CN113674219A - 一种基于双重逻辑回归的茶叶杂质识别方法 - Google Patents
一种基于双重逻辑回归的茶叶杂质识别方法 Download PDFInfo
- Publication number
- CN113674219A CN113674219A CN202110859380.4A CN202110859380A CN113674219A CN 113674219 A CN113674219 A CN 113674219A CN 202110859380 A CN202110859380 A CN 202110859380A CN 113674219 A CN113674219 A CN 113674219A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- image
- extracting
- color
- logistic regression
- 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 74
- 239000012535 impurity Substances 0.000 title claims abstract description 47
- 238000007477 logistic regression Methods 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 72
- 241001122767 Theaceae Species 0.000 claims abstract description 54
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 238000003709 image segmentation Methods 0.000 claims abstract description 7
- 230000009977 dual effect Effects 0.000 claims abstract 3
- 238000009499 grossing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 235000013616 tea Nutrition 0.000 description 45
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000019224 Camellia sinensis var Qingmao Nutrition 0.000 description 1
- 235000009024 Ceanothus sanguineus Nutrition 0.000 description 1
- 240000003553 Leptospermum scoparium Species 0.000 description 1
- 235000015459 Lycium barbarum Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000020339 pu-erh tea Nutrition 0.000 description 1
- 239000000126 substance 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于双重逻辑回归的茶叶杂质识别方法,第一,把茶叶和杂质实物转换为图像;第二,采用RGB彩色图像模型、中值滤波法、图像分割方法进行图像预处理,得到若干个子块图像gk(i,j);第三,提取gk(i,j)(k=1,2,…,K)的特征向量,利用颜色直方图方法提取出颜色特征向量X1,利用边缘方向直方图方法提取出纹理特征向量X2,利用Hu矩阵方法提取出形状特征向量X3;第四,对X1进行逻辑回归分析;第五,对X2进行逻辑回归分析;第六,对X3进行逻辑回归分析;第七,对总体特征向量X=(X1,X2,X3)进行逻辑回归分析。其中,第四、五、六为子特征层面的第一重逻辑回归,第七为总特征层面的第二重逻辑回归。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种基于双重逻辑回归的茶叶杂质识别方法。
背景技术
