CN111681244A - 叶片图像分割方法、系统、设备及存储介质 - Google Patents

叶片图像分割方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN111681244A
CN111681244A CN202010475077.XA CN202010475077A CN111681244A CN 111681244 A CN111681244 A CN 111681244A CN 202010475077 A CN202010475077 A CN 202010475077A CN 111681244 A CN111681244 A CN 111681244A
Authority
CN
China
Prior art keywords
image
segmented
leaf
foreground
images
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.)
Granted
Application number
CN202010475077.XA
Other languages
English (en)
Other versions
CN111681244B (zh
Inventor
杨公平
刘一锟
孙启玉
刘玉峰
谢丽娟
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.)
Shandong Fengshi Information Technology Co ltd
Shandong University
Original Assignee
Shandong Fengshi Information Technology Co ltd
Shandong University
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 Shandong Fengshi Information Technology Co ltd, Shandong University filed Critical Shandong Fengshi Information Technology Co ltd
Priority to CN202010475077.XA priority Critical patent/CN111681244B/zh
Publication of CN111681244A publication Critical patent/CN111681244A/zh
Application granted granted Critical
Publication of CN111681244B publication Critical patent/CN111681244B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本公开公开了叶片图像分割方法、系统、设备及存储介质，包括：获取待分割的叶片图像；对待分割的叶片图像进行聚类处理，得到待分割叶片图像的前景图像；对待分割叶片图像的前景图像进行处理，得到主要前景图像和次要前景图像；对主要前景图像进行形态学分割处理，得到粗略分割图像；将粗略分割图像与次要前景图像进行合并，得到分割后的叶片图像。

Description

叶片图像分割方法、系统、设备及存储介质
技术领域
本公开涉及图像分割技术领域，特别是涉及叶片图像分割方法、系统、设备及存储介质。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。
随着计算机科学的快速发展，图像处理技术在各个行业得到了广泛应用。在农业领域，图像处理主要用于对作物进行测产、病虫害识别、生长期分析等。图像分割是图像处理的一个关键步骤，如何从作物图像中快速而准确的分割出作物叶片(称之为叶片实例分割)是一个挑战性非常大的问题。在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：现有叶片实例分割方法大都基于单一背景下的单个叶片，很难应用于生产实际。现实的农作物图像叶片很多，之间也存在遮挡现象，再者图像质量也受光照等外部环境的影响。
发明内容
为了解决现有技术的不足，本公开提供了叶片图像分割方法、系统、设备及存储介质；可以进一步提高叶片实例分割的精度和速度。
第一方面，本公开提供了叶片图像分割方法；
叶片图像分割方法，包括：
获取待分割的叶片图像；
对待分割的叶片图像进行聚类处理，得到待分割叶片图像的前景图像；
对待分割叶片图像的前景图像进行处理，得到主要前景图像和次要前景图像；
对主要前景图像进行形态学分割处理，得到粗略分割图像；
将粗略分割图像与次要前景图像进行合并，得到分割后的叶片图像。
第二方面，本公开提供了叶片图像分割系统；
叶片图像分割系统，包括：
获取模块，其被配置为：获取待分割的叶片图像；
聚类模块，其被配置为：对待分割的叶片图像进行聚类处理，得到待分割叶片图像的前景图像；
前景主次分离模块，其被配置为：对待分割叶片图像的前景图像进行处理，得到主要前景图像和次要前景图像；
分割模块，其被配置为：对主要前景图像进行形态学分割处理，得到粗略分割图像；
合并模块，其被配置为：将粗略分割图像与次要前景图像进行合并，得到分割后的叶片图像。
