CN111079637B - 田间图像中分割油菜花的方法、装置、设备及存储介质 - Google Patents
田间图像中分割油菜花的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111079637B CN111079637B CN201911278857.9A CN201911278857A CN111079637B CN 111079637 B CN111079637 B CN 111079637B CN 201911278857 A CN201911278857 A CN 201911278857A CN 111079637 B CN111079637 B CN 111079637B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- channel value
- value
- processed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000011218 segmentation Effects 0.000 claims abstract description 59
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001850 reproductive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000009105 vegetative growth Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及农作物图像识别技术领域,公开了一种田间图像中分割油菜花的方法、装置、设备及存储介质,所述方法包括:获取初始田间图像对应的三原色通道值,根据三原色通道值将初始田间图像转换为待处理图像,获取待处理图像对应的待处理色调通道值并确定颜色阈值,根据颜色阈值对待处理图像进行阈值分割,获得目标图像,采用预设聚类算法对目标图像进行像素点聚类,获得目标聚类图像,从目标聚类图像中选取油菜花分割图像。通过将初始田间图像转换为待处理图像,对待处理图像进行阈值分割获得目标图像,再采用预设聚类算法获得目标聚类图像并从中选取油菜花分割图像,从而有效地分割出油菜花,改善了过度分割问题并提升了分割速度。
Description
技术领域
本发明涉及农作物图像识别技术领域,尤其涉及一种田间图像中分割油菜花的方法、装置、设备及存储介质。
背景技术
花期是大多数作物栽培的关键阶段,开花标志着从营养生长到生殖发育的转变,此时植物开始形成生殖结构,导致谷物或果实成熟,因此,在制定最优作物管理方案的过程中,植物开花是有用的信息,为了快速量化油菜的开花时间或开花数量,从田间图像中分割出油菜花是一种有效的方法。
但是,由于田间图像是在自然光条件下拍摄的,受光照影响较大,而且由于田中的油菜花的开花程度不同,光照水平不同,传统的颜色分割算法对背景噪声非常敏感,而具体的阈值分割方法和无监督聚类算法范围单一,不适合处理色彩丰富和光线较强的图像,容易造成彩色图像分割过多、目标提取不足等问题,因此,由于光照分布不均匀和作物生长的环境因素,使得准确完整的油菜花分割十分困难。
所以,背景技术中存在着如何从田间图像中有效地分割油菜花,改善过度分割问题并提高分割速度的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提出一种田间图像中分割油菜花的方法、装置、设备及存储介质,旨在解决如何从田间图像中有效地分割油菜花,改善过度分割问题并提高分割速度的技术问题。
为实现上述目的,本发明提供一种田间图像中分割油菜花的方法,所述田间图像中分割油菜花的方法包括以下步骤:
获取初始田间图像对应的三原色通道值,根据所述三原色通道值将所述初始田间图像转换为待处理图像;
获取所述待处理图像对应的待处理色调通道值,并根据所述待处理色调通道值确定颜色阈值;
根据所述颜色阈值对所述待处理图像进行阈值分割,获得目标图像;
采用预设聚类算法对所述目标图像进行像素点聚类,获得目标聚类图像;
从所述目标聚类图像中选取油菜花分割图像。
优选地,所述三原色通道值包括:红原色通道值、绿原色通道值和蓝原色通道值;
所述获取初始田间图像对应的三原色通道值,根据所述三原色通道值将所述初始田间图像转换为待处理图像,具体包括:
获取初始田间图像对应的所述红原色通道值、所述绿原色通道值和所述蓝原色通道值;
对所述红原色通道值进行归一化处理获得红原色归一化值、对所述绿原色通道值进行归一化处理获得绿原色归一化值以及对所述蓝原色通道值进行归一化处理获得蓝原色归一化值;
根据所述红原色归一化值、所述绿原色归一化值和所述蓝原色归一化值分别计算色调通道值、饱和度通道值和亮度通道值;
根据所述色调通道值、所述饱和度通道值和所述亮度通道值将所述初始田间图像转换为待处理图像。
优选地,所述获取所述待处理图像对应的待处理色调通道值,并根据所述待处理色调通道值确定颜色阈值,具体包括:
获取所述待处理图像对应的待处理色调通道值,并将所述待处理图像划分为多个样本图像;
根据所述待处理色调通道值确定各样本图像对应的样本色调通道值集合,并对所述样本色调通道值集合中的样本色调通道值进行排序;
根据排序结果获得所述样本色调通道值集合对应的最大样本色调通道值和最小样本色调通道值;
根据获得的最大样本色调通道值和最小样本色调通道值确定颜色阈值。
优选地,所述根据获得的最大样本色调通道值和最小样本色调通道值确定颜色阈值,具体包括:
根据获得的最大样本色调通道值计算最大样本色调通道值平均值;
根据获得的最小样本色调通道值计算最小样本色调通道值平均值;
根据所述最大样本色调通道值平均值和所述最小样本色调通道值平均值确定颜色阈值。
优选地,所述根据所述颜色阈值对所述待处理图像进行阈值分割,获得目标图像,具体包括:
根据所述颜色阈值对所述待处理图像进行阈值分割,生成二值图像;
从所述二值图像中选取背景区域图像,并获取所述背景区域图像的背景像素值;
将所述背景区域图像嵌入所述初始田间图像,获得所述初始田间图像对应的待处理背景区域图像;
将所述待处理背景区域图像对应的图像像素值调整为所述背景像素值,生成目标图像。
优选地,所述采用预设聚类算法对所述目标图像进行像素点聚类,获得目标聚类图像,具体包括:
获取所述目标图像中的初始像素点;
