CN112862765B - 基于半监督离散度的土壤彩色图像阴影检测方法 - Google Patents

基于半监督离散度的土壤彩色图像阴影检测方法 Download PDF

Info

Publication number
CN112862765B
CN112862765B CN202110104176.1A CN202110104176A CN112862765B CN 112862765 B CN112862765 B CN 112862765B CN 202110104176 A CN202110104176 A CN 202110104176A CN 112862765 B CN112862765 B CN 112862765B
Authority
CN
China
Prior art keywords
peak
shadow
data
dispersion
component
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
CN202110104176.1A
Other languages
English (en)
Other versions
CN112862765A (zh
Inventor
曾绍华
韩璞楚
徐毅丹
王帅
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.)
Chongqing Agricultural Technology Extension Station (chongqing Potato Detoxification Research Center Chongqing Soil Fertilizer Testing Center)
Chongqing Normal University
Original Assignee
Chongqing Agricultural Technology Extension Station (chongqing Potato Detoxification Research Center Chongqing Soil Fertilizer Testing Center)
Chongqing Normal University
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 Chongqing Agricultural Technology Extension Station (chongqing Potato Detoxification Research Center Chongqing Soil Fertilizer Testing Center), Chongqing Normal University filed Critical Chongqing Agricultural Technology Extension Station (chongqing Potato Detoxification Research Center Chongqing Soil Fertilizer Testing Center)
Priority to CN202110104176.1A priority Critical patent/CN112862765B/zh
Publication of CN112862765A publication Critical patent/CN112862765A/zh
Application granted granted Critical
Publication of CN112862765B publication Critical patent/CN112862765B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供的一种基于半监督离散度的土壤彩色图像阴影检测方法，将H转换为H”，并利用H”和I引入拉伸因子用于构建具有显著双峰和分离特性的m测度，用于阴影检测；然后，利用m测度直方图双峰特性确定阴影检测阈值，并根据粗略估计的检测阈值及2个主峰点，对部分数据作阴影与非阴影标定，分析获取阴影与非阴影区域监督信息；最后，构建待检测数据子集和定义其与阴影与非阴影监督信息的离散度，逐步进行对未标定数据半监督聚类，完成土壤彩色图像阴影检测，能够对土壤图像的阴影进行准确检测，能够有效提高图像阴影检测监督，并且能够有效提高检测效率。

