CN111681253A - 基于颜色与形态特征的叶片图像分割方法及系统 - Google Patents
基于颜色与形态特征的叶片图像分割方法及系统 Download PDFInfo
- Publication number
- CN111681253A CN111681253A CN202010518321.6A CN202010518321A CN111681253A CN 111681253 A CN111681253 A CN 111681253A CN 202010518321 A CN202010518321 A CN 202010518321A CN 111681253 A CN111681253 A CN 111681253A
- Authority
- CN
- China
- Prior art keywords
- area
- color
- leaf
- image segmentation
- weed
- 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
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
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/136—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
- G06T2207/10—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像分割领域,提供了一种基于颜色与形态特征的叶片图像分割方法及系统。其中,基于颜色与形态特征的叶片图像分割方法包括对作物植株图像进行聚类,保留叶片部分所属的前景区域,去除背景区域;使用超绿算法筛选出作物部分,去除残留的背景区域;基于颜色差值的处理方法去除杂草区域;采用面积阈值法去除掉粘连的杂草部分;使用闭运算操作进行修补去除掉粘连杂草部分的图像,最终得到叶片图像分割结果。
Description
技术领域
本发明属于图像分割领域,尤其涉及一种基于颜色与形态特征的叶片图像分割方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
近年来,随着各种图像采集技术的不断发展,基于计算机视觉的智慧农业越来越多的得到了人们的关注。农业与人类的生活息息相关,而研究其叶片不仅可以得到作物的生长状态,还可以预测其后续的生长状况和进行病害检测等,而进行上述研究,首先需要的是分割出完整的作物叶片。
至今为止许多的图像分割算法已经被提出,包括K-means、边缘检测、分水岭、显著性分割等方法。虽然已经出现了许多的分割算法,但是发明人发现,目前并没有一种通用的分割算法,基于田地背景的叶片分割中,通常会受到光照、杂草、泥土等因素的影响,叶片的背景较为复杂,而由于这些因素的干扰,从作物图像中分割出叶片有不小的难度。
发明内容
为了解决上述问题,本发明提供一种基于颜色与形态特征的叶片图像分割方法及系统,其能够提高自然田地条件下作物叶片的分割精度,适应不同的场景和作物类别,具有很好的适应性和鲁棒性。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于颜色与形态特征的叶片图像分割方法。
一种基于颜色与形态特征的叶片图像分割方法,包括:
对作物植株图像进行聚类,保留叶片部分所属的前景区域,去除背景区域;
使用超绿算法筛选出作物部分,去除残留的背景区域;
基于颜色差值的处理方法去除杂草区域;
采用面积阈值法去除掉粘连的杂草部分;
使用闭运算操作进行修补去除掉粘连杂草部分的图像,最终得到叶片图像分割结果。
本发明的第二个方面提供一种基于颜色与形态特征的叶片图像分割系统。
一种基于颜色与形态特征的叶片图像分割系统,包括:
聚类模块,其用于对作物植株图像进行聚类,保留叶片部分所属的前景区域,去除背景区域;
作物部分筛选模块,其用于使用超绿算法筛选出作物部分,去除残留的背景区域;
颜色差值处理模块,其用于基于颜色差值的处理方法去除杂草区域;
面积阈值处理模块,其用于采用面积阈值法去除掉粘连的杂草部分;
修补模块,其用于使用闭运算操作进行修补去除掉粘连杂草部分的图像,最终得到叶片图像分割结果。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的基于颜色与形态特征的叶片图像分割方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于颜色与形态特征的叶片图像分割方法中的步骤。