第三方面，本公开还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面所述的方法。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
第五方面，本公开还提供了一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。
与现有技术相比，本公开的有益效果是：
将原始图像的颜色空间从RGB转为Lab，可以使前景与背景的颜色特征具有更好的区分性。层次聚类可能将作物前景分成不止一类，所以在层次聚类的基础上将相似聚类中心合并，则可以避免作物前景的丢失。利用开运算将作物前景分成主要和次要两部分，只对主要前景图像应用分水岭算法，再将次要前景图像中的连通域依次与粗略分割图像合并，可以避免叶茎和细小部分的误分割，从而提高实例分割的准确性。本公开可以广泛适用于苹果、棉花、番茄等椭圆片状叶片的分割。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为第一个实施例的方法流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了叶片图像分割方法；
如图1所示，叶片图像分割方法，包括：
S101：获取待分割的叶片图像；
S102：对待分割的叶片图像进行聚类处理，得到待分割叶片图像的前景图像；
S103：对待分割叶片图像的前景图像进行处理，得到主要前景图像和次要前景图像；
S104：对主要前景图像进行形态学分割处理，得到粗略分割图像；
S105：将粗略分割图像与次要前景图像进行合并，得到分割后的叶片图像。
作为一个或多个实施例，所述获取待分割的叶片图像，具体步骤包括：采用高清摄像头对待分割的叶片进行拍摄，得到待分割的叶片图像。
作为一个或多个实施例，所述S101的获取待分割的叶片图像步骤之后，所述S102的对待分割的叶片图像进行特征聚类处理，得到待分割叶片图像的前景图像步骤之前，还包括：对待分割的叶片图像进行预处理操作。
作为一个或多个实施例，所述对待分割的叶片图像进行预处理操作，具体步骤包括：
对待分割的叶片图像进行颜色空间转换，由RGB颜色空间转换到Lab颜色空间；
使用中值滤波算法，对颜色空间转换后的图像进行去噪处理，得到去噪后的待分割的叶片图像。
进一步地，所述使用中值滤波算法，对颜色空间转换后的图像进行去噪处理，得到去噪后的待分割的叶片图像；其中滤波窗口为3x3，
作为一个或多个实施例，所述S102中，对待分割的叶片图像进行聚类处理，得到待分割叶片图像的前景图像；具体步骤包括：
S1021：对待分割的叶片图像提取颜色特征；
S1022：对提取的颜色特征使用层次聚类算法进行聚类，得到若干个聚类中心；
S1023：计算得到的所有聚类中心中两两之间的夹角余弦距离，如果两个聚类中心的夹角余弦距离小于设定阈值(本公开设定阈值Th取0.02)，则说明这两个聚类中心相似度高，将相似度高的两个类别合并为一类，作为前景图像；返回S1022，重新计算聚类中心，直至聚类中心的个数属于设定取值范围(例如：最终得到的类别数N：2≤N≤5)；
S1024：计算每个聚类中心与预设的颜色特征分量的欧式距离，将欧式距离最小的聚类中心作为前景图像的聚类中心；
S1025：将属于前景图像的聚类中心的所有像素值设为第一像素值，将剩余聚类内的像素值设置为第二像素值，得到二值化的待分割叶片图像的前景图像。
示例性的，所述S1021中，对待分割的叶片图像提取颜色特征；是指对去噪后的待分割的叶片图像，提取每个像素的Lab分量作为三维的颜色特征。
示例性的，所述S1022中，对提取的颜色特征使用层次聚类算法进行聚类，得到若干个聚类中心；是利用层次聚类CURE算法进行聚类，初始聚类中心个数为5个。
示例性的，所述S1024中，预设的颜色特征分量，是指先验Lab颜色分量为[41.18,164.14,106.66]。
示例性的，所述S1025中，第一像素值为255，第二像素值为0。
作为一个或多个实施例，所述S103中，对待分割叶片图像的前景图像进行处理，得到主要前景图像和次要前景图像；具体步骤包括：
对S102得到的待分割叶片图像的前景图像进行开运算处理，得到主要前景图像；
将S102得到的待分割叶片图像的前景图像与主要前景图像作差处理，得到次要前景图像。
应理解的，所述主要前景图像是每个叶片的主要部分，作为后续应用分水岭算法的依据；所述开运算的迭代次数为2；所述次要前景图像为每个叶片的叶茎和细小叶片。
作为一个或多个实施例，所述S104中，对主要前景图像进行形态学分割处理，得到粗略分割图像；具体步骤包括：
对主要前景图像，进行距离变换，得到距离图；
遍历整个距离图，取出主要前景图像中与背景的距离大于设定阈值的点，作为注水点；
利用距离分水岭算法，对注水点进行形态学分割处理，得到粗略分割图像。
应理解的，所述距离变换，是前景图像中像素点与所有背景点的最小距离，临近背景的前景像素点有较小的值，离背景越远其距离值越大。
示例性的，距离变换的计算公式如下：
M(p)＝minq∈BackgroundDE(p,q) (1)
其中M(p)为距离图中p点的值，q为任一背景点坐标，DE表示p、q两点间的欧氏距离。
应理解的，所述分水岭算法是一种基于拓扑理论的形态学分割算法。距离图中值的大小就代表叶片中距离背景的远近，遍历整个距离图M，取出大于阈值Ts的点(本公开取Ts为15)，即前景图像中与背景的距离超过Ts的点，将其作为分水岭算法的注水点，应用分水岭算法则可以得到粗略分割图像。
