CN112132153A - 基于聚类和形态学处理的番茄果实识别方法及系统 - Google Patents
基于聚类和形态学处理的番茄果实识别方法及系统 Download PDFInfo
- Publication number
- CN112132153A CN112132153A CN202010999556.1A CN202010999556A CN112132153A CN 112132153 A CN112132153 A CN 112132153A CN 202010999556 A CN202010999556 A CN 202010999556A CN 112132153 A CN112132153 A CN 112132153A
- Authority
- CN
- China
- Prior art keywords
- image
- clustering
- processing
- morphological processing
- tomato fruit
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 63
- 235000007688 Lycopersicon esculentum Nutrition 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 45
- 240000003768 Solanum lycopersicum Species 0.000 title claims description 55
- 238000003064 k means clustering Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000002203 pretreatment Methods 0.000 claims 1
- 241000227653 Lycopersicon Species 0.000 abstract 3
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种基于聚类和形态学处理的番茄果实识别方法及系统,所述方法包括以下步骤:获取待识别的图像,进行预处理;对预处理后的图像进行处理得到色差图像,对得到的色差图像基于K均值聚类图像分割后通过图像形态学处理去除噪声;对形态学处理后的图像进行图像边缘轮廓的提取,以提取到的圆形边缘轮廓为番茄果实识别结果;本公开通过K均值聚类算法对图像进行分割,基于形态学处理进行噪声去除,提高了番茄果实的识别精度和鲁棒性。
Description
技术领域
本公开涉及图像处理技术领域,特别涉及一种基于聚类和形态学处理的番茄果实识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
近年来,农业生产中对番茄果实的分选大部分仍采用人工挑拣。由于番茄果实的形态存在差异性,植株生长环境存在复杂性,绝大多数采摘工作由人工完成,主要依靠人工视觉进行,这种方法工作效率低,缺乏客观性。目前,为了节约成本、提高采摘效率,基于图像的果实识别已成为研究热点。利用计算机视觉技术对大小、颜色不同,生长环境复杂的番茄果实进行识别,这对于实现番茄自动挑拣采摘具有重大现实意义。
本公开发明人发现,实现对番茄果实识别的首要任务是对番茄果实进行图像分割,然而目前现有的分割方法获取的分割结果误差较大,影响后续果实识别的精确度;现有的番茄识别方法中对噪声(如空洞和小区域)的去除不彻底,得到的识别结果存在较大的误差。
发明内容
为了解决现有技术的不足,本公开提供了一种基于聚类和形态学处理的番茄果实识别方法及系统,通过K均值聚类算法对图像进行分割,基于形态学处理进行噪声去除,提高了番茄果实的识别精度和鲁棒性。
为了实现上述目的,本公开采用如下技术方案:
本公开第一方面提供了一种基于聚类和形态学处理的番茄果实识别方法。
一种基于聚类和形态学处理的番茄果实识别方法,包括以下步骤:
获取待识别的图像,进行预处理;
对预处理后的图像进行处理得到色差图像,对得到的色差图像基于K均值聚类图像分割后通过图像形态学处理去除噪声;
对形态学处理后的图像进行图像边缘轮廓的提取,以提取到的圆形边缘轮廓为番茄果实识别结果。
本公开第二方面提供了一种基于聚类和形态学处理的番茄果实识别系统。
一种基于聚类和形态学处理的番茄果实识别系统,包括:
预处理模块,被配置为:获取待识别的图像,进行预处理;
图像处理模块,被配置为:对预处理后的图像进行处理得到色差图像,对得到的色差图像基于K均值聚类图像分割后通过图像形态学处理去除噪声;
图像识别模块,被配置为:对形态学处理后的图像进行图像边缘轮廓的提取,以提取到的圆形边缘轮廓为番茄果实识别结果。
本公开第三方面提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的基于聚类和形态学处理的番茄果实识别方法中的步骤。
