CN111723819B - 一种植物叶片叶脉的分级识别方法 - Google Patents

一种植物叶片叶脉的分级识别方法 Download PDF

Info

Publication number
CN111723819B
CN111723819B CN202010585959.1A CN202010585959A CN111723819B CN 111723819 B CN111723819 B CN 111723819B CN 202010585959 A CN202010585959 A CN 202010585959A CN 111723819 B CN111723819 B CN 111723819B
Authority
CN
China
Prior art keywords
vein
leaf
image
veins
network
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
Application number
CN202010585959.1A
Other languages
English (en)
Other versions
CN111723819A (zh
Inventor
袁晓辉
李东野
金周
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202010585959.1A priority Critical patent/CN111723819B/zh
Publication of CN111723819A publication Critical patent/CN111723819A/zh
Application granted granted Critical
Publication of CN111723819B publication Critical patent/CN111723819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种植物叶片叶脉的分级识别方法，涉及基因分析生物信息学及图像处理技术领域。该方法首先获取植物叶片图像构成数据集，并对叶片图像进行预处理得到二值化叶脉网络图像；使用骨架化算法对二值化图像进行处理得到叶脉骨架网络，删除叶脉骨架的连接像素点并保存，将叶脉骨架网络分段为多个小叶脉段，并删除不符合要求的叶脉段；同时将二值化图像进行距离变换，构成叶脉的距离变换图像；将叶脉段投影到叶脉的距离变换图像中，提取每条叶脉段的多尺度LBP特征；最后将各级叶脉的标签赋予各叶脉段，构成训练集训练随机森林分类器，对叶脉段进行分类，并对分类结果校正。该方法能够自动分级提取叶脉分级网络，节省了时间和人工成本。