Description

基于半监督离散度的土壤彩色图像阴影检测方法
技术领域
本发明涉及一种图像阴影检测方法，尤其涉及一种基于半监督离散度的土壤彩色图像阴影检测方法。
背景技术
土壤心土断口包含完整的土壤性状特征，常用于人工识别土壤种类，使土壤心土断口图像成为机器视觉识别土种的信息载体。机器视觉采集的土壤心土断口图像，由于受光照角度、遮蔽物和土壤断口表面凹凸不平等因素的影响，图像中包含阴影，并可能对后期的土种识别造成干扰。因此，阴影检测是机器视觉识别土种必需的前期预处理工作。
现有技术中，对于土壤图像的阴影检测算法中，其检测准确度低，并且算法时间长，效率低下，因此，需要提出一种新的技术手段加以解决。
发明内容
本发明的目的是提供一种基于半监督离散度土壤图像阴影检测方法，能够对土壤图像的阴影进行准确检测，能够有效提高图像阴影检测监督，并且能够有效提高检测效率。
本发明提供的一种基于半监督离散度的土壤彩色图像阴影检测方法，包括以下步骤：
S1.提取土壤图像的H分量，并对H分量进行平移、拉伸预处理；
S2.基于预处理后的H”分量和I分量确定土壤图像的可分离性测度m，并获取可分离性测度的第一主峰值点mpeak，依据测度直方图以及第二主峰值点m'peak的分布范围获取可分离性测度的第二主峰值点m'peak，将可分离性测度的两个峰值点中峰值较小的峰值点赋值给峰值集合m(1) peak，两个峰值点中峰值较大的峰值点赋值给峰值集合m(2) peak；
S3.确定比例系数α(c)以及比例系数β(c)，并基于比例系数估计可分离性测度m的阴影检测阈值v；
S4.利用两个主峰值和阴影检测阈值v确定标定边界b(1)和标定边界b(2)，基于标定边界，对部分可分离性测度m进行初始标定：
将小于标定边界b(1)的可分离性测度m标记为labeli＝1，将大于标定边界b(2)的可分性测度m标记为labeli＝2；
S5.以峰值m(c) peak与标定边界b(c)之间已标定的数据作为监督信息，其中，监督信息的范围为[min{m(c) peak,b(c)},max{m(c) peak,b(c)}]，c＝1,2，表示第c个主峰值点；
确定比例系数γ(c)，确定待聚类可分离性测度m的待检测数据子集subset(c)，并计算基于监督信息与峰值m(c) peak的距离均值参数D(c) mean，其中，c＝1,2，表示第c个主峰值点；
S6.计算可分离性测度m的待检测数据子集subset(c)与阴影和非阴影的离散度Dis(c) i，并对subset(c)的离散度进行排序，将待检测数据子集subset(1)中第一类离散度Dis(1) i较小的3/4数据标记labeli＝1，将待检测数据子集subset(2)中第二类离散度Dis(2) i较小的3/4数据标记labeli＝2；
S7.基于步骤S6对待检测子集中数据进行标定后，更新标定边界b(c)和待检测子集subset(c)，迭代计算待检测子集中数据的离散度进行数据标定，直到所有被标定数据累计达全图数据的90％为止；
遍历剩余未被标定的可分性测度m，分别与第一类和第二类进行离散度计算，将其聚类到离散度较低的一类，进行对应的标定，获得labeli＝1土壤阴影标签图像。
进一步，步骤S1中，对H分量进行平移、拉伸预处理得到预处理后的H”分量具体包括：
对H分量进行平移，得到H'分量：
Figure BDA0002916678690000031
将H'直方图双峰外非主要土壤成分的小矿物杂质的离散数据进行重新赋值，对H'分量进行处理：
Figure BDA0002916678690000032
H”分量通过如下公式获得：
Figure BDA0002916678690000033
i表示土壤图像的第i个像素，H'max为H'分量的最大值，H'min为H'分量的最小值，H”i为土壤图像的第i个像素的H”分量。
进一步，步骤S2中，通过如下方法确定可分离性测度m：
mi＝(exp(ωi)-1)/(exp(ωmax)-1)；其中，mi为土壤图像的第i个像素的可分离性测度，
Figure BDA0002916678690000034
H”max、H”min分别表示H”分量的最大值和最小值，Imax、Imin分别表示土壤图像的I分量的最大值和最小值，ωmax为ωi中的最大值。
进一步，根据如下方法确定第二个主峰值点m'peak：
计算可分离性测度均值mmean；
计算第二个主峰值点的范围值：
Figure BDA0002916678690000041
其中，
Figure BDA0002916678690000042
