CN114299299A - 一种树叶特征提取方法、装置、计算机设备和存储介质 - Google Patents
一种树叶特征提取方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114299299A CN114299299A CN202111431672.4A CN202111431672A CN114299299A CN 114299299 A CN114299299 A CN 114299299A CN 202111431672 A CN202111431672 A CN 202111431672A CN 114299299 A CN114299299 A CN 114299299A
- Authority
- CN
- China
- Prior art keywords
- leaf
- contour point
- contour
- feature
- blade
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 206010033307 Overweight Diseases 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 241000196324 Embryophyta Species 0.000 description 9
- 238000003064 k means clustering Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- WUSAVCGXMSWMQM-UHFFFAOYSA-N ambucetamide Chemical compound CCCCN(CCCC)C(C(N)=O)C1=CC=C(OC)C=C1 WUSAVCGXMSWMQM-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种树叶特征提取方法、装置、计算机设备和存储介质。所述特征提取方法包括：通过对树叶图像进行轮廓检测，获取所述树叶图像的叶片轮廓点集；从所述叶片轮廓点集中选取当前的叶片轮廓点作为中心轮廓点，通过预设的特征半径和所述中心轮廓点获取特征圆，将所述特征圆与所述叶片轮廓点集进行相交，确定两侧轮廓点的位置，获取所述两侧轮廓点与对应的中心轮廓点连线的夹角；对所述叶片轮廓点集中的叶片轮廓点进行遍历，获取多个所述夹角，对所述多个夹角进行分类，获取局部形状特征，可避免人工识别方式存在耗时长、效率低等缺陷，同时丰富特征信息、增强特征鲜明性、降低特征冗余度。
Description
技术领域
本发明涉及人工智能技术领域，特别是涉及一种树叶特征提取方法、装置、计算机设备和存储介质。
背景技术
植物多样性对稳定地球生态环境具有重要意义，因此，需要对植物种类进行统计。目前，主要通过人工方式，对植物的种类进行鉴别与统计。然而，植物种类繁多，人工方式对专业素养要求极高，且存在耗时长、效率低等缺陷。
当前，也可采用基于计算机视觉的特征提取方法，利用植物的外观形态，对植物种类进行识别。但当前的特征提取方法，存在特征信息少、特征鲜明性差、特征冗余度高等问题。
发明内容
基于此，有必要针对上述技术问题，提供一种改善特征提取效果不佳的树叶特征提取方法、装置、计算机设备和存储介质。
一方面，提供一种树叶特征提取方法，所述特征提取方法包括：
通过对树叶图像进行轮廓检测，获取所述树叶图像的叶片轮廓点集；
从所述叶片轮廓点集中选取当前的叶片轮廓点作为中心轮廓点，通过预设的特征半径和所述中心轮廓点获取特征圆，将所述特征圆与所述叶片轮廓点集进行相交，确定两侧轮廓点的位置，获取所述两侧轮廓点与对应的中心轮廓点连线的夹角；
对所述叶片轮廓点集中的叶片轮廓点进行遍历，获取多个所述夹角，对所述多个夹角进行分类，获取局部形状特征。
在其中一个实施例中，将所述特征圆与叶片轮廓点集进行相交，确定两侧轮廓点的位置包括：
将所述特征圆与叶片轮廓点集进行相交，判断相交处是否存在叶片轮廓点；
若相交处存在叶片轮廓点，则将所述叶片轮廓点作为所述中心轮廓点对应的两侧轮廓点；
若相交处不存在叶片轮廓点，则获取第一距离，将所述第一距离中与所述特征半径相匹配的叶片轮廓点作为两侧轮廓点，所述第一距离包括所述中心轮廓点与所述叶片轮廓点集中其他叶片轮廓点的距离。
在其中一个实施例中，对所述多个夹角进行分类，获取局部形状特征包括：
对所述多个夹角进行分类，获取多个分类结果；
对所述多个分类结果进行稀疏编码，获取稀疏编码结果；
根据所述稀疏编码结果，获取局部形状特征。
在其中一个实施例中，所述特征提取方法还包括：
通过对树叶图像进行二值化处理，获取所述树叶图像的叶片区域，采集所述叶片区域在多个颜色通道的颜色强度值，获取高权重颜色通道；
对所述高权重颜色通道的图像进行局部二值编码，获取局部二值编码图像；
根据所述局部二值编码图像，计算图像灰度的概率分布值，获取颜色纹理特征。
在其中一个实施例中，所述特征提取方法还包括：
根据所述叶片轮廓点集的位置信息，连接所述叶片轮廓点集中的叶片轮廓点，形成轮廓边缘图像；
根据所述轮廓边缘图像，获取轮廓多边形，所述轮廓多边形包括：最小外接圆、轮廓凸包；
根据所述最小外接圆的面积与轮廓边缘图像的面积，获取相对圆度特征；
根据叶片轮廓点集的面积与轮廓边缘图像的周长，获取绝对圆度特征；
根据所述轮廓凸包的面积与轮廓边缘图像的面积，获取紧固性特征；
将所述相对圆度特征、绝对圆度特征、紧固性特征进行融合，获取全局形状特征。
在其中一个实施例中，采集所述叶片区域在多个颜色通道的颜色强度值，获取高权重颜色通道包括：
获取多个颜色模型以及对应的颜色通道；
采集所述叶片区域在所述多个颜色通道的颜色强度值；
根据所述颜色强度值，选取高权重颜色通道。
在其中一个实施例中，所述特征提取方法还包括：