Description

一种植物叶片叶脉的分级识别方法
技术领域
本发明涉及基因分析生物信息学及图像处理技术领域，尤其涉及一种植物叶片叶脉的分级识别方法。
背景技术
世界上每一片叶片都有它独特的特征。无论何种物种，叶片的多样性都可以通过脉络结构来研究，脉络结构包括木质部运输水分和营养物质，韧皮部运输光合产物。然而，就其发展和功能而言，脉序仍然具有共同的结构模式，即形成网状网格的叶脉顺序的层次结构。基于叶脉直径和分支，网状层次结构被用来将脉序结构划分为几个层次，如图1所示:主叶脉1、二级叶脉2、三级叶脉3和小叶脉。其中，主叶脉1定义为从叶柄向叶尖方向运行，二级叶脉2定义为间隔分叉，三级叶脉3和小叶脉构成主叶脉1与二级叶脉2之间的网状网。
与上述定义不同的是，在实际工作中，二级叶脉是闭合结构，而不是开放结构。后二级叶脉支在前二级叶脉支的基础上，所有的二级叶脉支形成环绕结构。三级叶脉从二级叶脉或主叶脉分支出，并且从二级叶脉上分支出的分支宽度与主叶脉分出的宽度相等。三级叶脉连通主叶脉与二级叶脉或连通二级叶脉与二级叶脉最近，由于叶片脉络的生态和进化功能网络吸引了广泛的领域专家们越来越浓的兴趣，他们相信叶脉脉序是理解叶脉模式和组织分化的关键，除此之外还提供了一个有价值的网络性质。此外，脉序对物种识别具有重要意义。因此，有必要对叶脉或叶脉网络特征进行提取，以便进一步进行详细的定量分析。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种植物叶片叶脉的分级识别方法，实现对叶片叶脉的分级。
为解决上述技术问题，本发明所采取的技术方案是：一种植物叶片叶脉的分级识别方法，包括以下步骤：
步骤1、获取高清晰度的植物叶片图像构成数据集，并通过图像增强、中值滤波和自适应阈值二值化方法对数据集中的叶片图像进行预处理得到二值化叶脉网络图像；
步骤2、使用并行模板匹配骨架提取算法对步骤1得到的二值化叶脉网络图像进行处理得到植物叶片的叶脉骨架网络；
步骤3、删除叶脉骨架的连接像素点并另外保存，将叶脉骨架网络分段为多个小叶脉段，并删除像素数量小于设定阈值的叶脉段，分段后的每条叶脉段均具有自己的特征；
步骤4、将步骤1得到的二值化叶脉网络图像进行距离变换，即将二值化叶脉网络图像中每个像素点的强度值转化为该像素点距离叶脉边界的距离，构成叶脉的距离变换图像；
步骤5、将步骤3得到的叶脉段投影到步骤4的叶脉的距离变换图像中，提取每条叶脉段的多尺度LBP特征；
步骤6、将各级叶脉的标签赋予各叶脉段，构成训练集训练随机森林分类器，对叶脉段进行分类；
将数据集分为训练集和测试集，赋予训练集中每一个叶脉段对应的叶脉等级标签，结合提取的多尺度LBP特征对随机森林分类器进行训练，然后使用随机森林分类器对测试集中的叶脉段进行分类；
步骤7、通过步骤3中保存的叶脉骨架的连接像素点对分类出的叶脉段校正叶脉的分类结果，使同一像素点连接的两条叶脉段为相同等级或等级相差一级，最终得到叶脉分级图像。
采用上述技术方案所产生的有益效果在于：本发明提供的一种植物叶片叶脉的分级识别方法，(1)可以从高清图像中自动分级提取叶脉分级网络，节省了时间和人工成本；(2)可以自动分级提取叶脉，使提取分级叶脉表型，如：叶脉夹角，各级叶脉密度等，成为可能；(3)可以提取复杂的网状叶脉网络，且有完整度比较高；(4)通过多尺度LBP特征进行叶脉段的分类识别，相较于传统LBP方体，提高了识别的准确率。
附图说明
图1为本发明背景技术提供的不同叶脉序的叶片图像示意图；
图2为本发明实施例提供的一种植物叶片叶脉的分级识别方法的流程图
图3为本发明实施例提供的叶脉分级示意图。
图中：1、主叶脉；2、二级叶脉；3、三级叶脉。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例以大豆叶片为例，采用本发明的物叶片叶脉的分级识别方法对大豆叶片叶脉进行分级识别。
一种植物叶片叶脉的分级识别方法，如图2所示，包括以下步骤：
步骤1、获取高清晰度的植物叶片图像构成数据集，并通过图像增强、中值滤波和自适应阈值二值化方法对数据集中的叶片图像进行预处理得到二值化叶脉网络图像；
对植物叶片叶脉进行分级识别需要使用叶片的高清图片，因为高清图片在分辨率增强之后叶片图像中叶脉和孔洞具有相当大的对比度。当然不只有一种方法可以得到这样的对比度的图像，如化学清除成像、扫描成像、内窥镜成像或x射线成像。不过，要获取化学清除图像既费时又费力，此外，在X射线成像中静脉细节很难捕捉。因此，本实施例利用聚光成像技术扫描成像获得高分辨率的叶片图像，考虑到叶脉与孔洞之间透光率的差异，叶脉区域可自然增强。因此，本实施例采用Epson Perfec-tion V850 pro扫描仪的透射扫描模式对大豆叶片进行扫描成像。
