CN111695477A - 基于图像处理组合技术的贝类外部形态参数测量方法 - Google Patents
基于图像处理组合技术的贝类外部形态参数测量方法 Download PDFInfo
- Publication number
- CN111695477A CN111695477A CN202010499889.8A CN202010499889A CN111695477A CN 111695477 A CN111695477 A CN 111695477A CN 202010499889 A CN202010499889 A CN 202010499889A CN 111695477 A CN111695477 A CN 111695477A
- Authority
- CN
- China
- Prior art keywords
- image
- shellfish
- main body
- picture
- window
- 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.)
- Withdrawn
Links
- 235000015170 shellfish Nutrition 0.000 title claims abstract description 88
- 238000005516 engineering process Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 title claims abstract description 17
- 230000000877 morphologic effect Effects 0.000 title claims description 15
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 238000005259 measurement Methods 0.000 claims abstract description 35
- 230000007797 corrosion Effects 0.000 claims abstract description 23
- 238000005260 corrosion Methods 0.000 claims abstract description 23
- 230000002452 interceptive effect Effects 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 238000009499 grossing Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000005520 cutting process Methods 0.000 claims abstract description 7
- 238000000691 measurement method Methods 0.000 claims description 8
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 5
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000012216 screening Methods 0.000 description 8
- 230000003628 erosive effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06T5/70—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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于图像处理组合技术的贝类外部形态参数测量方法,属于贝类形态测量技术领域,以贝类图像为检测对象,通过交互界面输入参数进行初始化;检测图片背景像素分布的概率密度,对图片进行预处理;使用线检测的方法对图像背景进行切割,初步去除图片噪声;通过变窗口方法搜索并剔除奇异物,进一步去除图片噪声;再次使用线检测方法,对主体进行精准检索;通过腐蚀技术对图像边缘进行边缘光滑处理;通过边界跟踪的方法,检测目标边缘,得到目标轮廓;通过图像处理的手段以及交互界面的设计对贝类外部形态进行快速精确、交互能力强的自动化检测,避免了基于人工测量的种种限制且易于操作,提升贝类的产品品质。
