CN117372790B - 植物叶片形状分类的方法、系统及装置 - Google Patents
植物叶片形状分类的方法、系统及装置 Download PDFInfo
- Publication number
- CN117372790B CN117372790B CN202311674670.7A CN202311674670A CN117372790B CN 117372790 B CN117372790 B CN 117372790B CN 202311674670 A CN202311674670 A CN 202311674670A CN 117372790 B CN117372790 B CN 117372790B
- Authority
- CN
- China
- Prior art keywords
- point set
- plant leaf
- plant
- maximum
- representing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 241000196324 Embryophyta Species 0.000 claims description 245
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种植物叶片形状分类的方法、系统及装置,方法包括:获取待测植物叶片图像,经二值化处理得到植物叶片二值化图像;提取植物叶片二值化图像的轮廓信息,得到叶片边缘闭合曲线,获取叶片边缘闭合曲线的所有边缘点信息得到边缘坐标点集合;对边缘坐标点集合中所有边缘坐标点进行预处理,得到叶片边缘点集合,计算叶片边缘点集合中所有叶片边缘点的曲率值,得到叶片曲率集合;将叶片曲率集合进行归一化,通过计算得到待测植物叶片的极大值点集合及极小值点集合;分别计算待测植物叶片与训练集极大值点集合及极小值点集合的相似度,得到植物叶片相似度,基于植物叶片相似度的最小值,得到待测植物叶片图像的分类类别。
Description
技术领域
本发明涉及数字图像处理领域,尤其涉及一种植物叶片形状分类的方法、系统及装置。
背景技术
植物分类对保护生物多样性、农业生态及生物技术安全具有重要意义,快速准确的植物自动分类在植物的分析和调查过程中有很大帮助,叶片是植物的重要无性器官,不同类别的植物叶片有一定的差异,所以,采用叶片识别植物类别是一种非常普遍的方法。目前,在植物叶片形状分类识别方面,主要利用计算机视觉技术对植物叶片图像进行处理分析,提取植物叶片特征进而进行植物类型的判别。其中,基于深度学习的植物叶片形状分类的方法,需要标注大量的训练集样本,因而不适用于样本量较小的情况;传统的基于计算机视觉的方法从植物叶片图像中提取描述植物叶片的整体特征及局部细节特征,其中,常用的轮廓特征包括凸缺陷特征、轮廓形状对称性特征及轮廓的傅里叶描述子等,常用的几何特征包括最小外接矩形特征、伸长度特征、叶片面积特征、矩形度特征、圆形度特征、致密度特征及凸性特征等,常用的纹理特征包括共生矩阵特征、局部二进制模式特征及Gabor图谱特征等,将提取到的特征输入分类器进行分类,得到不同叶片形状的所属类别,常用的分类器包括KNN、SVM等,该方法在计算过程中需要一定量的训练集样本,同时基于特征提取的方法受到所选取特征种类的影响。
随着图像处理技术的不断发展,通过采用轻量级及低消耗的算法,不需要进行样本训练,有效采集利用植物叶片的轮廓特征对植物叶片形状进行分类,能够消除植物叶片图像的尺寸、旋转及形变对植物叶片形状分类的影响。
发明内容
本发明针对现有技术中的缺点,提供了一种植物叶片形状分类的方法、系统及装置。
为了解决上述问题,本发明通过下述技术方案得以解决:
一种植物叶片形状分类的方法,包括以下步骤:
获取待测植物叶片图像,经二值化处理得到植物叶片二值化图像;
提取植物叶片二值化图像的轮廓信息,得到叶片边缘闭合曲线,获得叶片边缘闭合曲线的所有边缘坐标点信息,得到边缘坐标点集合;
对边缘坐标点集合中所有边缘坐标点进行预处理,得到叶片边缘点集合,计算叶片边缘点集合中所有叶片边缘点的曲率值,得到叶片曲率集合;
将叶片曲率集合中所有曲率值进行归一化,得到归一化曲率集合,进而得到待测植物叶片的极大值点集合及极小值点集合;
基于极大值点集合及极小值点集合,分别得到待测植物叶片与训练集极大值点集合及极小值点集合的相似度,进而得到植物叶片相似度,所述植物叶片相似度的最小值则为待测植物叶片的所属类别。
作为一种可实施方式,所述预处理包括平滑处理和/或降采样处理。
作为一种可实施方式,所述平滑处理,具体表达式如下所示:
其中,表示平滑后边缘闭合曲线中第/>个点的横坐标,表示平滑后边缘闭合曲线中第/>个点的纵坐标,/>表示平滑窗口的大小,/>表示边缘坐标点集合中第/>个点的横坐标,/>表示边缘坐标点集合中第/>个点的纵坐标。
作为一种可实施方式,所述降采样处理,具体表达式如下所示:
其中,表示叶片边缘点集合中点的数量,/>表示采样间隔,/>表示边缘坐标点集合中点的数量。
作为一种可实施方式,所述叶片边缘点集合的曲率值,具体表达式如下所示:
其中,表示叶片边缘点集合中第/>点的横坐标,/>表示叶片边缘点集合中第/>点的纵坐标,/>表示第/>点的曲率值,/>,/>,,/>。
作为一种可实施方式,所述将叶片曲率集合中所有曲率值进行归一化,得到归一化曲率集合,对归一化曲率集合进行计算,得到极大值点集合及极小值点集合,包括以下步骤:
设置归一化轮廓点数量,采用数据插值方法结合归一化轮廓点数量,得到点数量为归一化轮廓点数量的归一化曲率集合;
基于归一化曲率集合,得到极大值点集合及极小值点集合,表示如下:
其中,表示极大值点的极值,/>表示极大值点的位置,/>表示极大值点的数量,/>表示极小值点的极值,/>表示极小值点的位置,表示极小值点的数量。
作为一种可实施方式,所述基于极大值点集合及极小值点集合,分别得到待测植物叶片与训练集极大值点集合及极小值点集合的相似度,包括以下步骤:
获取训练集中植物叶片图像的极大值点集合及植物叶片图像的极小值点集合;
计算待测植物叶片图像的极大值点集合及训练集中植物叶片图像的极大值点集合相对位置分布的相似度;以及,计算待测植物叶片图像的极小值点集合及训练集中植物叶片图像的极小值点集合相对位置分布的相似度;
所述植物叶片相似度表示如下:
其中,表示测试集中第/>张待测植物叶片图像的极大值点集合及训练集中第/>张植物叶片图像的极大值点集合相对位置分布的相似度,/>表示训练集中第/>张植物叶片图像的极大值点集合,/>表示测试集中第/>张待测植物叶片图像的极大值点集合,/>表示测试集中第/>张待测植物叶片图像的极小值点集合及训练集中第/>张植物叶片图像的极小值点集合相对位置分布的相似度,表示训练集中第/>张植物叶片图像的极小值点集合,/>表示测试集中第/>张待测植物叶片图像的极小值点集合,/>表示植物叶片相似度。
作为一种可实施方式,还包括以下步骤:
若待测植物叶片图像存在偏移,则对待测植物叶片图像的极大值点集合的最大值横坐标进行旋转平移,使得待测植物叶片图像的极大值点集合的最大值横坐标与训练集中植物叶片图像的极大值点集合的最大值横坐标处于相同位置,表示如下:
其中,表示训练集中第/>张植物叶片图像的极大值点集合,/>表示训练集中第/>张植物叶片图像的极大值点集合的第/>个极大值点的位置,/>表示训练集中第/>张植物叶片图像的极大值点集合的第/>个极大值点的极值,/>表示训练集中第/>张植物叶片图像的极大值点集合的点数量,/>表示测试集中第/>张待测植物叶片图像的极大值点集合,/>表示测试集中第/>张待测植物叶片图像的极大值点集合中第/>个极大值点的位置,/>表示测试集中第/>张待测植物叶片图像的极大值点集合中第/>个极大值点的极值,/>表示测试集中第/>张待测植物叶片图像的极大值点集合的点数量,/>表示训练集的极大值点集合的最大值对应的点,/>表示测试集的极大值点集合的最大值对应的点,/>表示/>中最大值的位置,/>表示/>中最大值的位置,/>表示平移旋转量。
作为一种可实施方式,所述植物叶片相似度的最小值则为待测植物叶片的所属类别,表示如下:
其中,表示所属类别,/>表示植物叶片相似度。
一种植物叶片形状分类的系统,包括二值化模块、轮廓计算模块、预处理模块、归一化计算模块及类别计算模块;
所述二值化模块,获取待测植物叶片图像,经二值化处理得到植物叶片二值化图像;
所述轮廓计算模块,提取植物叶片二值化图像的轮廓信息,得到叶片边缘闭合曲线,获得叶片边缘闭合曲线的所有边缘坐标点信息,得到边缘坐标点集合;
所述预处理模块,对边缘坐标点集合中所有边缘坐标点进行预处理,得到叶片边缘点集合,计算叶片边缘点集合中所有叶片边缘点的曲率值,得到叶片曲率集合;
所述归一化计算模块,将叶片曲率集合中所有曲率值进行归一化,得到归一化曲率集合,进而得到待测植物叶片的极大值点集合及极小值点集合;
所述类别计算模块,基于极大值点集合及极小值点集合,分别得到待测植物叶片与训练集极大值点集合及极小值点集合的相似度,进而得到植物叶片相似度,所述植物叶片相似度的最小值则为待测植物叶片的所属类别。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如下的方法:
获取待测植物叶片图像,经二值化处理得到植物叶片二值化图像;
提取植物叶片二值化图像的轮廓信息,得到叶片边缘闭合曲线,获得叶片边缘闭合曲线的所有边缘坐标点信息,得到边缘坐标点集合;
对边缘坐标点集合中所有边缘坐标点进行预处理,得到叶片边缘点集合,计算叶片边缘点集合中所有叶片边缘点的曲率值,得到叶片曲率集合;
将叶片曲率集合中所有曲率值进行归一化,得到归一化曲率集合,进而得到待测植物叶片的极大值点集合及极小值点集合;
基于极大值点集合及极小值点集合,分别得到待测植物叶片与训练集极大值点集合及极小值点集合的相似度,进而得到植物叶片相似度,所述植物叶片相似度的最小值则为待测植物叶片的所属类别。
一种植物叶片形状分类的装置,包括存储器、处理器以及存储在所述存储器中并在所述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如下的方法:
获取待测植物叶片图像,经二值化处理得到植物叶片二值化图像;
提取植物叶片二值化图像的轮廓信息,得到叶片边缘闭合曲线,获得叶片边缘闭合曲线的所有边缘坐标点信息,得到边缘坐标点集合;
对边缘坐标点集合中所有边缘坐标点进行预处理,得到叶片边缘点集合,计算叶片边缘点集合中所有叶片边缘点的曲率值,得到叶片曲率集合;
将叶片曲率集合中所有曲率值进行归一化,得到归一化曲率集合,进而得到待测植物叶片的极大值点集合及极小值点集合;
基于极大值点集合及极小值点集合,分别得到待测植物叶片与训练集极大值点集合及极小值点集合的相似度,进而得到植物叶片相似度,所述植物叶片相似度的最小值则为待测植物叶片的所属类别。
通过本发明的方法解决现有植物叶片形状分类方法中需要大量样本的问题,同时避免叶片发生旋转偏移影响分类结果。