从所述初始像素点中选取多个目标像素点作为初始聚类中心;
将所述初始聚类中心作为当前聚类中心,并将所述初始像素点中除所述目标像素点之外的像素点作为当前像素点;
根据所述当前聚类中心计算所述当前聚类中心与所述当前像素点之间的欧几里德距离;
根据所述当前聚类中心和所述欧几里德距离将所述当前像素点聚集为不同的像素点簇,以获得当前聚类图像;
计算所述像素点簇对应的簇聚类中心,并判断所述簇聚类中心与所述当前聚类中心是否相同;
若是,则将所述当前聚类图像作为目标聚类图像。
优选地,所述从所述目标聚类图像中选取油菜花分割图像,具体包括:
对所述目标聚类图像进行遍历,将遍历到的目标聚类图像作为当前目标聚类图像;
判断所述当前目标聚类图像中是否含有油菜花图像;
在所述当前目标聚类图像中含有油菜花图像时,将所述当前目标聚类图像作为油菜花分割图像。
此外,为实现上述目的,本发明还提出一种田间图像中分割油菜花的装置,所述田间图像中分割油菜花的装置包括:
图像转换模块,用于获取初始田间图像对应的三原色通道值,根据所述三原色通道值将所述初始田间图像转换为待处理图像;
阈值确定模块,用于获取所述待处理图像对应的待处理色调通道值,并根据所述待处理色调通道值确定颜色阈值;
目标图像模块,用于根据所述颜色阈值对所述待处理图像进行阈值分割,获得目标图像;
目标聚类模块,用于采用预设聚类算法对所述目标图像进行像素点聚类,获得目标聚类图像;
图像选取模块,用于从所述目标聚类图像中选取油菜花分割图像。
此外,为实现上述目的,本发明还提出一种田间图像中分割油菜花的设备,所述田间图像中分割油菜花的设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的田间图像中分割油菜花的程序,所述田间图像中分割油菜花的程序配置有实现如上所述的田间图像中分割油菜花的方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有田间图像中分割油菜花的程序,所述田间图像中分割油菜花的程序被处理器执行时实现如上文所述的田间图像中分割油菜花的方法的步骤。
本发明提出的田间图像中分割油菜花的方法,通过获取初始田间图像对应的三原色通道值,根据所述三原色通道值将所述初始田间图像转换为待处理图像,获取所述待处理图像对应的待处理色调通道值,并根据所述待处理色调通道值确定颜色阈值,根据所述颜色阈值对所述待处理图像进行阈值分割,获得目标图像,采用预设聚类算法对所述目标图像进行像素点聚类,获得目标聚类图像,从所述目标聚类图像中选取油菜花分割图像。通过将初始田间图像转换为待处理图像,对待处理图像进行阈值分割获得目标图像,再采用预设聚类算法获得目标聚类图像并从中选取油菜花分割图像,从而从田间图像中有效地分割出油菜花,改善了过度分割问题并提升了分割速度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的田间图像中分割油菜花的设备结构示意图;
图2为本发明田间图像中分割油菜花的方法第一实施例的流程示意图;
图3为本发明田间图像中分割油菜花的方法第二实施例的流程示意图;
图4为本发明田间图像中分割油菜花的方法第二实施例的初始田间图像示意图;
图5为本发明田间图像中分割油菜花的方法第二实施例的待处理图像示意图;
图6为本发明田间图像中分割油菜花的方法第二实施例的目标图像示意图;
图7为本发明田间图像中分割油菜花的方法第三实施例的流程示意图;
图8为本发明田间图像中分割油菜花的方法第三实施例的目标聚类图像;
图9为本发明田间图像中分割油菜花的方法第三实施例的油菜花分割图像;
图10为本发明田间图像中分割油菜花的装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的田间图像中分割油菜花的设备结构示意图。
如图1所示,该田间图像中分割油菜花的设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如按键,可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的设备结构并不构成对田间图像中分割油菜花的设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及田间图像中分割油菜花的程序。
在图1所示的田间图像中分割油菜花的设备中,网络接口1004主要用于连接外网,与其他网络设备进行数据通信;用户接口1003主要用于连接用户设备,与所述用户设备进行数据通信;本发明设备通过处理器1001调用存储器1005中存储的田间图像中分割油菜花的程序,并执行本发明实施例提供的田间图像中分割油菜花的方法。
基于上述硬件结构,提出本发明田间图像中分割油菜花的方法实施例。
参照图2,图2为本发明田间图像中分割油菜花的方法第一实施例的流程示意图。
在第一实施例中,所述田间图像中分割油菜花的方法包括以下步骤:
步骤S10,获取初始田间图像对应的三原色通道值,根据所述三原色通道值将所述初始田间图像转换为待处理图像。
需要说明的是,本实施例的执行主体可为田间图像中分割油菜花的设备,还可为其他可实现相同或相似功能的设备,本实施例对此不作限制,在本实施例中,以田间图像中分割油菜花的设备为例进行说明。
应当理解的是,所述初始田间图像可为航拍图像,也可为通过手机或相机等设备拍摄的图像还可为其他图像,本实施例对此不作限制。
应当理解的是,所述初始田间图像为在自然光照条件下拍摄的图像,图像分辨率可为5472×3078像素,也可为其他条件下进行拍摄的图像,图像分辨率也可为其他分辨率,本实施例对此不作限制。
可以理解的是,初始田间图像为RGB图像,可获取初始田间图像对应的三原色通道值,根据三原色通道值将初始田间图像转换为HSI颜色空间的待处理图像,HSI颜色空间用H、S、I来描述颜色特性,其中,H定义颜色的波长,称为色调;S表示颜色的深浅程度,称为饱和度;I表示强度或亮度,称为亮度。
可以理解的是,本发明中用色调通道值来表示H值,用饱和度通道值来表示S值,用亮度通道值来表示I值。
步骤S20,获取所述待处理图像对应的待处理色调通道值,并根据所述待处理色调通道值确定颜色阈值。
需要说明的是,获取待处理图像对应的待处理色调通道值,并将待处理图像划分为多个样本图像,从待处理色调通道值中选取各样本图像对应的样本色调通道值,并获得各样本图像中的最大样本色调通道值和最小样本通道值,并分别计算最大样本色调通道值的第一平均值和最小样本色调通道值的第二平均值,根据第一平均值和第二平均值确定颜色阈值。
