CN112529922A - 一种开放环境下多色叶片rgb图像背景精确分离的方法 - Google Patents
一种开放环境下多色叶片rgb图像背景精确分离的方法 Download PDFInfo
- Publication number
- CN112529922A CN112529922A CN202011293649.9A CN202011293649A CN112529922A CN 112529922 A CN112529922 A CN 112529922A CN 202011293649 A CN202011293649 A CN 202011293649A CN 112529922 A CN112529922 A CN 112529922A
- Authority
- CN
- China
- Prior art keywords
- image
- color
- background
- leaf
- rgb
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000000926 separation method Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000009499 grossing Methods 0.000 claims abstract description 5
- 239000012535 impurity Substances 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 38
- 241000196324 Embryophyta Species 0.000 description 18
- 239000003086 colorant Substances 0.000 description 11
- 210000003462 vein Anatomy 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- QDOXWKRWXJOMAK-UHFFFAOYSA-N dichromium trioxide Chemical compound O=[Cr]O[Cr]=O QDOXWKRWXJOMAK-UHFFFAOYSA-N 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001558017 Gynura Species 0.000 description 1
- 241000123865 Gynura bicolor Species 0.000 description 1
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 241000228454 Pyrenophora graminea Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于农业技术领域，一种开放环境下多色叶片RGB图像背景精确分离的方法，包括以下图像背景分离方法：S1：选取叶片，所得到的原始图像；S2：采用MATLAB 2016R软件将RGB图像转化为HSV图像，以饱和度0.19‑0.21为界限，将小于界限的图像明度调整为0，并转化为灰度图；S3：用edge函数canny算子对图像边缘进行检测提取；S4：对图像进行膨胀操作并填补边缘缝隙；S5：对空隙填充并采用菱形结构元素对图像进行平滑；S6：将平滑后的图像经中值滤波去除冗余信息；S7：运用bwlabe函数寻找8联通成份并进行二值化处理；S8：将处理后的图像保存为jpg格式图像；本发明对单色叶、杂色叶、多色叶均有最佳的处理效果。
Description
技术领域
本发明涉及农业技术领域，尤其涉及一种开放环境下多色叶片RGB图像背景精确分离的方法。
背景技术
在智慧农业的高速发展，采用叶色信息反映叶用植物的品质或者植物内在生理生化指标是植物表型学无损测量的一个研究热点，而获取精准的叶色信息是采用RGB图像定量描述叶片表型特征的前提。研究人员在通过数码照相设备获取叶片图片后，必须先对原始图片进行背景分离处理，将目标叶片和背景干扰物进行分离后再进行叶色信息的提取分析。现有计算机图像背景分离方式主要有人工分离法、颜色阈值法、OTSU最优阈值法、边缘识别法通道差值法及复合法等，他们的主要特点如下：
