CN113205525A - 一种基于超绿指数及超像素的土壤图像分割提取方法 - Google Patents
一种基于超绿指数及超像素的土壤图像分割提取方法 Download PDFInfo
- Publication number
- CN113205525A CN113205525A CN202110307886.4A CN202110307886A CN113205525A CN 113205525 A CN113205525 A CN 113205525A CN 202110307886 A CN202110307886 A CN 202110307886A CN 113205525 A CN113205525 A CN 113205525A
- Authority
- CN
- China
- Prior art keywords
- image
- super
- soil
- pixel
- segmentation
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 77
- 238000000605 extraction Methods 0.000 title claims abstract description 23
- 238000003709 image segmentation Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 10
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 244000203593 Piper nigrum Species 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 6
- 239000010902 straw Substances 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 7
- 241000722363 Piper Species 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 241001464837 Viridiplantae Species 0.000 description 1
- 230000000694 effects Effects 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/60—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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于超绿指数及超像素的土壤图像分割提取方法，首先通过超绿指数，分割去除了土壤图像中最为常见的干扰要素绿色植被；接着通过绿色植被区域作为掩膜与原图像叠加，减少非土壤元素对后续分割的干扰，强化整个算法的稳定性；最后通过对掩膜叠加后的图像进行超像素分割，并基于欧氏距离所对应相似度合并超像素块，分割去除了秸秆、小块阴影等土壤图像中的其他干扰要素；整个设计方案实现了土壤图像中土壤元素的自动、快速分割提取，克服了人工方法从土壤图像中剔除非土壤元素耗时、耗力的缺点。此外，本方法还克服了现有自动分割方法只能提取图像中部分土壤区域、不够精确等缺点，而可以更为精确地提取图像中全部土壤元素区域。
Description
技术领域
本发明涉及一种基于超绿指数及超像素的土壤图像分割提取方法，属于土壤图像处理技术领域。
背景技术
野外拍摄的土壤照片是土壤颜色等属性的重要来源，然而拍摄的土壤照片中常包含绿色植物、秸秆等非土壤元素，这些非土壤元素往往呈现面积小、数量多、分布零散的特点，如忽略这些非土壤元素会给土壤颜色等属性的获取带来较大的误差，而采用人工方法从图像中剔除它们往往需要花费大量的时间和精力。因此现有图像中的土壤元素获取，操作效率很低。
发明内容
本发明所要解决的技术问题是提供一种基于超绿指数及超像素的土壤图像分割提取方法，采用全新维度因素考虑，能够实现自动、快速地分割提取图像中的土壤元素，提高工作效率。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于超绿指数及超像素的土壤图像分割提取方法，用于提取目标区域图像中的土壤区域，包括执行如下步骤：