我国是茶树的原产地,而普洱茶主要分布在云南省西双版纳、普洱、临沧等地。随着茶文化的推广和盛行,使市场对茶叶的品质要求越来越高。在茶叶加工过程中,往往会掺杂着杂质,如何正确识别茶叶剔除杂质是一个关键的工序。目前,正确识别茶叶剔除杂质主要依靠人工识别、手动剔除,效率低下,人力成本高。而且,在除杂过程中,针对颜色相近、形状微小、轮廓近似的杂质,现有的方法识别率不高,存在误识别和漏识别的问题。为了提高人工效率和方法识别率,本发明由此产生。
发明内容
本发明所要解决的技术问题是提供一种基于双重逻辑回归的茶叶杂质识别方法,以解决现有技术中导致的上述多项缺陷。
为实现上述目的,本发明提供以下的技术方案:一种基于双重逻辑回归的茶叶杂质识别方法,包括如下步骤:
步骤1)通过拍照的方式,把茶叶和杂质实物转换为图像;
步骤2)采用RGB彩色图像模型来采集颜色灰度值,采用中值滤波法来对图像进行平滑处理,采用图像分割把图像分割成若干个子块图像;
步骤3)针对分割出来的每个子块图像,利用颜色直方图方法,提取出颜色特征向量X1,利用边缘方向直方图方法,提取出纹理特征向量X2,利用Hu矩阵方法,提取出形状特征向量X3;
步骤4)对每个子特征进行第一次逻辑回归分析,通过Logit模型,把茶叶和杂质的每一个子特征,识别问题转换为概率问题,利用切割值来比对概率值,从而得出识别对象的每一个子特征符合茶叶的标准子特征要求或者该对象是杂质的结论;
步骤5)对总体特征进行第二次逻辑回归分析,通过Logit模型,把茶叶和杂质的总体特征识别问题转换为概率问题,从总体特征层面就做出该对象是茶叶还是杂质的结论。
优选的,所述步骤2)中,首先,采用RGB彩色图像模型来采集颜色灰度值,G、R、B分别代表红、绿、蓝三个分量,采用平均值法来对彩色图像进行灰度化操作;
其中,f(i,j)为灰度图像在(i,j)处的灰度值;
其次,采用中值滤波法来对图像进行平滑处理,去除噪音的影响。中值滤波法是将模板内的像素按灰度值大小排序,取模板中排在中间位置上的享受代替当前处理的像素,即
g(i,j)=med{f(i-k,j-l),(k,l∈W)}
其中,g(i,j)为处理后的图像,f(i,j)为灰度图像,W为二维模板,通常为奇数*奇数区域;
第三,采用图像分割把图像g(i,j)分割成若干个子块图像。采用局部阈值法,把图像分成若干个区域,每个区域对应一个阈值。分割出来的子块满足以下性质:
其中,K为分割出的子块个数,gk(i,j)区域是连通的,任意两个子区域没有共同元素。
优选的,所述步骤3)中,针对每个gk(i,j),分别提取颜色特征向量X1、纹理特征向量X2、形状特征向量X3;
提取颜色特征向量X1:利用颜色直方图方法,提取出颜色特征向量。
其中,x1ij为颜色特征向量X1中的某个特征值,i=1,…,m;j=1,…,n;
提取纹理特征向量X2:利用边缘方向直方图方法,提取出纹理特征向量;
其中,x2ij为纹理特征向量X2中的某个特征值,i=1,…,k;j=1,…,d;
提取形状特征向量X3:利用Hu矩阵方法,提取出形状特征向量;
其中,x3ij为形状特征向量X3中的某个特征值,i=1,…,p;j=1,…,q。
采用以上技术方案的有益效果是:采用双重逻辑回归来进行分析识别,能有效提高杂质识别率;从子特征层面就开始识别杂质,缩小了识别粒度,使用排除法思想缩减了工作量;logit模型方法计算简单易实现。
图1为本发明一种基于双重逻辑回归的茶叶杂质识别方法的流程图。
具体实施方式
下面详细说明本发明的优选实施方式。
一种基于双重逻辑回归的茶叶杂质识别方法,首先,为了方便识别,通过拍照的方式,把茶叶和杂质实物转换为图像;其次,采用RGB彩色图像模型来采集颜色灰度值,采用中值滤波法来对图像进行平滑处理,采用图像分割把图像分割成若干个子块图像;第三,针对分割出来的每个子块图像,利用颜色直方图方法,提取出颜色特征向量,利用边缘方向直方图方法,提取出纹理特征向量,利用Hu矩阵方法,提取出形状特征向量;第四,进行双重逻辑回归分析。a.第一次逻辑回归分析,通过Logit模型,把茶叶和杂质的每一个子特征(颜色特征、纹理特征、形状特征)识别问题转换为概率问题,利用切割值来比对概率值,从而得出识别对象的每一个子特征符合茶叶的标准子特征要求或者该对象是杂质的结论;b.第二次逻辑回归分析,通过Logit模型,把茶叶和杂质的总体特征识别问题转换为概率问题,从而从总体特征层面就做出该对象是茶叶还是杂质的结论。
针对茶叶与杂质的实物X,在识别过程中,选取颜色、纹理、形状等几种特征,作为处理对象,其中,X1,X2,X3分别代表各自子特征的特征向量,各个子特征又组合成了整个实物的特征向量,即X=[X1,X2,X3]。
实物转化为图像:
为了方便识别,通过拍照的方式,把实物转换为图像。
图像预处理:
在图像采集过程中,由于外部因素的影响(光线、摄像器材等),图像会产生噪声,需要对图像进行预处理以便于信息提取。预处理的目的就是改善图像,抑制不需要的信息或增强便于后期操作的特征。
首先,采用RGB彩色图像模型来采集颜色灰度值,G、R、B分别代表红、绿、蓝三个分量,采用平均值法来对彩色图像进行灰度化操作。
其中,f(i,j)为灰度图像在(i,j)处的灰度值。
其次,采用中值滤波法来对图像进行平滑处理,去除噪音的影响。中值滤波法是将模板内的像素按灰度值大小排序,取模板中排在中间位置上的享受代替当前处理的像素,即
g(i,j)=med{f(i-k,j-l),(k,l∈W)}
其中,g(i,j)为处理后的图像,f(i,j)为灰度图像,W为二维模板,通常为奇数*奇数区域。
第三,采用图像分割把图像g(i,j)分割成若干个子块图像。采用局部阈值法,把图像分成若干个区域,每个区域对应一个阈值。分割出来的子块满足以下性质:
其中,K为分割出的子块个数,gk(i,j)区域是连通的,任意两个子区域没有共同元素。
提取特征向量:
针对每个gk(i,j),分别提取颜色特征向量X1、纹理特征向量X2、形状特征向量X3。
提取颜色特征向量X1:利用颜色直方图方法,提取出颜色特征向量。
其中,x1ij为颜色特征向量X1中的某个特征值,i=1,…,m;j=1,…,n。
提取纹理特征向量X2:利用边缘方向直方图方法,提取出纹理特征向量。
其中,x2ij为纹理特征向量X2中的某个特征值,i=1,…,k;j=1,…,d。
提取形状特征向量X3:利用Hu矩阵方法,提取出形状特征向量。
其中,x3ij为形状特征向量X3中的某个特征值,i=1,…,p;j=1,…,q。
逻辑回归分析(第一次):
第一次逻辑回归分析,通过Logit模型,把茶叶和杂质的每一个子特征识别问题转换为概率问题,利用选取切割值来比对概率值,从而得出识别对象的每一个子特征是否符合茶叶的标准子特征要求,从而从子特征层面就做出该对象是茶叶还是杂质的结论。
从子特征层面就进行一次判别,可以提高识别率。
对颜色特征向量X1进行逻辑回归分析:假设对于颜色事件A1,因变量Y1的输出值为1(A1发生,即符合茶叶的颜色特征)或者0(A1未发生,即不符合茶叶的颜色特征),解释变量X1是m*n维向量,Y1与X1之间的关系由概率P(Y1=1)来解释,因此概率P(Y1=1)定义如下:
其中,α1ij是X1的线性模型的估计值,ε1是随机变量误差值。
通过转换公式(1),可以得到
使用Logit转换,可以得到逻辑回归模型,如(3)所示。
因此,Y1可以如下表示:
其中,p1为切割值,一般情况下p1可取值为0.5。
通过P(Y1=1)与p1值比较,可得出颜色特征识别结论:
当P(Y1=1)≥p1时,认为该事件A1发生,即颜色特征向量X1符合茶叶的颜色特征,进入下一步识别流程;
当P(Y1=1)<p1时,认为该事件A1不发生,即颜色特征向量X1不符合茶叶的颜色特征,可以得出该识别对象gk(i,j)为杂质,识别流程结束。
对纹理特征向量X2进行逻辑回归分析:假设对于纹理事件A2,因变量Y2的输出值为1(A2发生,即符合茶叶的纹理特征)或者0(A2未发生,即不符合茶叶的纹理特征),解释变量X2是k*d维向量,Y2与X2之间的关系由概率P(Y2=1)来解释,同理,可得概率P(Y2=1)定义:
其中,α2ij是X2的线性模型的估计值,ε2是随机变量误差值。
同理,Y2可得:
其中,p2为切割值,一般情况下p2可取值为0.5。
同理,可得以下结论:
当P(Y2=1)≥p2时,认为该事件A2发生,即纹理特征向量X2符合茶叶的纹理特征,进入下一步识别流程;
当P(Y2=1)<p2时,认为该事件A2不发生,即纹理特征向量X2不符合茶叶的纹理特征,可以得出该识别对象gk(i,j)为杂质,识别流程结束。
对形状特征向量X3进行逻辑回归分析:假设对于形状事件A3,因变量Y3的输出值为1(A3发生,即符合茶叶的形状特征)或者0(A3未发生,即不符合茶叶的形状特征),解释变量X3是p*q维向量,Y3与X3之间的关系由概率P(Y3=1)来解释,同理,可得概率P(Y3=1)定义:
其中,α3ij是X3的线性模型的估计值,ε3是随机变量误差值。
同理,Y3可得:
其中,p3为切割值,一般情况下p3可取值为0.5。
同理,可得以下结论:
当P(Y3=1)≥p3时,认为该事件A3发生,即形状特征向量X3符合茶叶的形状特征,进入下一步识别流程;
当P(Y3=1)<p3时,认为该事件A3不发生,即形状特征向量X3不符合茶叶的形状特征,可以得出该识别对象gk(i,j)为杂质,识别流程结束。
逻辑回归分析(第二次):