作为一个或多个实施例，所述S105中，将粗略分割图像与次要前景图像进行合并，得到分割后的叶片图像；具体步骤包括：
将次要前景图像的每一个连通域与粗略分割图像进行融合，即将次要前景图像中面积小于设定阈值的连通域与粗略分割图像中相邻的最大连通域进行合并，得到分割后的叶片图像。
应理解的，次要前景图像中的像素大多为叶茎和细小叶片，所以将次要前景图像中每个连通域依次与粗略分割图像中临近的最大叶片合并即可将叶片补充完整，从而得到叶片的完整分割图像。
作为一个或多个实施例，所述方法还包括：S106：对分割后的叶片图像进行修正，得到最终的叶片分割图像。
作为一个或多个实施例，所述S106中，对分割后的叶片图像进行修正，得到最终的叶片分割图像；具体步骤包括：
判断分割后的叶片图像中，是否有叶片的面积小于设定阈值，如果有，则表示存在误分割的情况，将叶片面积小于设定阈值的叶片合并到与其邻近的最大叶片中，得到最终的叶片分割图像。
应理解的，根据先验知识确定作物叶片的最小叶面积S(本公开S取500像素点数)，取叶片的完整分割图像中面积小于S的连通域，一般为误分割的部分，将其与临近的最大叶片合并，即可得到最终的叶片实例分割图像。
实施例二
本实施例提供了基于层次聚类与距离分水岭的叶片图像分割系统；
叶片图像分割系统，包括：
获取模块，其被配置为：获取待分割的叶片图像；
聚类模块，其被配置为：对待分割的叶片图像进行聚类处理，得到待分割叶片图像的前景图像；
前景主次分离模块，其被配置为：对待分割叶片图像的前景图像进行处理，得到主要前景图像和次要前景图像；
分割模块，其被配置为：对主要前景图像进行形态学分割处理，得到粗略分割图像；
合并模块，其被配置为：将粗略分割图像与次要前景图像进行合并，得到分割后的叶片图像。
此处需要说明的是，上述获取模块、聚类模块、前景主次分离模块、分割模块和合并模块对应于实施例一中的步骤S101至S105，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，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，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.叶片图像分割方法，其特征是，包括：
获取待分割的叶片图像；
对待分割的叶片图像进行聚类处理，得到待分割叶片图像的前景图像；
对待分割叶片图像的前景图像进行处理，得到主要前景图像和次要前景图像；
对主要前景图像进行形态学分割处理，得到粗略分割图像；
将粗略分割图像与次要前景图像进行合并，得到分割后的叶片图像。
2.如权利要求1所述的方法，其特征是，获取待分割的叶片图像步骤之后，对待分割的叶片图像进行特征聚类处理，得到待分割叶片图像的前景图像步骤之前，还包括：对待分割的叶片图像进行预处理操作；
或者，
所述对待分割的叶片图像进行预处理操作，具体步骤包括：
对待分割的叶片图像进行颜色空间转换，由RGB颜色空间转换到Lab颜色空间；使用中值滤波算法，对颜色空间转换后的图像进行去噪处理，得到去噪后的待分割的叶片图像。
3.如权利要求1所述的方法，其特征是，对待分割的叶片图像进行聚类处理，得到待分割叶片图像的前景图像；具体步骤包括：
对待分割的叶片图像提取颜色特征；
对提取的颜色特征使用层次聚类算法进行聚类，得到若干个聚类中心；
计算得到的所有聚类中心中两两之间的夹角余弦距离，如果两个聚类中心的夹角余弦距离小于设定阈值，则说明这两个聚类中心相似度高，将相似度高的两个类别合并为一类，作为前景图像；重新计算聚类中心，直至聚类中心的个数属于设定取值范围；
计算每个聚类中心与预设的颜色特征分量的欧式距离，将欧式距离最小的聚类中心作为前景图像的聚类中心；
将属于前景图像的聚类中心的所有像素值设为第一像素值，将剩余聚类内的像素值设置为第二像素值，得到二值化的待分割叶片图像的前景图像。
4.如权利要求1所述的方法，其特征是，对待分割叶片图像的前景图像进行处理，得到主要前景图像和次要前景图像；具体步骤包括：
对得到的待分割叶片图像的前景图像进行开运算处理，得到主要前景图像；
将得到的待分割叶片图像的前景图像与主要前景图像作差处理，得到次要前景图像。
5.如权利要求1所述的方法，其特征是，对主要前景图像进行形态学分割处理，得到粗略分割图像；具体步骤包括：
对主要前景图像，进行距离变换，得到距离图；
遍历整个距离图，取出主要前景图像中与背景的距离大于设定阈值的点，作为注水点；
利用距离分水岭算法，对注水点进行形态学分割处理，得到粗略分割图像。
6.如权利要求1所述的方法，其特征是，将粗略分割图像与次要前景图像进行合并，得到分割后的叶片图像；具体步骤包括：
将次要前景图像的每一个连通域与粗略分割图像进行融合，即将次要前景图像中面积小于设定阈值的连通域与粗略分割图像中相邻的最大连通域进行合并，得到分割后的叶片图像。
7.如权利要求1所述的方法，其特征是，对分割后的叶片图像进行修正，得到最终的叶片分割图像；
或者，
对分割后的叶片图像进行修正，得到最终的叶片分割图像；具体步骤包括：
判断分割后的叶片图像中，是否有叶片的面积小于设定阈值，如果有，则表示存在误分割的情况，将叶片面积小于设定阈值的叶片合并到与其邻近的最大叶片中，得到最终的叶片分割图像。
8.叶片图像分割系统，其特征是，包括：
