CN110992355B - 一种柔性作物过敏图像边界界定方法及*** - Google Patents
一种柔性作物过敏图像边界界定方法及*** Download PDFInfo
- Publication number
- CN110992355B CN110992355B CN201911297313.7A CN201911297313A CN110992355B CN 110992355 B CN110992355 B CN 110992355B CN 201911297313 A CN201911297313 A CN 201911297313A CN 110992355 B CN110992355 B CN 110992355B
- Authority
- CN
- China
- Prior art keywords
- image
- boundary
- allergic
- allergy
- region
- 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
Links
- 206010020751 Hypersensitivity Diseases 0.000 title claims abstract description 54
- 208000026935 allergic disease Diseases 0.000 title claims abstract description 52
- 230000007815 allergy Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000000172 allergic effect Effects 0.000 claims abstract description 120
- 208000010668 atopic eczema Diseases 0.000 claims abstract description 120
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 44
- 238000001914 filtration Methods 0.000 claims description 34
- 230000000007 visual effect Effects 0.000 claims description 25
- 230000009471 action Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 230000007547 defect Effects 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 241000196324 Embryophyta Species 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 241000209094 Oryza Species 0.000 description 4
- 235000007164 Oryza sativa Nutrition 0.000 description 4
- 235000009566 rice Nutrition 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明为柔性作物过敏图像边界界定方法及***，属于图像识别领域，包括：对待测图像中是否包含过敏区域进行检测，如包含判断为过敏图像；进行检索框选或手动框选以提取过敏区域图像，处理后得到过敏特征优化图像；对过敏特征优化图像进行边界界定，得到边界界定图像；对边界线条进行筛选和绘制得到边界界定轮廓线图像；将边界界定轮廓线图像与过敏区域图像进行叠加排差后，目视解译获得最优过敏区域图像边界轮廓图，保存最优边界判定路径；输出过敏图像边界轮廓图。本发明能够准确地绘制出气流作用于柔性作物的过敏图像边界轮廓线，为过敏图像识别、检索、提取、边界界定、最优边界路径等提供可靠依据。
Description
技术领域
本发明属于图像识别技术领域，具体涉及一种柔性作物过敏图像边界界定方法及***。
背景技术
近年来，伴随着农业现代化进程的推进，农业机械化水平得到显著提升，农业航空植保技术以其较高的作用效率和农药利用率得到了越来越广泛应用，农业航空喷施作用主要以有人驾驶固定翼飞机、有人驾驶直升机、单旋翼及多旋翼无人机等机型为主。