步骤S30,根据所述颜色阈值对所述待处理图像进行阈值分割,获得目标图像。
应当理解的是,根据颜色阈值对待处理图像进行阈值分割,可获得二值图像,从二值图像中选取目标区域图像和背景区域图像,将目标区域图像变为初始田间图像上的RGB值,背景区域图像不变,获得目标图像,当然,也可为将初始田间图像对应的待处理背景区域图像变为与背景区域图像相同,初始田间图像对应的待处理目标区域图像不变,获得目标图像,这两种方式都可以获得目标图像,并且最终获得的目标图像相同,即两种方式可达到相同的效果,至于具体采用何种方式,本实施例对此不做限制。
步骤S40,采用预设聚类算法对所述目标图像进行像素点聚类,获得目标聚类图像。
需要说明的是,所述预设聚类算法可为K均值聚类算法,对于目标图像的像素点,选择k个像素点作为初始聚类中心,计算初始聚类中心与每个像素点之间的欧几里德距离,根据欧几里德距离将所有像素点指定到最近的聚类中心,形成像素点簇,并重新计算像素点簇的聚类中心,直至聚类中心不再发生变化,可得到两幅目标聚类图像。
步骤S50,从所述目标聚类图像中选取油菜花分割图像。
进一步地,所述从所述目标聚类图像中选取油菜花分割图像,包括:
对所述目标聚类图像进行遍历,将遍历到的目标聚类图像作为当前目标聚类图像;判断所述当前目标聚类图像中是否含有油菜花图像;在所述当前目标聚类图像中含有油菜花图像时,将所述当前目标聚类图像作为油菜花分割图像。
可以理解的是,在之前的步骤获得了两幅目标聚类图像,需要从这两幅目标聚类图像中选取一幅作为油菜花分割图像,因此,对目标聚类图像进行遍历,将遍历到的目标聚类图像作为当前目标聚类图像,在当前目标聚类图像中含有油菜花图像时,将其作为油菜花分割图像。
本实施例中通过获取初始田间图像对应的三原色通道值,根据所述三原色通道值将所述初始田间图像转换为待处理图像,获取所述待处理图像对应的待处理色调通道值,并根据所述待处理色调通道值确定颜色阈值,根据所述颜色阈值对所述待处理图像进行阈值分割,获得目标图像,采用预设聚类算法对所述目标图像进行像素点聚类,获得目标聚类图像,从所述目标聚类图像中选取油菜花分割图像。通过将初始田间图像转换为待处理图像,对待处理图像进行阈值分割获得目标图像,再采用预设聚类算法获得目标聚类图像并从中选取油菜花分割图像,从而从田间图像中有效地分割出油菜花,改善了过度分割问题并提升了分割速度。
在一实施例中,如图3所示,基于第一实施例提出本发明田间图像中分割油菜花的方法第二实施例,所述步骤S10,包括:
步骤S101,获取初始田间图像对应的所述红原色通道值、所述绿原色通道值和所述蓝原色通道值。
可以理解的是,三原色通道值包括红原色通道值、绿原色通道值和蓝原色通道值,因此,获取初始田间图像对应的红原色通道值R、绿原色通道值G和蓝原色通道值B。
步骤S102,对所述红原色通道值进行归一化处理获得红原色归一化值、对所述绿原色通道值进行归一化处理获得绿原色归一化值以及对所述蓝原色通道值进行归一化处理获得蓝原色归一化值。
需要说明的是,根据如下公式对红原色通道值进行归一化处理获得红原色归一化值r:
r=R/(R+G+B),
根据如下公式对绿原色通道进行归一化处理获得绿原色归一化值g:
g=G/(R+G+B),
根据如下公式对蓝原色通道进行归一化处理获得蓝原色归一化值b;
b=B/(R+G+B),
式中,R代表红原色通道值,G代表绿原色通道值,B代表蓝原色通道值,r代表红原色归一化值,g代表绿原色归一化值,b代表蓝原色归一化值。
步骤S103,根据所述红原色归一化值、所述绿原色归一化值和所述蓝原色归一化值分别计算色调通道值、饱和度通道值和亮度通道值。
需要说明的是,根据红原色归一化值、绿原色归一化值和蓝原色归一化值计算色调通道值H的计算公式如下:
根据红原色归一化值、绿原色归一化值和蓝原色归一化值计算饱和度通道值S的计算方式如下:
根据红原色归一化值、绿原色归一化值和蓝原色归一化值计算亮度通道值I的计算方式如下:
式中,H代表色调通道值,S代表饱和度通道值,I代表亮度通道值,min(r,g,b)表示取r,g,b中的最小的值。
步骤S104,根据所述色调通道值、所述饱和度通道值和所述亮度通道值将所述初始田间图像转换为待处理图像。
可以理解的是,根据计算出的色调通道值、饱和度通道值和亮度通道值将RGB的初始田间图像转换为HSI颜色空间的待处理图像。
在具体实现中,如图4、图5所示,其中,图4为初始田间图像示意图,图5为待处理图像示意图。
进一步地,所述步骤S20,包括:
步骤S201,获取所述待处理图像对应的待处理色调通道值,并将所述待处理图像划分为多个样本图像。
需要说明的是,样本图像大小可为待处理图像的10%,数量可为30张,本实施例对如何将待处理图像划分为多个样本图像不作限制,对样本图像的大小和数量也不作限制,在本实施例中,以样本图像的数量为30张为例进行说明。
步骤S202,根据所述待处理色调通道值确定各样本图像对应的样本色调通道值集合,并对所述样本色调通道值集合中的样本色调通道值进行排序。
可以理解的是,在样本图像的数量为30张时,从待处理通道值中选取30张样本图像对应的30组样本色调通道值,将每一组样本色调通道值都作为一个样本色调通道值集合,即有与30张样本图像对应的30组样本色调通道值集合,分别对这30组样本色调通道值集合中的样本色调通道值进行排序,可获得30组排序结果。
步骤S203,根据排序结果获得所述样本色调通道值集合对应的最大样本色调通道值和最小样本色调通道值。
可以理解的是,根据这30组排序结果可获得各样本色调通道值集合对应的最大样本色调通道值和最小样本色调通道值,即可确定30个最大样本色调通道值和30个最小样本色调通道值。
步骤S204,根据获得的最大样本色调通道值和最小样本色调通道值确定颜色阈值。
应当理解的是,计算30个最大样本色调通道值的最大样本色调通道值平均值T1,计算30个最小样本色调通道值的最小样本色调通道值平均值T2,采用不等式H=(H>T1)∩(H<T2)来确定颜色阈值,即在阈值范围内的为目标,在阈值范围外的为背景。
进一步地,所述步骤S30,包括:
步骤S301,根据所述颜色阈值对所述待处理图像进行阈值分割,生成二值图像。
应当理解的是,二值图像是指将图像上的每一个像素只有两种可能的取值或灰度等级状态,人们经常用黑白、B&W、单色图像表示二值图像。在本实施例中,通过颜色阈值在待处理图像中确定了目标和背景,使像素值1对应目标,像素值0对应背景,此处的1与0都是逻辑值,其具体数值可为根据实际情况进行设置,本实施例对此不作限制。
