以及填充孔隙。进行二值化操作之后，叶片内部可能还有些许缝隙，因此再运用开操作消去噪点，在进行预处理之后，将植物叶片与背景分离且对有缝隙的地方进行了填充。填充之后将叶片的边界提取出来，运用MATLAB中的edge函数，即contour＝edge(openbw,'canny')，提取出连通区的边界，之后再对每一个连通区进行标记。
可选地，步骤S4包括以下过程：使用bwlabel函数进行连通区的提取和显示，并且对连通区进行重心的标记和其本身的标记。
可选地，步骤S5包括以下过程：将标记得到的连通区域反映到原图上，将各个连通区在原图中对应的图像从原图当中截取下来。将原图进行分割，在获取了植物叶片的边缘之后，再通过对像素点坐标的追踪，将获取的边界反映到原图上，将原图中的植物叶片分别截取出来。
可选地，将所述截取图像导入到单株植物识别软件中进行识别，即可得到植物的种类。
可选地，通过对图像中各叶片所占区域像素点的记数计算各叶片面积。植物叶片因为形状的不规则而使得其面积不能够被准确地测量，本发明中运用图像法和算法对植物叶面积进行计算。在对叶片进行上述的分割操作之后，将分割得到的叶片图像导入花伴侣软件中进行识别，在得出植物种类之后再计算叶片的面积。前面的操作通过阈值分割将样本中的绿色部分提取出来，并将背景用黑色填充。因为黑色的RGB值为(0，0，0)，故将图像中任意RGB(m，n，k)＞0的像素点进行记数，计算完后，用RGB＞0的像素点数目除以总的像素点数目，再乘样本的面积，便可以得到该样本中叶片的面积。将计算的面积与前面识别的种类相对应，得出每种植物叶片的总面积。
本发明的有益效果为：本申请中，通过设置图像的二值化处理、边界提取处理、填充处理、连通区标记处理、分割处理和面积计算，二值化处理使图像色彩简单化，边界提取处理使叶片边界得到标记，填充处理使得叶片内部孔隙得到填充，连通区标记处理使得单个叶片所在区域得到识别，分割处理使得单个叶片的图像被导出，面积计算处理使得单个叶片面积得到计算。将对图像的二值化、边界提取、连通区提取与分割和面积计算结合到一起，并结合单株植物识别软件，实现植物的多株识别，势必会大大减少调查所需的时间，提高识别效率，减少人力物力的消耗。
附图说明
图1是本发明算法的流程示意图。
图2是运用数码相机对所要研究区域进行拍摄后获得的图像。
图3是二值化处理后获得的图像。
图4是填充处理后获得的图像。
图5是边界提取处理获得的图像。
图6是连通区标记处理后获得的图像。
图7是分割处理后获得的图像。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
下面结合附图及具体实施例对本发明作进一步阐述。
实施例：
如图1所示，本发明提供的一种进行多株植物种类快速识别的算法，包括以下步骤：
S1、获取含有多株植物叶片的图像；
S2、对获取的图像进行二值化处理；
S3、对二值化处理后的图像进行填充处理和边界提取处理，边界提取处理后获得各叶片所代表的连通区边界；
S4、对获取的连通区进行连通区标记处理；
S5、对标记后的连通区进行分割处理；
S6、最后利用分割处理得到的图像进行植株种类的识别和叶片面积的计算。
本发明中，在确定所要研究的区域之后，首先运用数码相机对所要研究的植物进行拍摄，拍摄时注意镜头俯视植株。在获取图像之后，首先进行图像的二值化处理，在处理之后将图像当中的叶片边界进行提取，之后进行图像的填充，形成若干个连通区，在连通区形成之后，将连通区边界对应的原图当中进行图像的分割，并将分割得到的含有单个叶片的图像提取出来，之后再将这些提取出来的图像导入到单株植物识别软件的数据库当中进行识别，获得植物的种类。
具体地，步骤S2包括以下过程：对获取的图像进行灰度化处理，其中包括对图像阈值的检测和简化图像颜色的类别。在获取图像之后，先运用MATLAB对图像进行预处理，运用图像的RGB特征将所要研究的目标与背景分离出来，将目标用黑色填充，将背景用白色填充。
具体地，步骤S3包括以下过程：对二值化处理的图像运用开操作去噪，将原图转化为黑底图并进行边界提取以及填充孔隙。进行二值化操作之后，叶片内部可能还有些许缝隙，因此再运用开操作消去噪点，在进行预处理之后，将植物叶片与背景分离且对有缝隙的地方进行了填充。填充之后将叶片的边界提取出来，运用MATLAB中的edge函数，即contour＝edge(openbw,'canny')，提取出连通区的边界，之后再对每一个连通区进行标记。
具体地，步骤S4包括以下过程：使用bwlabel函数进行连通区的提取和显示，并且对连通区进行重心的标记和其本身的标记。
具体地，步骤S5包括以下过程：将标记得到的连通区域反映到原图上，将各个连通区在原图中对应的图像从原图当中截取下来。将原图进行分割，在获取了植物叶片的边缘之后，再通过对像素点坐标的追踪，将获取的边界反映到原图上，将原图中的植物叶片分别截取出来。
具体地，将所述截取图像导入到单株植物识别软件中进行识别，即可得到植物的种类。