航空植保喷施作用过程中，由于机体的飞行特性会产生强烈的下洗气流，又称旋翼下洗流，是指直升机处于悬停状态时，旋翼转动使气流从旋翼上面流到旋翼下面，使空气就向着相反的方向流动，为机体提供飞行的升力同时，也将空气下压形成下洗气流，在强烈的气流作用下，被喷施柔性作物冠层面就会产生涡旋形变。
传统的针对气流作用柔性作物的涡旋边界界定方法都采用实际测量的办法，尚无从图像处理方面获得涡旋边界的方法。
针对图像边界的界定，传统边界界定算子常常采用Laplacian算子、Roberts算子、Canny算子、Sobel算子、Scharr算子、Prewitt算子等，对于连续清晰边界的界定有良好的效果，但针对气流作用柔性作物的涡旋边界，其边界不清晰、不明显非连续变化，呈现锯齿状非均匀分布，渐变特征不明显，显然传统方法非常容易引起误判和漏判，传统边界界定算子的准确性和泛化能力，有待提高。
发明内容
有鉴于此，本发明提供了一种柔性作物过敏图像边界界定方法和***，旨在实现更有效地检测过敏图像边界。
本发明柔性作物过敏图像边界界定方法，采用如下技术方案来实现：一种柔性作物过敏图像边界界定方法，包括以下步骤：
步骤一、输入以下待测图像：包含T1幅过敏图像的第一图像集D1，包含T2幅正常图像的第二图像集D2；
步骤二、对待测图像中是否包含过敏区域进行检测，如包含过敏区域则判断为过敏图像并进入下一步，若不包含则直接输出正常图像；
步骤三、利用视觉识别字典对过敏图像中的过敏区域进行检索框选，提取过敏区域图像；未在视觉识别字典中检索到过敏图像时，则手动进行框选，提取过敏区域图像；
步骤四、对过敏区域图像进行图像灰度化、图像滤波、图像二值化处理后得到对应的过敏特征优化图像；
步骤五、利用边界界定算法对过敏特征优化图像进行边界界定，得到对应过敏特征边界界定图像；
步骤六、对边界界定图像内边界线条进行筛选和绘制，得到边界界定轮廓线图像；
步骤七、输出待测图像的识别结果，为正常图像或者过敏图像；
步骤八、将步骤六中获得的边界界定轮廓线图像与步骤三中获得的过敏区域图像进行叠加排差后，目视解译获得最优过敏区域图像边界轮廓图，并将过敏区域图像最优边界判定路径进行保存，存入视觉识别字典中；
步骤九、输出过敏图像边界轮廓图。
在优选的实施例中，本发明边界界定方法还包括以下步骤：
步骤十、快速识别，若视觉识别字典中包含相应类别的过敏区域图像最优边界判定路径时，跳过步骤四～步骤七，直接进入最优边界判定路径，得到过敏区域图像的边界界定轮廓线图像，输入最优边界判定模块，并将所得到的边界界定轮廓线图像与经过步骤四～步骤七后获得的边界界定轮廓线图像进行对比；若最优边界判定路径所得结果，与经过步骤四～步骤七的结果对比，仍为最优解，则最优边界判定路径不变；若最优边界判定路径所得结果，与经过步骤四～步骤七的结果对比，并非最优解，则替换原有最优边界判定路径，并输入视觉字典中进行保存。
优选地，所述过敏区域图像指包含在气流作用于柔性作物时被辨别出存在渐变过渡区域，且该渐变过渡区域占比达到75％以上的图像。
本发明柔性作物过敏图像边界界定***，包括：
过敏图像检测单元，用于确定图像中包含过敏区域；如包含过敏区域则判断为过敏图像，若不包含则判断为正常图像；
图像局部提取单元，用于提取过敏图像中的过敏区域图像；
图像特征优化单元，用于对过敏区域图像进行图像灰度化、图像滤波、图像二值化处理，优化过敏区域图像特征；
图像边界界定单元，用于利用边界界定算法对过敏特征优化图像进行边界界定，得到对应过敏特征边界界定图像；
图像边界轮廓线绘制单元，用于对边界界定图像内边界线条进行筛选和绘制，得到边界界定轮廓线图像；
待测图像识别结果单元，用于输出待测图像类型与结果；
最优边界判定单元，通过调用包括图像局部提取单元、图像特征优化单元在内各个单元的功能及决策，得到最优边界进行判定并保存路径，完成完整的图像识别流程。
与现有技术相比，本发明取得了如下优点及技术效果：
本发明的边界界定方法及***能够快速准确地绘制出气流作用于柔性作物的过敏图像边界轮廓线，为过敏图像的定位、识别、检索、区域提取、边界界定、最优边界路径、视觉识别字典、面积计算等提供可靠依据。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面给出本发明实施例描述中所需要使用的附图并作简单介绍，显而易见地，下面描述的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为视觉识别字典示意图；
图2为过敏图像边界界定的整体流程图；
图3为图像特征优化模块从过敏区域图像中得到灰度图的流程图；