Description
技术领域
本发明涉及一种基于图像处理组合技术的贝类外部形态参数测量方法,其属于贝类形态测量技术领域。
背景技术
中国在海水贝类的生产总量上占有全世界70%以上的份额,是贝类生产和出口的第一大国。而贝类的形态测度在贝类的筛选以及育苗过程当中扮演着重要的角色,是衡量贝类生长状况的主要方式,有着重要的研究意义。传统的方法是通过人工使用一些皮尺之类的工具进行测量。现有贝类外部形态测量技术通过对测量工具进行创新来加快测量速度,例如专利号为:CN201320005084.9,专利名称为:三维数显贝类形态测量装置;以及专利号为:CN201520378894.8,专利名称为:一种贝类体态快速批量数据测量仪,均是依赖人工测量,无法摆脱传统方法的局限性,同时受人为因素制约导致效率较低、误差较大。另外,目前测量方法本质上属于测量仪器的改进,尽管对贝类长度测量的精度相对有所提高,但贝类的面积、周长,因贝类边缘不规整,造成目前的测量技术无法完成对贝类面积及长度的精准度量。
现有技术虽然解决长度的精准测量的技术问题,但仍然存在诸多问题:多是采用人工测量,或者采用精度更高的仪器进行测量,但并没有改变传统方法的局限性,存在效率低、误差大的问题,无法实现贝类周长、面积的测量。导致测量速度慢,人工耗时大、精度不高,众多形态学参数无法获取等不足。特此研发一款基于图像处理组合技术的贝类外部形态参数测量方法有着重要的实用价值,因此研发能自动且精准测量贝类外部长度、周长、面积等各种形态参数的方法是至关重要的。
发明内容
本发明针对上述现有技术中存在的不足,提供一种基于图像处理组合技术的贝类外部形态参数测量方法。
本发明解决上述技术问题的技术方案如下:
一种基于图像处理组合技术的贝类外部形态参数测量方法,包括以下步骤:
步骤一、在交互界面中选择需要检测的贝类图片,通过在系统的建议下输入测量物关键测量参数,对测量程序进行初始化;
步骤二、基于概率密度对初始化后图像进行预处理,将图片转化为二值图像;
步骤三、基于线检测方法初步去除二值图像背景,去除图片中的部分背景以及其中的噪声;
步骤四、基于变窗口剔除去除背景后图片中的奇异物,精细剔除图片中的噪声;
步骤五、基于线检测方法精准检索剔除奇异物的图片中的目标,得到目标的扫描轮廓并将其中的空间填满;
步骤六、基于腐蚀技术对空间填满的贝类边缘进行光滑处理,根据腐蚀尺寸以及腐蚀次数,以白色像素为中心对图像中的黑色像素进行腐蚀;
步骤七、基于边界跟踪方法检测腐蚀后的贝类边缘,首先选取主体的第一行像素中的左端点作为起始点,其次从端点开始,使用边界跟踪的算法对主体边界进行识别,最后记录边界;
步骤八、基于图像描述技术测量步骤六得到的贝类图像外部形态参数并在交互界面展示测量结果。
优选地,所述步骤二中的基于概率密度对图像进行预处理的步骤为,
步骤a、将输入的图片转化为灰度图片;
步骤b、采集步骤a中灰度图片部分的背景,检测其中像素分布的概率密度;
步骤c、假设步骤b中的背景像素服从正态分布,对图片中每个像素都进行2σ检验,即将像素值偏离背景均值2σ以上的部分认定为非背景区域,反之则为背景区域;
步骤d、将2σ检验后的图片转化为二值图片,即将背景区域的像素值置为0,颜色为黑色,非背景区域像素值置为1,颜色为白色。
优选地,所述步骤三中基于线检测方法初步去除背景的步骤为,
步骤e、通过横向逐行扫描,初步确定图像中包含主体的行范围,并去除不包含主体的行;
步骤f、通过垂直逐列扫描,初步确定图像中包含主体的列范围,并去除不包含主体的列;
步骤g、通过取交集,将以上步骤e和步骤f所得结果相结合,得到一副通过横竖切割初步去除背景的粗去噪图像。
优选地,所述步骤四中基于变窗口剔除图片中奇异物的步骤为,
步骤h、根据预设的第一个较大的窗口大小,对于图像中的每一个白点,以其为中心创建一个窗口,统计窗口中的白点个数,如小于一定比例,则将该窗口中的内容视为噪声,全部变成黑点,反之,则保留,此举目标为去除图像中较大的噪声以及距离主体较远的小噪声;
步骤i、根据预设的第二个较小的窗口大小,对于图像中的每一个白点,以其为中心创建一个窗口,统计窗口中的白点个数,如小于一定比例,则将该窗口中的内容视为噪声,全部变成黑点,反之,则保留,此举目标为去除图像中距离主体较近的小噪声。
优选地,所述步骤五中基于线检测方法精准检索图片中目标的步骤为,