本实施例中，大豆叶片数据集采集地点为牡丹江，时间为2017年6月到8月，共采集了249个大豆品种的数据，每个品种采集了5个部位的叶子，每个部位10片叶子。使用反射处理每片叶子的正反面，透射处理正面。其中有198个品种采集了五个部位。36个品种采集了四个部位，8个品种采集了三个部位，1个品种采集了两个部位，6个品种采集了一个部位。叶片图像的总数为34977，构成了庞大的数据集。然后再从这些数据集中选取1200张大豆叶片的RGB图像，总共有200个品种，每个品种有6个来自三个不同植物部位的叶片样本作为最终的数据集。图像是使用分辨率为每英寸600像素的扫描仪拍摄的，并存储为48位RGB TIFF图像。
本实施例中，对最终选取的数据集中的大豆叶片图像首先通过图像增强方法，增加叶脉与叶片背景的对比度，凸显叶脉的强度，然后通过中值滤波对图像进行降噪处理，最后使用自适应阈值二值化方法对叶片图像进行二值化处理，得到不受光照影响的清晰的二值化叶脉网络图像。
针对不同方法得到的高清图片，使用不同的预处理方法；对于化学清除图像，采用平均强度的自适应阈值进行预处理；对于正常扫描的图像，使用UHMT方法进行预处理；对于传输图像，由于其与化学清洗图像相似，因此采用中值滤波和自适应阈值二值化，即均值和标准差强度。首先，利用中值滤波去除增强叶图像中的噪声。然后，直接采用已有的自适应阈值算法获取二值脉络网络图像。与平均强度自适应阈值相比，该算法对光照变化具有部分不变性。
步骤2、使用并行模板匹配骨架提取算法对步骤1得到的二值化叶脉网络图像进行处理得到植物叶片的叶脉骨架网络；
图像的骨架化是模式识别中很重要的一个技术，指的是将原本臃肿"的像素简化为单像素相连接的二值图像(即类似骨架的概念)，细化的好坏直接影响到后面识别匹配的效率。细化就是经过一层层的剥离，从原来的图中去掉一些点，但仍要保持原来的形状，直到得到图像的骨架。为了后续对叶脉段的识别，本发明选择了并行模板匹配骨架提取算对叶脉网络进行骨架化得到叶脉骨架网络。
使用并行模板匹配骨架提取算法对得到的二值化叶脉网络图像进行处理得到植物叶片的叶脉骨架网络，整个迭代过程分为两步：
(1)对二值化叶脉网络图像不断使用形态学操作中的腐蚀，直到提取出伪骨架(部分区域有两层像素宽度，但已经很接近真实骨架)；
(2)从伪骨架中提取真实骨架。
循环上述步骤(1)-(2)，直到所有骨架像素不存在两层像素宽度，得到的结果即为二值图像细化后的叶脉骨架网络；
步骤3、删除叶脉骨架的连接像素点并另外保存，将叶脉骨架网络分段为多个小叶脉段，并删除像素数量小于设定阈值的叶脉段，赋予每条叶脉段具有自己的特征；
步骤4、将步骤1得到的二值化叶脉网络图像进行距离变换，即将像素的强度值转化为该像素点距离叶脉边界的距离，构成叶脉的距离变换图像；
将步骤1得到的二值化叶脉网络图像进行距离变换得到叶脉的距离变换图像，将像素的强度值转化为该像素点距离叶脉边界的距离(曼哈顿距离or欧氏距离)，得到距离矩阵，那么离叶脉边界越远的点越亮。距离变换的意义是赋予二值化叶脉网络图像中的像素点距离叶脉边界的距离属性，在叶脉中这种属性就是宽度，这样每条叶脉段就就包含了它的方向属性以及宽度属性。
步骤5、将步骤3得到的叶脉段投影到步骤4的叶脉的距离变换图像中，提取每条叶脉段的多尺度LBP特征，也即提取步骤3中得到叶脉段在步骤4得到的距离变换图像中对应点的多尺度LBP特征；
原始的LBP特征定义为在3*3的窗口内，以窗口中心像素值为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于等于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码，共256种)，即得到该窗口中心像素点的LBP值，并用这个值来反映该窗口区域的纹理信息。但是基本的LBP算子的最大缺陷在于它只覆盖了一个固定半径范围内的小区域，这显然不能满足不同尺寸和频率纹理的需要。所以本发明选用了多尺度的LBP特征，最大限度的保留叶脉段的局部信息，使其分割的准确率更高。
由以上可以看出，一般LBP算子，讨论的是单个像素与领域像素的差值信息，一般捕捉到的是微观特征，这样是捕捉不到宏观特征的，基于这种考虑，本发明将单个像素上升到区域，以区域为单位，计算区域与区域之间的差值信息。本发明方法提取多尺度LBP特征，相当于结合了微观与宏观的特征，增加了分类的准确度。
步骤6、将各级叶脉的标签赋予各叶脉段，构成训练集训练随机森林分类器，对叶脉段进行分类；
将数据集分为训练集和测试集，赋予训练集中每一个叶脉段对应的叶脉等级标签，结合提取的多尺度LBP特征对随机森林分类器进行训练，然后使用随机森林分类器对测试集中的叶脉段进行分类；
本实施例中，对于训练集中的叶脉图像，根据叶脉层次结构的定义，使用adobephotoshop cs6将这些叶片的叶脉顺序粗标记为真实数据，然后采用固定尺寸的画刷将主叶脉1标记为13个像素宽，二级叶脉2标记为9个像素宽，三级叶脉3标记为5个像素宽，如图3所示。
步骤7、通过步骤3中保存的叶脉骨架的连接像素点对分类出的叶脉段校正叶脉的分类结果，使同一像素点连接的两条叶脉段为相同等级或等级相差一级，最终得到叶脉分级图像。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (4)