图4为内核(3,3)的Blur滤波图；
图5为特定阈值113的二值化模型的示意图，其中(a)为灰度图，(b)为灰度值，(c)为二值化操作，(d)为二值化图；
图6为图像边界界定模块将过敏区域图像采用8种边界算法得到边界界定图像的流程图；
图7为过敏区域图像原图、灰度图及采用多种不同边界算法得到边界界定图像的示意图；其中(a)为原图，(b)为灰度图，(c)为Laplacian算子得到的边界界定图，(d)为Robert-X方向的示意图，(e)为Robert-Y方向的示意图，(f)为Canny算子得到的边界界定图，(g)为Sobel算子得到的边界界定图，(h)为Scharr算子得到的边界界定图，(i)为Prewitt垂直边缘的示意图，(j)为Prewitt水平边缘的示意图，(k)为Prewitt 45°边缘的示意图，(l)为Prewitt 135°边缘的示意图，(m)为霍夫变换算法得到的边界界定图，(n)为凸缺陷算法得到的边界界定图；
图8是图像边界轮廓线绘制为凸缺陷算法参数103时，边界轮廓参数50000所绘制出的边界轮廓线示意图。
具体实施方式
下面将结合实施例及附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的实施例中，欲识别一幅图像，首先对其进行过敏区域检测步骤，如果该图像完全不含过敏区域，则直接判其为正常图像；若该图像包含过敏区域，则提取该过敏区域的图像。本发明主要包括步骤：读入待检测图像并整理分类为正常图像集和过敏图像集；对过敏图像进行分类、检索和过敏区域判定；图像识别，提取过敏区域图像并在视觉字典中进行检索；图像特征优化，对过敏区域图像进行灰度化、滤波、二值化操作后得到对应的过敏特征优化图像；边界界定，利用边界界定算法得到对应过敏特征边界界定图像；图像边界轮廓线绘制，得到边界界定轮廓线图像；输出图像识别结果；最优边界判定，将边界界定轮廓线图像与过敏区域图像叠加获得最优过敏区域图像边界轮廓图，并保存最优边界判定路径；输出过敏图像边界轮廓图，最终得到图像的识别结果；快速识别，若视觉识别字典中检索出已有结果，则输入最优边界判定中进行对比，最终得到图像的识别结果。
本发明实施例对柔性作物过敏图像的过敏区域边界进行识别、界定的流程如图2所示，具体包括以下步骤。
步骤一、向计算机输入以下待测图像：
包含T1幅过敏图像的第一图像集D1，所述过敏图像是指包含能令人在气流作用于柔性作物时可以辨别出渐变过渡区域的图像，下同；
包含T2幅正常图像的第二图像集D2。
柔性作物是指在气流作用下会发生目视状态下的弯曲、摆动等形变现象的作物。气流作用包括三种：自然风力作用、非自然风力作用和混合风力作用，自然风力作用指待测环境内无外加风力作用，全部来自于自然风力；非自然风力作用包括使用植保旋翼无人机、直升机、有人驾驶飞机等作业过程中产生较大气流的作业方式；混合风力作用指待测环境由自然风力与非自然风力共同作用。对以上气流作用进行编号：自然风力0，非自然风力1，混合风力2；对非自然风力作用的作业方式进行编号：没有飞机等机器a，植保旋翼无人机b，直升机c，有人驾驶飞机d，例如：②-2b-003-1-1-8，其中2b意义为：在“2混合风力”环境风场中“b植保无人机”作用于。
步骤二、过敏图像检测模块，对待测图像中是否包含过敏区域进行检测，如包含过敏区域则判断为过敏图像并进入下一步，若不包含则直接输出正常图像。例如本实施例中，在图1所示训练好的视觉识别字典中，图像①、②属于过敏图像，保存入第一图像集D1中，图③属于正常图像，保存入第二图像集D2中。
对所述第一图像集D1与第二图像集D2所属的目前常见柔性作物进行分类编号，例如：001果树、002棉花、003水稻、004旱稻等。过敏区域图像，是指气流作用于柔性作物时出现的渐变过渡区域的图像，下同。
步骤三、图像局部提取模块，利用视觉识别字典对过敏图像中的过敏区域进行检索框选，提取过敏区域图像；未在视觉识别字典中检索到过敏图像时，则手动进行框选，提取过敏区域图像。
所述过敏区域图像是指包含在气流作用于柔性作物时被辨别出存在渐变过渡区域，且该渐变过渡区域占比达到75％以上的图像。
步骤四、图像特征优化模块，对过敏区域图像进行图像灰度化、图像滤波、图像二值化处理后得到对应的过敏特征优化图像。
在过敏图像中，过敏区域是一种重要的特征，如果直接在整幅图像中进行过敏区域边界界定操作，会引入大量的背景噪声，同时由于特征提取区域的全覆盖，会增加特征提取阶段时间。基于此考虑，本发明在图像局部提取过程中，将过敏区域与特征提取融合，即仅在过敏区域提取，使提取后的图像中过敏区域占比达到75％以上，并对图像特征进行优化，可减少噪声并加快速度。
