CN112444208A - 基于边缘检测的高通量贝类外部形态自动测量方法 - Google Patents
基于边缘检测的高通量贝类外部形态自动测量方法 Download PDFInfo
- Publication number
- CN112444208A CN112444208A CN202011353835.7A CN202011353835A CN112444208A CN 112444208 A CN112444208 A CN 112444208A CN 202011353835 A CN202011353835 A CN 202011353835A CN 112444208 A CN112444208 A CN 112444208A
- Authority
- CN
- China
- Prior art keywords
- shellfish
- point
- row
- column
- pixel
- 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
- 235000015170 shellfish Nutrition 0.000 title claims abstract description 99
- 238000003708 edge detection Methods 0.000 title claims abstract description 28
- 238000000691 measurement method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 39
- 241000581364 Clinitrachus argentatus Species 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 4
- 230000004907 flux Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 7
- 238000012216 screening Methods 0.000 abstract description 4
- 238000010998 test method Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge 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
- G06T7/13—Edge detection
-
- 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
Abstract
本发明公开了基于边缘检测的高通量贝类外部形态自动测量方法，将贝类放置于载物台的中心位置；使用拍摄装置对贝类进行拍摄；利用2σ检验法将图像二值化；利用图像处理中的开操作，去除背景噪声；使用边缘检测法提取目标并记录所有目标的以像素为单位的长度、宽度、周长及面积。本发明实现了对贝类外部形态快速准确的自动测量，克服了传统测量方式的短板，能有效加强贝类产品筛查效率、提升企业投资回报率，市场前景广阔。
Description
技术领域
本发明涉及一种贝类形态测量技术，具体涉及一种基于边缘检测的高通量贝类外部形态自动测量方法。
背景技术
贝类是我国沿海地区的主要的经济作物之一，在沿海地区经济发展中有着重要的作用。外部形态测量是在贝类育种筛选以及等级分类中不可或缺的一步，然而传统的贝类外部形态测量一般使用皮尺等工具进行手工测量，这种测量的方法存在以下几个明显的缺点：(1)测量效率低。(2)只能对长度进行测量，并且结果不精确，对面积、弯曲度、周长等对重要指标只能通过观察进行估计。(3)成本随着工资上升以及产业规模加大与日俱增。因此，现在市场上急需一种能够高通量自动化的贝类外部形态测量方法以增加测量效率、提高投资回报率并且加强测量的精确性。
目前随着图像处理技术的发展，基于图像的物体形态自动化测量已经被应用于许多问题，由于图像处理自动化程度高、采集难度低以及设备不易损耗等特性，其在贝类的测量方面也有着较高的实用价值。传统贝类检测方法一次仅能处理单个贝类，如果需要检测的目标较多就容易产生效率低下的问题。通过本方法，我们可以一次拍摄多个贝类，通过适当的图像处理就能够大幅提升检测效率，从而达到降低成本，提高投资回报率的目的。因此基于边缘检测的高通量贝类外部形态自动测量方法具有重要的实际意义。