1、人工分离法以人眼识别，并辅助软件（如Adobe Photoshop CS，下文简称PS）等进行分离，具有精度高、对目标叶片叶色及背景颜色无特殊要求等优点，但是其处理效率低、处理效果受不同操作人员使用水平影响较大。
2、颜色阈值法采用事先设定好的颜色阈值（如RGB色彩模型中某个通道的色阶值或HSV色彩模型中的色调值）为区间，对阈值外的颜色填充为黑色或者白色，该方法能够较好的分离纯色叶片，但是对双色、多色叶片，特别是颜色跨度较大的叶片（如黄绿相间的）分离效果较差，同时该方法要求背景颜色必须与叶片主体颜色有较大色差。
3、OTSU最优阈值法无需事先设定阈值，处理速度最快，但是对具有大面积杂色或者混色的叶片切割效果较差，同时该方法要求背景必须与叶片主体颜色有较大色差。
4、边缘识别法无需事先设定阈值，但是处理速度较慢，同时其对背景噪音和干扰较为敏感，因此该方法要求背景颜色尽可能的单一、无杂质且与主体有较大色差。
5、通道差值法采用事先设定好的通道差值组合（如R-B、R-G或者R+B-G）等对图像进行减法处理，通过多次处理得到图像对比度最佳的组合，并以此进行背景分离切割，但是该方法较适用于纯色叶片，对具有大面积杂色或者混色的叶片切割效果较差，容易受到叶面扭曲叶片的阴影干扰，同时由于该方法要多次试验以找到最佳差值组合，处理效率较低。
6、复合法主要综合了2-5方法的优点，具有较好的适应性，但是对每种不同类型的叶片需要事先进行大量的试验找到其最优的组合，效率较低，且处理效果不确定。
综上所述，现有的计算机自动背景分离方法在特定拍摄环境下（如黑箱拍摄）或者对特定植物的分割效果较好，但也存在着适用范围窄（多数只能用于分离绿色或者单色叶片）、背景分离不够充分、处理效率较慢等问题。
在实际生产中，一些多色的叶用植物（如紫背天葵，Gynura bicolor DC.）或者一些病虫害（如大麦条纹病，Drechslera graminea（Rabenh.）Shoem.）会导致部分植物叶片整体呈现多色状态，且不同颜色在叶面的分布各具特点（如点状分布、条纹分布、块状分布等），其分布区域也各不相同，传统的背景分离方式已经不适用。因此，如何在实验室或者品质分级台等开放环境下（无需借助黑箱等特定拍摄环境）进行自动、快速、精准分离目标多色叶片图像背景成为制约大样本植物叶色参数提取的一个难点。针对以上问题，本发明以HSV色彩模型为基础，以背景图像与主体叶片饱和度不同为分离依据，综合前人的研究方法，结合饱和度筛选、边缘识别、面积筛选等方法，提出饱和度背景分离法（以下简称SBSM）图像背景分离方法，并对比SBSM与现有4种图像背景分离算法在对不同叶片类型的处理效果、分离精准度上的差异，以期能够为研究人员提供一种具有高效、精确、方便、适用范围广的RGB图像叶片自动化图像背景分离方法。
为此，本申请中提出一种开放环境下多色叶片RGB图像背景精确分离的方法。
发明内容
（一）发明目的
为解决背景技术中存在的技术问题，本发明提出一种开放环境下多色叶片RGB图像背景精确分离的方法。
（二）技术方案
为解决上述问题，本发明提供了一种开放环境下多色叶片RGB图像背景精确分离的方法，包括以下图像背景分离方法：
S1：选取开放环境条件下各种叶片RGB图像；
S2：采用MATLAB 2016R软件将RGB图像转化为HSV图像，以饱和度0.19-0.21为界限，将小于界限的图像明度调整为0，并转化为灰度图；
S3：用edge函数canny算子对图像边缘进行检测提取；
S4：对图像进行膨胀操作并填补边缘缝隙；
S5：对空隙填充并采用菱形结构元素对图像进行平滑；
S6：将平滑后的图像经中值滤波去除冗余信息；
S7：运用bwlabe函数寻找8联通成份并进行二值化处理，而后进行连通域面积筛选，去除杂质及碎片；
S8：采用循环算法将原图与上一步骤所得到的图像进行比对，对原图背景部分填充为黑色，保留叶片主体部分，并将处理后的图像保存为jpg格式图像。
优选的，所述S2中，采用MATLAB 2016R软件将RGB图像转化为HSV图像，以饱和度0.2为界限，将小于界限的图像明度调整为0，并转化为灰度图。
本发明的上述技术方案具有如下有益的技术效果：
1、本发明的总体精准度最优，较C1-C4分别提升了18.92个百分点、72.19个百分点、32.14个百分点、27.46个百分点；
2、成功解决了以往研究中图像采集条件苛刻（需黑箱拍照取样）、背景分离不充分、目标图像获取不够精准的问题，该方法允许研究人员在实验室开放环境下采集到较为精准的叶片图像，且无需进行参数调整即可适用于各种颜色各种类型的杂色叶、多色叶背景分离处理。