获取模块，其被配置为：获取待分割的叶片图像；
聚类模块，其被配置为：对待分割的叶片图像进行聚类处理，得到待分割叶片图像的前景图像；
前景主次分离模块，其被配置为：对待分割叶片图像的前景图像进行处理，得到主要前景图像和次要前景图像；
分割模块，其被配置为：对主要前景图像进行形态学分割处理，得到粗略分割图像；
合并模块，其被配置为：将粗略分割图像与次要前景图像进行合并，得到分割后的叶片图像。
9.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。
CN202010475077.XA 2020-05-29 2020-05-29 叶片图像分割方法、系统、设备及存储介质 Active CN111681244B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010475077.XA CN111681244B (zh) 2020-05-29 2020-05-29 叶片图像分割方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010475077.XA CN111681244B (zh) 2020-05-29 2020-05-29 叶片图像分割方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111681244A true CN111681244A (zh) 2020-09-18
CN111681244B CN111681244B (zh) 2022-06-21

Family

ID=72452831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010475077.XA Active CN111681244B (zh) 2020-05-29 2020-05-29 叶片图像分割方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111681244B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344047A (zh) * 2021-05-24 2021-09-03 广西电网有限责任公司电力科学研究院 基于改进K-means算法的压板状态识别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999758A (zh) * 2012-11-14 2013-03-27 北京大学 一种基于多边形检测的漫画图像版面理解系统和方法
CN105160668A (zh) * 2015-08-26 2015-12-16 爱威科技股份有限公司 图像分割方法、系统与细胞图像分割方法、系统
CN105719243A (zh) * 2014-12-04 2016-06-29 富士通株式会社 图像处理装置和方法
US20170124717A1 (en) * 2015-10-28 2017-05-04 Intel Corporation Method and system of background-foreground segmentation for image processing
CN108447072A (zh) * 2018-02-05 2018-08-24 山东大学 一种晶体颗粒的图像分割方法及系统
CN109584253A (zh) * 2018-12-20 2019-04-05 重庆切克威科技有限公司 油液磨粒图像分割方法
CN109801307A (zh) * 2018-12-17 2019-05-24 中国科学院深圳先进技术研究院 一种全景分割方法、装置及设备
CN111127476A (zh) * 2019-12-06 2020-05-08 Oppo广东移动通信有限公司 一种图像处理方法、装置、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999758A (zh) * 2012-11-14 2013-03-27 北京大学 一种基于多边形检测的漫画图像版面理解系统和方法
CN105719243A (zh) * 2014-12-04 2016-06-29 富士通株式会社 图像处理装置和方法
CN105160668A (zh) * 2015-08-26 2015-12-16 爱威科技股份有限公司 图像分割方法、系统与细胞图像分割方法、系统
US20170124717A1 (en) * 2015-10-28 2017-05-04 Intel Corporation Method and system of background-foreground segmentation for image processing
CN108447072A (zh) * 2018-02-05 2018-08-24 山东大学 一种晶体颗粒的图像分割方法及系统
CN109801307A (zh) * 2018-12-17 2019-05-24 中国科学院深圳先进技术研究院 一种全景分割方法、装置及设备
CN109584253A (zh) * 2018-12-20 2019-04-05 重庆切克威科技有限公司 油液磨粒图像分割方法