发明内容
本发明的目的是通过图像处理技术，提供一种高通量的贝类外部形态自动测量方法。
本发明为实现上述目的所采用的技术方案是：基于边缘检测的高通量贝类外部形态自动测量装置，包括：
载物台，用于放置贝类对象；
拍摄装置，用于采集载物台上的贝类图像，发送至计算机；
计算机，用于根据图像对贝类对象的形态进行自动测量。
所述载物台为黑色背景的平台。
所述计算机内的处理器存有程序，当程序被调用时执行基于边缘检测的高通量贝类外部形态自动测量方法的步骤。
基于边缘检测的高通量贝类外部形态自动测量方法，包括以下步骤：
获取拍摄装置采集的贝类对象图像；
将拍摄的图像转为灰度图像f(x,y)；
利用2σ检验法将灰度图像二值化，得到二值图像f′(x,y)；
对二值图像f′(x,y)进行开操作初步去除二值图像的背景噪声；
利用边缘检测法检测二值图像中非背景区域，根据阈值进一步过滤噪声；
将处理后的图像进行分割，得到每个贝类的二值图像；
对每个贝类的二值图像进行膨胀操作，以完善贝类边缘；
提取每个贝类边缘，并根据目标边缘获取贝类外部形态参数。
所述利用2σ检验法将灰度图像二值化，包括以下步骤：
S5-1.取灰度图像四角20*20的像素块共计1600个像素点p(xi)(i＝1,2,...,1600)，计算出所有像素点灰度值的均值μ和标准差σ；
S5-2.二值化阈值为μ+2σ，对于灰度值超出阈值的像素点全部填充为1即白色，小于该阈值的像素点像全部填充为0即黑色，执行上述操作后得到二值图像f′(x,y)。
所述去除二值图像的背景噪声，具体如下：
对于二值图像执行开操作以去除二值图像中的小于设定值的噪声点。
所述检测非背景区域具体过程为：
S7-1.按行扫描全图，取图的宽为w,高为h；当扫描到像素值为1的像素点P1时，分别创建h行2列的二维数组row_set；w行2列的二维数组col_set；其中row_set用于保存当前非背景区域每一行的最小列坐标值以及最大列坐标值，初始时，row_set的第一列初始为图的宽度，第二列初始为0；col_set用于保存当前非背景区域每一列的最小行坐标值以及最大行坐标值，初始时，col_set的第一列初始为图的高度，第二列初始为0；以p1为起始点扫描该区域的边界；
S7-2.将当前像素点Pnow左侧的像素点标记为1号并按照顺时针方向依次将其周围剩余的七个像素点分别标记为2～8号，创建数组next_Psearch[8,8,2,2,4,4,6,6]；
S7-3.使当前像素点Pnow＝P1，按照顺时针方向扫描Pnow的周围的八个像素点，当扫描到值为1的像素点时，将该像素点重置为当前像素点Pnow；
S7-4.再次按照顺时针方向扫描Pnow的周围的八个像素点，当扫描到值为1的像素点时，将该像素点重置为当前像素点Pnow；
S7-5.重复步骤S7-4，直到Pnow＝P1，扫描结束，得到一个非背景区域的二值图像。
在检测非背景区域过程中：
S8-1.在执行步骤S7-3、S7-4、S7-5时，Pnow的开始扫描位置由next_Psearch数组确定：当扫描到下一个值为1的像素点Pnext位于当前像素点Pnow的M号位置时，查询next_Psearch中从前至后的第M个位置的数字作为扫描位置；
S8-2.在执行步骤S7-3、S7-4、S7-5时，每到一个新的扫描点，从row_set中选取一行rline，该行的行坐标等于该扫描点的行坐标；将扫描到的像素点的列坐标值与rline的最小列坐标值即rline的第一列的元素和最大列坐标值即rline的第二列的元素进行比较；如果该点的列坐标值小于rline保存的最小列坐标值，则将rline的第一列的元素更新为该点的列坐标值；如果该点的列坐标值大于rline保存的最大列坐标值时，则将rline的第二列的元素更新为该点的列坐标值；
S8-3.在执行步骤S7-3、S7-4、S7-5时，每到一个新的扫描点，从col_set中选取一行cline，该行的行坐标等于该扫描点的列坐标；将扫描到的像素点的行坐标值与cline的最小行坐标值即cline的第一列的元素和最大行坐标值即cline的第二列的元素进行比较；如果该点的行坐标值小于cline保存的最小行坐标值，则将cline的第一列的元素更新为该点的行坐标值，如果该点的行坐标值大于cline保存的最大行坐标值时，则将cline的第二列的元素更新为该点的行坐标值；
S8-4.步骤S7-5执行完成时，获取row_set中第二列不为0的行，按照这些行中保存的最小以及最大的列坐标，将二值图像f'(x,y)对应行从最小列坐标到最大列坐标的像素点填充为背景色；