将所述局部形状特征、所述全局形状特征、所述颜色纹理特征进行融合，获取输出特征；
将所述输出特征和初始模型进行迭代训练，获取用于树叶图像识别的识别模型；
通过所述识别模型对当前的树叶图像进行识别，获取识别结果。
另一方面，提供了一种树叶特征提取装置，所述装置包括：
图像处理模块，用于通过对树叶图像进行轮廓检测，获取所述树叶图像的叶片轮廓点集；
夹角获取模块，用于从所述叶片轮廓点集中选取当前的叶片轮廓点作为中心轮廓点，通过预设的特征半径和所述中心轮廓点获取特征圆，将所述特征圆与所述叶片轮廓点集进行相交，确定两侧轮廓点的位置，获取所述两侧轮廓点与对应的中心轮廓点连线的夹角；
局部形状特征获取模块，用于对所述叶片轮廓点集中的叶片轮廓点进行遍历，获取多个所述夹角，对所述多个夹角进行分类，获取局部形状特征。
再一方面，提供了一种计算机设备，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计算机程序时实现以下步骤：
通过对树叶图像进行轮廓检测，获取所述树叶图像的叶片轮廓点集；
从所述叶片轮廓点集中选取当前的叶片轮廓点作为中心轮廓点，通过预设的特征半径和所述中心轮廓点获取特征圆，将所述特征圆与所述叶片轮廓点集进行相交，确定两侧轮廓点的位置，获取所述两侧轮廓点与对应的中心轮廓点连线的夹角；
对所述叶片轮廓点集中的叶片轮廓点进行遍历，获取多个所述夹角，对所述多个夹角进行分类，获取局部形状特征。
又一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
通过对树叶图像进行轮廓检测，获取所述树叶图像的叶片轮廓点集；
从所述叶片轮廓点集中选取当前的叶片轮廓点作为中心轮廓点，通过预设的特征半径和所述中心轮廓点获取特征圆，将所述特征圆与所述叶片轮廓点集进行相交，确定两侧轮廓点的位置，获取所述两侧轮廓点与对应的中心轮廓点连线的夹角；
对所述叶片轮廓点集中的叶片轮廓点进行遍历，获取多个所述夹角，对所述多个夹角进行分类，获取局部形状特征。
上述一种树叶特征提取方法、装置、计算机设备和存储介质，将树叶图像分割为叶片区域和叶片轮廓点集，根据所述叶片轮廓点集计算多个夹角，获取局部形状特征，可避免人工识别方式存在耗时长、效率低等缺陷，同时丰富特征信息。
附图说明
图1为一个实施例中一种树叶特征提取方法的应用环境图；
图2为一个实施例中一种树叶特征提取方法的流程示意图；
图3为一个实施例中确定两侧轮廓点位置步骤的流程示意图；
图4为一个实施例中夹角示意图；
图5为一个实施例中获取局部形状特征步骤的流程示意图；
图6为一个实施例中聚类结果示意图；
图7为一个实施例中轮廓夹角词汇特征的概率分布示意图；
图8为一个实施例中获取颜色纹理特征步骤的流程示意图；
图9为一个实施例中局部二值模式编码图像示意图；
图10为一个实施例中词汇特征的局部二值模式编码直方图；
图11为一个实施例中获取全局形状特征步骤的流程示意图；
图12为一个实施例中获取高权重颜色通道步骤的流程示意图；
图13为一个实施例中颜色特征重要性示意图；
图14为一个实施例中融合特征步骤的流程示意图；
图15为一个实施例中图像处理步骤的流程示意图；
图16为一个实施例中树叶特征提取装置的结构框图；
图17为另一个实施例中树叶特征提取装置的结构框图；
图18为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的一种树叶特征提取方法，可以应用于如图1所示的应用环境中。其中，终端200通过网络与服务器201进行通信。例如，本申请提供的特征提取方法，可以在终端200或者服务器201获取树叶图像，提取树叶特征，并将所述树叶特征作为待训练模型的输入数据，更新待训练模型的参数，得到训练完成的模型，然后可以在终端200或者服务器201采用所述训练完成的模型，对树叶图像进行识别、分类，获取树叶图像的识别、分类结果。其中，终端200可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备或者子服务器，服务器201可以用独立的服务器或者是多个服务器组成的服务器集群或者云计算平台来实现。
在一个实施例中，如图2所示，提供了一种树叶特征提取方法，包括以下步骤：
S1：通过对树叶图像进行轮廓检测，获取所述树叶图像的叶片轮廓点集；
S2：从所述叶片轮廓点集中选取当前的叶片轮廓点作为中心轮廓点，通过预设的特征半径和所述中心轮廓点获取特征圆，将所述特征圆与所述叶片轮廓点集进行相交，确定两侧轮廓点的位置，获取所述两侧轮廓点与对应的中心轮廓点连线的夹角；
S3：对所述叶片轮廓点集中的叶片轮廓点进行遍历，获取多个所述夹角，对所述多个夹角进行分类，获取局部形状特征。
通过上述步骤，可获取所述树叶图像的叶片轮廓点集，根据所述叶片轮廓点集中的叶片轮廓点，选取中心轮廓点及其对应的两侧轮廓点，计算两侧轮廓点与对应的中心轮廓点连线的夹角，获取局部形状特征，可丰富特征信息。
树叶图像包括背景区域与叶片区域，无法直接提取特征用于后续识别、分类，因此对叶片进行识别之前，需要将背景区域与叶片区域进行分割，在步骤S1中，示例性地说明，对图像进行预处理，去除图像噪声，以减小噪声对实验的干扰，然后分割植物叶片图像的背景区域与叶片区域，获取叶片区域和叶片轮廓点集，例如，可采用基于大津阈值法(OTSU)的分割方法，处理彩色图片中蓝色通道的图像，得到叶片区域和背景区域分割的二值图像，将叶片区域进行轮廓检测，得到叶片轮廓点集。
为了获取叶片的局部形状特征，需获取两侧轮廓点与对应的中心轮廓点连线的夹角，在步骤S2中，示例性地说明，在叶片轮廓点集中，选取当前的一个叶片轮廓点作为中心轮廓点，然后以所述中心轮廓点为圆心，根据预设的特征半径，获取特征圆，将所述特征圆与所述叶片轮廓点集进行相交，确定所述中心轮廓点对应的两侧轮廓点的位置，并计算所述两侧轮廓点与对应的中心轮廓点连线的夹角。
