CN107527343B - 一种基于图像处理的双孢蘑菇分级方法 - Google Patents

一种基于图像处理的双孢蘑菇分级方法 Download PDF

Info

Publication number
CN107527343B
CN107527343B CN201710773060.0A CN201710773060A CN107527343B CN 107527343 B CN107527343 B CN 107527343B CN 201710773060 A CN201710773060 A CN 201710773060A CN 107527343 B CN107527343 B CN 107527343B
Authority
CN
China
Prior art keywords
agaricus bisporus
image
obtains
middle graph
label
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
Application number
CN201710773060.0A
Other languages
English (en)
Other versions
CN107527343A (zh
Inventor
王风云
封文杰
刘延忠
李乔宇
郑纪业
唐研
孙家波
黎香兰
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.)
Institute Of S&t Information Shandong Academy Of Agricultural Sciences
Original Assignee
Institute Of S&t Information Shandong Academy Of Agricultural Sciences
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 Institute Of S&t Information Shandong Academy Of Agricultural Sciences filed Critical Institute Of S&t Information Shandong Academy Of Agricultural Sciences
Priority to CN201710773060.0A priority Critical patent/CN107527343B/zh
Publication of CN107527343A publication Critical patent/CN107527343A/zh
Application granted granted Critical
Publication of CN107527343B publication Critical patent/CN107527343B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06T7/13—Edge detection
    • 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
    • G06T7/60—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
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于图像处理的双孢蘑菇分级方法，首先结合基本全局阈值分割法与寻找最大熵阈值分割法进行第一次分水岭算法处理将双孢蘑菇完整地分割出来，且有效去除光照不均匀导致的阴影；然后使用Canny算子进行第二次分水岭算法处理去除柄部干扰，提取出完整的双孢蘑菇菌盖轮廓，之后计算双孢蘑菇最大直径，对双孢蘑菇进行分级。本方法很好地克服了图像采集时阴影的存在和双孢蘑菇柄部对最大直径的影响，取得了良好的图像处理效果，提高双孢蘑菇分级的准确性。

