CN113516193B - 基于图像处理的红枣缺陷识别分类方法及装置 - Google Patents
基于图像处理的红枣缺陷识别分类方法及装置 Download PDFInfo
- Publication number
- CN113516193B CN113516193B CN202110815478.XA CN202110815478A CN113516193B CN 113516193 B CN113516193 B CN 113516193B CN 202110815478 A CN202110815478 A CN 202110815478A CN 113516193 B CN113516193 B CN 113516193B
- Authority
- CN
- China
- Prior art keywords
- image
- red date
- value
- weighted average
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 168
- 238000012545 processing Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000006243 chemical reaction Methods 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000010586 diagram Methods 0.000 claims description 30
- 230000003044 adaptive effect Effects 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims 1
- 230000002411 adverse Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005286 illumination Methods 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract 2
- 238000004590 computer program Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- LGZXYFMMLRYXLK-UHFFFAOYSA-N mercury(2+);sulfide Chemical compound [S-2].[Hg+2] LGZXYFMMLRYXLK-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 240000008866 Ziziphus nummularia Species 0.000 description 1
- 206010000496 acne Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明提供一种基于图像处理的红枣缺陷识别分类方法及装置,方法通过直方图空间转换和空间重构对红枣图像进行图像增强,得到的间距图像,消除了光照分布不均和噪声对图像处理的不良影响,通过二值化、区域填充、二值翻转和掩膜操作处理,有效地将间距图像从复杂背景中提取出来,且通过对缺陷区域的增强,能够准确的提取出颜色特征值、形状特征值和纹理特征值,最后通过机器学习模型,快速的完成对红枣缺陷的分类,算法运行速度快,且能够实现多种不同的缺陷分类,有效地提高了红枣质量的分类效率。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种基于图像处理的红枣缺陷识别分类方法及装置。
背景技术
中国是世界上最大的红枣生产国与消费国。据官方数据显示,中国的红枣种植面积和产量占据世界98%,2020年中国红枣产量高达733.2万吨。尽管中国红枣产业规模庞大,但由于品质下降、加工层次低和制干保鲜技术不足等原因,导致整体的经济效益不高。在红枣品质分选方面,90%以上的红枣是通过人工将缺陷枣从好枣中分选出来,劳动强度大,成本较高,并且工人长时间疲劳工作也会导致效率下降等一系列问题。
红枣在种植的过程中,受温差过大、环境污染、滥用农药、肥料不平衡和鸟啄等因素,容易出现黑头、枣锈、破口等缺陷的严重影响,另外在红枣的成熟期内,由于内地雨水较多,裂果也是个普遍的问题。
目前,基于图像处理的红枣品质检测方法仅针对健康红枣和褶皱红枣进行品质分级,对其他缺陷红枣的分类并不完善,导致对红枣质量分类效率相对较低。
发明内容
本发明提供一种基于图像处理的红枣缺陷识别分类方法及装置,用以解决现有技术中红枣质量分类效率低的缺陷,实现快速、高效、准确地完成对红枣质量的分类。
本发明提供一种基于图像处理的红枣缺陷识别分类方法,包括:
获取预设大小的红枣原始图像,将所述红枣原始图像转化为HSI格式图像,并提取所述HSI格式图像的S分量红枣图像;
基于直方图空间转换和空间重构对所述S分量红枣图像进行图像增强,得到间距图像;
对所述间距图像进行二值化、区域填充、二值翻转和掩膜操作处理去除背景,得到红枣S分量图;
对所述红枣S分量图进行阈值分割,并对分割后的图像进行中值滤波处理,得到带红枣边缘的初始缺陷区域二值图像;
去除所述初始缺陷区域二值图像的红枣边缘,得到中间缺陷区域二值图像,并转化所述中间缺陷区域二值图像为R、G、B三通道图像;
根据所述R、G、B三通道图像与所述红枣原始图像,得到缺陷区域彩色图像;
提取所述缺陷区域彩色图像的颜色特征值、形状特征值和纹理特征值;
输入所述颜色特征值、所述形状特征值和所述纹理特征值至机器学习模型,输出红枣缺陷类别。
