CN110910403A - 一种基于图像处理的工业大麻种子计数方法 - Google Patents
一种基于图像处理的工业大麻种子计数方法 Download PDFInfo
- Publication number
- CN110910403A CN110910403A CN201911123129.0A CN201911123129A CN110910403A CN 110910403 A CN110910403 A CN 110910403A CN 201911123129 A CN201911123129 A CN 201911123129A CN 110910403 A CN110910403 A CN 110910403A
- Authority
- CN
- China
- Prior art keywords
- image
- hemp seed
- carrying
- connected domain
- processing
- 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
- 244000025254 Cannabis sativa Species 0.000 title claims abstract description 61
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 title claims abstract description 61
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 title claims abstract description 61
- 235000009120 camo Nutrition 0.000 title claims abstract description 61
- 235000005607 chanvre indien Nutrition 0.000 title claims abstract description 61
- 239000011487 hemp Substances 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 title claims abstract description 34
- 238000005520 cutting process Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000005286 illumination Methods 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 claims description 14
- 230000007797 corrosion Effects 0.000 claims description 13
- 238000005260 corrosion Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 8
- 230000010339 dilation Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000218236 Cannabis Species 0.000 description 1
- 241000218231 Moraceae Species 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于图像处理的工业大麻种子计数方法,包括以下步骤:将图片转换为灰度图像,对得到的图像进行二次膨胀,得到边缘明显的灰度图像;去除边缘明显的灰度图像中存在的边框;通过限制对比度自适应直方图均衡CLAHE算法,进行图像的照度均衡,通过直线滤波法对均衡后图像进行线条粗检测,采用迭代法进行图像二值化,去除二值化图像孤立像素点;对图像进行连通域检测,得到多个连通域,实现对图像的分类;并生成切割结果图像;生成相加结果图;查找相加结果图中连通域的个数和位置。本发明简单易操作,计算精确高效,能够对大麻种子进行有效计数,取代人工计数和机械计数的方式,节省了人力成本和设备成本,大幅度地提高工作效率。
Description
技术领域
本发明涉及大麻种子计数技术领域,尤其涉及一种基于图像处理的工业大麻种子计数方法。
背景技术
大麻为桑科、大麻属植物,一年生直立草本,枝具纵沟槽,密生灰白色贴伏毛,叶掌状全裂,裂片披针形或线状披针形,特指雌性植物经干燥的花和毛状体,大麻种植可剥麻收子;为了进行大麻种子质量检验、测量产量、考种等科研实验,数粒是不可或缺的步骤,而且数粒的精度对实验结果有着极大的影响,育种是通过创造遗传变异、改良遗传特性以达到培育出优良动植物新品种的技术,对种植业和畜牧业的发展具有非常重要的意义,而计数是育种的一个重要环节;
目前在对大麻种子进行计数时,人工计数的方式还是十分普遍,优点是工具要求低,而缺点是效率低、容易出错,劳动力大,容易造成视觉疲劳,也有少数的机电一体化数粒设备,可以代替人工计数,但是存在着误差大、制造复杂、价格昂贵等问题,难以广泛地推广应用。
发明内容
(一)发明目的
为解决背景技术中存在的技术问题,本发明提出一种基于图像处理的工业大麻种子计数方法,简单易操作,计算精确高效,能够对大麻种子进行有效计数,取代人工计数和机械计数的方式,节省了人力成本和设备成本,大幅度地提高工作效率。
