CN108960100A - 一种基于图像处理的甘蔗蔗节的识别方法 - Google Patents

一种基于图像处理的甘蔗蔗节的识别方法 Download PDF

Info

Publication number
CN108960100A
CN108960100A CN201810653763.4A CN201810653763A CN108960100A CN 108960100 A CN108960100 A CN 108960100A CN 201810653763 A CN201810653763 A CN 201810653763A CN 108960100 A CN108960100 A CN 108960100A
Authority
CN
China
Prior art keywords
image
sugarcane
straight line
point
value
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
CN201810653763.4A
Other languages
English (en)
Inventor
蒙艳玫
崔耀升
陈昊
李建波
韦俊东
孙启会
余双双
张金来
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.)
Guangxi University
Original Assignee
Guangxi University
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 Guangxi University filed Critical Guangxi University
Priority to CN201810653763.4A priority Critical patent/CN108960100A/zh
Publication of CN108960100A publication Critical patent/CN108960100A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像处理的甘蔗蔗节的识别方法，其包括：一，将原始图像转为灰度图像并进行中值滤波和二值化处理；二，将步骤一得到的图像黑白两色置换，去除非线性结构元的部分；三，将步骤一的灰度图像背景换为黑色，甘蔗换为白色；四，将步骤三得到的图像进行Sobel边界检测，提取明显的边界特征；五，将步骤四得到的图像利用Hough变换检测直线，选取最长的直线，并计算与水平方向的夹角α；六，将步骤二得到的图像根据夹角α旋转，再进行列像素求和，求和函数的极值点和最大值点的横坐标即为茎节位置d；七，通过换算得到茎节在原始图像中的位置d1。本发明能够准确识别蔗节，为后续切割提供准确的位置信号，防止伤芽和浪费。

Description

一种基于图像处理的甘蔗蔗节的识别方法
技术领域
本发明涉及甘蔗产业领域，特别涉及一种基于图像处理的甘蔗蔗节的识别方法。
背景技术
甘蔗是我国的重要制糖原料，其在我国糖业生产领域具有重要地位。在甘蔗产业发展的过程中，自动化的生产方式将极大地节省人力成本，并提高工作效率。含有蔗芽的蔗节可以用作蔗种，在蔗种的制备过程中要做到不伤芽，蔗节两端的蔗茎是蔗种初期成活的主要营养来源，必须留有足够的蔗茎长度，所以蔗种的制备过程中，切割的准确性非常重要。通过基于图像处理的识别技术，可提取甘蔗茎节的准确位置，从而为切割工作提供信号，使得蔗种的制备的过程能够实现自动化生产。
目前，国内对的基于图像处理的蔗节识别技术的研究并不充足，还有较多未考虑的方面，与工业化生产还有较大的差距。而且，现有的通过图像处理来进行茎节识别的方法中往往是仅涉及甘蔗的单一茎节的识别，提取的目标特征少。在工业化生产过程中，需要考虑甘蔗表面复杂特征的影响，提取多个目标特征，形成一组信号来源。而且工业生产使用的甘蔗原料并不顺直，往往有大量歪曲生长成的原料，从而容易导致对蔗节的位置识别不准确，在后续的切割以及蔗茎、蔗种的分离中容易造成伤芽，浪费蔗种。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种基于图像处理的甘蔗蔗节的识别方法，从而克服现有的通过图像处理来进行茎节识别的方法中仅涉及单一茎节的识别且识别出来的蔗节的位置容易不准确的缺点。
为实现上述目的，本发明提供了一种基于图像处理的甘蔗蔗节的识别方法，其中，包括如下步骤：
步骤一，先采集原始图像，然后用matlab软件将原始图像转换为灰度图像，对灰度图像进行中值滤波，再进行二值化处理；
步骤二，将经步骤一处理后的图像中的黑白两色置换，再利用形态学处理中的开操作去除非线性结构元的部分；
步骤三，将步骤一中得到的灰度图像的甘蔗背景置换为黑色，甘蔗位置置换为白色，并进行二值化处理；
步骤四，将经步骤三处理后的图像进行Sobel边界检测，提取明显的边界特征；
步骤五，将经步骤四处理后的图像利用Hough变换检测直线，选取最长的直线，并计算最长直线与图像水平方向的夹角α；
步骤六，利用步骤五得到的夹角α对经步骤二处理后的图像进行旋转，使图像的蔗节位于同一水平直线上，再对图像进行列像素求和，找到求和函数的极值点和最大值点，极值点和最大值点的横坐标即为甘蔗茎节的位置d；
步骤七，根据经步骤六处理后得到的甘蔗茎节的位置d，通过换算公式d1＝d xcosα，便可得到甘蔗茎节在原始图像中的位置d1。
优选地，上述技术方案中，在步骤一中，图像二值化处理时，将图像中的最大像素值与最小像素值的平均值设定为阈值，把灰度大于或等于阈值的像素点设置为255，小于阈值的像素点设为0，为了节约计算机的存储，再进一步把0和255分别映射为0和1。
优选地，上述技术方案中，在步骤二中，由于甘蔗的茎节是直线的形状，为了识别并保留此特征，采用的是长度为15，从水平轴开始逆时针90°的扁平直线型结构元，公式为：其中：B为结构元，A为被处理的图像，开操作的结果是B在A中完全匹配并平移的并集。
优选地，上述技术方案中，在步骤四中，Sobel边界检测是使用两个(3x3)矩阵来对原图进行卷积运算，以计算出水平方向的灰度偏导的估计值Gx和竖直方向的灰度偏导的估计值Gy。Gx和Gy的数学表达式如下：
和
其中：A为被处理的图像；
计算过程如下：
Gx＝[f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2*f(x-1,y)+f(x-1,y+1)]；
Gy＝[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]-[f(x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)；
计算出每个点的Gx和Gy后，每个点的梯度G可由以下的公式得出：
最后设定阈值Gmax，当梯度G大于Gmax，该点便是一个边界点。
优选地，上述技术方案中，在步骤五中，Hough变换是将图像平面空间的直线变换至参数空间，其公式为：
直线上任意一点(x,y)都可以在ρ-θ空间中形成一条曲线，如果两个不同点进行上述操作后得到的曲线在平面ρ-θ相交,这就意味着它们位于同一条直线，通过设置阈值，交于一点的曲线数量超过了阈值，那么就代表这个交点的参数(θ，ρ)对应为原图中的一条直线；寻找前5个大于Hough矩阵中最大值0.3倍的点，变换为线段，合并距离小于20的线段，去除长度小于5的直线段，并通过for循环得到最长的线段；通过线段端点的坐标值求得直线的斜率k，再通过公式α＝arctank,求得最长直线与图像水平方向的夹角α。
优选地，上述技术方案中，在步骤六中，利用matlab软件中的imrotate函数将图像进行旋转，利用sum求和函数，将图像中的每列像素求和，并绘制函数图像，利用findpeaks函数和max函数找到极值点和最大值点，极值点和最大值点的横坐标即为甘蔗茎节的位置d。
与现有技术相比，本发明具有如下有益效果：
本发明为国内甘蔗蔗种工业化制备提供技术上的参考，其核心是利用基于matlab软件的图像处理技术通过对甘蔗表面多目标进行提取，以准确地识别出甘蔗的蔗节，有效避免漏检和错检的情况，从而为后续的切割以及蔗茎、蔗种的分离提供准确的位置信号，防止切割过程中伤芽和浪费蔗种，而且本发明还可以为进料倾斜提供修正参考。
附图说明
图1是根据本发明基于图像处理的甘蔗蔗节的识别方法的流程图。
图2是根据本发明的步骤一中把原始图像转换为灰度图像后的示意图。
图3是根据本发明的步骤一中进行中值滤波后的图像示意图。
图4是根据本发明的步骤一中进行二值化处理后的图像示意图。
图5是根据本发明的步骤二中黑白两色置换后的图像示意图。
图6是根据本发明的步骤二中进行开操作后的图像示意图。
图7是根据本发明的步骤三中将甘蔗位置设置为白，甘蔗背景设置为黑后的图像示意图。
图8是根据本发明的步骤四中Sobel边界检测后带有明显边界特征的图像示意图。
图9是根据本发明的步骤五中利用Hough变换检测出的最长直线的图像示意图。
图10是根据本发明的步骤六中将图6旋转后的图像示意图。
图11是根据本发明的步骤六中对旋转后的图像进行列像素求和的统计图。
图12是根据本发明的步骤七中在原始图像中标记出识别的蔗节位置的图像示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
图1至图12显示了根据本发明优选实施方式的一种基于图像处理的甘蔗蔗节的识别方法的结构示意图，参考图1，该基于图像处理的甘蔗蔗节的识别方法共包括如下七个步骤：
步骤一，先采集原始图像，可以是通过摄像头的拍摄来获得原始图像，原始图像为彩色图像。然后用matlab软件将原始图像转换为灰度图像，并对灰度图像进行中值滤波，再进行二值化处理。
彩色图像(即RGB图)的每个像素可以看作是以R、G、B为轴建立空间直角坐标系中的三维空间的一个点，而灰度图(即Gray图)的每个像素可以用直线R＝G＝B上的一个点来表示。于是，RGB图转Gray图的本质就是寻找一个三维空间到一维空间的映射，在matlab软件中，可以通过对RGB空间的一个点向R＝G＝B直线做垂线实现，公式为：
Gray＝0.299*R+0.587*G+0.114*B； (1)
把原始图像转换为灰度图像后的图像如图2所示。
数字图像的采样或传输时，经常受到噪声的干扰，为了后续的图像操作，可以对受噪图像进行滤波，中值滤波是把图像像素点的值用该点的一个邻域中各点值的中值代替，中值滤波的处理中的邻域是mxn的模板M，公式为：
g(x,y)＝med{f(x-m,y-n)},(m,n∈M)； (2)
其中：(x，y)为被处理点的坐标，m为处理范围距离点(x，y)的长，n为处理范围距离点(x，y)的宽，(m，n)便为距离点(x，y)的长为m，宽为n的领域。把图像进行中值滤波后的图像如图3所示。
图像二值化处理就是将图像的像素点设置为0或者255，整个图像呈现明显的黑白效果，凸显图像中的特征。本发明优选地，在步骤一中，图像二值化处理时，将图像中的最大像素值与最小像素值的平均值设定为阈值，把灰度大于或等于阈值的像素点设置为255，小于阈值的像素点设为0，为了节约计算机的存储，再进一步把0和255分别映射为0和1。把图像进行二值化处理后的图像如图4所示。
步骤二，将经步骤一处理后的图像中的黑白两色置换，再利用形态学处理中的开操作去除非线性结构元的部分。具体操作是先找到像素值为1的像素点，将其像素值改为0，找到像素值为0的像素点，将其像素值改为1，从而实现将二值化图像中的黑白两色置换，置换后的图像如图5所示。
本发明优选地，在步骤二中，由于甘蔗的茎节是直线的形状，为了识别并保留此特征，采用的是长度为15，从水平轴开始逆时针90°的扁平直线型结构元，公式为：
其中：B为结构元，A为被处理的图像，开操作的结果是B在A中完全匹配并平移的并集。即开操作除去了图像中所有不能包含结构元的部分，平滑目标的轮廓，断开了图像间细小的连接部分，同时去除尖锐的突出部分。开操作后的图像如图6所示。
步骤三，将步骤一中得到的未进行中值滤波和二值化处理的的灰度图像的甘蔗背景置换为黑色，甘蔗位置置换为白色，并进行二值化处理。具体的操作是：由于原始图像中的甘蔗采用的是白色背景，在数据类型为uint8的数字图像中，背景部分的像素值为255或者接近255，利用matlab软件中的find函数找出背景部分的像素点，并将像素值设置为0，此时背景部分呈现为黑色。同理，将甘蔗部分(即非背景部分)的像素值设置为255，甘蔗部分呈现为白色。置换后的图像如图7所示。
步骤四，将经步骤三处理后的图像进行Sobel边界检测，提取明显的边界特征；本发明优选地，在步骤四中，Sobel算子检测边界是使用两个(3x3)矩阵来对原图进行卷积运算，以计算出水平方向的灰度偏导的估计值Gx和竖直方向的灰度偏导的估计值Gy。Gx和Gy的数学表达式如下：
其中：A为被处理的图像；
计算过程如下：
Gx＝[f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2*f(x-1,y)+f(x-1,y+1)]；(6)
Gy＝[f(x-1,y-1)+2*f(x,y-1)+f(x+1,y-1)]-[f(x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)；(7)
计算出每个点的Gx和Gy后，每个点的梯度G可由以下的公式得出：
最后设定阈值Gmax，当梯度G大于Gmax，该点便是一个边界点。提取明显的边界特征后得到的图像如图8所示。
步骤五，将经步骤四处理后的图像利用Hough变换检测直线，选取最长的直线，并计算最长直线与图像水平方向的夹角α。本发明优选地，Hough变换是将图像平面空间的直线变换至参数空间，其公式为：
直线上任意一点(x,y)都可以在ρ-θ空间中形成一条曲线，如果两个不同点进行上述操作后得到的曲线在平面ρ-θ相交,这就意味着它们位于同一条直线，通过设置阈值，交于一点的曲线数量超过了阈值，那么就代表这个交点的参数(θ，ρ)对应为原图中的一条直线；寻找前5个大于Hough矩阵中最大值0.3倍的点，变换为线段，合并距离小于20的线段，去除长度小于5的直线段，并通过for循环得到最长的线段，得到的最长直线在灰度图像的位置如图9所示；通过线段端点的坐标值求得直线的斜率k，再通过公式α＝arctank,便能求得最长直线与图像水平方向的夹角α。
步骤六，步骤五中得到的夹角α是图像中甘蔗最长直线与图像水平方向的夹角，这就是甘蔗相对于工作台的倾斜度。利用步骤五得到的夹角α对经步骤二开操作处理后如图6所示的图像进行旋转，使图像的蔗节位于同一水平的直线上，旋转后的图像如图10所示。再对甘蔗图像进行列像素求和，找到求和函数的极值点和一个最大值点，极值点和最大值点的横坐标即为甘蔗茎节的位置d。本发明优选地，在步骤六中，利用matlab软件中的imrotate函数将经步骤二开操作处理后图像进旋转，利用sum求和函数，将图像中的每列像素求和，并绘制函数图像，进行列像素求和的统计图如图11所示。利用findpeaks函数和max函数找到极值点和最大值点，极值点和最大值点的横坐标即为甘蔗茎节的位置d。如图10所示，甘蔗蔗节部分为白色，此部分所有像素点的值为1，其余部分是黑色，像素点的值为0，因此在列像素相加时，白色部分的像素值累加得到极大值或者最大值，其余部分像素值累加值还是0，因此极值点和最大值点的横坐标即为甘蔗茎节的位置d，一个图像中具有多个极值点和最大值点，便表示存在多个甘蔗茎节。
步骤七，根据经步骤六处理后得到的甘蔗茎节的位置d，通过下面的换算公式进行计算：
d1＝d x cosα； (10)
便可得到甘蔗茎节在原始图像中的位置d1。根据得到的蔗节位置d1在原始图像中标记出来后如图12所示。
下面结合matlab软件的具体操作对本发明作进一步的描述：
第一，将采集的图像进行灰度变换，再对灰度图像进行中值滤波，消除图像中的噪点，然后将图像进行二值化处理，转化为黑白两色图像。
A＝imread('ganzhe.jpg')；％读入原始图像
figure(1),imshow(A)；
B＝rgb2gray(A)；％转为灰度图像
figure(2),imshow(B)；％图像如图2所示
C＝medfilt2(B,[3,3])；％对灰度图像使用3X3的矩阵进行中值滤波，figure(3),imshow(C)；％图像如图3所示
Imax＝max(max(C))；
Imin＝min(min(C))；
T＝round(Imax-(Imax-Imin)/2)；％将像素中间值选为阈值
D＝(C)>＝T；％C中大于T的像素取1，小于T的取0
figure(4),imshow(D)；％图像如图4所示
第二，将二值化图像中黑白两色置换，再采用长度为15，与水平方向呈90度的直线型结构元进行开操作，去除图像中非线性结构元的部分。
index1＝find(D>0)；％找出白色的像素点
index2＝find(D<1)；％找出黑色的像素点
counter1＝sum(index1)；％白色像素点的数量
counter2＝sum(index2)；％黑色像素点的数量
figure(5),imshow(E)；％图像如图5所示
se＝strel('line',15,90)；％选用直线型结构元，长度15，与水平角度为90度
O＝imopen(E,se)；％进行形态学开操作
figure(6),imshow(O)；％图像如图6所示
第三，将灰度图像中甘蔗背景置换为黑色，甘蔗位置置换为白色，再进行二值化处理。
index＝find(B>250)；
F(index)＝0；
G＝F；
index1＝find(F>0)；
G(index1)＝255；
Imax1＝max(max(G))；
Imin1＝min(min(G))；
T1＝round((Imax1-Imin1)/2)；
H1＝(G)>＝T1；
figure(7),imshow(H1)；％图像如图7所示
第四，将上述图像进行Sobel边界检测，提取带有明显边界特征的图像。
R1＝edge(H1,'Sobel')；
figure(8),imshow(R1)；％图像如图8所示
第五，利用Hough变换检测并选取最长的直线，计算最长直线与图像水平方向的夹角。
[H,Theta,Rho]＝hough(R1)；
P＝houghpeaks(H,5,'threshold',ceil(0.3*max(H(:))))；％在Hough矩阵中寻找前5个大于Hough矩阵中最大值0.3倍的峰值
lines＝houghlines(R1,Theta,Rho,P,'FillGap',20,'MinLength',5)；％合并距离小于20的线段，丢弃所有长度小于5的直线段
end％确定最长的线段
figure(9),imshow(A)；％图像如图9所示
plot(xy_long(:,1),xy_long(:,2),'LineWidth',2,'Color','r')；
gradient＝(xy_long(2,2)-xy_long(1,2))/(xy_long(2,1)-xy_long(1,1))；
x＝atan(gradient)；
jiaodu＝x*180/pi；
第六，利用夹角对图像进行旋转，对处理后的甘蔗进行列像素求和，找到求和函数的极值点以及极值点的横坐标。
E＝imrotate(O,jiaodu,'nearest','crop')；％将开操作图像进行旋转
figure(10),imshow(E)；％图像如图10所示
y＝sum(E)；％对旋转后开操作图像列像素求和的统计图
figure('NumberTitle','off','Name','像素统计极大值点'),plot(y)；
title('列像素求和统计图')；
xlabel('x')；
ylabel('y')；
[a,b]＝findpeaks(y,'minpeakdistance',50,'minpeakheight',9)；％寻找极大值
hold on；
[c,d]＝max(y)；％％寻找最值点，d是最值所在坐标
hold on；
plot(b,a,'ro')；％把极值点画出来
plot(d,c,'ro')；％把最值点画出来
第七，经过公式计算得到并标记甘蔗茎节的位置。
figure('NumberTitle','off','Name','甘蔗茎节标记'),imshow(A)；
b1＝b*cosd(abs(jiaodu))；
for i＝1:length(b1)
rectangle('Position',[b1(i)-8,70,20,150])；
end
d＝d*cosd(abs(jiaodu))；
rectangle('Position',[d-8,70,20,150])；
随机选取30组黄蔗样品进行实验，对其编号为1到30，每根甘蔗上的蔗节数不同，共275个茎节。将编号1～30的甘蔗图像分别进行识别，统计识别出来的蔗节的数目，将其与实际数目对比，统计误差率，实验数据如下表所示：
从表中可以看出，有17根甘蔗的蔗节测出率为100％，所有甘蔗蔗节的漏检数不超过1个，总共275个蔗节，共测出263个蔗节，准确率达95.6％。通过分析试验现象，漏检的部位主要分布于甘蔗的首个或者末个蔗节，这两个部分的蔗节颜色比其他部分要淡，在图像处理中，特征不明显，出现漏检。因此，可以进一步优化程序，对图像的对比度进行增强，从而减少漏检现象。
本发明为国内甘蔗蔗种工业化制备提供技术上的参考，其核心是利用基于matlab软件的图像处理技术通过对甘蔗表面多目标进行提取，以准确地识别出甘蔗的蔗节，有效避免漏检和错检的情况，从而为后续的切割以及蔗茎、蔗种的分离提供准确的位置信号，防止切割过程中伤芽和浪费蔗种，而且本发明通过图像旋转还可以为进料时倾斜的原料进行修正，从而提高了识别的准确性。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (6)

1.一种基于图像处理的甘蔗蔗节的识别方法，其特征在于，包括如下步骤：
步骤一，先采集原始图像，然后用matlab软件将原始图像转换为灰度图像，对灰度图像进行中值滤波，再进行二值化处理；
步骤二，将经步骤一处理后的图像中的黑白两色置换，再利用形态学处理中的开操作去除非线性结构元的部分；
步骤三，将步骤一中得到的灰度图像的甘蔗背景置换为黑色，甘蔗位置置换为白色，并进行二值化处理；
步骤四，将经步骤三处理后的图像进行Sobel边界检测，提取明显的边界特征；
步骤五，将经步骤四处理后的图像利用Hough变换检测直线，选取最长的直线，并计算最长直线与图像水平方向的夹角α；
步骤六，利用步骤五得到的夹角α对经步骤二处理后的图像进行旋转，使图像的蔗节位于同一水平直线上，再对图像进行列像素求和，找到求和函数的极值点和最大值点，极值点和最大值点的横坐标即为甘蔗茎节的位置d；
步骤七，根据经步骤六处理后得到的甘蔗茎节的位置d，通过换算公式d1＝d x cosα，便可得到甘蔗茎节在原始图像中的位置d1。
2.根据权利要求1所述的基于图像处理的甘蔗蔗节的识别方法，其特征在于，在步骤一中，图像二值化处理时，将图像中的最大像素值与最小像素值的平均值设定为阈值，把灰度大于或等于阈值的像素点设置为255，小于阈值的像素点设为0，为了节约计算机的存储，再进一步把0和255分别映射为0和1。
3.根据权利要求1所述的基于图像处理的甘蔗蔗节的识别方法，其特征在于，在步骤二中，由于甘蔗的茎节是直线的形状，为了识别并保留此特征，采用的是长度为15，从水平轴开始逆时针90°的扁平直线型结构元，公式为：其中：B为结构元，A为被处理的图像，开操作的结果是B在A中完全匹配并平移的并集。
4.根据权利要求1所述的基于图像处理的甘蔗蔗节的识别方法，其特征在于，在步骤四中，Sobel边界检测是使用两个(3x3)矩阵来对原图进行卷积运算，以计算出水平方向的灰度偏导的估计值Gx和竖直方向的灰度偏导的估计值Gy。Gx和Gy的数学表达式如下：
和
其中：A为被处理的图像；
计算过程如下：
Gx＝[f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2*f(x-1,y)+f(x-1,y+1)]；
Gy＝[f(x-1,y-1)+2*f(x,y-1)+f(x+1,y-1)]-[f(x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)；
计算出每个点的Gx和Gy后，每个点的梯度G可由以下的公式得出：
最后设定阈值Gmax，当梯度G大于Gmax，该点便是一个边界点。
5.根据权利要求1所述的基于图像处理的甘蔗蔗节的识别方法，其特征在于，在步骤五中，Hough变换是将图像平面空间的直线变换至参数空间，其公式为：
直线上任意一点(x,y)都可以在ρ-θ空间中形成一条曲线，如果两个不同点进行上述操作后得到的曲线在平面ρ-θ相交,这就意味着它们位于同一条直线，通过设置阈值，交于一点的曲线数量超过了阈值，那么就代表这个交点的参数(θ，ρ)对应为原图中的一条直线；寻找前5个大于Hough矩阵中最大值0.3倍的点，变换为线段，合并距离小于20的线段，去除长度小于5的直线段，并通过for循环得到最长的线段；通过线段端点的坐标值求得直线的斜率k，再通过公式α＝arctank,求得最长直线与图像水平方向的夹角α。
6.根据权利要求1所述的基于图像处理的甘蔗蔗节的识别方法，其特征在于，在步骤六中，利用matlab软件中的imrotate函数将图像进行旋转，利用sum求和函数，将图像中的每列像素求和，并绘制函数图像，利用findpeaks函数和max函数找到极值点和最大值点，极值点和最大值点的横坐标即为甘蔗茎节的位置d。
CN201810653763.4A 2018-06-22 2018-06-22 一种基于图像处理的甘蔗蔗节的识别方法 Pending CN108960100A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810653763.4A CN108960100A (zh) 2018-06-22 2018-06-22 一种基于图像处理的甘蔗蔗节的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810653763.4A CN108960100A (zh) 2018-06-22 2018-06-22 一种基于图像处理的甘蔗蔗节的识别方法

Publications (1)

Publication Number Publication Date
CN108960100A true CN108960100A (zh) 2018-12-07

Family

ID=64486237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810653763.4A Pending CN108960100A (zh) 2018-06-22 2018-06-22 一种基于图像处理的甘蔗蔗节的识别方法

Country Status (1)

Country Link
CN (1) CN108960100A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859165A (zh) * 2018-12-24 2019-06-07 新绎健康科技有限公司 一种取脉点的定位方法及装置
CN110400350A (zh) * 2019-07-19 2019-11-01 江南大学 一种基于计算机视觉的甘蔗茎节识别方法
CN112464744A (zh) * 2020-11-09 2021-03-09 湖北省农业科学院农产品加工与核农技术研究所 一种鱼姿态识别方法
CN113534095A (zh) * 2021-06-18 2021-10-22 北京电子工程总体研究所 一种激光雷达地图构建方法和机器人自主导航方法
CN113723314A (zh) * 2021-09-01 2021-11-30 江南大学 一种基于YOLOv3算法的甘蔗茎节识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101625760A (zh) * 2009-07-28 2010-01-13 谭洪舟 一种证件图像倾斜校正的办法
CN102630429A (zh) * 2012-04-24 2012-08-15 广西大学 甘蔗切割防伤芽***
CN102930247A (zh) * 2012-10-18 2013-02-13 广西大学 一种基于计算机视觉的甘蔗茎节识别方法
CN103729645A (zh) * 2013-12-20 2014-04-16 湖北微模式科技发展有限公司 基于单目摄像头的二代证区域定位与提取的方法及装置
CN104050450A (zh) * 2014-06-16 2014-09-17 西安通瑞新材料开发有限公司 一种基于视频的车牌识别方法
CN106370657A (zh) * 2016-08-17 2017-02-01 广西民族大学 一种甘蔗切种方法及其甘蔗茎杆的识别方法
CN107680098A (zh) * 2017-11-02 2018-02-09 广西民族大学 一种甘蔗蔗节特征的识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101625760A (zh) * 2009-07-28 2010-01-13 谭洪舟 一种证件图像倾斜校正的办法
CN102630429A (zh) * 2012-04-24 2012-08-15 广西大学 甘蔗切割防伤芽***
CN102930247A (zh) * 2012-10-18 2013-02-13 广西大学 一种基于计算机视觉的甘蔗茎节识别方法
CN103729645A (zh) * 2013-12-20 2014-04-16 湖北微模式科技发展有限公司 基于单目摄像头的二代证区域定位与提取的方法及装置
CN104050450A (zh) * 2014-06-16 2014-09-17 西安通瑞新材料开发有限公司 一种基于视频的车牌识别方法
CN106370657A (zh) * 2016-08-17 2017-02-01 广西民族大学 一种甘蔗切种方法及其甘蔗茎杆的识别方法
CN107680098A (zh) * 2017-11-02 2018-02-09 广西民族大学 一种甘蔗蔗节特征的识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
乔铁柱 编著: "《矿用输送带无损检测技术》", 30 June 2015 *
张卫正 等: "基于图像处理的甘蔗茎节识别与定位", 《农机化研究》 *
陆尚平 等: "基于机器视觉的甘蔗茎节特征提取与识别", 《农业机械学报》 *
黄奕其 等: "基于MatLab的甘蔗茎节特征分布定位与试验", 《农业机械学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859165A (zh) * 2018-12-24 2019-06-07 新绎健康科技有限公司 一种取脉点的定位方法及装置
CN109859165B (zh) * 2018-12-24 2023-06-09 新绎健康科技有限公司 一种取脉点的定位方法及装置
CN110400350A (zh) * 2019-07-19 2019-11-01 江南大学 一种基于计算机视觉的甘蔗茎节识别方法
CN112464744A (zh) * 2020-11-09 2021-03-09 湖北省农业科学院农产品加工与核农技术研究所 一种鱼姿态识别方法
CN113534095A (zh) * 2021-06-18 2021-10-22 北京电子工程总体研究所 一种激光雷达地图构建方法和机器人自主导航方法
CN113534095B (zh) * 2021-06-18 2024-05-07 北京电子工程总体研究所 一种激光雷达地图构建方法和机器人自主导航方法
CN113723314A (zh) * 2021-09-01 2021-11-30 江南大学 一种基于YOLOv3算法的甘蔗茎节识别方法

Similar Documents

Publication Publication Date Title
CN108960100A (zh) 一种基于图像处理的甘蔗蔗节的识别方法
CN108764229B (zh) 一种基于计算机视觉技术的水尺图像自动识别方法
CN105046252B (zh) 一种人民币冠字码识别方法
CN110443128B (zh) 一种基于surf特征点精确匹配的指静脉识别方法
Liao et al. An accurate segmentation method for white blood cell images
CN109447945B (zh) 基于机器视觉和图形处理的小麦基本苗快速计数方法
CN106446894B (zh) 一种基于轮廓识别球型目标物位置的方法
CN102704215B (zh) 基于dst文件解析与机器视觉结合的绣布自动切割方法
CN107945200B (zh) 图像二值化分割方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
CN112818988A (zh) 一种指针式仪表自动识别读数方法及***
CN112613429B (zh) 一种基于机器视觉适用于多视角图像指针式仪表读数方法
CN112734729B (zh) 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质
CN105447489B (zh) 一种图片ocr识别***的字符与背景粘连噪声消除方法
CN114708208B (zh) 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法
CN109344820A (zh) 基于计算机视觉和深度学习的数字式电表读数识别方法
Feng et al. A separating method of adjacent apples based on machine vision and chain code information
CN109781737A (zh) 一种软管表面缺陷的检测方法及其检测***
CN111161295A (zh) 一种菜品图像背景剥离方法
CN110807763A (zh) 一种陶瓦表面鼓包检测方法及***
CN110648312A (zh) 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法
CN115731257A (zh) 基于图像的叶片形态信息提取方法
CN107993243B (zh) 一种基于rgb图像的小麦分蘖数自动检测方法
CN104966283A (zh) 图像分层配准方法
CN112184696A (zh) 一种细胞核和细胞器计数及其面积计算方法与***

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181207

RJ01 Rejection of invention patent application after publication