步骤A. 获取目标区域图像中各像素位置的超绿指数，并以各像素位置的超绿指数作为各像素位置的灰度值，获得目标区域图像所对应的超绿指数灰度图像，然后进入步骤B；
步骤B. 针对超绿指数灰度图像执行二值化处理，更新获得以数值a代表绿色植被区域、数值b代表除绿色植被区域以外其它区域的灰度二值化图像，然后进入步骤C；其中，|a-b|<预设差距阈值；
步骤C. 基于灰度二值化图像中绿色植被区域、以及除绿色植被区域以外其它区域的不同表示，以绿色植被区域像素值为0，除绿色植被区域以外其它区域像素值为1，将灰度二值化图像转换为掩膜图像，然后进入步骤D；
步骤D. 根据目标区域图像、掩膜图像中各像素位置的像素值，通过目标区域图像与掩膜图像之间的哈达玛积，实现目标区域图像与掩膜图像之间的叠加，获得分割出绿色植被区域的待处理土壤图像，然后进入步骤E；
步骤E. 应用超像素分割算法，针对待处理土壤图像进行超像素分割，获得待处理土壤图像中所对应的各个超像素块，并针对各超像素块分别定义彼此不同的标签，然后进入步骤F；
步骤F. 分别针对各不同标签，计算获得标签所对应超像素块内部像素分别对应所在色系各基础颜色的均值，构成该标签所对应超像素块的基础颜色均值向量，进而获得各标签所对应超像素块的基础颜色均值向量，然后进入步骤G；
步骤G. 根据各标签所对应超像素块的基础颜色均值向量，计算获得两两标签所对应超像素块之间的欧式距离，并判断各欧式距离中是否存在小于预设相似度阈值的欧式距离，是则进入步骤H，否则进入步骤I；
步骤H. 选择最小欧式距离所对应的各组两个标签所对应超像素块，分别针对各组两个标签所对应超像素块，由其中一个标签替换另一个标签，实现该组两个标签的统一，然后返回步骤F；
步骤I. 计算各不同标签分别所对应超像素块的面积，并选择其中最大面积所对应的各超像素快，即构成目标区域图像中的土壤区域。
作为本发明的一种优选技术方案：所述步骤B中，基于灰度二值化图像的获得，并应用中值滤波法去除灰度二值化图像中的椒盐噪声，更新灰度二值化图像。
作为本发明的一种优选技术方案：所述步骤B中，基于预设用于区分绿色植被区域与其它区域的灰度阈值，针对超绿指数灰度图像执行二值化处理，更新获得以数值a代表绿色植被区域、数值b代表除绿色植被区域以外其它区域的灰度二值化图像。
作为本发明的一种优选技术方案：所述步骤B中，通过OTSU自适应阈值法，获得超绿指数灰度图像所对应用于区分绿色植被区域与其它区域的灰度阈值，并基于该灰度阈值，针对超绿指数灰度图像执行二值化处理，更新获得以数值a代表绿色植被区域、数值b代表除绿色植被区域以外其它区域的灰度二值化图像。
作为本发明的一种优选技术方案：所述数值a等于255，所述数值b等于0。
作为本发明的一种优选技术方案：所述超像素分割算法为slic超像素分割算法或felz超像素分割算法。
作为本发明的一种优选技术方案：所述步骤E中，所述针对各超像素块分别定义的不同标签为不同数字标签。
作为本发明的一种优选技术方案：基于步骤E中，针对各超像素块分别定义的不同数字标签，所述步骤H中，选择最小欧式距离所对应的各组两个标签所对应超像素块，分别针对各组两个标签所对应超像素块，由其中较小数字标签替换另一个数字标签，实现该组两个标签的统一。
本发明所述一种基于超绿指数及超像素的土壤图像分割提取方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计一种基于超绿指数及超像素的土壤图像分割提取方法，首先通过超绿指数，分割去除了土壤图像中最为常见的干扰要素绿色植被；接着通过绿色植被区域作为掩膜与原图像叠加，减少非土壤元素对后续分割的干扰，强化整个算法的稳定性；最后通过对掩膜叠加后的图像进行超像素分割，并基于欧氏距离所对应相似度合并超像素块，分割去除了秸秆、小块阴影等土壤图像中的其他干扰要素；整个设计方案实现了土壤图像中土壤元素的自动、快速分割提取，克服了人工方法从土壤图像中剔除非土壤元素耗时、耗力的缺点。此外，本方法还克服了现有自动分割方法只能提取图像中部分土壤区域、不够精确等缺点，而可以更为精确地提取图像中全部土壤元素区域。
附图说明
图1是本发明所设计基于超绿指数及超像素的土壤图像分割提取方法的流程示意图；
图2是本发明设计应用实施例中目标区域图像示意图；
图3是本发明设计应用实施例中执行步骤A至步骤B所获灰度二值化图像示意图；
图4是本发明设计应用实施例中执行步骤C至步骤D所获示意图；
图5是本发明设计应用实施例中执行步骤E所获超像素块分块示意图；
图6是本发明设计应用实施例中执行步骤F至步骤H所获示意图；