CN111127476A (zh) * 2019-12-06 2020-05-08 Oppo广东移动通信有限公司 一种图像处理方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
侯兆静 等: ""基于高斯混合模型的叶片检测分割算法"", 《计算机应用与软件》 *
史健芳等: "基于小波变换和数学形态学的图像分割算法", 《太原理工大学学报》 *
强振平 等: ""改进的基于统计模型的前景检测方法"", 《计算机应用》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344047A (zh) * 2021-05-24 2021-09-03 广西电网有限责任公司电力科学研究院 基于改进K-means算法的压板状态识别方法

Also Published As

Publication number Publication date
CN111681244B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
Raut et al. Plant disease detection in image processing using MATLAB
Maurya et al. Road extraction using k-means clustering and morphological operations
CN107085708B (zh) 基于多尺度分割和融合的高分辨率遥感图像变化检测方法
Niu et al. Image segmentation algorithm for disease detection of wheat leaves
CN111510792B (zh) 基于自适应加权图差异分析的视频摘要生成方法及系统
CN108710883B (zh) 一种采用轮廓检测的完整显著性物体检测方法
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
Rabee et al. License plate detection and recognition in complex scenes using mathematical morphology and support vector machines
CN111681244B (zh) 叶片图像分割方法、系统、设备及存储介质
Huynh et al. Plant identification using new architecture convolutional neural networks combine with replacing the red of color channel image by vein morphology leaf
Batule et al. Leaf disease detection using image processing and support vector machine (SVM)
Pushpa et al. Comparision and classification of medicinal plant leaf based on texture feature
Ren et al. Effective SAR sea ice image segmentation and touch floe separation using a combined multi-stage approach
CN111915645B (zh) 影像匹配方法、装置、计算机设备及计算机可读存储介质
WO2022061922A1 (zh) 材料微结构的分析方法和装置
CN111199228B (zh) 一种车牌定位的方法及装置
US10115195B2 (en) Method and apparatus for processing block to be processed of urine sediment image
Cheng et al. Power pole detection based on graph cut
CN111860003A (zh) 基于密集连接深度残差网络的图像去雨方法及系统
Ghandour et al. Building shadow detection based on multi-thresholding segmentation
Cheng et al. An improved K-means clustering algorithm in agricultural image segmentation
Shashi et al. Automated disease detection and classification of plants using image processing approaches: a review
CN113221736A (zh) 基于多特征协同非负矩阵分解的心电身份识别方法及系统
Ferreira et al. Robust clustering-based segmentation methods for fingerprint recognition
KR20160112464A (ko) 영역 기반 그래프 컷을 이용한 객체 분할 장치 및 방법

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