根据本发明提供的一种基于图像处理的红枣缺陷识别分类方法,所述基于直方图空间转换和空间重构对所述S分量红枣图像进行图像增强,得到间距图像,包括:
确定所述S分量红枣图像每个像素点的灰度值,用加权均值滤波器对所述S分量红枣图像处理,确定每个像素点的加权均值,用自适应滤波器对所述S分量红枣图像进行处理,确定每个像素点的自适应值;
以每个像素点的所述灰度值、加权均值和自适应值为坐标轴,建立初始三维空间直方图;
根据所述每个像素点灰度值、加权均值和自适应值三者的大小关系,得到更新灰度值、更新加权均值和更新自适应值;
以所述更新灰度值、更新加权均值和更新自适应值为坐标轴,建立目标三维空间直方图;
计算所述目标三维空间直方图中每个像素点所在分割平面到原点的间距,并进行归一化处理将间距转化为间距图像。
根据本发明提供的一种基于图像处理的红枣缺陷识别分类方法,所述根据所述每个像素点灰度值、加权均值和自适应值三者的大小关系,得到更新灰度值、更新加权均值和更新自适应值,包括:
若所述像素点灰度值在灰度值、加权均值和自适应值三者之中处于最小值,则对像素点灰度值重新计算,得到更新灰度值;
若所述像素点加权均值在灰度值、加权均值和自适应值三者之中处于最小值,则对像素点加权均值重新计算,得到更新加权均值;
若所述像素点自适应值在灰度值、加权均值和自适应值三者之中处于最小值,则对像素点自适应值重新计算,得到更新自适应值。
根据本发明提供的一种基于图像处理的红枣缺陷识别分类方法,所述对所述间距图像进行二值化、区域填充、二值翻转和掩膜操作处理去除背景,得到红枣S分量图,包括:
通过Otsu自适应阈值分割所述间距图像,得到红枣二值图像;
对所述红枣二值图像进行填充、二值反转得到红枣掩膜图像;
将所述红枣掩膜图像与所述S分量红枣图像相加,得到去除背景的红枣S分量图。
根据本发明提供的一种基于图像处理的红枣缺陷识别分类方法,所述对所述红枣S分量图进行阈值分割之前,还包括:
确定灰度缺陷区域转换的灰度范围和斜率参数;
根据所述灰度范围和所述斜率参数,对所述红枣S分量图进行分段性灰度变换,突出感兴趣灰度缺陷区域,衰减不感兴趣灰度缺陷区域,以增强所述红枣S分量图。
根据本发明提供的一种基于图像处理的红枣缺陷识别分类方法,所述去除所述初始缺陷区域二值图像的红枣边缘,得到中间缺陷区域二值图像,包括:
采用Canny算子对所述红枣掩膜图像进行边缘检测,得到红枣边缘二值图像;
构建正方形结构元素对所述红枣边缘二值图像进行膨胀处理;
将膨胀处理后的红枣边缘二值图像与所述带红枣边缘的初始缺陷区域二值图像相加;
对相加后的图像进行中值滤波去噪处理,得到中间缺陷区域二值图像。
根据本发明提供的一种基于图像处理的红枣缺陷识别分类方法,所述根据所述R、G、B三通道图像与所述红枣原始图像,得到缺陷区域彩色图像,包括:
确定所述红枣原始图像的R、G、B分量图;
将所述红枣原始图像的R、G、B分量图分别与所述R、G、B三通道图像相加融合,得到缺陷区域彩色图像。
根据本发明提供的一种基于图像处理的红枣缺陷识别分类方法,所述提取所述缺陷区域彩色图像的颜色特征值、形状特征值和纹理特征值,包括:
确定所述缺陷区域彩色图像的R、G、B分量图的各个均值作为颜色特征值;
采用预设数量的不变矩组作为形状特征值;
利用灰度共生矩阵在所述缺陷区域彩色图像的S分量中提取纹理特征值。
根据本发明提供的一种基于图像处理的红枣缺陷识别分类方法,所述输入所述颜色特征值、所述形状特征值和所述纹理特征值至机器学习模型之前,还包括:
采集预设数量的所述颜色特征值、所述形状特征值和所述纹理特征值;
确定所述颜色特征值、所述形状特征值和所述纹理特征值对应的红枣缺陷标签类别;
按照预设比例,将所述红枣缺陷标签类别划分为训练集、验证集和预测集;
对所述训练集、所述验证集和所述预测集进行模型训练,构建机器学习模型。
本发明还提供一种基于图像处理的红枣缺陷识别分类装置,包括:
获取模块,用于获取预设大小的红枣原始图像,将所述红枣原始图像转化为HSI格式图像,并提取S分量红枣图像;
图像增强模块,用于基于直方图空间转换和空间重构对所述S分量红枣图像进行图像增强,得到间距图像;
背景去除模块,用于对所述间距图像进行二值化、区域填充、二值翻转和掩膜操作处理去除背景,得到红枣S分量图;
分割模块,用于对所述红枣S分量图进行阈值分割,并对分割后的图像进行中值滤波处理,得到带红枣边缘的初始缺陷区域二值图像;
转化模块,用于去除所述初始缺陷区域二值图像的红枣边缘,得到中间缺陷区域二值图像,并转化所述中间缺陷区域二值图像为R、G、B三通道图像;根据所述R、G、B三通道图像与所述红枣原始图像,得到缺陷区域彩色图像;
提取模块,用于提取所述缺陷区域彩色图像的颜色特征值、形状特征值和纹理特征值;
类别输出模块,用于输入所述颜色特征值、所述形状特征值和所述纹理特征值至机器学习模型,输出红枣缺陷类别。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于图像处理的红枣缺陷识别分类方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于图像处理的红枣缺陷识别分类方法的步骤。
本发明提供的一种基于图像处理的红枣缺陷识别分类方法及装置,方法通过直方图空间转换和空间重构对红枣图像进行图像增强,得到的间距图像,消除了光照分布不均和噪声对图像处理的不良影响,通过二值化、区域填充、二值翻转和掩膜操作处理,有效地将间距图像从复杂背景中提取出来,且通过对缺陷区域的增强,能够准确的提取出颜色特征值、形状特征值和纹理特征值,最后通过机器学习模型,快速的完成对红枣缺陷的分类,算法运行速度快,且能够实现多种不同的缺陷分类,有效地提高了红枣质量的分类效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于图像处理的红枣缺陷识别分类方法的流程示意图;