第二次逻辑回归分析,通过Logit模型,把茶叶和杂质的总体特征识别问题转换为概率问题,得出识别对象的总体特征是否符合茶叶的标准总特征要求,从而从总体特征层面就做出该对象是茶叶还是杂质的结论。
针对每个gk(i,j),总体特征为X=(X1,X2,X3),对总体特征向量X进行逻辑回归分析:假设对于总体特征事件A,因变量Y的输出值为1(A发生,即符合茶叶的总体特征)或者0(A未发生,即不符合茶叶的总体特征),解释变量X是1*3维向量,Y与X之间的关系由概率P(Y=1)来解释,因此概率P(Y=1)定义如下:
其中,(α1,α2,α3)是X的线性模型的估计值,ε是随机变量误差值。
同理,Y可得:
同理,可得以下结论:
当P(Y=1)≥p时,认为该事件A发生,即总体特征向量X符合茶叶的总体特征,可以得出该识别对象gk(i,j)为茶叶,识别流程结束;
当P(Y=1)<p时,认为该事件A不发生,即总体特征向量X不符合茶叶的总体特征,可以得出该识别对象gk(i,j)为杂质,识别流程结束。
第一,把茶叶和杂质实物转换为图像;第二,采用RGB彩色图像模型、中值滤波法、图像分割方法进行图像预处理,得到若干个子块图像gk(i,j);第三,提取gk(i,j)(k=1,2,…,K)的特征向量,利用颜色直方图方法提取出颜色特征向量X1,利用边缘方向直方图方法提取出纹理特征向量X2,利用Hu矩阵方法提取出形状特征向量X3;第四,对X1进行逻辑回归分析:当P(Y1=1)≥p1时,进入下一步识别流程;当P(Y1=1)<p1时,得出该识别对象gk(i,j)为杂质,识别流程结束;第五,对X2进行逻辑回归分析:当P(Y2=1)≥p2时,进入下一步识别流程;当P(Y2=1)<p2时,得出该识别对象gk(i,j)为杂质,识别流程结束;第六,对X3进行逻辑回归分析:当P(Y3=1)≥p3时,进入下一步识别流程;当P(Y3=1)<p3时,得出该识别对象gk(i,j)为杂质,识别流程结束;第七,对总体特征向量X=(X1,X2,X3)进行逻辑回归分析:当P(Y=1)≥p时,得出该识别对象gk(i,j)为茶叶,识别流程结束;当P(Y=1)<p时,得出该识别对象gk(i,j)为杂质,识别流程结束。
以上所述的仅是本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (3)
1.一种基于双重逻辑回归的茶叶杂质识别方法,其特征在于,包括如下步骤:
步骤1)通过拍照的方式,把茶叶和杂质实物转换为图像;
步骤2)采用RGB彩色图像模型来采集颜色灰度值,采用中值滤波法来对图像进行平滑处理,采用图像分割把图像分割成若干个子块图像;
步骤3)针对分割出来的每个子块图像,利用颜色直方图方法,提取出颜色特征向量X1,利用边缘方向直方图方法,提取出纹理特征向量X2,利用Hu矩阵方法,提取出形状特征向量X3;
步骤4)对每个子特征进行第一次逻辑回归分析,通过Logit模型,把茶叶和杂质的每一个子特征,识别问题转换为概率问题,利用切割值来比对概率值,从而得出识别对象的每一个子特征符合茶叶的标准子特征要求或者该对象是杂质的结论;
步骤5)对总体特征进行第二次逻辑回归分析,通过Logit模型,把茶叶和杂质的总体特征识别问题转换为概率问题,从总体特征层面就做出该对象是茶叶还是杂质的结论。
2.根据权利要求1所述的基于双重逻辑回归的茶叶杂质识别方法,其特征在于,所述步骤2)中,首先,采用RGB彩色图像模型来采集颜色灰度值,G、R、B分别代表红、绿、蓝三个分量,采用平均值法来对彩色图像进行灰度化操作;
其中,f(i,j)为灰度图像在(i,j)处的灰度值;
其次,采用中值滤波法来对图像进行平滑处理,去除噪音的影响。中值滤波法是将模板内的像素按灰度值大小排序,取模板中排在中间位置上的享受代替当前处理的像素,即
g(i,j)=med{f(i-k,j-l),(k,l∈W)}
其中,g(i,j)为处理后的图像,f(i,j)为灰度图像,W为二维模板,通常为奇数*奇数区域;
第三,采用图像分割把图像g(i,j)分割成若干个子块图像。采用局部阈值法,把图像分成若干个区域,每个区域对应一个阈值。分割出来的子块满足以下性质:
其中,K为分割出的子块个数,gk(i,j)区域是连通的,任意两个子区域没有共同元素。
3.根据权利要求1所述的基于双重逻辑回归的茶叶杂质识别方法,其特征在于,所述步骤3)中,针对每个gk(i,j),分别提取颜色特征向量X1、纹理特征向量X2、形状特征向量X3;
提取颜色特征向量X1:利用颜色直方图方法,提取出颜色特征向量。
其中,x1ij为颜色特征向量X1中的某个特征值,i=1,…,m;j=1,…,n;
