CN113744184A - 一种基于图像处理的乌鳢卵子计数方法 - Google Patents
一种基于图像处理的乌鳢卵子计数方法 Download PDFInfo
- Publication number
- CN113744184A CN113744184A CN202110852230.0A CN202110852230A CN113744184A CN 113744184 A CN113744184 A CN 113744184A CN 202110852230 A CN202110852230 A CN 202110852230A CN 113744184 A CN113744184 A CN 113744184A
- Authority
- CN
- China
- Prior art keywords
- image
- counting
- snakehead
- ovum
- gray
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 241001597062 Channa argus Species 0.000 title claims abstract description 28
- 210000004681 ovum Anatomy 0.000 title claims abstract description 22
- 102000002322 Egg Proteins Human genes 0.000 title claims abstract description 20
- 108010000912 Egg Proteins Proteins 0.000 title claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 5
- 238000003709 image segmentation Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 235000013601 eggs Nutrition 0.000 claims description 29
- 230000007797 corrosion Effects 0.000 claims description 12
- 238000005260 corrosion Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 239000002245 particle Substances 0.000 claims description 7
- 238000005530 etching Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 230000004927 fusion Effects 0.000 description 3
- 239000001963 growth medium Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 241001417978 Channidae Species 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000017423 tissue regeneration Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing 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
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/11—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
- G06T7/12—Edge-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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
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 Processing (AREA)
Abstract
本发明公开了一种基于图像处理的乌鳢卵子计数方法,包括以下步骤:S1、对需要计数的乌鳢卵子目标进行图像采集,并传入计算机;S2、对采集的图像进行灰度化处理;S3、采用top‑hat变换算法进行图像增强,首先设计圆形结构元素,对图像做开运算,并用原始图像减去开运算所得图像,实现增强效果;S4、采用引导滤波方法进行图像滤波处理;S5、图像分割;S6、卵子识别与计数。本发明通过对乌鳢卵子通过直接成像,获取乌鳢卵子图片,经过本发明提出的处理流程,在非接触前提下完成卵子计数任务,精度高而且不会对卵子原有生存环境产生变化。
Description
技术领域
本发明涉及图像处理与水产养殖交叉领域,尤其是涉及一种基于图像处理的乌鳢卵子计数方法。
背景技术