图2是图1中步骤基于直方图空间转换和空间重构对S分量红枣图像进行图像增强,得到间距图像的详细流程图;
图3是本发明实施例提供的基于图像处理的红枣缺陷识别分类装置的结构示意图;
图4是本发明实施例提供的电子设备的结构示意图。
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,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图3描述本发明的基于图像处理的红枣缺陷识别分类方法及装置。
图1是本发明实施例提供的基于图像处理的红枣缺陷识别分类方法的流程示意图;图2是图1中步骤基于直方图空间转换和空间重构对S分量红枣图像进行图像增强,得到间距图像的详细流程图。
如图1所示,本发明实施例提供的一种基于图像处理的红枣缺陷识别分类方法,包括以下步骤:
101、获取预设大小的红枣原始图像,将红枣原始图像转化为HSI格式图像,并提取HSI格式图像的S分量红枣图像。
具体的,首先获取预设大小的红枣原始图像,例如是获取m×n大小的红枣原始图像p(x,y)。其中,红枣原始图像为RGB格式,然后将RGB格式的红枣原始图像转换为HSI格式图像,提取HSI格式图像的S分量红枣图像ps(x,y),提取公式如下(1):
102、基于直方图空间转换和空间重构对S分量红枣图像进行图像增强,得到间距图像。
其中,基于直方图空间转换和空间重构对S分量红枣图像进行图像增强,得到间距图像,具体为:确定S分量红枣图像每个像素点的灰度值、加权均值和自适应值;记录S分量红枣图像每个像素点的灰度值为f(x,y),对S分量红枣图像加权均值滤波后得到每个像素点的加权均值g(x,y),自适应滤波后得到每个像素点的自适应值h(x,y)。
然后进行直方图空间转换,以每个像素点的灰度值、加权均值和自适应值为坐标轴,建立初始三维空间直方图;即将f(x,y)、g(x,y)、h(x,y)中所有像素分别展开成1行m×n列的灰度值向f、加权均值向量g和自适应值向量h,并以每个像素的灰度值、加权均值、自适应值为坐标轴,建立初始三维空间直方图。
根据初始三维空间直方图,判断所述每个像素点灰度值、加权均值和自适应值三者的大小关系,得到更新灰度值f′(x,y)、更新加权均值g′(x,y)和更新自适应值h′(x,y)。具体为:若所述像素点灰度值在灰度值、加权均值和自适应值三者之中处于最小值,则对像素点灰度值重新计算,得到更新灰度值。即f(x,y)<g(x,y)且f(x,y)<h(x,y),则对像素点灰度值重新计算得到新的灰度值f′(x,y),公式如(2):
若所述像素点加权均值在灰度值、加权均值和自适应值三者之中处于最小值,则对像素点加权均值重新计算,得到更新加权均值。即g(x,y)<f(x,y)且g(x,y)<h(x,y),则对像素点均值重新计算得到新的加权均值g′(x,y),公式如(3):
若所述像素点自适应值在灰度值、加权均值和自适应值三者之中处于最小值,则对像素点自适应值重新计算,得到更新自适应值。即若h(x,y)<f(x,y)且h(x,y)<g(x,y),则像素点自适应值重新计算得到新的自适应值h′(x,y),公式如(4):
再以更新灰度值、更新加权均值和更新自适应值为坐标轴,建立目标三维空间直方图;计算目标三维空间直方图中每个像素点所在分割平面到原点的间距d(x,y),并进行归一化处理将间距转化为直观显示图像即间距图像。获得直方图空间转换与重构后的间距图像d′(x,y),公式如下:
如图2所示,为根据S红枣分量图像得到间距图像的详细流程图。首先得到灰度值、加权均值和自适应值,然后构建初始三维直方图,再出个像素点寻找坐标最小值,在所有像素点的寻找过程中,判断是否寻找完成,未完成时,判断灰度值、加权均值和自适应值的大小。当灰度值最小,得到更新灰度值,当加权均值最小,得到更新加权均值,当自适应值最小,得到更新自适应值,然当所有像素点寻找完成以后,以更新灰度值,更新加权均值和更新自适应值构建目标三维空间直方图,然后计算各像素点所在平面到原点的间距,进行归一化处理之后,便可以得到间距图像。
103、对间距图像进行二值化、区域填充、二值翻转和掩膜操作处理去除背景,得到红枣S分量图。
具体为,通过Otsu自适应阈值分割间距图像d′(x,y),得到红枣二值图像J1(x,y);对红枣二值图像进行填充、二值反转得到红枣掩膜图像J2(x,y);将红枣掩膜图像与S分量红枣图像相加,得到去除背景的红枣S分量图u(x,y)。
在得到红枣S分量图u(x,y)以后,确定灰度缺陷区域转换的灰度范围和斜率参数;根据灰度范围a、b和斜率参数c、d,对红枣S分量图进行分段性灰度变换,突出感兴趣灰度缺陷区域,衰减不感兴趣灰度缺陷区域,以增强红枣S分量图为v(x,y)。计算公式为(7):
其中,a、b是目标区域转换的灰度范围,c、d是决定线性变换的斜率参数。
104、对红枣S分量图进行阈值分割,并对分割后的图像进行中值滤波处理,得到带红枣边缘的初始缺陷区域二值图像。
由于上述步骤完成了对S分量图的增强,则可以选择阈值为0.6对v(x,y)进行阈值分割,对阈值分割后的图像进行中值滤波得到带红枣边缘的初始缺陷区域二值图像。
105、去除初始缺陷区域二值图像的红枣边缘,得到中间缺陷区域二值图像,并转化中间缺陷区域二值图像为R、G、B三通道图像。
具体为,采用Canny算子对红枣掩膜图像J2(x,y)进行边缘检测,得到红枣边缘二值图像;构建正方形结构元素对红枣边缘二值图像进行膨胀处理;将膨胀处理后的红枣边缘二值图像与带红枣边缘的初始缺陷区域二值图像相加;对相加后的图像进行中值滤波去噪处理,得到中间缺陷区域二值图像q(x,y)。
其中,正方形结构元素为:
转化中间缺陷区域二值图像为R、G、B三通道图像,如(8):