S8-5.在执行S8-2和S8-3时，设置四个值，分别记录目标区域的最小列坐标、最大的列坐标、最小行坐标和最大的行坐标；每到一个新的扫描点，更新上述四个值，直到S7-5执行结束；根据上述四个值计算其组成的矩形的面积，若该面积小于阈值面积，则该目标区域为噪声，予以丢弃；否则，取row_set与col_set的第二列不为0的行作为有效行的交集来形成贝类的二值图像；
S8-6.返回S7-1继续进行扫描，开始扫描点为S7-1所述的P1点所在行的右侧相邻点。
S8-7.重复执行步骤S7-1到S7-5直到全图扫描完成，得到包含所有贝类的二值图像。
所述对每个贝类的二值图像进行膨胀操作，提取每个贝类边缘，并根据目标边缘获取贝类外部形态参数，包括以下步骤：
S9-1.对每个贝类的二值图像重新进行膨胀操作以完善其边缘；
S9-2.统计每个贝类二值图像中像素值为1的像素点个数，得到每个贝类的像素面积；
S9-3.重新按照步骤S7-1、S7-5中描述的方式进行扫描，本次扫描中仅记录所有边缘点，并形成每个二值图像的边缘线；
S9-4.在步骤S9-2中，垂直、水平方向相邻像素长度记为1，对角方向记为
得出二值图像的边缘线长度即为周长；
S9-5.根据提取的边缘线，计算每两个边缘点(x1，y1)、(x2，y2)之间的欧氏距离，两点之间的欧式距离D为：
其中距离最大的两点连线长度即为贝类在图像中的像素长度Lpi，最后得到每个贝类的像素长度；
S9-6.设最大连线方向的单位向量为d1，以最大连线的某一端点P为起始点，设定两个初始点PL，PR；其中PL的移动方向为从端点P的左侧方向移动至另一端点，PR的移动方向为从端点P的右侧方向移动至另一端点；d1的方向为端点P指向最大连线的另一端点；
S9-7.开始时，设PL＝P，PR为端点P右侧相邻的边缘点。此时PR与PL形成的向量对应的单位向量记为d2，d2的方向为PL指向PR；计算d1和d2的乘积即为两向量夹角θ的cosθ值、以及PL和PR之间的欧氏距离；
S9-8.固定PR，重复移动PL，并在每次移动过程中均计算d1和d2的乘积，判断该值是否在设定范围内；若超过此范围，停止移动PL，开始重复移动PR；否则，继续移动PL；
S9-9.计算d1和d2的乘积并判断其范围；若超出范围则返回步骤S9-8，直到PR或PL到达最大连线的另一端点；
S9-10.在执行步骤S9-7、S9-8、S9-9过程中，不断计算PR和PL之间的欧氏距离，查找出扫描过程中得到的最大两点连线长度即为目标的像素宽度Wpi；进而得出每个贝类的像素宽度。
本发明公开了一种基于边缘检测的高通量贝类外部形态自动测量方法，将贝类放置于载物台的中心位置；使用拍摄装置对贝类进行拍摄；利用2σ检验法将图像二值化；利用图像处理中的开操作，去除背景噪声；使用边缘检测法提取目标并记录所有目标的以像素为单位的长度、宽度、周长及面积。本发明实现了对贝类外部形态快速准确的自动测量，克服了传统测量方式的短板，能有效加强贝类产品筛查效率、提升企业投资回报率，市场前景广阔。
本发明具有以下有益效果及优点：
1、本发明实现了一种高通量的贝类外部形态快速准确的自动测量，通过软硬件结合的方式克服了传统测量方式的短板，能有效加强贝类产品筛查效率、提升企业投资回报率，市场前景广阔。
2、本发明基于2σ检验法对图像二值化，计算复杂度低，而且能够通过快速准确的找到前景(即目标区域)和背景的最佳分界点。
3、基于边缘检测法提取目标，能够精确快速提取目标，减少冗余信息，增强外部形态的测量速度与精度。
附图说明
图1为贝类外部形态检测流程图；
图2为贝类灰度图像；
图3为贝类二值图像；
图4为背景噪声去除图像：
图5为贝类外部形态检测及边缘修复图；
图6为贝类外形参数检测示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
载物台，用于放置需要测量的贝类的黑色背景平台；
拍摄装置，用于获取投影板上投射的影像并将其传入计算机进行分析。
以及基于边缘检测的高通量贝类外部形态自动测量方法，包括：
读取待测量贝类投影图像；通过2σ检验法将图像二值化；通过开操作(先执行膨胀操作后执行腐蚀操作)，去除背景中的小噪声点；设定面积阈值并根据阈值去除背景中较大的噪声点；使用边缘检测法提取目标边缘；通过图像描述技术获取目标的以像素为单位的长度、宽度。
实施例1：
下面结合附图与实施例对本发明来进一步说明本发明的技术方案。
如图1所示，本实施例提供了基于边缘检测的高通量贝类外部形态自动测量方法，包括以下步骤：
