-
公开(公告)号：CN110084820A
公开(公告)日：2019-08-02
申请号：CN201910278024.6
申请日：2019-03-30
Applicant: 重庆师范大学 , 重庆市农业技术推广总站((重庆市马铃薯脱毒研究中心、重庆市土壤肥料测试中心))
Abstract: 本发明提供一种基于改进FCM算法的紫色土图像自适应分割提取方法，包括步骤：S1：利用改进FCM算法对包含有紫色土区域的原始图像进行初始分割，得到初始分割后的二值图像I；S2：获取二值图像I中面积最大的紫色土连通域，得到二值图像II；S3：填充二值图像II中的空洞，得到二值图像III；S4：求二值图像III与原始图像的哈达玛积，得到只包含有紫色土图像的分割图像；本发明相对于已有的算法，本文方法的分割精度更高，且时间花销较少，能自适应获取FCM最优聚类数，对从复杂背景紫色土彩色图像中分割提取紫色土区域图像具有鲁棒性。
-
公开(公告)号：CN113808144B
公开(公告)日：2024-03-29
申请号：CN202111108484.8
申请日：2021-09-22
Applicant: 重庆师范大学 , 重庆市农业技术推广总站
IPC: G06T7/11 , G06T7/136 , G06T7/168 , G06V10/762
Abstract: 本发明提供的一种基于直方图拟合的密度峰值聚类土壤图像阴影检测方法，通过对聚类数据集的密度进行重构，然后自适应地确定出聚类中心，对于基于非阴影和阴影区之间的数据点的分割阈值进行动态的确定，得到最终的阴影检测结果，能够有效避免原始聚类算法中聚类数据分配策略的误差传递缺陷，能够有效提高土壤阴影检测的精度，从而确保后续土壤图像处理的准确性。
-
公开(公告)号：CN116168294A
公开(公告)日：2023-05-26
申请号：CN202310129860.4
申请日：2023-02-17
Applicant: 重庆师范大学
IPC: G06V20/10 , G06V10/26 , G06V10/774
Abstract: 本发明提供的一种自适应选择土壤识别子图的方法，包括以下步骤：S1.获取目标土壤的图像信息，分割出图像中背景和土壤部分，确定出切取土壤子图的最小外接图T以及最小外接矩阵t；S2.基于最小外接矩阵t重构土壤子图中心点矩阵C；S3.基于重构土壤子图中心点矩阵C重构土壤子图的局部亮度矩阵W；S4.计算初始中心点与重构土壤子图中心点矩阵C中对应标记点的欧式距离，并基于欧式距离构建距离矩阵D；S5.构建土壤子图中心点优化模型，对土壤子图中心点优化模型进行求解，并且以求解出的最大值对应的像素点pi,j为土壤子图切取的新的中心点；S6.计算步骤S5中确定出的中心点与重构土壤子图中心点矩阵C中对应标记点的欧式距离以及基于欧式距离构建距离矩阵D'，重构距离矩阵D”,将重构距离矩阵D”代入优化模型中求解出最大值对应的像素点作为土壤子图切取的下一个新的中心点；S7.重复步骤S6，直至选择出N个土壤子图中心点，并基于土壤子图中心点以s×s大小的窗口从土壤的图像信息中切取图像数据作为土壤识别子图。
-
公开(公告)号：CN109785329B
公开(公告)日：2023-05-26
申请号：CN201811265045.6
申请日：2018-10-29
Applicant: 重庆师范大学 , 重庆市农业技术推广总站
Abstract: 本发明提供一种基于改进SLIC算法的紫色土图像分割提取方法，包括步骤：S1：利用改进后的SLIC算法对包含有紫色土图像的原始图像进行处理；S2：对经超像素分割的图像的a分量进行变换，得到新的测度anew；S3：计算图像中各超像素与标准紫色土超像素基于测度anew均值的相似度；S4：自适应获取超像素合并阈值；S5：根据超像素合并阈值合并紫色土区域；S6：填充空洞，求填充空洞后的二值图像A与原始图像的哈达玛积；本发明引入闵可夫斯基距离重新计算SLIC算法的颜色空间距离，对紫色土彩色图像进行超像素初分割，然后对a分量变换得到新的测度anew，增强紫色土与背景差异，自适应获取合并超像素阈值，将紫色土图像快速、准确、完整分割提取出来。
-
公开(公告)号：CN113808144A
公开(公告)日：2021-12-17
申请号：CN202111108484.8
申请日：2021-09-22
Applicant: 重庆师范大学 , 重庆市农业技术推广总站((重庆市马铃薯脱毒研究中心、重庆市土壤肥料测试中心))
Abstract: 本发明提供的一种基于直方图拟合的密度峰值聚类土壤图像阴影检测方法，通过对聚类数据集的密度进行重构，然后自适应地确定出聚类中心，对于基于非阴影和阴影区之间的数据点的分割阈值进行动态的确定，得到最终的阴影检测结果，能够有效避免原始聚类算法中聚类数据分配策略的误差传递缺陷，能够有效提高土壤阴影检测的精度，从而确保后续土壤图像处理的准确性。
-
Patent Agency Ranking
公开(公告)号：CN113240619A
公开(公告)日：2021-08-10
申请号：CN202110105288.9
申请日：2021-01-26
Applicant: 重庆师范大学 , 重庆市农业技术推广总站((重庆市马铃薯脱毒研究中心、重庆市土壤肥料测试中心))