步骤j、通过横向逐行扫描,确定主体在图像每一行中的左右端点,并将左右端点之间的像素填充为白色;
步骤k、通过垂直逐列扫描,确定主体在图像每一列中的上下端点,并将上下端点之间的像素填充为白色;
步骤l、通过取交集,结合步骤j和步骤k的的结果,得到主体的精准检索图像。
优选地,所述步骤八中基于图像描述技术测量步骤六得到的贝类图像外部形态参数的步骤为,
步骤m、通过步骤六得到的贝类图像,统计图像中的像素点个数,得到该检测主体的像素面积SP;
步骤n、通过步骤七得到的轮廓图像,计算边界长度,得到该检测主体的像素周长LP;
步骤p、然后对轮廓之中每一对像素距离进行对比,找出轮廓点之间的最长距离,得到检测主体的长度WP;
步骤q、然后通过将输入图像的像素与步骤一中预设的拍摄区域实际长度相除,可以得到每厘米实际长度所占用的像素值pc,再对其求平方可得到每平方厘米实际面积所占用的像素值ps;
步骤r、最终得到贝类的实际面积SR=SP/ps,实际长度LR=LP/pc,实际周长WR=WP/pc。
与现有技术相比,本发明的有益效果是:本发明以贝类图像为检测对象,通过在交互界面中输入测量的关键参数,完成检测流程的初始化;通过图片背景像素分布的概率密度检测,对图片进行预处理;通过线检测的方法,对图像背景进行切割,初步去除图片噪声;通过变窗口方法搜索并剔除奇异物,进一步去除图片噪声;再次使用线检测方法,对主体进行精准检索;使用腐蚀技术进行边缘光滑处理,降低线检测方法导致的细微检测误差对图像的影响;通过边界跟踪的方法,检测目标边缘,得到目标轮廓;通过图像描述技术,对贝类外部形态进行参数测量,并在交互界面中展示测量结果。本发明对贝类外部形态进行快速精确的自动化检测,避免了基于人工测量的种种限制,并且交互界面设计简洁明了、易于操作,对提升贝类的产品品质、提高贝类养殖企业的经济效益有所助益,市场前景广阔。
附图说明
图1为本发明的交互界面初始状态图。
图2为本发明的待检测的贝类示例图。
图3为本发明的选择图像后的交互界面图。
图4为本发明的交互界面点击开始测量后显示测量进度图。
图5为本发明的贝类预处理后的图像图。
图6为本发明的贝类横向扫描结果图。
图7为本发明的贝类垂直扫描结果图。
图8为本发明的贝类合并得到的粗去噪结果图。
图9为本发明的贝类奇异物剔除结果图。
图10为本发明的贝类目标精准检索结果图。
图11为本发明的贝类边缘光滑处理的结果图。
图12为本发明的贝类边缘检测结果图。
图13为本发明的贝类目标长度检测图。
图14为本发明的交互界面结果展示图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
一种基于图像处理组合技术的贝类外部形态参数测量方法,包括以下步骤:
步骤一、在交互界面中选择需要检测的贝类图片,通过在系统的建议下输入测量物关键测量参数,关键测量参数包括:实际长度、第一次筛选窗口大小、第二次筛选窗口大小、腐蚀圆盘尺寸以及腐蚀次数,其中(1)实际长度根据拍摄区域横向长度的测量值输入系统,(2)筛选窗口大小表示奇异物的判断标准,窗口越大,可去除的奇异物面积越大,但越容易出现误判,因此采用变窗口策略,通过两个不同大小的窗口筛选奇异物,(3)图像腐蚀参数中腐蚀圆盘尺寸表示每次腐蚀操作中白色像素点向外扩展的像素个数,腐蚀次数即为腐蚀操作的迭代执行次数,腐蚀参数设置过大会导致测量误差,过小则达不到平滑边界的效果,使用者可根据实际图像情况调整参数设置,对测量程序进行初始化;
步骤二、基于概率密度对初始化后图像进行预处理,将图片转化为二值图像;
步骤三、基于线检测方法初步去除二值图像背景,去除图片中的部分背景以及其中的噪声;
步骤四、基于变窗口剔除去除背景后图片中的奇异物,精细剔除图片中的噪声;
步骤五、基于线检测方法精准检索剔除奇异物的图片中的目标,得到目标的扫描轮廓并将其中的空间填满;
步骤六、基于腐蚀技术对空间填满的贝类边缘进行光滑处理,根据腐蚀尺寸以及腐蚀次数,以白色像素为中心对图像中的黑色像素进行腐蚀;
步骤七、基于边界跟踪方法检测腐蚀后的贝类边缘,首先选取主体的第一行像素中的左端点作为起始点,其次从端点开始,使用边界跟踪的算法对主体边界进行识别,最后记录边界;
步骤八、基于图像描述技术测量步骤六得到的贝类图像外部形态参数并在交互界面展示测量结果。
所述步骤二中的基于概率密度对图像进行预处理的步骤为,
步骤a、将输入的图片转化为灰度图片;
步骤b、采集步骤a中灰度图片部分的背景,检测其中像素分布的概率密度;
