CN115170643A - 一种穗轴特征提取方法、装置、设备及存储介质 - Google Patents
一种穗轴特征提取方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115170643A CN115170643A CN202210982190.6A CN202210982190A CN115170643A CN 115170643 A CN115170643 A CN 115170643A CN 202210982190 A CN202210982190 A CN 202210982190A CN 115170643 A CN115170643 A CN 115170643A
- Authority
- CN
- China
- Prior art keywords
- cob
- image
- point
- ear node
- pixel
- 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
Images
Classifications
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种穗轴特征提取方法、装置、设备及存储介质,方法包括:获取原始穗轴图像,对原始穗轴图像进行处理,得到多个单个穗轴二值图像;针对每个单个穗轴二值图像,基于单个穗轴二值图像中前景像素点和背景像素点的距离得到单个距离灰度图像,基于单个距离灰度图像中灰度像素点的像素值确定多个穗节标记点;在单个穗轴二值图像中,根据各穗节标记点的标记点测地距离确定各穗节标记点的穗节标记序号,基于各穗节标记点、各穗节标记序号根据单个距离灰度图像生成单个穗节分割图像;根据各单个穗节分割图像的图像像素信息提取目标穗轴特征。实现了穗轴特征的自动测量,提高了穗轴特征测量的准确率和效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种穗轴特征提取方法、装置、设备及存储介质。
背景技术
小麦穗轴特征反映了小麦的生长状况和产量,是育种过程中需要考量的重要参数。
在实现本发明的过程中,发现现有技术中至少存在以下技术问题:现有穗轴特征参数测量方法主要为人工测量,主观性强并且效率低。因此,如何实现穗轴特征的自动测量是一个亟待解决的技术问题。
发明内容
本发明提供了一种穗轴特征提取方法、装置、设备及存储介质,以解决小麦穗轴特征无法自动测量的技术问题,实现小麦穗轴特征的自动准确测量。
根据本发明的一方面,提供了一种穗轴特征提取方法,包括:
获取原始穗轴图像,对原始穗轴图像进行处理,得到多个单个穗轴二值图像;
针对每个单个穗轴二值图像,基于单个穗轴二值图像中前景像素点和背景像素点的距离得到单个距离灰度图像,基于单个距离灰度图像中灰度像素点的像素值确定多个穗节标记点;
在单个穗轴二值图像中,根据各穗节标记点的标记点测地距离确定各穗节标记点的穗节标记序号,基于各穗节标记点、各穗节标记序号根据单个距离灰度图像生成单个穗节分割图像;
根据各单个穗节分割图像的图像像素信息提取目标穗轴特征。
可选的,在上述方案的基础上,对原始穗轴图像进行处理,得到多个单个穗轴二值图像,包括:
对原始穗轴图像进行灰度化处理,得到灰度穗轴图像;
对灰度穗轴图像进行二值化处理,得到完整穗轴二值图像;
基于完整穗轴二值图像中的连通区域对完整穗轴二值图像进行分割,得到多个单个穗轴二值图像。
可选的,在上述方案的基础上,基于完整穗轴二值图像中的连通区域对完整穗轴二值图像进行分割,得到多个单个穗轴二值图像,包括:
确定完整穗轴二值图像中的多个连通区域;
针对每个连通区域,将连通区域的外接几何形状对应的图像作为单个穗轴二值图像。
可选的,在上述方案的基础上,基于单个穗轴二值图像中前景像素点和背景像素点的距离得到单个距离灰度图像,包括:
针对单个穗轴二值图像中的每个前景像素点,确定前景像素点和背景像素点的最短距离,将最短距离作为单个距离灰度图像中前景像素点的像素值;
将单个距离灰度图像中背景像素点的像素值设定为设定像素值,得到单个距离灰度图像。
可选的,在上述方案的基础上,基于单个距离灰度图像中灰度像素点的像素值确定多个穗节标记点,包括:
针对所述灰度像素点中的每个设定像素点,确定所述设定像素点关联的第一设定邻域;
根据所述第一设定邻域内各像素点的像素值判断所述设定像素点是否满足标记点选取规则;
当所述设定像素点满足所述标记点选取规则时,将所述设定像素点作为所述穗节标记点。
可选的,在上述方案的基础上,根据各穗节标记点的标记点测地距离确定各穗节标记点的穗节标记序号,包括:
将单个穗轴二值图像中竖直方向坐标最小的像素点作为基准像素点;
