CN115439524A - 叶片的参数计算方法、介质及计算机设备 - Google Patents

叶片的参数计算方法、介质及计算机设备 Download PDF

Info

Publication number
CN115439524A
CN115439524A CN202211098832.2A CN202211098832A CN115439524A CN 115439524 A CN115439524 A CN 115439524A CN 202211098832 A CN202211098832 A CN 202211098832A CN 115439524 A CN115439524 A CN 115439524A
Authority
CN
China
Prior art keywords
image
blade
paper
obtaining
end points
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
Application number
CN202211098832.2A
Other languages
English (en)
Inventor
郭建明
张旭博
葛连兴
王若男
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Aikenong Technology Co ltd
Original Assignee
Beijing Aikenong Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Aikenong Technology Co ltd filed Critical Beijing Aikenong Technology Co ltd
Priority to CN202211098832.2A priority Critical patent/CN115439524A/zh
Publication of CN115439524A publication Critical patent/CN115439524A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T7/60—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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/10—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例公开了一种叶片的参数计算方法，包括：对原始图像进行预处理得到待处理图像，原始图像中包括纸张和放置于纸张上的叶片；获取待处理图像中纸张的最大纸张轮廓根据最大纸张轮廓得到四个第一端点；根据原始图像的尺寸以及纸张的尺寸生成四个第二端点；根据四个第一端点和四个第二端点计算出映射关系；利用映射关系将待处理图像转化为校正图像；以及，根据校正图像获取叶片的参数。本发明实施例还公开了一种计算机可读存储介质以及计算机设备。