步骤c、假设步骤b中的背景像素服从正态分布,对图片中每个像素都进行2σ检验,即将像素值偏离背景均值2σ以上的部分认定为非背景区域,反之则为背景区域;
步骤d、将2σ检验后的图片转化为二值图片,即将背景区域的像素值置为0,颜色为黑色,非背景区域像素值置为1,颜色为白色。
所述步骤三中基于线检测方法初步去除背景的步骤为,
步骤e、通过横向逐行扫描,初步确定图像中包含主体的行范围,并去除不包含主体的行;
步骤f、通过垂直逐列扫描,初步确定图像中包含主体的列范围,并去除不包含主体的列;
步骤g、通过取交集,将以上步骤e和步骤f所得结果相结合,得到一副通过横竖切割初步去除背景的粗去噪图像。
所述步骤四中基于变窗口剔除图片中奇异物的步骤为,
步骤h、根据预设的第一个较大的窗口大小,对于图像中的每一个白点,以其为中心创建一个窗口,统计窗口中的白点个数,如小于一定比例,则将该窗口中的内容视为噪声,全部变成黑点,反之,则保留,此举目标为去除图像中较大的噪声以及距离主体较远的小噪声;
步骤i、根据预设的第二个较小的窗口大小,对于图像中的每一个白点,以其为中心创建一个窗口,统计窗口中的白点个数,如小于一定比例,则将该窗口中的内容视为噪声,全部变成黑点,反之,则保留,此举目标为去除图像中距离主体较近的小噪声。
所述步骤五中基于线检测方法精准检索图片中目标的步骤为,
步骤j、通过横向逐行扫描,确定主体在图像每一行中的左右端点,并将左右端点之间的像素填充为白色;
步骤k、通过垂直逐列扫描,确定主体在图像每一列中的上下端点,并将上下端点之间的像素填充为白色;
步骤l、通过取交集,结合步骤j和步骤k的的结果,得到主体的精准检索图像。
所述步骤八中基于图像描述技术测量步骤六得到的贝类图像外部形态参数的步骤为,
步骤m、通过步骤六得到的贝类图像,统计图像中的像素点个数,得到该检测主体的像素面积SP;
步骤n、通过步骤七得到的轮廓图像,计算边界长度,得到该检测主体的像素周长LP;
步骤p、然后对轮廓之中每一对像素距离进行对比,找出轮廓点之间的最长距离,得到检测主体的长度WP;
步骤q、然后通过将输入图像的像素与步骤一中预设的拍摄区域实际长度相除,可以得到每厘米实际长度所占用的像素值pc,再对其求平方可得到每平方厘米实际面积所占用的像素值ps;
步骤r、最终得到贝类的实际面积SR=SP/ps,实际长度LR=LP/pc,实际周长WR=WP/pc。
随着贝类产能的增大,传统方法通常会遇到人手不足、精度不高、测量速度较慢等系列问题,而且对贝类面积和周长以及形状复杂度等重要指标,更是无法人工完成,只能凭借经验进行目测,对贝类产业的发展造成很大的影响。针对上述问题,本技术拟采用多种数字图像技术,通过测量贝类影像的长度、面积、形状复杂度等系列形态参数,实现快速、高效、精准的贝类外面形态参数测量,为贝类育苗筛选提供可靠、可信的参数。
实施例:交互界面设计及测量物关键参数输入:交互界面初始状态如图1所示,以在图2中展示的鲍鱼检测为例,在交互界面中选择需要检测的鲍鱼图片,交互界面中会展示出所选图片,并根据图片的像素密度自动给出一部分检测参数的建议值,包括第一次筛选窗口大小、第二次筛选窗口大小、腐蚀圆盘尺寸以及腐蚀次数,如图3所示。通过输入照片拍摄的实际长度,并根据实际情况调整给出的建议值,对测量程序进行初始化,之后点击交互界面中的开始测量按钮,进入到自动化测量阶段,此时屏幕下方会显示如图4所示的进度条,提醒检测进度。
所述步骤二中的基于概率密度对图像进行预处理的步骤为,
a、将输入的图片转化为灰度图片;
b、采集步骤a中灰度图图片部分背景,检测其中像素分布的概率密度;
c、假设步骤b中的背景像素服从正态分布,对图片中每个像素都进行2σ检验,即将像素值偏离背景均值2σ以上的部分认定为非背景区域,反之则为背景区域;
d、将2σ检验后的图片转化为二值图片,即将背景区域的像素值置为0,颜色为黑色,非背景区域像素值置为1,颜色为白色,结果如图5所示。
所述步骤三中基于线检测方法初步去除背景的步骤为,
步骤e、通过横向逐行扫描,初步确定图像中包含主体的行范围,并去除不包含主体的行,如图6所示;
步骤f、通过垂直逐列扫描,初步确定图像中包含主体的列范围,并去除不包含主体的列,如图7所示;
步骤g、通过取交集,将以上步骤e和步骤f所得结果相结合,得到一副通过横竖切割初步去除背景的粗去噪图像,如图8所示。
所述步骤四中基于变窗口剔除图片中奇异物的步骤为,
