CN110895804A - 模糊边缘病斑提取方法和装置 - Google Patents

模糊边缘病斑提取方法和装置 Download PDF

Info

Publication number
CN110895804A
CN110895804A CN201811053096.2A CN201811053096A CN110895804A CN 110895804 A CN110895804 A CN 110895804A CN 201811053096 A CN201811053096 A CN 201811053096A CN 110895804 A CN110895804 A CN 110895804A
Authority
CN
China
Prior art keywords
super
lesion
diseased leaf
image
pixel
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
Application number
CN201811053096.2A
Other languages
English (en)
Inventor
马超
籍延宝
李琳一
袁涛
田明璐
姚鑫锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Academy of Agricultural Sciences
Original Assignee
Shanghai Academy of Agricultural Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Academy of Agricultural Sciences filed Critical Shanghai Academy of Agricultural Sciences
Priority to CN201811053096.2A priority Critical patent/CN110895804A/zh
Publication of CN110895804A publication Critical patent/CN110895804A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种模糊边缘病斑提取方法和装置，属于图像处理技术领域。本发明实施例提供的模糊边缘病斑提取方法和装置，将病叶区域图像从彩色图片中分离出来，采用超像素分割的方法将病叶区域图像进行超像素分割，从分割的超像素区域提取平均色彩分量特征和纹理特征，将平均色彩分量特征以及纹理特征进行分类，并标记分类结果，最终依据分类结果以及超像素区域在病叶区域图像中的位置确定合适的病斑分割数，可以实现自动提取模糊边缘病斑，获得良好的图像分割结果。

