CN110310274A - 一种植物花朵数量检测方法 - Google Patents
一种植物花朵数量检测方法 Download PDFInfo
- Publication number
- CN110310274A CN110310274A CN201910588019.5A CN201910588019A CN110310274A CN 110310274 A CN110310274 A CN 110310274A CN 201910588019 A CN201910588019 A CN 201910588019A CN 110310274 A CN110310274 A CN 110310274A
- Authority
- CN
- China
- Prior art keywords
- image
- threshold
- detection method
- histogram
- standard deviation
- 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
- 238000001514 detection method Methods 0.000 title claims description 17
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000005315 distribution function Methods 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 7
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000004744 fabric Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
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
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种植物花朵数量检测方法,包括以下步骤:A、从RGB图像中提取红色分量R和蓝色分量B,然后对图像分量进行增强处理,将增强后的红色分量R和蓝色分量B相减,得到灰度图像R‑B;B、计算灰度图像R‑B中所有非0元素的均值和标准差以及转换阈值Threshold;C、根据转换阈值Threshold对R‑B图像进行转换,将小于该阈值的元素赋值为0,大于该阈值的元素值不变。然后对变换之后的图像进行开和闭运算,计算其连通区域平均面积meanArea;D、根据meanArea进行滤波处理,滤波处理后剩余的连通区域数量即为花朵的数量。本发明能够改进现有技术的不足,识别精度较高,可以做到在线实时检测。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种植物花朵数量检测方法。
背景技术
实际环境中植物花朵数量的检测比较复杂,目前使用较多的主要有两种方法:一是基于图像处理的检测方法,如通过RGB图像的颜色特征进行花朵的识别,或者利用形态特征进行花朵的检测。利用颜色与形态特征进行花朵的识别通常需要设定提取阈值,而且阈值取值是否合适在很大程度上决定了最终的识别效果;这种方法检测速度较快,但是精度相对较低。另一种是利用机器学习进行植物花朵的检测,这种方法通常对计算机的配置要求较高,而且需要大量的样本进行长时间的训练,很难做到实时检测。
发明内容
本发明要解决的技术问题是提供一种植物花朵数量检测方法,能够解决现有技术的不足,识别精度较高,可以做到在线实时检测。
为解决上述技术问题,本发明所采取的技术方案如下。
一种植物花朵数量检测方法,包括以下步骤:
A、从RGB图像中提取红色分量R和蓝色分量B,然后对图像分量进行增强处理,将增强后的红色分量R和蓝色分量B相减,得到灰度图像 R-B;
B、计算灰度图像R-B中所有非0元素的均值和标准差以及转换阈值 Threshold;
C、根据转换阈值Threshold对R-B图像进行转换,将小于该阈值的元素赋值为0,大于该阈值的元素值不变;然后对变换之后的图像进行开和闭运算,计算其连通区域平均面积meanArea;
D、根据meanArea进行滤波处理,滤波处理后剩余的连通区域数量即为花朵的数量。
作为优选,骤A中,对图像分量进行增强处理包括以下步骤,
A1、求解图像分量的直方图,建立直方图与原图像分量的映射函数,计算其亮度和色饱和度的均值与标准差;
A2、分别根据亮度和色饱和度计算出两组图像分割点,使用上述两组图像分割点分别对直方图进行剪切;
A3、对两次剪切得到的直方图区域的重叠部分的分布函数进行加权平均;
A4、对直方图区域进行重新组合,然后根据直方图与原图像分量的映射函数求得增强后的图像分量。
作为优选,步骤A2中,图像分割点的计算方法为,
亮度图像分割点,
色饱和度分割点,
其中,μ为亮度平均值,μ’为色饱和度平均值,σ为亮度标准差,σ’为色饱和度标准差,k和k’分别为权重系数。
作为优选,步骤B中,根据以下公式计算转换阈值Threshold,
其中,μ和σ分别代表R_B的非0元素均值和标准差,pixeli,j表示非0元素,i,j分别表示图像R_B对应矩阵的第i行、第j列;size (R_B,1)和size(R_B,2)分别表示图像R_B对应矩阵的行、列数。
作为优选,步骤D中,进行滤波处理包括以下步骤,
D1、将连通区域的像素点转换为对应的频率值,对频率值进行傅里叶变换;
D2、建立不同频段的强度分布函数,将强度分布函数经过线性变换变为正态分布;
D3、对位于(μ-3σ,μ+3σ)区间以外区域进行删除;μ为正态分布的均值,σ为正态分布的标准差;
D4、通过傅里叶逆变换得到处理后的连通区域图像。
作为优选,对经过步骤D4得到的连通区域图像进行灰度平滑处理。
采用上述技术方案所带来的有益效果在于:本发明提出的方法转换阈值动态可变,检测和识别精度较高;与机器学习方法比,本发明提出的方法计算速度较快,可以做到在线实时检测。
附图说明
图1是本发明的原理图。
图2是第一组实验拍摄的原图。
图3是第一组实验拍摄原图处理后的图像。
图4是第二组实验拍摄的原图。
图5是第二组实验拍摄原图处理后的图像。
具体实施方式
参照图1,本发明一个具体实施方式包括以下步骤:
A、从RGB图像中提取红色分量R和蓝色分量B,然后对图像分量进行增强处理,将增强后的红色分量R和蓝色分量B相减,得到灰度图像 R-B;
B、计算灰度图像R-B中所有非0元素的均值和标准差以及转换阈值 Threshold;
C、根据转换阈值Threshold对R-B图像进行转换,将小于该阈值的元素赋值为0,大于该阈值的元素值不变;然后对变换之后的图像进行开和闭运算,计算其连通区域平均面积meanArea;
D、根据meanArea进行滤波处理,滤波处理后剩余的连通区域数量即为花朵的数量。
步骤A中,对图像分量进行增强处理包括以下步骤,
A1、求解图像分量的直方图,建立直方图与原图像分量的映射函数,计算其亮度和色饱和度的均值与标准差;
A2、分别根据亮度和色饱和度计算出两组图像分割点,使用上述两组图像分割点分别对直方图进行剪切;
A3、对两次剪切得到的直方图区域的重叠部分的分布函数进行加权平均;
A4、对直方图区域进行重新组合,然后根据直方图与原图像分量的映射函数求得增强后的图像分量。
步骤A2中,图像分割点的计算方法为,
亮度图像分割点,
色饱和度分割点,
其中,μ为亮度平均值,μ’为色饱和度平均值,σ为亮度标准差,σ’为色饱和度标准差,k和k’分别为权重系数。
步骤B中,根据以下公式计算转换阈值Threshold,
其中,μ和σ分别代表R_B的非0元素均值和标准差,pixeli,j表示非0元素,i,j分别表示图像R_B对应矩阵的第i行、第j列;size (R_B,1)和size(R_B,2)分别表示图像R_B对应矩阵的行、列数。
步骤D中,进行滤波处理包括以下步骤,
D1、将连通区域的像素点转换为对应的频率值,对频率值进行傅里叶变换;
D2、建立不同频段的强度分布函数,将强度分布函数经过线性变换变为正态分布;
D3、对位于(μ-3σ,μ+3σ)区间以外区域进行删除;μ为正态分布的均值,σ为正态分布的标准差;
D4、通过傅里叶逆变换得到处理后的连通区域图像,然后进行灰度平滑处理。
参照图2-5,本发明可以快速、准确的识别出植物花朵的数量。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种植物花朵数量检测方法,其特征在于包括以下步骤:
A、从RGB图像中提取红色分量R和蓝色分量B,然后对图像分量进行增强处理,将增强后的红色分量R和蓝色分量B相减,得到灰度图像R-B;
B、计算灰度图像R-B中所有非0元素的均值和标准差以及转换阈值Threshold;
C、根据转换阈值Threshold对R-B图像进行转换,将小于该阈值的元素赋值为0,大于该阈值的元素值不变;然后对变换之后的图像进行开和闭运算,计算其连通区域平均面积meanArea;
D、根据meanArea进行滤波处理,滤波处理后剩余的连通区域数量即为花朵的数量。
2.根据权利要求1所述的植物花朵数量检测方法,其特征在于:步骤A中,对图像分量进行增强处理包括以下步骤,
A1、求解图像分量的直方图,建立直方图与原图像分量的映射函数,计算其亮度和色饱和度的均值与标准差;
A2、分别根据亮度和色饱和度计算出两组图像分割点,使用上述两组图像分割点分别对直方图进行剪切;
A3、对两次剪切得到的直方图区域的重叠部分的分布函数进行加权平均;
A4、对直方图区域进行重新组合,然后根据直方图与原图像分量的映射函数求得增强后的图像分量。
3.根据权利要求2所述的植物花朵数量检测方法,其特征在于:步骤A2中,图像分割点的计算方法为,
亮度图像分割点,
色饱和度分割点,
其中,μ为亮度平均值,μ’为色饱和度平均值,σ为亮度标准差,σ’为色饱和度标准差,k和k’分别为权重系数。
4.根据权利要求1所述的植物花朵数量检测方法,其特征在于:步骤B中,根据以下公式计算转换阈值Threshold,
其中,μ和σ分别代表R_B的非0元素均值和标准差,pixeli,j表示非0元素,i,j分别表示图像R_B对应矩阵的第i行、第j列;size(R_B,1)和size(R_B,2)分别表示图像R_B对应矩阵的行、列数。
5.根据权利要求1所述的植物花朵数量检测方法,其特征在于:步骤D中,进行滤波处理包括以下步骤,
D1、将连通区域的像素点转换为对应的频率值,对频率值进行傅里叶变换;
D2、建立不同频段的强度分布函数,将强度分布函数经过线性变换变为正态分布;
D3、对位于(μ-3σ,μ+3σ)区间以外区域进行删除;μ为正态分布的均值,σ为正态分布的标准差;
D4、通过傅里叶逆变换得到处理后的连通区域图像。
6.根据权利要求5所述的植物花朵数量检测方法,其特征在于:对经过步骤D4得到的连通区域图像进行灰度平滑处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910588019.5A CN110310274B (zh) | 2019-07-02 | 2019-07-02 | 一种植物花朵数量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910588019.5A CN110310274B (zh) | 2019-07-02 | 2019-07-02 | 一种植物花朵数量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110310274A true CN110310274A (zh) | 2019-10-08 |
CN110310274B CN110310274B (zh) | 2021-12-17 |
Family
ID=68077984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910588019.5A Active CN110310274B (zh) | 2019-07-02 | 2019-07-02 | 一种植物花朵数量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110310274B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274812A (zh) * | 2023-10-08 | 2023-12-22 | 北京香田智能科技有限公司 | 一种烟株计数的方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103767698A (zh) * | 2014-01-22 | 2014-05-07 | 中国科学院合肥物质科学研究院 | 一种基于近红外光谱技术的静脉动态特性分析装置及其分析方法 |
CN104167004A (zh) * | 2013-05-16 | 2014-11-26 | 上海分维智能科技有限公司 | 一种用于嵌入式dsp平台的运动车辆快速检测方法 |
CN106338520A (zh) * | 2016-09-18 | 2017-01-18 | 南京林业大学 | 一种表板为拼板的多层实木复合地板表面缺陷的识别方法 |
CN106530237A (zh) * | 2016-09-19 | 2017-03-22 | 中山大学 | 一种图像增强方法 |
CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及*** |
CN107067385A (zh) * | 2017-01-23 | 2017-08-18 | 上海兴芯微电子科技有限公司 | 一种图像增强方法及装置 |
CN107403422A (zh) * | 2017-08-04 | 2017-11-28 | 上海兆芯集成电路有限公司 | 用以增强图像对比度的方法及其*** |
CN107578383A (zh) * | 2017-08-29 | 2018-01-12 | 北京华易明新科技有限公司 | 一种低照度图像增强处理方法 |
CN108986106A (zh) * | 2017-12-15 | 2018-12-11 | 浙江中医药大学 | 面向青光眼临床诊断的视网膜血管自动分割方法 |
CN109146826A (zh) * | 2018-06-27 | 2019-01-04 | 华南理工大学 | 一种图像增强方法及装置 |
CN109613023A (zh) * | 2019-01-28 | 2019-04-12 | 西南大学 | 一种区域亮度自适应校正的水果表面缺陷快速检测方法 |
-
2019
- 2019-07-02 CN CN201910588019.5A patent/CN110310274B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104167004A (zh) * | 2013-05-16 | 2014-11-26 | 上海分维智能科技有限公司 | 一种用于嵌入式dsp平台的运动车辆快速检测方法 |
CN103767698A (zh) * | 2014-01-22 | 2014-05-07 | 中国科学院合肥物质科学研究院 | 一种基于近红外光谱技术的静脉动态特性分析装置及其分析方法 |
CN106338520A (zh) * | 2016-09-18 | 2017-01-18 | 南京林业大学 | 一种表板为拼板的多层实木复合地板表面缺陷的识别方法 |
CN106530237A (zh) * | 2016-09-19 | 2017-03-22 | 中山大学 | 一种图像增强方法 |
CN106651872A (zh) * | 2016-11-23 | 2017-05-10 | 北京理工大学 | 基于Prewitt算子的路面裂缝识别方法及*** |
CN107067385A (zh) * | 2017-01-23 | 2017-08-18 | 上海兴芯微电子科技有限公司 | 一种图像增强方法及装置 |
CN107403422A (zh) * | 2017-08-04 | 2017-11-28 | 上海兆芯集成电路有限公司 | 用以增强图像对比度的方法及其*** |
CN107578383A (zh) * | 2017-08-29 | 2018-01-12 | 北京华易明新科技有限公司 | 一种低照度图像增强处理方法 |
CN108986106A (zh) * | 2017-12-15 | 2018-12-11 | 浙江中医药大学 | 面向青光眼临床诊断的视网膜血管自动分割方法 |
CN109146826A (zh) * | 2018-06-27 | 2019-01-04 | 华南理工大学 | 一种图像增强方法及装置 |
CN109613023A (zh) * | 2019-01-28 | 2019-04-12 | 西南大学 | 一种区域亮度自适应校正的水果表面缺陷快速检测方法 |
Non-Patent Citations (2)
Title |
---|
党文静: "图像区域分割算法的研究与应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
徐一初: "基于颜色恒常性的彩色目标检测", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274812A (zh) * | 2023-10-08 | 2023-12-22 | 北京香田智能科技有限公司 | 一种烟株计数的方法 |
CN117274812B (zh) * | 2023-10-08 | 2024-02-20 | 北京香田智能科技有限公司 | 一种烟株计数的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110310274B (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN102043950B (zh) | 基于canny算子和边缘点统计的车辆轮廓识别方法 | |
CN106093066B (zh) | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及*** | |
CN105354599B (zh) | 一种基于改进的slic超像素分割算法的颜色识别方法 | |
CN104680519B (zh) | 基于轮廓和颜色的七巧板识别方法 | |
CN109035273B (zh) | 一种免疫层析试纸卡的图像信号快速分割方法 | |
CN107328776B (zh) | 一种免疫层析试纸卡的快速检测方法 | |
CN107316077A (zh) | 一种基于图像分割及边缘检测的脂肪细胞自动计数方法 | |
CN109242870A (zh) | 一种基于图像划分和纹理特征的海天线检测方法 | |
CN110161233B (zh) | 一种免疫层析试纸卡的快速定量检测方法 | |
CN109214380A (zh) | 车牌倾斜校正方法 | |
CN107274413A (zh) | 一种钢材金相组织晶界自动提取方法 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN104766344B (zh) | 基于运动边缘提取器的车辆检测方法 | |
CN110008968A (zh) | 一种基于图像视觉的机器人结算自动触发方法 | |
CN109598200B (zh) | 一种铁水罐罐号的图像智能识别***及方法 | |
CN103424404A (zh) | 物品的品质检测方法与*** | |
Cheng et al. | Image segmentation technology and its application in digital image processing | |
Sanghadiya et al. | Surface defect detection in a tile using digital image processing: Analysis and evaluation | |
CN106960424B (zh) | 基于优化分水岭的结核杆菌图像分割识别方法及装置 | |
CN109030434B (zh) | 一种基于Android平台的真菌毒素含量检测方法 | |
CN110310274A (zh) | 一种植物花朵数量检测方法 | |
CN206897873U (zh) | 一种基于检测产品特性的图像处理与检测*** | |
CN111724375B (zh) | 一种屏幕检测方法及*** |
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 |