图7是本发明设计应用实施例中执行步骤I所获示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种基于超绿指数及超像素的土壤图像分割提取方法，用于提取目标区域图像中的土壤区域，实际应用当中，如图1所示，具体执行如下步骤A至步骤I。
步骤A. 获取目标区域图像中各像素位置的超绿指数，并以各像素位置的超绿指数作为各像素位置的灰度值，获得目标区域图像所对应的超绿指数灰度图像，然后进入步骤B。
步骤B. 针对超绿指数灰度图像执行二值化处理，更新获得以数值a代表绿色植被区域、数值b代表除绿色植被区域以外其它区域的灰度二值化图像，具体应用中，进一步基于灰度二值化图像的获得，应用中值滤波法去除灰度二值化图像中的椒盐噪声，更新灰度二值化图像，然后进入步骤C；其中，|a-b|<预设差距阈值。这里数值b所代表除绿色植被区域以外其它区域，即代表土壤、秸秆等其他要素。
实际应用当中，针对步骤B的二值化处理，具体设计如下两套实现方案。
方案一，基于预设用于区分绿色植被区域与其它区域的灰度阈值，针对超绿指数灰度图像执行二值化处理，更新获得以数值a代表绿色植被区域、数值b代表除绿色植被区域以外其它区域的灰度二值化图像。
方案二，通过OTSU自适应阈值法，获得超绿指数灰度图像所对应用于区分绿色植被区域与其它区域的灰度阈值，并基于该灰度阈值，针对超绿指数灰度图像执行二值化处理，更新获得以数值a代表绿色植被区域、数值b代表除绿色植被区域以外其它区域的灰度二值化图像。
通过上述两套方案，即实现步骤B的操作，获得以数值a代表绿色植被区域、数值b代表除绿色植被区域以外其它区域的灰度二值化图像，并且在具体实施应用上，设计选择数值a等于255，数值b等于0，即获得以255代表绿色植被区域、0代表除绿色植被区域以外其它区域的灰度二值化图像。
步骤C. 基于灰度二值化图像中绿色植被区域、以及除绿色植被区域以外其它区域的不同表示，以绿色植被区域像素值为0，除绿色植被区域以外其它区域像素值为1，将灰度二值化图像转换为掩膜图像，然后进入步骤D。
步骤D. 根据目标区域图像、掩膜图像中各像素位置的像素值，通过目标区域图像与掩膜图像之间的哈达玛积，实现目标区域图像与掩膜图像之间的叠加，获得分割出绿色植被区域的待处理土壤图像，然后进入步骤E。
步骤E. 应用slic超像素分割算法或felz超像素分割算法，针对待处理土壤图像进行超像素分割，获得待处理土壤图像中所对应的各个超像素块，并针对各超像素块分别定义彼此不同的标签，然后进入步骤F，这些超像素块内部的像素位置相邻且颜色、亮度、纹理等特征相似。
针对超像素块所对应标签的定义，实际应用中诸如选择不同形状的标记进行标记，也可以选择不同的数字进行标记。
步骤F. 分别针对各不同标签，计算获得标签所对应超像素块内部像素分别对应所在色系各基础颜色的均值，构成该标签所对应超像素块的基础颜色均值向量，进而获得各标签所对应超像素块的基础颜色均值向量，然后进入步骤G。
这里所提及的色系，诸如RGB色系或是CIELab等其他色系，诸如若是RGB色系，则所述标签所对应超像素块内部像素分别对应所在色系各基础颜色的均值，即为标签所对应超像素块内各像素对应于R基础色的均值、对应于G基础色的均值、对应于B基础色的均值，由此三个均值组合构成标签所对应超像素块的基础颜色均值向量。
步骤G. 根据各标签所对应超像素块的基础颜色均值向量，计算获得两两标签所对应超像素块之间的欧式距离，并判断各欧式距离中是否存在小于预设相似度阈值的欧式距离，是则进入步骤H，否则进入步骤I。
步骤H. 选择最小欧式距离所对应的各组两个标签所对应超像素块，分别针对各组两个标签所对应超像素块，由其中一个标签替换另一个标签，实现该组两个标签的统一，然后返回步骤F。
关于步骤H中实现组中两个标签的统一，若应用数字作为标签，则上述步骤E中，针对各超像素块分别定义的不同数字标签，所述步骤H中，选择最小欧式距离所对应的各组两个标签所对应超像素块，分别针对各组两个标签所对应超像素块，由其中较小数字标签替换另一个数字标签，实现该组两个标签的统一。
步骤I. 计算各不同标签分别所对应超像素块的面积，并选择其中最大面积所对应的各超像素快，即构成目标区域图像中的土壤区域。
将本专利所设计基于超绿指数及超像素的土壤图像分割提取方法，应用于实际当中，诸如设计其中超像素算法选择felz，超像素块相似性计算选择CIELab颜色空间，应用中的目标区域图像如图2所示，执行步骤A至步骤B获得如图3所示灰度二值化图像，接着执行步骤C至步骤D获得如图4所示分割出绿色植被区域的待处理土壤图像，然后执行步骤E获得如图5所示超像素块分块示意；紧接着执行步骤F至步骤H获得如图6所示示意；最后执行步骤I获得如图7所示示意，其中，浅灰色范围为土壤，深灰色范围为非土壤。