Description

模糊边缘病斑提取方法和装置
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种模糊边缘病斑提取方法和装置。
背景技术
农作物很多病害的病斑都是模糊边缘病斑，例如霜霉病病斑就是一种常见的模糊边缘病斑，常见于黄瓜、西甜瓜等农作物的叶子中。霜霉病发病严重且迅速，国内各省都有农作物得霜霉病的情况，国际上也普遍发生农作物得霜霉病的问题；霜霉病不仅陆地栽培中普遍存在，而且在保护环境的栽培中也普遍存在。在霜霉病发病季节，一周左右的时间就会使成片的植株发病，造成减产30％-50％的惨局。霜霉病主要出现在叶片上，形成多角形病斑，而中后期的病斑特征会出现较短灰白色的绒毛状物或紫褐色的较大角斑，特征十分明显，但在发病中后期确诊并处理已经太晚。可见及早确定病害为模糊边缘病斑的对农作物的健康成长来说是十分必要的。
模糊边缘病斑的获取需要使用图像分割方法，但是传统的图像分割方法在模糊边缘病斑提取上存在无法确定模糊边缘病斑的边缘的问题。
发明内容
针对上述现有技术中存在的问题，本发明提供了一种模糊边缘病斑提取方法和装置，可以实现自动提取模糊边缘病斑，获得良好的图像分割结果。
第一方面，本发明实施例提供了一种模糊边缘病斑提取方法，所述方法包括：
获取包含模糊边缘病斑的病叶的彩色图片；
从所述彩色图片中分离出所述包含模糊边缘病斑的病叶对应的病叶区域图像；
对所述病叶区域图像进行超像素分割，得到超像素区域；
提取所述超像素区域的特征；所述特征包括平均色彩分量特征以及纹理特征；
将所述超像素区域的特征输入分类器进行分类，并标记分类结果；
根据所述分类结果和所述超像素区域在所述病叶区域图像中的位置，确定模糊边缘病斑的边缘。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述从所述彩色图片中分离出所述模糊边缘病叶对应的病叶区域图像的步骤，包括：
采用双边滤波方法对所述彩色图片进行平滑处理；
对所述平滑处理后的彩色图片进行自适应二值化运算，得到所述病叶区域图像。
结合第一方面的，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述对所述病叶区域图像进行超像素分割，得到超像素区域的步骤，包括：
从所述病叶区域图像中确定出种子点；
计算所述种子点周围的像素点与所述种子点的相似度；
将相似度达到设定阈值的像素点与所述种子点进行聚类，得到所述超像素区域。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，，从所述病叶区域图像中确定出种子点的步骤，包括：
将所述病叶区域图像划分为多个大小相等的超像素；
在每个超像素中确定一个种子点。
结合第一方面的，本发明实施例提供了第一方面的第四种可能的实施方式，其中，提取所述超像素区域的特征的步骤，包括：
将所述超像素区域转换为RGB色彩空间；将所述RGB色彩空间中所有像素点的RGB颜色分量按预设公式取平均值，作为R分量均值、G分量均值、B分量均值，得到所述平均色彩分量特征；
使用灰度共生矩阵，提取能量特征、对比度特征、逆差矩特征、熵特征、自相关特征，得到所述纹理特征。
第二方面，本发明实施例还提供了一种模糊边缘病斑提取装置，所述装置包括：
彩色图片获取单元，用于获取包含模糊边缘病斑的病叶的彩色图片；
病叶区域图像获取单元，用于从所述彩色图片中分离出所述包含模糊边缘病斑的病叶对应的病叶区域图像；
超像素区域获取单元，用于对所述病叶区域图像进行超像素分割，得到超像素区域；
特征提取单元，用于提取所述超像素区域的特征；所述特征包括平均色彩分量特征以及纹理特征；
训练与识别单元，用于将所述超像素区域的特征输入分类器进行分类，并标记分类结果；
模糊边缘病斑边缘确定单元，用于根据所述分类结果和所述超像素区域在所述病叶区域图像中的位置，确定模糊边缘病斑的边缘。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述病叶区域图像获取单元，还用于：
采用双边滤波方法对所述彩色图片进行平滑处理；
对所述平滑处理后的彩色图片进行自适应二值化运算，得到所述病叶区域图像。
结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，所述超像素区域获取单元，还用于：
从所述病叶区域图像中确定出种子点；
计算所述种子点周围的像素点与所述种子点的相似度；
将相似度达到设定阈值的像素点与所述种子点进行聚类，得到所述超像素区域。
结合第二方面第二种可能的实施方式，本发明实施例提供了第二方面的第三种可能的实施方式，其中，所述超像素区域获取单元，还用于：
将所述病叶区域图像划分为多个大小相等的超像素；