(二)技术方案
本发明提出了一种基于图像处理的工业大麻种子计数方法,包括以下步骤:
S1、拍摄大麻种子图片;
S2、将大麻种子图片导入到计算机中,并选取出其中清晰不模糊的大麻种子图片进行处理;
S3、读取选取的图片并将其转换为灰度图像,利用边缘检测函数提取图像中的边缘信息,对得到的图像进行二次膨胀,得到边缘明显的灰度图像;
S4、使用霍夫直线检测法对灰度图像进行检测,并去除边缘明显的灰度图像中存在的边框;
S5、通过限制对比度自适应直方图均衡CLAHE算法,进行图像的照度均衡,通过直线滤波法对均衡后图像进行线条粗检测,采用迭代法进行图像二值化,去除二值化图像孤立像素点;
S6、对图像进行连通域检测,得到多个连通域,实现对图像的分类;
首先利用腐蚀将弱粘连的种子分离,再利用面积特征将种子连通域分成两类,第一类是一个连通域中只包含一个大麻种子的连通域类;第二类是一个连通域中包含多个大麻种子的连通域类;
S7、根据凹点对S6中的第二类图像进行切割,并检测连通域的凹点特征和面积特征,利用这两个特征对大麻种子连通域进行循环切割,并生成切割结果图像;
S8、对切割结果图像进行腐蚀和去小连通域操作,并相加第一类图像和切割结果图像,生成相加结果图;
S9、查找相加结果图中连通域的个数和位置。
优选的,在S3中,通过matlab的edge模型进行边缘检测,参数为‘prewitt’。
优选的,在S3中,通过matlab膨胀模型对图像进行二次膨胀操作,参数为‘disk’。
优选的,S4的具体操作步骤如下:
S41、利用matlab的hough模型处理S3得到的灰度图像,得到线段信息,从变换矩阵H中提取二十个极值点;
S42、对取出的二十个线段做进一步处理:若两条线段距离小于四十像素数则拼接起来,拼接后的线段若小于一百像素数则舍弃该线段;
S43、对得到的线段进一步筛选,保留角度条件为88°到92°以及-2°到2°的线段,其余线段抹去。
优选的,在S5中,图像二值化的具体步骤如下:
首先对灰度图像进行图像加深操作,之后再进行拉伸操作生成灰阶分布图,然后在灰阶分布图中找到低谷与左边的峰值,二者之间中间的位置记为new-level,根据new-level进行otsu二值化图像。
优选的,S6的具体步骤如下:
S61、利用腐蚀方法将图中弱粘连的种子连通域分离,并生成处理图一;
S62、获取处理图一,检测连通域的面积特征,并记录下面积特征;
S63、获取处理图一和S62处理后的面积特征,利用面积特征将大麻种子连通域分成两类;
S64、循环上述步骤至少五次。
优选的,S9的具体步骤如下:
S91、获取相加结果图并找出图像中每个连通域的最小外接矩形;
S92、以外接矩形的中心作为大麻种子的中心,外接矩形个数作为大麻种子个数,最后显示结果。
本发明的上述技术方案具有如下有益的技术效果:
大麻种子图片导入到计算机中;之后读取选取的图片并将其转换为灰度图像,利用边缘检测函数提取图像中的边缘信息,对得到的图像进行二次膨胀,得到边缘明显的灰度图像;然后使用霍夫直线检测法对灰度图像进行检测,并去除边缘明显的灰度图像中存在的边框;之后通过限制对比度自适应直方图均衡CLAHE算法,进行图像的照度均衡,通过直线滤波法对均衡后图像进行线条粗检测,采用迭代法进行图像二值化,去除二值化图像孤立像素点;然后对图像进行连通域检测,得到多个连通域,实现对图像的分类;首先利用腐蚀将弱粘连的种子分离,再利用面积特征将种子连通域分成两类;之后根据凹点对第二类图像进行切割,并检测连通域的凹点特征和面积特征,利用这两个特征对大麻种子连通域进行循环切割,并生成切割结果图像;然后对切割结果图像进行腐蚀和去小连通域操作,并相加第一类图像和切割结果图像,生成相加结果图;最后查找相加结果图中连通域的个数和位置;
本发明简单易操作,计算精确高效,能够对大麻种子进行有效计数,取代人工计数和机械计数的方式,节省了人力成本和设备成本,大幅度地提高工作效率。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本发明提出的一种基于图像处理的工业大麻种子计数方法,包括以下步骤:
S1、拍摄大麻种子图片;
S2、将大麻种子图片导入到计算机中,并选取出其中清晰不模糊的大麻种子图片进行处理;
S3、读取选取的图片并将其转换为灰度图像,利用边缘检测函数提取图像中的边缘信息,对得到的图像进行二次膨胀,得到边缘明显的灰度图像;
S4、使用霍夫直线检测法对灰度图像进行检测,并去除边缘明显的灰度图像中存在的边框;
S5、通过限制对比度自适应直方图均衡CLAHE算法,进行图像的照度均衡,通过直线滤波法对均衡后图像进行线条粗检测,采用迭代法进行图像二值化,去除二值化图像孤立像素点;
S6、对图像进行连通域检测,得到多个连通域,实现对图像的分类;
首先利用腐蚀将弱粘连的种子分离,再利用面积特征将种子连通域分成两类,第一类是一个连通域中只包含一个大麻种子的连通域类;第二类是一个连通域中包含多个大麻种子的连通域类;
S7、根据凹点对S6中的第二类图像进行切割,并检测连通域的凹点特征和面积特征,利用这两个特征对大麻种子连通域进行循环切割,并生成切割结果图像;
S8、对切割结果图像进行腐蚀和去小连通域操作,并相加第一类图像和切割结果图像,生成相加结果图;
S9、查找相加结果图中连通域的个数和位置。