叶片轮廓点集中存在多个叶片轮廓点，即存在多个中心轮廓点以及对应的夹角，所述多个夹角之间可能存在相同或相似的特征，而且由于轮廓点数量庞大，也不能直接将所有轮廓点的夹角作为特征数据，因此在步骤S3中，示例性地说明，遍历所述叶片轮廓点集中的叶片轮廓点，获取多个夹角，然后对所述多个夹角进行分类，可采用K均值聚类算法对所述多个夹角进行无监督分类，聚类训练完成后获取多个聚类中心，同时为了去除冗余和噪声干扰，可采用词汇袋算法对聚类中心进行稀疏编码，获取局部形状特征。
由于叶片轮廓点集中的叶片轮廓点处于离散分布状态，因此特征圆与叶片轮廓点集进行相交时可能无法直接获取叶片轮廓点，因此如图3所示，将所述特征圆与叶片轮廓点集进行相交，确定两侧轮廓点的位置的步骤S2还包括：
S21：将所述特征圆与叶片轮廓点集进行相交，判断相交处是否存在叶片轮廓点；
S22：若相交处存在叶片轮廓点，则将所述叶片轮廓点作为所述中心轮廓点对应的两侧轮廓点；
S23：若相交处不存在叶片轮廓点，则获取第一距离，将所述第一距离中与所述特征半径相匹配的叶片轮廓点作为两侧轮廓点，所述第一距离包括所述中心轮廓点与所述叶片轮廓点集中其他叶片轮廓点的距离。
通过上述步骤，可判断所述叶片轮廓集中所有叶片轮廓点分别与中心轮廓点的距离，获取所述中心轮廓点对应的两侧轮廓点的位置。
在步骤S21中，示例性地说明，将根据当前中心轮廓点与特征半径所获取的特征圆与叶片轮廓点集进行相交，判断相交处是否存在叶片轮廓点。
在步骤S22中，示例性地说明，相交处存在叶片轮廓点，则将所述叶片轮廓点作为所述中心轮廓点对应的两侧轮廓点。
在步骤S23中，示例性地说明，相交处无叶片轮廓点，设中心轮廓点为C0，如图4所示，预设的特征半径为r，以中心轮廓点C0为圆心，以r为半径，形成特征圆，获取所述中心轮廓点C0与所述叶片轮廓点集中其他叶片轮廓点的距离，作为第一距离，分别在所述中心轮廓点C0的左右两侧，寻找第一距离中距离数值最接近r的轮廓点，作为所述中心轮廓点对应的两侧轮廓点，设中心轮廓点的轮廓下标为i，则两侧轮廓点Pi1和Pi2的轮廓下标j0与j1满足如下数学表达：
其中，j0和j1分别表示两侧轮廓点Pi1和Pi2对应的轮廓下标，di0和di1分别表示两侧轮廓点Pi1和Pi2到中心轮廓点Ci的距离
由于一个中心轮廓点对应一个夹角，而一个叶片图像可以提取多个中心轮廓点，则存在多个夹角，并且所述多个夹角可能存在相同或相似的特征，并且由于轮廓点数量庞大，无法将所有夹角直接作为特征数据，因此对所述多个夹角进行分类，如图5所示，对所述多个夹角进行分类，获取局部形状特征还包括：
S31：对所述多个夹角进行分类，获取多个分类结果；
S32：对所述多个分类结果进行稀疏编码，获取稀疏编码结果；
S33：根据所述稀疏编码结果，获取局部形状特征。
通过上述步骤，可提升特征可区分性，解决因特征相似而导致分类效果差的问题，同时降低特征的冗余度。
在步骤S31中，示例性地说明，可通过K均值聚类算法对两个相邻的夹角θ0与θ1进行无监督聚类训练，得到若干个聚类中心，每一个聚类中心可对应一个词汇特征，如图6所示，获取叶片轮廓夹角的K均值聚类算法的聚类结果，其中，横坐标表示夹角θ0，纵坐标表示夹角θ1。
在一些实施过程中，对于步骤S31，还可采用K中位值聚类算法对多个轮廓线段夹角进行无监督聚类，即采用数据集的中位数进行计算中心点，可有效避免数据集中存在异常值的影响。
在一些实施过程中，对于步骤S31，还可采用均值飘逸聚类算法对多个轮廓线段夹角进行聚类，通过将中心点的候选点更新为滑动窗口内点的均值来完成，来定位每个类的中心点，然后对这些候选窗口中存在相似度高的窗口进行去除操作，最终形成中心点集及相应的分组，可在不预先获取分类组数的情况下对数据集进行分类，并且受均值影响小，提升聚类性能。
在步骤S32中，示例性地说明，对所述多个分类结果进行稀疏编码，获取稀疏编码结果，例如，采用词汇袋算法对多个聚类中心稀疏编码，统计叶片包含的夹角中各个词汇特征的数目，则得到词汇特征概率分布的直方图，如图7所示，其中，横坐标表示夹角序号，纵坐标表示概率分布数值，夹角序号为29的特征具有最大的概率分布数值。
在步骤S33中，示例性地说明，根据所述词汇特征概率分布的直方图，将概率分布数值作为局部形状特征。
在一个实施例中，如图8所示，提供了一种树叶特征提取方法，还包括：
S41：通过对树叶图像进行二值化处理，获取所述树叶图像的叶片区域，采集所述叶片区域在多个颜色通道的颜色强度值，获取高权重颜色通道；
S42：对所述高权重颜色通道的图像进行局部二值编码，获取局部二值编码图像；
S43：根据所述局部二值编码图像，计算图像灰度的概率分布值，获取颜色纹理特征。
通过上述步骤，不仅增加了叶片颜色信息，而且强化了叶片表面纹理分布的特征信息，可进一步增强特征的鲜明性，增加特征信息类型。
在步骤S41中，示例性地说明，通过对图像进行二值化处理，获取所述树叶图像的叶片区域，选取多个颜色通道，采集所述叶片区域在所述多个颜色通道的颜色强度平均值，选择一个对叶片分类识别贡献高的颜色通道，作为高权重颜色通道。
在步骤S42中：对所述高权重颜色通道的图像进行局部二值编码，选择与词汇特征的距离最近的叶片轮廓点，然后将高权重颜色通道的颜色特征和纹理特征进行结合，形成局部特征区域，获取局部二值编码图像，如图9所示，其中，曲线区域为树叶图像，矩形框的叶片区域为词汇特征的局部二值编码图像。
在步骤S43中，示例性地说明，统计通过步骤S42获取的所有词汇特征对应的颜色局部二值编码图像，计算局部二值编码图像的灰度直方图，即可得到局部二值直方图特征，如图10所示，为词汇特征对应的LBP直方图，其中，横坐标表示LBP编码值，纵坐标表示概率数值，通过所述直方图纵坐标的概率数值，可描述词汇特征所在特征区域的颜色纹理属性。
针对不同植物种类，叶片轮廓点集的几何形态属性具有多样性，而根据叶片轮廓点集构造的轮廓多边形可从不同角度反映叶片的形状特征。
