CN112150481B - 一种白粉病图像分割方法 - Google Patents
一种白粉病图像分割方法 Download PDFInfo
- Publication number
- CN112150481B CN112150481B CN202010977822.0A CN202010977822A CN112150481B CN 112150481 B CN112150481 B CN 112150481B CN 202010977822 A CN202010977822 A CN 202010977822A CN 112150481 B CN112150481 B CN 112150481B
- Authority
- CN
- China
- Prior art keywords
- powdery mildew
- image
- pixel points
- gray
- value
- 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
Links
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Abstract
本发明公开了一种白粉病图像分割方法,包括:(1)采集作物感染白粉病的茎叶图像;(2)获取图像上所有像素点的RGB数值,并计算每个像素点的灰度值;(3)利用迭代公式计算白粉病病害的最佳灰度阈值,并确定白粉病病害的阈值范围;(4)根据白粉病病害的最佳灰度阈值将图像上病害区域和非病害区域进行划分,以不同颜色显示,并确定该作物的白粉病病害等级,从而为作物在生长过程中的病害防治提供有力的依据。本发明提高了对作物叶片中白色区域的提取精度,对作物白粉病的检测有更好的效果,能够显著提高在检测白粉病病害的方面的准确性。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种白粉病的图像分割方法。
背景技术
白粉病是作物生长过程中是最为常见的一种病害,严重影响了作物的产量和种植者的经济效益。白粉病主要危害叶片,发病初期叶面出现圆形白粉状小霉斑,扩展后便形成为大小不等的白色粉斑,粉斑互相连合致叶面布满白粉,严重时整个叶面被白粉所覆盖,严重影响光合作用,造成早衰,由此作物产量受到严重损失。
对白粉病情况的检测对于作物防治而言尤为重要,但现有的检测方法主要是利用光谱分析的方法,但此方法对于采集设备的要求较高,且价格昂贵;而既有的图像分割方法也主要是利用迭代分割或最大类间方差分割方法,现有的方法容易陷入局部最优,导致整个图像分割效果并不理想,达不到分割检测的要求。
发明内容
发明目的:针对以上问题,本发明提出一种白粉病图像分割方法,该方法提高了对作物叶片中白色图像的提取精度,从而提高检测白粉病病害方面的准确性,对作物的产量和质量的提升有显著意义。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种白粉病图像分割方法,该方法具体包括如下步骤:
S1:用相机拍摄黄瓜感染白粉病的一片叶子的图像,将白粉病病害部分设定为病害区域,正常部分设定为非病害区域;
S2:读取S1所述图像,对图像上所有像素点进行RGB数值标定,并根据加权平均公式计算每个像素点的灰度值,其中加权平均公式为:
i=0.299R+0.587G+0.114B
式中,i为灰度值;R为图像中红色分量的数值;G图像中绿色分量的数值;B为图像中蓝色分量的数值。
S3:根据设定的白粉病病害的灰度阈值计算得到图像中白粉病病害区域的像素点占所有像素点的比例,然后利用迭代公式计算得到白粉病病害的最佳灰度阈值,同时确定白粉病病害的灰度阈值范围,具体包括如下步骤:
S3.1:在S1所述图像上显示白色的区域范围内任意选定一个像素点q,该像素点的灰度值为iq;
S3.2:将S3.1所述像素点的灰度值iq直接作为白粉病病害的灰度阈值不具备代表性,因此利用宽松因子α扩大对白粉病病害的灰度阈值的设定,得到合适的白粉病病害的灰度阈值,其中公式如下:
t=(1-α)*iq
式中,t为设定的白粉病病害的灰度阈值;α为宽松因子,取值范围为(0,1);
由于白粉病病害呈现白色,对应灰度值为255,所以初步确定白粉病病害的灰度阈值范围为[t,255]。
S3.3:通过如下公式计算得到白粉病病害区域的像素点占采集图像的像素点的比例,其中计算公式为:
式中,p(i)为采集的图像中灰度值为i的像素点占所有像素点的比例;S为采集的图像中白粉病病害区域的像素点占所有像素点的比例;a、b分别为采集的图像的行列数;f(x,y)为采集的图像中某一个像素点的灰度值,f(x,y)∈[0,255];