在每个超像素中确定一个种子点。
结合第二方面，本发明实施例提供了第二方面的第四种可能的实施方式，其中，所述特征提取单元，还用于：
将所述超像素区域转换为RGB色彩空间；将所述RGB色彩空间中所有像素点的RGB颜色分量按预设公式取平均值，作为R分量均值、G分量均值、B分量均值，得到所述平均色彩分量特征；
使用灰度共生矩阵，提取能量特征、对比度特征、逆差矩特征、熵特征、自相关特征，得到所述纹理特征。
本发明实施例带来了以下有益效果：
本发明提供了一种模糊边缘病斑提取方法和装置，属于图像处理技术领域。本发明实施例提供的模糊边缘病斑提取方法和装置，将病叶区域图像从彩色图片中分离出来，采用超像素分割的方法将病叶区域图像进行超像素分割，从分割的超像素区域提取平均色彩分量特征和纹理特征，将平均色彩分量特征以及纹理特征进行分类，并标记分类结果，最终依据分类结果以及超像素区域在病叶区域图像中的位置确定合适的病斑分割数，可以实现自动提取模糊边缘病斑，获得良好的图像分割结果。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例所提供的模糊边缘病斑提取方法的流程图；
图2为本发明实施例所提供的模糊边缘病斑提取装置的结构框图；
图3为本发明实施例所提供的自适应二值化运算提取病叶区域图像的流程图；
图4为本发明实施例所提供的本发明提供的模糊边缘病斑提取方法与其他方法的结果对比图。
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，下面将结合附图对本发明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。
针对现有的问题，本发明实施例提供了一种，以下首先对本发明的模糊边缘病斑提取方法进行详细介绍。
实施例一
本实施例提供了一种模糊边缘病斑提取方法，如图1所示，本发明实施例提供的模糊边缘病斑提取方法，可以包括如下步骤：
步骤S101，获取植物包含模糊边缘病斑的病叶的彩色图片。
例如，使用手机拍摄含有模糊边缘病斑的病叶彩色图片；或者取已经存储好的的包含模糊边缘病斑的病叶的彩色图片。
步骤S102，从彩色图片中分离出包含模糊边缘病斑的病叶对应的病叶区域图像。
在一个可选的实施例，可以使用双边滤波方法对彩色图片进行平滑处理，公式(1)，(2)给出了双边滤过的操作：
Figure BDA0001795079850000061
Figure BDA0001795079850000062
其中，Iq表示输入图像，Ipbf表示滤波后图像，参数σs定义了用于过滤像素的空间邻域的大小，σr控制了相邻像素的加权值，Wbf为在权数之和中的正则化，使用双边滤波方法对彩色图片进行平滑处理的结果如图3所示。
对平滑处理后的彩色图片进行自适应二值化运算，得到病叶区域图像。
具体地，按照位置居中以及面积最大联通域的条件筛选出表达病叶的区域，将病叶区域填充后形成前景蒙版，将前景(病叶区域)从背景中提取出来，提取过程如图3所示，其中a为原始图，b为自适应二值化图，c为蒙版图，d为前景图，即病叶区域图。
步骤S103，对病叶区域图像进行超像素分割，得到超像素区域。
在一个可选的实施例，可以使用SLIC算法对病叶区域图像进行超像素分割，首先将病叶区域图像划分为多个大小相等的超像素，超像素是指在图像中由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域；在每个超像素中确定一个种子点；计算种子点周围的像素点与种子点的相似度；最后将相似度达到设定阈值的像素点与所述种子点进行聚类，得到所述超像素区域。
相似度计算的步骤为分别计算图像中像素与种子点之间的相似度，将最相似种子点的标签的值赋给该像素，重复计算收敛。相似度的度量关系如公式(3)，(4)，(5)表示：
Figure BDA0001795079850000071
Figure BDA0001795079850000072
Figure BDA0001795079850000073
式中[lkakbkxkyk]为种子点的5维特征向量；[liaibixiyi]为判断像素点的5维特征向量；dlab为像素之间在LAB色彩分量上的差异；dxy为像素之间在坐标空间上的空间距离；D为像素之间的相似度；S为种子点的间距；m为平衡参数，用来衡量色彩分量差异与空间距离之间的比重。
步骤S104，提取超像素区域的特征；特征包括平均色彩分量特征以及纹理特征。
具体地，将超像素区域转换为RGB色彩空间；将RGB色彩空间中所有像素点的RGB颜色分量按预设公式取平均值，作为R分量均值、G分量均值、B分量均值，得到平均色彩分量特征，预设公式如公式(6)，(7)，(8)所示：
Figure BDA0001795079850000074