乌鳢个体大、生长快,而且营养丰富,比鸡肉、牛肉所含的蛋白质高。作为药用具有去瘀生新,滋补调养等功效,因此养殖乌鳢具有较高的经济价值。乌鳢多栖息在湖泊、池沼、江河中水不流畅而混浊的泥底处,它们的产卵场也往往在这一类场所。对产卵时间、产卵量的估计则有利于后期的人工养殖。
乌鳢卵子常规计数方法有四种。最原始的是直接点数,但比较费时间,特别是工厂化育苗数量大,逐个点数是不可能的。也可用面积法、容积法或称量法。由于乌鳢的卵属飘浮性卵,产出的卵未经扰散,排列整齐紧密集中,并浮于水表层,可采用面积计数法。所谓面积计数法,先取一个单位面积的卵子,数出卵子数,然后测出每一窝的面积便可知每窝的卵子数量。容积法,先用一个标准容器,装满受精卵,然后数出这一容积中的卵子个数。以后用这标准容器去量出杯数,就可算出卵子总数。
总体而言,传统乌鳢卵子计数方法存在两个主要问题,其一是传统计数方法除人工直接点数外,面积法、容积法、称量法均是接触式计数方法,需要捞取卵子,破坏原有环境;其二是这些方法由于采用的是估算面积、容积或者重量,再做均分的方式,必定由于个体之间差异存在一定的误差,难以消除。
发明内容
发明目的:为了克服背景技术的不足,本发明公开了一种基于图像处理的乌鳢卵子计数方法,在非接触前提下完成卵子计数任务,精度高而且不会对卵子原有生存环境产生变化。
技术方案:本发明的基于图像处理的乌鳢卵子计数方法,包括以下步骤:
S1、对需要计数的乌鳢卵子目标进行图像采集,并传入计算机;
S2、对采集的图像进行灰度化处理;
S3、采用top-hat变换算法进行图像增强,首先设计圆形结构元素,对图像做开运算,并用原始图像减去开运算所得图像,实现增强效果;
S4、采用引导滤波方法进行图像滤波处理;
S5、图像分割
S5.1使用Sobel边缘算子对图像进行水平和垂直方向的滤波,然后求取模值,获取梯度图像;
S5.2把梯度图像中的所有像素按照灰度值进行分类,并设定一个测地距离阈值;
S5.3找到灰度值最小的像素点为起始点,让threshold从起始点开始增长;
S5.4水平面在增长的过程中,会碰到周围的邻域像素,测量这些像素到起始点的测地距离,如果小于设定阈值,则将这些像素淹没,否则在这些像素上设置大坝,如此对邻域像素进行分类;
S5.5随着水平面增高,设置更多更高的大坝,直到灰度值的最大值,所有区域都在分水岭线上相遇,所有大坝即对整个图像像素进行分区;
S6、卵子识别与计数
S6.1用半径为2大小的圆形结构元素腐蚀分割结果中的目标区域,分割后的区域之间的距离变大,避免影响邻近目标区域相互影响;
S6.2调用Open CV库中find Contours()函数提取颗粒分割结果中每个区域的轮廓;
S6.3依次遍历每个区域轮廓,并用min Enclosing Circle()函数求取能够包围的区域外轮廓点集的最小外接圆,圆的半径r和圆心(a,b),该圆心可近似为颗粒中心点;
S6.4由于S6.1对目标进行腐蚀,将求取的外接圆的半径增加2,将圆心为(a,b)、半径为r+2的圆画于原图;
S6.5统计所有圆的面积,为A1,A2…AN,得到面积中间值大小为S_median,将面积大于或者小于0.2*S_median的圆删除,这些圆因为面积过大或过小,不应计入卵子数量。然后计数保留下来的圆,其数量即为最终的卵子数量。
其中,S1中采集的图像中单个卵子目标有效像素点个数不低于20*20。
进一步的,S2中灰度处理时:
Gray=0.299R+0.587G+0.114B
其中,R,G,B分别是采集彩色图像的红、绿、蓝通道。
进一步的,S3具体包括以下步骤:
S3.1设计圆形结构元素b;
S3.2利用结构元素b对原图像做灰度腐蚀和膨胀操作;
腐蚀过程为将灰度图像f(x,y)内各像素点与结构元素b(x,y)中的点对应相减,腐蚀结果为其最小值:
膨胀过程为腐蚀过程对偶运算,将灰度图像f(x,y)内各像素点与结构元素b(x,y)中的点对应相加,腐蚀结果为其最大值:
经过对图像先腐蚀后膨胀运算后,即完成开运算,得到的运算结果图fopen;
S3.3原始图像减去开运算所得结果:
ftop-hat=f(x,y)-fopen。
进一步的,S4中引导滤波假设引导图像和输出图像之间存在局部线性关系,如下式所示:
其中,I为引导图像,q为滤波后输出结果,wk为像素点k为中心的正方形窗口,ak、bk为窗口中的常系数,其取值如下:
有益效果:本发明通过对乌鳢卵子通过直接成像,获取乌鳢卵子图片,经过本发明提出的处理流程,在非接触前提下完成卵子计数任务,精度高而且不会对卵子原有生存环境产生变化。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
计算机读取高光谱遥感图像数据和配准好的高分辨率图像数据,首先基于非负矩阵分解建立初步的目标函数,然后在此基础上添加光谱约束项,得到最终的融合模型,对此融合模型求极值函数得到标准图像和权值矩阵,用高分辨率图像乘以标准图像与高分辨率图像加权后的图像,所得结果即为所求的高光谱融合图像。
如图1所示的基于图像处理的乌鳢卵子计数方法,计算机配置采用:Intel dual-core处理器,主频1.6GHz,内存2GB,操作***为Windows Vista Home Basic,编程环境为Matlab7.1。该方法包括以下步骤:
S1:图像采集
采用搭载高清摄像头的图像采集***,对需要计数的乌鳢卵子目标进行图像采集,并将相关图像传入计算机,图像中单个卵子目标有效像素点个数不低于20*20。