步骤S302,从所述二值图像中选取背景区域图像,并获取所述背景区域图像的背景像素值。
可以理解的是,由于二值图像中只包含两种元素,即目标和背景,且在之前步骤已经确定了目标和背景,可从二值图像中选取背景区域图像,并获取背景区域的背景像素值,在本实施例中,背景像素值为0。
步骤S303,将所述背景区域图像嵌入所述初始田间图像,获得所述初始田间图像对应的待处理背景区域图像。
应当理解的是,待处理图像是初始田间图像经过颜色空间转换后的得到的,其尺寸大小并不会改变,因此,待处理图像和初始田间图像的尺寸大小是完全相同的,而且,进行颜色空间转换并不会改变图像内容的位置,因此,待处理图像和初始田间图像中的图像内容的位置是相同的,可将背景区域图像嵌入初始田间图像,获得初始田间图像对应的待处理背景区域图像。
在具体实现中,此步骤可根据PS中的图像选取功能来进行类比说明,例如,在待处理图像中选取背景区域,可获得一个背景区域选区,选中这个背景区域选区,将其拖动至初始田间图像上,可根据背景区域选区确定初始田间图像对应的待处理背景区域图像,将初始田间图像中除待处理背景区域之外的区域作为待处理目标区域图像。
步骤S304,将所述待处理背景区域图像对应的图像像素值调整为所述背景像素值,生成目标图像。
可以理解的是,选中待处理背景区域图像,将待处理背景区域图像对应的图像像素值调整为背景像素值,即将待处理背景区域图像对应的图像像素值调整为0,生成目标图像,所述目标图像为可凸显出待处理目标区域图像的图像。
在具体实现中,例如,如图6所示,图6为目标图像示意图,在图6中可识别出油菜花已和背景进行初步分离,通过目标图像可达到对油菜花进行分割的效果。
本实施例中通过获取初始田间图像对应的三原色通道值,分别对三原色通道值进行归一化处理后,计算得出色调通道值、饱和度通道值和亮度通道值,并将初始田间图像转换为待处理田间图像,再将待处理田间图像分割为二值图像,从二值图像中选取背景区域图像,从而根据背景区域图像确定初始田间图像对应的待选背景区域图像,对待选背景区域图像的图像像素值进行调整后生成目标图像,从而实现对油菜花的分割并提高分割速度。
在一实施例中,如图7所示,基于第一实施例或第二实施例提出本发明田间图像中分割油菜花的方法第三实施例,在本实施例中,基于第一实施例进行说明,所述步骤S40,包括:
步骤S401,获取所述目标图像中的初始像素点。
可以理解的是,一幅图像是由多个像素点组成的,可获取目标图像中的所有像素点,将这些像素点作为初始像素点。
步骤S402,从所述初始像素点中选取多个目标像素点作为初始聚类中心。
步骤S403,将所述初始聚类中心作为当前聚类中心,并将所述初始像素点中除所述目标像素点之外的像素点作为当前像素点。
步骤S404,根据所述当前聚类中心计算所述当前聚类中心与所述当前像素点之间的欧几里德距离。
应当理解的是,从初始像素点中选取k个目标像素点作为初始聚类中心,将初始聚类中心作为当前聚类中心,将初始像素点中除目标像素点之外的像素点作为当前像素点,将当前像素点位置记为p'(x,y),根据当前聚类中心计算当前聚类中心与每个当前像素点之间的欧几里德距离d,计算公式如下:
d=||p'(x,y)-ck'||,
其中,d为欧几里得距离,p为当前像素点位置,ck'为当前聚类中心位置。
步骤S405,根据所述当前聚类中心和所述欧几里德距离将所述当前像素点聚集为不同的像素点簇,以获得当前聚类图像。
可以理解的是,根据欧几里得距离将所有当前像素点聚集到最近的当前聚类中心,在所有当前像素点都聚集完成后,当前像素点聚集为不同的像素点簇,以获得当前聚类图像。
步骤S406,计算所述像素点簇对应的簇聚类中心,并判断所述簇聚类中心与所述当前聚类中心是否相同。
可以理解的是,计算各像素点簇对应的簇聚类中心,并判断簇聚类中心与当前聚类中心是否相同,不相同的话继续进行上述聚类步骤,直至聚类中心不再发生变化,其中,计算各像素点对应的簇聚类中心的计算公式如下:
其中,ck为簇聚类中心,P(x,y)为当前聚类图像中的像素点位置。
步骤S407,若是,则将所述当前聚类图像作为目标聚类图像。
进一步地,在步骤S407之前,还包括:
若否,则获取当前聚类图像中除簇聚类中心之外的待处理像素点,将所述待处理像素点作为新的当前像素点,将所述簇聚类中心作为新的当前聚类中心,并返回执行所述根据所述当前聚类中心计算所述当前聚类中心与所述当前像素点之间的欧几里德距离的步骤。
可以理解的是,通过判断簇聚类中心与当前聚类中心是否相同,不相同的话进入循环步骤继续进行像素点聚类,相同的话则输出结果,获得目标聚类图像,目标聚类图像为两幅图像结果,其中一幅为最终分割结果,即油菜花分割图像。
在具体实现中,例如,如图8、图9所示,图8和图9都为目标聚类图像,从中选出一幅作为油菜花分割图像,通过判断目标聚类图像中是否含有油菜花图像为标准进行选择,在目标聚类图像中含有油菜花图像时,将其作为油菜花分割图像,在图8和图9中,可明显分辨出,图9中含有油菜花图像,因此,将图9作为油菜花分割图像,在油菜花分割图像中已将油菜花与背景进行了明显有效的分割,可达到有效分割油菜花的效果。
本实施例中通过获取目标图像中的初始像素点,并确定初始聚类中心,将初始像素点和初始聚类中心分别作为当前像素点和当前聚类中心进行像素点聚类,并在聚类完成后计算簇聚类中心,直到簇聚类中心与当前聚类中心相同为止,获得目标聚类图像,从目标聚类图像中选取油菜花分割图像,从而进一步地提升了油菜花分割的准确性。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有田间图像中分割油菜花的程序,所述田间图像中分割油菜花的程序被处理器执行时实现如上文所述的田间图像中分割油菜花的方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
此外,参照图10,本发明实施例还提出一种田间图像中分割油菜花的装置,所述田间图像中分割油菜花的装置包括:
图像转换模块10,用于获取初始田间图像对应的三原色通道值,根据所述三原色通道值将所述初始田间图像转换为待处理图像。
应当理解的是,所述初始田间图像可为航拍图像,也可为通过手机或相机等设备拍摄的图像还可为其他图像,本实施例对此不作限制。