步骤h、根据步骤一中预设的窗口大小1(一般为一个较大的值),对于图像中的每一个白点,以其为中心创建一个窗口,统计窗口中的白点个数,如小于一定比例,则将该窗口中的内容视为噪声,全部变成黑点,反之,则保留,此举目标为去除图像中较大的噪声以及距离主体较远的小噪声。
步骤i、与步骤h类似,根据步骤一中预设的窗口大小2(一般为一个较小的值),对于图像中的每一个白点,以其为中心创建一个窗口,统计窗口中的白点个数,如小于一定比例,则将该窗口中的内容视为噪声,全部变成黑点,反之,则保留,此举目标为去除图像中距离主体较近的小噪声,最后的结果如图9所示。
所述步骤五中基于线检测方法精准检索图片中目标的步骤为,
步骤j、通过横向逐行扫描,确定主体在图像每一行中的左右端点,并将左右端点之间的像素填充为白色。
步骤k、通过垂直逐列扫描,确定主体在图像每一列中的上下端点,并将上下端点之间的像素填充为白色。
步骤l、通过取交集,结合步骤j和步骤k的结果,得到主体的精准检索图像,如图10所示。
基于腐蚀技术的边缘光滑处理,根据步骤1中预设的腐蚀尺寸创建腐蚀圆盘,以每个白色像素为中心,对周围的黑色像素进行腐蚀,重复N次(N为预设的腐蚀次数),目标为平滑边缘以及降低步骤5中产生的细微检测误差对图像质量的影响,如图11所示。
基于边界跟踪方法的目标边缘检测,得到目标轮廓。首先选取主体的第一行像素中的左端点作为起始点,其次从端点开始,使用边界跟踪的算法对主体边界进行识别,最后记录边界,如图12所示。
所述步骤八中基于图像描述技术测量步骤六得到的贝类图像外部形态参数的步骤为,
步骤m、通过步骤六得到的贝类图像,统计图像中的像素点个数,得到该检测主体的像素面积SP;
步骤n、通过步骤七得到的轮廓图像,计算边界长度,得到该检测主体的像素周长LP;
步骤p、然后对轮廓之中每一对像素距离进行对比,找出轮廓点之间的最长距离,如图13所示,得到检测主体的长度WP。
步骤q、然后通过将输入图像的像素与步骤一中预设的拍摄区域实际长度相除,可以得到每厘米实际长度所占用的像素值pc,再对其求平方可得到每平方厘米实际面积所占用的像素值ps。
步骤r、最终得到贝类的实际面积SR=SP/ps,实际长度LR=LP/pc,实际周长WR=WP/pc。
测量结果的展示,将得到的实际面积,实际长度,实际周长以及边缘复杂度展示在交互界面中,便于使用者查看,如图14所示。
因此,本发明拟从数字图像处理技术的角度,通过对贝类图像的处理,获取精准的贝类外部形态,如长度、周长、面积、形状复杂度等精准、快速、高效的度量,为贝类选种育种提供技术支持。
本发明以贝类图像为检测对象,通过在交互界面中输入测量的关键参数,完成检测流程的初始化;通过图片背景像素分布的概率密度检测,对图片进行预处理;通过线检测的方法,对图像背景进行切割,初步去除图片噪声;通过变窗口方法搜索并剔除奇异物,进一步去除图片噪声;再次使用线检测方法,对主体进行精准检索;使用腐蚀技术进行边缘光滑处理,降低线检测方法导致的细微检测误差对图像的影响;通过边界跟踪的方法,检测目标边缘,得到目标轮廓;通过图像描述技术,对贝类外部形态进行参数测量,并在交互界面中展示测量结果。本发明对贝类外部形态进行快速精确的自动化检测,避免了基于人工测量的种种限制,并且交互界面设计简洁明了、易于操作,对提升贝类的产品品质、提高贝类养殖企业的经济效益有所助益,市场前景广阔。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (6)
1.一种基于图像处理组合技术的贝类外部形态参数测量方法,其特征在于,包括以下步骤:
步骤一、在交互界面中选择需要检测的贝类图片,通过在系统的建议下输入测量物关键测量参数,对测量程序进行初始化;
步骤二、基于概率密度对初始化后图像进行预处理,将图片转化为二值图像;
步骤三、基于线检测方法初步去除二值图像背景,去除图片中的部分背景以及其中的噪声;
步骤四、基于变窗口剔除去除背景后图片中的奇异物,精细剔除图片中的噪声;
步骤五、基于线检测方法精准检索剔除奇异物的图片中的目标,得到目标的扫描轮廓并将其中的空间填满;
步骤六、基于腐蚀技术对空间填满的贝类边缘进行光滑处理,根据腐蚀尺寸以及腐蚀次数,以白色像素为中心对图像中的黑色像素进行腐蚀;
步骤七、基于边界跟踪方法检测腐蚀后的贝类边缘,首先选取主体的第一行像素中的左端点作为起始点,其次从端点开始,使用边界跟踪的算法对主体边界进行识别,最后记录边界;
步骤八、基于图像描述技术测量步骤六得到的贝类图像外部形态参数并在交互界面展示测量结果。
2.根据权利要求1所述的基于图像处理组合技术的贝类外部形态参数测量方法,其特征在于:所述步骤二中的基于概率密度对图像进行预处理的步骤为,