在一个可选的实施例中,在S3中,通过matlab的edge模型进行边缘检测,参数为‘prewitt’。
在一个可选的实施例中,在S3中,通过matlab膨胀模型对图像进行二次膨胀操作,参数为‘disk’。
在一个可选的实施例中,S4的具体操作步骤如下:
S41、利用matlab的hough模型处理S3得到的灰度图像,得到线段信息,从变换矩阵H中提取二十个极值点;
S42、对取出的二十个线段做进一步处理:若两条线段距离小于四十像素数则拼接起来,拼接后的线段若小于一百像素数则舍弃该线段;
S43、对得到的线段进一步筛选,保留角度条件为88°到92°以及-2°到2°的线段,其余线段抹去。
在一个可选的实施例中,在S5中,图像二值化的具体步骤如下:
首先对灰度图像进行图像加深操作,之后再进行拉伸操作生成灰阶分布图,然后在灰阶分布图中找到低谷与左边的峰值,二者之间中间的位置记为new-level,根据new-level进行otsu二值化图像。
在一个可选的实施例中,S6的具体步骤如下:
S61、利用腐蚀方法将图中弱粘连的种子连通域分离,并生成处理图一;
S62、获取处理图一,检测连通域的面积特征,并记录下面积特征;
S63、获取处理图一和S62处理后的面积特征,利用面积特征将大麻种子连通域分成两类;
S64、循环上述步骤至少五次。
在一个可选的实施例中,S9的具体步骤如下:
S91、获取相加结果图并找出图像中每个连通域的最小外接矩形;
S92、以外接矩形的中心作为大麻种子的中心,外接矩形个数作为大麻种子个数,最后显示结果。
本发明中,使用时,首先使用高清相机拍摄大麻种子图片,将大麻种子图片导入到计算机中并选取出其中清晰不模糊的大麻种子图片进行处理;之后读取选取的图片并将其转换为灰度图像,通过matlab的edge模型进行边缘检测,参数为‘prewitt’,通过matlab膨胀模型对图像进行二次膨胀操作,参数为‘disk’,得到边缘明显的灰度图像;
然后使用霍夫直线检测法对灰度图像进行检测,并去除边缘明显的灰度图像中存在的边框;具体操作为:利用matlab的hough模型处理灰度图像,得到线段信息,从变换矩阵H中提取二十个极值点,对取出的二十个线段做进一步处理,若两条线段距离小于四十像素数则拼接起来,拼接后的线段若小于一百像素数则舍弃该线段,对得到的线段进一步筛选,保留角度条件为88°到92°以及-2°到2°的线段,其余线段抹去;
之后通过限制对比度自适应直方图均衡CLAHE算法,进行图像的照度均衡,通过直线滤波法对均衡后图像进行线条粗检测,采用迭代法进行图像二值化,去除二值化图像孤立像素点;图像二值化的过程为:首先对灰度图像进行图像加深操作,之后再进行拉伸操作生成灰阶分布图,然后在灰阶分布图中找到低谷与左边的峰值,二者之间中间的位置记为new-level,根据new-level进行otsu二值化图像;
然后对图像进行连通域检测,得到多个连通域,实现对图像的分类;首先利用腐蚀将弱粘连的种子分离,再利用面积特征将种子连通域分成两类,第一类是一个连通域中只包含一个大麻种子的连通域类;第二类是一个连通域中包含多个大麻种子的连通域类;之后根据凹点对第二类图像进行切割,并检测连通域的凹点特征和面积特征,利用这两个特征对大麻种子连通域进行循环切割,并生成切割结果图像;然后对切割结果图像进行腐蚀和去小连通域操作,并相加第一类图像和切割结果图像,生成相加结果图;
最后获取相加结果图并找出图像中每个连通域的最小外接矩形,并以外接矩形的中心作为大麻种子的中心,外接矩形个数作为大麻种子个数,最后显示结果;
本发明简单易操作,计算精确高效,能够对大麻种子进行有效计数,取代人工计数和机械计数的方式,节省了人力成本和设备成本,大幅度地提高工作效率。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (7)
1.一种基于图像处理的工业大麻种子计数方法,其特征在于,包括以下步骤:
S1、拍摄大麻种子图片;
S2、将大麻种子图片导入到计算机中,并选取出其中清晰不模糊的大麻种子图片进行处理;
S3、读取选取的图片并将其转换为灰度图像,利用边缘检测函数提取图像中的边缘信息,对得到的图像进行二次膨胀,得到边缘明显的灰度图像;
S4、使用霍夫直线检测法对灰度图像进行检测,并去除边缘明显的灰度图像中存在的边框;
S5、通过限制对比度自适应直方图均衡CLAHE算法,进行图像的照度均衡,通过直线滤波法对均衡后图像进行线条粗检测,采用迭代法进行图像二值化,去除二值化图像孤立像素点;
S6、对图像进行连通域检测,得到多个连通域,实现对图像的分类;
首先利用腐蚀将弱粘连的种子分离,再利用面积特征将种子连通域分成两类,第一类是一个连通域中只包含一个大麻种子的连通域类;第二类是一个连通域中包含多个大麻种子的连通域类;
S7、根据凹点对S6中的第二类图像进行切割,并检测连通域的凹点特征和面积特征,利用这两个特征对大麻种子连通域进行循环切割,并生成切割结果图像;
S8、对切割结果图像进行腐蚀和去小连通域操作,并相加第一类图像和切割结果图像,生成相加结果图;
S9、查找相加结果图中连通域的个数和位置。
2.根据权利要求1所述的一种基于图像处理的工业大麻种子计数方法,其特征在于,在S3中,通过matlab的edge模型进行边缘检测,参数为‘prewitt’。
3.根据权利要求1所述的一种基于图像处理的工业大麻种子计数方法,其特征在于,在S3中,通过matlab膨胀模型对图像进行二次膨胀操作,参数为‘disk’。