Description

叶片的参数计算方法、介质及计算机设备
技术领域
本发明涉及图像处理技术领域，尤其涉及一种叶片的参数计算方法、介质及计算机设备。
背景技术
植物叶面积是研究植物生理生化、遗传育种、作物栽培技术等方面的重要指标。建立方便、快捷、准确的叶面积测定方法，对于调整群体结构、充分利用光热资源，对指导作物合适的栽培密度以及施肥灌溉有着重要意义。其中，常用的计算植物叶面积的方法是采用叶面积仪测量叶片的叶面积。但是，叶面积仪价格昂贵，并且不适合大范围应用，不能满足一些情况下的植物的叶片参数测量需求。
发明内容
基于此，有必要针对上述问题，提出了一种叶片的参数计算方法、介质及计算机设备。
一种叶片的参数计算方法，方法包括：
对原始图像进行预处理得到待处理图像，原始图像中包括纸张和放置于纸张上的叶片；
获取待处理图像中纸张的最大纸张轮廓；
根据最大纸张轮廓得到四个第一端点；
根据原始图像的尺寸以及纸张的尺寸生成四个第二端点；
根据四个第一端点和四个第二端点计算出映射关系；
利用映射关系将待处理图像转化为校正图像；以及，
可选地，对原始图片进行预处理得到待处理图像，具体包括：
对原始图像进行灰度转化得到第一图像；
对第一图像进行高斯滤波得到第二图像；
对第二图像进行二值化处理得到第三图像；以及，
对第三图像进行开闭运算处理得到待处理图像。
可选地，获取待处理图像中纸张的最大纸张轮廓，具体包括：
利用查找轮廓算法从待处理图像中查找出多个纸张轮廓；
根据每一个纸张轮廓的面积对多个纸张轮廓按照面积从大到小进行排序，选取排在前面的预设数量个纸张轮廓；
利用道格拉斯-普克算法分别对预设数量个纸张轮廓进行多边形拟合得到预设数量个具有多个端点的纸张轮廓；以及，
从预设数量个具有多个端点的纸张轮廓中获取具有四个端点且面积最大的纸张轮廓为最大纸张轮廓。
可选地，根据原始图像的尺寸以及纸张的尺寸生成四个第二端点，具体包括：
根据纸张的尺寸得到纸张的长宽比；以及，
根据原始图像的尺寸和纸张的长宽比生成四个第二端点，四个第二端点构成矩形且矩形的长宽比与纸张的长宽比相同。
可选地，根据校正图像获取叶片的参数，具体包括：
获取校正图像中像素为黑色的边缘区域；
切割边缘区域得到第四图像；以及，
根据第四图像计算叶片的参数。
可选地，根据第四图像计算叶片的参数，其中，叶片参数包括叶片的面积、叶片的周长、叶片的长度、叶片的宽度及叶片的长宽比，具体包括：
对第四图像进行二值化处理得到第五图像；
根据第五图像得到叶片的轮廓；
根据叶片的轮廓的像素点计算叶片的面积和叶片的周长；以及，
根据第五图像得到叶片的长度、叶片的宽度及叶片的长宽比。
可选地，根据第五图像得到叶片的长度、叶片的宽度及叶片的长宽比，具体包括：
将第五图像进行旋转，遍历第五图像中像素值为预设数值的行，得到第五图像中像素值为预设数值最多的行；
根据第五图像中像素值为预设数值最多的行得到叶片的长度；以及，
根据第五图像中像素值为预设数值最多的行得到叶片的宽度及叶片的长宽比。
可选地，根据第五图像中像素为预设数值最多的行得到叶片的宽度及叶片的长宽比，具体包括：
根据第五图像中像素值为预设数值最多的行，将第五图像旋转第一角度得到第六图像；
将第五图像中像素值为预设数值最多的行设置为第六图像的列；
遍历第六图像中像素值为预设数值的行，得到第六图像中像素值为预设数值最多的行；
根据第六图像中像素值为预设数值最多的行得到叶片的宽度；以及，
根据叶片的长度和叶片的宽度得到叶片的长宽比。
一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述任一项方法的步骤。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述任一项方法的步骤。
采用本发明实施例，具有如下有益效果：