S3.4:遍历图像上所有像素点的灰度值,获取最大灰度值Max和最小灰度值Min,然后将S3.3所述参数S代入灰度阈值公式中进行计算:
设置n=1
Tn=(1-S)*Min+S*Max
式中,Tn为白粉病病害的灰度阈值;S为采集的图像中白粉病病害区域的像素点占所有像素点的比例;Max为图像上所有像素点的最大灰度值;Min为图像上所有像素点的最小灰度值;
S3.5:基于S3.4所述白粉病病害的灰度阈值Tn重新计算图像上白粉病病害区域的像素点占所有像素点的比例,以及图像中白粉病病害区域和非病害区域的像素点的平均灰度值;
图像上白粉病病害区域的像素点占所有像素点的比例的计算公式为:
式中,p(i)为采集的图像中灰度值为i的像素点占所有像素点的比例;P为采集的图像中白粉病病害区域的像素点占所有像素点的比例;a、b分别为采集的图像的行列数;f(x,y)为采集的图像的某一个像素点的灰度值,f(x,y)∈[0,255];
图像中白粉病病害区域和非病害区域的像素点的平均灰度值的计算公式为:
式中,u为图像中白粉病病害区域的像素点的平均灰度值;v为图像中白粉病非病害区域的像素点的平均灰度值;i为灰度值;p(i)为采集的图像中灰度值为i的像素点占所有像素点的比例;P为采集的图像中白粉病病害区域的像素点占所有像素点的比例;
S3.6:将步骤S3.5所述参数P代入灰度阈值迭代公式中进行迭代计算,其中迭代公式为:
n=n+1
Tn=P*u+(1-P)*v
式中,Tn表示白粉病病害的灰度阈值;P为采集的图像中白粉病病害区域的像素点占所有像素点的比例;u为图像中白粉病病害区域的像素点的平均灰度值;v为图像中白粉病非病害区域的像素点的平均灰度值;
S3.7:计算|Tn-Tn-1|<ξ,其中ξ为误差精度,ξ>0;若满足条件,则跳出迭代过程,并将此时Tn的值作为白粉病病害的最佳灰度阈值,最终确定白粉病病害的灰度阈值范围为[Tn,255];否则返回S3.5。
S4:通过S3.7所述白粉病病害的最佳灰度阈值Tn将图像的非病害区域和病害区域进行划分,其中灰度值i=f(x,y)∈[0,Tn]的部分为非病害区域,显示为黑色;灰度值 i=f(x,y)∈[Tn,255]的部分为病害区域,显示为白色。
通过以往经验根据作物白粉病病害的不同程度做出等级划分,以便后续采取不同的应对措施,达到分等级分不同治理方法的效果,为在实现作物的生长过程中提供有力的依据。
有益效果:本发明应用不均等的迭代比例可以更快的得到迭代结果,而且根据不同的图像分布,计算得到的比例结果不相同,也会引起图像的分割效果不同,所以其可移植性较之于以往方法更具优势;此外,本发明提高了对作物叶片中白色区域的提取精度,对作物白粉病的检测有更好的效果,从而提高在检测白粉病病害方面的准确性。
附图说明
图1是白粉病图像分割方法的框图;
图2是计算白粉病病害的灰度阈值的方法流程图;
图3是标定图像上显示白色的区域范围内任意一个像素点q的RGB数值;
图4(a)是本发明下番茄白粉病图像分割效果图;
图4(b)是本发明下黄瓜白粉病图像分割效果图;
图5(a)是为迭代二分法下番茄白粉病图像分割效果图;
图5(b)是为最大类间方差法下番茄白粉病图像分割效果图;
图5(c)是最大熵法下番茄白粉病图像分割效果图;
图6(a)是迭代二分法下黄瓜白粉病图像分割效果图;
图6(b)是最大类间方差法下黄瓜白粉病图像分割效果图;
图6(c)是最大熵法下黄瓜白粉病图像分割效果图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。其中,所描述的实施例是本发明一部分实施例,而不是全部的实施例。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。
本发明所述的一种白粉病图像分割方法,针对作物在生长过程中出现的白粉病这一病害,提出的一个图像分割方法。下面分别以番茄和黄瓜为例对白粉病图像分割方法进行说明:
以番茄为例对白粉病图像分割方法进行说明:
S1:采集番茄感染白粉病的一片叶子的图像,将白粉病病害部分设定为病害区域,正常部分设定为非病害区域。
S2:读取S1所述图像,对图像上所有像素点进行RGB数值标定,并根据加权平均公式计算每个像素点的灰度值,其中加权平均公式为:
i=0.299R+0.587G+0.114B
式中,i为灰度值;R为图像中红色分量的数值;G图像中绿色分量的数值;B为图像中蓝色分量的数值。
S3:根据设定的白粉病病害的灰度阈值计算得到图像中白粉病病害区域的像素点占所有像素点的比例,然后利用迭代公式计算得到白粉病病害的最佳灰度阈值,同时确定白粉病病害的灰度阈值范围,具体包括如下步骤:
S3.1:参考图3(a),在S1所述图像上显示白色的区域范围内任意选定一个像素点,该像素点的RGB数值分别为165、167、166,计算得到该像素点的灰度值为iq=166;
S3.2:将S3.1所述像素点的灰度值iq=166直接作为白粉病病害的灰度阈值不具备代表性,因此利用宽松因子α扩大对白粉病病害的灰度阈值的设定,得到合适的白粉病病害的灰度阈值,其中公式如下:
t=(1-α)*iq
式中,t为设定的白粉病病害的灰度阈值;α为宽松因子,取值范围为(0,1),本例中α取值0.15;
计算得到t=144,由于白粉病病害呈现白色,对应灰度值为255,所以初步确定白粉病病害的灰度阈值范围为[144,255];
S3.3:通过如下公式计算得到白粉病病害区域的像素点占采集图像的像素点的比例,其中计算公式为:
式中,p(i)为采集的图像中灰度值为i的像素点占所有像素点的比例;S为采集的图像中白粉病病害区域的像素点占所有像素点的比例;a、b分别为采集的图像的行列数;f(x,y)为采集的图像中某一个像素点的灰度值,f(x,y)∈[0,255];
S3.4:遍历图像上所有像素点的灰度值,获取最大灰度值Max和最小灰度值Min,然后将S3.3所述参数S代入灰度阈值公式中进行计算:
设置n=1
Tn=(1-S)*Min+S*Max
式中,Tn为白粉病病害的灰度阈值;S为采集的图像中白粉病病害区域的像素点占所有像素点的比例;Max为图像上所有像素点的最大灰度值,在本例中Max的值为255; Min为图像上所有像素点的最小灰度值,在本例中Min的值为0;
S3.5:基于S3.4所述白粉病病害的灰度阈值Tn重新计算图像上白粉病病害区域的像素点占所有像素点的比例,以及图像中白粉病病害区域和非病害区域的像素点的平均灰度值;
图像上白粉病病害区域的像素点占所有像素点的比例的计算公式为:
式中,p(i)为采集的图像中灰度值为i的像素点占所有像素点的比例;P为采集的图像中白粉病病害区域的像素点占所有像素点的比例;a、b分别为采集的图像的行列数;f(x,y)为采集的图像的某一个像素点的灰度值,f(x,y)∈[0,255];
图像中白粉病病害区域和非病害区域的像素点的平均灰度值的计算公式为:
式中,u为图像中白粉病病害区域的像素点的平均灰度值;v为图像中白粉病非病害区域的像素点的平均灰度值;i为灰度值;p(i)为采集的图像中灰度值为i的像素点占所有像素点的比例;P为采集的图像中白粉病病害区域的像素点占所有像素点的比例;
S3.6:将步骤S3.5所述参数P代入灰度阈值迭代公式中进行迭代计算,其中迭代公式为:
n=n+1
Tn=P*u+(1-P)*v
式中,Tn表示白粉病病害的灰度阈值;P为采集的图像中白粉病病害区域的像素点占所有像素点的比例;u为图像中白粉病病害区域的像素点的平均灰度值;v为图像中白粉病非病害区域的像素点的平均灰度值;
S3.7:计算|Tn-Tn-1|<ξ,其中ξ为误差精度,ξ>0,本例中ξ取0.001;若满足条件,则跳出迭代过程,并将此时Tn的值作为白粉病病害的最佳灰度阈值,最终确定白粉病病害的灰度阈值范围为[Tn,255];否则返回S3.5。
通过多次迭代后最终计算番茄白粉病病害的最佳灰度阈值Tn为162,确定白粉病病害的阈值范围为[162,255]。
S4:通过S3.7所述白粉病病害的最佳灰度阈值Tn将图像的非病害区域和病害区域进行划分,参考图4(a),灰度值i=f(x,y)∈[0,162]的部分为非病害区域,显示为黑色;灰度值i=f(x,y)∈[162,255]的部分为病害区域,显示为白色;
通过以往经验根据番茄白粉病病害的不同程度做出等级划分,本例中番茄白粉病病害可定为发病初期,后续可根据番茄白粉病病害为初期采取相应的应对措施,达到分等级分不同治理方法的效果。
以黄瓜为例对白粉病图像分割方法进行说明:
S1:用相机拍摄黄瓜感染白粉病的一片叶子的图像,将白粉病病害部分设定为病害区域,正常部分设定为非病害区域;
S2:读取S1所述图像,对图像上所有像素点进行RGB数值标定,并根据加权平均公式计算每个像素点的灰度值,其中加权平均公式为:
i=0.299R+0.587G+0.114B
式中,i为灰度值;R为图像中红色分量的数值;G图像中绿色分量的数值;B为图像中蓝色分量的数值。
S3:根据设定的白粉病病害的灰度阈值计算得到图像中白粉病病害区域的像素点占所有像素点的比例,然后利用迭代公式计算得到白粉病病害的最佳灰度阈值,同时确定白粉病病害的灰度阈值范围,具体包括如下步骤:
S3.1:参考图3(b),在S1所述图像上显示白色的区域范围内任意选定一个像素点,该像素点的RGB数值分别为171、175、178,计算得到该像素点的灰度值为iq=174;