针对每个所述穗节标记点,将穗节标记点和基准像素点之间的测地距离作为穗节标记点的标记点测地距离;
基于各标记点测地距离对各穗节标记点进行正向排序,将各穗节标记点在正向排序结果中的排序序号作为各穗节标记点的穗节标记序号。
可选的,在上述方案的基础上,基于各穗节标记点、各穗节标记序号根据单个距离灰度图像生成单个穗节分割图像,包括:
针对每个穗节标记点,在单个距离灰度图像中,以穗节标记点为起始点,遍历穗节标记点关联的第二设定邻域内的邻域像素点,将像素值小于穗节标记点的像素值的邻域像素点作为穗节标记点关联的穗节连通点,将穗节连通点构成的区域作为穗节标记点对应的穗节关联区域;
基于各穗节标记点的穗节标记序号为各穗节标记点对应的穗节关联区域设置标记,得到单个穗节分割图像。
根据本发明的另一方面,提供了一种穗轴特征提取装置,包括:
二值图像获取模块,用于获取原始穗轴图像,对原始穗轴图像进行处理,得到多个单个穗轴二值图像;
穗节标记点确定模块,用于针对每个单个穗轴二值图像,基于单个穗轴二值图像中前景像素点和背景像素点的距离得到单个距离灰度图像,基于单个距离灰度图像中像素点的像素值确定多个穗节标记点;
穗节分割图像生成模块,用于在单个穗轴二值图像中,根据各穗节标记点的标记点测地距离确定各穗节标记点的穗节标记序号,基于各穗节标记点、各穗节标记序号根据单个距离灰度图像生成单个穗节分割图像;
穗轴特征提取模块,用于根据各单个穗节分割图像的图像像素信息提取目标穗轴特征。
根据本发明的另一方面,提供了一种电子设备,电子设备包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行本发明任一实施例的穗轴特征提取方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现本发明任一实施例的穗轴特征提取方法。
本发明实施例的技术方案,通过获取原始穗轴图像,对原始穗轴图像进行处理,得到多个单个穗轴二值图像;针对每个单个穗轴二值图像,基于单个穗轴二值图像中前景像素点和背景像素点的距离得到单个距离灰度图像,基于单个距离灰度图像中灰度像素点的像素值确定多个穗节标记点;在单个穗轴二值图像中,根据各穗节标记点的标记点测地距离确定各穗节标记点的穗节标记序号,基于各穗节标记点、各穗节标记序号根据单个距离灰度图像生成单个穗节分割图像;根据各单个穗节分割图像的图像像素信息提取目标穗轴特征,通过对原始穗轴图像的处理得到单个穗节分割图像,基于单个穗节分割图像进行穗轴特征的提取,解决了穗轴特征需人工测量,准确率低、效率低的技术问题,取到了自动进行穗轴特征的测量,且提高了穗轴特征测量的准确率和效率的有益效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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是本发明实施例一提供的一种穗轴特征提取方法的流程图;
图2a是本发明实施例二提供的一种穗轴彩色图像的示意图;
图2b是本发明实施二提供的一种穗节区域提取的图像处理过程示意图;
图3是本发明实施例三提供的一种穗轴特征提取装置的结构示意图;
图4是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例一提供的一种穗轴特征提取方法的流程图,本实施例可适用于提取小麦穗轴特征时的情况,该方法可以由穗轴特征提取装置来执行,该穗轴特征提取装置可以采用硬件和/或软件的形式实现,该穗轴特征提取装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取原始穗轴图像,对原始穗轴图像进行处理,得到多个单个穗轴二值图像。
在本实施例中,可以通过拍摄小麦穗轴图像,对小麦穗轴图像进行处理的方式,得到穗节分割图像,从而根据穗节分割图像中的图像特征计算得到小麦的穗轴特征参数,实现基于穗轴图像进行穗轴特征参数的自动准确测量。
可选的,可以采用图像拍摄装置对小麦进行拍摄,得到小麦穗轴图像作为原始穗轴图像,基于原始穗轴图像处理得到穗节分割图像。可以拍摄包括一个或多个小麦穗轴的图像作为原始穗轴图像。原始穗轴图像中的小麦穗轴的个数越多,基于原始穗轴图像测量的穗轴特征参数越能体现小麦穗轴的特征。
可以理解的是,图像拍摄装置拍摄的原始穗轴图像为多通道图像,在将原始穗轴图像处理得到穗节分割图像时,需要将多通道的原始穗轴图像转换为单通道图像后进行处理,基于单通道图像进行阈值分割、穗节识别等操作得到穗节分割图像。