本专利所设计基于超绿指数及超像素的土壤图像分割提取方法，首先通过超绿指数，分割去除了土壤图像中最为常见的干扰要素绿色植被；接着通过绿色植被区域作为掩膜与原图像叠加，减少非土壤元素对后续分割的干扰，强化整个算法的稳定性；最后通过对掩膜叠加后的图像进行超像素分割，并基于欧氏距离所对应相似度合并超像素块，分割去除了秸秆、小块阴影等土壤图像中的其他干扰要素；整个设计方案实现了土壤图像中土壤元素的自动、快速分割提取，克服了人工方法从土壤图像中剔除非土壤元素耗时、耗力的缺点。此外，本方法还克服了现有自动分割方法只能提取图像中部分土壤区域、不够精确等缺点，而可以更为精确地提取图像中全部土壤元素区域。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (8)
1.一种基于超绿指数及超像素的土壤图像分割提取方法，用于提取目标区域图像中的土壤区域，其特征在于，包括如下步骤：
步骤A. 获取目标区域图像中各像素位置的超绿指数，并以各像素位置的超绿指数作为各像素位置的灰度值，获得目标区域图像所对应的超绿指数灰度图像，然后进入步骤B；
步骤B. 针对超绿指数灰度图像执行二值化处理，更新获得以数值a代表绿色植被区域、数值b代表除绿色植被区域以外其它区域的灰度二值化图像，然后进入步骤C；其中，|a-b|<预设差距阈值；
步骤C. 基于灰度二值化图像中绿色植被区域、以及除绿色植被区域以外其它区域的不同表示，以绿色植被区域像素值为0，除绿色植被区域以外其它区域像素值为1，将灰度二值化图像转换为掩膜图像，然后进入步骤D；
步骤D. 根据目标区域图像、掩膜图像中各像素位置的像素值，通过目标区域图像与掩膜图像之间的哈达玛积，实现目标区域图像与掩膜图像之间的叠加，获得分割出绿色植被区域的待处理土壤图像，然后进入步骤E；
步骤E. 应用超像素分割算法，针对待处理土壤图像进行超像素分割，获得待处理土壤图像中所对应的各个超像素块，并针对各超像素块分别定义彼此不同的标签，然后进入步骤F；
步骤F. 分别针对各不同标签，计算获得标签所对应超像素块内部像素分别对应所在色系各基础颜色的均值，构成该标签所对应超像素块的基础颜色均值向量，进而获得各标签所对应超像素块的基础颜色均值向量，然后进入步骤G；
步骤G. 根据各标签所对应超像素块的基础颜色均值向量，计算获得两两标签所对应超像素块之间的欧式距离，并判断各欧式距离中是否存在小于预设相似度阈值的欧式距离，是则进入步骤H，否则进入步骤I；
步骤H. 选择最小欧式距离所对应的各组两个标签所对应超像素块，分别针对各组两个标签所对应超像素块，由其中一个标签替换另一个标签，实现该组两个标签的统一，然后返回步骤F；
步骤I. 计算各不同标签分别所对应超像素块的面积，并选择其中最大面积所对应的各超像素快，即构成目标区域图像中的土壤区域。
2.根据权利要求1所述一种基于超绿指数及超像素的土壤图像分割提取方法，其特征在于：所述步骤B中，基于灰度二值化图像的获得，并应用中值滤波法去除灰度二值化图像中的椒盐噪声，更新灰度二值化图像。
3.根据权利要求1或2所述一种基于超绿指数及超像素的土壤图像分割提取方法，其特征在于：所述步骤B中，基于预设用于区分绿色植被区域与其它区域的灰度阈值，针对超绿指数灰度图像执行二值化处理，更新获得以数值a代表绿色植被区域、数值b代表除绿色植被区域以外其它区域的灰度二值化图像。
4.根据权利要求1或2所述一种基于超绿指数及超像素的土壤图像分割提取方法，其特征在于：所述步骤B中，通过OTSU自适应阈值法，获得超绿指数灰度图像所对应用于区分绿色植被区域与其它区域的灰度阈值，并基于该灰度阈值，针对超绿指数灰度图像执行二值化处理，更新获得以数值a代表绿色植被区域、数值b代表除绿色植被区域以外其它区域的灰度二值化图像。
5.根据权利要求1所述一种基于超绿指数及超像素的土壤图像分割提取方法，其特征在于：所述数值a等于255，所述数值b等于0。
6.根据权利要求1所述一种基于超绿指数及超像素的土壤图像分割提取方法，其特征在于：所述超像素分割算法为slic超像素分割算法或felz超像素分割算法。
7.根据权利要求1所述一种基于超绿指数及超像素的土壤图像分割提取方法，其特征在于：所述步骤E中，所述针对各超像素块分别定义的不同标签为不同数字标签。