S1.转换为灰度图片，如图2所示；
S2.基于2σ检验法的图像二值化，方法为：
S2-1.取灰度图像四角20*20的像素块共计1600个像素点p(xi)(i＝1,2,...,1600)，计算出所有像素点灰度值的均值μ和标准差σ；
S2-2.根据正态分布的思想，设定二值化阈值为μ+2σ，对于灰度值超出该值的像素点全部填充为1即白色，小于该阈值的像素点像全部填充为0即黑色，执行上述操作后得到二值图像f′(x,y)；如图3所示。
S3.对于二值图像执行开操作(即先执行腐蚀操作后执行膨胀操作)以去除二值图像中的小噪声点，去除效果如图4所示。
S4.基于边缘检测法检测非背景区域，方法为：
S4-1.按行扫描全图，取图的宽为w,高为h。当扫描到像素值为1的像素点P1时，分别创建h行2列的二维数组row_set；w行2列的二维数组col_set。其中row_set用于保存当前非背景区域每一行的最小列坐标值以及最大列坐标值，初始时，row_set的第一列初始为图的宽度，第二列初始为0；col_set用于保存当前非背景区域每一列的最小行坐标值以及最大行坐标值，初始时，col_set的第一列初始为图的高度，第二列初始为0；以p1为起始点扫描该区域的边界。
S4-2.将当前像素点Pnow左侧的像素点标记为1号并按照顺时针方向依次将其周围剩余的七个像素点分别标记为2～8号，创建数组next_Psearch[8,8,2,2,4,4,6,6]；
S4-3.使当前像素点Pnow＝P1，按照顺时针方向扫描Pnow的周围的八个像素点，当扫描到值为1的像素点时，将该像素点重置为当前像素点Pnow。
S4-4.再次按照顺时针方向扫描Pnow的周围的八个像素点，当扫描到值为1的像素点时，将该像素点重置为当前像素点Pnow。
S4-5.重复步骤S4-4，直到Pnow＝P1，扫描结束。
S4-6.在执行步骤S4-3、S4-4、S4-5时，Pnow的开始扫描位置由next_Psearch数组确定。例如：当扫描到下一个值为1的像素点Pnext位于当前像素点Pnow的6号位置时，通过查询next_Psearch可知像素点Pnext扫描的开始位置应是以Pnext为中心的4号位置。此外，对于P1的开始扫描的位置为5，因为其1～4号位置在进行S4-1按行扫描时已经被扫描了。
S4-7.在执行步骤S4-3、S4-4、S4-5时，每到一个新的扫描点，从row_set中选取一行rline，该行的行坐标等于该扫描点的行坐标。将扫描到的像素点的列坐标值与rline的最小列坐标值(rline的第一列的元素)和最大列坐标值(rline的第二列的元素)进行比较，如果该点的列坐标值小于rline保存的最小列坐标值则对rline的第一列进的元素行更新，如果该点的列坐标值大于rline保存的最大列坐标值时对rline的第二列的元素进行更新。
S4-8.在执行步骤S4-3、S4-4、S4-5时，每到一个新的扫描点，从col_set中选取一行cline，该行的行坐标等于该扫描点的列坐标。将扫描到的像素点的行坐标值与cline的最小行坐标值(cline的第一列的元素)和最大行坐标值(cline的第二列的元素)进行比较，如果该点的行坐标值小于cline保存的最小行坐标值则对cline的第一列的元素进行更新，如果该点的行坐标值大于cline保存的最大行坐标值时对cline的第二列的元素进行更新。
S4-9.步骤S4-5执行完成时。获取row_set中第二列不为0的行。按照这些行中保存的最小以及最大的列坐标，将二值图像f′(x,y)对应行从最小列坐标到最大列坐标的像素点填充为背景色。
S4-10.在执行S4-7和S4-8时，设置四个值，分别记录目标区域的最小列坐标(初始时为图的宽度)、最大的列坐标(初始时为0)、最小行坐标(初始时为图的高度)和最大的行坐标(初始时为0)。每到一个新的扫描点，更新上述四个值，直到S4-5执行结束。根据上述四个值计算其组成的矩形的面积，若该面积小于阈值面积(阈值面积为图片大小的1％)，则该目标区域为噪声，予以丢弃。否则，取row_set与col_set的有效行(第二列不为0的行)的交集来形成目标的二值图像。
S4-11.返回S4-1继续进行扫描，开始扫描点为S4-1所述的P1点所在行的右侧相邻点。
S4-12.重复执行步骤S4-1到S4-11直到全图扫描完成。
S5.基于图像处理技术的贝类外部形态参数获取，方法为：
S5-1.对所有贝类的二值图像重新进行膨胀操作以完善其边缘；
S5-2.统计每个贝类二值图像中像素值为1的像素点个数，得到每个贝类的像素面积。