上述实施例中，利用已知尺寸的纸张作为背景，通过图像中纸张的尺寸与实际纸张的尺寸得到图像中物体的数据与实际中物体的数据之间的变换关系，并对图像进行初步的预处理，使得算法校正因光斑问题造成的图像黑点问题，克服了传统识别对环境的要求；根据这个变换关系，将图像中的叶片换算为实际的尺寸，通过映射关系，对拍摄角度造成的图像误差进行了校正，解决了传统识别对拍摄角度的高要求，并且克服了传统的图像识别在计算最大外接矩形的算法中，计算的长度、宽度及长宽比不精确的问题，从而得到植物叶片的各种参数。本实施例中用于计算叶片参数的原始图像通过手机即可获取，方便快捷，能够随时随地满足相关工作人员，对于测量植物叶片的参数的需求，而且也不需要另外的测量设备，节省硬件成本。
附图说明
为了更清楚地说明本发明实施例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。
其中：
图1为本发明一个实施例中叶片的参数计算方法的流程图；
图2A为本发明一个实施例中原始图像示意图；
图2B为本发明一个实施例中步骤S101的流程图；
图3A为本发明一个实施例中步骤S102的流程图；
图3B为本发明一个实施例中四个第一端点示意图；
图4为本发明一个实施例中步骤S104的流程图；
图5A为本发明一个实施例中步骤S107的流程图；
图5B为本发明一个实施例中第四图像的示意图；
图6为本发明一个实施例中步骤S1073的流程图；
图7为本发明一个实施例中步骤S604的流程图；
图8A为本发明一个实施例中步骤S6043的流程图；
图8B为本发明一个实施例中第六图像示意图；
图9为一个实施例中计算机设备的结构框图。
具体实施方式
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。
请结合参看图1，其为本发明一个实施例中叶片的参数计算方法的流程图。其中,本发明实施例提供的叶片的参数计算方法具体包括下面步骤。
步骤S101，原始图像进行预处理得到待处理图像，原始图像中包括纸张和放置于纸张上的叶片。
步骤S102，获取待处理图像中纸张的最大纸张轮廓。
步骤S103，根据最大纸张轮廓得到四个第一端点。
步骤S104，根据原始图像的尺寸以及纸张的尺寸生成四个第二端点。
步骤S105，根据四个第一端点和四个第二端点计算出映射关系。
步骤S106，利用映射关系将待处理图像转化为校正图像。
步骤S107，根据校正图像获取叶片的参数。
请结合参看图2A，其为本发明一个实施例中原始图像示意图。在本实施例中，将需要计算参数的叶片放置在A4纸上，用手机进行拍照，获取原始图像后对其进行灰度转换，在进行高斯滤波，之后将图像进行二值化操作，并进行开闭运算的操作得到待处理图像。具体内容请参照步骤S1011-步骤S1014，上述步骤是为了消除灯光的光斑造成的二值化图像的误差，便于后续步骤中图像的处理。通过cv.findContour获取待处理图像中纸张的最大纸张轮廓，具体内容请参照步骤S1021-步骤S1024。然后根据最大纸张轮廓得到四个第一端点。请结合参看图3B，其为本发明一个实施例中四个第一端点示意图，根据原始图像的尺寸以及纸张的尺寸生成四个第二端点。根据四个第一端点和四个第二端点计算出映射关系。利用映射关系将待处理图像转化为校正图像，根据校正图像获取叶片的参数。
在本实施例中，获取原始图像所使用的设备不仅限于手机，也可以是照相机、摄像机等具有获取物体图像功能的设备。cv.findContour是OpenCV3中图像轮廓查找与绘制算子，在实际应用中可以采用其他的具有轮廓的查找功能的算子，来进行纸张的轮廓查找。
上述实施例中，利用手机拍的的图像就可以使用该方法得到叶片的参数，便于获取原始图像。利用已知尺寸的纸张作为背景，通过图像中纸张的尺寸与实际纸张的尺寸得到图像中物体的数据与实际中物体的数据之间的变换关系，并对图像进行初步的预处理，使得算法校正因光斑问题造成的图像黑点问题，克服了传统识别对环境的要求；根据这个变换关系，将图像中的叶片换算为实际的尺寸，通过映射关系，对拍摄角度造成的图像误差进行了校正，解决了传统识别对拍摄角度的高要求，并且克服了传统的图像识别在计算最大外接矩形的算法中，计算的长度、宽度及长宽比不精确的问题，从而得到植物叶片的各种参数。本实施例中用于计算叶片参数的原始图像通过手机即可获取，方便快捷，能够随时随地满足相关工作人员，对于测量植物叶片的参数的需求，而且也不需要另外的测量设备，节省硬件成本。