S3.2:将S3.1所述像素点q的灰度值iq=174直接作为白粉病病害的灰度阈值不具备代表性,因此利用宽松因子α扩大对白粉病病害的灰度阈值的设定,得到合适的白粉病病害的灰度阈值,其中公式如下:
t=(1-α)*iq
式中,t为设定的白粉病病害的灰度阈值;α为宽松因子,取值范围为(0,1),本例中α取值0.15;
计算得到t=148,由于白粉病病害呈现白色,对应灰度值为255,所以初步确定白粉病病害的灰度阈值范围为[148,255];
S3.3:通过如下公式计算得到白粉病病害区域的像素点占采集图像的像素点的比例,其中计算公式为:
式中,p(i)为采集的图像中灰度值为i的像素点占所有像素点的比例;S为采集的图像中白粉病病害区域的像素点占所有像素点的比例;a、b分别为采集的图像的行列数;f(x,y)为采集的图像中某一个像素点的灰度值,f(x,y)∈[0,255];
S3.4:遍历图像上所有像素点的灰度值,获取最大灰度值Max和最小灰度值Min,然后将S3.3所述参数S代入灰度阈值公式中进行计算:
设置n=1
Tn=(1-S)*Min+S*Max
式中,Tn为白粉病病害的灰度阈值;S为采集的图像中白粉病病害区域的像素点占所有像素点的比例;Max为图像上所有像素点的最大灰度值,在本例中Max的值为255; Min为图像上所有像素点的最小灰度值,在本例中Min的值为6;
S3.5:基于S3.4所述白粉病病害的灰度阈值Tn重新计算图像上白粉病病害区域的像素点占所有像素点的比例,以及图像中白粉病病害区域和非病害区域的像素点的平均灰度值;
图像上白粉病病害区域的像素点占所有像素点的比例的计算公式为:
式中,p(i)为采集的图像中灰度值为i的像素点占所有像素点的比例;P为采集的图像中白粉病病害区域的像素点占所有像素点的比例;a、b分别为采集的图像的行列数;f(x,y)为采集的图像的某一个像素点的灰度值,f(x,y)∈[0,255];
图像中白粉病病害区域和非病害区域的像素点的平均灰度值的计算公式为:
式中,u为图像中白粉病病害区域的像素点的平均灰度值;v为图像中白粉病非病害区域的像素点的平均灰度值;i为灰度值;p(i)为采集的图像中灰度值为i的像素点占所有像素点的比例;P为采集的图像中白粉病病害区域的像素点占所有像素点的比例;
S3.6:将步骤S3.5所述参数P代入灰度阈值迭代公式中进行迭代计算,其中迭代公式为:
n=n+1
Tn=P*u+(1-P)*v
式中,Tn表示白粉病病害灰度阈值;P为采集的图像中白粉病病害区域的像素点占所有像素点的比例;u为图像中白粉病病害区域的像素点的平均灰度值;v为图像中白粉病非病害区域的像素点的平均灰度值;
S3.7:计算|Tn-Tn-1|<ξ,其中ξ为误差精度,ξ>0,本例中ξ取0.001;若满足条件,则跳出迭代过程,并将此时Tn的值作为白粉病病害的最佳灰度阈值,最终确定白粉病病害的灰度阈值范围为[Tn,255];否则返回S3.5。
通过多次迭代后最终计算黄瓜白粉病病害的灰度阈值Tn为180,确定白粉病病害的阈值范围为[180,255]。
S4:通过S3.7所述白粉病病害的最佳灰度阈值Tn将图像的非病害区域和病害区域进行划分,参考图4(b),灰度值i=f(x,y)∈[0,180]的部分为非病害区域,显示为黑色;灰度值i=f(x,y)∈[180,255]的部分为病害区域,显示为白色;
通过以往经验根据黄瓜白粉病病害的不同程度做出等级划分,本例中黄瓜白粉病病害可定为发病初期,后续可根据黄瓜白粉病病害初期采取相应的应对措施,达到分等级分不同治理方法的效果。
下表所列的是本实施例中番茄和黄瓜分别在本发明和现有方法下的白粉病病害灰度阈值以及白粉病图像分割的效果对比:
Claims (4)
1.一种白粉病图像分割方法,其特征在于,具体包括如下步骤:
S1:采集作物感染白粉病的茎叶图像;
S2:读取S1所述图像,获取图像上所有像素点的RGB数值,并计算每个像素点的灰度值;
S3:根据设定的白粉病病害的灰度阈值计算得到图像中白粉病病害区域的像素点占所有像素点的比例,然后利用迭代公式计算得到白粉病病害的最佳灰度阈值,同时确定出白粉病病害的灰度阈值范围,具体包括如下步骤:
S3.1:在S1所述图像上显示白色的区域范围内任意选定一个像素点q,该像素点的灰度值为iq;
S3.2:利用宽松因子α扩大对白粉病病害的灰度阈值的设定,得到合适的白粉病病害的灰度阈值,公式如下:
t=(1-α)*iq
式中,t为设定的白粉病病害的灰度阈值;α为宽松因子,取值范围为(0,1);
所以初步确定白粉病病害的灰度阈值范围为[t,255];
S3.3:通过如下公式计算得到白粉病病害区域的像素点占采集图像的像素点的比例,其中计算公式为:
式中,p(i)为采集的图像中灰度值为i的像素点占所有像素点的比例;S为采集的图像中白粉病病害区域的像素点占所有像素点的比例;a、b分别为采集的图像的行列数;f(x,y)为采集的图像中某一个像素点的灰度值,f(x,y)∈[0,255];
S3.4:遍历图像上所有像素点的灰度值,获取最大灰度值Max和最小灰度值Min,然后将S3.3所述参数S代入灰度阈值公式中进行计算:
设置n=1
Tn=(1-S)*Min+S*Max
式中,Tn为白粉病病害的灰度阈值;S为采集的图像中白粉病病害区域的像素点占所有像素点的比例;
S3.5:基于S3.4所述白粉病病害的灰度阈值Tn重新计算图像上白粉病病害区域的像素点占所有像素点的比例,以及图像中白粉病病害区域和非病害区域的像素点的平均灰度值;
图像上白粉病病害区域的像素点占所有像素点的比例的计算公式为:
式中,p(i)为采集的图像中灰度值为i的像素点占所有像素点的比例;P为采集的图像中白粉病病害区域的像素点占所有像素点的比例;a、b分别为采集的图像的行列数;f(x,y)为采集的图像的某一个像素点的灰度值,f(x,y)∈[0,255];
图像中白粉病病害区域和非病害区域的像素点的平均灰度值的计算公式为:
式中,u为图像中白粉病病害区域的像素点的平均灰度值;v为图像中白粉病非病害区域的像素点的平均灰度值;i为灰度值;p(i)为采集的图像中灰度值为i的像素点占所有像素点的比例;P为采集的图像中白粉病病害区域的像素点占所有像素点的比例;
S3.6:将步骤S3.5所述参数P代入灰度阈值迭代公式中进行迭代计算,其中迭代公式为:
n=n+1
Tn=P*u+(1-P)*v
式中,Tn表示白粉病病害灰度阈值;P为采集的图像中白粉病病害区域的像素点占所有像素点的比例;u为图像中白粉病病害区域的像素点的平均灰度值;v为图像中白粉病非病害区域的像素点的平均灰度值;
S3.7:计算|Tn-Tn-1|<ξ,其中ξ为误差精度,ξ>0;若满足条件,则跳出迭代过程,并将此时Tn的值作为白粉病病害的最佳灰度阈值,最终确定白粉病病害的灰度阈值范围为[Tn,255];否则返回S3.5;
S4:根据S3所述白粉病病害的最佳灰度阈值将图像上白粉病病害区域和非病害区域进行划分,并以不同颜色显示,并确定该作物的白粉病病害的等级。
2.根据权利要求1所述的一种白粉病图像分割方法,其特征在于:S1所述图像由带有照相功能的装置获得。
3.根据权利要求1所述的一种白粉病图像分割方法,其特征在于:S2所述每个像素点的灰度值的计算公式为:
i=0.299R+0.587G+0.114B
式中,i为灰度值;R为图像中红色分量的数值;G图像中绿色分量的数值;B为图像中蓝色分量的数值。
4.根据权利要求1所述的一种白粉病图像分割方法,其特征在于:S4中根据S3所述白粉病病害的最佳灰度阈值Tn将图像上病害区域和非病害区域进行划分,并以不同颜色显示,具体包括:
灰度值i=f(x,y)∈[0,Tn]的部分为非病害区域,显示为黑色;灰度值i=f(x,y)∈[Tn,255]的部分为病害区域,显示为白色。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010977822.0A CN112150481B (zh) | 2020-09-17 | 2020-09-17 | 一种白粉病图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010977822.0A CN112150481B (zh) | 2020-09-17 | 2020-09-17 | 一种白粉病图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112150481A CN112150481A (zh) | 2020-12-29 |
CN112150481B true CN112150481B (zh) | 2023-07-18 |
Family
ID=73892310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010977822.0A Active CN112150481B (zh) | 2020-09-17 | 2020-09-17 | 一种白粉病图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150481B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506251A (zh) * | 2021-06-28 | 2021-10-15 | 苏州西热节能环保技术有限公司 | 磨损份额的计算方法及其应用、系统、存储介质、终端 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222226A (zh) * | 2011-06-21 | 2011-10-19 | 杭州电子科技大学 | 一种基于先验分析的迭代式车牌字符分割方法 |