具体地，通过对图像中各叶片所占区域像素点的记数计算各叶片面积。植物叶片因为形状的不规则而使得其面积不能够被准确地测量，本发明中运用图像法和算法对植物叶面积进行计算。在对叶片进行上述的分割操作之后，将分割得到的叶片图像导入花伴侣软件中进行识别，在得出植物种类之后再计算叶片的面积。前面的操作通过阈值分割将样本中的绿色部分提取出来，并将背景用黑色填充。因为黑色的RGB值为(0，0，0)，故将图像中任意RGB(m，n，k)＞0的像素点进行记数，计算完后，用RGB＞0的像素点数目除以总的像素点数目，再乘样本的面积，便可以得到该样本中叶片的面积。将计算的面积与前面识别的种类相对应，得出每种植物叶片的总面积。
下面以图2为例，运用本发明方法进行多种植株识别进行说明：
图2为运用数码相机对所要研究区域进行拍摄后获得的图像，在获取图像之后，先运用MATLAB对图像进行预处理，运用图像的RGB特征将所要研究的目标与背景分离出来，将目标用黑色填充，将背景用白色填充，进行二值化操作之后得到图3，但是可以很明显看出，二值化处理后叶片内部还有些许缝隙，因此再运用开操作消去噪点，得到图4，如图4所示，在进行预处理之后，将植物叶片与背景分离且对有缝隙的地方进行了填充。
在得到图4所示图像之后，下一步要处理的就是将植物叶片的边界提取出来，运用MATLAB中的edge函数，即contour＝edge(openbw,'canny')，提取出连通区的边界，如图5所示，之后再对每一个连通区进行标记，如图6所示。
要识别叶片种类，需要将原图进行分割，因此，在获取了植物叶片的边缘之后，再通过对像素点坐标的追踪，将获取的边界反映到原图上，将原图中的植物叶片分别截取出来，如图7所示。再将截取出来的图像导入到单株植物识别软件中进行识别，就可得到植物的种类。
最后，附上本发明实施过程所设计的具体代码(包括但不限于下列代码表达形式)。
本发明不局限于上述可选实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是落入本发明权利要求界定范围内的技术方案，均落在本发明的保护范围之内。
Claims (7)
1.一种进行多株植物种类快速识别的算法，其特征在于，包括以下步骤：
S1、获取含有多株植物叶片的图像；
S2、对获取的图像进行二值化处理；
S3、对二值化处理后的图像进行填充处理和边界提取处理，边界提取处理后获得各叶片所代表的连通区边界；
S4、对获取的连通区进行连通区标记处理；
S5、对标记后的连通区进行分割处理；
S6、最后利用分割处理得到的图像进行植株种类的识别和叶片面积的计算。
2.根据权利要求1所述的进行多株植物种类快速识别的算法，其特征在于，步骤S2包括以下过程：对获取的图像进行灰度化处理，其中包括对图像阈值的检测和简化图像颜色的类别。
3.根据权利要求1所述的进行多株植物种类快速识别的算法，其特征在于，步骤S3包括以下过程：对二值化处理的图像运用开操作去噪，将原图转化为黑底图并进行边界提取以及填充孔隙。
4.根据权利要求1所述的进行多株植物种类快速识别的算法，其特征在于，步骤S4包括以下过程：使用bwlabel函数进行连通区的提取和显示，并且对连通区进行重心的标记和其本身的标记。
5.根据权利要求1所述的进行多株植物种类快速识别的算法，其特征在于，步骤S5包括以下过程：将标记得到的连通区域反映到原图上，将各个连通区在原图中对应的图像从原图当中截取下来，获得截取图像。
6.根据权利要求5所述的进行多株植物种类快速识别的算法，其特征在于，步骤S6中植株种类的识别包括以下过程：将所述截取图像导入到单株植物识别软件中进行识别，即可得到植物的种类。
7.根据权利要求1所述的进行多株植物种类快速识别的算法，其特征在于，步骤S6包括以下过程：通过对图像中各叶片所占区域像素点的记数计算各叶片面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911025903.4A CN110751118A (zh) | 2019-10-25 | 2019-10-25 | 一种进行多株植物种类快速识别的算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911025903.4A CN110751118A (zh) | 2019-10-25 | 2019-10-25 | 一种进行多株植物种类快速识别的算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110751118A true CN110751118A (zh) | 2020-02-04 |
Family
ID=69280122
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911025903.4A Pending CN110751118A (zh) | 2019-10-25 | 2019-10-25 | 一种进行多株植物种类快速识别的算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110751118A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117496196A (zh) * | 2023-11-03 | 2024-02-02 | 廊坊市园林绿化事务中心 | 一种园林植物养护监测方法、系统、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831398A (zh) * | 2012-07-24 | 2012-12-19 | 中国农业大学 | 基于深度图像的树上苹果识别方法 |