在一个实施例中，如图11所示，提供了一种树叶特征提取方法，还包括：
S51：根据所述叶片轮廓点集的位置信息，连接所述叶片轮廓点集中的叶片轮廓点，形成轮廓边缘图像；
S52：根据所述轮廓边缘图像，获取轮廓多边形，所述轮廓多边形包括：最小外接圆、轮廓凸包；
S53：根据所述最小外接圆的面积与轮廓边缘图像的面积，获取相对圆度特征；
S54：根据叶片轮廓点集的面积与轮廓边缘图像的周长，获取绝对圆度特征；
S55：根据所述轮廓凸包的面积与轮廓边缘图像的面积，获取紧固性特征；
S56：将所述相对圆度特征、绝对圆度特征、紧固性特征进行融合，获取全局形状特征。
通过上述步骤，可根据叶片轮廓点构成的几何形态属性，获取全局形状特征，且数据量小、鲁棒性优，同时增加了特征数目，丰富了特征类型。
在步骤S51中，示例性地说明，可将叶片轮廓点集映射至笛卡尔坐标系，连接所述叶片轮廓点集中的叶片轮廓点，形成轮廓边缘图像。
在步骤S52中，示例性地说明，获取叶片轮廓点分别在X轴与Y轴上的最大值与最小值，根据所述最大值与最小值，获取叶片轮廓点集的最小外接圆和轮廓凸包，例如，最小外接圆半径为R，轮廓凸包面积为Aconvex、周长为Pconvex，轮廓边缘图像面积为Acontour、周长为Pcontour。
在步骤S53中，相对圆度特征的数学表达为：
relativeRoundness＝Acontour/(π*R2)
其中，relativeRoundness为所述相对圆度特征，Acontour为轮廓边缘图像面积，R为最小外接圆半径，π为圆周率，相对圆度特征描述了轮廓边缘图像的形状与最小外接圆的相似程度，relativeRoundness数值越接近1，表示轮廓边缘图像的形状越接近于最小外接圆。
在步骤S54中，绝对圆度特征的数学表达为：
absoluteRoundess＝(4*π*Acontour)/(Pcontour)2
其中，absoluteRoundess为所述绝对圆度特征，Acontour为轮廓边缘图像面积，Pcontour为轮廓边缘图像周长，绝对圆度描述了轮廓边缘图像本身的圆形程度，当absoluteRoundess的数值越接近1，表示轮廓边缘图像的形状越接近一个完美的圆形，当absoluteRoundess越接近于0，表示轮廓边缘图像的形状是一个接近于直线的多边形或者矩形。
在步骤S55中，紧固性特征的数学表达为：
solidity＝Acontour/Aconvex
其中，solidity为所述紧固性特征，Acontour为轮廓边缘图像面积，Aconvex为轮廓凸包面积，紧固性特征描述了轮廓边缘图像的紧固性质。
在步骤S56中，将所述相对圆度特征、绝对圆度特征、紧固性特征进行融合，获取全局形状特征，并且所述全局形状特征计算方式简单，数据量小，并且具有较强的鲁棒性，可从轮廓角度对叶片进行特征提取，描述了叶片的轮廓信息。
在一些实施过程中，对于步骤S52，还可根据所述最大值与最小值，获取叶片轮廓点集的最小外接矩形，例如，最小外接矩形长度为L、宽度为W、面积为Arect。
在一些实施过程中，根据所述最小外接矩形，还可获取如下特征：
例如，矩形宽长比特征，数学表达为：
aspectRatio＝W/L
其中，aspectRatio为所述矩形宽长比特征，W为矩形宽度，L为矩形长度，矩形宽长比可描述最小外接矩形的几何特征，例如矩形“胖”、“瘦”、“长”、“短”信息。
例如，矩形度特征，数学表达为：
rectangularity＝Acontour/Arect
其中，rectangularity为所述矩形度特征，Acontour为轮廓边缘图像面积，Arect为最小外接矩形的面积，矩形度描述了轮廓边缘图像形状与最小外接矩形的接近程度，矩形度数值越接近1，轮廓边缘图像的形状越接近最小外接矩形。
例如，凸性特征，数学表达为：
convex＝Pcontour/Pconvex
其中，convex为所述凸性特征，Pcontour为轮廓边缘图像面积，Pconvex为轮廓凸包面积，凸性特征描述了轮廓边缘图像的凹凸性
因此，在一些实施过程中，还可将所述矩形宽长比特征、矩形度特征、相对圆度特征、绝对圆度特征、紧固性特征、凸性特征进行融合，获取全局形状特征，并且所述全局形状特征计算方式简单，并且具有较强的鲁棒性。
在一个实施例中，如图12所示，采集所述叶片区域在多个颜色通道的颜色强度值，获取高权重颜色通道S41的步骤还包括：
S411：获取多个颜色模型以及对应的颜色通道；
S412：采集所述叶片区域在所述多个颜色通道的颜色强度值；
S413：根据所述颜色强度值，选取高权重颜色通道。
通过上述步骤，可采集所述叶片区域在多个颜色通道的颜色强度值，并获取高权重颜色通道。
在步骤S411中，示例性地说明，选取多个颜色模型，其中多个颜色模型可以为：BGR模型、HSV模型、LAB模型、YUV模型、YIQ模型，HIS模型等模型，可选取其中5个模型，分别为：BGR模型、HSV模型、LAB模型、YUV模型、YIQ模型，获取B、G、R、H、S、V、L、A、B、Y、U、V、Y、I、Q，一共15个颜色通道。
在步骤S412中，示例性地说明，采集叶片区域在B、G、R、H、S、V、L、A、B、Y、U、V、Y、I、Q，一共15个颜色通道的颜色强度平均值。
在步骤S413中，示例性地说明，根据所述颜色强度值，采用决策树学习模型等方法计算多个颜色通道的特征重要性，选择一个对叶片识别、分类贡献高的颜色通道，即高权重颜色通道，如图13所示，其中，横坐标为颜色特征的序号，纵坐标表示特征重要性的数值，根据图13可知，R颜色通道的特征重要性数值最大，因此R通道对识别、分类的贡献率最高，选取R通道为高权重颜色通道。
在一个实施例中，如图14所示，提供了一种树叶特征提取方法，还包括：
S61：将所述局部形状特征、所述全局形状特征、所述颜色纹理特征进行融合，获取输出特征；
S62：将所述输出特征和初始模型进行迭代训练，获取用于树叶图像识别的识别模型；