提取纹理特征向量X2:利用边缘方向直方图方法,提取出纹理特征向量;
其中,x2ij为纹理特征向量X2中的某个特征值,i=1,…,k;j=1,…,d;
提取形状特征向量X3:利用Hu矩阵方法,提取出形状特征向量;
其中,x3ij为形状特征向量X3中的某个特征值,i=1,…,p;j=1,…,q。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110859380.4A CN113674219A (zh) | 2021-07-28 | 2021-07-28 | 一种基于双重逻辑回归的茶叶杂质识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110859380.4A CN113674219A (zh) | 2021-07-28 | 2021-07-28 | 一种基于双重逻辑回归的茶叶杂质识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113674219A true CN113674219A (zh) | 2021-11-19 |
Family
ID=78540588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110859380.4A Pending CN113674219A (zh) | 2021-07-28 | 2021-07-28 | 一种基于双重逻辑回归的茶叶杂质识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674219A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389583A (zh) * | 2014-09-05 | 2016-03-09 | 华为技术有限公司 | 图像分类器的生成方法、图像分类方法和装置 |
CN108154195A (zh) * | 2018-01-19 | 2018-06-12 | 镇江思泊丽农业有限公司 | 茶叶识别方法及使用该方法的茶叶分拣装置 |
US20190026586A1 (en) * | 2017-07-19 | 2019-01-24 | Vispek Inc. | Portable substance analysis based on computer vision, spectroscopy, and artificial intelligence |
KR20200007244A (ko) * | 2018-07-12 | 2020-01-22 | 서울대학교병원 | 치매 조기 진단용 복합 텍스처 인덱스의 생성 방법 |
CN111563519A (zh) * | 2020-04-26 | 2020-08-21 | 中南大学 | 基于Stacking加权集成学习的茶叶杂质识别方法及分选设备 |
US20210200988A1 (en) * | 2019-12-31 | 2021-07-01 | Zhejiang University | Method and equipment for classifying hepatocellular carcinoma images by combining computer vision features and radiomics features |
-
2021
- 2021-07-28 CN CN202110859380.4A patent/CN113674219A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389583A (zh) * | 2014-09-05 | 2016-03-09 | 华为技术有限公司 | 图像分类器的生成方法、图像分类方法和装置 |
US20190026586A1 (en) * | 2017-07-19 | 2019-01-24 | Vispek Inc. | Portable substance analysis based on computer vision, spectroscopy, and artificial intelligence |
CN108154195A (zh) * | 2018-01-19 | 2018-06-12 | 镇江思泊丽农业有限公司 | 茶叶识别方法及使用该方法的茶叶分拣装置 |
KR20200007244A (ko) * | 2018-07-12 | 2020-01-22 | 서울대학교병원 | 치매 조기 진단용 복합 텍스처 인덱스의 생성 방법 |