Description

一种基于图像处理的双孢蘑菇分级方法
技术领域
本发明涉及双孢蘑菇分级方法，具体涉及一种基于图像处理的双孢蘑菇分级方法。
背景技术
双孢蘑菇，又称口蘑、白蘑菇、洋蘑菇等，因其颜色洁白、味道鲜美、质地厚实，成为世界上栽培区域最广泛、生产量最大的食用菌品种。目前，双孢蘑菇已经实现了工厂化生产，规模较大的工厂日产量可达上百吨。但是，目前国内双孢蘑菇的品质分级主要仍依赖人工进行，而人长时间用眼所造成的疲劳以及情绪不稳定等都会造成分级误差的波动，并且人工分级存在着劳动量大、生产率低、分级标准难统一、分级精度不稳定等缺点，因此，建立双孢蘑菇的智能化精选分级***对于实现其高效生产具有重要的现实意义。目前，基于图像的智能化分级***在水果上应用较多，但有关双孢蘑菇智能化分级的研究尚未见报道。
发明内容
为解决上述问题，本发明提供一种基于图像处理，可有效智能将双孢蘑菇分级的方法。
本发明的技术方案是：一种基于图像处理的双孢蘑菇分级方法，包括以下步骤：
S1：获取待处理图像，对待处理图像进行感兴趣区域提取；
S2：对待处理图像使用基本全局阈值分割法获得阈值T1，并根据阈值T1对待处理图像进行二值化处理获得第一中间图；
S3：对待处理图像使用最大熵阈值分割法获得阈值T2，并根据阈值T2对待处理图像进行二值化处理获得第二中间图；
S4：第一中间图和第二中间图相结合获得第一标记图；
S5：对第一标记图进行分水岭算法处理获得第一次分水岭结果图；
S6：使用Canny算子对待处理图像进行轮廓提取获得第三中间图；
S7：第三中间图与第一次分水岭结果图进行或运算获得第四中间图；
S8：第四中间图与第一次分水岭结果图相结合获得第二标记图；
S9：对第二标记图进行分水岭算法处理获得第二次分水岭结果图，对第二次分水岭结果图提取轮廓后获得轮廓图；
S10：对轮廓图进行最大直径检测获得双孢蘑菇最大直径；
S11：根据双孢蘑菇最大直径对双孢蘑菇进行分级。
进一步地，步骤S8中，第四中间图进行多次闭运算之后再与第一次分水岭结果图相结合。
进一步地，步骤S6中，Canny算子的上下阈值分别是基本全局阈值分割法获得阈值T1和最大熵阈值分割法获得阈值T2。
进一步地，步骤S9还包括对第二次分水岭结果图提取轮廓时剔除过大和过小的轮廓。
进一步地，步骤S1中，对待处理图像进行感兴趣区域提取具体包括以下步骤：
S1.1：对待处理图像灰度化，对灰度化的图像进行二值化处理得到二值图像；
S1.2：对二值图像提取轮廓，并设置轮廓的最大周长和最小周长，初步得到双孢蘑菇轮廓图像；
S1.3：对初步得到的双孢蘑菇轮廓图像做垂直边界最小矩形，矩形与原始图像上下边界平行，矩形内区域即为提取的感兴趣区域。
进一步地，步骤S4中，第一中间图和第二中间图相结合获得第一标记图具体步骤为：
以第一中间图的前景作为第一标记图的前景，标记为灰度值为255的白色；以第二中间图的背景作为第一标记图的背景，标记为灰度值为128的灰色；其他像素点标记为灰度值为0的黑色。
进一步地，步骤S8中，第四中间图与第一次分水岭结果图相结合获得第二标记图具体步骤为：
以第四中间图中的双孢蘑菇部分作为第二标记图的前景，标记为灰度值为255的白色；以第一次分水岭结果图的背景作为第二标记图的背景，标记为灰度值为128的灰色；其他像素点标记为灰度值为0的黑色。
进一步地，步骤S10中采用最小外接矩形法进行最大直径检测。
进一步地，步骤S11中，根据双孢蘑菇最大直径对双孢蘑菇分级具体包括以下步骤：
S11.1：水平放置刻度尺作参考，在刻度尺左右两处做标记，记录两标记点间的实际坐标差；
S11.2：多次检测两标记点之间的像素坐标差，利用公式求得像素坐标和实际坐标间的比例，式中，ɑ为单位长度内的像素数，X1表示左标记点的像素坐标，X2表示右标记点的像素坐标，L表示刻度尺上两标记点间的实际距离；
S11.3：将步骤S10中获得的双孢蘑菇最大直径除以ɑ，得到双孢蘑菇实际直径；
S11.4：根据双胞蘑菇实际直径，利用行业标准进行分级。
本发明提供的基于图像处理的双孢蘑菇分级方法，首先结合基本全局阈值分割法与寻找最大熵阈值分割法进行第一次分水岭算法处理将双孢蘑菇完整地分割出来，且有效去除光照不均匀导致的阴影；然后使用Canny算子进行第二次分水岭算法处理去除柄部干扰，提取出完整的双孢蘑菇菌盖轮廓，之后计算双孢蘑菇最大直径，对双孢蘑菇进行分级。本方法很好地克服了图像采集时阴影的存在和双孢蘑菇柄部对最大直径的影响，取得了良好的图像处理效果，提高双孢蘑菇分级的准确性。