Figure BDA0001795079850000075
Figure BDA0001795079850000076
其中，Mi表示第i个超像素区域；sum(i)表示第i个超像素区域的所有像素颜色值的总和；num(i)表示第i个超像素区域内所有像素的数目；R、G、B分别表示RGB颜色空间中的颜色分量值。
使用灰度共生矩阵，提取能量特征(ASM)、对比度(contrast)特征、逆差矩(inverse different moment)特征、熵(entropy)特征、自相关(cor-relation)特征，得到纹理特征，所用特征公式如公式(9)，(10)，(11)，(12)，(13)所示：
Figure BDA0001795079850000081
Figure BDA0001795079850000082
Figure BDA0001795079850000083
Figure BDA0001795079850000084
Figure BDA0001795079850000085
用一个向量将以上五种特征值综合到一起，得到一个综合向量。
步骤S105，将超像素区域的特征输入分类器进行分类，并标记分类结果。
具体的，使用BP神经网络对超像素区域的特征进行分类，BP神经网络采用Backprop(反向传递)模式，将得到的平均色彩分量特征和纹理特征输入到分类器进行分类，并对分类结果进行标记。
步骤S106，根据分类结果和超像素区域在病叶区域图像中的位置，确定模糊边缘病斑的边缘。
图4示出了本发明实施例提供的模糊边缘病斑提取方法与其他提取方法的结果对比，其中a为原始图，b为人工标记方法结果，c为色彩范围方法结果，d为本发明方法结果。由图4可以看出本发明实施例提供方法给出了较为明确的模糊边缘病斑的边界信息，而人工标识方法和色彩范围方法中都存在不同程度的漏检与误检，模糊边缘病斑的边界信息不够明确。
本发明提供了一种模糊边缘病斑提取方法，属于图像处理技术领域。本发明实施例提供的模糊边缘病斑提取方法和装置，将病叶区域图像从彩色图片中分离出来，采用超像素分割的方法将病叶区域图像进行超像素分割，从分割的超像素区域提取平均色彩分量特征和纹理特征，将平均色彩分量特征以及纹理特征进行分类，并标记分类结果，最终依据分类结果以及超像素区域在病叶区域图像中的位置确定合适的病斑分割数，可以实现自动提取模糊边缘病斑，获得良好的图像分割结果。
实施例二
与上述方法实施例相对应地，本实施例提供了一种模糊边缘病斑提取装置，如图所示2所示，该装置包括：
彩色图片获取单元21，用于获取包含模糊边缘病斑的病叶的彩色图片。
病叶区域图像获取单元22，用于从彩色图片中分离出包含模糊边缘病斑的病叶对应的病叶区域图像。
在一个可选的实施例，可以使用双边滤波方法对彩色图片进行平滑处理，对平滑处理后的彩色图片进行自适应二值化运算，得到病叶区域图像。
超像素区域获取单元23，用于对病叶区域图像进行超像素分割，得到超像素区域。
在一个可选的实施例，可以使用SLIC算法对病叶区域图像进行超像素分割，首先将病叶区域图像划分为多个大小相等的超像素，超像素是指在图像中由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域；在每个超像素中确定一个种子点；计算所述种子点周围的像素点与所述种子点的相似度；最后将相似度达到设定阈值的像素点与所述种子点进行聚类，得到所述超像素区域。
特征提取单元24，用于提取超像素区域的特征；特征包括平均色彩分量特征以及纹理特征。
具体地，将超像素区域转换为RGB色彩空间；将RGB色彩空间中所有像素点的RGB颜色分量按预设公式取平均值，作为R分量均值、G分量均值、B分量均值，得到平均色彩分量特征；使用灰度共生矩阵，提取能量特征、对比度特征、逆差矩特征、熵特征、自相关特征，得到纹理特征。
训练与识别单元25，用于将超像素区域的特征输入分类器进行分类，并标记分类结果。
模糊边缘病斑边缘确定单元26，用于根据分类结果和超像素区域在所述病叶区域图像中的位置，确定模糊边缘病斑的边缘。
本发明提供了一种模糊边缘病斑提取装置，属于图像处理技术领域。本发明实施例提供的模糊边缘病斑提取方法和装置，将病叶区域图像从彩色图片中分离出来，采用超像素分割的方法将病叶区域图像进行超像素分割，从分割的超像素区域提取平均色彩分量特征和纹理特征，将平均色彩分量特征以及纹理特征进行分类，并标记分类结果，最终依据分类结果以及超像素区域在病叶区域图像中的位置确定合适的病斑分割数，可以实现自动提取模糊边缘病斑，获得良好的图像分割结果。
进一步地，本发明实施例还提供了一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述的数据备份方法。