CN102999897A (zh) * | 2011-09-19 | 2013-03-27 | 香港中文大学 | 基于sar图像检测海面溢油的方法和装置 |
CN103778624A (zh) * | 2013-12-20 | 2014-05-07 | 中原工学院 | 一种基于最优阈值分割的织物疵点检测方法 |
CN104021574A (zh) * | 2014-07-04 | 2014-09-03 | 武汉武大卓越科技有限责任公司 | 路面病害自动识别方法 |
CN105844617A (zh) * | 2016-03-17 | 2016-08-10 | 电子科技大学 | 一种基于改进的阈值分割算法实现对脑实质的分割 |
CN106530304A (zh) * | 2016-09-19 | 2017-03-22 | 中国农业大学 | 一种设施蔬菜边缘模糊类叶面病斑分割方法及装置 |
CN106709928A (zh) * | 2016-12-22 | 2017-05-24 | 湖北工业大学 | 一种快速的含噪图像二维最大类间方差阈值法 |
CN108364300A (zh) * | 2018-03-15 | 2018-08-03 | 山东财经大学 | 蔬菜叶部病害图像分割方法、系统及计算机可读存储介质 |
CN109544538A (zh) * | 2018-11-27 | 2019-03-29 | 安徽大学 | 小麦赤霉病病害等级分级方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8913831B2 (en) * | 2008-07-31 | 2014-12-16 | Hewlett-Packard Development Company, L.P. | Perceptual segmentation of images |
US8849060B2 (en) * | 2011-07-01 | 2014-09-30 | Semiconductor Energy Laboratory Co., Ltd. | Image processing method, image processing system and display device for modifying background colors based on object colors |
-
2020
- 2020-09-17 CN CN202010977822.0A patent/CN112150481B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222226A (zh) * | 2011-06-21 | 2011-10-19 | 杭州电子科技大学 | 一种基于先验分析的迭代式车牌字符分割方法 |
CN102999897A (zh) * | 2011-09-19 | 2013-03-27 | 香港中文大学 | 基于sar图像检测海面溢油的方法和装置 |
CN103778624A (zh) * | 2013-12-20 | 2014-05-07 | 中原工学院 | 一种基于最优阈值分割的织物疵点检测方法 |
CN104021574A (zh) * | 2014-07-04 | 2014-09-03 | 武汉武大卓越科技有限责任公司 | 路面病害自动识别方法 |
CN105844617A (zh) * | 2016-03-17 | 2016-08-10 | 电子科技大学 | 一种基于改进的阈值分割算法实现对脑实质的分割 |
CN106530304A (zh) * | 2016-09-19 | 2017-03-22 | 中国农业大学 | 一种设施蔬菜边缘模糊类叶面病斑分割方法及装置 |
CN106709928A (zh) * | 2016-12-22 | 2017-05-24 | 湖北工业大学 | 一种快速的含噪图像二维最大类间方差阈值法 |
CN108364300A (zh) * | 2018-03-15 | 2018-08-03 | 山东财经大学 | 蔬菜叶部病害图像分割方法、系统及计算机可读存储介质 |
CN109544538A (zh) * | 2018-11-27 | 2019-03-29 | 安徽大学 | 小麦赤霉病病害等级分级方法及装置 |