应当理解的是,所述初始田间图像为在自然光照条件下拍摄的图像,图像分辨率可为5472×3078像素,也可为其他条件下进行拍摄的图像,图像分辨率也可为其他分辨率,本实施例对此不作限制。
可以理解的是,初始田间图像为RGB图像,可获取初始田间图像对应的三原色通道值,根据三原色通道值将初始田间图像转换为HSI颜色空间的待处理图像,HSI颜色空间用H、S、I来描述颜色特性,其中,H定义颜色的波长,称为色调;S表示颜色的深浅程度,称为饱和度;I表示强度或亮度,称为亮度。
可以理解的是,本发明中用色调通道值来表示H值,用饱和度通道值来表示S值,用亮度通道值来表示I值。
阈值确定模块20,用于获取所述待处理图像对应的待处理色调通道值,并根据所述待处理色调通道值确定颜色阈值。
需要说明的是,获取待处理图像对应的待处理色调通道值,并将待处理图像划分为多个样本图像,从待处理色调通道值中选取各样本图像对应的样本色调通道值,并获得各样本图像中的最大样本色调通道值和最小样本通道值,并分别计算最大样本色调通道值的第一平均值和最小样本色调通道值的第二平均值,根据第一平均值和第二平均值确定颜色阈值。
目标图像模块30,用于根据所述颜色阈值对所述待处理图像进行阈值分割,获得目标图像。
应当理解的是,根据颜色阈值对待处理图像进行阈值分割,可获得二值图像,从二值图像中选取目标区域和背景区域,将目标区域变为初始田间图像上的RGB值,背景区域不变,获得目标图像,当前,也可为将初始田间图像对应的待处理背景区域变为与背景区域相同,初始田间图像对应的待处理目标区域不变,获得目标图像,这两种方式都可以获得目标图像,并且最终获得的目标图像相同,即两种方式可达到相同的效果,至于具体采用何种方式,本实施例对此不做限制。
目标聚类模块40,用于采用预设聚类算法对所述目标图像进行像素点聚类,获得目标聚类图像。
需要说明的是,所述预设聚类算法可为K均值聚类算法,对于目标图像的像素点,选择k个像素点作为初始聚类中心,计算初始聚类中心与每个像素点之间的欧几里德距离,根据欧几里德距离将所有像素点指定到最近的聚类中心,形成像素点簇,并重新计算像素点簇的聚类中心,直至聚类中心不再发生变化,可得到两幅目标聚类图像。
图像选取模块50,用于从所述目标聚类图像中选取油菜花分割图像。
进一步地,所述从所述目标聚类图像中选取油菜花分割图像,包括:
对所述目标聚类图像进行遍历,将遍历到的目标聚类图像作为当前目标聚类图像;判断所述当前目标聚类图像中是否含有油菜花图像;在所述当前目标聚类图像中含有油菜花图像时,将所述当前目标聚类图像作为油菜花分割图像。
可以理解的是,在之前的步骤获得了两幅目标聚类图像,需要从这两幅目标聚类图像中选取一幅作为油菜花分割图像,因此,对目标聚类图像进行遍历,将遍历到的目标聚类图像作为当前目标聚类图像,在当前目标聚类图像中含有油菜花图像时,将其作为油菜花分割图像。
本实施例中通过获取初始田间图像对应的三原色通道值,根据所述三原色通道值将所述初始田间图像转换为待处理图像,获取所述待处理图像对应的待处理色调通道值,并根据所述待处理色调通道值确定颜色阈值,根据所述颜色阈值对所述待处理图像进行阈值分割,获得目标图像,采用预设聚类算法对所述目标图像进行像素点聚类,获得目标聚类图像,从所述目标聚类图像中选取油菜花分割图像。通过将初始田间图像转换为待处理图像,对待处理图像进行阈值分割获得目标图像,再采用预设聚类算法获得目标聚类图像并从中选取油菜花分割图像,从而从田间图像中有效地分割出油菜花,改善了过度分割问题并提升了分割速度。
在一实施例中,所述图像转换模块10,还用于获取初始田间图像对应的所述红原色通道值、所述绿原色通道值和所述蓝原色通道值;对所述红原色通道值进行归一化处理获得红原色归一化值、对所述绿原色通道值进行归一化处理获得绿原色归一化值以及对所述蓝原色通道值进行归一化处理获得蓝原色归一化值;根据所述红原色归一化值、所述绿原色归一化值和所述蓝原色归一化值分别计算色调通道值、饱和度通道值和亮度通道值;根据所述色调通道值、所述饱和度通道值和所述亮度通道值将所述初始田间图像转换为待处理图像。
在一实施例中,所述阈值确定模块20,还用于获取所述待处理图像对应的待处理色调通道值,并将所述待处理图像划分为多个样本图像;根据所述待处理色调通道值确定各样本图像对应的样本色调通道值集合,并对所述样本色调通道值集合中的样本色调通道值进行排序;根据排序结果获得所述样本色调通道值集合对应的最大样本色调通道值和最小样本色调通道值;根据获得的最大样本色调通道值和最小样本色调通道值确定颜色阈值。
在一实施例中,所述阈值确定模块20,还用于根据获得的最大样本色调通道值计算最大样本色调通道值平均值;根据获得的最小样本色调通道值计算最小样本色调通道值平均值;根据所述最大样本色调通道值平均值和所述最小样本色调通道值平均值确定颜色阈值。
在一实施例中,所述目标图像模块30,还用于根据所述颜色阈值对所述待处理图像进行阈值分割,生成二值图像;从所述二值图像中选取背景区域图像,并获取所述背景区域图像的背景像素值;将所述背景区域图像嵌入所述初始田间图像,获得所述初始田间图像对应的待处理背景区域图像;将所述待处理背景区域图像对应的图像像素值调整为所述背景像素值,生成目标图像。
在一实施例中,所述目标聚类模块40,还用于获取所述目标图像中的初始像素点;从所述初始像素点中选取多个目标像素点作为初始聚类中心;将所述初始聚类中心作为当前聚类中心,并将所述初始像素点中除所述目标像素点之外的像素点作为当前像素点;根据所述当前聚类中心计算所述当前聚类中心与所述当前像素点之间的欧几里德距离;根据所述当前聚类中心和所述欧几里德距离将所述当前像素点聚集为不同的像素点簇,以获得当前聚类图像;计算所述像素点簇对应的簇聚类中心,并判断所述簇聚类中心与所述当前聚类中心是否相同;若是,则将所述当前聚类图像作为目标聚类图像。
在一实施例中,所述图像选取模块50,还用于对所述目标聚类图像进行遍历,将遍历到的目标聚类图像作为当前目标聚类图像;判断所述当前目标聚类图像中是否含有油菜花图像;在所述当前目标聚类图像中含有油菜花图像时,将所述当前目标聚类图像作为油菜花分割图像。
在本发明所述田间图像中分割油菜花的装置的其他实施例或具体实现方法可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来,该估算机软件产品存储在如上所述的一个估算机可读存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台智能田间图像中分割油菜花的设备(可以是手机,估算机,田间图像中分割油菜花的设备,空调器,或者网络田间图像中分割油菜花的设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种田间图像中分割油菜花的方法,其特征在于,所述田间图像中分割油菜花的方法包括以下步骤:
获取初始田间图像对应的三原色通道值,根据所述三原色通道值将所述初始田间图像转换为待处理图像;
所述获取初始田间图像对应的三原色通道值,根据所述三原色通道值将所述初始田间图像转换为待处理图像,包括:
获取初始田间图像对应的红原色通道值、绿原色通道值和蓝原色通道值;
对所述红原色通道值进行归一化处理获得红原色归一化值、对所述绿原色通道值进行归一化处理获得绿原色归一化值以及对所述蓝原色通道值进行归一化处理获得蓝原色归一化值;
根据所述红原色归一化值、所述绿原色归一化值和所述蓝原色归一化值分别计算色调通道值、饱和度通道值和亮度通道值;
根据所述色调通道值、所述饱和度通道值和所述亮度通道值将所述初始田间图像转换为待处理图像;
获取所述待处理图像对应的待处理色调通道值,并根据所述待处理色调通道值确定颜色阈值;
根据所述颜色阈值对所述待处理图像进行阈值分割,获得目标图像;
采用预设聚类算法对所述目标图像进行像素点聚类,获得目标聚类图像;
从所述目标聚类图像中选取油菜花分割图像;
所述采用预设聚类算法对所述目标图像进行像素点聚类,获得目标聚类图像,具体包括:
获取所述目标图像中的初始像素点;
从所述初始像素点中选取多个目标像素点作为初始聚类中心;
将所述初始聚类中心作为当前聚类中心,并将所述初始像素点中除所述目标像素点之外的像素点作为当前像素点;
根据所述当前聚类中心计算所述当前聚类中心与所述当前像素点之间的欧几里德距离;
根据所述当前聚类中心和所述欧几里德距离将所述当前像素点聚集为不同的像素点簇,以获得当前聚类图像;
计算所述像素点簇对应的簇聚类中心,并判断所述簇聚类中心与所述当前聚类中心是否相同;
若否,则获取当前聚类图像中除簇聚类中心之外的待处理像素点,将所述待处理像素点作为新的当前像素点,将所述簇聚类中心作为新的当前聚类中心,并返回执行所述根据所述当前聚类中心计算所述当前聚类中心与所述当前像素点之间的欧几里德距离的步骤;
若是,则将所述当前聚类图像作为目标聚类图像;
所述根据所述当前聚类中心计算所述当前聚类中心与所述当前像素点之间的欧几里德距离所用的计算公式为:
;
其中,为欧几里得距离,/>为当前像素点位置,/>为当前聚类中心位置;
所述根据所述颜色阈值对所述待处理图像进行阈值分割,获得目标图像,具体包括:
根据所述颜色阈值对所述待处理图像进行阈值分割,生成二值图像;
从所述二值图像中选取背景区域图像,并获取所述背景区域图像的背景像素值;
将所述背景区域图像嵌入所述初始田间图像,获得所述初始田间图像对应的待处理背景区域图像;
将所述待处理背景区域图像对应的图像像素值调整为所述背景像素值,生成目标图像。
2.如权利要求1所述的田间图像中分割油菜花的方法,其特征在于,所述获取所述待处理图像对应的待处理色调通道值,并根据所述待处理色调通道值确定颜色阈值,具体包括:
获取所述待处理图像对应的待处理色调通道值,并将所述待处理图像划分为多个样本图像;
根据所述待处理色调通道值确定各样本图像对应的样本色调通道值集合,并对所述样本色调通道值集合中的样本色调通道值进行排序;
根据排序结果获得所述样本色调通道值集合对应的最大样本色调通道值和最小样本色调通道值;
根据获得的最大样本色调通道值和最小样本色调通道值确定颜色阈值。
3.如权利要求2所述的田间图像中分割油菜花的方法,其特征在于,所述根据获得的最大样本色调通道值和最小样本色调通道值确定颜色阈值,具体包括:
根据获得的最大样本色调通道值计算最大样本色调通道值平均值;
根据获得的最小样本色调通道值计算最小样本色调通道值平均值;
根据所述最大样本色调通道值平均值和所述最小样本色调通道值平均值确定颜色阈值。
4.如权利要求1~3中任一项所述的田间图像中分割油菜花的方法,其特征在于,所述从所述目标聚类图像中选取油菜花分割图像,具体包括:
对所述目标聚类图像进行遍历,将遍历到的目标聚类图像作为当前目标聚类图像;
判断所述当前目标聚类图像中是否含有油菜花图像;
在所述当前目标聚类图像中含有油菜花图像时,将所述当前目标聚类图像作为油菜花分割图像。
5.一种田间图像中分割油菜花的装置,其特征在于,所述田间图像中分割油菜花的装置包括:
图像转换模块,用于获取初始田间图像对应的三原色通道值,根据所述三原色通道值将所述初始田间图像转换为待处理图像;
所述图像转换模块,还用于获取初始田间图像对应的红原色通道值、绿原色通道值和蓝原色通道值;对所述红原色通道值进行归一化处理获得红原色归一化值、对所述绿原色通道值进行归一化处理获得绿原色归一化值以及对所述蓝原色通道值进行归一化处理获得蓝原色归一化值;根据所述红原色归一化值、所述绿原色归一化值和所述蓝原色归一化值分别计算色调通道值、饱和度通道值和亮度通道值;根据所述色调通道值、所述饱和度通道值和所述亮度通道值将所述初始田间图像转换为待处理图像;
阈值确定模块,用于获取所述待处理图像对应的待处理色调通道值,并根据所述待处理色调通道值确定颜色阈值;
目标图像模块,用于根据所述颜色阈值对所述待处理图像进行阈值分割,获得目标图像;
目标聚类模块,用于采用预设聚类算法对所述目标图像进行像素点聚类,获得目标聚类图像;
图像选取模块,用于从所述目标聚类图像中选取油菜花分割图像;
所述目标聚类模块,还用于获取所述目标图像中的初始像素点;从所述初始像素点中选取多个目标像素点作为初始聚类中心;将所述初始聚类中心作为当前聚类中心,并将所述初始像素点中除所述目标像素点之外的像素点作为当前像素点;根据所述当前聚类中心计算所述当前聚类中心与所述当前像素点之间的欧几里德距离;根据所述当前聚类中心和所述欧几里德距离将所述当前像素点聚集为不同的像素点簇,以获得当前聚类图像;计算所述像素点簇对应的簇聚类中心,并判断所述簇聚类中心与所述当前聚类中心是否相同;若否,则获取当前聚类图像中除簇聚类中心之外的待处理像素点,将所述待处理像素点作为新的当前像素点,将所述簇聚类中心作为新的当前聚类中心,并返回执行所述根据所述当前聚类中心计算所述当前聚类中心与所述当前像素点之间的欧几里德距离的步骤;若是,则将所述当前聚类图像作为目标聚类图像;