请结合参看图2B，其为本发明一个实施例中步骤S101的流程图。其中，步骤S101，对原始图片进行预处理得到待处理图像，具体包括下面步骤。
步骤S1011，对原始图像进行灰度转化得到第一图像。具体地，对原始图像根据预设的目标条件按一定变换关系逐点改变原始图像中每一个像素灰度值。将原始图像转化为灰度图像能够改善画质，使图像的显示效果更加清晰，便于后续对图像的进一步处理。
步骤S1012，对第一图像进行高斯滤波得到第二图像。具体地，高斯滤波是一种线性平滑滤波，适用于消除高斯噪声。高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。经过高斯滤波的第二图像减少了第一图像中因灯光或者其他原因带来的噪声，便于后续对图像的进一步处理。
步骤S1013，对第二图像进行二值化处理得到第三图像。具体地，第二图像中像素值的范围还处于0-255之间，第二图像进行二值化处理将其中的像素的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。在本实施例中，经过二值化处理的第三图像中的数据量大为减少，从而能凸显出纸张与叶片的轮廓，便于后续对图像的进一步处理。
步骤S1014，对第三图像进行开闭运算处理得到待处理图像。具体地，开运算能够除去第三图像中孤立的小点，毛刺和小桥，而获得总的位置和形状不便待处理图像。开运算是一个基于几何运算的滤波器，将不同的结构元素的进行了不同的分割，便于提取出不同的特征。在本实施例中就是便于提取出纸张和叶片的特征，便于后续的运算。
请结合参看图3A，其为本发明一个实施例中步骤S102的流程图。其中，步骤S102，获取待处理图像中纸张的最大纸张轮廓，具体包括下面步骤。
步骤S1021，利用查找轮廓算法从待处理图像中查找出多个纸张轮廓。在本实施中，查找轮廓算法使用的是OpenCV3中图像轮廓查找与绘制算子，在实际应用中也可以使用Halcon或者其他具有图像轮廓查找与绘制算子的库来实现多个纸张轮廓的查找。
步骤S1022，根据每一个纸张轮廓的面积对多个纸张轮廓按照面积从大到小进行排序，选取排在前面的预设数量个纸张轮廓。在本实施例中，选取面积大小排在前3名的纸张轮廓。本实施例中的数值仅做示例不做限定。
步骤S1023，利用道格拉斯-普克算法分别对预设数量个纸张轮廓进行多边形拟合得到预设数量个具有多个端点的纸张轮廓。具体地，道格拉斯-普克算法(Douglas–Peuckeralgorithm，亦称为拉默-道格拉斯-普克算法、迭代适应点算法、分裂与合并算法)是将曲线近似表示为一系列点，并减少点的数量的一种算法。它的优点是具有平移和旋转不变性，给定曲线与阈值后，抽样结果一定。所以根据设置可以得到3个具有4个端点的纸张轮廓。
步骤S1024，从预设数量个具有多个端点的纸张轮廓中获取具有四个端点且面积最大的纸张轮廓为最大纸张轮廓。具体地，从3个具有多个端点的纸张轮廓中获取具有四个端点且面积最大的纸张轮廓为最大纸张轮廓。本实施例中的数值仅做示例不做限定。
请结合参看图4，其为本发明一个实施例中步骤S104的流程图。其中，步骤S104，根据原始图像的尺寸以及纸张的尺寸生成四个第二端点，具体包括下面步骤。
步骤S1041，根据纸张的尺寸得到纸张的长宽比。在本实施例中，使用的是A4纸，A4纸规格为210mm×297mm，所以纸张的长宽比为297/210。
在另一些可行的实施例中，可以使用B5纸，B5纸规格为176mm×250mm，所以纸张的长宽比为125/88。还可以根据实际需求，使用不同的纸张。
步骤S1042，根据原始图像的尺寸和纸张的长宽比生成四个第二端点，四个第二端点构成矩形且矩形的长宽比与纸张的长宽比相同。具体地，将图像中纸张的尺寸与现实中纸张尺寸进行比例转换，并得到图像中形状未被扭曲的纸张的4个端点。
请结合参看图5A，其为本发明一个实施例中步骤S107的流程图。其中，步骤S107，根据校正图像获取叶片的参数，具体包括下面步骤。
步骤S1071，获取校正图像中像素为黑色的边缘区域。具体地，因为利用图像的映射关系图像中有一些像素不能做到一一对应，未对应的部分就直接填充255，也就是将未对应的部分填充为黑色。