3、通过算法的固化，该方法全过程均已实现了自动化、计算机化，可以让单个研究人员在实验室条件下，完成对大量植物叶色数码照片的图像采集、背景分离，极大地减少了植物颜色表型测量、分析所需时间，且排除人为因素对测量结果的干扰，提升大样本表型叶色数据获取准确率及处理效率，降低高通量表型获取障碍；所获取的精确数据可以帮助研究人员在各种实验室条件下建立外观颜色表型性状与植物体内在生理生化的关联，从而更好的解释植物外观表型及适应性的生理基础。
附图说明
图1为本发明的杂色叶片彩色图像背景分离、消噪流程图。
图2为本发明与现有背景分离方法处理效果的对比流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
如图1-2所示，本发明提出的一种开放环境下多色叶片RGB图像背景精确分离的方法，包括以下图像背景分离方法：
S1：选取叶片，将目标叶片用品质分级台尺寸为长300cm、宽100cm、离地高度80cm的长方形桌面，桌面底板颜色为灰白色，在距离分级台台面120cm处用三脚架固定数码相机，采用高分辨率照相机进行垂直拍摄，所得到的原始图像，如图1中第1个图所示；
S2：采用MATLAB 2016R软件将RGB图像转化为HSV图像，以饱和度0.2为界限，将小于界限的图像明度调整为0，并转化为灰度图，如图1中第2个图所示；
S3：用edge函数canny算子对图像边缘进行检测提取，如图1中第3个图所示；
S4：对图像进行膨胀操作并填补边缘缝隙，如图1中第4个图所示；
S5：对空隙填充并采用菱形结构元素对图像进行平滑，如图1中第5个图所示；
S6：将平滑后的图像经中值滤波去除冗余信息，如图1中第6个图所示；
S7：运用bwlabe函数寻找8联通成份并进行二值化处理，而后进行连通域面积筛选，去除杂质及碎片，如图1中第7个图所示；
S8：采用循环算法将原图与上一步骤所得到的图像进行比对，对原图背景部分填充为黑色，保留叶片主体部分，并将处理后的图像保存为jpg格式图像，如图1中第8个图所示。
本实施例中，需要说明的是，照相机型号为CANON EOS-550D的照相机。
本实施例中，需要说明的是，S1中，图像采集时，将叶片保持自然舒展状态放入镜头中央，采用M档无闪光拍摄，ISO值为400，光圈f/5.6，曝光时间为1/60秒，焦距39mm，白平衡设为自动，原始数字图像分辨率为5184*3456。
本实施例中，需要说明的是，桌面底板颜色的RGB值为230:230:230，哑光磨砂台面。
本实施例中，需要说明的是，S1中，在拍照时，准备照明光源，照明光源为2 支20W条状白色LED灯管，色温为5000K。
本实施例中，需要说明的是，LED灯管悬挂位置位于分级台台面1/4、3/4处，保证分级台台面光线均匀。
现有计算机自动化背景分离方法主要通过MATLAB 2016R软件（以下简称MATLAB）来实现。主要有：
C1、OTSU最优阈值法：将图片转化为双精度数组后，通过graythresh函数获得其最优阈值，然后以此为阈值对图片进行二值化填充。采用循环算法将原图与所得到的图像进行比对，对原图背景部分填充为黑色，保留叶片主体部分，并将处理后的图像保存为jpg格式图像。
C2、边缘识别法：将图片转为灰度图，然后进行分层小波消噪及全局阀值消噪；而后运用edge函数canny算子进行边缘识别分离背景，并对切割后的图像进行膨胀操作，填补边缘缝隙及图像内部空隙，最后利用菱形结构元素对图像进行平滑及中值滤波处理。采用循环算法将原图与所得到的图像进行比对，对原图背景部分填充为黑色，保留叶片主体部分，并将处理后的图像保存为jpg格式图像。
C3：通道差值法：分别读取叶片RGB图像的Red、Blue、Green通道图像，采用imsubtract函数进行图像减法操作（本文中采用R-G、G-B、R-B三种组合），找到处理后图像对比度最佳的组合，去除图像的边缘对象后按照方法C2中进行操作。
C4：色调阈值法：将RGB图像转化为HSV图像，以事先设定的色调阈值（当H为0.167时，图像显示为黄色，当H为0.333时，图像显示为绿色，因此H值区间范围为0.167~0.333）为区间，将区间外的图像明度（V值）调整为0，而后将其转化为灰度图像，并按照方法C2中进行操作。
本发明中，自然界中的植物叶色多种多样，我们选取并采集大小、叶型、叶色各不相同的叶片共9类（Tab.1、Fig.2），采用C1-C4及SBSM对这些叶片图像进行背景分离处理后可以看出（Fig.2）：