所述根据所述当前聚类中心计算所述当前聚类中心与所述当前像素点之间的欧几里德距离所用的计算公式为:
;
其中,为欧几里得距离,/>为当前像素点位置,/>为当前聚类中心位置;
所述目标图像模块,还用于根据所述颜色阈值对所述待处理图像进行阈值分割,生成二值图像;从所述二值图像中选取背景区域图像,并获取所述背景区域图像的背景像素值;将所述背景区域图像嵌入所述初始田间图像,获得所述初始田间图像对应的待处理背景区域图像;将所述待处理背景区域图像对应的图像像素值调整为所述背景像素值,生成目标图像。
6.一种田间图像中分割油菜花的设备,其特征在于,所述田间图像中分割油菜花的设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的田间图像中分割油菜花的程序,所述田间图像中分割油菜花的程序配置有实现如权利要求1至4中任一项所述的田间图像中分割油菜花的方法的步骤。
7.一种存储介质,其特征在于,所述存储介质上存储有田间图像中分割油菜花的程序,所述田间图像中分割油菜花的程序被处理器执行时实现如权利要求1至4中任一项所述的田间图像中分割油菜花的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911278857.9A CN111079637B (zh) | 2019-12-12 | 2019-12-12 | 田间图像中分割油菜花的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911278857.9A CN111079637B (zh) | 2019-12-12 | 2019-12-12 | 田间图像中分割油菜花的方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079637A CN111079637A (zh) | 2020-04-28 |
CN111079637B true CN111079637B (zh) | 2023-09-08 |
Family
ID=70314257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911278857.9A Active CN111079637B (zh) | 2019-12-12 | 2019-12-12 | 田间图像中分割油菜花的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079637B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150487B (zh) * | 2020-10-15 | 2023-08-18 | 武汉轻工大学 | 米粒分割方法、终端及存储介质 |
CN113077486B (zh) * | 2021-04-30 | 2021-10-08 | 深圳世源工程技术有限公司 | 一种山区植被覆盖率监测方法及系统 |
CN113486962A (zh) * | 2021-07-12 | 2021-10-08 | 深圳市慧鲤科技有限公司 | 图像生成方法及装置、电子设备和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02204879A (ja) * | 1989-02-02 | 1990-08-14 | Fujitsu Ltd | 色識別方法及び装置 |
CN102208099A (zh) * | 2011-05-30 | 2011-10-05 | 华中科技大学 | 一种抗光照变化的作物彩色图像分割方法 |
CN102289680A (zh) * | 2011-09-02 | 2011-12-21 | 北京新媒传信科技有限公司 | 图像中肤色区域的分割方法和装置 |
WO2015024257A1 (en) * | 2013-08-23 | 2015-02-26 | Harman International Industries, Incorporated | Unstructured road boundary detection |
CN106127735A (zh) * | 2016-06-14 | 2016-11-16 | 中国农业大学 | 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置 |
CN106340023A (zh) * | 2016-08-22 | 2017-01-18 | 腾讯科技(深圳)有限公司 | 图像分割的方法和装置 |
CN106530313A (zh) * | 2016-11-16 | 2017-03-22 | 上海大学 | 一种基于区域分割的海天线实时检测方法 |
WO2017092431A1 (zh) * | 2015-12-01 | 2017-06-08 | 乐视控股(北京)有限公司 | 基于肤色的人手检测方法及装置 |
CN106887218A (zh) * | 2017-03-22 | 2017-06-23 | 深圳市华星光电技术有限公司 | 基于高色域显示器的色彩调节方法及调节系统 |
CN108460380A (zh) * | 2018-03-13 | 2018-08-28 | 广西师范大学 | 一种基于主颜色的竹条颜色分类方法及系统 |
CN109658382A (zh) * | 2018-11-16 | 2019-04-19 | 福建中医药大学 | 基于图像聚类和灰度投影的舌体定位方法 |
CN110517291A (zh) * | 2019-08-27 | 2019-11-29 | 南京邮电大学 | 一种基于多特征空间融合的道路车辆跟踪方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030165263A1 (en) * | 2002-02-19 | 2003-09-04 | Hamer Michael J. | Histological assessment |
US9547907B2 (en) * | 2014-12-15 | 2017-01-17 | Intel Corporation | Image segmentation using color and depth information |
CN107977952A (zh) * | 2016-10-21 | 2018-05-01 | 冯原 | 医学图像分割方法及装置 |