步骤S1072，切割边缘区域得到第四图像。具体的，切割边缘区域得到第四图像，请结合参照图5B，其为本发明一个实施例中第四图像的示意图。
步骤S1073，根据第四图像计算叶片的参数。其中，叶片参数包括叶片的面积、叶片的周长、叶片的长度、叶片的宽度及叶片的长宽比，具体请参照步骤S601-步骤S604。
请结合参看图6，其为本发明一个实施例中步骤S1073的流程图。其中，步骤S107，根据第四图像计算叶片的参数，具体包括下面步骤。
步骤S601，对第四图像进行二值化处理得到第五图像。
步骤S602，根据第五图像得到叶片的轮廓。
步骤S603，根据叶片的轮廓的像素点计算叶片的面积和叶片的周长。
步骤S604，根据第五图像得到叶片的长度、叶片的宽度及叶片的长宽比。
在本实施例中，第四图像进行二值化处理将其中的像素的灰度值设置为0或255，这里将叶片的像素设置为255，其他部分的像素设置为0。并使用cv.findContour算子获取叶片的轮廓，在得到轮廓后可以直接根据片的轮廓的像素点计算叶片的面积和叶片的周长，随后再进一步得到叶片的长度、叶片的宽度及叶片的长宽比，具体内容请参照步骤S6041-步骤S6043。
在本实施例中，经过二值化处理的第五图像中的数据量大为减少，从而能凸显出纸张与叶片的轮廓，便于后续对图像的进一步处理。
请结合参看图7，其为本发明一个实施例中步骤S604的流程图。其中，步骤S604，根据第五图像得到叶片的长度、叶片的宽度及叶片的长宽比，具体包括下面步骤。
步骤S6041，将第五图像进行旋转，遍历第五图像中像素值为预设数值的行，得到第五图像中像素值为预设数值最多的行。
步骤S6042，根据第五图像中像素值为预设数值最多的行得到叶片的长度。
步骤S6043，根据第五图像中像素值为预设数值最多的行得到叶片的宽度及叶片的长宽比。
在本实施例中，将二值化后叶片的像素值255设置为预设的参数，然后将五图像进行旋转360°，每次旋转1°，在旋转的过程中不断逐行遍历第五图像中像素值为255的行，得到一个包含像素值为255的像素最多的行，这行就是叶片的长度，在根据叶片的长度计算其他的参数，具体内容请参照步骤S801-步骤S805。在本实施例中，叶片的的像素值，以及每次旋转的角度，仅为示例不做限定，在实际应用中可以根据需求设置数值。
上述实施例中，通过遍历得到叶片中包含预设像素值最多的行，并将该行设置为叶片的长，准确的得到叶片的长度，不会因为图片的角度问题而获取错误的叶片参数，保证了方法计算结果的准确性。
请结合参看图8A，其为本发明一个实施例中步骤S6043的流程图。其中，步骤S6043，根据第五图像中像素值为预设数值最多的行得到叶片的宽度及叶片的长宽比，具体包括下面步骤。
步骤S801，根据第五图像中像素值为预设数值最多的行，将第五图像旋转第一角度得到第六图像。
步骤S802，将第五图像中像素值为预设数值最多的行设置为第六图像的列。
步骤S803，遍历第六图像中像素值为预设数值的行，得到第六图像中像素值为预设数值最多的行。
步骤S804，根据第六图像中像素值为预设数值最多的行得到叶片的宽度。
步骤S805，根据叶片的长度和叶片的宽度得到叶片的长宽比。
在本实施例中，将叶片的长所在的像素行，设置为与预先设置的坐标系y轴平行的角度。在通过显示器进行展示六图像时，叶片的长与显示界面的一个边平行。请结合参看图8B，为本发明一个实施例中第六图像示意图。在图像的当前角度下，再次进行遍历得到叶片的宽，最后根据叶片的长度和叶片的宽度得到叶片的长宽比。
上述实施例中，在确定叶片的长度参数以后能够准确的得到叶片的宽度参数，提升算法的运算效率，从而使用户在输入图像后能能够快速得到叶片的参数信息。
本发明实施例还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述的任一项方法的步骤。具体地，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，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。