本发明采用图像相关算法对植物叶片图像进行处理,对植物叶片图像边缘数据通过数据差值及旋转平移的方法,消除植物叶片图像旋转对分类结果的影响,同时计算相对位置分布的相似度,得到植物叶片图像的所属类别,该方法操作简单,不需要大量样本进行训练,可以对植物叶片图像进行自动准确的分类。
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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明方法的流程示意图;
图2是本发明系统的整体示意图;
图3是本发明训练集植物叶片二值化图像及闭合边缘曲线示意图;
图4是本发明测试集植物叶片二值化图像及闭合边缘曲线示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1:
一种植物叶片形状分类的方法,如图1所示,包括以下步骤:
S100:获取待测植物叶片图像,经二值化处理得到植物叶片二值化图像;
S200:提取植物叶片二值化图像的轮廓信息,得到叶片边缘闭合曲线,获得叶片边缘闭合曲线的所有边缘坐标点信息,得到边缘坐标点集合;
S300:对边缘坐标点集合中所有边缘坐标点进行预处理,得到叶片边缘点集合,计算叶片边缘点集合中所有叶片边缘点的曲率值,得到叶片曲率集合;
S400:将叶片曲率集合中所有曲率值进行归一化,得到归一化曲率集合,进而得到待测植物叶片的极大值点集合及极小值点集合;
S500:基于极大值点集合及极小值点集合,分别得到待测植物叶片与训练集极大值点集合及极小值点集合的相似度,进而得到植物叶片相似度,所述植物叶片相似度的最小值则为待测植物叶片的所属类别。
通过本发明的方法解决了目前植物叶片形状分类方法需要一定量样本的问题,避免植物叶片图像旋转对植物叶片形状分类结果产生影响,实现植物叶片形状的自动化分类,提高分类效率,同时本方法计算简单,实现植物叶片形状的快速准确分类。
在步骤S100中,获取待测植物叶片图像,经二值化处理得到植物叶片二值化图像,包括以下步骤:
S110:获取待测植物叶片图像,在本实施例中,包括测试集中的植物叶片图像;
S120:采用图像处理算法将待测植物叶片图像进行灰度处理,并进行二值化处理,得到植物叶片二值化图像,如图3、图4所示,具体表达式如下所示:
其中,表示灰度处理后图像中第/>点的像素值,/>表示待测植物叶片图像中第/>点/>通道的值,/>表示待测植物叶片图像中第/>点/>通道的值,/>表示待测植物叶片图像中第/>点/>通道的值,/>表示植物叶片二值化图像中第/>点的值,/>表示预设阈值。
在步骤S200中,提取植物叶片二值化图像的轮廓信息,得到叶片边缘闭合曲线,获得叶片边缘闭合曲线的所有边缘坐标点信息,得到边缘坐标点集合,包括以下步骤:
S210:计算植物叶片二值化图像边缘信息,得到边缘闭合曲线,如图3、图4所示;
S220:依次记录边缘曲线上点的横坐标信息及纵坐标信息/>,得到边缘坐标点集合/>,每一列是边缘曲线上一个轮廓点的横坐标及纵坐标,其中,第一行表示边缘曲线上点的横坐标,第二行表示边缘曲线上点的纵坐标,相邻两列是该边缘曲线上相邻点的横坐标及纵坐标,/>为/>的二维数组,/>表示边缘闭合曲线上点的数量。
在步骤S300中,对边缘坐标点集合中所有边缘坐标点进行预处理,得到叶片边缘点集合,计算叶片边缘点集合中所有叶片边缘点的曲率值,得到叶片曲率集合,包括以下步骤:
S310:本实施例中预处理包括平滑滤波处理及降采样处理;
S320:采用平滑滤波的方法处理边缘坐标点集合,消除坐标信息中的毛刺噪声,采用长度为的窗口进行滑动平均得到平滑后边缘坐标点集合/>,具体表达式如下所示:
其中,表示平滑后边缘闭合曲线中第/>个点的横坐标,/>表示平滑后边缘闭合曲线中第/>个点的纵坐标,/>表示边缘坐标点集合中第/>个点的横坐标,/>表示边缘坐标点集合中第/>个点的纵坐标;
S330:对平滑后边缘曲线中的点进行降采样,得到叶片边缘点集合,对中的/>个点进行降采样,即每间隔/>个点采样一个点,得到叶片边缘点集合,通过降采样一方面降低了计算量,另一方面可以对平滑后边缘曲线中的点进一步去除噪声,提高计算准确率;
具体表达式如下所示:
其中,表示降采样间隔点数,/>表示边缘坐标点集合中点的数量,表示叶片边缘点集合中点的数量;
S340:计算叶片边缘点集合中所有叶片边缘点的曲率值,得到叶片曲率集合,具体表达式如下所示:
其中,表示叶片边缘点集合中第/>点的横坐标,/>表示叶片边缘点集合中第/>点的纵坐标,/>表示第/>点的曲率值。
在步骤S400中,将叶片曲率集合中所有曲率值进行归一化,得到归一化曲率集合,进而得到待测植物叶片的极大值点集合及极小值点集合,包括以下步骤:
S410:设置归一化点数量,采用数据差值的方法,对叶片曲率集合中所有曲率值进行归一化,得到归一化曲率集合的点数为/>,归一化处理将不同叶片的归一化曲率集合中点数相同,具体步骤如下所示:
dt = 1/SubsampleNum;
T = dt :dt :SubsampleNum*dt;
dt2 = 1/NormedNum;
T2 = dt2 : dt2 :NormedNum*dt2;
NormedCurvature = interp1(T, SubsampleCurvature, T2,'spline');
S420:获取归一化曲率集合的极大值点集合、极小值点集合/>,具体表达式如下所示:
其中,表示极大值点的极值,/>表示极大值点的位置,/>表示极大值点的数量,/>表示极小值点的极值,/>表示极小值点的位置,表示极小值点的数量;