在本发明的一种实施方式中,对原始穗轴图像进行处理,得到多个单个穗轴二值图像,包括:对原始穗轴图像进行灰度化处理,得到灰度穗轴图像;对灰度穗轴图像进行二值化处理,得到完整穗轴二值图像;基于完整穗轴二值图像中的连通区域对完整穗轴二值图像进行分割,得到多个单个穗轴二值图像。可选的,可以直接对原始穗轴图像进行灰度化处理、二值化处理及图像分割,得到单个穗轴二值图像。考虑到原始穗轴图像中包含噪声信息,还可以对原始穗轴图像进行去燥处理后,进行灰度化处理、二值化处理及图像分割得到单个穗轴二值图像。可选的,结合原始穗轴图像中的噪声特点,可以采用高斯滤波去噪的方式去除原始穗轴图像中的噪声信息。
示例性的,可以先对原始穗轴图像进行灰度化处理,将多通道彩色图像转换为单通量图像,并进行高斯滤波去噪,然后在去噪后的图像上,进行灰度直方图分析,对图像进行自动化阈值分割,得到初始穗轴二值图像;然后在初始穗轴二值图像上,进行孔洞填充并去除小面积区域得到完整穗轴二值图像;然后将完整穗轴二值图像分割得到单个穗轴二值图像,针对每个单个穗轴二值图像进行处理,得到其对应的穗节分割图像。其中,对图像进行阈值分割的方式可以参考现有技术中图像自动化阈值分割的方式,在此不做限定。示例性的,可以采用大津法(OTSU)阈值分割方法对图像进行阈值分割,得到初始穗轴二值图像。
可以理解的是,单个穗轴二值图像的个数与原始穗轴图像中小麦穗轴的个数相同。假设原始穗轴图像中包括m个小麦穗轴,则对完整穗轴二值图像进行图像分割,得到m个小麦穗轴。其中,对完整穗轴二值图像进行图像分割的方式可以参照现有技术中的图像分割方式,如识别完整穗轴二值图像中的穗轴区域,基于穗轴区域对完整穗轴二值图像进行分割。
一个实现方式中,基于完整穗轴二值图像中的连通区域对完整穗轴二值图像进行分割,得到多个单个穗轴二值图像,包括:确定完整穗轴二值图像中的多个连通区域;针对每个连通区域,将连通区域的外接几何形状对应的图像作为单个穗轴二值图像。可以理解的是,一个小麦穗轴是一个连续的图像,因此可以基于连通区域识别出完整穗轴二值图像中的小麦穗轴。也就是说,通过识别完整穗轴二值图像中的连通区域,将识别出的每个连通区域作为单个小麦穗轴,但考虑到连通区域可能不能完整表达小麦穗轴,可以将连通区域以及周边区域作为小麦穗轴的单个穗轴二值图像,以基于单个穗轴二值图像得到准确的单个穗节分割图像。基于此,可以预先设定外接几何形状,将连通区域的外接几何形状对应的图像作为单个穗轴二值图像。可选的,外接几何形状可以根据实际需求设置,如可以设置外接几何形状为原形、规则多边形、不规则多边形等,为了简化图像处理复杂度,便于图像处理操作,可以设置外接几何形状为矩形,将连通区域的外接矩形对应的图像作为单个穗轴二值图像。
S120、针对每个单个穗轴二值图像,基于单个穗轴二值图像中前景像素点和背景像素点的距离得到单个距离灰度图像,基于单个距离灰度图像中灰度像素点的像素值确定多个穗节标记点。
得到多个单个穗轴二值图像后,分别对每个单个穗轴二值图像进行处理,得到每个单个穗轴二值图像对应的单个穗节分割图像。下面以某一个单个穗轴二值图像为例,对单个穗轴二值图像处理得到单个穗节分割图像的方法进行说明。
可选的,可以通过计算穗轴二值图像中前景像素点和背景像素点之间的距离构建单个距离灰度图像,基于单个距离灰度图像提取出穗节标记点,以根据提取出的穗节标记点得到穗节分割图像。
一个实施例中,基于单个穗轴二值图像中前景像素点和背景像素点的距离得到单个距离灰度图像,包括:针对单个穗轴二值图像中的每个前景像素点,确定前景像素点和背景像素点的最短距离,将最短距离作为单个距离灰度图像中前景像素点的像素值;将单个距离灰度图像中背景像素点的像素值设定为设定像素值,得到单个距离灰度图像。根据上述实施例可知,单个穗轴二值图像是基于阈值分割得到的,而阈值分割将单个穗轴二值图像中的像素点分割为前景像素点和背景像素点,可以通过计算前景像素点和背景像素点的最短距离,得到单个距离灰度图像。示例性的,假设某一前景像素点与所有背景像素点之间距离的最短距离是2个像素点,则将该前景像素点的像素值设置为2,直到设置完所有的前景像素点,同时将所有背景像素点的像素值设置为设定像素值,得到单个距离灰度图像。背景像素点的设定像素值可以根据实际需求设置,如将背景像素点的设定像素值设置为0。
在得到单个距离灰度图像后,在单个距离灰度图像的基础上,确定多个穗节标记点。可选的,基于单个距离灰度图像中灰度像素点的像素值确定多个穗节标记点,包括:针对所述灰度像素点中的每个设定像素点,确定所述设定像素点关联的第一设定邻域;根据所述第一设定邻域内各像素点的像素值判断所述设定像素点是否满足标记点选取规则;当所述设定像素点满足所述标记点选取规则时,将所述设定像素点作为所述穗节标记点。
在本实施例中,基于前景像素点和背景像素点得到的单个距离灰度图像中像素点的像素值表征前景像素点和背景像素点的最短距离。基于此,可以寻找单个距离灰度图像中灰度像素点的像素值的局部最大值,将局部最大值对应的灰度像素点作为穗节标记点。其中,灰度像素点为单个距离灰度图像的像素点。