S63：通过所述识别模型对当前的树叶图像进行识别，获取识别结果。
通过上述步骤，可将所述局部形状特征、所述全局形状特征、所述颜色纹理特征进行融合，获取输出特征，且所述输出特征具有特征信息丰富、特征鲜明性强、特征冗余度低等优势，将所述输出特征和初始模型进行迭代训练，获取用于树叶图像识别的识别模型，通过所述识别模型对当前的树叶图像进行识别，获取识别结果。
在步骤S61中，示例性地说明，将所述局部形状特征、所述全局形状特征、所述颜色纹理特征进行融合，获取输出特征，丰富特征信息、增强特征鲜明性、降低特征冗余度。
在步骤S62中，示例性地说明，将所述输出特征和初始模型进行迭代训练，迭代过程中更新初始模型的权重、阈值、学习率等参数，直到满足迭代停止条件，获取用于树叶图像识别的识别模型。
在步骤S63中，示例性地说明，获取识别模型后，将树叶图像作为输入，输出识别结果，可对树叶图像进行识别。
通常，植物叶片图像包括背景区域与叶片区域，且图像中可能存在噪声，无法直接提取特征用于后续识别、分类，因此对叶片进行识别之前，需要将背景区域与叶片区域进行分割，如图15所示，对图像进行二值化处理，获取叶片区域和叶片轮廓点的步骤S1包括：
S11：获取树叶图像，对所述树叶图像进行降噪处理，去除噪声；
S12：对所述树叶图像进行二值化处理，采用阈值分割法，将所述树叶图像中的叶片和背景进行分割，获取叶片区域和背景区域；
S13：根据所述叶片区域，采用轮廓检测算法，获取叶片轮廓点集。
通过上述步骤，可采用图像降噪算法对图像进行处理，改善图像质量，采用大津阈值法将图像分割为叶片区域与背景区域，采用轮廓检测算法获取叶片轮廓点，便于后续进行多区域的特征提取步骤，提升特征提取的精准度。
如图15所示，在步骤S11中，示例性地说明，数字图像在数字化和传输过程中，可能受到成像设备、外部环境干扰等影响，存在加性噪声、乘性噪声和量化噪声，可采用中值滤波、均值滤波、小波变换等方式，去除图像的噪声，减小图像受污染程度，改善图像质量。
如图15所示，在步骤S12中，示例性地说明，为区分白色背景区域和叶片区域的颜色差异，提取彩色图片的蓝色通道图像，将原始图像转换为灰度图，采用大津阈值法，按图像的灰度特性，计算使类间方差公式最大化的灰度级，作为OTSU阈值，将图像所有元素按OTSU阈值划分为两类，即将图像分割为背景区域与叶片区域，提升叶片辨识度，便于后续获取叶片轮廓点集。
在一些实施过程中，对于步骤S12，示例性地说明，若图像中存在非均匀光照、复杂背景等情况，图像的灰度可能分布不均匀，此时可采用局部阈值分割方法，比如Sauvola算法，输入灰度图像后，以当前像素点为中心，根据当前像素点邻域内的灰度均值与标准方差，计算该像素点的阈值，遍历所有像素点，各像素点按其对应的阈值进行划分，将存在非均匀光照或复杂背景等情况的图像，分割为背景区域与叶片区域，提升后续获取叶片轮廓点集的清晰度与准确度。
如图15所示，在步骤S13中，示例性地说明，通过步骤S12将图像进行二值化后，采用轮廓检测算法，对叶片区域的边缘进行提取，得到叶片轮廓的一系列离散像素点，即叶片轮廓点集，便于进行特征提取步骤。
通过上述步骤，可有效去除图像的噪声，减小图像受污染程度，改善图像质量，并且将图像中的叶片区域与背景区域进行分割。
应该理解的是，虽然图3至图15中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图3至图15中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一些实施例中，如图16所示，提供了一种树叶特征提取装置，所述装置包括：
图像处理模块，用于通过对树叶图像进行轮廓检测，获取所述树叶图像的叶片轮廓点集；
夹角获取模块，用于从所述叶片轮廓点集中选取当前的叶片轮廓点作为中心轮廓点，通过预设的特征半径和所述中心轮廓点获取特征圆，将所述特征圆与所述叶片轮廓点集进行相交，确定两侧轮廓点的位置，获取所述两侧轮廓点与对应的中心轮廓点连线的夹角；
局部形状特征获取模块，用于对所述叶片轮廓点集中的叶片轮廓点进行遍历，获取多个所述夹角，对所述多个夹角进行分类，获取局部形状特征。
在图像处理模块中，示例性地说明，采用中值滤波、均值滤波、小波变换等方式，对加性噪声、乘性噪声和量化噪声进行降噪处理，减小图像受污染程度，改善图像质量，图像降噪算法对图像进行处理，改善图像质量，然后提取彩色图片的一个颜色通道图像，比如蓝色、红色或绿色通道，将原始图像转换为灰度图，按图像的灰度特性，计算使类间方差公式最大化的灰度级，采用OTSU阈值法、Sauvola算法等阈值分割算法，将图像分割为叶片区域与背景区域，最后采用轮廓检测算法获取叶片轮廓点，便于后续进行多区域的特征提取步骤，提升特征提取的精准度。在一些实施过程中，还可采用Bersen算法对图像进行二值化处理，设定两个阈值，分别为T1、T2，选取图像中任意一个元素作为中心元素P0，计算中心元素灰度值为G0，获取所述中心元素大小为k*k窗口内的所有像素，计算所述k*k窗口内所有像素的灰度值，获取最小灰度值G1与最大灰度值G2，计算最小灰度值G1与最大灰度值G2的均值T3,3，若G2-G1>T1,则中心元素P0的灰度阈值为T3，若T3>T2，则将中心元素P0的灰度值G0设置为0，若T3<T2，则将中心元素P0的灰度值G0设置为255，若G2-G1<T1，则表示所述k*k窗口区域内的灰度数值差别较小，即所述窗口区域在目标区或背景区，此时判断T3与T2的数值大小，若T3>T2，则将中心元素P0的灰度值G0设定为255，否则设为0，然后选取其余元素作为中心元素，重复上述步骤，对图像进行分割，获取叶片区域与背景区域，其中，G0，G1，G2，P0，T1，T2，T3为非负整数。