S430:为消除待测植物叶片图像在任意旋转情况下,对分类结果的影响,将测试集中第张待测植物叶片图像进行旋转平移,使/>与/>位于相同的横坐标位置,具体表达式如下所示:
其中,表示训练集中第/>张植物叶片图像的极大值点集合,/>表示训练集中第/>张植物叶片图像的极大值点集合的第/>个极大值点的位置,/>表示训练集中第/>张植物叶片图像的极大值点集合的第/>个极大值点的极值,/>表示训练集中第/>张植物叶片图像的极大值点集合的点数量,/>表示测试集中第/>张待测植物叶片图像的极大值点集合,/>表示测试集中第/>张待测植物叶片图像的极大值点集合中第/>个极大值点的位置,/>表示测试集中第/>张待测植物叶片图像的极大值点集合中第/>个极大值点的极值,/>表示测试集中第/>张待测植物叶片图像的极大值点集合的点数量,/>表示训练集的极大值点集合的最大值对应的点,/>表示测试集的极大值点集合的最大值对应的点,/>表示/>中最大值的位置,/>表示/>中最大值的位置,/>表示平移旋转量。
在步骤S500中,基于极大值点集合及极小值点集合,分别得到待测植物叶片与训练集极大值点集合及极小值点集合的相似度,进而得到植物叶片相似度,所述植物叶片相似度的最小值则为待测植物叶片的所属类别,包括以下步骤:
S510:形状相似的待测植物叶片图像及训练集中的植物叶片图像,其极大值点集合与极小值点集合之间的相对位置分布是相似的,在本实施例中,采用EMD衡量相对位置分布的相似度,计算训练集中第张植物叶片图像与测试集中第/>张待测植物叶片图像的极大值分布之间的相似度、训练集中第/>张植物叶片图像与测试集中第/>张待测植物叶片图像的极小值分布之间的相似度,得到植物叶片相似度,具体表达式如下所示:
其中,表示测试集中第/>张待测植物叶片图像的极大值点集合及训练集中第/>张植物叶片图像的极大值点集合相对位置分布的相似度,/>表示训练集中第/>张植物叶片图像的极大值点集合,/>表示测试集中第/>张待测植物叶片图像的极大值点集合,/>表示测试集中第/>张待测植物叶片图像的极小值点集合及训练集中第/>张植物叶片图像的极小值点集合相对位置分布的相似度,/>表示训练集中第/>张植物叶片图像的极小值点集合,/>表示测试集中第/>张待测植物叶片图像的极小值点集合,/>表示植物叶片相似度;
S520:植物叶片相似度越小,表示植物叶片图像之间类别越近似,是线性规划中运输问题的最优解,即:已有的货物存在于起点仓库/>中,存量分别是/>,需要将货物运输至终点仓库/>中,其容量分别为/>。从起点仓库/>到终点仓库/>的距离用矩阵[/>]来描述。根据其物理意义,每个起点仓库/>的出货量不能超过其存量/>,每个终点仓库/>的进货量不能大于其容量/>,运输的货物总量不能超过/>之和,也不能超过/>之和。在此约束下,求代价最小的运输方案,/>是/>和/>之间的货物运输量,具体表达式如下所示:
具体的,计算两个植物叶片之间的相似度,上式中的符号和含义表示如下:
其中,表示训练集中第/>张植物叶片图像的第/>个极大值点的位置/>和测试集中第/>张待测植物叶片图像的第/>个极大值点的位置/>之间的距离,/>表示训练集中第/>张植物叶片图像的极大值点的个数,/>表示测试集中第/>张待测植物叶片图像的极大值点的个数,/>表示训练集中第/>张植物叶片图像的第/>个极大值点的权重,/>表示第/>张待测植物叶片图像的第/>个极大值点的权重。
计算测试集中第张待测植物叶片图像与训练集中植物叶片图像之间的植物叶片相似度,选择植物叶片相似度最小值为第/>张植物叶片图像的类别,具体表达式如下所示:
其中,表示所属类别,/>表示植物叶片相似度。
实施例2:
一种植物叶片形状分类的系统,如图2所示,包括二值化模块100、轮廓计算模块200、预处理模块300、归一化计算模块400及类别计算模块500;
所述二值化模块100,获取待测植物叶片图像,经二值化处理得到植物叶片二值化图像;
所述轮廓计算模块200,提取植物叶片二值化图像的轮廓信息,得到叶片边缘闭合曲线,获得叶片边缘闭合曲线的所有边缘坐标点信息,得到边缘坐标点集合;
所述预处理模块300,对边缘坐标点集合中所有边缘坐标点进行预处理,得到叶片边缘点集合,计算叶片边缘点集合中所有叶片边缘点的曲率值,得到叶片曲率集合;
所述归一化计算模块400,将叶片曲率集合中所有曲率值进行归一化,得到归一化曲率集合,进而得到待测植物叶片的极大值点集合及极小值点集合;
所述类别计算模块500,基于极大值点集合及极小值点集合,分别得到待测植物叶片与训练集极大值点集合及极小值点集合的相似度,进而得到植物叶片相似度,所述植物叶片相似度的最小值则为待测植物叶片的所属类别。
在不脱离本发明的精神和范围的情况下做出的各种变化和变型,所有等同的技术方案也属于本发明的范畴。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同、相似的部分互相参见即可。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是:
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
此外,需要说明的是,本说明书中所描述的具体实施例,其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化,均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种植物叶片形状分类的方法,其特征在于,包括以下步骤:
获取待测植物叶片图像,经二值化处理得到植物叶片二值化图像;
提取植物叶片二值化图像的轮廓信息,得到叶片边缘闭合曲线,获得叶片边缘闭合曲线的所有边缘坐标点信息,得到边缘坐标点集合;
对边缘坐标点集合中所有边缘坐标点进行预处理,得到叶片边缘点集合,计算叶片边缘点集合中所有叶片边缘点的曲率值,得到叶片曲率集合;
将叶片曲率集合中所有曲率值进行归一化,得到归一化曲率集合,进而得到待测植物叶片的极大值点集合及极小值点集合;
基于极大值点集合及极小值点集合,分别得到待测植物叶片与训练集极大值点集合及极小值点集合的相似度,进而得到植物叶片相似度,所述植物叶片相似度的最小值则为待测植物叶片的所属类别;
其中,所述将叶片曲率集合中所有曲率值进行归一化,得到归一化曲率集合,对归一化曲率集合进行计算,得到极大值点集合及极小值点集合,包括以下步骤:
设置归一化轮廓点数量,采用数据插值方法结合归一化轮廓点数量,得到点数量为归一化轮廓点数量的归一化曲率集合;
基于归一化曲率集合,得到极大值点集合及极小值点集合,表示如下:
其中,表示极大值点的极值,/>表示极大值点的位置,/>表示极大值点的数量,/>表示极小值点的极值,/>表示极小值点的位置,/>表示极小值点的数量;
其中,所述基于极大值点集合及极小值点集合,分别得到待测植物叶片与训练集极大值点集合及极小值点集合的相似度,包括以下步骤:
获取训练集中植物叶片图像的极大值点集合及植物叶片图像的极小值点集合;
计算待测植物叶片图像的极大值点集合及训练集中植物叶片图像的极大值点集合相对位置分布的相似度;以及,计算待测植物叶片图像的极小值点集合及训练集中植物叶片图像的极小值点集合相对位置分布的相似度;
所述植物叶片相似度表示如下:
其中,表示测试集中第/>张待测植物叶片图像的极大值点集合及训练集中第/>张植物叶片图像的极大值点集合相对位置分布的相似度,/>表示训练集中第/>张植物叶片图像的极大值点集合,/>表示测试集中第/>张待测植物叶片图像的极大值点集合,/>表示测试集中第/>张待测植物叶片图像的极小值点集合及训练集中第/>张植物叶片图像的极小值点集合相对位置分布的相似度,/>表示训练集中第/>张植物叶片图像的极小值点集合,/>表示测试集中第/>张待测植物叶片图像的极小值点集合,/>表示植物叶片相似度。
2.根据权利要求1所述植物叶片形状分类的方法,其特征在于,所述预处理包括平滑处理和/或降采样处理。
3.根据权利要求2所述植物叶片形状分类的方法,其特征在于,所述平滑处理,具体表达式如下所示:
其中,表示平滑后边缘闭合曲线中第/>个点的横坐标,/>表示平滑后边缘闭合曲线中第/>个点的纵坐标,/>表示平滑窗口的大小,表示边缘坐标点集合中第/>个点的横坐标,/>表示边缘坐标点集合中第/>个点的纵坐标。
4.根据权利要求2所述植物叶片形状分类的方法,其特征在于,所述降采样处理,具体表达式如下所示:
其中,表示叶片边缘点集合中点的数量,/>表示采样间隔,表示边缘坐标点集合中点的数量。
5.根据权利要求1所述植物叶片形状分类的方法,其特征在于,所述叶片边缘点集合的曲率值,具体表达式如下所示:
其中,表示叶片边缘点集合中第/>点的横坐标,/>表示叶片边缘点集合中第/>点的纵坐标,/>表示第/>点的曲率值,/>,,/>,/>。
6.根据权利要求1所述植物叶片形状分类的方法,其特征在于,还包括以下步骤:
若待测植物叶片图像存在偏移,则对待测植物叶片图像的极大值点集合的最大值横坐标进行旋转平移,使得待测植物叶片图像的极大值点集合的最大值横坐标与训练集中植物叶片图像的极大值点集合的最大值横坐标处于相同位置,表示如下:
其中,表示训练集中第/>张植物叶片图像的极大值点集合,/>表示训练集中第/>张植物叶片图像的极大值点集合的第/>个极大值点的位置,/>表示训练集中第/>张植物叶片图像的极大值点集合的第/>个极大值点的极值,/>表示训练集中第/>张植物叶片图像的极大值点集合的点数量,/>表示测试集中第/>张待测植物叶片图像的极大值点集合,/>表示测试集中第/>张待测植物叶片图像的极大值点集合中第/>个极大值点的位置,/>表示测试集中第/>张待测植物叶片图像的极大值点集合中第/>个极大值点的极值,/>表示测试集中第/>张待测植物叶片图像的极大值点集合的点数量,/>表示训练集的极大值点集合的最大值对应的点,/>表示测试集的极大值点集合的最大值对应的点,/>表示/>中最大值的位置,/>表示/>中最大值的位置,/>表示平移旋转量。
7.根据权利要求1所述植物叶片形状分类的方法,其特征在于,所述植物叶片相似度的最小值则为待测植物叶片的所属类别,表示如下:
其中,表示所属类别,/>表示植物叶片相似度。
8.一种植物叶片形状分类的系统,其特征在于,包括二值化模块、轮廓计算模块、预处理模块、归一化计算模块及类别计算模块;
所述二值化模块,获取待测植物叶片图像,经二值化处理得到植物叶片二值化图像;
所述轮廓计算模块,提取植物叶片二值化图像的轮廓信息,得到叶片边缘闭合曲线,获得叶片边缘闭合曲线的所有边缘坐标点信息,得到边缘坐标点集合;
所述预处理模块,对边缘坐标点集合中所有边缘坐标点进行预处理,得到叶片边缘点集合,计算叶片边缘点集合中所有叶片边缘点的曲率值,得到叶片曲率集合;
所述归一化计算模块,将叶片曲率集合中所有曲率值进行归一化,得到归一化曲率集合,进而得到待测植物叶片的极大值点集合及极小值点集合;