请结合参看图9，其为一个实施例中计算机设备的内部结构示意图。计算机设备900包括存储器910和处理器920，存储器910存储有计算机程序，计算机程序被处理器执行时，使得处理器920执行上述任一项方法的步骤。
计算机设备900还包括通过系统总线930连接的处理器920、存储器910和网络接口940。其中，存储器910包括非易失性存储介质和内存储器。该计算机设备900的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器920执行时，可使得处理器920实现叶片的参数计算方法。该内存储器910中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行叶片的参数计算方法。
其中，存储器910至少包括一种类型的计算机可读存储介质，该计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器910在一些实施例中可以是计算机设备900的内部存储单元，例如计算机设备900的硬盘。存储器910在另一些实施例中也可以是计算机设备900的外部存储设备，例如计算机设备900上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字卡(Secure Digital，SD)，闪存卡(Flash Card)等。进一步地，存储器910还可以既包括计算机设备900的内部存储单元也包括外部存储设备。存储器910不仅可以用于存储安装于计算机设备900的应用软件及各类数据，例如叶片的参数计算方法的计算机程序等，还可以用于暂时地存储已经输出或者将要输出的数据，例如叶片的参数计算方法执行产生的数据等。处理器920在一些可行的实施例中可以中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
具体地，处理器920执行叶片的参数计算方法的计算机程序以控制计算机设备900实现叶片的参数计算方法。
进一步地，计算机设备900还可以包括系统总线930可以是外设部件互连标准总线(peripheral component interconnect，简称PCI)或扩展工业标准结构总线(extendedindustry standard architecture，简称EISA)等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
具体地，计算机设备900还可以包括网络接口940网络接口可选的可以包括有线网络接口和/或无线网络接口(如WI-FI网络接口、蓝牙网络接口等)，通常用于在计算机设备900与其他设备之间建立通信连接，例如，计算机设备900与波形显示设备之间的通信连接。
在另一些可行的实施例中，计算机设备900还可以包括显示组件(图未示)。显示组件可以是LED(Light Emitting Diode，发光二极管)显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示组件也可以适当的称为显示装置或显示单元，用于显示在计算机设备900中处理的信息以及用于显示可视化的用户界面。
图9仅示出了具有组件910-940以及实现叶片的参数计算方法的计算机设备900，本领域技术人员可以理解的是，图9示出的结构并不构成对计算机设备900的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。由于计算机设备900采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再赘述。
此外，根据本发明的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本发明的上述方法中部分或全部步骤的计算机程序代码指令。
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本申请专利范围的限制。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)