S5-3.重新按照步骤S4中描述的方式进行扫描，本次扫描仅记录所有边缘点，并形成每个二值图像的边缘线。
S5-4.在步骤S5-2中，垂直、水平方向相邻像素长度记为1，对角方向记为
按照此规则即可计算出二值图像的边缘线长度即为周长。
S5-5.根据提取的边缘线，计算每两个边缘点之间的欧氏距离，两点之间的欧式距离D为：
其中距离最大的两点连线长度即为贝类在图像中的像素长度Lpi，最后得到每个贝类的像素长度。
S5-6.设最大连线方向的单位向量为d1，以最大连线的某一端点P为起始点，设定两个初始点PL，PR。其中PL的移动方向为从端点P的左侧方向移动至另一端点，PR的移动方向为从端点P的右侧方向移动至另一端点；d1的方向为端点P指向最大连线的另一端点。
S5-7.开始时，设PL＝P，PR为端点P右侧相邻的边缘点。此时PR与PL形成的向量对应的单位向量记为d2，d2的方向为PL指向PR。计算d1和d2的乘积(即为两向量夹角θ的cosθ值)以及PL和PR之间的欧氏距离。
S5-8.固定PR，重复移动PL，并在移动过程中一直计算d1和d2的乘积，判断该值是否在-0.02-0.02(此时两向量夹角范围在88.5°-91.5°)之间。若超过此范围，停止移动PL，开始重复移动PR。
S5-9.计算d1和d2的乘积并判断其范围。若超出范围则返回步骤S5-8，直到PR或PL到达最大连线的另一端点。
S5-10.在执行步骤S5-7、S5-8、S5-9过程中，不断计算PR和PL之间的欧氏距离，查找出扫描过程中得到的最大两点连线长度记为目标的像素宽度Wpi。按照此方法计算出全部目标的像素宽度Wpi。效果如图5所示。计算结果如图6所示。
Claims (9)
1.基于边缘检测的高通量贝类外部形态自动测量装置，其特征在于，包括：
载物台，用于放置贝类对象；
拍摄装置，用于采集载物台上的贝类图像，发送至计算机；
计算机，用于根据图像对贝类对象的形态进行自动测量。
2.根据权利要求1中所述的基于边缘检测的高通量贝类外部形态自动测量装置，其特征在于：所述载物台为黑色背景的平台。
3.根据权利要求1中所述的基于边缘检测的高通量贝类外部形态自动测量装置，其特征在于：所述计算机内的处理器存有程序，当程序被调用时执行基于边缘检测的高通量贝类外部形态自动测量方法的步骤。
4.基于边缘检测的高通量贝类外部形态自动测量方法，其特征在于，包括以下步骤：
获取拍摄装置采集的贝类对象图像；
将拍摄的图像转为灰度图像f(x,y)；
利用2σ检验法将灰度图像二值化，得到二值图像f′(x,y)；
对二值图像f′(x,y)进行开操作初步去除二值图像的背景噪声；
利用边缘检测法检测二值图像中非背景区域，根据阈值进一步过滤噪声；
将处理后的图像进行分割，得到每个贝类的二值图像；
对每个贝类的二值图像进行膨胀操作，以完善贝类边缘；
提取每个贝类边缘，并根据目标边缘获取贝类外部形态参数。
5.根据权利要求4中所述的基于边缘检测的高通量贝类外部形态自动测量方法，其特征在于，所述利用2σ检验法将灰度图像二值化，包括以下步骤：
S5-1.取灰度图像四角20*20的像素块共计1600个像素点p(xi)(i＝1,2,...,1600)，计算出所有像素点灰度值的均值μ和标准差σ；
S5-2.二值化阈值为μ+2σ，对于灰度值超出阈值的像素点全部填充为1即白色，小于该阈值的像素点像全部填充为0即黑色，执行上述操作后得到二值图像f′(x,y)。
6.根据权利要求4中所述的基于边缘检测的高通量贝类外部形态自动测量方法，其特征在于，所述去除二值图像的背景噪声，具体如下：
对于二值图像执行开操作以去除二值图像中的小于设定值的噪声点。
7.根据权利要求4中所述的基于边缘检测的高通量贝类外部形态自动测量方法，其特征在于，所述检测非背景区域具体过程为：
S7-1.按行扫描全图，取图的宽为w,高为h；当扫描到像素值为1的像素点P1时，分别创建h行2列的二维数组row_set；w行2列的二维数组col_set；其中row_set用于保存当前非背景区域每一行的最小列坐标值以及最大列坐标值，初始时，row_set的第一列初始为图的宽度，第二列初始为0；col_set用于保存当前非背景区域每一列的最小行坐标值以及最大行坐标值，初始时，col_set的第一列初始为图的高度，第二列初始为0；以p1为起始点扫描该区域的边界；
S7-2.将当前像素点Pnow左侧的像素点标记为1号并按照顺时针方向依次将其周围剩余的七个像素点分别标记为2～8号，创建数组next_Psearch[8,8,2,2,4,4,6,6]；