106、根据R、G、B三通道图像与红枣原始图像,得到缺陷区域彩色图像。
具体为,确定红枣原始图像的R、G、B分量图,分别为pr(x,y)、pg(x,y)、pb(x,y)。将红枣原始图像的R、G、B分量图分别与R、G、B三通道图像相加融合,得到缺陷区域彩色图像c(x,y)。公式如(9):
其中,pr(x,y)、pg(x,y)、pb(x,y)分别为红枣原始图像R、G、B分量图,cr(x,y)、cg(x,y)、cb(x,y)分别为红枣缺陷区域彩色图像c(x,y)的R、G、B分量图。
107、提取缺陷区域彩色图像的颜色特征值、形状特征值和纹理特征值。
确定缺陷区域彩色图像的R、G、B分量图的各个均值Rmean、Gmean、Bmean作为颜色特征值;采用预设数量的不变矩组作为形状特征值;例如可以是7个Hu不变矩。对红枣缺陷区域彩色图像的S分量图像利用灰度共生矩阵在缺陷区域彩色图像的S分量中提取纹理特征值。图像灰度级均为256,设置步长d=1,角度θ=0°、45°、90°、135°共四个矩阵分别求出角二阶矩Nasm(能量)、熵Nent、惯性矩(对比度)Ncon、相关性Ncor四个纹理参数的均值N1、N2、N3、N4作为纹理特征值。
灰度共生矩阵的定义为:对于给定方向θ和步长d,在方向为θ的直线上,一个像素灰度为i,另一个与其相距为d的像素的灰度为j的点对出现的频数作为这个矩阵的第(i,j)元素的值,对应不同的d、θ就有不同的灰度共生矩阵。
设给定d、θ参数下的灰度共生矩阵的元素已归一化为频率,记为P(i,j),纹理特征参数公式如下:
Nasm=∑i∑jP(i,j)2 (10)
Nent=-∑i∑jP(i,j)lgP(i,j) (11)
Ncon=∑i∑j(i-j)2P(i,j) (12)
其中,
108、输入颜色特征值、形状特征值和纹理特征值至机器学习模型,输出红枣缺陷类别。
具体的,在得到目标红枣的颜色特征值、形状特征值和纹理特征值以后,将其输入机器学习模型中,便可以直接输出红枣的缺陷类别,从而确定出红枣的质量等级,完成更精准的质量分类处理。
而在输入颜色特征值、形状特征值和纹理特征值至机器学习模型之前,还包括:采集预设数量的颜色特征值、形状特征值和纹理特征值;确定颜色特征值、形状特征值和纹理特征值对应的红枣缺陷标签类别;按照预设比例,将红枣缺陷标签类别划分为训练集、验证集和预测集;对训练集、验证集和预测集进行模型训练,构建机器学习模型。也就是采集多组的颜色特征值、形状特征值和纹理特征值,进行模型训练,从而在对红枣进行缺陷识别的过程中,直接便可以由机器学习模型输出对应的缺陷类别,计算方法快,计算过程精确到高。
本发明实施例提供的一种基于图像处理的红枣缺陷识别分类方法,通过直方图空间转换和空间重构对红枣图像进行图像增强,得到的间距图像,消除了光照分布不均和噪声对图像处理的不良影响,通过二值化、区域填充、二值翻转和掩膜操作处理,有效地将间距图像从复杂背景中提取出来,且通过对缺陷区域的增强,能够准确的提取出颜色特征值、形状特征值和纹理特征值,最后通过机器学习模型,快速的完成对红枣缺陷的分类,算法运行速度快,且能够实现多种不同的缺陷分类,有效地提高了红枣质量的分类效率。
基于同一总的发明构思,本发明还保护一种基于图像处理的红枣缺陷识别分类装置。下面对本发明提供的基于图像处理的红枣缺陷识别分类装置进行描述,下文描述的基于图像处理的红枣缺陷识别分类装置与上文描述的基于图像处理的红枣缺陷识别分类方法可相互对应参照。
图3是本发明实施例提供的基于图像处理的红枣缺陷识别分类装置的结构示意图。
如图3所示,本发明实施例提供的一种基于图像处理的红枣缺陷识别分类装置,包括:
获取模块10,用于获取预设大小的红枣原始图像,将所述红枣原始图像转化为HSI格式图像,并提取S分量红枣图像;
图像增强模块20,用于基于直方图空间转换和空间重构对所述S分量红枣图像进行图像增强,得到间距图像;
背景去除模块30,用于对所述间距图像进行二值化、区域填充、二值翻转和掩膜操作处理去除背景,得到红枣S分量图;
分割模块40,用于对所述红枣S分量图进行阈值分割,并对分割后的图像进行中值滤波处理,得到带红枣边缘的初始缺陷区域二值图像;
转化模块50,用于去除所述初始缺陷区域二值图像的红枣边缘,得到中间缺陷区域二值图像,并转化所述中间缺陷区域二值图像为R、G、B三通道图像;根据所述R、G、B三通道图像与所述红枣原始图像,得到缺陷区域彩色图像;
提取模块60,用于提取所述缺陷区域彩色图像的颜色特征值、形状特征值和纹理特征值;
类别输出模块70,用于输入所述颜色特征值、所述形状特征值和所述纹理特征值至机器学习模型,输出红枣缺陷类别。
本发明实施例提供的一种基于图像处理的红枣缺陷识别分类装置,通过直方图空间转换和空间重构对红枣图像进行图像增强,得到的间距图像,消除了光照分布不均和噪声对图像处理的不良影响,通过二值化、区域填充、二值翻转和掩膜操作处理,有效地将间距图像从复杂背景中提取出来,且通过对缺陷区域的增强,能够准确的提取出颜色特征值、形状特征值和纹理特征值,最后通过机器学习模型,快速的完成对红枣缺陷的分类,算法运行速度快,且能够实现多种不同的缺陷分类,有效地提高了红枣质量的分类效率。
进一步的,本实施例中的图像增强模块20,具体用于:
确定所述S分量红枣图像每个像素点的灰度值,用加权均值滤波器对所述S分量红枣图像处理,确定每个像素点的加权均值,用自适应滤波器对所述S分量红枣图像进行处理,确定每个像素点的自适应值;
以每个像素点的灰度值、加权均值和自适应值为坐标轴,建立初始三维空间直方图;
根据所述每个像素点灰度值、加权均值和自适应值三者的大小关系,得到更新灰度值、更新加权均值和更新自适应值;
以更新灰度值、更新均值和更新中值为坐标轴,建立目标三维空间直方图;
计算目标三维空间直方图中每个像素点所在分割平面到原点的间距,并进行归一化处理将间距转化为间距图像。