本公开第四方面提供了一种电子设备,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程序,所述处理器执行所述程序时实现如本公开第一方面所述的基于聚类和形态学处理的番茄果实识别方法中的步骤。
与现有技术相比,本公开的有益效果是:
1、本公开所述的方法、系统、介质或电子设备,采用K均值聚类算法可以有效地将色差图像进行图像分割,提高了番茄果实的识别精度和鲁棒性。
2、本公开所述的方法、系统、介质或电子设备,基于RGB颜色空间获取R-B色差图像,可以使果实与背景的颜色特征具有更好的区分性。
3、本公开所述的方法、系统、介质或电子设备,采用形态学运算可以对图像进行噪声消除、孔洞填充、小区域去除、平滑轮廓,更有利于果实轮廓的提取。
4、本公开所述的方法、系统、介质或电子设备,使用Canny边缘检测算子能够有效地提取出形态学处理之后的图像轮廓,使用霍夫变换检测出圆形轮廓,从而识别出番茄果实,本公开可以适用于成熟番茄以及未成熟番茄在自然环境下的果实识别。
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为本公开实施例1提供的基于聚类和形态学处理的番茄果实识别方法的流程示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
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,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。
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1:
如图1所示,本公开实施例1提供了一种基于聚类和形态学处理的番茄果实识别方法,包括以下步骤:
获取待识别的图像,进行预处理;
对预处理后的图像进行处理得到色差图像,对得到的色差图像基于K均值聚类图像分割后通过图像形态学处理去除噪声;
对形态学处理后的图像进行图像边缘轮廓的提取,以提取到的圆形边缘轮廓为番茄果实识别结果。
详细的,包括以下内容:
S1:预处理
本实施例基于视觉传感器采集的RGB番茄果实图像进行处理。通过几何变换对输入的原始番茄图像进行预处理,将图像的高缩放为500像素,宽等比例进行缩放,从而得到大小较为统一的RGB图像。
S2:获取色差图像
色彩空间在机器视觉中又称色彩坐标系统和色彩模型,是指色彩在三维空间中的排列方式。RGB颜色模型是图像处理中最基本、最常见的色彩空间。
基于番茄果实和背景区域在R,G,B三个颜色分量上取值存在不同的特点,本实施例将原始图像分离成三个独立的颜色分量,然后选择不同的颜色分量进行组合,将图像中的每个像素点进行转换,可以达到增强图像中番茄果实与背景对比度的目的。
本实施例中采用的颜色分量组合方式如下:
I=R-B (1)
公式中:I为组合后的色差图像,R为红色分量,B为蓝色分量;本实施例基于上述颜色分量组合之后得到的色差图像能够显著地增强番茄果实和背景的对比度,有利于图像分割。
S3:基于K均值聚类算法对图像进行分割
对步骤S2得到的色差图像基于K均值聚类进行图像分割。
K均值聚类的步骤如下:
S3.1:先从图像中确定初始聚类中心,本实施例首先设定聚类个数K=2,确定2个初始聚类中心,重复聚类过程的次数选取3次以避免出现均值的局部最优;
S3.2:计算剩余每个数据对象与当前聚类中心之间的距离,并把每个数据对象归到距离它最近的聚类中心的类别;
S3.3:针对2个类,调整聚类中心的位置,重复S3.2直到聚类中心不再变化;
S3.4:输出聚类的分类结果图像,结果图像为二值图像。
S4:形态学处理
图像分割完成后,其中存在小洞和碎片,如没有分割的小面积番茄果实和枝叶。为了减少这些噪声对后续识别的影响,本实施例对图像进行形态学处理。
处理的步骤如下:
S4.1:基于漫水填充算法对图像进行孔洞填充。
漫水填充算法的原理是在图像中标记一个像素作为种子点,检测该点的颜色,若它与所在连通区域的边界色和填充色均不同,就用填充色填充该点,否则不填充;
将种子点的相邻位置作为新的种子点进行检测,重复这个过程,直到检测完该连通区域内的所有像素为止;
对图像的所有连通区域进行漫水填充操作,从而实现对图像的孔洞填充。
S4.2:设定阈值去除图像中的小区域。统计图像中所有连通区域的像素数,去除像素数小于200的小区域,留下较大的番茄果实区域以便于后续果实识别。
S4.3:对图像进行开运算操作。开运算是进行先腐蚀后膨胀的操作,操作采用半径为2的圆盘形结构元素。使用开运算能够平滑果实区域的轮廓,断开狭窄的连接,去掉细小的突出部分。
S4.4:对图像进行闭运算操作。闭运算与开运算结果相反,是进行先膨胀后腐蚀的操作。闭运算操作采用半径为2的圆盘形结构元素。使用闭运算能够弥合狭窄的断裂,消除小孔,并填补轮廓中的缝隙。