1、在对单色叶处理方面（Fig.2-1），C1对与背景颜色相似的叶脉部分进行了过度分离，导致叶片图像破损；C2受到背景噪音的严重干扰，无法精确的将目标叶片从背景中分离出来，由于C2对所有类型叶片处理效果都较差，以下不再对其处理效果进行分析；C3处理效果较好，但是受到叶片阴影影响，导致背景分离不够充分；C4处理效果优于C3，但是也受到叶片阴影影响；SBSM对背景图像及叶片阴影分离最为充分，但是在叶尖、叶基两端略有过度分离。
2、在对具有黄绿相间条纹的大面积双色叶方面（Fig.2-2），C1对绿色以外的部分均识别为背景进行分离，导致叶片图像严重破损；C3分离效果优于C1，但是也把部分黄色条纹识别为背景，同时，对叶片阴影不能很好的分离；C4效果劣于C3，黄色条纹大部分都识别为背景，导致叶片图像破损，对叶片阴影分离程度也低于C3；SBSM处理效果最佳。
3、在对叶缘具有与背景颜色相近淡黄色条纹的双色叶方面（Fig.2-3），C1对绿色以外的部分均识别为背景进行分离，导致叶片图像破损；C3分离效果较好，在叶缘部分略微有点破损；C4将叶缘淡黄色条纹识别为背景进行分离，导致叶片图像破损，对叶片阴影分离程度也低于C3；SBSM较为完美的分离出目标叶片，效果优于C3。
4、在对呈现墨绿、红色相间的双色叶方面（Fig.2-4），C1、SBSM处理效果最佳；C3对叶片阴影分离不够充分；C4由于其色域阈值为黄色到绿色区间，因此对墨绿、红色部分无法识别，导致对整个叶片图像均错误识别为背景部分进行分离。
5、在对杂色块状分布于叶脉周围的杂色叶方面（Fig.2-5），C1分离效果较好，但是在叶面部分有过度分离，叶片图像出现略微破损；C3对叶片阴影分离不够充分；C4对叶片阴影处理效果优于C3，只剩部分阴影没有分离；SBSM处理效果最佳。
6、在对杂色条状沿叶脉分布的杂色叶方面（Fig.2-5），C1、SBSM分处理效果最佳；C3、C4部分阴影没有分离。
7、在对有叶面内部有大面积红色的双色叶方面（Fig.2-7），C1、SBSM处理效果最佳；C3对叶片阴影分离不够充分，同时对部分叶面识别为背景进行分离，导致叶片图像严重破损；C4虽然无法识别红色色调，但是由于其分离算法中有对连通图像内部进行空隙填充的操作，且该类型叶片叶缘均为绿色，因此在实际背景分离中，叶面中心的红色实际为算法后续填充形成的。
8、在对叶面严重扭曲且有淡黄色斑点分布于叶脉周围的双色叶方面（Fig.2-8），C1将淡黄色斑点识别为背景，对整个叶面进行过度分离，导致叶片图像严重破损；C3、C4均无法处理该类型叶片因为叶面严重扭曲产生的大面积阴影，导致背景分离不够充分；SBSM处理效果最佳。
9、在对黄色大面积分布于叶缘的双色叶来说（Fig.2-9），C1、C4均将黄色部分识别为背景进行分离，叶片图像严重破损；C3对阴影分离不够充分；SBSM处理效果最佳。
Tab.1 不同背景分离方法对不同叶色类型的处理效果
| 序号 | 叶色类型 | 颜色类型 | 多色分布类型 | 叶面扭曲程度 | 分离效果较好的方法 |
| Fig.2-1 | 单色叶 | 绿 | 叶脉颜色较浅 | 平展 | C4、SBSM |
| Fig.2-2 | 大面积双色叶 | 黄、绿 | 叶面有大面积黄绿相间条纹 | 平展 | SBSM |
| Fig.2-3 | 双色叶 | 淡黄、绿 | 叶缘具有与背景颜色相近淡黄色条纹 | 扭曲 | C3、SBSM |
| Fig.2-4 | 大面积双色叶 | 墨绿、红色 | 双色呈现红绿相间 | 平展 | C1、SBSM |
| Fig.2-5 | 杂色叶 | 绿、淡绿 | 杂色块状分布于叶脉周围 | 平展 | C1、SBSM |
| Fig.2-6 | 杂色叶 | 绿、淡绿 | 杂色条状沿叶脉分布 | 扭曲 | C1、SBSM |
| Fig.2-7 | 双色叶 | 红、绿 | 叶面内部有大面积红色 | 扭曲 | C1、SBSM |
| Fig.2-8 | 双色叶 | 绿、淡黄 | 淡黄色斑点分布于叶脉周围 | 严重扭曲 | SBSM |
| Fig.2-9 | 双色叶 | 绿、黄 | 黄色大面积分布于叶缘 | 平展 | SBSM |
从Tab.2中可以看出，在分离精准度方面，SBSM总体精准度最优，较C1~C4分别提升了18.92个百分点、72.19个百分点、32.14个百分点、27.46个百分点。分样品来看， SBSM对除6号样品外的其他样品分离精准度均优于C1~C4，同时，SBSM除3号样品的分离准确度低于90%外，对其他样品分离精准度均达96%以上。从处理效率上看，C1分离速度最优，SBSM处理效率排名第三，分离速度适中。
Tab.2 不同图像背景分离方法分离精准度的比较