进一步的,本实施例中的图像增强模块20,具体还用于:
若所述像素点灰度值在灰度值、加权均值和自适应值三者之中处于最小值,则对像素点灰度值重新计算,得到更新灰度值;
若所述像素点加权均值在灰度值、加权均值和自适应值三者之中处于最小值,则对像素点加权均值重新计算,得到更新加权均值;
若所述像素点自适应值在灰度值、加权均值和自适应值三者之中处于最小值,则对像素点自适应值重新计算,得到更新自适应值。
进一步的,本实施例中的背景去除模块30,具体用于:
通过Otsu自适应阈值分割间距图像,得到红枣二值图像;
对红枣二值图像进行填充、二值反转得到红枣掩膜图像;
将红枣掩膜图像与S分量红枣图像相加,得到去除背景的红枣S分量图。
进一步的,本实施例中的分割模块40,具体用于:
确定灰度缺陷区域转换的灰度范围和斜率参数;
根据灰度范围和斜率参数,对红枣S分量图进行分段性灰度变换,突出感兴趣灰度缺陷区域,衰减不感兴趣灰度缺陷区域,以增强红枣S分量图。
进一步的,本实施例中的转化模块50,具体用于:
采用Canny算子对红枣掩膜图像进行边缘检测,得到红枣边缘二值图像;
构建正方形结构元素对红枣边缘二值图像进行膨胀处理;
将膨胀处理后的红枣边缘二值图像与带红枣边缘的初始缺陷区域二值图像相加;
对相加后的图像进行中值滤波去噪处理,得到中间缺陷区域二值图像。
进一步的,本实施例中的转化模块50,具体还用于:
确定红枣原始图像的R、G、B分量图;
将红枣原始图像的R、G、B分量图分别与R、G、B三通道图像相加融合,得到缺陷区域彩色图像。
进一步的,本实施例中的提取模块60,具体用于:
确定缺陷区域彩色图像的R、G、B分量图的各个均值作为颜色特征值;
采用预设数量的不变矩组作为形状特征值;
利用灰度共生矩阵在缺陷区域彩色图像的S分量中提取纹理特征值。
进一步的,本实施例中还包括模型构建模块,用于:
采集预设数量的颜色特征值、形状特征值和纹理特征值;
确定颜色特征值、形状特征值和纹理特征值对应的红枣缺陷标签类别;
按照预设比例,将红枣缺陷标签类别划分为训练集、验证集和预测集;
对训练集、验证集和预测集进行模型训练,构建机器学习模型。
图4是本发明实施例提供的电子设备的结构示意图。
如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行基于图像处理的红枣缺陷识别分类方法,该方法包括:获取预设大小的红枣原始图像,将红枣原始图像转化为HSI格式图像,并提取HSI格式图像的S分量红枣图像;基于直方图空间转换和空间重构对S分量红枣图像进行图像增强,得到间距图像;对间距图像进行二值化、区域填充、二值翻转和掩膜操作处理去除背景,得到红枣S分量图;对红枣S分量图进行阈值分割,并对分割后的图像进行中值滤波处理,得到带红枣边缘的初始缺陷区域二值图像;去除初始缺陷区域二值图像的红枣边缘,得到中间缺陷区域二值图像,并转化中间缺陷区域二值图像为R、G、B三通道图像;根据R、G、B三通道图像与红枣原始图像,得到缺陷区域彩色图像;提取缺陷区域彩色图像的颜色特征值、形状特征值和纹理特征值;输入颜色特征值、形状特征值和纹理特征值至机器学习模型,输出红枣缺陷类别。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的基于图像处理的红枣缺陷识别分类方法,该方法包括:获取预设大小的红枣原始图像,将红枣原始图像转化为HSI格式图像,并提取HSI格式图像的S分量红枣图像;基于直方图空间转换和空间重构对S分量红枣图像进行图像增强,得到间距图像;对间距图像进行二值化、区域填充、二值翻转和掩膜操作处理去除背景,得到红枣S分量图;对红枣S分量图进行阈值分割,并对分割后的图像进行中值滤波处理,得到带红枣边缘的初始缺陷区域二值图像;去除初始缺陷区域二值图像的红枣边缘,得到中间缺陷区域二值图像,并转化中间缺陷区域二值图像为R、G、B三通道图像;根据R、G、B三通道图像与红枣原始图像,得到缺陷区域彩色图像;提取缺陷区域彩色图像的颜色特征值、形状特征值和纹理特征值;输入颜色特征值、形状特征值和纹理特征值至机器学习模型,输出红枣缺陷类别。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的基于图像处理的红枣缺陷识别分类方法,该方法包括:获取预设大小的红枣原始图像,将红枣原始图像转化为HSI格式图像,并提取HSI格式图像的S分量红枣图像;基于直方图空间转换和空间重构对S分量红枣图像进行图像增强,得到间距图像;对间距图像进行二值化、区域填充、二值翻转和掩膜操作处理去除背景,得到红枣S分量图;对红枣S分量图进行阈值分割,并对分割后的图像进行中值滤波处理,得到带红枣边缘的初始缺陷区域二值图像;去除初始缺陷区域二值图像的红枣边缘,得到中间缺陷区域二值图像,并转化中间缺陷区域二值图像为R、G、B三通道图像;根据R、G、B三通道图像与红枣原始图像,得到缺陷区域彩色图像;提取缺陷区域彩色图像的颜色特征值、形状特征值和纹理特征值;输入颜色特征值、形状特征值和纹理特征值至机器学习模型,输出红枣缺陷类别。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于图像处理的红枣缺陷识别分类方法,其特征在于,包括:
获取预设大小的红枣原始图像,将所述红枣原始图像转化为HSI格式图像,并提取所述HSI格式图像的S分量红枣图像;
基于直方图空间转换和空间重构对所述S分量红枣图像进行图像增强,得到间距图像;
对所述间距图像进行二值化、区域填充、二值翻转和掩膜操作处理去除背景,得到红枣S分量图;
对所述红枣S分量图进行阈值分割,并对分割后的图像进行中值滤波处理,得到带红枣边缘的初始缺陷区域二值图像;