可选的,局部最大值可以为单个距离灰度图像中局部区域的像素最大值。一个实施例中,可以选取部分灰度像素点或全部像素点作为设定像素点,确定每个设定像素点对应的局部区域,基于该局部区域内灰度像素点的像素值确定穗节标记点。如将满足标记点选取规则的设定像素点作为穗节标记点。其中,标记点选取规则可以为设定像素点的像素值与第一设定邻域内其他灰度像素点的像素值的大小关系满足设定要求。设定像素点对应的局部区域可以为以该设定像素点为中心的第一设定邻域。本实施例中可以第一设定邻域可以为为四邻域、九邻域等,在此不做限定。可选的,邻域区域的设置可以基于单个距离灰度图像的分辨率确定,当单个距离灰度图像的分辨率较高时,可以设置较大的领域区域,当单个距离灰度图像的分辨率较低时,可以设置较小的邻域区域。
一个实现方式中,可以将所有灰度像素点作为设定像素点。针对每个设定像素点,将以该设定像素点为中心、第一设定邻域对应的区域作为该设定像素点关联的第一设定邻域;获取第一设定邻域中所有灰度像素点的像素值,当设定像素点的像素值为第一设定邻域中所有灰度像素点的像素值的最大值时,将该设定像素点作为穗节标记点;否则,在该第一设定邻域内不存在穗节标记点。重复执行上述操作,直到遍历完所有的设定像素点,得到全部穗节标记点。
S130、在单个穗轴二值图像中,根据各穗节标记点的标记点测地距离确定各穗节标记点的穗节标记序号,基于各穗节标记点、各穗节标记序号根据单个距离灰度图像生成单个穗节分割图像。
在本实施例中,得到穗节标记点后,识别穗节标记点的穗节标记序号,基于穗节标记点进行区域生长,得到每个穗节标记点关联的穗节区域,以使后续得到的单个穗节分割图像中不同的穗节区域能够基于穗节标记序号进行区分,从而使得基于单个穗节分割图像得到的穗轴特征更加准确。
在本发明的一种实施方式中,根据各穗节标记点的标记点测地距离确定各穗节标记点的穗节标记序号,包括:将所述单个穗轴二值图像中竖直方向坐标最小的像素点作为基准像素点;针对每个所述穗节标记点,将所述穗节标记点和所述基准像素点之间的测地距离作为所述穗节标记点的标记点测地距离;基于各所述标记点测地距离对各所述穗节标记点进行正向排序,将各所述穗节标记点在正向排序结果中的排序序号作为各所述穗节标记点的穗节标记序号。可以根据穗节的生长方向对穗节标记点进行标记,得到每个穗节标记点的标记序号。但一般穗轴是弯曲的,当穗轴弯曲时,如果利用穗节标记点在穗节生长方向上的位置坐标信息对各穗节进行排序标号,将导致穗节连接次序的错误识别。基于此,可以先在单个穗轴二值图像中定义基准像素点,计算每个穗节标记点与基准像素点之间的测地距离作为穗节标记点的标记点测地距离,基于穗节标记点对应的标记点测地距离对穗节标记点进行正向排序,将穗节标记点在正向排序结果中的排序序号作为穗节标记点的穗节标记序号。基于标记点测地距离确定穗节标记点的穗节标记序号能够使得穗节标记序号能够准确标识穗节连接次序,保证单个穗节分割图像的准确性。其中,穗节标记点与基准像素点之间的测地距离可以理解为穗节标记点沿穗轴到基准像素点的最短距离。
在上述方案的基础上,基于各穗节标记点、各穗节标记序号根据单个距离灰度图像生成单个穗节分割图像,包括:针对每个穗节标记点,在单个距离灰度图像中,以穗节标记点为起始点,遍历穗节标记点关联的第二设定邻域内的邻域像素点,将像素值小于穗节标记点的像素值的邻域像素点作为穗节标记点关联的穗节连通点,将穗节连通点构成的区域作为穗节标记点对应的穗节关联区域;基于各穗节标记点的穗节标记序号为各穗节标记点对应的穗节关联区域设置标记,得到单个穗节分割图像。其中,领域像素点为第二设定邻域内的像素点。
可选的,基于单个距离灰度图像,进行区域生长分割。区域生长以穗节标记点为生长种子点,将各穗节标记点同时进行生长,生长基于设定邻域内像素的像素值(即距离灰度值),将像素值小于当前穗节标记点的灰度值且未被其他穗节标记点标记的邻域像素点标记并加入该穗节标记点对应的穗节连通点集合中,遍历各标记点集合加入新的穗节连通点;直到达到生长停止条件,区域生长结束。区域生长结束后,针对每个穗节标记点,将该穗节标记点对应的穗节连通点集合中的穗节连通点组成的区域作为该穗节标记点对应的穗节关联区域,并设置该穗节关联区域的标记值为该穗节标记点的穗节标记序号。最后将得到不同区域标记的穗节关联区域作为单个穗节分割结果图像。其中,生长停止条件可以为不同穗节标记区域连通或生长至穗轴以外的背景区域。
S140、根据各单个穗节分割图像的图像像素信息提取目标穗轴特征。
通过上述实施例提供的处理方法,对每个单个穗轴二值图像处理得到单个穗节分割图像后,得到完整穗轴二值图像对应的多个单个穗节分割图像。可以分别基于每个单个穗节分割图像的图像像素信息计算出穗轴特征,然后统计各个单个穗节分割图像计算的穗轴特征作为目标穗轴特征,如将各个单个穗节分割图像计算的穗轴特征的平均值作为目标穗轴特征。