S5:Canny算子求取图像边缘轮廓
本实施例基于步骤S4处理过的图像进行图像边缘的提取。通过选择Canny算子作为边缘检测算法,提取出图像边缘轮廓。Canny算子可以检测出真实的弱边缘,检测到的边缘线较为精细,连接度较好,目标细节清晰完整。提取出的图像边缘轮廓包含有价值的目标边界信息,这些边界信息可以有效地用于果实识别。
S6:霍夫变换检测圆形轮廓识别番茄果实
本实施例基于步骤S5获得的图像边缘轮廓,采用霍夫变换检测其中的圆形轮廓。霍夫变换是图像处理中的一种特征提取技术,该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合特定形状的集合作为霍夫变换结果。本实施例通过霍夫变换检测圆形,圆在x-y空间的参数方程为:
公式中:r0是半径,(a0,b0)是圆心位置,(x,y)为目标的轮廓坐标。其中有三个位置参数,圆心位置(a0,b0)和半径r0。取a-b-r作为三维变换空间,建立三维累加器。因此,在x-y空间中,圆上任意一点(xi,yi)对应着a-b-r空间中的一个圆:
x-y空间中所有共圆的点,即满足的点,在a-b-r空间中所有对应圆相交于一点(a0,b0,r0),利用圆形霍夫变换在累计结果中找到局部最大值(a0,b0,r0),从而检测出x-y空间上存在以(a0,b0)为圆心,r0为半径的圆。
霍夫变换的优点是对于待测目标边界不连续,待测目标部分被其他目标遮盖,待测目标存在轻微变形以及待测目标的背景存在噪声干扰等情况具有较好的容错性和鲁棒性。将检测出的圆形轮廓在原图上加以标定,从而识别出番茄果实。
实施例2:
本公开实施例2提供了一种基于聚类和形态学处理的番茄果实识别系统,包括:
预处理模块,被配置为:获取待识别的图像,进行预处理;
图像处理模块,被配置为:对预处理后的图像进行处理得到色差图像,对得到的色差图像基于K均值聚类图像分割后通过图像形态学处理去除噪声;
图像识别模块,被配置为:对形态学处理后的图像进行图像边缘轮廓的提取,以提取到的圆形边缘轮廓为番茄果实识别结果。
所述系统的工作方法与实施例1提供的基于聚类和形态学处理的番茄果实识别方法相同,这里不再赘述。
实施例3:
本公开实施例3提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例1所述的基于聚类和形态学处理的番茄果实识别方法中的步骤,所述步骤为:
获取待识别的图像,进行预处理;
对预处理后的图像进行处理得到色差图像,对得到的色差图像基于K均值聚类图像分割后通过图像形态学处理去除噪声;
对形态学处理后的图像进行图像边缘轮廓的提取,以提取到的圆形边缘轮廓为番茄果实识别结果。
详细步骤与实施例1提供的基于聚类和形态学处理的番茄果实识别方法相同,这里不再赘述。
实施例4:
本公开实施例4提供了一种电子设备,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程序,所述处理器执行所述程序时实现如本公开实施例1所述的基于聚类和形态学处理的番茄果实识别方法中的步骤,所述步骤为:
获取待识别的图像,进行预处理;
对预处理后的图像进行处理得到色差图像,对得到的色差图像基于K均值聚类图像分割后通过图像形态学处理去除噪声;
对形态学处理后的图像进行图像边缘轮廓的提取,以提取到的圆形边缘轮廓为番茄果实识别结果。
详细步骤与实施例1提供的基于聚类和形态学处理的番茄果实识别方法相同,这里不再赘述。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开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。
本公开是参照根据本公开实施例的方法、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)
1.一种基于聚类和形态学处理的番茄果实识别方法,其特征在于,包括以下步骤:
获取待识别的图像,进行预处理;
对预处理后的图像进行处理得到色差图像,对得到的色差图像基于K均值聚类图像分割后通过图像形态学处理去除噪声;
对形态学处理后的图像进行图像边缘轮廓的提取,以提取到的圆形边缘轮廓为番茄果实识别结果。
2.如权利要求1所述的基于聚类和形态学处理的番茄果实识别方法,其特征在于,预处理,具体为:
通过几何变换对输入的待识别图像进行预处理,将图像的高度缩放为预设像素,将图像的宽度等比例进行缩放,得到尺寸统一的RGB图像。
3.如权利要求1所述的基于聚类和形态学处理的番茄果实识别方法,其特征在于,色差图像的获取方法为:将预处理后的图像分离成三个独立的颜色分量,选择不同的颜色分量进行组合,将图像中的每个像素点进行转换。
4.如权利要求1所述的基于聚类和形态学处理的番茄果实识别方法,其特征在于,对得到的色差图像基于K均值聚类进行图像分割,具体为:
从图像中确定初始聚类中心,设定聚类中心的个数;