去除所述初始缺陷区域二值图像的红枣边缘,得到中间缺陷区域二值图像,并转化所述中间缺陷区域二值图像为R、G、B三通道图像;
根据所述R、G、B三通道图像与所述红枣原始图像,得到缺陷区域彩色图像;
提取所述缺陷区域彩色图像的颜色特征值、形状特征值和纹理特征值;
输入所述颜色特征值、所述形状特征值和所述纹理特征值至机器学习模型,输出红枣缺陷类别;
所述基于直方图空间转换和空间重构对所述S分量红枣图像进行图像增强,得到间距图像,包括:
确定所述S分量红枣图像每个像素点的灰度值,用加权均值滤波器对所述S分量红枣图像处理,确定每个像素点的加权均值,用自适应滤波器对所述S分量红枣图像进行处理,确定每个像素点的自适应值;
以每个像素点的所述灰度值、加权均值和自适应值为坐标轴,建立初始三维空间直方图;
根据所述每个像素点灰度值、加权均值和自适应值三者的大小关系,得到更新灰度值、更新加权均值和更新自适应值;
以所述更新灰度值、更新加权均值和更新自适应值为坐标轴,重新建立目标三维空间直方图;
计算所述目标三维空间直方图中每个像素点所在分割平面到原点的间距,并进行归一化处理将间距转化为间距图像;
所述根据所述每个像素点灰度值、加权均值和自适应值三者的大小关系,得到更新灰度值、更新加权均值和更新自适应值,包括:
若所述像素点灰度值在灰度值、加权均值和自适应值三者之中处于最小值,则对像素点灰度值重新计算,得到更新灰度值;
若所述像素点加权均值在灰度值、加权均值和自适应值三者之中处于最小值,则对像素点加权均值重新计算,得到更新加权均值;
若所述像素点自适应值在灰度值、加权均值和自适应值三者之中处于最小值,则对像素点自适应值重新计算,得到更新自适应值。
2.根据权利要求1所述的基于图像处理的红枣缺陷识别分类方法,其特征在于,所述对所述间距图像进行二值化、区域填充、二值翻转和掩膜操作处理去除背景,得到红枣S分量图,包括:
通过Otsu自适应阈值分割所述间距图像,得到红枣二值图像;
对所述红枣二值图像进行填充、二值反转得到红枣掩膜图像;
将所述红枣掩膜图像与所述S分量红枣图像相加,得到去除背景的红枣S分量图。
3.根据权利要求1所述的基于图像处理的红枣缺陷识别分类方法,其特征在于,所述对所述红枣S分量图进行阈值分割之前,还包括:
确定灰度缺陷区域转换的灰度范围和斜率参数;
根据所述灰度范围和所述斜率参数,对所述红枣S分量图进行分段性灰度变换,突出感兴趣灰度缺陷区域,衰减不感兴趣灰度缺陷区域,以增强所述红枣S分量图。
4.根据权利要求2所述的基于图像处理的红枣缺陷识别分类方法,其特征在于,所述去除所述初始缺陷区域二值图像的红枣边缘,得到中间缺陷区域二值图像,包括:
采用Canny算子对所述红枣掩膜图像进行边缘检测,得到红枣边缘二值图像;
构建正方形结构元素对所述红枣边缘二值图像进行膨胀处理;
将膨胀处理后的红枣边缘二值图像与所述带红枣边缘的初始缺陷区域二值图像相加;
对相加后的图像进行中值滤波去噪处理,得到中间缺陷区域二值图像。
5.根据权利要求1所述的基于图像处理的红枣缺陷识别分类方法,其特征在于,所述根据所述R、G、B三通道图像与所述红枣原始图像,得到缺陷区域彩色图像,包括:
确定所述红枣原始图像的R、G、B分量图;
将所述红枣原始图像的R、G、B分量图分别与所述R、G、B三通道图像相加融合,得到缺陷区域彩色图像。
6.根据权利要求5所述的基于图像处理的红枣缺陷识别分类方法,其特征在于,所述提取所述缺陷区域彩色图像的颜色特征值、形状特征值和纹理特征值,包括:
确定所述缺陷区域彩色图像的R、G、B分量图的各个均值作为颜色特征值;
采用预设数量的不变矩组作为形状特征值;
利用灰度共生矩阵在所述缺陷区域彩色图像的S分量中提取纹理特征值。
7.根据权利要求1所述的基于图像处理的红枣缺陷识别分类方法,其特征在于,所述输入所述颜色特征值、所述形状特征值和所述纹理特征值至机器学习模型之前,还包括:
采集预设数量的所述颜色特征值、所述形状特征值和所述纹理特征值;
确定所述颜色特征值、所述形状特征值和所述纹理特征值对应的红枣缺陷标签类别;
按照预设比例,将所述红枣缺陷标签类别划分为训练集、验证集和预测集;
对所述训练集、所述验证集和所述预测集进行模型训练,构建机器学习模型。
8.一种基于图像处理的红枣缺陷识别分类装置,其特征在于,包括:
获取模块,用于获取预设大小的红枣原始图像,将所述红枣原始图像转化为HSI格式图像,并提取S分量红枣图像;
图像增强模块,用于基于直方图空间转换和空间重构对所述S分量红枣图像进行图像增强,得到间距图像;
其中,所述基于直方图空间转换和空间重构对所述S分量红枣图像进行图像增强,得到间距图像,包括:
确定所述S分量红枣图像每个像素点的灰度值,用加权均值滤波器对所述S分量红枣图像处理,确定每个像素点的加权均值,用自适应滤波器对所述S分量红枣图像进行处理,确定每个像素点的自适应值;
以每个像素点的所述灰度值、加权均值和自适应值为坐标轴,建立初始三维空间直方图;
根据所述每个像素点灰度值、加权均值和自适应值三者的大小关系,得到更新灰度值、更新加权均值和更新自适应值;
以所述更新灰度值、更新加权均值和更新自适应值为坐标轴,重新建立目标三维空间直方图;
计算所述目标三维空间直方图中每个像素点所在分割平面到原点的间距,并进行归一化处理将间距转化为间距图像;
所述根据所述每个像素点灰度值、加权均值和自适应值三者的大小关系,得到更新灰度值、更新加权均值和更新自适应值,包括:
若所述像素点灰度值在灰度值、加权均值和自适应值三者之中处于最小值,则对像素点灰度值重新计算,得到更新灰度值;
若所述像素点加权均值在灰度值、加权均值和自适应值三者之中处于最小值,则对像素点加权均值重新计算,得到更新加权均值;
若所述像素点自适应值在灰度值、加权均值和自适应值三者之中处于最小值,则对像素点自适应值重新计算,得到更新自适应值;