| 处理 | 平均单叶用时（s） | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 平均 |
| C1 | 2.15 | 91.68% | 38.59% | 56.70% | 98.62% | 93.67% | 98.31% | 99.16% | 82.32% | 49.55% | 78.27% |
| C2 | 12.34 | 19.15% | 79.64% | 19.98% | 42.95% | 0.00% | 0.00% | 0.84% | 47.16% | 15.29% | 25.00% |
| C3 | 5.11 | 63.67% | 90.79% | 45.80% | 79.75% | 8.88% | 79.84% | 47.03% | 82.38% | 83.75% | 65.05% |
| C4 | 7.17 | 78.04% | 73.68% | 72.67% | 7.38% | 81.99% | 78.54% | 89.32% | 84.16% | 65.72% | 69.73% |
| SBSM | 6.70 | 98.99% | 99.41% | 84.07% | 99.24% | 96.60% | 98.28% | 99.63% | 99.79% | 99.14% | 97.19% |
叶色是我们接触最多的一个植物表型性状，为对叶色状态进行定量描述，前人采用了高光谱、多光谱、数码成像图像等手段进行图像采集，并取得有较好的成效。数码图像由于其低廉的成本、精准的信息、方便的操作备受研究人员青睐。但是，在叶色信息获取过程中，不同的背景分离方法对提取结果有较大的影响，且前人研究主要集中在对单色叶的研究中，其所用的算法对多色叶处理效果较差（Tab.1, Fig.2），主要表现为：C1对叶色较为单一的植株处理效果较优，对有大面积杂的叶片处理效果较差（Fig.2-2、Fig.2-8、Fig.2-9），对叶缘与背景有相近颜色的叶片处理效果较差（Fig.2-3）；C2对是背景干扰大、噪点多且杂的叶片图像处理效果欠佳，无法精确分离背景和目标叶片（Fig.2-1~Fig.2-9），且对叶片阴影敏感，容易造成误判；C3需要事先多次试验确定其最佳差值组合。对杂色叶、多色叶处理效果较好，但是对叶面扭曲、具有大面积阴影的叶片（Fig.2-7、Fig.2-8）处理效果欠佳；C4需要事先设定色调阈值，因此要求背景颜色尽可能的单一且与主题有较大色差，对大面积杂色叶（Fig.2-2、Fig.2-9）及整体非黄绿颜色的叶片（Fig.2-4）处理效果较差。
我们综合了前人算法的优点，提出了SBSM（Fig.1），并与现有的四种算法的处理效果上进行比较（Tab.1, Fig.2）后发现，SBSM法对单色叶、杂色叶、多色叶均有最佳的处理效果；由于采用复合分离的方法，去掉了背景噪音干扰及叶面扭曲带来的阴影干扰，综合表现最优。在分离精确度、处理效率方面（Tab.2），SBSM处理用时适中，对各种叶片的分离精确度均与人工切割（CK）差异较小，表明SBSM适用范围广，可以对各种多色叶进行精确的分离。
SBSM成功解决了以往研究中图像采集条件苛刻（需黑箱拍照取样）、背景分离不充分、目标图像获取不够精准的问题，该方法允许研究人员在实验室开放环境下采集到较为精准的叶片图像，且无需进行参数调整即可适用于各种颜色各种类型的杂色叶、多色叶背景分离处理。通过算法的固化，该方法全过程均已实现了自动化、计算机化，可以让单个研究人员在实验室条件下，完成对大量植物叶色数码照片的图像采集、背景分离，极大地减少了植物颜色表型测量、分析所需时间，且排除人为因素对测量结果的干扰，提升大样本表型叶色数据获取准确率及处理效率，降低高通量表型获取障碍；所获取的精确数据可以帮助研究人员在各种实验室条件下建立外观颜色表型性状与植物体内在生理生化的关联，从而更好的解释植物外观表型及适应性的生理基础。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (2)
1.一种开放环境下多色叶片RGB图像背景精确分离的方法，其特征在于，包括以下图像背景分离方法：
S1：选取开放环境条件下各种叶片RGB图像；
S2：采用MATLAB 2016R软件将RGB图像转化为HSV图像，以饱和度0.19-0.21为界限，将小于界限的图像明度调整为0，并转化为灰度图；
S3：用edge函数canny算子对图像边缘进行检测提取；
S4：对图像进行膨胀操作并填补边缘缝隙；
S5：对空隙填充并采用菱形结构元素对图像进行平滑；