S2:灰度化处理
将彩色图像转换为灰度图像,便于后续处理。
Gray=0.299R+0.587G+0.114B
其中,R,G,B分别是采集彩色图像的红、绿、蓝通道。
S3:图像增强预处理
采用top-hat变换算法解决图像光照强度不一致问题,首先设计圆形结构元素,对图像做开运算,并用原始图像减去开运算所得图像,实现增强效果。
S3.1设计圆形结构元素b:
设计半径为5的圆形结构元素b如下:
S3.2利用结构元素b对原图像做灰度腐蚀和膨胀操作:
腐蚀过程是将灰度图像f(x,y)内各像素点与结构元素b(x,y)中的点对应相减,腐蚀结果为其最小值:
膨胀过程为腐蚀过程对偶运算,将灰度图像f(x,y)内各像素点与结构元素b(x,y)中的点对应相加,腐蚀结果为其最大值:
经过对图像先腐蚀后膨胀运算后,即完成开运算。得到的运算结果图fopen整体亮度相对均匀。
S3.3原始图像减去开运算所得结果
ftop-hat=f(x,y)-fopen
原始图像减去开运算结果,可以得到top-hat计算结果。
S4:图像滤波
采用引导滤波方法,对S3所得增强图像进行滤波处理,消除噪声,获得边缘纹理较为清晰的图像。引导滤波假设引导图像和输出图像之间存在局部线性关系,如下式所示:
这里,I为引导图像,q为滤波后输出结果。wk为像素点k为中心的正方形窗口,(ak,bk)为窗口中的常系数,其取值如下:
S5:图像分割
S5.1使用Sobel边缘算子对图像进行水平和垂直方向的滤波,然后求取模值,获取梯度图像,sobel算子滤波后的图像在边界处会显示比较大的值,在没有边界处的值会很小。
S5.2把梯度图像中的所有像素按照灰度值进行分类,并设定一个测地距离阈值。
S5.3找到灰度值最小的像素点(默认标记为灰度值最低点),让threshold从最小值开始增长,这些点为起始点。
S5.4水平面在增长的过程中,会碰到周围的邻域像素,测量这些像素到起始点(灰度值最低点)的测地距离,如果小于设定阈值,则将这些像素淹没,否则在这些像素上设置大坝,这样就对这些邻域像素进行了分类。
S5.5随着水平面越来越高,会设置更多更高的大坝,直到灰度值的最大值,所有区域都在分水岭线上相遇,这些大坝就对整个图像像素的进行了分区。
S6:卵子识别与计数
在分割开粘连重叠颗粒后,为了便于观察,本文将最终的识别结果标记于原图。具体步骤是:
S6.1用半径为2大小的圆形结构元素腐蚀分割结果中的目标区域,分割后的区域之间的距离变大,避免影响邻近目标区域相互影响。
S6.2调用Open CV库中find Contours()函数提取颗粒分割结果中每个区域的轮廓。
S6.3依次遍历每个区域轮廓,并用min Enclosing Circle()函数求取能够的包围区域外轮廓点集的最小外接圆,圆的半径r和圆心(a,b),该圆心可近似为颗粒中心点。
S6.4由于步骤1对目标进行轻微了腐蚀,这里将求取的外接圆的半径增加2,最后将圆心为(a,b)、半径为r+2的圆画于原图。
S6.5统计所有圆的面积,为A1,A2…AN,得到面积中间值大小为S_median,将面积大于或者小于0.2*S_median的圆删除,这些圆因为面积过大或过小,不应计入卵子数量。然后计数保留下来的圆,其数量即为最终的卵子数量。
本发明的方法很好的解决了基于图像处理的乌鳢卵子计数问题,因而此方法可以应用到乌鳢自动养殖中,具有广阔的应用前景和价值。
Claims (5)
1.一种基于图像处理的乌鳢卵子计数方法,其特征在于,包括以下步骤:
S1、对需要计数的乌鳢卵子目标进行图像采集,并传入计算机;
S2、对采集的图像进行灰度化处理;
S3、采用top-hat变换算法进行图像增强,首先设计圆形结构元素,对图像做开运算,并用原始图像减去开运算所得图像,实现增强效果;
S4、采用引导滤波方法进行图像滤波处理;
S5、图像分割
S5.1使用Sobel边缘算子对图像进行水平和垂直方向的滤波,然后求取模值,获取梯度图像;
S5.2把梯度图像中的所有像素按照灰度值进行分类,并设定一个测地距离阈值;
S5.3找到灰度值最小的像素点为起始点,让threshold从起始点开始增长;
S5.4水平面在增长的过程中,会碰到周围的邻域像素,测量这些像素到起始点的测地距离,如果小于设定阈值,则将这些像素淹没,否则在这些像素上设置大坝,如此对邻域像素进行分类;
S5.5随着水平面增高,设置更多更高的大坝,直到灰度值的最大值,所有区域都在分水岭线上相遇,所有大坝即对整个图像像素进行分区;
S6、卵子识别与计数
S6.1用半径为2大小的圆形结构元素腐蚀分割结果中的目标区域,分割后的区域之间的距离变大,避免影响邻近目标区域相互影响;
S6.2调用Open CV库中find Contours()函数提取颗粒分割结果中每个区域的轮廓;
S6.3依次遍历每个区域轮廓,并用min Enclosing Circle()函数求取能够包围的区域外轮廓点集的最小外接圆,圆的半径r和圆心(a,b),该圆心可近似为颗粒中心点;
S6.4由于S6.1对目标进行腐蚀,将求取的外接圆的半径增加2,将圆心为(a,b)、半径为r+2的圆画于原图;
S6.5统计所有圆的面积,为A1,A2…AN,得到面积中间值大小为S_median,将面积大于或者小于0.2*S_median的圆删除,不应计入卵子数量,计数保留下来的圆的数量即为最终的卵子数量。