| CN104182763A (zh) * | 2014-08-12 | 2014-12-03 | 中国计量学院 | 一种基于花朵特征的植物种类识别系统 |
-
2019
- 2019-10-25 CN CN201911025903.4A patent/CN110751118A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831398A (zh) * | 2012-07-24 | 2012-12-19 | 中国农业大学 | 基于深度图像的树上苹果识别方法 |
| CN104182763A (zh) * | 2014-08-12 | 2014-12-03 | 中国计量学院 | 一种基于花朵特征的植物种类识别系统 |
Non-Patent Citations (2)
| Title |
|---|
| 姚明胜: "基于叶片特征的植物种类识别研究及识别系统实现", 《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》 * |
| 李震等: "植物多叶片图像目标识别和叶面积测量方法", 《华南农业大学学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117496196A (zh) * | 2023-11-03 | 2024-02-02 | 廊坊市园林绿化事务中心 | 一种园林植物养护监测方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
| JP4172941B2 (ja) | 土地区画データ作成方法および装置 | |
| CN110967339B (zh) | 一种玉米果穗性状分析的方法及装置、玉米性状分析设备 | |
| CN109409377B (zh) | 图像中文字的检测方法及装置 | |
| CN107437068B (zh) | 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法 | |
| CN110909640A (zh) | 水位线的确定方法及装置、存储介质、电子装置 | |
| CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
| CN109859257B (zh) | 一种基于纹理方向性的皮肤图像纹理评估方法及系统 | |
| CN109859160A (zh) | 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法 | |
| CN110032946A (zh) | 一种基于机器视觉的铝/铝泡罩包装药片识别与定位方法 | |
| CN110852315A (zh) | 环形文字快速识别方法及装置 | |
| 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 | |
| CN105320970A (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
| Patki et al. | Cotton leaf disease detection & classification using multi SVM | |
| CN111161295A (zh) | 一种菜品图像背景剥离方法 | |
| CN112581452A (zh) | 工业配件表面缺陷检测方法、系统、智能设备和存储介质 | |
| Liu et al. | Splicing forgery exposure in digital image by detecting noise discrepancies | |
| CN110751118A (zh) | 一种进行多株植物种类快速识别的算法 | |
| CN107239761B (zh) | 基于骨架角点检测的果树拉枝效果评价方法 | |
| CN111738310B (zh) | 物料分类方法、装置、电子设备和存储介质 | |
| CN108734054B (zh) | 无遮挡的柑橘果实图像识别方法 | |
| CN109635679B (zh) | 一种实时的靶纸定位及环线识别方法 | |
| CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别系统和方法 | |
| CN108830834A (zh) | 一种爬索机器人视频缺陷信息自动提取方法 | |
| CN110298824A (zh) | 基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200204 |