1.一种植物叶片叶脉的分级识别方法，其特征在于：包括以下步骤：
步骤1、获取高清晰度的植物叶片图像构成数据集，对数据集中的叶片图像进行预处理得到二值化叶脉网络图像；
步骤2、使用骨架化算法对步骤1得到的二值化叶脉网络图像进行处理得到植物叶片的叶脉骨架网络；
步骤3、删除叶脉骨架的连接像素点并另外保存，将叶脉骨架网络分段为多个小叶脉段，并删除像素数量小于设定阈值的叶脉段；
步骤4、将步骤1得到的二值化叶脉网络图像进行距离变换，构成叶脉的距离变换图像；
步骤5、将步骤3得到的叶脉段投影到步骤4的叶脉的距离变换图像中，提取每条叶脉段的多尺度LBP特征；
步骤6、将各级叶脉的标签赋予各叶脉段，构成训练集训练随机森林分类器，对叶脉段进行分类；
将数据集分为训练集和测试集，赋予训练集中每一个叶脉段对应的叶脉等级标签，结合提取的多尺度LBP特征对随机森林分类器进行训练，然后使用随机森林分类器对测试集中的叶脉段进行分类；
步骤7、通过步骤3中保存的叶脉骨架的连接像素点对分类出的叶脉段校正叶脉的分类结果，使同一像素点连接的两条叶脉段为相同等级或等级相差一级，最终得到叶脉分级图像。
2.根据权利要求1所述的一种植物叶片叶脉的分级识别方法，其特征在于：所述步骤1采用具有透射扫描功能的扫描仪获取高清晰度的植物叶片图像构成数据集。
3.根据权利要求1所述的一种植物叶片叶脉的分级识别方法，其特征在于：所述步骤1通过图像增强、中值滤波和自适应阈值二值化方法对数据集中的叶片图像进行预处理得到二值化叶脉网络图像。
4.根据权利要求1所述的一种植物叶片叶脉的分级识别方法，其特征在于：所述步骤2使用并行模板匹配骨架提取算法对步骤1得到的二值化叶脉网络图像进行处理得到植物叶片的叶脉骨架网络。
CN202010585959.1A 2020-06-24 2020-06-24 一种植物叶片叶脉的分级识别方法 Active CN111723819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010585959.1A CN111723819B (zh) 2020-06-24 2020-06-24 一种植物叶片叶脉的分级识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010585959.1A CN111723819B (zh) 2020-06-24 2020-06-24 一种植物叶片叶脉的分级识别方法