2.根据权利要求1所述的基于图像处理的乌鳢卵子计数方法,其特征在于:S1中采集的图像中单个卵子目标有效像素点个数不低于20*20。
3.根据权利要求1所述的基于图像处理的乌鳢卵子计数方法,其特征在于:S2中灰度处理时:
Gray=0.299R+0.587G+0.114B
其中,R,G,B分别是采集彩色图像的红、绿、蓝通道。
4.根据权利要求1所述的基于图像处理的乌鳢卵子计数方法,其特征在于,S3具体包括以下步骤:
S3.1设计圆形结构元素b;
S3.2利用结构元素b对原图像做灰度腐蚀和膨胀操作;
腐蚀过程为将灰度图像f(x,y)内各像素点与结构元素b(x,y)中的点对应相减,腐蚀结果为其最小值:
(fΘb)=min{f(s+x,t+y)-b(x,y)|(s+x),(t+y)∈D,(x,y)∈S}
膨胀过程为腐蚀过程对偶运算,将灰度图像f(x,y)内各像素点与结构元素b(x,y)中的点对应相加,腐蚀结果为其最大值:
(fΘb)=min{f(s-x,t-y)-b(x,y)|(s-x),(t-y)∈D,(x,y)∈S}
经过对图像先腐蚀后膨胀运算后,即完成开运算,得到的运算结果图fopen;
S3.3原始图像减去开运算所得结果:
ftop-hat=f(x,y)-fopen。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110852230.0A CN113744184A (zh) | 2021-07-27 | 2021-07-27 | 一种基于图像处理的乌鳢卵子计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110852230.0A CN113744184A (zh) | 2021-07-27 | 2021-07-27 | 一种基于图像处理的乌鳢卵子计数方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113744184A true CN113744184A (zh) | 2021-12-03 |
Family
ID=78729189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110852230.0A Pending CN113744184A (zh) | 2021-07-27 | 2021-07-27 | 一种基于图像处理的乌鳢卵子计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744184A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115326832A (zh) * | 2022-09-01 | 2022-11-11 | 上海晶盟硅材料有限公司 | 晶圆包装的自动检测方法以及自动检测装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1486599A (zh) * | 2003-06-09 | 2004-04-07 | 华东船舶工业学院 | 基于数字图像处理的蚕卵自动统计计数方法及其装置 |
CN103246920A (zh) * | 2013-03-22 | 2013-08-14 | 浙江理工大学 | 一种蚕茧自动计数方法及*** |
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 |
WO2016091016A1 (zh) * | 2014-12-12 | 2016-06-16 | 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 |
CN110660028A (zh) * | 2019-09-04 | 2020-01-07 | 南京邮电大学 | 一种基于联合边缘滤波形态学的小目标检测方法 |
CN111062394A (zh) * | 2019-11-18 | 2020-04-24 | 济南大学 | 基于多通道加权引导滤波的模糊聚类彩色图像分割方法 |
CN111709911A (zh) * | 2020-05-18 | 2020-09-25 | 杭州电子科技大学 | 一种基于神经网络的卵巢卵泡自动计数的方法 |
-
2021
- 2021-07-27 CN CN202110852230.0A patent/CN113744184A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1486599A (zh) * | 2003-06-09 | 2004-04-07 | 华东船舶工业学院 | 基于数字图像处理的蚕卵自动统计计数方法及其装置 |
CN103246920A (zh) * | 2013-03-22 | 2013-08-14 | 浙江理工大学 | 一种蚕茧自动计数方法及*** |
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 |
WO2016091016A1 (zh) * | 2014-12-12 | 2016-06-16 | 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 |