可选的,目标穗轴特征可以包括穗轴面积、穗长、穗下茎粗、总穗节数、穗节面积、穗节长、穗节宽、小穗密度、小穗密度比以及穗节各特征的平均值、标准差和变异系数等特征。上述特征均能够通过单个穗节分割图像的图像像素信息计算得到,如穗轴面积可以为所有单个穗轴二值图像中的前景像素点个数,或所有单个穗节分割图像中已标记的像素点的个数。如穗长可以通过第二穗节及第二穗节以上所有穗节的长度总和计算得到,第二穗节可以理解为穗节标记序号为2的穗节等。
本实施例的技术方案,通过获取原始穗轴图像,对原始穗轴图像进行处理,得到多个单个穗轴二值图像;针对每个单个穗轴二值图像,基于单个穗轴二值图像中前景像素点和背景像素点的距离得到单个距离灰度图像,基于单个距离灰度图像中像素点的像素值确定多个穗节标记点;在单个穗轴二值图像中,根据各穗节标记点的标记点测地距离确定各穗节标记点的穗节标记序号,基于各穗节标记点、各穗节标记序号根据单个距离灰度图像生成单个穗节分割图像;根据各单个穗节分割图像的图像像素信息提取目标穗轴特征,通过对原始穗轴图像的处理得到单个穗节分割图像,基于单个穗节分割图像进行穗轴特征的提取,实现了穗轴特征的自动测量,且提高了穗轴特征测量的准确率和效率。
实施例二
本实施例在上述实施例的基础上,提供了一种优选实施例。
本发明实施例提出一种小麦穗轴图像中特征参数(穗长、穗轴节点数、穗粗)的自动测量方法。包括:
1.获取穗轴彩色图像(即原始穗轴图像)。图2a是本发明实施例二提供的一种穗轴彩色图像的示意图,图2a中穗轴彩色图像中包括三个小麦穗轴。
2.对穗轴彩色图像进行灰度化处理,将多通道彩色图像转换为单通量图像,并进行高斯滤波去噪。
3.在去噪后图像上,进行灰度直方图分析,通过比较所有灰度值下背景和前景之间的类间方差,以类间方差最大的灰度值为阈值,对图像进行自动化阈值分割,得到二值图像(即初始穗轴二值图像)。
4.在二值图像上,进行孔洞填充并去除小面积区域得到完整穗轴二值图像。
5.在完整穗轴二值图像上,进去连通区域标记识别,使用各连通区域的外接矩形对穗轴图像中的每单个穗轴进行定位,并进行图像裁剪,得到单个穗轴二值图像B。
6.在单个穗轴二值图像B上,计算每个前景像素点fi到图像背景的最短距离Di,背景像素点的距离值设为0,得到单个距离灰度图像D。
7.检测单个距离灰度图像D中的局部最大值,将局部最大值所在位置像素点记为穗节标记点。
8.穗节连接次序识别策略:小麦穗轴可能存在弯曲,不完全直立。当穗轴弯曲时,如果利用穗节标记点位置坐标信息对各穗节进行排序,将导致穗节连接次序的错误识别。为此,定义穗轴二值图像B中,位置最低的前景像素点为原点,计算每个前景像素点到原点的测地距离,以步骤6获取穗节标记点的测地距离大小排序对各穗节的连接次序进行识别,距离最短的为第一穗节,并以穗节次序作为穗节标记点的标记值。
9.穗节分割策略:基于距离灰度图像D,进行区域生长分割:区域生长以穗节标记点为生长种子点;各穗节标记点同时进行生长,生长基于3*3邻域内像素的距离灰度值,距离灰度值小于当前标记点距离灰度值且未被其他穗节标记点标记的像素点将被标记并加入到对应穗节标记点集合中;遍历各标记点集合加入新的标记点;生长停止条件为不同穗节标记区域连通或生长至穗轴以外的背景区域。区域生长结束后,得到不同区域的标记即为穗节分割结果图像。
图2b是本发明实施二提供的一种穗节区域提取的图像处理过程示意图。图2b中依次示意性的展示了单个原始穗轴图像、单个穗轴二值图像、单个距离灰度图像、穗节标记点图像以及穗节分割结果图像。根据图2b可以看出由原始穗轴图像到穗节分割结果图像的处理过程。
10.在穗节分割结果图像上,计算穗轴特征参数。包括:穗轴面积、穗长、穗下茎粗、总穗节数、穗节面积、穗节长、穗节宽、小穗密度、小穗密度比以及穗节各特征的平均值、标准差和变异系数。
其中,各穗轴特征参数可以通过如下方式计算:
穗面积:穗轴二值图像B中所有前景像素点个数。
穗长:第二穗节及第二穗节以上所有穗节的长度总和。
穗下茎粗:第一穗节归一化二阶中心矩椭圆短轴长。
总穗节数:穗节标记点个数。
穗节面积:穗节区域内像素点个数。
穗节长:穗节归一化二阶中心矩椭圆长轴长。
穗节宽:穗节归一化二阶中心矩椭圆短轴长。
小穗密度:穗节数与穗长比。
小穗密度比:穗轴上半部分小穗密度与穗轴下半部分小穗密度比。
平均值:所有穗节对应特征的均值。
标准差:所有穗节对应特征的标准差。
变异系数:所有穗节对应特征的标准差与均值比。
本实施例的技术方案,通过对原始穗轴图像的处理得到单个穗节分割图像,基于单个穗节分割图像计算穗轴特征,实现了穗轴特征的自动测量,且提高了穗轴特征测量的准确率和效率。
实施例三