在夹角获取模块中，示例性地说明，根据当前中心轮廓点与特征半径所获取的特征圆与叶片轮廓点集进行相交，判断相交处是否存在叶片轮廓点；若相交处存在叶片轮廓点，则将所述叶片轮廓点作为所述中心轮廓点对应的两侧轮廓点；若相交处无叶片轮廓点，设中心轮廓点为C0，预设的特征半径为r，以中心轮廓点C0为圆心，以r为半径，形成特征圆，获取所述中心轮廓点C0与所述叶片轮廓点集中其他叶片轮廓点的距离，作为第一距离，分别在所述中心轮廓点C0的左右两侧，寻找第一距离中距离数值最接近r的轮廓点，作为所述中心轮廓点对应的两侧轮廓点，设中心轮廓点的轮廓下标为i，则两侧轮廓点Pi1和Pi2的轮廓下标j0与j1满足如下数学表达：
其中，j0和j1分别表示两侧轮廓点Pi1和Pi2对应的轮廓下标，di0和di1分别表示两侧轮廓点Pi1和Pi2到中心轮廓点Ci的距离。获取中心轮廓点以及对应的两侧轮廓点后，计算两侧轮廓点与对应的中心轮廓点连线的夹角。
在局部特征获取模块中，示例性地说明，采用K均值聚类算法、均值漂移聚类算法等算法，对多个夹角进行分类，采用词汇袋算法对多组轮廓线段夹角进行稀疏编码，获取局部形状特征，在一些实施过程中，还可采用高斯混合模型最大期望聚类算法，首先假设数据点呈高斯分布，相对于K均值聚类算法中假设数据点是圆形，高斯分布可以假设数据点为椭圆形，可适配于更多数据集，利用两个参数来描述簇的形状：均值和标准差，而所述簇可以采取任何形状的椭圆形，因为在X轴与Y轴方向上都有标准差，因此，每个高斯分布被分配给单个簇，计算每个数据点属于每个簇的概率，并且计算高斯分布参数，使所述数据点的概率最大数，并使用数据点概率的加权计算，更新所述参数，可以为一个数据点定义可能存在不同簇的概率，可更有效、更合适地对数据进行分类。
在一些实施例中，如图17所示，提供了一种树叶特征提取装置，所述装置还包括图像处理模块、夹角获取模块、局部形状特征获取模块、颜色纹理特征获取模块、全局形状特征获取模块和特征融合模块。
在颜色纹理特征获取模块中，示例性地说明，在颜色纹理特征获取模块中，示例性地说明，在一些实施过程中，还可选取不同数量的颜色模型，例如，选取BGR模型、HSV模型、LAB模型、YUV模型，一共4个颜色模型，针对该4个模型的B、G、R、H、S、V、L、A、B、Y、U、V，一共12个颜色通道，通过对树叶图像进行二值化处理，获取所述树叶图像的叶片区域，对所述叶片区域计算每个颜色通道的强度平均值，采用决策树学习等模型，对不同颜色通道的特征重要性进行计算，选择一个对叶片分类识别贡献高的颜色通道，作为高权重颜色通道，对高权重颜色通道的图像进行局部二值编码，选择与词汇特征的距离最近的叶片轮廓点，然后高权重颜色通道的颜色特征和纹理特征进行结合，形成局部特征区域，获取局部二值编码图像，统计所有词汇特征对应的颜色局部二值编码图像，计算局部二值编码图像的灰度直方图，得到局部二值直方图特征，根据所述直方图纵坐标的概率数值，可描述词汇特征所在特征区域的颜色纹理属性，获取颜色纹理特征。
在全局特征获取模块中，示例性地说明，可将叶片轮廓点集映射至笛卡尔坐标系，连接所述叶片轮廓点集中的叶片轮廓点，形成轮廓边缘图像，获取叶片轮廓点集分别在X轴与Y轴上的最大值与最小值，根据所述最大值与最小值，获取叶片轮廓点集的最小外接矩形、最小外接圆和轮廓凸包然后将轮廓边缘图像面积、轮廓边缘图像周长分别与各轮廓多边形的面积与周长进行比较，计算得到矩形宽长比特征、矩形度特征、相对圆度特征、绝对圆度特征、紧固性特征和凸性特征等特征，将所述矩形宽长比特征、矩形度特征、相对圆度特征、绝对圆度特征、紧固性特征和凸性特征进行融合，获取叶片的全局形状特征。
在特征融合模块中，将所述局部形状特征、颜色纹理特征和全局形状特征进行融合，获取输出特征，可丰富特征信息、增强特征鲜明性、降低特征冗余度，将所述输出特征和初始模型进行迭代训练，获取用于树叶图像识别的识别模型，可通过所述识别模型对当前的树叶图像进行识别，获取识别结果。
通过上述装置，可将局部形状特征、颜色纹理特征和全局形状特征进行融合，获取输出特征，将所述输出特征和初始模型进行迭代训练，获取用于树叶图像识别的识别模型，可通过所述识别模型对当前的树叶图像进行识别，获取识别结果，避免人工识别方式存在耗时长、效率低等缺陷，同时丰富特征信息、增强特征鲜明性、降低特征冗余度。
关于树叶特征提取装置的具体限定可以参见上文中对于树叶特征提取方法的限定，在此不再赘述。上述树叶特征提取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图18所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储特征提取的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种树叶特征提取方法。
本领域技术人员可以理解，图18中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：
通过对树叶图像进行轮廓检测，获取所述树叶图像的叶片轮廓点集；
从所述叶片轮廓点集中选取当前的叶片轮廓点作为中心轮廓点，通过预设的特征半径和所述中心轮廓点获取特征圆，将所述特征圆与所述叶片轮廓点集进行相交，确定两侧轮廓点的位置，获取所述两侧轮廓点与对应的中心轮廓点连线的夹角；
对所述叶片轮廓点集中的叶片轮廓点进行遍历，获取多个所述夹角，对所述多个夹角进行分类，获取局部形状特征。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
通过对树叶图像进行轮廓检测，获取所述树叶图像的叶片轮廓点集；
从所述叶片轮廓点集中选取当前的叶片轮廓点作为中心轮廓点，通过预设的特征半径和所述中心轮廓点获取特征圆，将所述特征圆与所述叶片轮廓点集进行相交，确定两侧轮廓点的位置，获取所述两侧轮廓点与对应的中心轮廓点连线的夹角；
对所述叶片轮廓点集中的叶片轮廓点进行遍历，获取多个所述夹角，对所述多个夹角进行分类，获取局部形状特征。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种树叶特征提取方法，其特征在于，包括：