Non-Patent Citations (5)
Title |
---|
Research of Image Segmentation Algorithm Applied to Concrete Bridge Cracks;Hongke Xu等;《2013 IEEE Third International Conference on Information Science and Technology (ICIST)》;第1637-1640页 * |
图像背景自适应分割技术研究;王海星;《昆明冶金高等专科学校学报》;第26卷(第5期);第18-22页 * |
基于图像处理的番茄病害识别;阎园园;《中国优秀硕士学位论文全文数据库 农业科技辑》(第12期);第D046-9页 * |
基于机器视觉的隧道衬砌裂缝图像分割处理算法研究;石帅等;《高速铁路技术》;第11卷(第1期);第17-22页 * |
棉花异性纤维彩色图像的快速处理算法研究;张馨;《中国优秀硕士学位论文全文数据库 信息科技辑》(第8期);第I138-623页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112150481A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109360206B (zh) | 基于深度学习的大田稻穗分割方法 | |
CN105719274B (zh) | 边缘检测系统及方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN103268596A (zh) | 一种降低图像噪声和使颜色接近标准的方法 | |
CN104504722A (zh) | 一种利用灰色点校正图像颜色的方法 | |
CN112150481B (zh) | 一种白粉病图像分割方法 | |
Yang et al. | Color image contrast enhancement by co-occurrence histogram equalization and dark channel prior | |
CN113570538A (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
CN114187189A (zh) | 一种飞行器多光谱影像辐射一致性校正方法 | |
CN112329733B (zh) | 一种基于gee云平台的冬小麦长势监测及分析方法 | |
Ulucan et al. | Color constancy beyond standard illuminants | |
CN113129300A (zh) | 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质 | |
CN109064490B (zh) | 一种基于MeanShift的运动目标跟踪方法 | |
US20220270206A1 (en) | Devices, systems and methods for digital image analysis | |
CN111047521A (zh) | 一种基于图像熵的红外图像非均匀性参数化校正优选方法 | |
CN112348754B (zh) | 一种低照度彩色图像增强方法及装置 | |
CN110852977B (zh) | 融合边缘灰度直方图与人眼视觉感知特性的图像增强方法 | |
CN107818565B (zh) | 一种小麦一至三叶期麦苗数量调查方法 | |
CN108470325B (zh) | 一种面阵凝视红外遥感图像时空三维噪声识别及补偿方法 | |
CN113888397A (zh) | 基于无人机遥感和图像处理技术的烟草清塘点株方法 | |
Saberi et al. | Adaptive contrast enhancement of satellite images based on histogram and non-linear transfer function methods | |
CN113362244B (zh) | 基于优先级和数据使用计划的图像处理方法 | |
CN117036354B (zh) | 一种智能戒指显示屏幕检测方法 | |
CN111080560B (zh) | 一种图像的处理与识别方法 | |
CN117237384B (zh) | 一种智慧农业种植作物的视觉检测方法及系统 |
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 |