1.一种叶片的参数计算方法，其特征在于，所述方法包括：
对原始图像进行预处理得到待处理图像，所述原始图像中包括纸张和放置于所述纸张上的叶片；
获取所述待处理图像中纸张的最大纸张轮廓；
根据所述最大纸张轮廓得到四个第一端点；
根据所述原始图像的尺寸以及所述纸张的尺寸生成四个第二端点；
根据所述四个第一端点和所述四个第二端点计算出映射关系；
利用所述映射关系将所述待处理图像转化为校正图像；以及，
根据所述校正图像获取所述叶片的参数。
2.根据权利要求1所述的叶片的参数计算方法，其特征在于，所述对原始图片进行预处理得到待处理图像，具体包括：
对所述原始图像进行灰度转化得到第一图像；
对所述第一图像进行高斯滤波得到第二图像；
对所述第二图像进行二值化处理得到第三图像；以及，
对所述第三图像进行开闭运算处理得到所述待处理图像。
3.根据权利要求1所述的叶片的参数计算方法，其特征在于，所述获取所述待处理图像中纸张的最大纸张轮廓，具体包括：
利用查找轮廓算法从所述待处理图像中查找出多个纸张轮廓；
根据每一个纸张轮廓的面积对所述多个纸张轮廓按照面积从大到小进行排序，选取排在前面的预设数量个纸张轮廓；
利用道格拉斯-普克算法分别对所述预设数量个纸张轮廓进行多边形拟合得到预设数量个具有多个端点的纸张轮廓；以及，
从所述预设数量个具有多个端点的纸张轮廓中获取具有四个端点且面积最大的纸张轮廓为所述最大纸张轮廓。
4.根据权利要求1所述的叶片的参数计算方法，其特征在于，所述根据所述原始图像的尺寸以及所述纸张的尺寸生成四个第二端点，具体包括：
根据所述纸张的尺寸得到所述纸张的长宽比；以及，
根据所述原始图像的尺寸和所述纸张的长宽比生成四个第二端点，所述四个第二端点构成矩形且所述矩形的长宽比与所述纸张的长宽比相同。
5.根据权利要求1所述的叶片的参数计算方法，其特征在于，所述根据所述校正图像获取所述叶片的参数，具体包括：
获取所述校正图像中像素为黑色的边缘区域；
切割所述边缘区域得到第四图像；以及，
根据所述第四图像计算所述叶片的参数。
6.根据权利要求5所述的叶片的参数计算方法，其特征在于，所述根据所述第四图像计算所述叶片的参数，其中，所述叶片参数包括叶片的面积、叶片的周长、叶片的长度、所述叶片的宽度及所述叶片的长宽比，具体包括：
对所述第四图像进行二值化处理得到第五图像；
根据所述第五图像得到所述叶片的轮廓；
根据所述叶片的轮廓的像素点计算所述叶片的面积和所述叶片的周长；以及，
根据所述第五图像得到所述叶片的长度、所述叶片的宽度及所述叶片的长宽比。
7.根据权利要求6所述的叶片的参数计算方法，其特征在于，所述根据所述第五图像得到所述叶片的长度、所述叶片的宽度及所述叶片的长宽比，具体包括：
将所述第五图像进行旋转，遍历所述第五图像中像素值为预设数值的行，得到所述第五图像中像素值为所述预设数值最多的行；
根据所述第五图像中像素值为所述预设数值最多的行得到所述叶片的长度；以及，
根据所述第五图像中像素值为所述预设数值最多的行得到所述叶片的宽度及所述叶片的长宽比。
8.根据权利要求7所述的叶片的参数计算方法，其特征在于，根据所述第五图像中像素值为所述预设数值最多的行得到所述叶片的宽度及所述叶片的长宽比，具体包括：
根据所述第五图像中像素值为所述预设数值最多的行，将所述第五图像旋转第一角度得到第六图像；
将所述第五图像中像素值为所述预设数值最多的行设置为所述第六图像的列；
遍历所述第六图像中像素值为所述预设数值的行，得到所述第六图像中像素值为所述预设数值最多的行；
根据所述第六图像中像素值为所述预设数值最多的行得到所述叶片的宽度；以及，
根据所述叶片的长度和所述叶片的宽度得到所述叶片的长宽比。
9.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至8中任一项所述方法的步骤。
10.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至8中任一项所述方法的步骤。
CN202211098832.2A 2022-09-07 2022-09-07 叶片的参数计算方法、介质及计算机设备 Pending CN115439524A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211098832.2A CN115439524A (zh) 2022-09-07 2022-09-07 叶片的参数计算方法、介质及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211098832.2A CN115439524A (zh) 2022-09-07 2022-09-07 叶片的参数计算方法、介质及计算机设备