4.根据权利要求1所述的一种基于图像处理的工业大麻种子计数方法,其特征在于,S4的具体操作步骤如下:
S41、利用matlab的hough模型处理S3得到的灰度图像,得到线段信息,从变换矩阵H中提取二十个极值点;
S42、对取出的二十个线段做进一步处理:若两条线段距离小于四十像素数则拼接起来,拼接后的线段若小于一百像素数则舍弃该线段;
S43、对得到的线段进一步筛选,保留角度条件为88°到92°以及-2°到2°的线段,其余线段抹去。
5.根据权利要求1所述的一种基于图像处理的工业大麻种子计数方法,其特征在于,在S5中,图像二值化的具体步骤如下:
首先对灰度图像进行图像加深操作,之后再进行拉伸操作生成灰阶分布图,然后在灰阶分布图中找到低谷与左边的峰值,二者之间中间的位置记为new-level,根据new-level进行otsu二值化图像。
6.根据权利要求1所述的一种基于图像处理的工业大麻种子计数方法,其特征在于,S6的具体步骤如下:
S61、利用腐蚀方法将图中弱粘连的种子连通域分离,并生成处理图一;
S62、获取处理图一,检测连通域的面积特征,并记录下面积特征;
S63、获取处理图一和S62处理后的面积特征,利用面积特征将大麻种子连通域分成两类;
S64、循环上述步骤至少五次。
7.根据权利要求1所述的一种基于图像处理的工业大麻种子计数方法,其特征在于,S9的具体步骤如下:
S91、获取相加结果图并找出图像中每个连通域的最小外接矩形;
S92、以外接矩形的中心作为大麻种子的中心,外接矩形个数作为大麻种子个数,最后显示结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911123129.0A CN110910403A (zh) | 2019-11-16 | 2019-11-16 | 一种基于图像处理的工业大麻种子计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911123129.0A CN110910403A (zh) | 2019-11-16 | 2019-11-16 | 一种基于图像处理的工业大麻种子计数方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110910403A true CN110910403A (zh) | 2020-03-24 |
Family
ID=69817717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911123129.0A Pending CN110910403A (zh) | 2019-11-16 | 2019-11-16 | 一种基于图像处理的工业大麻种子计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910403A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870268A (zh) * | 2021-12-06 | 2021-12-31 | 华北理工大学 | 一种基于连通分量检测的统计球团矿数量的方法 |
WO2023019555A1 (zh) * | 2021-08-20 | 2023-02-23 | 深圳先进技术研究院 | 细胞荧光图像阈值化方法、系统、终端及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102676633A (zh) * | 2012-03-08 | 2012-09-19 | 天津大学 | 一种菌落自动计数方法 |
CN106295789A (zh) * | 2015-06-10 | 2017-01-04 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的作物种子计数方法 |
CN108109133A (zh) * | 2017-10-31 | 2018-06-01 | 青岛大学 | 一种基于数字图像处理技术的蚕卵自动计数方法 |
US20180157911A1 (en) * | 2016-12-02 | 2018-06-07 | GEOSAT Aerospace & Technology | Methods and systems for automatic object detection from aerial imagery |
CN109447945A (zh) * | 2018-09-21 | 2019-03-08 | 河南农业大学 | 基于机器视觉和图形处理的小麦基本苗快速计数方法 |
CN110060231A (zh) * | 2019-03-14 | 2019-07-26 | 长春理工大学 | 一种活塞环图像快速计数方法 |
-
2019
- 2019-11-16 CN CN201911123129.0A patent/CN110910403A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102676633A (zh) * | 2012-03-08 | 2012-09-19 | 天津大学 | 一种菌落自动计数方法 |
CN106295789A (zh) * | 2015-06-10 | 2017-01-04 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的作物种子计数方法 |