所述类别计算模块,基于极大值点集合及极小值点集合,分别得到待测植物叶片与训练集极大值点集合及极小值点集合的相似度,进而得到植物叶片相似度,所述植物叶片相似度的最小值则为待测植物叶片的所属类别;
其中,所述将叶片曲率集合中所有曲率值进行归一化,得到归一化曲率集合,对归一化曲率集合进行计算,得到极大值点集合及极小值点集合,包括以下步骤:
设置归一化轮廓点数量,采用数据插值方法结合归一化轮廓点数量,得到点数量为归一化轮廓点数量的归一化曲率集合;
基于归一化曲率集合,得到极大值点集合及极小值点集合,表示如下:
其中,表示极大值点的极值,/>表示极大值点的位置,/>表示极大值点的数量,/>表示极小值点的极值,/>表示极小值点的位置,/>表示极小值点的数量;
其中,所述基于极大值点集合及极小值点集合,分别得到待测植物叶片与训练集极大值点集合及极小值点集合的相似度,包括以下步骤:
获取训练集中植物叶片图像的极大值点集合及植物叶片图像的极小值点集合;
计算待测植物叶片图像的极大值点集合及训练集中植物叶片图像的极大值点集合相对位置分布的相似度;以及,计算待测植物叶片图像的极小值点集合及训练集中植物叶片图像的极小值点集合相对位置分布的相似度;
所述植物叶片相似度表示如下:
其中,表示测试集中第/>张待测植物叶片图像的极大值点集合及训练集中第/>张植物叶片图像的极大值点集合相对位置分布的相似度,/>表示训练集中第/>张植物叶片图像的极大值点集合,/>表示测试集中第/>张待测植物叶片图像的极大值点集合,/>表示测试集中第/>张待测植物叶片图像的极小值点集合及训练集中第/>张植物叶片图像的极小值点集合相对位置分布的相似度,/>表示训练集中第/>张植物叶片图像的极小值点集合,/>表示测试集中第/>张待测植物叶片图像的极小值点集合,/>表示植物叶片相似度。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的方法。
10.一种植物叶片形状分类的装置,包括存储器、处理器以及存储在所述存储器中并在所述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如权利要求1至7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311674670.7A CN117372790B (zh) | 2023-12-08 | 2023-12-08 | 植物叶片形状分类的方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311674670.7A CN117372790B (zh) | 2023-12-08 | 2023-12-08 | 植物叶片形状分类的方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117372790A CN117372790A (zh) | 2024-01-09 |
CN117372790B true CN117372790B (zh) | 2024-03-08 |
Family
ID=89400635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311674670.7A Active CN117372790B (zh) | 2023-12-08 | 2023-12-08 | 植物叶片形状分类的方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372790B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000082148A (ja) * | 1998-07-09 | 2000-03-21 | Ricoh Co Ltd | 物体画像の形状特徴抽出方式,画像物体認識方式及び装置 |
JP2012146108A (ja) * | 2011-01-12 | 2012-08-02 | Toshiba Corp | 画像認識装置、画像認識方法及びプログラム |
JP2014106856A (ja) * | 2012-11-29 | 2014-06-09 | Kyushu Institute Of Technology | 画像認識方法および画像認識装置 |
CN104361342A (zh) * | 2014-10-23 | 2015-02-18 | 同济大学 | 一种基于几何不变形状特征的在线植物物种识别方法 |
CN107392225A (zh) * | 2017-06-12 | 2017-11-24 | 天津科技大学 | 基于椭圆傅立叶描述符和加权稀疏表示的植物识别方法 |
US10013630B1 (en) * | 2014-09-26 | 2018-07-03 | A9.Com, Inc. | Detection and recognition of objects lacking textures |
CN109785348A (zh) * | 2018-12-14 | 2019-05-21 | 中国科学院长春光学精密机械与物理研究所 | 基于图像边界近似曲率变化的新型角点检测方法及系统 |
CN111369540A (zh) * | 2020-03-06 | 2020-07-03 | 西安电子科技大学 | 基于掩码卷积神经网络的植物叶片病害识别方法 |
CN111680571A (zh) * | 2020-05-14 | 2020-09-18 | 华南农业大学 | 基于lda降维的多特征融合的植物叶片识别方法 |