附图说明
图1是本发明具体实施例两次分水岭算法处理效果。
具体实施方式
下面结合附图并通过具体实施例对本发明进行详细阐述，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方式。
本实施例提供的基于图像处理的双孢蘑菇分级方法，首先获取原始图像，双孢蘑菇图像信息的采集是智能化分级的基础。本领域中一般使用图像采集***进行图像采集：双孢蘑菇有序地在传送带输送，采用工业相机拍摄图像，将图像传输至后台进行处理。后台对图像处理，根据处理结果对双孢蘑菇分级。因此良好的图像处理结果对精确分级至关重要，本实施例提供的图像处理方法可精确提取双孢蘑菇轮廓，准确计算双孢蘑菇直径，为双孢蘑菇分级提供基础。
本方法获得图像后，首先结合基本全局阈值分割法与寻找最大熵阈值分割法进行第一次分水岭算法处理去除阴影，将双孢蘑菇完整地分割出来，然后使用Canny算子、闭运算、膨胀腐蚀等进行第二次分水岭算法处理，去除柄部干扰。根据最终获得的轮廓图检测双孢蘑菇最大直径，然后根据最大直径进行分级。以下对本方法进行详细说明。
第一步，获取待处理图像，对待处理图像进行感兴趣区域提取。
由图像采集***直接采集的图像含有较多的无关干扰元素，将包含有双孢蘑菇的图像区域提取出来仅对这部分像素进行处理不仅可以减少无关元素的干扰，还可以大大的提高图像处理的速度。在处理之前可先对拍摄的原始图像进行裁剪，裁去两边的传送带部分获得待处理图像，再对待处理图像中的双孢蘑菇进行位置确定，位置确定具体方法如下：
(1)对待处理图像灰度化，对灰度化的图像进行二值化处理得到二值图像；
(2)对二值图像提取轮廓，并设置轮廓的最大周长和最小周长，初步得到双孢蘑菇轮廓图像；
(3)对初步得到的双孢蘑菇轮廓图像做垂直边界最小矩形，矩形与原始图像上下边界平行，矩形内区域即为提取的感兴趣区域。
其中设置轮廓的最大周长和最小周长用来排除其他物体(如双孢蘑菇上掉落的碎片和传送带等)的干扰。还可对最小矩形做适当放大调整，以便后续处理。
第二步，对待处理图像使用基本全局阈值分割法获得阈值T1，并根据阈值T1对待处理图像进行二值化处理获得第一中间图。
阈值分割使用简单，计算机处理速度快，在图像分割中处于重要地位。首先使用基本全局阈值分割法获得阈值T1，在进行二值化处理前先将待处理图像转化为灰度图，然后对灰度值大于阈值T1的像素点赋值0，表现为黑色，对灰度值值小于T1的像素点赋值为255，表现为白色。第一中间图即为灰度值只有0和255两个值的二值图像。
第三步，对待处理图像使用最大熵阈值分割法获得阈值T2，并根据阈值T2对待处理图像进行二值化处理获得第二中间图。
与第二步类似，首先使用最大熵阈值分割法获得阈值T2，在进行二值化处理前先将待处理图像转化为灰度图，然后对灰度值大于阈值T2的像素点赋值128，表现为灰色，对灰度值小于阈值T2的像素点赋值为0，表现为黑色。第二中间图即为灰度值只有0和128两个值的二值图像。
第四步，第一中间图和第二中间图相结合获得第一标记图。
以第一中间图的前景作为第一标记图的前景，标记为灰度值为255的白色；以第二中间图的背景作为第一标记图的背景，标记为灰度值为128的灰色；其他像素点标记为灰度值为0的黑色。
第五步，对第一标记图进行分水岭算法处理获得第一次分水岭结果图。
分水岭算法属于形态学图像处理的范畴，同时，它也是一种基于区域的图像分割算法。使用分水岭算法就是把图像看作是一个拓扑地貌，不同的海拔高度对应于图像中的不同灰度级别，所有需要被分割出的同质区域就相当于陡峭边缘所围绕的相对较为平坦的盆地。
分水岭算法的实现步骤：把图像转换为灰度梯度级图像，在图像梯度空间内逐渐增加一个灰度阈值，每当它大于一个局部极大值时，就把目前的二值图像与前一时刻的二值图像进行逻辑异或运算，从而找到灰度局部极大值的位置。分水岭就可由所有的灰度局部极大值的集合来确定。
分水岭算法虽然实现简单，但是容易产生过度分割，使得分割效果与理想结果相差甚远。因此，本实施例先对图像进行标记，即第一中间图和第二中间图相结合获得第一标记图，标记出确定的前景区域，确定的背景区域和不确定区域，然后再使用分水岭算法结合已知的前景与背景特征对图像进行处理，这样可以有效的避免过度分割。
第六步，使用Canny算子对待处理图像进行轮廓提取获得第三中间图。
Canny算子是一种用于进行边缘检测的算子，它是基于Sobe l算子的，其核心理念是用两个不同的阈值来判断哪个点属于轮廓：一个低阈值，一个高阈值。选择低阈值时要保证它能包含属于重要轮廓的全部边缘像素，而高阈值的作用就是界定重要轮廓的边缘，它会排除异常的边缘。具体做法是在低阈值边缘分布图上只保留具有连接路径的边缘点，同时把那些边缘点连接到属于高阈值边缘分布图的边缘上。这就使得高阈值分布图上的所有边缘点都被保留下来而低阈值分布图上边缘点的孤立链全部被移除。另外，Canny算法用了一个额外的策略来优化边缘分布图的质量，在进行滞后阈值化之前，如果梯度幅值不是梯度方向上的最大值，那么对应的边缘点就会被移除。
本实施例中Canny算子的上下阈值分别是基本全局阈值分割法获得阈值T1和最大熵阈值分割法获得阈值T2。
第七步，第三中间图与第一次分水岭结果图进行或运算获得第四中间图。
第一次分水岭结果图的前景(即双孢蘑菇部分)转换为黑色(灰度值为0)，背景转换为白色(灰度值为255)；第三中间图的前景(即由Canny算子获得的双孢蘑菇轮廓)设置为白色(灰度值为255)，背景设置为黑色(灰度值为0)。这两个图像进行逻辑或运算，若一个为1，则第四中间图中为1(白色)，只有共同为零才为0(黑色)，这样可有效去掉第三中间图中非双孢蘑菇的边缘，同时只保留了双孢蘑菇内部(比如双孢蘑菇与柄的连接部分)边缘。
第八步，第四中间图与第一次分水岭结果图相结合获得第二标记图。
在光照很强的情况下，由于反光等因素可能会导致双孢蘑菇内部有些部分亮度较大，在第五步使用分水岭算法处理时可能会产生多个轮廓，若之后仍使用二次分水岭算法(之后第九步)则可能得到无效图像，说明二次分水岭算法对光照很强存在反光的情况并不适用。因此，在第四中间图与第一次分水岭结果图相结合之前，第四中间图先进行多次闭运算(先膨胀后腐蚀)，以最终得到一个外轮廓的清晰分割结果。
进行闭运算之后的第四中间图与第一次分水岭结果图相结合获得第二标记图具体为：以第四中间图中的双孢蘑菇部分作为第二标记图的前景，标记为灰度值为255的白色；以第一次分水岭结果图的背景作为第二标记图的背景，标记为灰度值为128的灰色；其他像素点标记为灰度值为0的黑色。
第九步，对第二标记图进行分水岭算法处理获得第二次分水岭结果图，对第二次分水岭结果图提取轮廓后获得轮廓图。
为避免其他干扰，可对第二次分水岭结果图提取轮廓时剔除过大和过小的轮廓，最终得到只包含完整双孢蘑菇菌盖轮廓的轮廓图。
第十步，对轮廓图进行最大直径检测获得双孢蘑菇最大直径。
对轮廓图采用最小外接矩形法(mi n imum bound i ng rectang l e，MBR)进行最大直径的检测。
最小外接矩形法是要找到包裹目标图像的面积最小的矩形，一般是先使用格雷厄姆法求解目标图像的凸壳，再使用旋转或投影的方法求取最小面积矩形。本方法利用最小外接矩形法得到的双孢蘑菇图像的最小面积矩形，最小外接矩形较长的边长，即为所要求的双孢蘑菇最大直径。
第十一步，根据双孢蘑菇最大直径对双孢蘑菇进行分级。
第十步获得的双孢蘑菇最大直径是像素坐标下的值，需要对像素坐标和实际坐标进行转换。具体方法如下：
(1)水平放置刻度尺作参考，在刻度尺左右两处做标记，记录两标记点间的实际坐标差；
(2)多次检测两标记点之间的像素坐标差，利用公式求得像素坐标和实际坐标间的比例，式中，ɑ为单位长度内的像素数，X1表示左标记点的像素坐标，X2表示右标记点的像素坐标，L表示刻度尺上两标记点间的实际距离；
(3)将第十步中获得的双孢蘑菇最大直径除以ɑ，得到双孢蘑菇实际直径。
最后，根据双胞蘑菇实际直径，利用行业标准进行分级。
如图1所示为上述方法两次分水岭算法处理效果，其中(a)列为待处理图像；(b)列为进行第一次分水岭之前的标记图(即第四步获得的第一标记图)，白色表示前景，灰色表示背景，黑色表示未确定部分；(c)列为第一次分水岭之后的效果图；(d)列表示进行第二次分水岭之前的标记图(即第八步获得的第二标记图)；(e)列为第二次分水岭后的效果图；(f)列为处理的最终结果，通过计算矩形较长边确定最大直径范围。
通过以上处理图，可知本方法使用结合基本全局阈值分割法与寻找最大熵阈值分割法进行第一次分水岭算法处理可将双孢蘑菇完整地分割出来，且有效去除光照不均匀导致的阴影；使用Canny算子进行第二次分水岭算法处理去除柄部干扰，提取出完整的双孢蘑菇菌盖轮廓。
以上公开的仅为本发明的优选实施方式，但本发明并非局限于此，任何本领域的技术人员能思之的没有创造性的变化，以及在不脱离本发明原理前提下所作的若干改进和润饰，都应落在本发明的保护范围内。

Claims (7)

1.一种基于图像处理的双孢蘑菇分级方法，其特征在于，包括以下步骤：
S1：获取待处理图像，对待处理图像进行感兴趣区域提取；
S2：对待处理图像使用基本全局阈值分割法获得阈值T1，并根据阈值T1对待处理图像进行二值化处理获得第一中间图；
S3：对待处理图像使用最大熵阈值分割法获得阈值T2，并根据阈值T2对待处理图像进行二值化处理获得第二中间图；
S4：第一中间图和第二中间图相结合获得第一标记图；
该步骤具体为：以第一中间图的前景作为第一标记图的前景，标记为灰度值为255的白色；以第二中间图的背景作为第一标记图的背景，标记为灰度值为128的灰色；其他像素点标记为灰度值为0的黑色；
S5：对第一标记图进行分水岭算法处理获得第一次分水岭结果图；
S6：使用Canny算子对待处理图像进行轮廓提取获得第三中间图；
S7：第三中间图与第一次分水岭结果图进行或运算获得第四中间图；
该步骤具体为：第一次分水岭结果图的前景转换为黑色，灰度值为0，背景转换为白色，灰度值为255；第三中间图的前景设置为白色，灰度值为255，背景设置为黑色，灰度值为0；这两个图像进行逻辑或运算，若一个为1，则第四中间图中为1，只有共同为零才为0；
S8：第四中间图与第一次分水岭结果图相结合获得第二标记图；
该步骤具体为：以第四中间图中的双孢蘑菇部分作为第二标记图的前景，标记为灰度值为255的白色；以第一次分水岭结果图的背景作为第二标记图的背景，标记为灰度值为128的灰色；其他像素点标记为灰度值为0的黑色；
S9：对第二标记图进行分水岭算法处理获得第二次分水岭结果图，对第二次分水岭结果图提取轮廓后获得轮廓图；
S10：对轮廓图进行最大直径检测获得双孢蘑菇最大直径；
S11：根据双孢蘑菇最大直径对双孢蘑菇进行分级。
2.根据权利要求1所述的基于图像处理的双孢蘑菇分级方法，其特征在于，步骤S8中，第四中间图进行多次闭运算之后再与第一次分水岭结果图相结合。
3.根据权利要求1所述的基于图像处理的双孢蘑菇分级方法，其特征在于，步骤S6中，Canny算子的上下阈值分别是基本全局阈值分割法获得阈值T1和最大熵阈值分割法获得阈值T2。
4.根据权利要求1所述的基于图像处理的双孢蘑菇分级方法，其特征在于，步骤S9还包括对第二次分水岭结果图提取轮廓时剔除过大和过小的轮廓。
5.根据权利要求1-4任一项所述的基于图像处理的双孢蘑菇分级方法，其特征在于，步骤S1中，对待处理图像进行感兴趣区域提取具体包括以下步骤：
S1.1：对待处理图像灰度化，对灰度化的图像进行二值化处理得到二值图像；
S1.2：对二值图像提取轮廓，并设置轮廓的最大周长和最小周长，初步得到双孢蘑菇轮廓图像；
S1.3：对初步得到的双孢蘑菇轮廓图像做垂直边界最小矩形，矩形与原始图像上下边界平行，矩形内区域即为提取的感兴趣区域。
6.根据权利要求1-4任一项所述的基于图像处理的双孢蘑菇分级方法，其特征在于，步骤S10中采用最小外接矩形法进行最大直径检测。
7.根据权利要求6所述的基于图像处理的双孢蘑菇分级方法，其特征在于，步骤
S11中，根据双孢蘑菇最大直径对双孢蘑菇分级具体包括以下步骤：
S11.1：水平放置刻度尺作参考，在刻度尺左右两处做标记，记录两标记点间的实际坐标差；
S11.2：多次检测两标记点之间的像素坐标差，利用公式求得像素坐标和实际坐标间的比例，式中，ɑ为单位长度内的像素数，X1表示左标记点的像素坐标，X2表示右标记点的像素坐标，L表示刻度尺上两标记点间的实际距离；
S11.3：将步骤S10中获得的双孢蘑菇最大直径除以ɑ，得到双孢蘑菇实际直径；
S11.4：根据双胞蘑菇实际直径，利用行业标准进行分级。
CN201710773060.0A 2017-08-31 2017-08-31 一种基于图像处理的双孢蘑菇分级方法 Active CN107527343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710773060.0A CN107527343B (zh) 2017-08-31 2017-08-31 一种基于图像处理的双孢蘑菇分级方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710773060.0A CN107527343B (zh) 2017-08-31 2017-08-31 一种基于图像处理的双孢蘑菇分级方法

Publications (2)

Publication Number Publication Date
CN107527343A CN107527343A (zh) 2017-12-29
CN107527343B true CN107527343B (zh) 2019-11-26

Family

ID=60683100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710773060.0A Active CN107527343B (zh) 2017-08-31 2017-08-31 一种基于图像处理的双孢蘑菇分级方法

Country Status (1)

Country Link
CN (1) CN107527343B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520498B (zh) * 2018-03-19 2020-11-03 大连理工大学 一种晶体结晶过程监测中的高效晶体阴影噪声去除方法
CN108834667A (zh) * 2018-05-30 2018-11-20 深圳市鑫汇达机械设计有限公司 一种基于物联网的大棚***
CN109242791B (zh) * 2018-08-22 2022-07-26 东北农业大学 一种针对破损植物叶片的批量修复方法
CN109345554A (zh) * 2018-09-12 2019-02-15 南京农业大学 一种基于rgb－d相机的粘连蘑菇视觉原位测量方法
CN109741393B (zh) * 2018-12-04 2023-06-09 上海大学 双孢菇直径测量和中心点定位方法
CN110766702B (zh) * 2019-10-18 2023-08-01 沈阳农业大学 一种双孢蘑菇分级判断方法
CN111445482B (zh) * 2020-03-24 2023-03-28 上海第二工业大学 重叠双孢蘑菇的分割识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101256625A (zh) * 2007-12-19 2008-09-03 重庆大学 多方法结合的人耳图像边缘提取方法
CN103914843A (zh) * 2014-04-04 2014-07-09 上海交通大学 基于分水岭算法和形态学标记的图像分割方法
CN104392460A (zh) * 2014-12-12 2015-03-04 山东大学 一种基于胞核标记分水岭变换的粘连白细胞分割方法
CN105865345A (zh) * 2016-06-14 2016-08-17 南京大树智能科技股份有限公司 一种蘑菇自动采摘检测控制方法
CN106599793A (zh) * 2016-11-21 2017-04-26 江苏大学 一种基于标记分水岭分割的钢材晶粒晶界自动提取方法
CN107046933A (zh) * 2017-04-19 2017-08-18 南京航空航天大学 基于机器视觉的蘑菇自动采摘***及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8379960B2 (en) * 2009-03-30 2013-02-19 Ge Healthcare Bio-Sciences Corp. System and method for distinguishing between biological materials

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101256625A (zh) * 2007-12-19 2008-09-03 重庆大学 多方法结合的人耳图像边缘提取方法
CN103914843A (zh) * 2014-04-04 2014-07-09 上海交通大学 基于分水岭算法和形态学标记的图像分割方法
CN104392460A (zh) * 2014-12-12 2015-03-04 山东大学 一种基于胞核标记分水岭变换的粘连白细胞分割方法
CN105865345A (zh) * 2016-06-14 2016-08-17 南京大树智能科技股份有限公司 一种蘑菇自动采摘检测控制方法
CN106599793A (zh) * 2016-11-21 2017-04-26 江苏大学 一种基于标记分水岭分割的钢材晶粒晶界自动提取方法
CN107046933A (zh) * 2017-04-19 2017-08-18 南京航空航天大学 基于机器视觉的蘑菇自动采摘***及方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Flawdetectioninradiographicweldmentimagesusingmorphological watershedsegmentationtechnique;Alaknanda 等;《NDT&E International》;20091231(第42期);第2-8页 *
GRADING OF MUSHROOMS USING A MACHINE VISION SYSTEM;p. H. Heinemann 等;《TRANSACTIONS OF THE ASAE》;19941231;第37卷(第5期);第671-1677页 *
基于二次分水岭和归一化割的彩色图像分割技术的研究;李海燕;《中国优秀硕士学位论文全文数据库-信息科技辑》;20120715(第7期);第I138-2480页 *
基于分级阈值和多级筛分的玉米果穗穗粒分割方法;杜建军 等;《农业工程学报》;20150831;第21卷(第15期);第140-146页 *
阈值标记的分水岭彩色图像分割;张海涛;《中国图象图形学报》;20151205;第20卷(第12期);第1602-1611页 *

Also Published As

Publication number Publication date
CN107527343A (zh) 2017-12-29

Similar Documents

Publication Publication Date Title
CN107527343B (zh) 一种基于图像处理的双孢蘑菇分级方法
CN107945192B (zh) 一种托盘纸箱垛型实时检测方法
CN105718945B (zh) 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法
CN109255757B (zh) 一种机器视觉自然放置葡萄串果梗区域分割方法
CN102831398B (zh) 基于深度图像的树上苹果识别方法
CN108537239B (zh) 一种图像显著性目标检测的方法
CN103186904A (zh) 图片轮廓提取方法及装置
CN105389581B (zh) 一种胚芽米胚芽完整度智能识别***及其识别方法
CN108319973A (zh) 一种树上柑橘果实检测方法
CN106875412B (zh) 一种两个重叠果实的分割定位方法
CN112132153B (zh) 基于聚类和形态学处理的番茄果实识别方法及***
CN106294705A (zh) 一种批量遥感影像预处理方法
CN111798470B (zh) 一种应用于智能农业的农作物图像实体分割方法及***
CN107316043A (zh) 一种采摘机器人的堆叠蘑菇快速识别方法
CN104700417A (zh) 木材节子瑕疵的计算机图像自动识别方法
CN106446925A (zh) 一种基于图像处理的海豚身份识别的方法
CN111080696A (zh) 一种基于计算机视觉的水下海参识别及定位方法
CN107154044A (zh) 一种中餐食物图像的分割方法
CN111046782B (zh) 一种用于苹果采摘机器人的果实快速识别方法
CN112861654A (zh) 一种基于机器视觉的名优茶采摘点位置信息获取方法
CN106327490A (zh) 一种基于白细胞检测的细胞核分割方法
CN115170522A (zh) 一种基于机器视觉的穴盘种苗分级移栽方法
Nisar et al. Predicting yield of fruit and flowers using digital image analysis
CN112183230A (zh) 自然梨园环境下梨子的识别与中心点定位方法
CN109544572B (zh) 一种果园图像中近大果实目标的获取方法

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