S7-3.使当前像素点Pnow＝P1，按照顺时针方向扫描Pnow的周围的八个像素点，当扫描到值为1的像素点时，将该像素点重置为当前像素点Pnow；
S7-4.再次按照顺时针方向扫描Pnow的周围的八个像素点，当扫描到值为1的像素点时，将该像素点重置为当前像素点Pnow；
S7-5.重复步骤S7-4，直到Pnow＝P1，扫描结束，得到一个非背景区域的二值图像。
8.根据权利要求7中所述的基于边缘检测的高通量贝类外部形态自动测量方法，其特征在于，在检测非背景区域过程中：
S8-1.在执行步骤S7-3、S7-4、S7-5时，Pnow的开始扫描位置由next_Psearch数组确定：当扫描到下一个值为1的像素点Pnext位于当前像素点Pnow的M号位置时，查询next_Psearch中从前至后的第M个位置的数字作为扫描位置；
S8-2.在执行步骤S7-3、S7-4、S7-5时，每到一个新的扫描点，从row_set中选取一行rline，该行的行坐标等于该扫描点的行坐标；将扫描到的像素点的列坐标值与rline的最小列坐标值即rline的第一列的元素和最大列坐标值即rline的第二列的元素进行比较；如果该点的列坐标值小于rline保存的最小列坐标值，则将rline的第一列的元素更新为该点的列坐标值；如果该点的列坐标值大于rline保存的最大列坐标值时，则将rline的第二列的元素更新为该点的列坐标值；
S8-3.在执行步骤S7-3、S7-4、S7-5时，每到一个新的扫描点，从col_set中选取一行cline，该行的行坐标等于该扫描点的列坐标；将扫描到的像素点的行坐标值与cline的最小行坐标值即cline的第一列的元素和最大行坐标值即cline的第二列的元素进行比较；如果该点的行坐标值小于cline保存的最小行坐标值，则将cline的第一列的元素更新为该点的行坐标值，如果该点的行坐标值大于cline保存的最大行坐标值时，则将cline的第二列的元素更新为该点的行坐标值；
S8-4.步骤S7-5执行完成时，获取row_set中第二列不为0的行，按照这些行中保存的最小以及最大的列坐标，将二值图像f'(x,y)对应行从最小列坐标到最大列坐标的像素点填充为背景色；
S8-5.在执行S8-2和S8-3时，设置四个值，分别记录目标区域的最小列坐标、最大的列坐标、最小行坐标和最大的行坐标；每到一个新的扫描点，更新上述四个值，直到S7-5执行结束；根据上述四个值计算其组成的矩形的面积，若该面积小于阈值面积，则该目标区域为噪声，予以丢弃；否则，取row_set与col_set的第二列不为0的行作为有效行的交集来形成贝类的二值图像；
S8-6.返回S7-1继续进行扫描，开始扫描点为S7-1所述的P1点所在行的右侧相邻点；
S8-7.重复执行步骤S7-1到S7-5直到全图扫描完成，得到包含所有贝类的二值图像。
9.根据权利要求4中所述的基于边缘检测的高通量贝类外部形态自动测量方法，其特征在于，所述对每个贝类的二值图像进行膨胀操作，提取每个贝类边缘，并根据目标边缘获取贝类外部形态参数，包括以下步骤：
S9-1.对每个贝类的二值图像重新进行膨胀操作以完善其边缘；
S9-2.统计每个贝类二值图像中像素值为1的像素点个数，得到每个贝类的像素面积；
S9-3.重新按照步骤S7-1、S7-5中描述的方式进行扫描，本次扫描中仅记录所有边缘点，并形成每个二值图像的边缘线；
S9-4.在步骤S9-2中，垂直、水平方向相邻像素长度记为1，对角方向记为
得出二值图像的边缘线长度即为周长；
S9-5.根据提取的边缘线，计算每两个边缘点(x1，y1)、(x2，y2)之间的欧氏距离，两点之间的欧式距离D为：
其中距离最大的两点连线长度即为贝类在图像中的像素长度Lpi，最后得到每个贝类的像素长度；
S9-6.设最大连线方向的单位向量为d1，以最大连线的某一端点P为起始点，设定两个初始点PL，PR；其中PL的移动方向为从端点P的左侧方向移动至另一端点，PR的移动方向为从端点P的右侧方向移动至另一端点；d1的方向为端点P指向最大连线的另一端点；
S9-7.开始时，设PL＝P，PR为端点P右侧相邻的边缘点。此时PR与PL形成的向量对应的单位向量记为d2，d2的方向为PL指向PR；计算d1和d2的乘积即为两向量夹角θ的cosθ值、以及PL和PR之间的欧氏距离；
S9-8.固定PR，重复移动PL，并在每次移动过程中均计算d1和d2的乘积，判断该值是否在设定范围内；若超过此范围，停止移动PL，开始重复移动PR；否则，继续移动PL；