通过对树叶图像进行轮廓检测，获取所述树叶图像的叶片轮廓点集；
从所述轮廓点集中选取当前的叶片轮廓点作为中心轮廓点，通过预设的特征半径和所述中心轮廓点获取特征圆，将所述特征圆与所述叶片轮廓点集进行相交，确定两侧轮廓点的位置，获取所述两侧轮廓点与对应的中心轮廓点连线的夹角；
对所述叶片轮廓点集中的叶片轮廓点进行遍历，获取多个所述夹角，对所述多个夹角进行分类，获取局部形状特征。
2.根据权利要求1所述的树叶特征提取方法，其特征在于，将所述特征圆与叶片轮廓点集进行相交，确定两侧轮廓点的位置包括：
将所述特征圆与叶片轮廓点集进行相交，判断相交处是否存在叶片轮廓点；
若相交处存在叶片轮廓点，则将所述叶片轮廓点作为所述中心轮廓点对应的两侧轮廓点；
若相交处不存在叶片轮廓点，则获取第一距离，将所述第一距离中与所述特征半径相匹配的叶片轮廓点作为两侧轮廓点，所述第一距离包括所述中心轮廓点与所述叶片轮廓点集中其他叶片轮廓点的距离。
3.根据权利要求1所述的树叶特征提取方法，其特征在于，对所述多个夹角进行分类，获取局部形状特征包括：
对所述多个夹角进行分类，获取多个分类结果；
对所述多个分类结果进行稀疏编码，获取稀疏编码结果；
根据所述稀疏编码结果，获取局部形状特征。
4.根据权利要求1所述的树叶特征提取方法，其特征在于，还包括：
通过对树叶图像进行二值化处理，获取所述树叶图像的叶片区域，采集所述叶片区域在多个颜色通道的颜色强度值，获取高权重颜色通道；
对所述高权重颜色通道的图像进行局部二值编码，获取局部二值编码图像；
根据所述局部二值编码图像，计算图像灰度的概率分布值，获取颜色纹理特征。
5.根据权利要求4所述的树叶特征提取方法，其特征在于，还包括：
根据所述叶片轮廓点集的位置信息，连接所述叶片轮廓点集中的叶片轮廓点，形成轮廓边缘图像；
根据所述轮廓边缘图像，获取轮廓多边形，所述轮廓多边形包括：最小外接圆、轮廓凸包；
根据所述最小外接圆的面积与轮廓边缘图像的面积，获取相对圆度特征；
根据叶片轮廓点集的面积与轮廓边缘图像的周长，获取绝对圆度特征；
根据所述轮廓凸包的面积与轮廓边缘图像的面积，获取紧固性特征；
将所述相对圆度特征、绝对圆度特征、紧固性特征进行融合，获取全局形状特征。
6.根据权利要求4所述的树叶特征提取方法，其特征在于，采集所述叶片区域在多个颜色通道的颜色强度值，获取高权重颜色通道包括：
获取多个颜色模型以及对应的颜色通道；
采集所述叶片区域在所述多个颜色通道的颜色强度值；
根据所述颜色强度值，选取高权重颜色通道。
7.根据权利要求5所述的树叶特征提取方法，其特征在于，还包括：
将所述局部形状特征、所述全局形状特征、所述颜色纹理特征进行融合，获取输出特征；
将所述输出特征和初始模型进行迭代训练，获取用于树叶图像识别的识别模型；
通过所述识别模型对当前的树叶图像进行识别，获取识别结果。
8.一种树叶特征提取装置，其特征在于，所述装置包括：
图像处理模块，用于通过对树叶图像进行二值化处理，获取所述树叶图像的叶片区域和叶片轮廓点集；
夹角获取模块，用于从所述叶片轮廓点集中选取当前的叶片轮廓点作为中心轮廓点，通过预设的特征半径和所述中心轮廓点获取特征圆，将所述特征圆与所述叶片轮廓点集进行相交，确定两侧轮廓点的位置，获取所述两侧轮廓点与对应的中心轮廓点连线的夹角；
局部形状特征获取模块，用于对所述叶片轮廓点集中的叶片轮廓点进行遍历，获取多个所述夹角，对所述多个夹角进行分类，获取局部形状特征。
9.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述树叶特征提取方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述树叶特征提取方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111431672.4A CN114299299B (zh) | 2021-11-29 | 2021-11-29 | 一种树叶特征提取方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111431672.4A CN114299299B (zh) | 2021-11-29 | 2021-11-29 | 一种树叶特征提取方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114299299A true CN114299299A (zh) | 2022-04-08 |
| CN114299299B CN114299299B (zh) | 2024-01-23 |
Family
ID=80965871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111431672.4A Active CN114299299B (zh) | 2021-11-29 | 2021-11-29 | 一种树叶特征提取方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114299299B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998614A (zh) * | 2022-08-08 | 2022-09-02 | 浪潮电子信息产业股份有限公司 | 一种图像处理方法、装置、设备及可读存储介质 |
| CN117612270A (zh) * | 2023-12-05 | 2024-02-27 | 飞虎互动科技(北京)有限公司 | 弱网环境下的身份验证方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107886114A (zh) * | 2017-10-27 | 2018-04-06 | 小草数语（北京）科技有限公司 | 植物叶片的特征提取方法、识别方法、装置和计算机设备 |