mmin、mmax分别为测度m的最小值与最大值；
构建集合R：
R＝{(-1)e*mmin,(-1)e*mrange,(-1)e*mmax}；
找出集合R中最大元素k＝max{R}，和集合R-k的最大元素g＝max{R-k}，则m测度值的第二个主峰值点位范围[min{|k|,|g|},max{|k|,|g|}]，求取第二个峰值点位范围中最大频数点为第二个主峰值点m'peak，其中，两个主峰值点中较小的峰值对应为阴影，赋值给m(1) peak，较大峰值对应为非阴影，赋值给m(2) peak，利用m(1) peak和m(2) peak更新e的值：
Figure BDA0002916678690000043
进一步，根据如下方法确定阴影检测阈值v：
Figure BDA0002916678690000051
其中:
Figure BDA0002916678690000052
Figure BDA0002916678690000053
Figure BDA0002916678690000054
H(c) peak为第c个峰值点的频数,c＝1,2；N为测度总个数，mr(c)、Hr(c)分别为以第c个峰值点为圆心，r(c)为半径，获取圆上未标记标签的m测度值与其频数；其中，r(1)＝|m(1) peak-mmin|*0.1，r(2)＝|m(2) peak-mmax|*0.1。
进一步，所述标定边界b(1)和标定边界b(2)通过如下方法确定：
b(c)＝m(c) peak+(-1)e*λ(c)；其中：
Figure BDA0002916678690000055
其中，c＝1,2。
进一步，根据如下方法确定待检测数据子集subset(1)和subset(2)：
Figure BDA0002916678690000056
Figure BDA0002916678690000057
其中，比例系数γ(c)为：
Figure BDA0002916678690000061
确定监督信息范围为[min{m(c) peak,b(c)},max{m(c) peak,b(c)}]，计算监督信息与峰值m(c) peak的距离均值参数D(c) mean：
Figure BDA0002916678690000062
其中，c＝1,2；mj为第j个监督样本数据，c＝1,2，t为[min{m(c) peak,b(c)},max{m(c) peak,b(c)}]范围内的数据个数。
进一步，阴影和非阴影的离散度Dis(c) i通过如下方法确定：
Dis(c) i＝s(c) i*a(c)i；
其中：
Figure BDA0002916678690000063
Figure BDA0002916678690000064
mi为subset(c)中第i个样本的m测度值，Dsum为D(1) mean与D(2) mean之和。
本发明的有益效果：通过本发明，能够对土壤图像的阴影进行准确检测，能够有效提高图像阴影检测监督，并且能够有效提高检测效率。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的土壤图像及其H'和I分量二维直方图。
图2为本发明的测度m的双峰特性示意图。
图3为本发明的α(c)和β(c)角度图
图4为本发明的流程示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步详细说明：
本发明提供的一种基于半监督离散度的土壤彩色图像阴影检测方法，包括以下步骤：
S1.提取土壤图像的H分量，并对H分量进行平移、拉伸预处理；
S2.基于预处理后的H”分量和I分量确定土壤图像的可分离性测度m，并获取可分离性测度的第一主峰值点mpeak，依据测度直方图以及第二主峰值点m'peak的分布范围获取可分离性测度的第二主峰值点m'peak，将可分离性测度的两个峰值点中峰值较小的峰值点赋值给峰值集合m(1) peak，两个峰值点中峰值较大的峰值点赋值给峰值集合m(2) peak；
S3.确定比例系数α(c)以及比例系数β(c)，并基于比例系数估计可分离性测度m的阴影检测阈值v；
S4.利用两个主峰值和阴影检测阈值v确定标定边界b(1)和标定边界b(2)，基于标定边界，对部分可分离性测度m进行初始标定：
将小于标定边界b(1)的可分离性测度m标记为labeli＝1，将大于标定边界b(2)的可分性测度m标记为labeli＝2；
S5.以峰值m(c) peak与标定边界b(c)之间已标定的数据作为监督信息，其中，监督信息的范围为[min{m(c) peak,b(c)},max{m(c) peak,b(c)}]，c＝1,2，表示第c个主峰值点；