S9-9.计算d1和d2的乘积并判断其范围；若超出范围则返回步骤S9-8，直到PR或PL到达最大连线的另一端点；
S9-10.在执行步骤S9-7、S9-8、S9-9过程中，不断计算PR和PL之间的欧氏距离，查找出扫描过程中得到的最大两点连线长度即为目标的像素宽度Wpi；进而得出每个贝类的像素宽度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011353835.7A CN112444208B (zh) | 2020-11-27 | 2020-11-27 | 基于边缘检测的高通量贝类外部形态自动测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011353835.7A CN112444208B (zh) | 2020-11-27 | 2020-11-27 | 基于边缘检测的高通量贝类外部形态自动测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112444208A true CN112444208A (zh) | 2021-03-05 |
| CN112444208B CN112444208B (zh) | 2022-05-06 |
Family
ID=74737758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011353835.7A Active CN112444208B (zh) | 2020-11-27 | 2020-11-27 | 基于边缘检测的高通量贝类外部形态自动测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112444208B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07208926A (ja) * | 1994-01-13 | 1995-08-11 | Japan Radio Co Ltd | 帆立稚貝良否判定の画像処理方法及び画像処理装置 |
| CN101158651A (zh) * | 2007-11-16 | 2008-04-09 | 南京农业大学 | 一种基于激光图像分析检测苹果内外品质的装置及方法 |
| CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
| CN101672839A (zh) * | 2009-09-25 | 2010-03-17 | 南京农业大学 | 一种基于计算机视觉的种蛋孵化品质检测装置和方法 |
| CN103577829A (zh) * | 2013-11-08 | 2014-02-12 | 中安消技术有限公司 | 一种车标定位方法和装置 |
| CN107727010A (zh) * | 2017-10-31 | 2018-02-23 | 北京农业信息技术研究中心 | 一种测量农作物叶面积指数的方法 |
| CN110428401A (zh) * | 2019-07-16 | 2019-11-08 | 南京农业大学 | 一种梨种质资源表型果点数据的测量与分析方法 |
| CN111521128A (zh) * | 2020-04-15 | 2020-08-11 | 中国科学院海洋研究所 | 一种基于光学投影的贝类外部形态自动测量方法 |
| CN111695477A (zh) * | 2020-06-04 | 2020-09-22 | 山东工商学院 | 基于图像处理组合技术的贝类外部形态参数测量方法 |
-
2020
- 2020-11-27 CN CN202011353835.7A patent/CN112444208B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07208926A (ja) * | 1994-01-13 | 1995-08-11 | Japan Radio Co Ltd | 帆立稚貝良否判定の画像処理方法及び画像処理装置 |
| CN101158651A (zh) * | 2007-11-16 | 2008-04-09 | 南京农业大学 | 一种基于激光图像分析检测苹果内外品质的装置及方法 |
| CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
