CN106780347B - 一种基于oct图像处理的枇杷早期瘀伤鉴别方法 - Google Patents
一种基于oct图像处理的枇杷早期瘀伤鉴别方法 Download PDFInfo
- Publication number
- CN106780347B CN106780347B CN201710071158.1A CN201710071158A CN106780347B CN 106780347 B CN106780347 B CN 106780347B CN 201710071158 A CN201710071158 A CN 201710071158A CN 106780347 B CN106780347 B CN 106780347B
- Authority
- CN
- China
- Prior art keywords
- image
- loquat
- cell
- area
- 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.)
- Active
Links
- 241001092070 Eriobotrya Species 0.000 title claims abstract description 46
- 235000009008 Eriobotrya japonica Nutrition 0.000 title claims abstract description 46
- 208000034656 Contusions Diseases 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 31
- 208000034526 bruise Diseases 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 title claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims abstract description 3
- 210000004027 cell Anatomy 0.000 claims description 62
- 230000001413 cellular effect Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 210000001339 epidermal cell Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 210000002615 epidermis Anatomy 0.000 claims description 2
- 238000002179 total cell area Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 15
- 238000007920 subcutaneous administration Methods 0.000 abstract description 2
- 238000012014 optical coherence tomography Methods 0.000 description 18
- 210000001519 tissue Anatomy 0.000 description 14
- 230000007547 defect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 230000009643 growth defect Effects 0.000 description 1
- 210000003701 histiocyte Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于OCT图像处理的枇杷早期瘀伤鉴别方法。采集枇杷果实的具有细胞图像细节的SD‑OCT图像,使用双三次插值算法,对图像进行降采样缩小图像分辨率,进行高斯模糊降噪处理,提取枇杷果实目标和背景的分界线,取分界线的最高点并作为参考点,根据参考点使得分界线变形为沿参考点的一条直线,对图像进行均值滤波,对图像进行二值化处理,将二值图像处理获得各个细胞对应的细胞区域,通过对细胞区域进行分析计算获得瘀伤鉴别的结果。本发明方法实现了枇杷果肉的早期瘀伤的全自动化检测,并完成瘀伤组织的皮下细胞标识和判别,提高了检测效率,为枇杷内在品质在线检测奠定技术基础。
Description
技术领域
本发明属于水果内部品质自动化检测领域,涉及OCT图像处理方法,尤其是涉及了一种基于OCT图像处理的枇杷早期瘀伤鉴别方法。
背景技术
枇杷是我国的特有水果特产之一,其在采摘、销售、运输、存储过程中内部品质的无损快速检测方法是枇杷产业发展面临的主要技术问题。枇杷在各产业销售过程中,极易收到外力损伤,造成后期的腐败变质。枇杷的瘀伤可能出现在采摘、存储、运输、包装等各个环节,在销售早期不易被察觉。瘀伤后的枇杷货架期大大缩短,由于细胞结构的破损,组织逐步褐变,严重影响了消费者的满意度和回购率。
在无损检测枇杷内部结构上,一般使用光谱法或者高光谱成像,需要大型设备保证光谱信息的全面采集,耗费比较多的检测时间和成本,且对检测人员有一定技术要求,且高光谱图像很难真正反映其内部情况,光谱特征随着枇杷种类的变化有一定的偏移。谱域光学相干层析成像(SD-OCT)通过测量物质的光学干涉特性展现内部其结构形态和分布,目前SD-OCT图像已经用于人体多个组织的识别、定量测量、定性鉴定,报道表明图像可以清楚展现生物组织的层次结构。目前OCT图像法在农业、养殖领域主要应用有:观察苹果的表皮结构、区别海水有核珍珠与淡水无核珍珠、观察种子的内部细胞结构、观察植物叶片的生长缺陷等。该方法用于枇杷产业,具有较广阔的应用前景。
由于在产业应用中,枇杷OCT图像反差小,特征不明显,采用人工判别,基本无法判别早期瘀伤的情况。在枇杷OCT图像应用过程中,也没有成***地报道图像处理算法,各项研究尚处于起步阶段,现有技术缺少能进行枇杷早期瘀伤鉴别的方法。
发明内容
针对于背景技术中存在的问题,本发明的目的在于提供了一种基于OCT图像处理的枇杷早期瘀伤鉴别方法,能够自动识别OCT图像中枇杷的瘀伤缺陷,并对组织细胞的形态学参数作出了评价,提高了检测效率,配合成像等外观检测方法,为枇杷在线检测奠定技术基础。
本发明采用的技术方案是包括以下步骤:
1)采集枇杷果实的具有细胞细节的SD-OCT图像,所述的SD-OCT图像的图像清晰度达到肉眼能够清晰分辨枇杷表皮和果肉的细胞;
2)使用双三次插值算法,对图像进行降采样,缩小图像分辨率;
3)对步骤2)获得的SD-OCT图像进行高斯模糊降噪处理;
4)提取枇杷果实目标和背景的分界线;
5)取分界线的最高点并作为参考点,计算分界线与参考点的纵向坐标差并作为位移量,对分界线上除参考点所在列外的每一列进行上下位移,使得分界线变形为沿参考点的一条直线;对于移出图像区域的像素,删除,对于移入图像的新区域,直接补零;
6)取3×3模板,对图像进行均值滤波;
7)设置阈值,对图像进行二值化处理,获得二值图像,二值图像中的像素为零像素或者非零像素;
8)将二值图像处理获得各个细胞对应的细胞区域,通过对细胞区域进行分析计算获得瘀伤鉴别的结果。
所述步骤8)具体为:
8.1)针对二值图像的每个像素,计算像素的最短距离:若所在像素为零像素,最短距离为所在像素与最近的非零像素之间的距离;若所在像素为非零像素,最短距离为零;
8.2)使用分水岭算法,使用步骤8.1)所述的最短距离,对图像根据细胞不同进行分割,得到分割后的各个细胞区域;
8.3)在分割后的各个细胞区域中进行筛选,去除表皮细胞的细胞区域,保留果肉细胞的细胞区域;具体是以参考点为基准所在行向下间隔一段距离开始选取余下图像区域进行保留。
8.4)计算每个细胞区域的费雷特直径和等效直径,保留费雷特直径满足费雷特直径下限阈值≤R1≤费雷特直径上限阈值,且最大等效直径小于等效直径阈值的细胞区域;
8.5)由步骤8.4)获得的所有细胞区域计算总区域表面积、平均区域面积、平均费雷特直径、平均等效圆直径和单位面积细胞数:总区域表面积:定义为所有细胞区域的面积之和;平均区域面积=总细胞区域表面积/细胞区域数;平均费雷特直径=所有细胞区域的费雷特直径之和/细胞区域数;平均等效圆直径=所有细胞区域的等效圆直径之和/细胞区域数;单位面积细胞数=细胞区域数/OCT图像占有的面积;
8.6)设正常和瘀伤枇杷的标准样本集合,分别计算标准样本的总区域表面积、平均区域面积、平均费雷特直径、平均等效圆直径、单位面积细胞数阈值,通过聚类分析判断获得瘀伤鉴别的结果。
所述步骤4)具体为:
4.1)设置滤波模板为[-1,1],对OCT图像进行第一次滤波;
4.2)设置滤波模板为[1,-1],对OCT图像进行第二次滤波;
4.3)对滤波后的图像进行归一化处理;
4.4)对图像进行二值化变换:设立门限,设置图像大于等于门限的像素为1,图像小于门限的像素为0;
4.5)对图像进行闭运算操作;
4.6)对图像进行开运算操作;
4.7)对二值化后图像中的每一列像素点,自上向下搜索该列出现第一个灰度值为1的像素点并记录作为目标和背景的分界线。
所述步骤7)具体为:设置分割限,设置图像中大于等于0且小于等于分割限的像素为1,图像中大于分割限的像素为0。
本发明采用了多次模板匹配滤波方式进行图像处理,其目的就是从OCT图像灰度的变化中提取枇杷大细胞的图像,并在后期计算细胞的多种截面特征,从特征参数判断瘀伤的存在。之前的专利,图像前期处的主要目的是为了提取计算局部组织的光学特性参数,进而用光学参数来判断瘀伤,其检测的技术构思相比本申请以前的现有方法有明显差异。
本发明具有的有益效果是:
本发明使用OCT图像检测枇杷果实的内部瘀伤缺陷,具有无损、快速、低成本的优点,大大提高了瘀伤判别的效率和准确性。
本发明方法采用了细胞结构参数作为评价手段,对不同形状、不同大小、不同厚度、产地、生长环境的瘀伤组织具有普适性,并能自动标记缺陷的细胞位置,较其他方法具有更好定位精度。
本发明采用细胞颗粒参数作为评价手段,结合拉平变换后的图像,检测效果具有一定的鲁棒性。
附图说明
图1是本发明方法的流程图。
图2是典型枇杷样本的OCT图像,其中(a)为正常无缺陷样本,(b)样本果肉组织存在瘀伤缺陷。
图3是本发明实施例图象处理过程的原始图像。
图4是本发明实施例拉平后获得直线分界线的图像。
图5是本发明实施例分割后所有细胞区域的图像。
图6是本发明实施例筛选后保留细胞区域的图像。
具体实施方式
以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的实施例及其实施过程如下:
1)使用Thorlabs公司生产的TELSTO 1300V2型SD-OCT成像仪采集枇杷果实的SD-OCT图像样本40个,其中20个含有不同程度的瘀伤缺陷,20个为正常样本;图2为其中2个典型枇杷样本的OCT图像,其中(a)为正常无缺陷样本,(b)样本果肉组织存在瘀伤缺陷。图中可见正常无缺陷组织结构密度较高且紧凑,而存在瘀伤的组织出现了密度较小的稀疏组织。仅使用肉眼,无法判断其瘀伤情况。
2)输入如图4所示的原始图像,使用双三次插值算法,对图像进行降采样,将原始图像分辨率(1625*1024)缩小至其1/3。降低采样的目的是便于进行图像的快速处理。
3)接着对SD-OCT图像进行高斯模糊降噪处理,去除了散弹噪声。
4)提取枇杷果实目标和背景的分界线;
4.1)设置模板为[-1,1],对OCT图像进行第一次滤波;
4.2)设置模板为[1,-1],对OCT图像进行第二次滤波;
二次滤波操作,提取了拉平后图像的垂直突变部分。
4.3)对滤波后的图像进行最大最小值归一化处理;
4.4)对图像进行二值化变换:设立门限为1.2,设置图像大于等于门限的像素为1,图像小于门限的像素为0;
4.5)取3*3方型区域,对图像进行闭运算操作;
4.6)取3*3方型区域,对图像进行开运算操作。
对于区域进行闭开运算,区分了背景和目标。
4.7)对二值化后图像中的每一列像素点,自上向下搜索该列出现第一个灰度值为1的像素点并记录作为目标和背景的分界线。
5)取分界线的最高点,并以此作为参考点;计算分界线与参考点的纵向坐标差,并以此为位移量,对分界线上除参考点所在列外的每一列进行上下位移,使得分界线变成经过参考点的一条直线;对于移出图像区域的像素,删除,对于移入图像的新区域,直接补零;拉平变换后如图4所示。
6)取3*3模板,对图像进行均值滤波,加大了图像的平滑性。
7)设置分割限为80,对图像进行二值化处理,设置图像中大于等于0且小于等于分割限的像素为1,图像中大于分割限的像素为0。
8)针对二值图像的每个像素,计算像素的最短距离。对于本是是0的像素,其最短距离定义为与其距离最近的1像素的距离。例如通过边相邻的零像素与最近的非零像素之间的距离为1,通过角相邻的零像素与最近的非零像素之间的距离为√2。对于本身是1的像素,其最短距离为0。
9)使用分水岭算法,对图像根据细胞不同进行分割,得到分割后的各个细胞区域,如图5所示;
10)在分割后的各个细胞区域中进行筛选,去除表皮细胞的细胞区域,保留果肉细胞的细胞区域;本实施例中,以参考点所在的直线分界线为基准,向下截取距离0.07mm到1mm范围内的区域图像,保留的图像如图6所示。
11)计算步骤10)所述区域图像中每个区域的费雷特直径和等效直径,选取费雷特直径在30μm到100μm的区域且最大等效直径小于150μm的区域。
12)由获得的所有细胞区域计算总区域表面积、平均区域面积、平均费雷特直径、平均等效圆直径、单位面积细胞数。
13)设正常和瘀伤枇杷的标准样本集合,分别计算标准样本的总区域表面积、平均区域面积、平均费雷特直径、平均等效圆直径、单位面积细胞数阈值,通过聚类分析判断判断瘀伤的结果。具体实施采用KNN聚类分析方法进行分析判断。
在本实施例中,随机取正常和瘀伤的两类样本各10个,计20个作为标准样本,对余下的20个样本进行了分类识别,表1给出了各类参数的统计值,实验结果表明,对于20个样本中的瘀伤样本及正常样本识别率达到了100%。
表1大细胞的组织结构参数(95%置信区间)
参数 | 单位 | 正常组织 | 瘀伤组织 |
总区域表面积 | Mm<sup>2</sup> | 2.08±1.20 | 1.45±0.07 |
平均区域面积 | Mm<sup>2</sup> | 0.0042±0.0002 | 0.0043±0.0001 |
平均费雷特直径 | μm | 58.63±1.05 | 59.15±0.85 |
平均等效圆直径 | μm | 40.42±0.73 | 40.62±0.61 |
单位面积细胞数 | - | 491.70±25.54 | 340.15±12.34 |
本发明方法能够用于实现枇杷果肉的早期瘀伤的全自动化检测,完成瘀伤组织的皮下细胞标识和判别,实施通过对不同产地、品种枇杷的瘀伤组织进行检测获得了较强的检测可靠性,提高了检测效率。
在本发明实施例中,本领域普通技术人员还可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以在存储于一计算机可读取存储介质中,所述的存储介质,包括ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于OCT图像处理的枇杷早期瘀伤鉴别方法,其特征在于:包括以下步骤:
1)采集枇杷果实的具有细胞图像细节的SD-OCT图像;
2)使用双三次插值算法,对图像进行降采样,缩小图像分辨率;
3)对步骤2)获得的SD-OCT图像进行高斯模糊降噪处理;
4)提取枇杷果实目标和背景的分界线;
5)取分界线的最高点并作为参考点,计算分界线与参考点的纵向坐标差并作为位移量,对分界线上除参考点所在列外的每一列进行上下位移,使得分界线变形为沿参考点的一条直线;
6)取3×3模板,对图像进行均值滤波;
7)设置阈值,对图像进行二值化处理,获得二值图像;
8)将二值图像处理获得各个细胞对应的细胞区域,通过对细胞区域进行分析计算获得瘀伤鉴别的结果;所述步骤8)具体为:
8.1)针对二值图像的每个像素,计算像素的最短距离:若所在像素为零像素,最短距离为所在像素与最近的非零像素之间的距离;若所在像素为非零像素,最短距离为零;
8.2)使用分水岭算法,使用步骤8.1)所述的最短距离,对图像根据细胞不同进行分割,得到分割后的各个细胞区域;
8.3)在分割后的各个细胞区域中进行筛选,去除表皮细胞的细胞区域,保留果肉细胞的细胞区域;
8.4)计算每个细胞区域的费雷特直径和等效直径,保留费雷特直径满足费雷特直径下限阈值≤R1≤费雷特直径上限阈值,且最大等效直径小于等效直径阈值的细胞区域;
8.5)由步骤8.4)获得的所有细胞区域计算总区域表面积、平均区域面积、平均费雷特直径、平均等效圆直径和单位面积细胞数:
总区域表面积:定义为所有细胞区域的面积之和;
平均区域面积=总细胞区域表面积/细胞区域数;
平均费雷特直径=所有细胞区域的费雷特直径之和/细胞区域数;
平均等效圆直径=所有细胞区域的等效圆直径之和/细胞区域数;
单位面积细胞数=细胞区域数/OCT图像占有的面积;
8.6)设正常和瘀伤枇杷的标准样本集合,分别计算标准样本的总区域表面积、平均区域面积、平均费雷特直径、平均等效圆直径、单位面积细胞数阈值,通过聚类分析判断获得瘀伤鉴别的结果。
2.根据权利要求1所述的一种基于OCT图像处理的枇杷早期瘀伤鉴别方法,其特征在于:所述的SD-OCT图像的图像清晰度达到肉眼能够清晰分辨枇杷表皮和果肉的细胞。
3.根据权利要求1所述的一种基于OCT图像处理的枇杷早期瘀伤鉴别方法,其特征在于:所述步骤4)具体为:
4.1)设置滤波模板为[-1,1],对OCT图像进行第一次滤波;
4.2)设置滤波模板为[1,-1],对OCT图像进行第二次滤波;
4.3)对滤波后的图像进行归一化处理;
4.4)对图像进行二值化变换:设立门限,设置图像大于等于门限的像素为1,图像小于门限的像素为0;
4.5)对图像进行闭运算操作;
4.6)对图像进行开运算操作;
4.7)对二值化后图像中的每一列像素点,自上向下搜索该列出现第一个灰度值为1的像素点并记录作为目标和背景的分界线;
4.根据权利要求1所述的一种基于OCT图像处理的枇杷早期瘀伤鉴别方法,其特征在于:所述步骤7)具体为:设置分割限,设置图像中大于等于0且小于等于分割限的像素为1,图像中大于分割限的像素为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710071158.1A CN106780347B (zh) | 2017-02-09 | 2017-02-09 | 一种基于oct图像处理的枇杷早期瘀伤鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710071158.1A CN106780347B (zh) | 2017-02-09 | 2017-02-09 | 一种基于oct图像处理的枇杷早期瘀伤鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106780347A CN106780347A (zh) | 2017-05-31 |
CN106780347B true CN106780347B (zh) | 2020-03-03 |
Family
ID=58955646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710071158.1A Active CN106780347B (zh) | 2017-02-09 | 2017-02-09 | 一种基于oct图像处理的枇杷早期瘀伤鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780347B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527365A (zh) * | 2017-08-18 | 2017-12-29 | 郑州云海信息技术有限公司 | 一种动态计算类圆物体形态学直径的方法及装置 |
CN108776967A (zh) * | 2018-06-12 | 2018-11-09 | 塔里木大学 | 一种香梨瘀伤鉴别方法 |
CN110264472B (zh) * | 2019-05-29 | 2021-05-04 | 浙江科技学院 | 一种基于sd-oct的水果近皮下细胞无损成像方法 |
CN111624659B (zh) * | 2020-06-05 | 2022-07-01 | 中油奥博(成都)科技有限公司 | 一种地震数据的时变带通滤波方法及装置 |
CN111932499B (zh) * | 2020-07-10 | 2023-12-22 | 深圳市瑞沃德生命科技有限公司 | 一种细胞直径的计算方法、装置及*** |
CN113409302B (zh) * | 2021-07-13 | 2023-07-07 | 浙江科技学院 | 一种基于oct图像的玉米籽粒早期霉变识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059452A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 基于多光谱成像技术的水果品质无损检测方法与*** |
CN105787924A (zh) * | 2016-02-01 | 2016-07-20 | 首都医科大学 | 一种基于图像分割的脉络膜最大血管直径的测量方法 |
CN105891229A (zh) * | 2014-09-05 | 2016-08-24 | 熊菊莲 | 确定水果外表进行光谱图像分析检测所用特征波长的方法 |
CN106023158A (zh) * | 2016-05-10 | 2016-10-12 | 浙江科技学院 | Sd-oct图像的淡水无核珍珠珍珠质层缺陷识别方法 |
CN106332713A (zh) * | 2016-08-16 | 2017-01-18 | 浙江科技学院 | 一种sd‑oct图像的枇杷早期瘀伤鉴别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9737205B2 (en) * | 2013-07-31 | 2017-08-22 | The Board Of Trustees Of The Leland Stanford Junior University | Method and system for evaluating progression of age-related macular degeneration |
-
2017
- 2017-02-09 CN CN201710071158.1A patent/CN106780347B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101059452A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 基于多光谱成像技术的水果品质无损检测方法与*** |
CN105891229A (zh) * | 2014-09-05 | 2016-08-24 | 熊菊莲 | 确定水果外表进行光谱图像分析检测所用特征波长的方法 |
CN105787924A (zh) * | 2016-02-01 | 2016-07-20 | 首都医科大学 | 一种基于图像分割的脉络膜最大血管直径的测量方法 |
CN106023158A (zh) * | 2016-05-10 | 2016-10-12 | 浙江科技学院 | Sd-oct图像的淡水无核珍珠珍珠质层缺陷识别方法 |
CN106332713A (zh) * | 2016-08-16 | 2017-01-18 | 浙江科技学院 | 一种sd‑oct图像的枇杷早期瘀伤鉴别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106780347A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780347B (zh) | 一种基于oct图像处理的枇杷早期瘀伤鉴别方法 | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN106780460B (zh) | 一种用于胸部ct影像的肺结节自动检测*** | |
CN102682305B (zh) | 宫颈液基细胞学自动筛查方法和*** | |
Pandey et al. | Image processing and machine learning for automated fruit grading system: A technical review | |
Pujari et al. | Grading and classification of anthracnose fungal disease of fruits based on statistical texture features | |
CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
CN106023158B (zh) | Sd-oct图像的淡水无核珍珠珍珠质层缺陷识别方法 | |
CN114723704B (zh) | 一种基于图像处理的纺织品质量评估方法 | |
CN115018838B (zh) | 用于被氧化钢管材料表面麻点瑕疵的识别方法 | |
CN110082298B (zh) | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 | |
CN101510262A (zh) | 一种钢中析出粒子的自动测量及其形态分类方法 | |
CN112464942B (zh) | 基于计算机视觉的重叠烟叶智能化分级方法 | |
CN103394472B (zh) | 一种基于机器视觉的绿化马铃薯检测分级方法 | |
AU2020103215A4 (en) | Efficient fungi disease detection and grading for leafy vegetables using optimized image processing techniques | |
CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
WO2006113979A1 (en) | Method for identifying guignardia citricarpa | |
CN109584253A (zh) | 油液磨粒图像分割方法 | |
Yro et al. | Cocoa beans fermentation degree assessment for quality control using machine vision and multiclass svm classifier | |
Kumari et al. | Performance analysis of support vector machine in defective and non defective mangoes classification | |
Qiaohua et al. | Grape size detection and online gradation based on machine vision | |
CN106780427A (zh) | 一种基于oct图像的香梨瘀伤鉴别方法 | |
Devi et al. | Machine vision applications to locate fruits, detect defects and remove noise: a review | |
Ye et al. | Cucumber appearance quality detection under complex background based on image processing |
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 |