CN113837037A (zh) * | 2021-09-09 | 2021-12-24 | 广东浪潮智慧计算技术有限公司 | 一种植物种类识别方法、系统、电子设备及存储介质 |
CN114049494A (zh) * | 2022-01-13 | 2022-02-15 | 安徽高哲信息技术有限公司 | 粮食籽粒标注方法及设备、存储介质 |
CN115115609A (zh) * | 2022-07-18 | 2022-09-27 | 中国农业科学院蔬菜花卉研究所 | 一种植物叶片正面表型性状的图像分析方法及系统 |
CN115176274A (zh) * | 2020-06-08 | 2022-10-11 | 上海交通大学 | 一种异源图像配准方法及系统 |
CN115953615A (zh) * | 2022-11-23 | 2023-04-11 | 江苏开放大学(江苏城市职业学院) | 基于轮廓形状和深度特征融合的植物叶片图像识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100821671B1 (ko) * | 2006-09-06 | 2008-04-14 | 아주대학교산학협력단 | 잎맥의 특징점을 이용한 잎 분류방법 |
US20130094750A1 (en) * | 2011-10-12 | 2013-04-18 | Tolga Tasdizen | Methods and systems for segmentation of cells for an automated differential counting system |
EP3044711A4 (en) * | 2013-09-13 | 2017-05-31 | Avicennia Investments Pty Ltd. | An apparatus and method for identifying plant varieties from leaf samples taken whilst in the field. |
-
2023
- 2023-12-08 CN CN202311674670.7A patent/CN117372790B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000082148A (ja) * | 1998-07-09 | 2000-03-21 | Ricoh Co Ltd | 物体画像の形状特徴抽出方式,画像物体認識方式及び装置 |
JP2012146108A (ja) * | 2011-01-12 | 2012-08-02 | Toshiba Corp | 画像認識装置、画像認識方法及びプログラム |
JP2014106856A (ja) * | 2012-11-29 | 2014-06-09 | Kyushu Institute Of Technology | 画像認識方法および画像認識装置 |
US10013630B1 (en) * | 2014-09-26 | 2018-07-03 | A9.Com, Inc. | Detection and recognition of objects lacking textures |
CN104361342A (zh) * | 2014-10-23 | 2015-02-18 | 同济大学 | 一种基于几何不变形状特征的在线植物物种识别方法 |
CN107392225A (zh) * | 2017-06-12 | 2017-11-24 | 天津科技大学 | 基于椭圆傅立叶描述符和加权稀疏表示的植物识别方法 |
CN109785348A (zh) * | 2018-12-14 | 2019-05-21 | 中国科学院长春光学精密机械与物理研究所 | 基于图像边界近似曲率变化的新型角点检测方法及系统 |
CN111369540A (zh) * | 2020-03-06 | 2020-07-03 | 西安电子科技大学 | 基于掩码卷积神经网络的植物叶片病害识别方法 |
CN111680571A (zh) * | 2020-05-14 | 2020-09-18 | 华南农业大学 | 基于lda降维的多特征融合的植物叶片识别方法 |
CN115176274A (zh) * | 2020-06-08 | 2022-10-11 | 上海交通大学 | 一种异源图像配准方法及系统 |
CN113837037A (zh) * | 2021-09-09 | 2021-12-24 | 广东浪潮智慧计算技术有限公司 | 一种植物种类识别方法、系统、电子设备及存储介质 |
CN114049494A (zh) * | 2022-01-13 | 2022-02-15 | 安徽高哲信息技术有限公司 | 粮食籽粒标注方法及设备、存储介质 |
CN115115609A (zh) * | 2022-07-18 | 2022-09-27 | 中国农业科学院蔬菜花卉研究所 | 一种植物叶片正面表型性状的图像分析方法及系统 |
CN115953615A (zh) * | 2022-11-23 | 2023-04-11 | 江苏开放大学(江苏城市职业学院) | 基于轮廓形状和深度特征融合的植物叶片图像识别方法 |
Non-Patent Citations (7)
Title |
---|