背景去除模块,用于对所述间距图像进行二值化、区域填充、二值翻转和掩膜操作处理去除背景,得到红枣S分量图;
分割模块,用于对所述红枣S分量图进行阈值分割,并对分割后的图像进行中值滤波处理,得到带红枣边缘的初始缺陷区域二值图像;
转化模块,用于去除所述初始缺陷区域二值图像的红枣边缘,得到中间缺陷区域二值图像,并转化所述中间缺陷区域二值图像为R、G、B三通道图像;根据所述R、G、B三通道图像与所述红枣原始图像,得到缺陷区域彩色图像;
提取模块,用于提取所述缺陷区域彩色图像的颜色特征值、形状特征值和纹理特征值;
类别输出模块,用于输入所述颜色特征值、所述形状特征值和所述纹理特征值至机器学习模型,输出红枣缺陷类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110815478.XA CN113516193B (zh) | 2021-07-19 | 2021-07-19 | 基于图像处理的红枣缺陷识别分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110815478.XA CN113516193B (zh) | 2021-07-19 | 2021-07-19 | 基于图像处理的红枣缺陷识别分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516193A CN113516193A (zh) | 2021-10-19 |
CN113516193B true CN113516193B (zh) | 2024-03-01 |
Family
ID=78067419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110815478.XA Active CN113516193B (zh) | 2021-07-19 | 2021-07-19 | 基于图像处理的红枣缺陷识别分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516193B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117710365B (zh) * | 2024-02-02 | 2024-05-03 | 中国电建集团华东勘测设计研究院有限公司 | 缺陷管道图像的处理方法、装置及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7200259B1 (en) * | 1999-07-25 | 2007-04-03 | Orbotech Ltd. | Optical inspection system |
CN104215639A (zh) * | 2013-06-05 | 2014-12-17 | 江南大学 | 一种基于机器视觉的梨表面缺陷检测方法 |
CN105373794A (zh) * | 2015-12-14 | 2016-03-02 | 河北工业大学 | 一种车牌识别方法 |
CN105651771A (zh) * | 2016-01-11 | 2016-06-08 | 中国农业大学 | 一种集成颜色传感-时间温度指示的农产品品质监测方法 |
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN109146853A (zh) * | 2018-07-31 | 2019-01-04 | 贵州大学 | 基于his不同光学特性的桥梁麻面缺陷检测方法 |
KR101956203B1 (ko) * | 2017-11-02 | 2019-03-11 | 가천대학교 산학협력단 | 주요부맵 생성기법과 주요부 추출기법을 이용한 윤곽선 검출 방법 |
CN109540892A (zh) * | 2018-12-13 | 2019-03-29 | 中国农业大学 | 鸭肉品种鉴别方法及系统 |
CN112801925A (zh) * | 2021-01-12 | 2021-05-14 | 扬州大学 | 基于信息熵最大化消除水波纹影响的水下图像增强方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6864916B1 (en) * | 1999-06-04 | 2005-03-08 | The Trustees Of Columbia University In The City Of New York | Apparatus and method for high dynamic range imaging using spatially varying exposures |
US20070253040A1 (en) * | 2006-04-28 | 2007-11-01 | Eastman Kodak Company | Color scanning to enhance bitonal image |
US8041139B2 (en) * | 2008-09-05 | 2011-10-18 | The Neat Company, Inc. | Method and apparatus for calculating the background color of an image |
GB2548767B (en) * | 2015-12-31 | 2018-06-13 | Shanghai United Imaging Healthcare Co Ltd | Methods and systems for image processing |