图像特征优化模块将已提取的过敏区域图像进行灰度化处理，如图3，在灰度图中，0为白，255为黑，将过敏区域图像进行灰度化后，图像内像素值范围为[0,255]。由于刚获得的图像有很多噪声，这主要由于平时的工作和环境引起的，图像增强是减弱噪音，增强对比度，想得到比较干净清晰的图像，实现这个目标而为处理图像所涉及的操作是设计一个适合、匹配的滤波器和恰当的阈值。本步骤图像滤波采用常见的滤波函数，包括均值滤波、高斯滤波、拉普拉斯滤波、加权平均滤波、中值滤波、双边滤波，编号分别为：1为均值滤波、2为高斯滤波、3为拉普拉斯滤波、4为加权平均滤波、5为中值滤波、6为双边滤波，引入的内核为(a,a)，a为1、3、5、7、9、11、13等正奇数，例如本实施例中，如图4，采用内核(3,3)的均值滤波对过敏区域图像进行处理，内核为3x3，由X1表示3x3区域内整体像素，
然后对滤波后的图像进行二值化处理，获得过敏特征优化图像，使图像中数据量大为减少，从而能凸显出目标的轮廓，如图5。
高斯滤波中，sigmaX为高斯核函数在X方向上的标准差，sigmaY为高斯核函数在Y方向上的标准差，取值范围为0-10内任意数；加权平均滤波中，M为1-255内整数：
本实施例图像二值化采用常见的二值化方法，可为特定阈值二值化和自适应阈值二值化，编号为：1为特定阈值二值化、2为自适应阈值二值化；特定阈值二值化引入的特定阈值为90-130范围内的正整数，在本实施例中，采用特定阈值103对图像进行二值化处理，得到过敏特征优化图像。
步骤五、图像边界界定模块，利用边界界定算法对过敏特征优化图像进行边界界定，得到对应过敏特征边界界定图像。
采用的边界界定算法有Canny算法、Roberts算法、Laplacian算法、Sobel算法、Scharr算法、Prewitt算法、霍夫变换算法、凸缺陷算法，编号分别为：1为Canny算法、2为Roberts算法、3为Laplacian算法、4为Sobel算法、5为Scharr算法、6为Prewitt算法、7为霍夫变换算法、8为凸缺陷算法；8种边界界定算法引入的内核为(a,a)，a为1、3、5、7、9、11、13等正奇数，特定边界阈值为90～150范围内的正整数，如图6、图7。本实施例中，采用凸缺陷算法，特定边界阈值在90-120范围内的正整数，得出边界界定图。
步骤六、图像边界轮廓线绘制模块，对边界界定图像内边界线条进行筛选和绘制，得到边界界定轮廓线图像。
筛选时所引入的阈值参数选择10000～90000范围内的正整数，获得涡旋边界识别结果。本实施例中，阈值参数取50000，可得到边界轮廓线，如图8。
步骤七、输出待测图像的识别结果，为正常图像或者过敏图像。
步骤八、最优边界判定模块，将步骤六中获得的边界界定轮廓线图像与步骤三中获得的过敏区域图像进行叠加排差后，目视解译获得最优过敏区域图像边界轮廓图，并将过敏区域图像最优边界判定路径进行保存，存入视觉识别字典中。
最优边界判定模块将单幅过敏区域图像，使用上述6种滤波函数、2种二值化操作以及8种边界界定算法进行处理后，共得到96幅图像，将步骤六中获得的边界界定轮廓线图像与步骤三中获得的过敏区域图像进行叠加排差后，目视解译获得最优过敏区域图像边界轮廓图，得到最终判定其边界界定最优路径。本实施例中，图像②的过敏区域图像提取后，通过滤波函数，二值化操作，得出8种边界界定图像后，通过边界轮廓线绘制，得到最优结果。
本实施例的一个最优路径保存为②-2b-003-1-1-8，其意义为：图像②是在“2混合风力”环境风场中“b植保无人机”作用于“003水稻”，过敏区域图像边界最优路径为将过敏区域图像灰度化后使用“1均值滤波”函数后进行“1特定阈值二值化”接着将图像输入“8凸缺陷算法”，最终得出最优边界轮廓图。
步骤九、输出过敏图像边界轮廓图。
步骤十、快速识别，若视觉识别字典中包含相应类别的过敏区域图像最优边界判定路径时，跳过步骤四～步骤七，直接进入最优边界判定路径，得到过敏区域图像的边界界定轮廓线图像，输入最优边界判定模块；并将所得到的边界界定轮廓线图像与经过步骤四～步骤七后获得的边界界定轮廓线图像进行对比。若最优边界判定路径所得结果，与经过步骤四～步骤七的结果对比，仍为最优解，则最优边界判定路径不变；若最优边界判定路径所得结果，与经过步骤四～步骤七的结果对比，非最优解，则替换原有最优边界判定路径，并输入视觉字典中进行保存。