本发明实施例提供的具有模糊边缘病斑提取方法和装置，具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
需要说明的是，在本发明所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。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单元来实现本实施例方案的目的。
另外，在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种模糊边缘病斑提取方法，其特征在于，所述方法包括：
获取包含模糊边缘病斑的病叶的彩色图片；
从所述彩色图片中分离出所述包含模糊边缘病斑的病叶对应的病叶区域图像；
对所述病叶区域图像进行超像素分割，得到超像素区域；
提取所述超像素区域的特征；所述特征包括平均色彩分量特征以及纹理特征；
将所述超像素区域的特征输入分类器进行分类，并标记分类结果；
根据所述分类结果和所述超像素区域在所述病叶区域图像中的位置，确定模糊边缘病斑的边缘。
2.根据权利要求1所述的方法，其特征在于，所述从所述彩色图片中分离出所述包含模糊边缘病斑的病叶对应的病叶区域图像的步骤，包括：
采用双边滤波方法对所述彩色图片进行平滑处理；
对所述平滑处理后的彩色图片进行自适应二值化运算，得到所述病叶区域图像。
3.根据权利要求1所述的方法，其特征在于，所述对所述病叶区域图像进行超像素分割，得到超像素区域的步骤，包括：
从所述病叶区域图像中确定出种子点；
计算所述种子点周围的像素点与所述种子点的相似度；
将相似度达到设定阈值的像素点与所述种子点进行聚类，得到所述超像素区域。
4.根据权利要求3所述的方法，其特征在于，从所述病叶区域图像中确定出种子点的步骤，包括：
将所述病叶区域图像划分为多个大小相等的超像素；
在每个超像素中确定一个种子点。
5.根据权利要求1所述的方法，其特征在于，提取所述超像素区域的特征的步骤，包括：
将所述超像素区域转换为RGB色彩空间；将所述RGB色彩空间中所有像素点的RGB颜色分量按预设公式取平均值，作为R分量均值、G分量均值、B分量均值，得到所述平均色彩分量特征；
使用灰度共生矩阵，提取能量特征、对比度特征、逆差矩特征、熵特征、自相关特征，得到所述纹理特征。
6.一种模糊边缘病斑提取装置，其特征在于，所述装置包括：
彩色图片获取单元，用于获取包含模糊边缘病斑的病叶的彩色图片；
病叶区域图像获取单元，用于从所述彩色图片中分离出所述包含模糊边缘病斑的病叶对应的病叶区域图像；
超像素区域获取单元，用于对所述病叶区域图像进行超像素分割，得到超像素区域；
特征提取单元，用于提取所述超像素区域的特征；所述特征包括平均色彩分量特征以及纹理特征；
训练与识别单元，用于将所述超像素区域的特征输入分类器进行分类，并标记分类结果；
模糊边缘病斑边缘确定单元，用于根据所述分类结果和所述超像素区域在所述病叶区域图像中的位置，确定模糊边缘病斑的边缘。
7.根据权利要求6所述的装置，其特征在于，所述病叶区域图像获取单元，还用于：
采用双边滤波方法对所述彩色图片进行平滑处理；
对所述平滑处理后的彩色图片进行自适应二值化运算，得到所述病叶区域图像。
8.根据权利要求6所述的装置，其特征在于，所述超像素区域获取单元，还用于：
从所述病叶区域图像中确定出种子点；
计算所述种子点周围的像素点与所述种子点的相似度；
将相似度达到设定阈值的像素点与所述种子点进行聚类，得到所述超像素区域。
9.根据权利要求8所述的装置，其特征在于，所述超像素区域获取单元，还用于：
将所述病叶区域图像划分为多个大小相等的超像素；
在每个超像素中确定一个种子点。
10.根据权利要求6所述的装置，其特征在于，所述特征提取单元，还用于：
将所述超像素区域转换为RGB色彩空间；将所述RGB色彩空间中所有像素点的RGB颜色分量按预设公式取平均值，作为R分量均值、G分量均值、B分量均值，得到所述平均色彩分量特征；
使用灰度共生矩阵，提取能量特征、对比度特征、逆差矩特征、熵特征、自相关特征，得到所述纹理特征。
CN201811053096.2A 2018-09-10 2018-09-10 模糊边缘病斑提取方法和装置 Pending CN110895804A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811053096.2A CN110895804A (zh) 2018-09-10 2018-09-10 模糊边缘病斑提取方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811053096.2A CN110895804A (zh) 2018-09-10 2018-09-10 模糊边缘病斑提取方法和装置