| CN101672839A (zh) * | 2009-09-25 | 2010-03-17 | 南京农业大学 | 一种基于计算机视觉的种蛋孵化品质检测装置和方法 |
| CN103577829A (zh) * | 2013-11-08 | 2014-02-12 | 中安消技术有限公司 | 一种车标定位方法和装置 |
| CN107727010A (zh) * | 2017-10-31 | 2018-02-23 | 北京农业信息技术研究中心 | 一种测量农作物叶面积指数的方法 |
| CN110428401A (zh) * | 2019-07-16 | 2019-11-08 | 南京农业大学 | 一种梨种质资源表型果点数据的测量与分析方法 |
| CN111521128A (zh) * | 2020-04-15 | 2020-08-11 | 中国科学院海洋研究所 | 一种基于光学投影的贝类外部形态自动测量方法 |
| CN111695477A (zh) * | 2020-06-04 | 2020-09-22 | 山东工商学院 | 基于图像处理组合技术的贝类外部形态参数测量方法 |
Non-Patent Citations (3)
| Title |
|---|
| 孙雪: "图像中环结构特征及其应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 林艾光 等: "基于机器视觉的虾夷扇贝分级检测方法研究", 《水产学报》 * |
| 郭常有 等: "基于图像处理技术的扇贝尺寸及位置自动识别", 《大连海洋大学学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112444208B (zh) | 2022-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
| JP4695239B2 (ja) | 形状特徴に基づく欠陥検出方法及び装置 | |
| EP0338677B1 (en) | Image processing method for shape recognition | |
| CN110930390B (zh) | 基于半监督深度学习的芯片管脚缺失检测方法 | |
| CN116630323B (zh) | 一种稠密金属腐蚀深度自动计算方法、系统、介质和设备 | |
| CN114998314B (zh) | 一种基于计算机视觉的pcb电路板缺陷检测方法 | |
| CN113362238A (zh) | 测试图像处理方法、装置、电子设备及存储介质 | |
| CN112801111A (zh) | 基于梯度方向的图像直线边缘点分类方法及装置 | |
| CN111354047A (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN112444208B (zh) | 基于边缘检测的高通量贝类外部形态自动测量方法 | |
| CN116883987A (zh) | 一种用于变电站无人巡检的指针仪表读数识别方法 | |
| CN112085752A (zh) | 一种图像的处理方法、装置、设备及介质 | |
| CN108805896B (zh) | 一种应用于城市环境的距离图像分割方法 | |
| CN111445510A (zh) | 一种图像中直线的检测方法 | |
| CN115239595A (zh) | 一种包装印刷品二维码合格性检测方法 | |
| CN115995017A (zh) | 一种果实识别与定位方法、装置及介质 | |
| CN115187744A (zh) | 一种基于激光点云的机柜识别方法 | |
| CN114882095A (zh) | 一种基于轮廓匹配的物体高度在线测量方法 | |
| CN114529555A (zh) | 一种基于图像识别的烟箱高效进出库检测方法 | |
| CN112991327A (zh) | 基于机器视觉的钢格网焊接系统、方法和终端设备 | |
| CN111626299A (zh) | 一种基于轮廓的数字字符识别方法 | |
| CN116777905B (zh) | 基于长尾分布数据的智能工业旋转检测方法及系统 | |
| CN117218184B (zh) | 一种图像快速定位提取方法 | |
| CN116029989A (zh) | 用于石料图像的石料边缘图像分割方法 |
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 |