计算剩余每个数据对象与当前聚类中心之间的距离,并把每个数据对象归到距离它最近的聚类中心的类别;
针对多个类,调整聚类中心的位置,重复距离计算和归类步骤直到聚类中心不再变化;
输出聚类的分类结果图像,结果图像为二值图像。
5.如权利要求1所述的基于聚类和形态学处理的番茄果实识别方法,其特征在于,对分割后的图像形态学处理去除噪声,包括:基于漫水填充算法对图像进行孔洞填充、设定阈值去除图像中的小区域、对图像进行开运算操作以及对图像进行闭运算操作。
6.如权利要求5所述的基于聚类和形态学处理的番茄果实识别方法,其特征在于,
基于漫水填充算法对图像进行孔洞填充,具体为:
在图像中标记一个像素作为种子点,检测该点的颜色,若它与所在连通区域的边界色和填充色均不同,用填充色填充该点,否则不填充;
将种子点的相邻位置作为新的种子点进行检测,重复这个过程,直到检测完该连通区域内的所有像素为止;
对图像的所有连通区域进行漫水填充操作,实现整体图像的孔洞填充;
或者,
对分割后的图像形态学处理去除噪声,具体为:设定阈值去除图像中的小区域,统计图像中所有连通区域的像素数,去除像素数小于预设阈值的小区域,留下较大的番茄果实区域以便于后续果实识别;
或者,
对图像进行开运算操作,具体为:对图像进行开运算操作,进行先腐蚀后膨胀的操作,采用半径为预设值的圆盘形结构元素;
或者,
对图像进行闭运算操作,具体为:进行先膨胀后腐蚀的操作,采用半径为预设值的圆盘形结构元素。
7.如权利要求1所述的基于聚类和形态学处理的番茄果实识别方法,其特征在于,通过Canny算子作为边缘检测算法提取图像的边缘轮廓;
或者,
采用霍夫变换检测得到的图像边缘轮廓中的圆形轮廓。
8.一种基于聚类和形态学处理的番茄果实识别系统,其特征在于,包括:
预处理模块,被配置为:获取待识别的图像,进行预处理;
图像处理模块,被配置为:对预处理后的图像进行处理得到色差图像,对得到的色差图像基于K均值聚类图像分割后通过图像形态学处理去除噪声;
图像识别模块,被配置为:对形态学处理后的图像进行图像边缘轮廓的提取,以提取到的圆形边缘轮廓为番茄果实识别结果。
9.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的基于聚类和形态学处理的番茄果实识别方法中的步骤。
10.一种电子设备,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任一项所述的基于聚类和形态学处理的番茄果实识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010999556.1A CN112132153B (zh) | 2020-09-22 | 2020-09-22 | 基于聚类和形态学处理的番茄果实识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010999556.1A CN112132153B (zh) | 2020-09-22 | 2020-09-22 | 基于聚类和形态学处理的番茄果实识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132153A true CN112132153A (zh) | 2020-12-25 |
CN112132153B CN112132153B (zh) | 2022-09-09 |
Family
ID=73842030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010999556.1A Active CN112132153B (zh) | 2020-09-22 | 2020-09-22 | 基于聚类和形态学处理的番茄果实识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132153B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112750107A (zh) * | 2021-01-11 | 2021-05-04 | 齐鲁工业大学 | 基于轮廓边数拟合与凸包处理的球形工件识别方法及系统 |
CN113409187A (zh) * | 2021-06-30 | 2021-09-17 | 深圳市斯博科技有限公司 | 漫画风格图像的转换方法、装置、计算机设备及存储介质 |
CN114494318A (zh) * | 2022-02-17 | 2022-05-13 | 天津市眼科医院 | 基于大津算法的角膜动态形变视频提取角膜轮廓的方法 |
CN114565634A (zh) * | 2022-03-04 | 2022-05-31 | 中国科学院微电子研究所 | 一种圆球的提取方法、装置、设备及介质 |
