CN107239761A - 基于骨架角点检测的果树拉枝效果评价方法 - Google Patents
基于骨架角点检测的果树拉枝效果评价方法 Download PDFInfo
- Publication number
- CN107239761A CN107239761A CN201710414850.XA CN201710414850A CN107239761A CN 107239761 A CN107239761 A CN 107239761A CN 201710414850 A CN201710414850 A CN 201710414850A CN 107239761 A CN107239761 A CN 107239761A
- Authority
- CN
- China
- Prior art keywords
- image
- fruit tree
- branch
- mrow
- trunk
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06V10/443—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 by matching or filtering
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于骨架角点算法的果树拉枝效果评价方法,首先确定要检测的果树的最佳拉枝角度,然后采集果树拉枝部分的图像信息,对采集到的图像信息进行预处理,采用骨架算法对采集到的图像信息进行处理,提取果树枝干,用角点检测找出树枝与主干的交点,用余弦定理计算出拉枝角度。本发明可快速解决苹果树拉枝效果定量的检测问题,为苹果园现代化和智能化生产提供科学依据;为以后果树的生长以及老果园的改造打下了坚实的基础,填补了国内对于拉枝农艺准确性检测的空白。
Description
技术领域
本发明涉及一种果树拉枝效果评价方法,属于果园农艺效果评价领域,尤其涉及一种基于骨架角点算法的果树拉枝检测方法。
背景技术
拉枝是果树栽培中提高产量、保证质量的重要栽培技术措施,通过让果树枝条拉枝下垂,改善了树体内堂的光照和通风条件,抑制了果树旺盛的营养生长,改变了碳水化合物的运输方向和途径,同时也改变了果树内激素等内源物的的分配部位和平衡关系,有利于花芽的形成,促进果树开花结果。同时通过拉枝改善了果园的光照条件,使光合效率增加,提高了果树光能利用率,有利于碳水化合物向生殖生长方向的积累;因而拉枝是人们获得苹果树优质、丰产的重要栽培技术措施和手段。
拉枝主要是通过调节枝条角度而改变内源激素水平,从而起到调节枝类组成,进而达到丰产的目的。拉枝角度是老果园改造和新果园增产的重要技术措施之一,通过拉枝改变了果园的光照条件,提高果园通风透光率,抑制了过旺营养生长,促进了生殖生长的发展,使得老果园的果实品质和产量得到了极大的改善,因此合适、准确的拉枝角度对指导老果园改造在生产中意义重大。
但是拉枝效果是否符合农艺生产要求并没有一个标准的判定,为了解决这一问题,本发明提出一种基于骨架角点检测的果树拉枝效果评价方法,方便、快捷、准确的检测出拉枝的角度,对拉枝的准确性作出评价。
发明内容
为解决上述技术问题,本发明提供了一种基于骨架角点算法的果树拉枝效果评价方法,首先确定要检测的果树的最佳拉枝角度,然后采集果树拉枝部分的图像信息,对采集到的图像信息进行预处理,采用骨架算法对采集到的图像信息进行处理,提取果树枝干,用角点检测找出树枝与主干的交点,用余弦定理计算出拉枝角度。本发明能方便、快捷、准确的对拉枝准确性做出评价,为以后果树的生长以及老果园的改造打下了坚实的基础,填补了国内对于拉枝农艺准确性检测的空白。
一种基于骨架角点检测的果树拉枝效果评价方法,步骤如下:
S1、采集果树已拉枝部分的图像信息;
S2、拉枝图像灰度化处理,将彩色果树图像转换成灰度值在0-255之间的灰度图像;
运用浮点算法,根据YUV颜色空间中Y分量的物理意义,即点的亮度,由该值反映亮度等级,根据RGB和YUV颜色空间的变化关系建立亮度Y与R、G、B三个颜色分量的对应,以这个亮度值表达图像的灰度值。亮度Y与R、G、B三个颜色分量的公式(1):
Y=0.3R+0.59G+0.11B (1)
获取到灰度值后,计算变化梯度。梯度公式(2)如下:
其中,Δ表示梯度;data[j].p表示图像某处的灰度值;
S3、中值滤波将灰度化处理后的图像进行滤波降噪,采用中值滤波法降低图像信息在采集过程中受到各种噪声源的干扰。将每个像素的灰度值用其领域的中值代替,中值是指其领域内奇数个数据按大小排序后处于中心位置的那个数值;
S4、灰度图像多阈值分割,运用多阈值分割技术对灰度化之后的果树图像进行分割,在灰度值0—255范围内设定一个灰度级阈值T1(T1通过提取分析树干与其他无关背景间rgb值差异,选择合适阈值分割背景,获取树干);以所述T1为标准,将果树图像中的树干从果树图像中分割出来,分割处理后得到一张只包含果树枝干的图像;
S5、对果树枝干图像进行灰度二值化处理。对于8位标准的数字灰度图像,共有256个灰度级。只有两个灰度值的灰度图像称为二值化的灰度图像。黑白图像是二值灰度图像中的一种,其两个灰度值分别为0和255;
S6、用骨架算法处理二值化的果树树干图像得到单像素果树树干骨架图像。在确保不改变原始模型拓扑特性的前提下,逐层均匀剥离原始图像的边界点,剩下最后不能再削减的部分,使之最终成为单像素宽的先行几何体,最后得到果树骨架图像;
S7、提取果树主干骨架图像。根据果树骨架图像,用两层同时从下往上逐行扫描的方式,第一层由图像最底层开始,第二层比第一层高一个像素点,将两层扫描到的所有的黑色像素点的坐标记录下来,计算出第二层扫到的所有像素点与第一层的所有像素点的直线距离,将最短距离的两个点保留下来;然后从下往上依次扫描、两层始终隔着一个像素点的距离,最后保留下来的所有点的图像就是单像素果树主干骨架图像,然后将提取出来的主干的骨架图像保存为Image;
S8、以果树主干为界,将果树拉枝骨架图像Image分成两张图像Image1和Image2,去除杂枝或无用枝的影响。根据果树主干骨架图像,将果树主干以及距离果树主干左侧一段邻域所有黑色像素点保存到Image1,将果树主干以及距离果树主干右侧一段邻域的所有黑色像素点保存到Image2;
S9、对图像Image1和Image2使用角点检测找到树枝与主干的交点d1;角点检测是一种基于图像灰度的一阶导数矩阵检测方法。在像素点的邻域内,导数矩阵描述了数据信号的变化情况。假设在像素点邻域内任意方向上移动块区域,若强度发生了剧烈变化,则变化处的像素点为角点;
S10、通过余弦定理计算出拉枝角度α。以所述交点d1为圆心,以12个像素点为半径进行弧形扫描,当只扫描到两个点时,直接保留这两个点的坐标,分别记为d2、d3,运用余弦定理计算出拉枝角度α;当只扫描到三个点时,有两个主干点和一个树枝点,保留树枝点和y坐标较小的主干点,记为d2、d3,然后运用余弦定理计算出拉枝角度α。
S11、根据计算结果评价拉枝的准确性。根据现有不同果树品种最佳拉枝角度要求,与本发明得出的拉枝角度做对比,判定果树拉枝效果。
本发明的有益效果:
本发明先采集果树拉枝图像信息,对采集到的果树拉枝图像信息进行处理,用骨架算法得到单像素果树拉枝骨架图像,用角点检测得到树枝与主干之间的夹角,再根据余弦定理得出果树拉枝角度,根据计算结果对拉枝的可靠性作出判断。运用骨架角点算法可快速解决苹果树拉枝效果定量的检测问题,为苹果园现代化和智能化生产提供科学依据。
附图说明:
图1是本发明流程图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示,本实施例所述的一种基于骨架角点算法的果树拉枝检测方法,包括以下步骤:
作业前,调整数码相机的焦距,能够完整的采集到果树地上拉枝部分的图像信息。
S1、确定要采集果树品种的最佳拉枝角度;
S2、采集果树拉枝部分的图像信息;拉枝部分为果树主干周围做了拉枝操作的部位,主要包括主干和枝干;
S3、拉枝图像灰度化处理,将彩色果树图像转换成灰度值在0-255之间的灰度图像;
运用浮点算法,根据YUV的颜色空间中Y分量的物理意义,即点的亮度,由该值反映亮度等级,根据RGB和YUV颜色空间的变化关系可建立亮度Y与R、G、B三个颜色分量的对应,以这个亮度值表达图像的灰度值。亮度Y与R、G、B三个颜色分量的对应公式:
Y=0.3R+0.59G+0.11B (1)
获取到灰度值后,计算变化梯度。梯度公式如下:
其中,Δ表示梯度;data[j].p表示图像某处的灰度值。
S4、中值滤波将灰度化处理后的图像进行滤波降噪,采用中值滤波法降低图像信息在采集过程中受到各种噪声源的干扰。将每个像素的灰度值用其领域的中值代替,中值是指领域内奇数个数据按大小排序后处于中心位置的那个数;
S5、灰度图像多阈值分割,运用多阈值分割技术对灰度化之后的果树图像进行分割,在灰度值0—255范围内设定一个灰度级阈值T1,以这个灰度级阈值为标准,将果树图像中的树干从果树图像中分割出来,分割处理后得到一张只包含果树枝干的图像;
S6、对果树枝干图像进行灰度二值化处理。本实施例使用的OPENCV中的cvThreshold函数,使用的固定阈值法。对于8位标准的数字灰度图像,共有256个灰度级。只有两个灰度值的灰度图像称为二值化的灰度图像。黑白图像是二值灰度图像中的一种,其两个灰度值分别为0和255;
S7、用骨架算法处理二值化的果树树干图像得到单像素果树树干骨架图像。在确保不改变原始模型拓扑特性的前提下,逐层均匀剥离原始图像的边界点,剩下最后不能再削减的部分,使之最终成为单像素宽的先行几何体,最后得到图像的骨架;
S8、提取果树主干骨架图像。根据单像素果树骨架图像,用两层同时从下往上逐行扫描的方式,第一层由图像最底层开始,第二层比第一层高一个像素点,将两层扫描到的所有的黑色像素点的坐标记录下来,计算出第二层扫到的所有像素点与第一层的所有像素点的直线距离,将最短距离的两个点保留下来,然后从下往上依次扫描、两层始终隔着一个像素点的距离,最后保留下来的所有点的图像就是单像素果树主干骨架图像,然后将提取出来的主干的骨架图像保存为Image。
S9、将果树拉枝骨架图像Image分成两张图像Image1、Image2,去除杂枝或无用枝的影响。根据果树主干骨架图像,将果树主干以及距离果树主干左侧20个像素点的所有黑色像素点保存到Image1,将果树主干以及距离果树主干右侧20个像素点的所有黑色像素点保存到Image2;
S10、对这两张图像使用角点检测找到树枝与主干的交点d1;角点检测是一种基于图像灰度的一阶导数矩阵检测方法。在像素点的邻域内,导数矩阵描述了数据信号的变化情况。假设在像素点邻域内任意方向上移动块区域,若强度发生了剧烈变化,则变化处的像素点为角点。
S11、通过余弦定理计算出拉枝角度α。以交点d1为圆心,以12个像素点为半径进行弧形扫描,当只扫描到两个点时,直接保留这两个点的坐标,分别记为d2、d3,运用余弦定理计算出拉枝角度α;当只扫描到三个点时,有两个主干点和一个树枝点,保留树枝点和y坐标较小的主干点,记为d2、d3,然后运用余弦定理计算出拉枝角度α。余弦定理,是描述三角形中三边长度与一个角的余弦值关系的数学定理,是勾股定理在一般三角形情形下的推广。余弦定理是揭示三角形边角关系的重要定理,直接运用它可解决一类已知三角形两边及夹角求第三边或者是已知三个边求角的问题。
S12、根据计算结果评价拉枝的准确性。根据不同果树品种最佳拉枝角度要求,与本发明得出的拉枝角度做对比,判定果树拉枝效果。
验证例:
选取山东沂水某果园中三年生红富士苹果树进行验证。根据现有标准,其最佳拉枝角度为110°。先使用数码相机采集拉枝部分的图像信息,以能够完整的采集到果树拉枝部分的图像信息为依据。图像采集后;利用本发明方法处理之后发现其实际拉枝角度为90°,判断其拉枝不合理,应该重新进行拉枝。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (2)
1.一种基于骨架角点检测的果树拉枝效果评价方法,其特征在于步骤如下:
S1、采集果树已拉枝部分的图像信息;
S2、拉枝图像灰度化处理,将彩色果树图像转换成灰度值在0-255之间的灰度图像;
运用浮点算法,根据YUV颜色空间中Y分量的物理意义,即点的亮度,由该值反映亮度等级,根据RGB和YUV颜色空间的变化关系建立亮度Y与R、G、B三个颜色分量的对应,以这个亮度值表达图像的灰度值;亮度Y与R、G、B三个颜色分量的公式(1):
Y=0.3R+0.59G+0.11B (1)
获取到灰度值后,计算变化梯度;梯度公式(2)如下:
<mrow>
<mi>&Delta;</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mrow>
<mi>d</mi>
<mi>a</mi>
<mi>t</mi>
<mi>a</mi>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>.</mo>
<mi>p</mi>
<mo>-</mo>
<mi>d</mi>
<mi>a</mi>
<mi>t</mi>
<mi>a</mi>
<mrow>
<mo>&lsqb;</mo>
<mi>j</mi>
<mo>&rsqb;</mo>
</mrow>
<mo>.</mo>
<mi>p</mi>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mi>d</mi>
<mi>a</mi>
<mi>t</mi>
<mi>a</mi>
<mrow>
<mo>&lsqb;</mo>
<mi>j</mi>
<mo>&rsqb;</mo>
</mrow>
<mo>.</mo>
<mi>p</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Δ表示梯度;data[j].p表示图像某处的灰度值;
S3、中值滤波将灰度化处理后的图像进行滤波降噪,采用中值滤波法降低图像信息在采集过程中受到各种噪声源的干扰;将每个像素的灰度值用其领域的中值代替,中值是指其领域内奇数个数据按大小排序后处于中心位置的那个数值;
S4、灰度图像多阈值分割,运用多阈值分割技术对灰度化之后的果树图像进行分割,在灰度值0—255范围内设定一个灰度级阈值T1;以所述T1为标准,将果树图像中的树干从果树图像中分割出来,分割处理后得到一张只包含果树枝干的图像;
S5、对果树枝干图像进行灰度二值化处理;
S6、用骨架算法处理二值化的果树树干图像得到单像素果树树干骨架图像;在确保不改变原始模型拓扑特性的前提下,逐层均匀剥离原始图像的边界点,使之最终成为单像素宽的先行几何体,最后得到果树骨架图像;
S7、提取果树主干骨架图像Image;
S8、以果树主干为界,将果树拉枝骨架图像Image分成两张图像Image1和Image2,去除杂枝或无用枝的影响;根据果树主干骨架图像,将果树主干以及距离果树主干左侧一段邻域所有黑色像素点保存到Image1,将果树主干以及距离果树主干右侧一段邻域的所有黑色像素点保存到Image2;
S9、对图像Image1和Image2使用角点检测找到树枝与主干的交点d1;
S10、通过余弦定理计算出拉枝角度α;以所述交点d1为圆心,以12个像素点为半径进行弧形扫描,当只扫描到两个点时,直接保留这两个点的坐标,分别记为d2、d3,运用余弦定理计算出拉枝角度α;当只扫描到三个点时,有两个主干点和一个树枝点,保留树枝点和y坐标较小的主干点,记为d2、d3,然后运用余弦定理计算出拉枝角度α;
S11、根据所述拉枝角度α判定果树拉枝效果。
2.如权利要求1所述的一种基于骨架角点检测的果树拉枝效果评价方法,其特征在于所述步骤S7中,果树主干骨架图像Image提取方法为:根据果树骨架图像,用两层同时从下往上逐行扫描的方式,第一层由图像最底层开始,第二层比第一层高一个像素点,将两层扫描到的所有的黑色像素点的坐标记录下来,计算出第二层扫到的所有像素点与第一层的所有像素点的直线距离,将最短距离的两个点保留下来;然后从下往上依次扫描、两层始终隔着一个像素点的距离,最后保留下来的所有点的图像就是单像素果树主干骨架图像,然后将提取出来的主干的骨架图像保存为Image。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710414850.XA CN107239761B (zh) | 2017-06-05 | 2017-06-05 | 基于骨架角点检测的果树拉枝效果评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710414850.XA CN107239761B (zh) | 2017-06-05 | 2017-06-05 | 基于骨架角点检测的果树拉枝效果评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107239761A true CN107239761A (zh) | 2017-10-10 |
CN107239761B CN107239761B (zh) | 2020-03-27 |
Family
ID=59985008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710414850.XA Active CN107239761B (zh) | 2017-06-05 | 2017-06-05 | 基于骨架角点检测的果树拉枝效果评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107239761B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961081A (zh) * | 2018-09-29 | 2019-07-02 | 大连九州创智科技有限公司 | 一种基于图像采集的包装品质识别方法 |
CN111583193A (zh) * | 2020-04-21 | 2020-08-25 | 广州番禺职业技术学院 | 基于几何轮廓模板匹配的开心果骨架提取装置及其算法 |
CN114022534A (zh) * | 2021-10-22 | 2022-02-08 | 上海伯耶信息科技有限公司 | 一种烟叶纹理夹角提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110194725A1 (en) * | 2010-02-05 | 2011-08-11 | Mithun Das Gupta | Novel Bit Pattern Design For Visible Watermarking |
CN103077529A (zh) * | 2013-02-27 | 2013-05-01 | 电子科技大学 | 基于图像扫描的植物叶片特征分析*** |
CN103413172A (zh) * | 2013-08-22 | 2013-11-27 | 北京农业信息技术研究中心 | 玉米苗期缺苗数的测量方法及装置 |
CN104008547A (zh) * | 2014-05-28 | 2014-08-27 | 大连理工大学 | 一种基于骨架角点的可视化人体切片图像序列化分割方法 |
US20150279096A1 (en) * | 2014-03-27 | 2015-10-01 | National Taiwan University | Geometric structure analyzing method, geometric structure analyzing system, and computer program product |
CN105447860A (zh) * | 2015-11-18 | 2016-03-30 | 扬州大学 | 一种麦苗计数方法 |
-
2017
- 2017-06-05 CN CN201710414850.XA patent/CN107239761B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110194725A1 (en) * | 2010-02-05 | 2011-08-11 | Mithun Das Gupta | Novel Bit Pattern Design For Visible Watermarking |
CN103077529A (zh) * | 2013-02-27 | 2013-05-01 | 电子科技大学 | 基于图像扫描的植物叶片特征分析*** |
CN103413172A (zh) * | 2013-08-22 | 2013-11-27 | 北京农业信息技术研究中心 | 玉米苗期缺苗数的测量方法及装置 |
US20150279096A1 (en) * | 2014-03-27 | 2015-10-01 | National Taiwan University | Geometric structure analyzing method, geometric structure analyzing system, and computer program product |
CN104008547A (zh) * | 2014-05-28 | 2014-08-27 | 大连理工大学 | 一种基于骨架角点的可视化人体切片图像序列化分割方法 |
CN105447860A (zh) * | 2015-11-18 | 2016-03-30 | 扬州大学 | 一种麦苗计数方法 |
Non-Patent Citations (2)
Title |
---|
LIU WEN-YU等: "A fast algorithm for corner detection using the morphologic skeleton", 《PATTERN RECOGNITION LETTERS》 * |
刘文予等: "基于边界曲线演化模型的生长骨架算法", 《自动化学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961081A (zh) * | 2018-09-29 | 2019-07-02 | 大连九州创智科技有限公司 | 一种基于图像采集的包装品质识别方法 |
CN111583193A (zh) * | 2020-04-21 | 2020-08-25 | 广州番禺职业技术学院 | 基于几何轮廓模板匹配的开心果骨架提取装置及其算法 |
CN114022534A (zh) * | 2021-10-22 | 2022-02-08 | 上海伯耶信息科技有限公司 | 一种烟叶纹理夹角提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107239761B (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及*** | |
CN112419250B (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
CN107230202B (zh) | 路面病害图像的自动识别方法和*** | |
CN110084241B (zh) | 一种基于图像识别的电表自动读数方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN103971126A (zh) | 一种交通标志识别方法和装置 | |
CN106855951A (zh) | 一种基于计算机视觉的粮种品质检测方法 | |
CN110687121B (zh) | 一种陶瓦智能在线检测与自动分级方法和*** | |
CN111223110B (zh) | 一种显微图像增强方法、装置及计算机设备 | |
CN107239761A (zh) | 基于骨架角点检测的果树拉枝效果评价方法 | |
CN108090485A (zh) | 基于多视角融合的图像前景自动提取方法 | |
CN107545572A (zh) | 图像中目标的处理方法和装置 | |
WO2022267270A1 (zh) | 基于多重分形谱的裂纹特征表征方法及*** | |
CN106157266A (zh) | 一种果园果实图像获取方法 | |
CN108830856A (zh) | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 | |
CN111145105A (zh) | 一种图像快速去雾方法、装置、终端及存储介质 | |
CN110991463B (zh) | 一种超像素图引导下的多尺度引导滤波特征提取方法 | |
CN108711160A (zh) | 一种基于hsi增强性模型的目标分割方法 | |
CN109948544B (zh) | 一种目标菌落自动定位与识别方法 | |
CN107886493A (zh) | 一种输电线路的导线分股缺陷检测方法 | |
CN111738984B (zh) | 基于分水岭和种子填充的皮肤图像斑点评估方法及*** | |
CN112184696A (zh) | 一种细胞核和细胞器计数及其面积计算方法与*** | |
CN115601690B (zh) | 一种基于智慧农业的食用菌环境检测方法 | |
CN109165659B (zh) | 一种基于超像素分割的车辆颜色识别方法 | |
CN113642847B (zh) | 对虾质量的估算方法和装置 |
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 |