确定比例系数γ(c)，确定待聚类可分离性测度m的待检测数据子集subset(c)，并计算基于监督信息与峰值m(c) peak的距离均值参数D(c) mean，其中，c＝1,2，表示第c个主峰值点；
S6.计算可分离性测度m的待检测数据子集subset(c)与阴影和非阴影的离散度Dis(c) i，并对subset(c)的离散度进行排序，将待检测数据子集subset(1)中第一类离散度Dis(1) i较小的3/4数据标记labeli＝1，将待检测数据子集subset(2)中第二类离散度Dis(2) i较小的3/4数据标记labeli＝2；
S7.基于步骤S6对待检测子集中数据进行标定后，更新标定边界b(c)和待检测子集subset(c)，迭代计算待检测子集中数据的离散度进行数据标定，直到所有被标定数据累计达全图数据的90％为止；
遍历剩余未被标定的可分性测度m，分别与第一类和第二类进行离散度计算，将其聚类到离散度较低的一类，进行对应的标定，获得labeli＝1土壤阴影标签图像，通过本发明，能够对土壤图像的阴影进行准确检测，能够有效提高图像阴影检测监督，并且能够有效提高检测效率。
本实施例中，步骤S1中，对H分量进行平移、拉伸预处理得到预处理后的H”分量具体包括：
对H分量进行平移，得到H'分量：
Figure BDA0002916678690000091
将H'直方图双峰外非主要土壤成分的小矿物杂质的离散数据进行重新赋值，对H'分量进行处理：
Figure BDA0002916678690000092
H”分量通过如下公式获得：
Figure BDA0002916678690000093
i表示土壤图像的第i个像素，H'max为H'分量的最大值，H'min为H'分量的最小值，H”i为土壤图像的第i个像素的H”分量，如图1所示，图1中左图为土壤图像，右图为H'分量和I分量。
本实施例中，步骤S2中，步骤S2中，通过如下方法确定可分离性测度m：
mi＝(exp(ωi)-1)/(exp(ωmax)-1)；其中，mi为土壤图像的第i个像素的可分离性测度，
Figure BDA0002916678690000094
H”max、H”min分别表示H”分量的最大值和最小值，Imax、Imin分别表示土壤图像的I分量的最大值和最小值，ωmax为ωi中的最大值。其中，如图2所示，m测度直方图分布较H分量直方图分布有明显双峰特性，m测度直方图与I分量直方图比较，其双峰特性更加显著。
本实施例中，根据如下方法确定第二个主峰值点m'peak：
计算可分离性测度均值mmean；
计算第二个主峰值点的范围值：
Figure BDA0002916678690000101
其中，
Figure BDA0002916678690000102
mmin、mmax分别为测度m的最小值与最大值；
构建集合R：
R＝{(-1)e*mmin,(-1)e*mrange,(-1)e*mmax}；
找出集合R中最大元素k＝max{R}所在位置k，和集合R-k的最大元素g＝max{R-k}，则m测度值的第二个峰值点位范围[min{|k|,|g|},max{|k|,|g|}]，求取第二个峰值点位范围中最大频数点为第二个主峰值点m'peak，其中，两个主峰值点中较小的峰值对应为阴影，赋值给m(1) peak，较大峰值对应为非阴影，赋值给m(2) peak，利用m(1) peak和m(2) peak更新e的值：
Figure BDA0002916678690000103
根据如下方法确定阴影检测阈值v：
Figure BDA0002916678690000104
其中:
Figure BDA0002916678690000105
Figure BDA0002916678690000111
Figure BDA0002916678690000112
H(c) peak为第c个峰值点的频数,c＝1,2；N为测度总个数，mr(c)、Hr(c)分别为以第c个峰值点为圆心，r(c)为半径，获取圆上未标记标签的m测度值与其频数；其中，r(1)＝|m(1) peak-mmin|*0.1，r(2)＝|m(2) peak-mmax|*0.1；比例系数α(c)以及比例系数β(c)的角度图如图3所示。
所述标定边界b(1)和标定边界b(2)通过如下方法确定：
b(c)＝m(c) peak+(-1)e*λ(c)；其中：
Figure BDA0002916678690000113
其中，c＝1,2，在标定时，