CN114820478A (zh) * | 2022-04-12 | 2022-07-29 | 江西裕丰智能农业科技有限公司 | 脐橙果实病害图像标注方法、装置、计算机设备 |
CN118038446A (zh) * | 2024-01-16 | 2024-05-14 | 无锡商业职业技术学院 | 一种基于图像识别的骨碟更换方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1367468A (zh) * | 2002-03-25 | 2002-09-04 | 北京工业大学 | 基于k-均值聚类及信息融合的角膜病灶图像分割方法 |
US20100040276A1 (en) * | 2007-03-23 | 2010-02-18 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewan Dten Forschung E.V. | Method and apparatus for determining a cell contour of a cell |
CN103177445A (zh) * | 2013-03-13 | 2013-06-26 | 浙江大学 | 基于分段阈值图像分割及光斑识别的室外番茄识别方法 |
CN103310218A (zh) * | 2013-05-21 | 2013-09-18 | 常州大学 | 一种重叠遮挡果实精确识别方法 |
CN107038446A (zh) * | 2017-03-23 | 2017-08-11 | 中国计量大学 | 一种主动照明下基于重叠边缘检测的夜间双果重叠番茄识别方法 |
CN108470339A (zh) * | 2018-03-21 | 2018-08-31 | 华南理工大学 | 一种基于信息融合的重叠苹果视觉识别与定位方法 |
CN110599507A (zh) * | 2018-06-13 | 2019-12-20 | 中国农业大学 | 一种番茄识别定位方法及系统 |
CN111681253A (zh) * | 2020-06-09 | 2020-09-18 | 山东大学 | 基于颜色与形态特征的叶片图像分割方法及系统 |
-
2020
- 2020-09-22 CN CN202010999556.1A patent/CN112132153B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1367468A (zh) * | 2002-03-25 | 2002-09-04 | 北京工业大学 | 基于k-均值聚类及信息融合的角膜病灶图像分割方法 |
US20100040276A1 (en) * | 2007-03-23 | 2010-02-18 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewan Dten Forschung E.V. | Method and apparatus for determining a cell contour of a cell |
CN103177445A (zh) * | 2013-03-13 | 2013-06-26 | 浙江大学 | 基于分段阈值图像分割及光斑识别的室外番茄识别方法 |
CN103310218A (zh) * | 2013-05-21 | 2013-09-18 | 常州大学 | 一种重叠遮挡果实精确识别方法 |
CN107038446A (zh) * | 2017-03-23 | 2017-08-11 | 中国计量大学 | 一种主动照明下基于重叠边缘检测的夜间双果重叠番茄识别方法 |
CN108470339A (zh) * | 2018-03-21 | 2018-08-31 | 华南理工大学 | 一种基于信息融合的重叠苹果视觉识别与定位方法 |
CN110599507A (zh) * | 2018-06-13 | 2019-12-20 | 中国农业大学 | 一种番茄识别定位方法及系统 |
CN111681253A (zh) * | 2020-06-09 | 2020-09-18 | 山东大学 | 基于颜色与形态特征的叶片图像分割方法及系统 |
Non-Patent Citations (3)
Title |
---|
罗晓丽: "柑橘果实信息智能识别及定位方法研究", 《菏泽学院学报》 * |
詹文田: "田间猕猴桃图像识别方法研究", 《信息科技辑》 * |
谢航: "基于机器视觉的树上柚子果实识别方法研究", 《农业科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112750107A (zh) * | 2021-01-11 | 2021-05-04 | 齐鲁工业大学 | 基于轮廓边数拟合与凸包处理的球形工件识别方法及系统 |