出于时间性能考虑，过敏区域边界界定必须很快，利用极小的时间代价，排除绝大部分无关选择项目。因此，本发明实施例采用最优路径保存方法，对一类图像的识别进行快速提取，直接采用最优处理路径，得到最优边界轮廓图。
本实施例中，视觉识别字典中包含如下内容：包含过敏图像的第一图像集D1和正常图像的第二图像集D2中柔性作物编号；包含过敏区域图像最优边界判定路径，例如本实施例②-2b-003-1-1-8，其意义为：图像②是在“2混合风力”环境风场中“b植保无人机”作用于“003水稻”，过敏区域图像边界最优路径为将过敏区域图像灰度化后使用“1均值滤波”函数后进行“1特定阈值二值化”接着将图像输入“8凸缺陷算法”，最终得出最优边界轮廓图。
本实施例中，一种柔性作物过敏图像边界界定***，包括：
过敏图像检测单元，实现步骤二，用于确定图像中过敏区域；
图像局部提取单元，实现步骤三，用于提取过敏图像中的局部过敏区域；
图像特征优化单元，实现步骤四，用于优化过敏区域图像特征；
图像边界界定单元，实现步骤五，用于界定过敏区域边界；
图像边界轮廓线绘制单元，实现步骤六，用于绘制过敏区域边界轮廓线；
待测图像识别结果单元，实现步骤七，用于输出待测图像类型与结果；
最优边界判定单元，实现步骤八至十，通过调用包括图像局部提取、特征优化在内各个单元的功能及决策，得到最优边界进行判定并保存路径，完成完整的图像识别流程。
本发明实施例在基于上述方法的图像测试实验中，对137幅过敏图像和195幅正常图像进行了测试。需要指出的是，所有参与测试的图像未参与任何训练过程(包括一类字典的分类、一类分类模型的识别训练等)，因此测试结果可以有效反映本***在真实网络环境的综合性能。本发明实施例识别一幅图像，平均耗时2.483秒，快速识别平均耗时0.427秒。
本领域普通技术人员可以理解上述实施例的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读取存储介质中，所述计算机程序被执行时可实现上述方法的各步骤；其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)获随机存储记忆体(Random Access Memory,RAM)等。
对所公开的实施例的上述说明，使本领域普通技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域普通技术人员来说是显而易见的，本发明所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于以上实施例，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.一种柔性作物过敏图像边界界定方法，其特征在于，包括以下步骤：
步骤一、输入以下待测图像：包含X1幅过敏图像的第一图像集D1，包含X2幅正常图像的第二图像集D2；
步骤二、对待测图像中是否包含过敏区域进行检测，如包含过敏区域则判断为过敏图像并进入下一步，若不包含则直接输出正常图像；
步骤三、利用视觉识别字典对过敏图像中的过敏区域进行检索框选，提取过敏区域图像；未在视觉识别字典中检索到过敏图像时，则手动进行框选，提取过敏区域图像；
步骤四、对过敏区域图像进行图像灰度化、图像滤波、图像二值化处理后得到对应的过敏特征优化图像；
步骤五、利用边界界定算法对过敏特征优化图像进行边界界定，得到对应过敏特征边界界定图像；
步骤六、对边界界定图像内边界线条进行筛选和绘制，得到边界界定轮廓线图像；
步骤七、输出待测图像的识别结果，为正常图像或者过敏图像；
步骤八、将步骤六中获得的边界界定轮廓线图像与步骤三中获得的过敏区域图像进行叠加排差后，目视解译获得最优过敏区域图像边界轮廓图，并将过敏区域图像最优边界判定路径进行保存，存入视觉识别字典中；
步骤九、输出过敏图像边界轮廓图；
步骤四在图像局部提取过程中，将过敏区域与特征提取融合，并对图像特征进行优化；将已提取的过敏区域图像进行灰度化处理，设计一个匹配的滤波函数进行图像滤波；然后对滤波后的图像进行二值化处理，获得过敏特征优化图像，减少图像中的数据量，凸显出目标的轮廓。
2.根据权利要求1所述的柔性作物过敏图像边界界定方法，其特征在于，还包括以下步骤：
步骤十、快速识别，若视觉识别字典中包含相应类别的过敏区域图像最优边界判定路径时，跳过步骤四～步骤七，直接进入最优边界判定路径，得到过敏区域图像的边界界定轮廓线图像，输入最优边界判定模块，与经过步骤四～步骤七后获得的边界界定轮廓线图像进行对比；若最优边界判定路径所得结果，与经过步骤四～步骤七的结果对比，仍为最优解，则最优边界判定路径不变；若最优边界判定路径所得结果，与经过步骤四～步骤七的结果对比，并非最优解，则替换原有最优边界判定路径，并输入视觉字典中进行保存。