S6：将平滑后的图像经中值滤波去除冗余信息；
S7：运用bwlabe函数寻找8联通成份并进行二值化处理，而后进行连通域面积筛选，去除杂质及碎片；
S8：采用循环算法将原图与上一步骤所得到的图像进行比对，对原图背景部分填充为黑色，保留叶片主体部分，并将处理后的图像保存为jpg格式图像。
2.根据权利要求1所述的开放环境下多色叶片RGB图像背景精确分离的方法，其特征在于，所述S2中，采用MATLAB 2016R软件将RGB图像转化为HSV图像，以饱和度0.2为界限，将小于界限的图像明度调整为0，并转化为灰度图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011293649.9A CN112529922A (zh) | 2020-11-18 | 2020-11-18 | 一种开放环境下多色叶片rgb图像背景精确分离的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011293649.9A CN112529922A (zh) | 2020-11-18 | 2020-11-18 | 一种开放环境下多色叶片rgb图像背景精确分离的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112529922A true CN112529922A (zh) | 2021-03-19 |
Family
ID=74981501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011293649.9A Pending CN112529922A (zh) | 2020-11-18 | 2020-11-18 | 一种开放环境下多色叶片rgb图像背景精确分离的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112529922A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102602292B1 (ko) * | 2023-06-29 | 2023-11-16 | 주식회사 코이웨어 | 이미지에서 문서 영역 검출 장치 그 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400150A (zh) * | 2013-08-14 | 2013-11-20 | 浙江大学 | 一种基于移动平台进行道路边缘识别的方法及装置 |
| CN110310291A (zh) * | 2019-06-25 | 2019-10-08 | 四川省农业科学院农业信息与农村经济研究所 | 一种稻瘟病分级系统及其方法 |
| CN110415181A (zh) * | 2019-06-12 | 2019-11-05 | 勤耕仁现代农业科技发展(淮安)有限责任公司 | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 |
| 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 |
-
2020
- 2020-11-18 CN CN202011293649.9A patent/CN112529922A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400150A (zh) * | 2013-08-14 | 2013-11-20 | 浙江大学 | 一种基于移动平台进行道路边缘识别的方法及装置 |
| 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 |
| CN110415181A (zh) * | 2019-06-12 | 2019-11-05 | 勤耕仁现代农业科技发展(淮安)有限责任公司 | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 |