Publications (1)

Publication Number Publication Date
CN115439524A true CN115439524A (zh) 2022-12-06

Family

ID=84247329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211098832.2A Pending CN115439524A (zh) 2022-09-07 2022-09-07 叶片的参数计算方法、介质及计算机设备

Country Status (1)

Country Link
CN (1) CN115439524A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944324A (zh) * 2017-11-16 2018-04-20 凌云光技术集团有限责任公司 一种二维码畸变校正方法及装置
CN109059808A (zh) * 2018-08-15 2018-12-21 华南农业大学 叶片面积测量方法、系统、存储介质及移动终端
CN109754381A (zh) * 2019-01-03 2019-05-14 广东小天才科技有限公司 一种图像处理方法及系统
CN109886277A (zh) * 2018-12-28 2019-06-14 浙江理工大学 一种基于轮廓分析的茶鲜叶识别方法
CN110415183A (zh) * 2019-06-18 2019-11-05 平安科技（深圳）有限公司 图片校正方法、装置、计算机设备及计算机可读存储介质
CN111488874A (zh) * 2020-04-03 2020-08-04 中国农业大学 一种指针式仪表倾斜校正方法及系统
CN111667529A (zh) * 2020-05-25 2020-09-15 东华大学 一种植物点云叶片分割与表型特征测量方法
CN111861103A (zh) * 2020-06-05 2020-10-30 中南民族大学 一种基于多特征与多分类器的鲜茶叶分类方法
CN112465893A (zh) * 2020-11-05 2021-03-09 内蒙古工业大学 一种植被叶片面积测量方法、装置、终端及存储介质
CN114862866A (zh) * 2022-07-11 2022-08-05 深圳思谋信息科技有限公司 标定板的检测方法、装置、计算机设备和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944324A (zh) * 2017-11-16 2018-04-20 凌云光技术集团有限责任公司 一种二维码畸变校正方法及装置
CN109059808A (zh) * 2018-08-15 2018-12-21 华南农业大学 叶片面积测量方法、系统、存储介质及移动终端
CN109886277A (zh) * 2018-12-28 2019-06-14 浙江理工大学 一种基于轮廓分析的茶鲜叶识别方法
CN109754381A (zh) * 2019-01-03 2019-05-14 广东小天才科技有限公司 一种图像处理方法及系统
CN110415183A (zh) * 2019-06-18 2019-11-05 平安科技（深圳）有限公司 图片校正方法、装置、计算机设备及计算机可读存储介质
CN111488874A (zh) * 2020-04-03 2020-08-04 中国农业大学 一种指针式仪表倾斜校正方法及系统
CN111667529A (zh) * 2020-05-25 2020-09-15 东华大学 一种植物点云叶片分割与表型特征测量方法
CN111861103A (zh) * 2020-06-05 2020-10-30 中南民族大学 一种基于多特征与多分类器的鲜茶叶分类方法
CN112465893A (zh) * 2020-11-05 2021-03-09 内蒙古工业大学 一种植被叶片面积测量方法、装置、终端及存储介质
CN114862866A (zh) * 2022-07-11 2022-08-05 深圳思谋信息科技有限公司 标定板的检测方法、装置、计算机设备和存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
牛珂: "《基于图像处理的植物叶片参数测量系统》", 《科技教育》, vol. 22, no. 22, 30 June 2011 (2011-06-30), pages 207 - 208 *
牛珂: "《基于图像处理的植物叶片参数测量系统》", vol. 22, no. 22, pages 207 - 208 *
陈涛涛 等: "《基于矩形框几何校正的多叶面积测量方法》", 《农业工程学报》, vol. 28, no. 8, 30 April 2012 (2012-04-30), pages 1 - 8 *
陈涛涛 等: "《基于矩形框几何校正的多叶面积测量方法》", 《农业工程学报》, vol. 28, no. 8, pages 1 - 8 *

Similar Documents

Publication Publication Date Title
CN109492643B (zh) 基于ocr的证件识别方法、装置、计算机设备及存储介质
US11929048B2 (en) Method and device for marking target cells, storage medium and terminal device
US20210374940A1 (en) Product defect detection method, device and system
CN109493400B (zh) 手写样本生成方法、装置、计算机设备及存储介质
CN111325104B (zh) 文本识别方法、装置及存储介质
CN109753838B (zh) 二维码识别方法、装置、计算机设备及存储介质
CN109255300B (zh) 票据信息提取方法、装置、计算机设备及存储介质
CN114529837A (zh) 建筑物轮廓提取方法、系统、计算机设备及存储介质
CN109977944B (zh) 一种数字水表读数的识别方法
CN112001406B (zh) 一种文本区域检测方法及装置
CN113283355A (zh) 一种表格图像的识别方法、装置、计算机设备及存储介质
CN110674811B (zh) 图像识别的方法及装置
CN114648776B (zh) 一种财务报销数据处理方法和处理系统
CN110569774B (zh) 基于图像处理与模式识别的折线图图像自动数字化方法
CN114581442B (zh) 用于mes系统的产品检测方法及装置
CN111222368A (zh) 一种识别文档段落的方法、装置及电子设备
CN113158895A (zh) 票据识别方法、装置、电子设备及存储介质
CN111968115B (zh) 基于栅格化图像处理方法的骨科耗材检测方法及系统
CN113177899A (zh) 医药影印件文本倾斜矫正方法、电子设备和可读储存介质
CN110110697B (zh) 基于方向矫正的多指纹分割提取方法、系统、设备及介质
Hammami et al. One-shot field spotting on colored forms using subgraph isomorphism
CN109871743B (zh) 文本数据的定位方法及装置、存储介质、终端
CN113312937A (zh) 条形码识别方法及装置、存储介质、计算机设备
CN115439524A (zh) 叶片的参数计算方法、介质及计算机设备
CN117523557A (zh) 一种空间转录组芯片的检测方法、装置、设备及介质

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