US10692221B2 (en) * | 2018-07-13 | 2020-06-23 | Adobe Inc. | Automatic trimap generation and image segmentation |
-
2021
- 2021-07-19 CN CN202110815478.XA patent/CN113516193B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7200259B1 (en) * | 1999-07-25 | 2007-04-03 | Orbotech Ltd. | Optical inspection system |
CN104215639A (zh) * | 2013-06-05 | 2014-12-17 | 江南大学 | 一种基于机器视觉的梨表面缺陷检测方法 |
CN105373794A (zh) * | 2015-12-14 | 2016-03-02 | 河北工业大学 | 一种车牌识别方法 |
CN105651771A (zh) * | 2016-01-11 | 2016-06-08 | 中国农业大学 | 一种集成颜色传感-时间温度指示的农产品品质监测方法 |
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
KR101956203B1 (ko) * | 2017-11-02 | 2019-03-11 | 가천대학교 산학협력단 | 주요부맵 생성기법과 주요부 추출기법을 이용한 윤곽선 검출 방법 |
CN109146853A (zh) * | 2018-07-31 | 2019-01-04 | 贵州大学 | 基于his不同光学特性的桥梁麻面缺陷检测方法 |
CN109540892A (zh) * | 2018-12-13 | 2019-03-29 | 中国农业大学 | 鸭肉品种鉴别方法及系统 |
CN112801925A (zh) * | 2021-01-12 | 2021-05-14 | 扬州大学 | 基于信息熵最大化消除水波纹影响的水下图像增强方法 |
Non-Patent Citations (8)
Title |
---|
一种基于局部图像复原的天文图像增强算法;焦继超;赵保军;陶芬芳;娄娟;;仪器仪表学报;20110715(第07期);全文 * |
基于RGB直方图的运动目标检测算法;陈颖;赵勋杰;;微计算机信息;20101115(第32期);全文 * |
基于支持向量机的水稻纹枯病识别研究;刘婷婷;;安徽农业科学(第28期);全文 * |
基于机器视觉的脐橙品质在线分级检测系统;胡发焕;董增文;匡以顺;;中国农业大学学报(第03期);全文 * |
基于空频结合的图像增强的脑肿瘤分割;黄靖;杨丰;;光子学报;20120715(第07期);全文 * |
基于计算机视觉的脐橙表面常见缺陷种类识别的研究;庞江伟;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》(第8期);第1.4节、第2-5章 * |
摄影测量与遥感学;测绘文摘(第04期);全文 * |
血管造影图像序列减影增强技术综述;杜晨冰;宋爽;艾丹妮;宋红;黄勇;王涌天;杨健;;生命科学仪器(第Z1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113516193A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
CN104217221A (zh) | 基于纹理特征的书画作品检测方法 | |
CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
CN109800619B (zh) | 成熟期柑橘果实图像识别方法 | |
CN111738367B (zh) | 一种基于图像识别的零件分类方法 | |
CN111260568B (zh) | 基于多辨别器对抗网络的碑帖二值化背景噪声去除方法 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN103208097A (zh) | 图像多方向形态结构分组的主分量分析协同滤波方法 | |
CN111680690A (zh) | 一种文字识别方法及装置 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 | |
CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN113159045A (zh) | 一种结合图像预处理与卷积神经网络的验证码识别方法 | |
CN114581646A (zh) | 文本识别方法、装置、电子设备及存储介质 | |
CN113516193B (zh) | 基于图像处理的红枣缺陷识别分类方法及装置 | |
CN106778897B (zh) | 基于余弦距离和中心轮廓距离的两次植物物种识别方法 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN112200789B (zh) | 一种图像识别的方法及装置、电子设备和存储介质 | |
CN111126185B (zh) | 一种针对道路卡口场景的深度学习车辆目标识别方法 | |
CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
CN110874835A (zh) | 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质 |
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 |