3.根据权利要求1所述的柔性作物过敏图像边界界定方法，其特征在于，所述过敏区域图像指包含在气流作用于柔性作物时被辨别出存在渐变过渡区域，且该渐变过渡区域占比达到75％以上的图像。
4.根据权利要求1所述的柔性作物过敏图像边界界定方法，其特征在于，步骤四中图像滤波采用的滤波函数，包括均值滤波、高斯滤波、拉普拉斯滤波、加权平均滤波、中值滤波及双边滤波。
5.根据权利要求1所述的柔性作物过敏图像边界界定方法，其特征在于，步骤四中图像二值化采用特定阈值二值化和自适应阈值二值化。
6.根据权利要求1所述的柔性作物过敏图像边界界定方法，其特征在于，步骤五中边界界定算法包括Canny算法、Roberts算法、Laplacian算法、Sobel算法、Scharr算法、Prewitt算法、霍夫变换算法及凸缺陷算法。
7.根据权利要求1所述的柔性作物过敏图像边界界定方法，其特征在于，步骤六筛选时所引入的阈值参数选择10000～90000范围内的正整数，获得涡旋边界识别结果。
8.根据权利要求1所述的柔性作物过敏图像边界界定方法，其特征在于，柔性作物指在气流作用下会发生目视状态下的弯曲、摆动形变现象的作物；气流作用包括三种：自然风力作用、非自然风力作用和混合风力作用。
9.根据权利要求6所述的柔性作物过敏图像边界界定方法，其特征在于，步骤五采用凸缺陷算法作为边界界定算法，特定边界阈值在90-120范围内的正整数，得出边界界定图像。
10.一种柔性作物过敏图像边界界定***，其特征在于，包括：
过敏图像检测单元，用于确定图像中包含过敏区域；如包含过敏区域则判断为过敏图像，若不包含则判断为正常图像；
图像局部提取单元，用于提取过敏图像中的过敏区域图像；
图像特征优化单元，用于对过敏区域图像进行图像灰度化、图像滤波、图像二值化处理，优化过敏区域图像特征；
图像边界界定单元，用于利用边界界定算法对过敏特征优化图像进行边界界定，得到对应过敏特征边界界定图像；
图像边界轮廓线绘制单元，用于对边界界定图像内边界线条进行筛选和绘制，得到边界界定轮廓线图像；
待测图像识别结果单元，用于输出待测图像类型与结果；
最优边界判定单元，通过调用包括图像局部提取单元、图像特征优化单元在内各个单元的功能及决策，得到最优边界进行判定并保存路径，完成完整的图像识别流程；
图像特征优化单元在图像局部提取过程中，将过敏区域与特征提取融合，并对图像特征进行优化；将已提取的过敏区域图像进行灰度化处理，设计一个匹配的滤波函数进行图像滤波；然后对滤波后的图像进行二值化处理，获得过敏特征优化图像，减少图像中的数据量，凸显出目标的轮廓。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911297313.7A CN110992355B (zh) | 2019-12-17 | 2019-12-17 | 一种柔性作物过敏图像边界界定方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911297313.7A CN110992355B (zh) | 2019-12-17 | 2019-12-17 | 一种柔性作物过敏图像边界界定方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110992355A CN110992355A (zh) | 2020-04-10 |
| CN110992355B true CN110992355B (zh) | 2023-03-14 |
Family
ID=70094517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911297313.7A Active CN110992355B (zh) | 2019-12-17 | 2019-12-17 | 一种柔性作物过敏图像边界界定方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110992355B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110414333A (zh) * | 2019-06-20 | 2019-11-05 | 平安科技（深圳）有限公司 | 一种图像边界的检测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102325345B1 (ko) * | 2014-12-15 | 2021-11-11 | 삼성전자주식회사 | 대화형 영상 분할 장치 및 방법 |