步骤a、将输入的图片转化为灰度图片;
步骤b、采集步骤a中灰度图片部分的背景,检测其中像素分布的概率密度;
步骤c、假设步骤b中的背景像素服从正态分布,对图片中每个像素都进行2σ检验,即将像素值偏离背景均值2σ以上的部分认定为非背景区域,反之则为背景区域;
步骤d、将2σ检验后的图片转化为二值图片,即将背景区域的像素值置为0,颜色为黑色,非背景区域像素值置为1,颜色为白色。
3.根据权利要求1所述的基于图像处理组合技术的贝类外部形态参数测量方法,其特征在于:所述步骤三中基于线检测方法初步去除背景的步骤为,
步骤e、通过横向逐行扫描,初步确定图像中包含主体的行范围,并去除不包含主体的行;
步骤f、通过垂直逐列扫描,初步确定图像中包含主体的列范围,并去除不包含主体的列;
步骤g、通过取交集,将以上步骤e和步骤f所得结果相结合,得到一副通过横竖切割初步去除背景的粗去噪图像。
4.根据权利要求1所述的基于图像处理组合技术的贝类外部形态参数测量方法,其特征在于:所述步骤四中基于变窗口剔除图片中奇异物的步骤为,
步骤h、根据预设的第一个较大的窗口大小,对于图像中的每一个白点,以其为中心创建一个窗口,统计窗口中的白点个数,如小于一定比例,则将该窗口中的内容视为噪声,全部变成黑点,反之,则保留,此举目标为去除图像中较大的噪声以及距离主体较远的小噪声;
步骤i、根据预设的第二个较小的窗口大小,对于图像中的每一个白点,以其为中心创建一个窗口,统计窗口中的白点个数,如小于一定比例,则将该窗口中的内容视为噪声,全部变成黑点,反之,则保留,此举目标为去除图像中距离主体较近的小噪声。
5.根据权利要求1所述的基于图像处理组合技术的贝类外部形态参数测量方法,其特征在于:所述步骤五中基于线检测方法精准检索图片中目标的步骤为,
步骤j、通过横向逐行扫描,确定主体在图像每一行中的左右端点,并将左右端点之间的像素填充为白色;
步骤k、通过垂直逐列扫描,确定主体在图像每一列中的上下端点,并将上下端点之间的像素填充为白色;
步骤l、通过取交集,结合步骤j和步骤k的的结果,得到主体的精准检索图像。
6.根据权利要求1所述的基于图像处理组合技术的贝类外部形态参数测量方法,其特征在于:所述步骤八中基于图像描述技术测量步骤六得到的贝类图像外部形态参数的步骤为,
步骤m、通过步骤六得到的贝类图像,统计图像中的像素点个数,得到该检测主体的像素面积SP;
步骤n、通过步骤七得到的轮廓图像,计算边界长度,得到该检测主体的像素周长LP;
步骤p、然后对轮廓之中每一对像素距离进行对比,找出轮廓点之间的最长距离,得到检测主体的长度WP;
步骤q、然后通过将输入图像的像素与步骤一中预设的拍摄区域实际长度相除,可以得到每厘米实际长度所占用的像素值pc,再对其求平方可得到每平方厘米实际面积所占用的像素值ps;
步骤r、最终得到贝类的实际面积SR=SP/ps,实际长度LR=LP/pc,实际周长WR=WP/pc。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010499889.8A CN111695477A (zh) | 2020-06-04 | 2020-06-04 | 基于图像处理组合技术的贝类外部形态参数测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010499889.8A CN111695477A (zh) | 2020-06-04 | 2020-06-04 | 基于图像处理组合技术的贝类外部形态参数测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111695477A true CN111695477A (zh) | 2020-09-22 |
Family
ID=72478985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010499889.8A Withdrawn CN111695477A (zh) | 2020-06-04 | 2020-06-04 | 基于图像处理组合技术的贝类外部形态参数测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695477A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112444208A (zh) * | 2020-11-27 | 2021-03-05 | 中国科学院海洋研究所 | 基于边缘检测的高通量贝类外部形态自动测量方法 |