8.根据权利要求7所述一种基于超绿指数及超像素的土壤图像分割提取方法，其特征在于：基于步骤E中，针对各超像素块分别定义的不同数字标签，所述步骤H中，选择最小欧式距离所对应的各组两个标签所对应超像素块，分别针对各组两个标签所对应超像素块，由其中较小数字标签替换另一个数字标签，实现该组两个标签的统一。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110307886.4A CN113205525A (zh) | 2021-03-23 | 2021-03-23 | 一种基于超绿指数及超像素的土壤图像分割提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110307886.4A CN113205525A (zh) | 2021-03-23 | 2021-03-23 | 一种基于超绿指数及超像素的土壤图像分割提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113205525A true CN113205525A (zh) | 2021-08-03 |
Family
ID=77025668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110307886.4A Pending CN113205525A (zh) | 2021-03-23 | 2021-03-23 | 一种基于超绿指数及超像素的土壤图像分割提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113205525A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742855A (zh) * | 2022-04-11 | 2022-07-12 | 电子科技大学 | 一种融合阈值分割与图像叠加技术的半自动图像标签方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103871089A (zh) * | 2014-01-08 | 2014-06-18 | 天津大学 | 一种基于融合的图像超像素网格化方法 |
| CN108765442A (zh) * | 2018-04-27 | 2018-11-06 | 吉林农业科技学院 | 一种基于室外多变光照条件下农田绿色作物快速分割方法 |
| CN109785329A (zh) * | 2018-10-29 | 2019-05-21 | 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 |
| CN110827306A (zh) * | 2019-10-18 | 2020-02-21 | 重庆师范大学 | 基于自适应密度峰值聚类的紫色土图像分割提取方法 |
| CN111445482A (zh) * | 2020-03-24 | 2020-07-24 | 上海第二工业大学 | 重叠双孢蘑菇的分割识别方法 |
| CN111583279A (zh) * | 2020-05-12 | 2020-08-25 | 重庆理工大学 | 一种基于pcba的超像素图像分割方法 |
-
2021
- 2021-03-23 CN CN202110307886.4A patent/CN113205525A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103871089A (zh) * | 2014-01-08 | 2014-06-18 | 天津大学 | 一种基于融合的图像超像素网格化方法 |
| CN108765442A (zh) * | 2018-04-27 | 2018-11-06 | 吉林农业科技学院 | 一种基于室外多变光照条件下农田绿色作物快速分割方法 |
| CN109785329A (zh) * | 2018-10-29 | 2019-05-21 | 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 |
| CN110827306A (zh) * | 2019-10-18 | 2020-02-21 | 重庆师范大学 | 基于自适应密度峰值聚类的紫色土图像分割提取方法 |
| CN111445482A (zh) * | 2020-03-24 | 2020-07-24 | 上海第二工业大学 | 重叠双孢蘑菇的分割识别方法 |