与现有技术相比,本发明的有益效果是:
相比于当下流行的各种深度神经网络的分割方法,本方法基于颜色和形态特征对叶片图像进行分割,更为轻量与快速,具体而言,使用聚类方法将背景中可能存在影响的因素大量去除,只保留下绿色作物以及周围少量区域,能有效地减少欠分割的现象,同时后续处理步骤中每一步都尽量保留完整的叶片区域,最后再进行修补,也有效避免了过分割的现象。
除此之外,基于颜色差值的处理中的阈值、面积阈值法中的阈值以及闭运算中的卷积核大小都是可以进行人工调整的,从而可以适应不同的场景和作物类别,具有很好的适应性和鲁棒性,本发明可以广泛应用于棉花、番茄、苹果等图像的叶片分割。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的一种基于颜色与形态特征的叶片图像分割方法流程图;
图2是本发明实施例的一种基于颜色与形态特征的叶片图像分割系统结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示,本实施例的一种基于颜色与形态特征的叶片图像分割方法,包括:
S101:对作物植株图像进行聚类,保留叶片部分所属的前景区域,去除背景区域。
目的是要将图片中的作物叶片部分分割出来,因此将图片中的内容看做由前景区域与背景区域组成,而前景区域就是需要分割出的叶片部分,背景区域即要消除掉的无关区域。
在本实施例中,使用高斯混合模型对作物植株图像进行聚类。高斯混合模型(Gaussian Mixture Model)通常简称GMM,是一种业界广泛使用的聚类算法,其由多个单一的高斯分布组合而成,每一个单一分布成为混合模型的一个组件。将高斯混合模型的高斯组件数设置为2,对作物图像的每一个像素进行聚类。将聚类后得到的两个类别的像素进行处理,分别计算两部分的像素的绿色平均值,平均值较大的一个类别即为含叶片部分的前景区域,将前景区域保留,去除背景区域。
此处需要说明的是,对作物植株图像进行聚类的方法也可采用其他现有的聚类方法,比如:k-means和FCM等聚类算法。
S102:使用超绿算法筛选出作物部分,去除残留的背景区域。
上述步骤得到的前景区域图像中,会残留少量无关的背景区域,采用颜色差别,使用超绿算法来去除掉这些无关的背景区域。对于彩色图像而言,绿色作物和背景区域在R,G,B三个颜色分量上的取值存在着不同的特点。通过将原始图像分离成三个独立的基色平面,然后选择不同的彩色特征组合,对图像中的每个像素点进行转换,可以达到增强图像中目标作物与背景对比度的目的。本实施例中采用的特征组合方式如公式(1),R,G,B分别代表每个像素的红色分量、绿色分量和蓝色分量。使用计算得到的ExG值来组成作物图像的超绿灰度图。
ExG=2*G-R-B (1)
对超绿灰度图采用最大类间方差法确定像素属于前景区域或者背景区域,从而去除残留的背景区域。
S103:基于颜色差值的处理方法去除杂草区域。
相比于作物叶片,作物的茎秆,以及背景中的杂草部分呈现细长或者不规则的形状,同时其分布杂乱。因此叶片图像在进行基于超绿算法的处理后,其中无关的杂草等区域像素的颜色值在一定区域内会出现不连续的状况,可以根据这一状况进行分割。本实施例中使用叶片图像的像素光滑度Smooth(p)来衡量像素和其邻域内像素的颜色差值。具体计算方法如公式(2)所示。其中点p是图像的一个像素点,点q是点p邻域内的其他像素点。区域D是点p的一个正方形邻域,N是区域内的像素点个数。而函数表示像素点的某个颜色分量的值,在本实施例中,取G分量的颜色值。
可以看出,当一个像素点的邻域内颜色连续且稳定时,其光滑度低,而邻域内颜色不连续、变化大的时候,其光滑度高。图像中的叶片区域,基本都是绿色,颜色比较稳定,因此其光滑度值通常比较低。设置一个光滑度阈值Ts,小于该阈值的像素予以保留,从而去除细小的杂草区域。
S104:采用面积阈值法去除掉粘连的杂草部分。
上一步去除了比较细小的杂草区域,然而前景中还可能存在杂草交错粘连从而形成一个较大的闭合连通区域的情况。对于这种情况,上一步的光滑度处理不能很好的去除掉。考虑到叶片区域的面积通常比粘连的杂草区域面积要大得多,因此采用设定面积阈值的方法来去除掉粘连的杂草部分。
检测各个连通区域的方法采用八邻接方法。从某个像素值非零的像素点开始,检查其周围八个邻居像素点的值,数值非零的邻居点即与其同为一个连通区域。八邻接方法可以将叶片图像分割成不同的区域。之后设定一个阈值Ta,统计每个区域像素个数,作为该连通区域的面积。面积超过阈值Ta的区域则保留,反之,则删掉这个区域。
S105:使用闭运算操作进行修补去除掉粘连杂草部分的图像,最终得到叶片图像分割结果。