图3是本发明实施例三提供的一种穗轴特征提取装置的结构示意图。如图3所示,该装置包括二值图像获取模块310、穗节标记点确定模块320、穗节分割图像生成模块330和穗轴特征提取模块340,其中:
二值图像获取模块310,用于获取原始穗轴图像,对原始穗轴图像进行处理,得到多个单个穗轴二值图像;
穗节标记点确定模块320,用于针对每个单个穗轴二值图像,基于单个穗轴二值图像中前景像素点和背景像素点的距离得到单个距离灰度图像,基于单个距离灰度图像中灰度像素点的像素值确定多个穗节标记点;
穗节分割图像生成模块330,用于在单个穗轴二值图像中,根据各穗节标记点的标记点测地距离确定各穗节标记点的穗节标记序号,基于各穗节标记点、各穗节标记序号根据单个距离灰度图像生成单个穗节分割图像;
穗轴特征提取模块340,用于根据各单个穗节分割图像的图像像素信息提取目标穗轴特征。
本实施例的技术方案,通过获取原始穗轴图像,对原始穗轴图像进行处理,得到多个单个穗轴二值图像;针对每个单个穗轴二值图像,基于单个穗轴二值图像中前景像素点和背景像素点的距离得到单个距离灰度图像,基于单个距离灰度图像中灰度像素点的像素值确定多个穗节标记点;在单个穗轴二值图像中,根据各穗节标记点的标记点测地距离确定各穗节标记点的穗节标记序号,基于各穗节标记点、各穗节标记序号根据单个距离灰度图像生成单个穗节分割图像;根据各单个穗节分割图像的图像像素信息提取目标穗轴特征,通过对原始穗轴图像的处理得到单个穗节分割图像,基于单个穗节分割图像进行穗轴特征的提取,实现了穗轴特征的自动测量,且提高了穗轴特征测量的准确率和效率。
在上述实施例的基础上,可选的,二值图像获取模块310具体用于:
对原始穗轴图像进行灰度化处理,得到灰度穗轴图像;
对灰度穗轴图像进行二值化处理,得到完整穗轴二值图像;
基于完整穗轴二值图像中的连通区域对完整穗轴二值图像进行分割,得到多个单个穗轴二值图像。
在上述实施例的基础上,可选的,二值图像获取模块310具体用于:
确定完整穗轴二值图像中的多个连通区域;
针对每个连通区域,将连通区域的外接几何形状对应的图像作为单个穗轴二值图像。
在上述实施例的基础上,可选的,穗节标记点确定模块320具体用于:
针对单个穗轴二值图像中的每个前景像素点,确定前景像素点和背景像素点的最短距离,将最短距离作为单个距离灰度图像中前景像素点的像素值;
将单个距离灰度图像中背景像素点的像素值设定为设定像素值,得到单个距离灰度图像。
在上述实施例的基础上,可选的,穗节标记点确定模块320具体用于:
针对所述灰度像素点中的每个设定像素点,确定所述设定像素点关联的第一设定邻域;
根据所述第一设定邻域内各像素点的像素值判断所述设定像素点是否满足标记点选取规则;
当所述设定像素点满足所述标记点选取规则时,将所述设定像素点作为所述穗节标记点。
在上述实施例的基础上,可选的,穗节分割图像生成模块330具体用于:
将单个穗轴二值图像中竖直方向坐标最小的像素点作为基准像素点;
针对每个所述穗节标记点,将所述穗节标记点和所述基准像素点之间的测地距离作为所述穗节标记点的标记点测地距离;
基于各所述标记点测地距离对各所述穗节标记点进行正向排序,将各所述穗节标记点在正向排序结果中的排序序号作为各所述穗节标记点的穗节标记序号。
在上述实施例的基础上,可选的,穗节分割图像生成模块330具体用于:
针对每个穗节标记点,在单个距离灰度图像中,以穗节标记点为起始点,遍历穗节标记点关联的第二设定邻域内的邻域像素点,将像素值小于穗节标记点的像素值的邻域像素点作为穗节标记点关联的穗节连通点,将穗节连通点构成的区域作为穗节标记点对应的穗节关联区域;
基于各穗节标记点的穗节标记序号为各穗节标记点对应的穗节关联区域设置标记,得到单个穗节分割图像。
本发明实施例所提供的穗轴特征提取装置可执行本发明任意实施例所提供的穗轴特征提取方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4是本发明实施例四提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如穗轴特征提取方法。
在一些实施例中,穗轴特征提取方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的穗轴特征提取方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行穗轴特征提取方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的穗轴特征提取方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行一种穗轴特征提取方法,该方法包括:
获取原始穗轴图像,对原始穗轴图像进行处理,得到多个单个穗轴二值图像;