| CN111583279A (zh) * | 2020-05-12 | 2020-08-25 | 重庆理工大学 | 一种基于pcba的超像素图像分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李玉田: "基于无人机视觉的油菜苗期田间杂草识别研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
| 王璨: "基于机器学习的农业图像识别与光谱检测方法研究", 《中国优秀博士学位论文全文数据库 农业科技辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742855A (zh) * | 2022-04-11 | 2022-07-12 | 电子科技大学 | 一种融合阈值分割与图像叠加技术的半自动图像标签方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Singh et al. | A study of image segmentation algorithms for different types of images | |
| CN110008954B (zh) | 一种基于多阈值融合的复杂背景文本图像提取方法及系统 | |
| CN109242791B (zh) | 一种针对破损植物叶片的批量修复方法 | |
| CN109636784B (zh) | 基于最大邻域和超像素分割的图像显著性目标检测方法 | |
| CN102800094A (zh) | 一种快速彩色图像分割方法 | |
| 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 | |
| CN107133929A (zh) | 基于背景估计和能量最小化的低质量文档图像二值化方法 | |
| 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 | |
| CN107154044B (zh) | 一种中餐食物图像的分割方法 | |
| CN112991536B (zh) | 一种专题地图地理面要素自动提取和矢量化方法 | |
| CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 | |
| CN110084820A (zh) | 基于改进fcm算法的紫色土图像自适应分割提取方法 | |
| CN111783773A (zh) | 一种面向角度倾斜电线杆标识牌的矫正方法 | |
| CN113505622A (zh) | 一种自动识别多条码与led灯的测试系统及方法 | |
| 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 | |
| CN110298835B (zh) | 一种皮革表面破损检测方法、系统及相关装置 | |
| CN113205525A (zh) | 一种基于超绿指数及超像素的土壤图像分割提取方法 | |
| CN108711160A (zh) | 一种基于hsi增强性模型的目标分割方法 | |
| CN108877030B (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
| CN117274981B (zh) | 一种基于图像识别的辣椒病理推测方法和装置 | |
| CN112184696B (zh) | 一种细胞核和细胞器计数及其面积计算方法与系统 | |
| CN108205678B (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 | |
| CN112233050B (zh) | 一种光线自适应的绿色场地提取方法 | |
| CN112489049A (zh) | 基于超像素和svm的成熟番茄果实的分割方法及系统 | |
| CN110689553B (zh) | 一种rgb-d图像的自动分割方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210803 |
|
| RJ01 | Rejection of invention patent application after publication |