Publications (2)

Publication Number Publication Date
CN111723819A CN111723819A (zh) 2020-09-29
CN111723819B true CN111723819B (zh) 2022-04-26

Family

ID=72568609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010585959.1A Active CN111723819B (zh) 2020-06-24 2020-06-24 一种植物叶片叶脉的分级识别方法

Country Status (1)

Country Link
CN (1) CN111723819B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113854284B (zh) * 2021-09-23 2022-06-21 惠州市惠城区健生生态农业基地有限公司 一种智能制作植物树叶标本的方法及制作系统
CN114022534A (zh) * 2021-10-22 2022-02-08 上海伯耶信息科技有限公司 一种烟叶纹理夹角提取方法
CN114140688B (zh) * 2021-11-23 2022-12-09 武汉理工大学 基于透射扫描图像的叶脉表型提取方法、装置及电子设备
CN115376032B8 (zh) * 2022-10-25 2023-05-26 金乡县林业保护和发展服务中心(金乡县湿地保护中心、金乡县野生动植物保护中心、金乡县国有白洼林场) 一种基于图像理解的林业病虫智能识别方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824083A (zh) * 2014-02-25 2014-05-28 同济大学 基于叶片完备局部二值特征的Web在线物种识别方法
CN110837849A (zh) * 2019-10-16 2020-02-25 中国农业科学院农业信息研究所 植株叶片的叶脉获取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824083A (zh) * 2014-02-25 2014-05-28 同济大学 基于叶片完备局部二值特征的Web在线物种识别方法
CN110837849A (zh) * 2019-10-16 2020-02-25 中国农业科学院农业信息研究所 植株叶片的叶脉获取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
plant leaf recognition using texture and shape features with neural classifiers;Jyotismita Chaki 等;《Pattern Recognition Letters》;20150304;第61-68页 *
基于图像处理的叶片主叶脉节点分布信息的提取;余孝源等;《广东农业科学》(第21期);全文 *
基于脉序骨架的小麦叶精细建模研究;青克乐其其格 等;《农业化研究》;20120531(第05期);第53-57页 *

Also Published As

Publication number Publication date
CN111723819A (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
CN111723819B (zh) 一种植物叶片叶脉的分级识别方法
Escalona et al. Fully convolutional networks for automatic pavement crack segmentation
CN108765402B (zh) 无纺布缺陷检测与分类方法
CN104463195A (zh) 基于模板匹配的印刷体数字识别方法
CN106340016A (zh) 一种基于细胞显微镜图像的dna定量分析方法
CN111415352B (zh) 一种基于深度级联网络的癌转移全景病理切片分析方法
Valliammal et al. A novel approach for plant leaf image segmentation using fuzzy clustering
CN112614062A (zh) 菌落计数方法、装置及计算机存储介质
KR20120000732A (ko) 고해상도 위성영상을 이용한 객체기반 분석을 위한 자동 영상분할 방법
CN115294377A (zh) 一种道路裂缝的识别系统及方法
Shambhu et al. Edge-based segmentation for accurate detection of malaria parasites in microscopic blood smear images: A novel approach using FCM and MPP algorithms
Pandit et al. Vision system for automatic counting of silkworm eggs
CN111753903B (zh) 一种基于叶脉拓扑特征的大豆品种识别方法
CN108205678A (zh) 一种含有亮斑干扰的铭牌文字识别处理方法
Hassoon Classification and Diseases Identification of Mango Based on Artificial Intelligence: A Review
CN113516193B (zh) 基于图像处理的红枣缺陷识别分类方法及装置
Khan et al. Shadow removal from digital images using multi-channel binarization and shadow matting
CN110348452B (zh) 一种图像二值化处理方法及其系统
Mondal Morphological network: Network with morphological neurons
CN113033567A (zh) 一种融合分割网络和生成网络的甲骨拓片图像字符提取方法
CN111539242A (zh) 毫米波成像图像处理方法
Widodo et al. SEGMENTATION OF LUNG CANCER IMAGE BASED ON CYTOLOGIC EXAMINATION USING THRESHOLDING METHOD
CN117218452B (zh) 一种土地图像自动分类管理系统
CN110807786B (zh) 从特征常变图像中提取显著特征并归一化的图像处理方法
Carel et al. A character degradation model for color document images

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