US20210200988A1 (en) * | 2019-12-31 | 2021-07-01 | Zhejiang University | Method and equipment for classifying hepatocellular carcinoma images by combining computer vision features and radiomics features |
CN111563519A (zh) * | 2020-04-26 | 2020-08-21 | 中南大学 | 基于Stacking加权集成学习的茶叶杂质识别方法及分选设备 |
Non-Patent Citations (4)
Title |
---|
刘立波;程晓龙;戴建国;赖军臣;: "基于逻辑回归算法的复杂背景棉田冠层图像自适应阈值分割", 农业工程学报, no. 12 * |
李江波等: "《图谱分析技术在农产品质量和安全评估中的应用》", 30 September 2020, 武汉大学出版社, pages: 391 - 393 * |
王文明;肖宏儒;陈巧敏;宋志禹;韩余;丁文芹;: "基于图像处理的茶叶智能识别与检测技术研究进展分析", 中国农机化学报, no. 07, 15 July 2020 (2020-07-15) * |
雷大江;杜萌;李智星;吴渝;: "稀疏多元逻辑回归问题优化算法研究", 重庆邮电大学学报(自然科学版), no. 03 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
CN110443128B (zh) | 一种基于surf特征点精确匹配的指静脉识别方法 | |
Shen et al. | Improving OCR performance with background image elimination | |
CN110309806B (zh) | 一种基于视频图像处理的手势识别系统及其方法 | |
CN108563979B (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN105719275A (zh) | 一种并行组合的图像缺陷分割方法 | |
CN112365450A (zh) | 基于图像识别的物品分类计数的方法、装置和存储介质 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN112258545A (zh) | 一种烟叶图像在线背景处理系统及在线背景处理方法 | |
CN116452506A (zh) | 一种基于机器学习的井下煤矸石智能视觉识别分选方法 | |
CN110288616B (zh) | 一种基于分形和rpca分割眼底图像中硬性渗出的方法 | |
CN111476784A (zh) | 一种基于图像增强识别技术的产品表面缺陷在线检测方法 | |
Wang et al. | Straight lane line detection based on the Otsu-Canny algorithm | |
CN108764062B (zh) | 一种基于视觉的服装裁片识别方法 | |
CN110807747B (zh) | 一种基于前景蒙版的文档图像降噪方法 | |
CN112580659A (zh) | 一种基于机器视觉的矿石识别方法 | |
CN111611940A (zh) | 一种基于大数据处理的快速视频人脸识别方法 | |
CN105512682B (zh) | 一种基于Krawtchouk矩和KNN-SMO分类器的密级标识识别方法 | |
CN113674219A (zh) | 一种基于双重逻辑回归的茶叶杂质识别方法 | |
CN115994921A (zh) | 一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法 | |
CN112651368B (zh) | 一种用于大尺寸细胞显微图像的dna倍体分析方法 | |
CN111489371B (zh) | 一种场景的直方图近似单峰分布时的图像分割方法 | |
CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
CN1641681A (zh) | 具有摄像装置的移动终端中快速输入字符信息的方法 |
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 |