Abstract: 本发明提供的一种基于改进减法直方图的土壤图像阴影检测方法，包括以下步骤：S1.确定土壤图像的Brightness特征和Ratio'特征；S2.基于土壤图像的Brightness特征和Ratio'特征确定土壤图像的阴影搜索区间；S3.基于土壤图像的Brightness特征和Ratio'特征确定土壤图像的阴影检测阈值；S4.基于土壤图像的阴影搜索区间以及阴影检测阈值对土壤图像进行阴影检测；能够有效地对土壤图像的阴影和非阴影区域进行准确的识别、分割，从而确保土壤图像阴影的检测精度，而且算法中不存在冗余，有效提高检测效率，并且具有良好的鲁棒性。
-
公开(公告)号：CN110827306A
公开(公告)日：2020-02-21
申请号：CN201910991121.X
申请日：2019-10-18
Applicant: 重庆师范大学
Abstract: 本发明提供一种基于自适应密度峰值聚类的紫色土图像分割提取方法，所述方法包括以下步骤：S1：对含有紫色土区域的紫色土彩色图像进行可分离性灰度变换，获得灰度图像Ⅰ；S2：利用自适应密度峰值聚类算法对灰度图像Ⅰ进行初步分割，获得初步分割后的二值图像Ⅱ；S3：对二值图像Ⅱ进行边界提取处理，获得紫色土壤区域的边界矩阵；S4：对提取的边界矩阵进行填充，获得二值图像Ⅲ；S5：求出二值图像Ⅲ与所述含有紫色土区域的彩色图像的哈达玛积，得到只包含有紫色土图像的分割图像。本申请可将紫色土区域图像从背景中准确、完整分割出来，且在分割过程实现紫色土的自适应的分割，具有分割速度快、准确、完整的有益技术效果。
-
公开(公告)号：CN109035289A
公开(公告)日：2018-12-18
申请号：CN201810848438.3
申请日：2018-07-27
Applicant: 重庆师范大学 , 重庆市农业技术推广总站
CPC classification number: G06T7/194 , G06K9/6223 , G06N7/005 , G06T7/136 , G06T7/90
Abstract: 本发明提供一种基于切比雪夫不等式H阈值的紫色土图像分割提取方法，包括步骤S1：将含有紫色土区域的彩色图像转化为HSI颜色空间的图像Ⅰ；S2：对图像Ⅰ进行自适应分割，得到二值图像II；S3：消除二值图像II的孤立像素区域，得到二值图像Ⅲ；S4：填充二值图像Ⅲ中的空洞，得到二值图像Ⅳ；S6：求二值图像Ⅳ与含有紫色土区域的彩色图像的哈达玛积，得到紫色土图像；本发明考虑到紫色土彩色图像的土壤区域在HSI颜色空间H分量有良好的聚集特性，自适应获取H分量分割阈值，将图像的土壤区域从背景区域中快速、准确、完整分割出来。
-
公开(公告)号：CN116030274B
公开(公告)日：2025-04-25
申请号：CN202211163387.3
申请日：2022-09-23
Applicant: 重庆师范大学 , 重庆市农业技术推广总站
IPC: G06V10/50 , G06V10/762 , G06V10/80
Abstract: 本发明提供的一种基于自适应密度聚类的青花椒果序检测方法，包括以下步骤：采集青花椒图像信息，将青花椒图像信息划分为多个单元区，并从各单元区中提取HOG特征，得到HOG特征图；基于HOG特征图确定出方向‑强度联合特征图I；采用ExGR指标对原始青花椒图像进行植物区域分割，提取出绿色植物区域,并对绿色植物区域进行标记得到标记矩阵PM；将方向‑强度联合特征图I和绿色植物区域矩阵PM进行融合得到融合特征图F；对融合特征图F进行均值滤波，并由滤波后的融合特征图F中提取出青花椒的果粒点图；采用自适应密度聚类算法对果粒点图进行聚类处理，得到青花椒的果序；通过上述方法，能够对青花椒的果序进行准确检测，从而为花椒产量的预估提供准确的数据支持。
-
公开(公告)号：CN119540628A
公开(公告)日：2025-02-28
申请号：CN202411636677.4
申请日：2024-11-15
Applicant: 重庆师范大学 , 重庆市农业技术推广总站
IPC: G06V10/764 , G06V10/20 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048
Abstract: 本发明提供的一种基于多颜色通道与PH通道注意力机制的土壤图像识别方法，包括：S1.获取样本土壤图像，并确定样本土壤的PH值；S2.将样本土壤图像由RGB颜色空间分别映射到LAB颜色空间、HSL颜色空间、HSV颜色空间和YUV颜色空间，并将LAB颜色空间、HSL颜色空间、HSV颜色空间和YUV颜色空间中的亮度分量剔除后形成第一输入信息；S3.确定每个子图在RGB三个颜色通道下与土壤PH值之间的相关系数；PH值、相关系数以及样本土壤图像的子图形成第二输入信息；S4.构建土壤图像分类预测模型，S5.将第一输入信息和第二输入信息输入至土壤图像分类预测模型中并对土壤图像分类预测模型进行训练；S6.获取待测土壤的图像，并通过步骤S1‑步骤S3确定出待测土壤图像的第一输入信息和第二输入信息并输入至训练完成的土壤图像分类预测模型中得到最终的土壤分类结果。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.019 seconds)