-
2019
- 2019-12-17 CN CN201911297313.7A patent/CN110992355B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110414333A (zh) * | 2019-06-20 | 2019-11-05 | 平安科技（深圳）有限公司 | 一种图像边界的检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于图像处理技术的白发检测研究;申彤;《中国优秀硕士学位论文全文数据库信息科技辑》;20150215;I138-1061页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110992355A (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109613002B (zh) | 一种玻璃缺陷检测方法、装置和存储介质 | |
| CN104834942B (zh) | 基于掩膜分类的遥感影像变化检测方法及*** | |
| CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
| CN109145872B (zh) | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 | |
| CN115601374A (zh) | 一种染色体图像分割方法 | |
| CN102998316B (zh) | 一种透明液体杂质检测***及其检测方法 | |
| CN108830225B (zh) | 太赫兹图像中目标物体的检测方法、装置、设备及介质 | |
| CN110119741A (zh) | 一种有背景的卡证图像信息识别方法 | |
| CN106780486A (zh) | 一种钢板表面缺陷图像提取方法 | |
| CN108805050B (zh) | 基于局部二值模式的电线检测方法 | |
| CN105868708A (zh) | 一种图像目标识别方法及装置 | |
| CN114049624B (zh) | 一种基于机器视觉的船舶舱室智能检测方法及*** | |
| Geng et al. | An improved helmet detection method for YOLOv3 on an unbalanced dataset | |
| CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
| CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
| CN108776823A (zh) | 基于细胞图像识别的***病灶分析方法 | |
| CN114627116B (zh) | 一种基于人工智能的织物疵点识别方法及*** | |
| WO2024016812A1 (zh) | 显微图像的处理方法、装置、计算机设备及存储介质 | |
| CN116109637A (zh) | 基于视觉的涡轮增压器叶轮外观缺陷检测的***及其方法 | |
| CN117197676A (zh) | 一种基于特征融合的目标检测识别方法 | |
| CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
| CN114596274A (zh) | 基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法 | |
| Septiarini et al. | Image processing techniques for tomato segmentation applying k-means clustering and edge detection approach | |
| CN109635649B (zh) | 一种无人机侦察目标的高速检测方法及*** | |
| CN115311678A (zh) | 一种背景抑制和dcnn相结合的红外视频机场飞鸟检测方法 |
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 |