CN113409187A (zh) * | 2021-06-30 | 2021-09-17 | 深圳市斯博科技有限公司 | 漫画风格图像的转换方法、装置、计算机设备及存储介质 |
CN113409187B (zh) * | 2021-06-30 | 2023-08-15 | 深圳万兴软件有限公司 | 漫画风格图像的转换方法、装置、计算机设备及存储介质 |
CN114494318A (zh) * | 2022-02-17 | 2022-05-13 | 天津市眼科医院 | 基于大津算法的角膜动态形变视频提取角膜轮廓的方法 |
CN114565634A (zh) * | 2022-03-04 | 2022-05-31 | 中国科学院微电子研究所 | 一种圆球的提取方法、装置、设备及介质 |
CN114820478A (zh) * | 2022-04-12 | 2022-07-29 | 江西裕丰智能农业科技有限公司 | 脐橙果实病害图像标注方法、装置、计算机设备 |
CN118038446A (zh) * | 2024-01-16 | 2024-05-14 | 无锡商业职业技术学院 | 一种基于图像识别的骨碟更换方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112132153B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132153B (zh) | 基于聚类和形态学处理的番茄果实识别方法及系统 | |
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 | |
CN108171688B (zh) | 一种基于Gabor特征与随机降维的晶圆表面缺陷检测方法 | |
CN104794502A (zh) | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 | |
CN106709524B (zh) | 一种电气工程图中的元件符号检测与识别方法 | |
Wang et al. | Recognition and localization of occluded apples using K-means clustering algorithm and convex hull theory: a comparison | |
CN107527343B (zh) | 一种基于图像处理的双孢蘑菇分级方法 | |
CN112883881B (zh) | 一种条状农产品无序分拣方法及装置 | |
CN106887006B (zh) | 堆叠物体的识别方法、设备和机器分拣系统 | |
CN111798470B (zh) | 一种应用于智能农业的农作物图像实体分割方法及系统 | |
CN112861654B (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
CN107316043A (zh) | 一种采摘机器人的堆叠蘑菇快速识别方法 | |
Galsgaard et al. | Circular hough transform and local circularity measure for weight estimation of a graph-cut based wood stack measurement | |
Devi et al. | Image processing system for automatic segmentation and yield prediction of fruits using open CV | |
CN111738271A (zh) | 自然环境中被遮挡果实的识别方法 | |
CN111292347B (zh) | 一种基于图像处理技术的显微图像炭疽孢子密度计算方法 | |
CN110415222A (zh) | 一种基于纹理特征的丝饼侧面缺陷识别方法 | |
CN117689716B (zh) | 板件视觉定位识别抓取方法、控制系统及板件生产线 | |
CN106446832B (zh) | 一种基于视频的实时检测行人的方法 | |
CN112489049A (zh) | 基于超像素和svm的成熟番茄果实的分割方法及系统 | |
CN112528740A (zh) | 一种压板状态识别方法 | |
CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
CN109544572B (zh) | 一种果园图像中近大果实目标的获取方法 | |
CN108520498B (zh) | 一种晶体结晶过程监测中的高效晶体阴影噪声去除方法 | |
CN111191659A (zh) | 服装生产系统多形状衣架识别方法 |
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 |