Figure BDA0002916678690000114
根据如下方法确定待检测数据子集subset(1)和subset(2)：
Figure BDA0002916678690000115
Figure BDA0002916678690000116
其中，比例系数γ(c)为：
Figure BDA0002916678690000121
确定监督信息范围为[min{m(c) peak,b(c)},max{m(c) peak,b(c)}]，计算监督信息与峰值m(c) peak的距离均值参数D(c) mean：
Figure BDA0002916678690000122
其中，c＝1,2；mj为第j个监督样本数据，c＝1,2，t为[min{m(c) peak,b(c)},max{m(c) peak,b(c)}]范围内的数据个数。
阴影和非阴影的离散度Dis(c) i通过如下方法确定：
Dis(c) i＝s(c) i*a(c) i；
其中：
Figure BDA0002916678690000123
Figure BDA0002916678690000124
mi为subset(c)中第i个样本的m测度值，Dsum为D(1) mean与D(2) mean之和。在基于上述方法下，能够对土壤图像的阴影进行准确检测，能够有效提高图像阴影检测监督，并且能够有效提高检测效率。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于半监督离散度的土壤彩色图像阴影检测方法，其特征在于：包括以下步骤：
S1.提取土壤图像的H分量，并对H分量进行平移、拉伸预处理；
S2.基于预处理后的H”分量和I分量确定土壤图像的可分离性测度m，并获取可分离性测度的第一主峰值点mpeak，依据测度直方图以及第二主峰值点m'peak的分布范围获取可分离性测度的第二主峰值点m'peak，将可分离性测度的两个峰值点中峰值较小的峰值点赋值给峰值集合m(1) peak，两个峰值点中峰值较大的峰值点赋值给峰值集合m(2) peak；
S3.确定比例系数α(c)以及比例系数β(c)，并基于比例系数估计可分离性测度m的阴影检测阈值v；
S4.利用两个主峰值和阴影检测阈值v确定标定边界b(1)和标定边界b(2)，基于标定边界，对部分可分离性测度m进行初始标定：
将小于标定边界b(1)的可分离性测度m标记为labeli＝1，将大于标定边界b(2)的可分离性测度m标记为labeli＝2；
S5.以峰值m(c) peak与标定边界b(c)之间已标定的数据作为监督信息，其中，监督信息的范围为[min{m(c) peak,b(c)},max{m(c) peak,b(c)}]，c＝1,2，表示第c个主峰值点；
确定比例系数γ(c)，确定待聚类可分离性测度m的待检测数据子集subset(c)，并计算基于监督信息与峰值m(c) peak的距离均值参数D(c) mean，其中，c＝1,2，表示第c个主峰值点；
S6.计算可分离性测度m的待检测数据子集subset(c)与阴影和非阴影的离散度Dis(c) i，并对subset(c)的离散度进行排序，将待检测数据子集subset(1)中第一类离散度Dis(1) i较小的3/4数据标记labeli＝1，将待检测数据子集subset(2)中第二类离散度Dis(2) i较小的3/4数据标记labeli＝2；
S7.基于步骤S6对待检测子集中数据进行标定后，更新标定边界b(c)和待检测子集subset(c)，迭代计算待检测子集中数据的离散度进行数据标定，直到所有被标定数据累计达全图数据的90％为止；
遍历剩余未被标定的可分离性测度m，分别与第一类和第二类进行离散度计算，将其聚类到离散度较低的一类，进行对应的标定，获得labeli＝1土壤阴影标签图像；
步骤S1中，对H分量进行平移、拉伸预处理得到预处理后的H”分量具体包括：
对H分量进行平移，得到H'分量：
Figure FDA0003666064490000021
将H'直方图双峰外非主要土壤成分的小矿物杂质的离散数据进行重新赋值，对H'分量进行处理：
Figure FDA0003666064490000022
H”分量通过如下公式获得：
Figure FDA0003666064490000023
i表示土壤图像的第i个像素，H'max为H'分量的最大值，H'min为H'分量的最小值，H”i为土壤图像的第i个像素的H”分量；
步骤S2中，通过如下方法确定可分离性测度m：
mi＝(exp(ωi)-1)/(exp(ωmax)-1)；其中，mi为土壤图像的第i个像素的可分离性测度，