基于颜色差值处理图像时,除了会删去细小的杂草区域外,还有可能会删去叶片中的部分枯黄或者因为光照呈现白色的斑点区域,以及会造成叶片边缘受损。本实施例采用数学形态学的闭运算进行图像修补,可以有效填补叶片上的孔洞,同时还可以平滑受损的叶片边缘。最终得到精确的叶片图像。
相比于当下流行的各种深度神经网络的分割方法,本方法基于颜色和形态特征对叶片图像进行分割,更为轻量与快速。具体而言,使用聚类方法将背景中可能存在影响的因素大量去除,只保留下绿色作物以及周围少量区域,能有效地减少欠分割的现象。同时后续处理步骤中每一步都尽量保留完整的叶片区域,最后再进行修补,也有效避免了过分割的现象。除此之外,基于颜色差值的处理中的阈值、面积阈值法中的阈值以及闭运算中的卷积核大小都是可以进行人工调整的,从而可以适应不同的场景和作物类别,具有很好的适应性和鲁棒性。本实施例可以广泛应用于棉花、番茄、苹果等图像的叶片分割。
实施例二
如图2所示,本实施例提供了一种基于颜色与形态特征的叶片图像分割系统,包括:
(1)聚类模块,其用于对作物植株图像进行聚类,保留叶片部分所属的前景区域,去除背景区域。
目的是要将图片中的作物叶片部分分割出来,因此将图片中的内容看做由前景区域与背景区域组成,而前景区域就是需要分割出的叶片部分,背景区域即要消除掉的无关区域。
在本实施例中,使用高斯混合模型对作物植株图像进行聚类。高斯混合模型(Gaussian Mixture Model)通常简称GMM,是一种业界广泛使用的聚类算法,其由多个单一的高斯分布组合而成,每一个单一分布成为混合模型的一个组件。将高斯混合模型的高斯组件数设置为2,对作物图像的每一个像素进行聚类。将聚类后得到的两个类别的像素进行处理,分别计算两部分的像素的绿色平均值,平均值较大的一个类别即为含叶片部分的前景区域,将前景区域保留,去除背景区域。
此处需要说明的是,对作物植株图像进行聚类的方法也可采用其他现有的聚类方法,比如:k-means和FCM等聚类算法。
(2)作物部分筛选模块,其用于使用超绿算法筛选出作物部分,去除残留的背景区域。
上述步骤得到的前景区域图像中,会残留少量无关的背景区域,采用颜色差别,使用超绿算法来去除掉这些无关的背景区域。对于彩色图像而言,绿色作物和背景区域在R,G,B三个颜色分量上的取值存在着不同的特点。通过将原始图像分离成三个独立的基色平面,然后选择不同的彩色特征组合,对图像中的每个像素点进行转换,可以达到增强图像中目标作物与背景对比度的目的。本实施例中采用的特征组合方式如公式(1),R,G,B分别代表每个像素的红色分量、绿色分量和蓝色分量。使用计算得到的ExG值来组成作物图像的超绿灰度图。
ExG=2*G-R-B (1)
对超绿灰度图采用最大类间方差法确定像素属于前景区域或者背景区域,从而去除残留的背景区域。
(3)颜色差值处理模块,其用于基于颜色差值的处理方法去除杂草区域。
相比于作物叶片,作物的茎秆,以及背景中的杂草部分呈现细长或者不规则的形状,同时其分布杂乱。因此叶片图像在进行基于超绿算法的处理后,其中无关的杂草等区域像素的颜色值在一定区域内会出现不连续的状况,可以根据这一状况进行分割。本实施例中使用叶片图像的像素光滑度Smooth(p)来衡量像素和其邻域内像素的颜色差值。具体计算方法如公式(2)所示。其中点p是图像的一个像素点,点q是点p邻域内的其他像素点。区域D是点p的一个正方形邻域,N是区域内的像素点个数。而函数表示像素点的某个颜色分量的值,在本实施例中,取G分量的颜色值。
可以看出,当一个像素点的邻域内颜色连续且稳定时,其光滑度低,而邻域内颜色不连续、变化大的时候,其光滑度高。图像中的叶片区域,基本都是绿色,颜色比较稳定,因此其光滑度值通常比较低。设置一个光滑度阈值Ts,小于该阈值的像素予以保留,从而去除细小的杂草区域。
(4)面积阈值处理模块,其用于采用面积阈值法去除掉粘连的杂草部分。
上一步去除了比较细小的杂草区域,然而前景中还可能存在杂草交错粘连从而形成一个较大的闭合连通区域的情况。对于这种情况,上一步的光滑度处理不能很好的去除掉。考虑到叶片区域的面积通常比粘连的杂草区域面积要大得多,因此采用设定面积阈值的方法来去除掉粘连的杂草部分。
检测各个连通区域的方法采用八邻接方法。从某个像素值非零的像素点开始,检查其周围八个邻居像素点的值,数值非零的邻居点即与其同为一个连通区域。八邻接方法可以将叶片图像分割成不同的区域。之后设定一个阈值Ta,统计每个区域像素个数,作为该连通区域的面积。面积超过阈值Ta的区域则保留,反之,则删掉这个区域。
(5)修补模块,其用于使用闭运算操作进行修补去除掉粘连杂草部分的图像,最终得到叶片图像分割结果。