针对每个单个穗轴二值图像,基于单个穗轴二值图像中前景像素点和背景像素点的距离得到单个距离灰度图像,基于单个距离灰度图像中像素点的像素值确定多个穗节标记点;
在单个穗轴二值图像中,根据各穗节标记点的标记点测地距离确定各穗节标记点的穗节标记序号,基于各穗节标记点、各穗节标记序号根据单个距离灰度图像生成单个穗节分割图像;
根据各单个穗节分割图像的图像像素信息提取目标穗轴特征。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种穗轴特征提取方法,其特征在于,包括:
获取原始穗轴图像,对所述原始穗轴图像进行处理,得到多个单个穗轴二值图像;
针对每个所述单个穗轴二值图像,基于所述单个穗轴二值图像中前景像素点和背景像素点的距离得到单个距离灰度图像,基于所述单个距离灰度图像中灰度像素点的像素值确定多个穗节标记点;
在所述单个穗轴二值图像中,根据各所述穗节标记点的标记点测地距离确定各所述穗节标记点的穗节标记序号,基于各所述穗节标记点、各所述穗节标记序号根据所述单个距离灰度图像生成单个穗节分割图像;
根据各所述单个穗节分割图像的图像像素信息提取目标穗轴特征。
2.根据权利要求1所述的方法,其特征在于,所述对所述原始穗轴图像进行处理,得到多个单个穗轴二值图像,包括:
对所述原始穗轴图像进行灰度化处理,得到灰度穗轴图像;
对所述灰度穗轴图像进行二值化处理,得到完整穗轴二值图像;
基于所述完整穗轴二值图像中的连通区域对所述完整穗轴二值图像进行分割,得到多个所述单个穗轴二值图像。
3.根据权利要求2所述的方法,其特征在于,所述基于所述完整穗轴二值图像中的连通区域对所述完整穗轴二值图像进行分割,得到多个所述单个穗轴二值图像,包括:
确定所述完整穗轴二值图像中的多个连通区域;
针对每个所述连通区域,将所述连通区域的外接几何形状对应的图像作为所述单个穗轴二值图像。
4.根据权利要求1所述的方法,其特征在于,所述基于所述单个穗轴二值图像中前景像素点和背景像素点的距离得到单个距离灰度图像,包括:
针对所述单个穗轴二值图像中的每个前景像素点,确定所述前景像素点和背景像素点的最短距离,将所述最短距离作为所述单个距离灰度图像中所述前景像素点的像素值;
将所述单个距离灰度图像中所述背景像素点的像素值设定为设定像素值,得到所述单个距离灰度图像。
5.根据权利要求1所述的方法,其特征在于,所述基于所述单个距离灰度图像中灰度像素点的像素值确定多个穗节标记点,包括:
针对所述灰度像素点中的每个设定像素点,确定所述设定像素点关联的第一设定邻域;
根据所述第一设定邻域内各像素点的像素值判断所述设定像素点是否满足标记点选取规则;
当所述设定像素点满足所述标记点选取规则时,将所述设定像素点作为所述穗节标记点。
6.根据权利要求1所述的方法,其特征在于,所述根据各所述穗节标记点的标记点测地距离确定各所述穗节标记点的穗节标记序号,包括:
将所述单个穗轴二值图像中竖直方向坐标最小的像素点作为基准像素点;
针对每个所述穗节标记点,将所述穗节标记点和所述基准像素点之间的测地距离作为所述穗节标记点的标记点测地距离;
基于各所述标记点测地距离对各所述穗节标记点进行正向排序,将各所述穗节标记点在正向排序结果中的排序序号作为各所述穗节标记点的穗节标记序号。
7.根据权利要求1所述的方法,其特征在于,所述基于各所述穗节标记点、各所述穗节标记序号根据所述单个距离灰度图像生成单个穗节分割图像,包括:
针对每个所述穗节标记点,在所述单个距离灰度图像中,以所述穗节标记点为起始点,遍历所述穗节标记点关联的第二设定邻域内的邻域像素点,将像素值小于所述穗节标记点的像素值的邻域像素点作为所述穗节标记点关联的穗节连通点,将所述穗节连通点构成的区域作为所述穗节标记点对应的穗节关联区域;
基于各所述穗节标记点的穗节标记序号为各所述穗节标记点对应的穗节关联区域设置标记,得到所述单个穗节分割图像。
8.一种穗轴特征提取装置,其特征在于,包括:
二值图像获取模块,用于获取原始穗轴图像,对所述原始穗轴图像进行处理,得到多个单个穗轴二值图像;
穗节标记点确定模块,用于针对每个所述单个穗轴二值图像,基于所述单个穗轴二值图像中前景像素点和背景像素点的距离得到单个距离灰度图像,基于所述单个距离灰度图像中像素点的像素值确定多个穗节标记点;
穗节分割图像生成模块,用于在所述单个穗轴二值图像中,根据各所述穗节标记点的标记点测地距离确定各所述穗节标记点的穗节标记序号,基于各所述穗节标记点、各所述穗节标记序号根据所述单个距离灰度图像生成单个穗节分割图像;