Figure FDA0003666064490000031
H”max、H”min分别表示H”分量的最大值和最小值，Imax、Imin分别表示土壤图像的I分量的最大值和最小值，ωmax为ωi中的最大值。
2.根据权利要求1所述基于半监督离散度的土壤彩色图像阴影检测方法，其特征在于：根据如下方法确定第二个主峰值点m'peak：
计算可分离性测度均值mmean；
计算第二个主峰值点的范围值：
Figure FDA0003666064490000032
其中，
Figure FDA0003666064490000033
mmin、mmax分别为测度m的最小值与最大值；
构建集合R：
R＝{(-1)e*mmin,(-1)e*mrange,(-1)e*mmax}；
找出集合R中最大元素k＝max{R}，和集合R-k的最大元素g＝max{R-k}，则m测度值的第二个主峰值点位范围[min{k,g},max{k,g}]，求取第二个峰值点位范围中最大频数点为第二个主峰值点m'peak，其中，两个主峰值点中较小的峰值对应为阴影，赋值给m(1) peak，较大峰值对应为非阴影，赋值给m(2) peak，利用m(1) peak和m(2) peak更新e的值：
Figure FDA0003666064490000041
3.根据权利要求2所述基于半监督离散度的土壤彩色图像阴影检测方法，其特征在于：根据如下方法确定阴影检测阈值v：
Figure FDA0003666064490000042
其中:
Figure FDA0003666064490000043
Figure FDA0003666064490000044
Figure FDA0003666064490000045
H(c) peak为第c个峰值点的频数,c＝1,2；N为测度总个数，mr(c)、Hr(c)分别为以第c个峰值点为圆心，r(c)为半径，获取圆上未标记标签的m测度值与其频数；其中，r(1)＝m(1) peak-mmin*0.1，r(2)＝m(2) peak-mmax*0.1。
4.根据权利要求3所述基于半监督离散度的土壤彩色图像阴影检测方法，其特征在于：所述标定边界b(1)和标定边界b(2)通过如下方法确定：
b(c)＝m(c) peak+(-1)e*λ(c)；其中：
Figure FDA0003666064490000051
其中，c＝1,2。
5.根据权利要求4所述基于半监督离散度的土壤彩色图像阴影检测方法，其特征在于：根据如下方法确定待检测数据子集subset(1)和subset(2)：
Figure FDA0003666064490000052
Figure FDA0003666064490000053
其中，比例系数γ(c)为：
Figure FDA0003666064490000054
确定监督信息范围为[min{m(c) peak,b(c)},max{m(c) peak,b(c)}]，计算监督信息与峰值m(c) peak的距离均值参数D(c) mean：
Figure FDA0003666064490000055
其中，c＝1,2；mj为第j个监督样本数据，c＝1,2，t为[min{m(c) peak,b(c)},max{m(c) peak,b(c)}]范围内的数据个数。
6.根据权利要求5所述基于半监督离散度的土壤彩色图像阴影检测方法，其特征在于：阴影和非阴影的离散度Dis(c) i通过如下方法确定：
Dis(c) i＝s(c) i*a(c) i；
其中：
Figure FDA0003666064490000061
Figure FDA0003666064490000062
mi为subset(c)中第i个样本的m测度值，Dsum为D(1) mean与D(2) mean之和。
CN202110104176.1A 2021-01-26 2021-01-26 基于半监督离散度的土壤彩色图像阴影检测方法 Active CN112862765B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110104176.1A CN112862765B (zh) 2021-01-26 2021-01-26 基于半监督离散度的土壤彩色图像阴影检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110104176.1A CN112862765B (zh) 2021-01-26 2021-01-26 基于半监督离散度的土壤彩色图像阴影检测方法