基于颜色差值处理图像时,除了会删去细小的杂草区域外,还有可能会删去叶片中的部分枯黄或者因为光照呈现白色的斑点区域,以及会造成叶片边缘受损。本实施例采用数学形态学的闭运算进行图像修补,可以有效填补叶片上的孔洞,同时还可以平滑受损的叶片边缘。最终得到精确的叶片图像。
相比于当下流行的各种深度神经网络的分割方法,本实施例基于颜色和形态特征对叶片图像进行分割,更为轻量与快速。具体而言,使用聚类方法将背景中可能存在影响的因素大量去除,只保留下绿色作物以及周围少量区域,能有效地减少欠分割的现象。同时后续处理步骤中每一步都尽量保留完整的叶片区域,最后再进行修补,也有效避免了过分割的现象。除此之外,基于颜色差值的处理中的阈值、面积阈值法中的阈值以及闭运算中的卷积核大小都是可以进行人工调整的,从而可以适应不同的场景和作物类别,具有很好的适应性和鲁棒性。本实施例可以广泛应用于棉花、番茄、苹果等图像的叶片分割。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如实施例一所述的基于颜色与形态特征的叶片图像分割方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如实施例一所述的基于颜色与形态特征的叶片图像分割方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于颜色与形态特征的叶片图像分割方法,其特征在于,包括:
对作物植株图像进行聚类,保留叶片部分所属的前景区域,去除背景区域;
使用超绿算法筛选出作物部分,去除残留的背景区域;
基于颜色差值的处理方法去除杂草区域;
采用面积阈值法去除掉粘连的杂草部分;
使用闭运算操作进行修补去除掉粘连杂草部分的图像,最终得到叶片图像分割结果。
2.如权利要求1所述的基于颜色与形态特征的叶片图像分割方法,其特征在于,使用高斯混合模型对作物植株图像进行聚类。
3.如权利要求1所述的基于颜色与形态特征的叶片图像分割方法,其特征在于,将聚类后得到的两个类别的像素进行处理,分别计算两部分的像素的绿色平均值,平均值较大的一个类别即为含叶片部分的前景区域,将前景区域保留,去除背景区域。
4.如权利要求1所述的基于颜色与形态特征的叶片图像分割方法,其特征在于,使用超绿算法筛选出作物部分,去除残留的背景区域的过程为:
采用的特征组合方式ExG=2*G-R-B;其中,R,G,B分别代表每个像素的红色分量、绿色分量和蓝色分量,使用ExG值来组成作物图像的超绿灰度图;对超绿灰度图采用最大类间方差法确定像素属于前景区域或者背景区域,从而去除残留的背景区域。
5.如权利要求1所述的基于颜色与形态特征的叶片图像分割方法,其特征在于,在基于颜色差值的处理方法去除杂草区域的过程中,使用叶片图像的像素光滑度来衡量像素和其邻域内像素的颜色差值。
6.如权利要求1所述的基于颜色与形态特征的叶片图像分割方法,其特征在于,采用面积阈值法去除掉粘连的杂草部分的过程中,采用八邻接方法检测各个连通区域,从某个像素值非零的像素点开始,检查其周围八个邻居像素点的值,数值非零的邻居点即与其同为一个连通区域。
7.如权利要求6所述的基于颜色与形态特征的叶片图像分割方法,其特征在于,八邻接方法将叶片图像分割成不同的区域,之后设定一个阈值Ta,统计每个区域像素个数,作为该连通区域的面积,面积超过阈值Ta的区域则保留,反之,则删掉这个区域。
8.一种基于颜色与形态特征的叶片图像分割系统,其特征在于,包括:
聚类模块,其用于对作物植株图像进行聚类,保留叶片部分所属的前景区域,去除背景区域;
作物部分筛选模块,其用于使用超绿算法筛选出作物部分,去除残留的背景区域;
颜色差值处理模块,其用于基于颜色差值的处理方法去除杂草区域;
面积阈值处理模块,其用于采用面积阈值法去除掉粘连的杂草部分;
修补模块,其用于使用闭运算操作进行修补去除掉粘连杂草部分的图像,最终得到叶片图像分割结果。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的基于颜色与形态特征的叶片图像分割方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于颜色与形态特征的叶片图像分割方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010518321.6A CN111681253B (zh) | 2020-06-09 | 2020-06-09 | 基于颜色与形态特征的叶片图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010518321.6A CN111681253B (zh) | 2020-06-09 | 2020-06-09 | 基于颜色与形态特征的叶片图像分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681253A true CN111681253A (zh) | 2020-09-18 |