Leaf Recognition using Contour based Edge Detection and SIFT Algorithm;Lavania, Shubham等;《2014 IEEE INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND COMPUTING RESEARCH (IEEE ICCIC)》;20141231;全文 * |
基于图理论的图像描述与匹配算法研究;江波;中国优秀硕士全文库 信息科级辑;20121015;全文 * |
基于多尺度形状分析的叶形识别系统;孙永新;;计算机应用;20090601(第06期);全文 * |
基于多尺度曲率植物叶片特征提取;高鑫, 刘来福;生物数学学报;20031230(第04期);全文 * |
基于多特征融合的植物叶片识别研究;高良;闫民;赵方;;浙江农业学报;20170425(第04期);全文 * |
基于曲率尺度空间的轮廓线匹配方法;靳永刚;王凡;胡小鹏;;山东大学学报(理学版);20141220(第12期);全文 * |
角点检测方法研究;任雁;;机械工程与自动化;20090215(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117372790A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharma et al. | Classification of clinical dataset of cervical cancer using KNN | |
US20170220836A1 (en) | Fingerprint classification system and method using regular expression machines | |
WO2017132674A1 (en) | Automated image analysis to assess reproductive potential of human oocytes and pronuclear embryos | |
CN110472479B (zh) | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 | |
CN111860536B (zh) | 一种图像识别方法、装置及存储介质 | |
CN110276759B (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
CN112435214B (zh) | 基于先验框线性缩放的花粉检测方法、装置和电子设备 | |
CN117333489B (zh) | 一种薄膜破损检测装置及检测系统 | |
CN111814852A (zh) | 图像检测方法、装置、电子设备和计算机可读存储介质 | |
CN110533083B (zh) | 基于SVM的Adaboost模型的铸件缺陷识别方法 | |
CN114511523B (zh) | 基于自监督学习的胃癌分子亚型分类方法及装置 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN107688822A (zh) | 基于深度学习的新增类别识别方法 | |
Muzakir et al. | Model for Identification and Prediction of Leaf Patterns: Preliminary Study for Improvement | |
CN112991280B (zh) | 视觉检测方法、系统及电子设备 | |
CN112396580B (zh) | 一种圆形零件缺陷检测方法 | |
CN117372790B (zh) | 植物叶片形状分类的方法、系统及装置 | |
CN106326927B (zh) | 一种鞋印新类别检测方法 | |
Arora et al. | An algorithm to straighten the bent human chromosomes | |
CN115170795B (zh) | 一种图像小目标分割方法、装置、终端及存储介质 | |
CN112990368B (zh) | 一种多边形结构引导的高光谱图像单样本识别方法及系统 | |
Zebari et al. | Enhancing Brain Tumor Classification with Data Augmentation and DenseNet121 | |
CN114120097A (zh) | 一种基于机器视觉的配网工程现场变压器检测方法和系统 | |
Feng et al. | Automated pairing of human chromosomes applying gradient profile and similarity matching algorithm | |
AL-Qaysi et al. | A hybrid Fuzzy Logic and Convolution Neural Network (FIS-CNN) for automatic detection and classification of objects in comet assay images |
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 |