穗轴特征提取模块,用于根据各所述单个穗节分割图像的图像像素信息提取目标穗轴特征。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的穗轴特征提取方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的穗轴特征提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210982190.6A CN115170643A (zh) | 2022-08-16 | 2022-08-16 | 一种穗轴特征提取方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210982190.6A CN115170643A (zh) | 2022-08-16 | 2022-08-16 | 一种穗轴特征提取方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115170643A true CN115170643A (zh) | 2022-10-11 |
Family
ID=83480136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210982190.6A Pending CN115170643A (zh) | 2022-08-16 | 2022-08-16 | 一种穗轴特征提取方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170643A (zh) |
-
2022
- 2022-08-16 CN CN202210982190.6A patent/CN115170643A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798312B (zh) | 一种基于孤立森林算法的金融交易系统异常识别方法 | |
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
CN106529550B (zh) | 基于连通域分析的多维特征量提取方法及装置 | |
CN110909640A (zh) | 水位线的确定方法及装置、存储介质、电子装置 | |
CN112837290A (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN115937101A (zh) | 质量检测方法、装置、设备及存储介质 | |
CN113705380A (zh) | 雾天的目标检测方法、装置、电子设备以及存储介质 | |
CN117373070A (zh) | 血管分段标注的方法及装置、电子设备和存储介质 | |
CN110874835B (zh) | 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质 | |
CN115170643A (zh) | 一种穗轴特征提取方法、装置、设备及存储介质 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN115700758A (zh) | 一种精子活性的检测方法、装置、设备及存储介质 | |
CN115861790A (zh) | 耕地遥感图像分析方法、装置、设备、存储介质及产品 | |
CN114882315A (zh) | 样本生成方法、模型训练方法、装置、设备及介质 | |
CN106326882A (zh) | 一种基于图像质量评估技术的指纹识别系统及方法 | |
CN116612139B (zh) | 基于深度学习的高精度种子发芽率测定方法、系统及装置 | |
CN114092739B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN117437271B (zh) | 基于人工智能的三维目标测量方法 | |
CN114037865B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN110110594A (zh) | 一种产品分布识别方法和装置 | |
CN117911868A (zh) | 林地树干提取方法及装置、模型的训练方法 | |
CN113129305B (zh) | 丝锭状态的确定方法、装置、存储介质及电子装置 | |
CN113409288B (zh) | 一种图像清晰度的检测方法、装置、设备和存储介质 | |
CN115512186A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN116452503A (zh) | 识别探针的方法、装置以及电子设备 |
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 |