Publications (2)

Publication Number Publication Date
CN112862765A CN112862765A (zh) 2021-05-28
CN112862765B true CN112862765B (zh) 2022-08-02

Family

ID=76009303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110104176.1A Active CN112862765B (zh) 2021-01-26 2021-01-26 基于半监督离散度的土壤彩色图像阴影检测方法

Country Status (1)

Country Link
CN (1) CN112862765B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106909902A (zh) * 2017-03-01 2017-06-30 北京航空航天大学 一种基于改进的层次化显著模型的遥感目标检测方法
CN110084820A (zh) * 2019-03-30 2019-08-02 重庆师范大学 基于改进fcm算法的紫色土图像自适应分割提取方法
CN110196053A (zh) * 2019-06-13 2019-09-03 内蒙古大学 一种基于fpga的实时田间机器人视觉导航方法与系统
KR102044237B1 (ko) * 2018-10-23 2019-11-13 연세대학교 산학협력단 2차원 음영 영상 기반 기계학습을 이용한 자동 3차원 랜드마크 검출 방법 및 장치
CN111754501A (zh) * 2020-06-30 2020-10-09 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法
CN111971682A (zh) * 2018-04-16 2020-11-20 三菱电机株式会社 路面检测装置、利用了路面检测装置的图像显示装置、利用了路面检测装置的障碍物检测装置、路面检测方法、利用了路面检测方法的图像显示方法以及利用了路面检测方法的障碍物检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8368749B2 (en) * 2006-03-27 2013-02-05 Ge Inspection Technologies Lp Article inspection apparatus
US8872946B2 (en) * 2012-05-31 2014-10-28 Apple Inc. Systems and methods for raw image processing
US20190045001A1 (en) * 2017-08-02 2019-02-07 Ca, Inc. Unsupervised anomaly detection using shadowing of human computer interaction channels
CN109785329B (zh) * 2018-10-29 2023-05-26 重庆师范大学 基于改进slic算法的紫色土图像分割提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106909902A (zh) * 2017-03-01 2017-06-30 北京航空航天大学 一种基于改进的层次化显著模型的遥感目标检测方法
CN111971682A (zh) * 2018-04-16 2020-11-20 三菱电机株式会社 路面检测装置、利用了路面检测装置的图像显示装置、利用了路面检测装置的障碍物检测装置、路面检测方法、利用了路面检测方法的图像显示方法以及利用了路面检测方法的障碍物检测方法
KR102044237B1 (ko) * 2018-10-23 2019-11-13 연세대학교 산학협력단 2차원 음영 영상 기반 기계학습을 이용한 자동 3차원 랜드마크 검출 방법 및 장치
CN110084820A (zh) * 2019-03-30 2019-08-02 重庆师范大学 基于改进fcm算法的紫色土图像自适应分割提取方法
CN110196053A (zh) * 2019-06-13 2019-09-03 内蒙古大学 一种基于fpga的实时田间机器人视觉导航方法与系统
CN111754501A (zh) * 2020-06-30 2020-10-09 重庆师范大学 基于fcm算法的自适应土壤图像阴影检测方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Hongya Zhang.Object-Oriented Shadow Detection and Removal From Urban High-Resolution Remote Sensing Images.《IEEE Transactions on Geoscience and Remote Sensing ( Volume: 52, Issue: 11, Nov. 2014)》.2014, *
Jinyan Xu.Land cover classification using radiometric-terrain-calibrated polarimetric SAR images.《2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS)》.2016, *
Salma Kammoun Jarraya.Adaptive moving shadow detection and removal by new semi-supervised learning technique.《Springer Linker》.2020,1-3. *
余春燕.吸引权重加权FCM的土壤图像阴影检测.《重庆师范大学学报（自然科学版）》.2020, *
娄小龙等.一种新的城市航空图像阴影检测算法.《计算机应用与软件》.2013,(第07期), *
尹奎英.SAR图像处理及地面目标识别技术研究.《中国博士学位论文全文数据库 (信息科技辑)》.2011,I136-235. *
黄勇.基于语义信息的高分辨SAR图像目标检测.《中国博士学位论文全文数据库 (信息科技辑)》.2019,I136-73. *

Also Published As

Publication number Publication date
CN112862765A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN109977808B (zh) 一种晶圆表面缺陷模式检测与分析方法
CN115351598A (zh) 一种数控机床轴承检测方法
CN113781402A (zh) 芯片表面划痕缺陷的检测方法、装置和计算机设备
CN108846397B (zh) 一种基于图像处理的电缆半导电层自动检测方法
CN111815564B (zh) 一种检测丝锭的方法、装置及丝锭分拣系统
CN109584253B (zh) 油液磨粒图像分割方法
CN113109240B (zh) 一种计算机实施的粮食不完善粒测定方法和系统
CN111598913B (zh) 一种基于机器人视觉的图像分割方法和系统
WO2024002187A1 (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN108460344A (zh) 屏幕中的动态区域智能识别系统及智能识别方法
CN116152242A (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN116758045A (zh) 一种半导体发光二极管的表面缺陷检测方法及系统
CN116402742A (zh) 一种汽车钣金件表面缺陷的视觉检测方法及系统
CN107729863B (zh) 人体指静脉识别方法
CN112862765B (zh) 基于半监督离散度的土壤彩色图像阴影检测方法
TW201601119A (zh) 物件辨識與定位方法
CN107993193B (zh) 基于光照均衡化和改进surf算法的隧道衬砌图像拼接方法
CN116883674A (zh) 多光谱图像去噪装置及使用该装置的食品品质检测系统
CN111583225A (zh) 缺陷检测方法、装置及存储介质
CN113614774A (zh) 用于目标涂层的图像数据中的缺陷检测的方法和系统
CN110930393A (zh) 一种基于机器视觉的芯片料管计数方法、装置及系统
CN112819842B (zh) 适用于工件质检的工件轮廓曲线拟合方法、装置及介质
CN115761211A (zh) 一种基于rgb图像与热成像耦合的石化企业泵房设备温度监测方法及装置
Abrol et al. An automated segmentation of leukocytes using modified watershed algorithm on peripheral blood smear images
CN110874837B (zh) 一种基于局部特征分布的缺陷自动检测方法

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