-
2019
- 2019-12-12 CN CN201911278857.9A patent/CN111079637B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02204879A (ja) * | 1989-02-02 | 1990-08-14 | Fujitsu Ltd | 色識別方法及び装置 |
CN102208099A (zh) * | 2011-05-30 | 2011-10-05 | 华中科技大学 | 一种抗光照变化的作物彩色图像分割方法 |
CN102289680A (zh) * | 2011-09-02 | 2011-12-21 | 北京新媒传信科技有限公司 | 图像中肤色区域的分割方法和装置 |
WO2015024257A1 (en) * | 2013-08-23 | 2015-02-26 | Harman International Industries, Incorporated | Unstructured road boundary detection |
WO2017092431A1 (zh) * | 2015-12-01 | 2017-06-08 | 乐视控股(北京)有限公司 | 基于肤色的人手检测方法及装置 |
CN106127735A (zh) * | 2016-06-14 | 2016-11-16 | 中国农业大学 | 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置 |
CN106340023A (zh) * | 2016-08-22 | 2017-01-18 | 腾讯科技(深圳)有限公司 | 图像分割的方法和装置 |
CN106530313A (zh) * | 2016-11-16 | 2017-03-22 | 上海大学 | 一种基于区域分割的海天线实时检测方法 |
CN106887218A (zh) * | 2017-03-22 | 2017-06-23 | 深圳市华星光电技术有限公司 | 基于高色域显示器的色彩调节方法及调节系统 |
CN108460380A (zh) * | 2018-03-13 | 2018-08-28 | 广西师范大学 | 一种基于主颜色的竹条颜色分类方法及系统 |
CN109658382A (zh) * | 2018-11-16 | 2019-04-19 | 福建中医药大学 | 基于图像聚类和灰度投影的舌体定位方法 |
CN110517291A (zh) * | 2019-08-27 | 2019-11-29 | 南京邮电大学 | 一种基于多特征空间融合的道路车辆跟踪方法 |
Non-Patent Citations (1)
Title |
---|
基于Lab空间的K均值聚类彩色图像分割;吴迪;刘伟峰;胡胜;胡灵芝;胡俊华;;电子科技(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111079637A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079637B (zh) | 田间图像中分割油菜花的方法、装置、设备及存储介质 | |
US7620251B2 (en) | Apparatus for selecting image of specific scene, program therefor, and recording medium storing the program | |
CN111798467B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
KR100552695B1 (ko) | 칼라영상의 색조절방법 및 장치 | |
CN109977949B (zh) | 边框微调的文本定位方法、装置、计算机设备及存储介质 | |
JP4685864B2 (ja) | 画像処理方法、表示画像処理方法、画像処理装置、画像処理プログラム、およびその画像処理装置を含む集積回路 | |
WO2018149253A1 (zh) | 图像处理的方法和设备 | |
US20070292038A1 (en) | Image Processing Apparatus and Method, and Image Processing Program | |
JP5173898B2 (ja) | 画像処理方法、画像処理装置、及びプログラム | |
CN110248170B (zh) | 图像色彩调整方法及装置 | |
CN114745532B (zh) | 混合色温场景白平衡处理方法、装置、存储介质及终端 | |
AU2018211310B2 (en) | Local color range selection | |
CN112788251B (zh) | 图像亮度处理方法及装置、图像处理方法及装置 | |
CN113792827A (zh) | 目标对象识别方法、电子设备和计算机可读存储介质 | |
CN110111342B (zh) | 一种抠图算法的优化选取方法及装置 | |
CN113344803B (zh) | 图像调节方法、装置、电子装置和存储介质 | |
CN112489049A (zh) | 基于超像素和svm的成熟番茄果实的分割方法及系统 | |
CN110689586B (zh) | 中医智能舌诊中的舌像识别方法和用于该方法的便携式校正色卡 | |
CN109242750B (zh) | 图片签名方法、图片匹配方法、装置、设备及存储介质 | |
JP2004350209A (ja) | 画像処理システム及び画像処理方法 | |
CN114693697A (zh) | 图像处理方法、装置、设备及计算机可读存储介质 | |
CN110647898B (zh) | 图像处理方法、装置、电子设备及计算机存储介质 | |
JP5786838B2 (ja) | 画像領域分割装置、方法、およびプログラム | |
CN110633065B (zh) | 一种图像调整方法及装置、计算机可读存储介质 | |
CN109978814B (zh) | 白点检测方法及计算机系统 |
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 |