CN110660028A (zh) * | 2019-09-04 | 2020-01-07 | 南京邮电大学 | 一种基于联合边缘滤波形态学的小目标检测方法 |
CN111062394A (zh) * | 2019-11-18 | 2020-04-24 | 济南大学 | 基于多通道加权引导滤波的模糊聚类彩色图像分割方法 |
CN111709911A (zh) * | 2020-05-18 | 2020-09-25 | 杭州电子科技大学 | 一种基于神经网络的卵巢卵泡自动计数的方法 |
Non-Patent Citations (3)
Title |
---|
张杭文 等: "基于数字图像处理的鱼卵计数的研究", 电子设计工程, vol. 21, no. 14, pages 190 - 193 * |
杨东方 等: "《数学模型在生态学的应用及研究》", vol. 1, 海洋出版社, pages: 278 - 280 * |
杨慧赞 等: "基于图像处理的鱼卵计数方法研究", 水生态学杂志, vol. 32, no. 5, pages 138 - 141 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115326832A (zh) * | 2022-09-01 | 2022-11-11 | 上海晶盟硅材料有限公司 | 晶圆包装的自动检测方法以及自动检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110120042B (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
CN110992377B (zh) | 图像分割方法、装置、计算机可读存储介质和设备 | |
CN112232978B (zh) | 水产品体长和重量检测方法、终端设备及存储介质 | |
Lakshmi et al. | Classification of Dental Cavities from X-ray images using Deep CNN algorithm | |
Ibrahim Aliyu et al. | A proposed fish counting algorithm using digital image processing technique | |
Lainez et al. | Automated fingerlings counting using convolutional neural network | |
CN107680110B (zh) | 基于统计形状模型的内耳三维水平集分割方法 | |
CN110853070A (zh) | 基于显著性与Grabcut的水下海参图像分割方法 | |
CN107871316A (zh) | 一种基于深度神经网络的x光片手骨兴趣区域自动提取方法 | |
CN116721391B (zh) | 一种基于计算机视觉的原料油分离效果检测方法 | |
CN112526097A (zh) | 一种基于大数据分析的养殖水体环境智能监测管理*** | |
CN108765448B (zh) | 一种基于改进tv-l1模型的虾苗计数分析方法 | |
CN113484867A (zh) | 一种基于成像声呐封闭空间下鱼群密度探测方法 | |
CN113744184A (zh) | 一种基于图像处理的乌鳢卵子计数方法 | |
CN115512215A (zh) | 水下生物监测方法、装置及存储介质 | |
CN112270667A (zh) | 一种基于ti-rads的集成深度学习多标签识别方法 | |
CN112183420B (zh) | 基于减背景、帧差和Meanshift算法的果蝇攀爬检测、跟踪方法 | |
Nazeran et al. | Biomedical image processing in pathology: a review | |
Liu et al. | Evaluation of body weight of sea cucumber Apostichopus japonicus by computer vision | |
CN111986216A (zh) | 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法 | |
Yin et al. | U-Net-STN: A Novel End-to-End Lake Boundary Prediction Model. Land 2023, 12, 1602 | |
CN107909567B (zh) | 数字图像的细长型连通区域提取方法 | |
CN113642847B (zh) | 对虾质量的估算方法和装置 | |
CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 | |
CN111833342A (zh) | 一种基于机器视觉的蜜蜂蜂群结构组成及健康状况测定方法 |
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 |