CN111681253B CN111681253B (zh) | 2023-04-18 |
Family
ID=72455034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010518321.6A Active CN111681253B (zh) | 2020-06-09 | 2020-06-09 | 基于颜色与形态特征的叶片图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681253B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132153A (zh) * | 2020-09-22 | 2020-12-25 | 山东大学 | 基于聚类和形态学处理的番茄果实识别方法及系统 |
CN113191285A (zh) * | 2021-05-08 | 2021-07-30 | 山东大学 | 基于卷积神经网络和Transformer的河湖遥感图像分割方法及系统 |
CN113269750A (zh) * | 2021-05-26 | 2021-08-17 | 海南大学 | 香蕉叶部病害图像检测方法、系统、储存介质及检测设备 |
CN113269690A (zh) * | 2021-05-27 | 2021-08-17 | 山东大学 | 一种叶片病变区域检测方法及系统 |
CN113298777A (zh) * | 2021-05-21 | 2021-08-24 | 山东大学 | 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 |
CN113486773A (zh) * | 2021-07-01 | 2021-10-08 | 山东大学 | 棉花植株生长期识别方法、系统、存储介质及设备 |
CN114663790A (zh) * | 2022-05-24 | 2022-06-24 | 济宁德信测绘有限公司 | 一种智能遥感测绘方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683098A (zh) * | 2016-11-15 | 2017-05-17 | 北京农业信息技术研究中心 | 一种重叠叶片图像的分割方法 |
CN106682639A (zh) * | 2017-01-03 | 2017-05-17 | 安徽农业大学 | 一种基于视频监测的作物叶部异常图像提取方法 |
CN108038487A (zh) * | 2017-11-22 | 2018-05-15 | 湖北工业大学 | 基于图像分割与特征融合的植物叶片辨别方法 |
CN108765442A (zh) * | 2018-04-27 | 2018-11-06 | 吉林农业科技学院 | 一种基于室外多变光照条件下农田绿色作物快速分割方法 |
-
2020
- 2020-06-09 CN CN202010518321.6A patent/CN111681253B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683098A (zh) * | 2016-11-15 | 2017-05-17 | 北京农业信息技术研究中心 | 一种重叠叶片图像的分割方法 |
CN106682639A (zh) * | 2017-01-03 | 2017-05-17 | 安徽农业大学 | 一种基于视频监测的作物叶部异常图像提取方法 |
CN108038487A (zh) * | 2017-11-22 | 2018-05-15 | 湖北工业大学 | 基于图像分割与特征融合的植物叶片辨别方法 |
CN108765442A (zh) * | 2018-04-27 | 2018-11-06 | 吉林农业科技学院 | 一种基于室外多变光照条件下农田绿色作物快速分割方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132153A (zh) * | 2020-09-22 | 2020-12-25 | 山东大学 | 基于聚类和形态学处理的番茄果实识别方法及系统 |
CN113191285A (zh) * | 2021-05-08 | 2021-07-30 | 山东大学 | 基于卷积神经网络和Transformer的河湖遥感图像分割方法及系统 |