Publications (1)

Publication Number Publication Date
CN110895804A true CN110895804A (zh) 2020-03-20

Family

ID=69784845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811053096.2A Pending CN110895804A (zh) 2018-09-10 2018-09-10 模糊边缘病斑提取方法和装置

Country Status (1)

Country Link
CN (1) CN110895804A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112489049A (zh) * 2020-12-04 2021-03-12 山东大学 基于超像素和svm的成熟番茄果实的分割方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489006A (zh) * 2013-10-11 2014-01-01 河南城建学院 一种基于计算机视觉的水稻病虫草害诊断方法
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
CN104063686A (zh) * 2014-06-17 2014-09-24 中国科学院合肥物质科学研究院 作物叶部病害图像交互式诊断系统与方法
CN104463193A (zh) * 2014-11-04 2015-03-25 西安电子科技大学 基于深度稀疏ica的极化sar图像分类方法
CN104598908A (zh) * 2014-09-26 2015-05-06 浙江理工大学 一种农作物叶部病害识别方法
WO2017031099A1 (en) * 2015-08-20 2017-02-23 Ohio University Devices and methods for classifying diabetic and macular degeneration
CN106483130A (zh) * 2016-10-13 2017-03-08 扬州大学 一种水稻病害的检测方法及其自动检测装置
WO2017194276A1 (en) * 2016-05-13 2017-11-16 Basf Se System and method for detecting plant diseases
CN108364300A (zh) * 2018-03-15 2018-08-03 山东财经大学 蔬菜叶部病害图像分割方法、系统及计算机可读存储介质
CN108427971A (zh) * 2018-04-19 2018-08-21 云南佳叶现代农业发展有限公司 基于移动终端的烟叶评级的方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489006A (zh) * 2013-10-11 2014-01-01 河南城建学院 一种基于计算机视觉的水稻病虫草害诊断方法
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
CN104063686A (zh) * 2014-06-17 2014-09-24 中国科学院合肥物质科学研究院 作物叶部病害图像交互式诊断系统与方法
CN104598908A (zh) * 2014-09-26 2015-05-06 浙江理工大学 一种农作物叶部病害识别方法
CN104463193A (zh) * 2014-11-04 2015-03-25 西安电子科技大学 基于深度稀疏ica的极化sar图像分类方法
WO2017031099A1 (en) * 2015-08-20 2017-02-23 Ohio University Devices and methods for classifying diabetic and macular degeneration
WO2017194276A1 (en) * 2016-05-13 2017-11-16 Basf Se System and method for detecting plant diseases
CN106483130A (zh) * 2016-10-13 2017-03-08 扬州大学 一种水稻病害的检测方法及其自动检测装置
CN108364300A (zh) * 2018-03-15 2018-08-03 山东财经大学 蔬菜叶部病害图像分割方法、系统及计算机可读存储介质
CN108427971A (zh) * 2018-04-19 2018-08-21 云南佳叶现代农业发展有限公司 基于移动终端的烟叶评级的方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
段凌凤等: "基于深度全卷积神经网络的大田稻穗分割" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112489049A (zh) * 2020-12-04 2021-03-12 山东大学 基于超像素和svm的成熟番茄果实的分割方法及系统

Similar Documents

Publication Publication Date Title
CN108206917B (zh) 图像处理的方法及装置、存储介质、电子装置
CN106340016B (zh) 一种基于细胞显微镜图像的dna定量分析方法
CN108764358B (zh) 一种太赫兹图像识别方法、装置、设备及可读存储介质
CN109740721B (zh) 麦穗计数方法及装置
CN109154978A (zh) 用于检测植物疾病的系统和方法
CN111259925B (zh) 基于k均值聚类和宽度突变算法的田间麦穗计数方法
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
CN106127735B (zh) 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置
EP3989161A1 (en) Method and system for leaf age estimation based on morphological features extracted from segmented leaves
CN111860369A (zh) 一种欺诈识别方法、装置以及存储介质
CN115908371A (zh) 基于优化分割的植物叶片病虫害程度检测方法
CN109785321A (zh) 基于深度学习和Gabor滤波器的睑板腺区域提取方法
CN107507175A (zh) 一种用于计算玉米叶部小斑病病斑所占面积比例的装置
CN113269191A (zh) 一种农作物叶片病害识别方法、装置和存储介质
CN110706196A (zh) 基于聚类感知的无参考色调映射图像质量评价算法
Tripathy Detection of cotton leaf disease using image processing techniques
CN110544262A (zh) 一种基于机器视觉的子宫颈细胞图像分割方法
CN116596879A (zh) 基于边界样本分位数的葡萄霜霉病自适应识别方法
CN110969642A (zh) 视频过滤方法、装置、电子设备及存储介质
CN114494887A (zh) 遥感图像分类方法、装置、计算机设备和可读存储介质
CN110895804A (zh) 模糊边缘病斑提取方法和装置
CN110874835B (zh) 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质
CN117274981A (zh) 一种基于图像识别的辣椒病理推测方法和装置
CN116433643A (zh) 一种基于计算机视觉的鱼肉品质鉴定方法及装置
Dannemiller et al. A new method for the segmentation of algae images using retinex and support vector machine

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

Application publication date: 20200320

RJ01 Rejection of invention patent application after publication