US20180157911A1 (en) * | 2016-12-02 | 2018-06-07 | GEOSAT Aerospace & Technology | Methods and systems for automatic object detection from aerial imagery |
CN108109133A (zh) * | 2017-10-31 | 2018-06-01 | 青岛大学 | 一种基于数字图像处理技术的蚕卵自动计数方法 |
CN109447945A (zh) * | 2018-09-21 | 2019-03-08 | 河南农业大学 | 基于机器视觉和图形处理的小麦基本苗快速计数方法 |
CN110060231A (zh) * | 2019-03-14 | 2019-07-26 | 长春理工大学 | 一种活塞环图像快速计数方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023019555A1 (zh) * | 2021-08-20 | 2023-02-23 | 深圳先进技术研究院 | 细胞荧光图像阈值化方法、系统、终端及存储介质 |
CN113870268A (zh) * | 2021-12-06 | 2021-12-31 | 华北理工大学 | 一种基于连通分量检测的统计球团矿数量的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Scharr et al. | Leaf segmentation in plant phenotyping: a collation study | |
Kulwa et al. | A state-of-the-art survey for microorganism image segmentation methods and future potential | |
US7796815B2 (en) | Image analysis of biological objects | |
CN110245657B (zh) | 病理图像相似性检测方法及检测装置 | |
CA2591241C (en) | Method for improved image segmentation | |
WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
US8600143B1 (en) | Method and system for hierarchical tissue analysis and classification | |
CN110956612B (zh) | 一种细胞快速计数方法、计算机设备及可读存储介质 | |
JP2018525746A5 (zh) | ||
US20150186755A1 (en) | Systems and Methods for Object Identification | |
CN113191222B (zh) | 水下鱼类目标检测方法及装置 | |
CN108109133A (zh) | 一种基于数字图像处理技术的蚕卵自动计数方法 | |
CN110910403A (zh) | 一种基于图像处理的工业大麻种子计数方法 | |
CN111458269A (zh) | 一种外周血淋巴微核细胞图像人工智能识别方法 | |
CN110188592B (zh) | 一种尿液有形成分细胞图像分类模型构建方法及分类方法 | |
CN115439456A (zh) | 一种病理图像中对象检测识别方法及装置 | |
CN113077438B (zh) | 针对多细胞核彩色图像的细胞核区域提取方法及成像方法 | |
CN113177957A (zh) | 一种细胞图像的分割方法、装置、电子设备及存储介质 | |
El-Labban et al. | Discriminative semi-markov models for automated mitotic phase labelling | |
Wang et al. | An Image Skeletonization‐Based Tool for Pollen Tube Morphology Analysis and Phenotyping F | |
CN115546536A (zh) | 一种象牙制品识别方法及系统 | |
CN106097293A (zh) | 一种用于图像采集系统优化设计的图像可分割性评价方法 | |
CN110543580A (zh) | 一种常见藻类的图片对比鉴定方法 | |
Li et al. | A Deep Learning based Method for Microscopic Object Localization and Classification | |
Gao et al. | Plant Event Detection from Time-Varying Point Clouds |
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: 20200324 |
|
RJ01 | Rejection of invention patent application after publication |