CN112907651A (zh) * | 2021-03-29 | 2021-06-04 | 山东捷瑞数字科技股份有限公司 | 基于语义分割网络的生蚝外部形态的测量方法 |
-
2020
- 2020-06-04 CN CN202010499889.8A patent/CN111695477A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112444208A (zh) * | 2020-11-27 | 2021-03-05 | 中国科学院海洋研究所 | 基于边缘检测的高通量贝类外部形态自动测量方法 |
CN112444208B (zh) * | 2020-11-27 | 2022-05-06 | 中国科学院海洋研究所 | 基于边缘检测的高通量贝类外部形态自动测量方法 |
CN112907651A (zh) * | 2021-03-29 | 2021-06-04 | 山东捷瑞数字科技股份有限公司 | 基于语义分割网络的生蚝外部形态的测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113450307A (zh) | 一种产品边缘缺陷检测方法 | |
CN111695477A (zh) | 基于图像处理组合技术的贝类外部形态参数测量方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN103593670A (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN113935992A (zh) | 基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统 | |
CN110781889B (zh) | 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法 | |
CN111879735B (zh) | 一种基于图像的大米外观品质检测方法 | |
CN110889807B (zh) | 一种通道式x射线安检设备图像处理方法 | |
CN111696150A (zh) | 一种叉尾鮰鱼表型数据的测量方法 | |
CN109903282A (zh) | 一种细胞计数方法、系统、装置和存储介质 | |
CN110097537A (zh) | 一种基于三维纹理特征的肉质定量分析评价方法 | |
CN115797354A (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
CN110176020A (zh) | 一种融合2d和3d图像的燕窝杂质分拣方法 | |
CN111402199A (zh) | 一种基于计算机图像处理的梨果实石细胞表型检测方法 | |
CN115294044A (zh) | 一种食用菌菌丝表型获取方法 | |
CN108280833B (zh) | 一种植物根系分叉特征的骨架提取方法 | |
CN112907545A (zh) | 基于图像处理的种子芽长与根长检测方法 | |
CN107256421B (zh) | 一种稻麦籽粒快速计数方法 | |
CN116481429A (zh) | 一种基于目标检测的原木材积检测方法 | |
CN115393418A (zh) | 一种基于三维点云图像的马尾松部分表型参数自动测量方法 | |
CN111521128A (zh) | 一种基于光学投影的贝类外部形态自动测量方法 | |
CN113484867A (zh) | 一种基于成像声呐封闭空间下鱼群密度探测方法 | |
CN116843743A (zh) | 一种基于三视角图像轮廓拟合的柚果体积测量方法 | |
CN111627031B (zh) | 基于瓦屋状多边形的作物根系表型分析装置及方法 | |
CN116805413A (zh) | 一种基于三维点云的油茶苗期表型特征自动计算方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200922 |
|
WW01 | Invention patent application withdrawn after publication |