| CN109558883A (zh) * | 2018-12-03 | 2019-04-02 | 宁夏智启连山科技有限公司 | 叶片特征提取方法及装置 |
| CN112085755A (zh) * | 2020-09-14 | 2020-12-15 | 贝壳技术有限公司 | 物体轮廓检测方法、装置以及设备、存储介质 |
| CN113066095A (zh) * | 2021-03-18 | 2021-07-02 | 上海威士顿信息技术股份有限公司 | 重建烟叶轮廓的方法、系统及计算机可读存储介质 |
-
2021
- 2021-11-29 CN CN202111431672.4A patent/CN114299299B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107886114A (zh) * | 2017-10-27 | 2018-04-06 | 小草数语（北京）科技有限公司 | 植物叶片的特征提取方法、识别方法、装置和计算机设备 |
| CN109558883A (zh) * | 2018-12-03 | 2019-04-02 | 宁夏智启连山科技有限公司 | 叶片特征提取方法及装置 |
| CN112085755A (zh) * | 2020-09-14 | 2020-12-15 | 贝壳技术有限公司 | 物体轮廓检测方法、装置以及设备、存储介质 |
| CN113066095A (zh) * | 2021-03-18 | 2021-07-02 | 上海威士顿信息技术股份有限公司 | 重建烟叶轮廓的方法、系统及计算机可读存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998614A (zh) * | 2022-08-08 | 2022-09-02 | 浪潮电子信息产业股份有限公司 | 一种图像处理方法、装置、设备及可读存储介质 |
| CN114998614B (zh) * | 2022-08-08 | 2023-01-24 | 浪潮电子信息产业股份有限公司 | 一种图像处理方法、装置、设备及可读存储介质 |
| CN117612270A (zh) * | 2023-12-05 | 2024-02-27 | 飞虎互动科技(北京)有限公司 | 弱网环境下的身份验证方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114299299B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107609549B (zh) | 一种自然场景下证件图像的文本检测方法 | |
| CN110110799B (zh) | 细胞分类方法、装置、计算机设备和存储介质 | |
| CN109255344B (zh) | 一种基于机器视觉的数显式仪表定位与读数识别方法 | |
| CN107622274B (zh) | 用于图像处理的神经网络训练方法、装置以及计算机设备 | |
| CN114299299B (zh) | 一种树叶特征提取方法、装置、计算机设备和存储介质 | |
| CN108710916B (zh) | 图片分类的方法及装置 | |
| CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
| CN113344000A (zh) | 证件翻拍识别方法、装置、计算机设备和存储介质 | |
| CN114897906A (zh) | 基于计算机视觉的改性塑料外观缺陷控制方法 | |
| CN110298835B (zh) | 一种皮革表面破损检测方法、系统及相关装置 | |
| CN117612179A (zh) | 图像中字符识别方法、装置、电子设备及存储介质 | |
| CN112070116B (zh) | 一种基于支持向量机的艺术画作自动分类系统及方法 | |
| CN113963295A (zh) | 视频片段中地标识别方法、装置、设备及存储介质 | |
| CN116206208B (zh) | 一种基于人工智能的林业病虫害快速分析系统 | |
| CN110795995B (zh) | 数据处理方法、装置及计算机可读存储介质 | |
| CN110175257B (zh) | 一种线稿图像匹配方法、电子设备、存储介质 | |
| CN111199228A (zh) | 一种车牌定位的方法及装置 | |
| CN114511862B (zh) | 表格识别方法、装置及电子设备 | |
| CN110781936A (zh) | 基于纹理描述和深度学习的阈值可学习局部二进制网络的构建方法以及遥感图像分类方法 | |
| De Ath et al. | Visual object tracking: The initialisation problem | |
| CN111209922B (zh) | 基于svm和opencv的图像色系风格标记方法、装置、设备及介质 | |
| Hanbury | How do superpixels affect image segmentation? | |
| CN114972540A (zh) | 目标定位方法、装置、电子设备及存储介质 | |
| CN114549649A (zh) | 一种基于特征匹配的扫描地图点符号的快速识别方法 | |
| CN114998614A (zh) | 一种图像处理方法、装置、设备及可读存储介质 |
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 |