CN113298777A (zh) * | 2021-05-21 | 2021-08-24 | 山东大学 | 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 |
CN113269750A (zh) * | 2021-05-26 | 2021-08-17 | 海南大学 | 香蕉叶部病害图像检测方法、系统、储存介质及检测设备 |
CN113269690A (zh) * | 2021-05-27 | 2021-08-17 | 山东大学 | 一种叶片病变区域检测方法及系统 |
CN113486773A (zh) * | 2021-07-01 | 2021-10-08 | 山东大学 | 棉花植株生长期识别方法、系统、存储介质及设备 |
CN113486773B (zh) * | 2021-07-01 | 2024-03-12 | 山东大学 | 棉花植株生长期识别方法、系统、存储介质及设备 |
CN114663790A (zh) * | 2022-05-24 | 2022-06-24 | 济宁德信测绘有限公司 | 一种智能遥感测绘方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111681253B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681253B (zh) | 基于颜色与形态特征的叶片图像分割方法及系统 | |
CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN102968782B (zh) | 一种彩色图像中显著对象的自动抠取方法 | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
CN106127735B (zh) | 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置 | |
EP1318475A1 (en) | A method and system for selectively applying enhancement to an image | |
CN109740721B (zh) | 麦穗计数方法及装置 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN108563979B (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
CN115908371A (zh) | 基于优化分割的植物叶片病虫害程度检测方法 | |
CN112132153B (zh) | 基于聚类和形态学处理的番茄果实识别方法及系统 | |
CN110660070B (zh) | 一种水稻叶脉图像提取方法和装置 | |
CN101447027B (zh) | 磁码字符区域的二值化方法及其应用 | |
US11880981B2 (en) | Method and system for leaf age estimation based on morphological features extracted from segmented leaves | |
Anantrasirichai et al. | Automatic leaf extraction from outdoor images | |
CN113255434A (zh) | 一种融合果实特征与深度卷积神经网络的苹果识别方法 | |
CN114445440A (zh) | 一种应用于自行走设备的障碍物识别方法及自行走设备 | |
CN106683098A (zh) | 一种重叠叶片图像的分割方法 | |
CN110298835B (zh) | 一种皮革表面破损检测方法、系统及相关装置 | |
CN110765887A (zh) | 隧道衬砌裂纹自动识别技术及检测方法 | |
CN109359653A (zh) | 一种棉花叶部粘连病斑图像分割方法和系统 | |
CN113269690A (zh) | 一种叶片病变区域检测方法及系统 | |
CN112446417A (zh) | 基于多层超像素分割的纺锤形果实图像分割方法及系统 | |
CN112489049A (zh) | 基于超像素和svm的成熟番茄果实的分割方法及系统 | |
CN105427321B (zh) | 一种检测托盘上是否有软袋的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |