CN110310274B - 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 PDF

Info

Publication number
CN110310274B
CN110310274B CN201910588019.5A CN201910588019A CN110310274B CN 110310274 B CN110310274 B CN 110310274B CN 201910588019 A CN201910588019 A CN 201910588019A CN 110310274 B CN110310274 B CN 110310274B
Authority
CN
China
Prior art keywords
image
threshold
component
standard deviation
calculating
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
CN201910588019.5A
Other languages
English (en)
Other versions
CN110310274A (zh
Inventor
袁洪波
程曼
蔡振江
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.)
Heibei Agricultural University
Original Assignee
Heibei Agricultural 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 Heibei Agricultural University filed Critical Heibei Agricultural University
Priority to CN201910588019.5A priority Critical patent/CN110310274B/zh
Publication of CN110310274A publication Critical patent/CN110310274A/zh
Application granted granted Critical
Publication of CN110310274B publication Critical patent/CN110310274B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

一种植物花朵数量检测方法
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，
Figure BDA0002115119030000041
色饱和度分割点，
Figure BDA0002115119030000022
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，
Figure BDA0002115119030000023
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，
Figure BDA0002115119030000041
色饱和度分割点，
Figure BDA0002115119030000042
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，
Figure BDA0002115119030000051
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 (2)

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；
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；
图像分割点的计算方法为，
亮度图像分割点，
Figure FDA0003218955280000011
色饱和度分割点，
Figure FDA0003218955280000012
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；
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；
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；
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，对连通区域图像进行灰度平滑处理。
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B中，根据以下公式计算转换阈值Threshold，
Figure FDA0003218955280000021
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。
CN201910588019.5A 2019-07-02 2019-07-02 一种植物花朵数量检测方法 Active CN110310274B (zh)

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 CN110310274A (zh) 2019-10-08
CN110310274B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (11)

* Cited by examiner, † Cited by third party
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

Patent Citations (11)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Title
图像区域分割算法的研究与应用;党文静;《中国优秀硕士学位论文全文数据库信息科技辑》;20190115(第12期);第1-55页 *
基于颜色恒常性的彩色目标检测;徐一初;《中国优秀硕士学位论文全文数据库信息科技辑》;20130615(第6期);第1-57页 *

Also Published As

Publication number Publication date
CN110310274A (zh) 2019-10-08

Similar Documents

Publication Publication Date Title
WO2020224458A1 (zh) 一种基于图像处理的电晕检测方法
CN109145872B (zh) 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法
CN106097368B (zh) 一种单板裂缝的识别方法
CN107563379B (zh) 用于对自然场景图像中文本的定位方法
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN110309806B (zh) 一种基于视频图像处理的手势识别***及其方法
CN112308854B (zh) 一种芯片表面瑕疵的自动检测方法、***及电子设备
CN108334879B (zh) 一种区域提取方法、***及终端设备
CN110569774B (zh) 基于图像处理与模式识别的折线图图像自动数字化方法
CN110119742B (zh) 一种集装箱号的识别方法、装置及移动终端
CN109544564A (zh) 一种医疗图像分割方法
CN116704516B (zh) 一种用于水溶肥料包装的视觉检测方法
CN106780428B (zh) 一种基于颜色识别的芯片数量检测方法及***
CN109724988A (zh) 一种基于多模板匹配的pcb板缺陷定位方法
CN110310274B (zh) 一种植物花朵数量检测方法
CN111027564A (zh) 基于深度学习一体化的低照度成像车牌识别方法及装置
CN108877030B (zh) 图像处理方法、装置、终端和计算机可读存储介质
CN107886493A (zh) 一种输电线路的导线分股缺陷检测方法
CN117314940A (zh) 基于人工智能的激光切割零件轮廓快速分割方法
CN109086327A (zh) 一种快速生成网页视觉结构图形的方法及装置
CN111191659A (zh) 服装生产***多形状衣架识别方法
CN106446903A (zh) 一种仪表波段开关位置识别方法
CN113516193B (zh) 基于图像处理的红枣缺陷识别分类方法及装置
CN114359156A (zh) 基于图像识别的绝缘子掉串故障检测方法
CN111046727B (zh) 视频特征提取方法及装置、电子设备及存储介质

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