| CN110310291A (zh) * | 2019-06-25 | 2019-10-08 | 四川省农业科学院农业信息与农村经济研究所 | 一种稻瘟病分级系统及其方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李新疆;王赏贵;王丹;李扬;李疆;: "基于HSV色彩空间的红枣叶片病斑分割方法", 安徽农学通报, vol. 26, no. 04, pages 85 - 87 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102602292B1 (ko) * | 2023-06-29 | 2023-11-16 | 주식회사 코이웨어 | 이미지에서 문서 영역 검출 장치 그 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110415181B (zh) | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 | |
| KR100889014B1 (ko) | 그래프 기반 접근 방법을 이용한 설진 영역 추출 방법 | |
| Gijsenij et al. | Color constancy for multiple light sources | |
| US7826650B2 (en) | Method for quantitative video-microscopy and associated system and computer software program product | |
| EP1977371B1 (en) | Method and system for identifying illumination fields in an image | |
| MX2007014016A (es) | Metodos de analisis de imagenes basados en la separacion del cromogen. | |
| CN103076288B (zh) | 一种基于计算机视觉的鱼肉自动分级装置和方法 | |
| CN105913421B (zh) | 基于自适应形状暗通道的遥感图像云检测方法 | |
| CA2832749C (en) | Method for preparing quantitative video-microscopy and associated system | |
| CN107909138A (zh) | 一种基于安卓平台的类圆颗粒物计数方法 | |
| CN104392240A (zh) | 一种基于多特征融合的寄生虫虫卵识别方法 | |
| CN102521564A (zh) | 基于颜色和形状识别茶叶的方法 | |
| CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
| CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
| US20130342694A1 (en) | Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device | |
| CN108320289B (zh) | 一种基于稀疏表示和形态学操作的骨髓细胞分割方法 | |
| CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
| CN113657335A (zh) | 基于hsv颜色空间的矿相识别方法 | |
| CN114067222B (zh) | 一种城市水体遥感分类方法及装置 | |
| Fang et al. | Detection of building shadow in remote sensing imagery of urban areas with fine spatial resolution based on saturation and near-infrared information | |
| CN112529922A (zh) | 一种开放环境下多色叶片rgb图像背景精确分离的方法 | |
| CN102184389B (zh) | 用于心材与边材高色差树种的年轮自动识别方法 | |
| KR101838729B1 (ko) | 미세조류 이미지분석 프로그램이 탑재된 생태독성평가 분석장치 및 그 방법 | |
| CN117576121A (zh) | 一种显微镜扫描区域自动分割方法、系统、设备及介质 | |
| CN108765370A (zh) | 一种基于Python语言的定量不饱和土壤中裂纹数量的方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210319 |