一種基於顏色信息的蔬菜葉片病斑分割方法及伺服器與流程
2023-12-08 19:22:21 1
本發明涉及圖像處理技術領域,具體涉及一種基於顏色信息的蔬菜葉片病斑分割方法及伺服器。
背景技術:
在溫室蔬菜種植中,病害是造成蔬菜品質降低的主要因素之一,準確對病害進行識別診斷,對與溫室蔬菜種植具有重要意義。
對病害進行準確識別的關鍵是準確的獲取病斑信息,基於圖像分割的方法,從田間採集的葉片圖像中提取病斑圖像信息,是目前獲取病害信息的最主要途徑之一。顏色信息是區分病斑葉片與正常葉片的最直接信息,但顏色信息極易受到光照條件的影響。田間在實際情況下採集的圖像,受到圖像採集的背景、光照不均勻等幹擾,造成採集的葉片圖像中病斑的可識別度降低,造成對病斑圖像判斷的困難。
因此,如何提出一種方法,能夠在光照條件不均勻和葉片圖像採集背景複雜等情況下,對採集到的病斑葉片圖像進行處理,提高對病斑葉片圖像中病斑分割的準確性,成為業界亟待解決的問題。
技術實現要素:
針對現有技術中的缺陷,本發明提供一種基於顏色信息的蔬菜葉片病斑分割方法及伺服器。
一方面,本發明提出一種基於顏色信息的蔬菜葉片病斑分割方法,包括:
獲取蔬菜的病斑葉片圖像,並對所述病斑葉片圖像進行預處理;
分別提取預處理後的所述病斑葉片圖像在不同顏色空間的顏色特徵;
根據所述不同顏色空間的顏色特徵構建綜合顏色特徵檢測濾波;
根據所述綜合顏色特徵檢測濾波,獲得與所述病斑葉片圖像對應的綜合顏色特徵圖;
根據所述綜合顏色特徵圖,對所述病斑葉片圖像中的病斑進行分割。
另一方面,本發明提供一種伺服器,包括:
圖像預處理模塊,用於獲取蔬菜的病斑葉片圖像,並對所述病斑葉片圖像進行預處理;
特徵提取模塊,用於分別提取預處理後的所述病斑葉片圖像在不同顏色空間的顏色特徵;
濾波構建模塊,用於根據所述不同顏色空間的顏色特徵構建綜合顏色特徵檢測濾波;
特徵圖獲得模塊,用於根據所述綜合顏色特徵檢測濾波,獲得與所述病斑葉片圖像對應的綜合顏色特徵圖;
病斑分割模塊,用於根據所述綜合顏色特徵圖,對所述病斑葉片圖像中的病斑進行分割。
本發明提供的基於顏色信息的蔬菜葉片病斑分割方法及伺服器,由於能夠通過對獲取的病斑葉片圖像進行預處理,並提取預處理後的病斑葉片圖像在不同顏色空間的顏色特徵,構建綜合顏色特徵檢測濾波,獲得與病斑葉片圖像對應的綜合顏色特徵圖,實現對病斑葉片圖像中的病斑進行分割,提高了對病斑葉片圖像中病斑分割的準確性。
附圖說明
為了更清楚地說明本發明實施例或現有技術中的技術方案,下面將對實施例或現有技術描述中所需要使用的附圖作一簡單地介紹,顯而易見地,下面描述中的附圖是本發明的一些實施例,對於本領域普通技術人員來講,在不付出創造性勞動的前提下,還可以根據這些附圖獲得其他的附圖。
圖1為本發明一實施例基於顏色信息的蔬菜葉片病斑分割方法的流程示意圖;
圖2為本發明一實施例基於顏色信息的蔬菜葉片病斑分割方法的exr參數與ccf比率的關係圖;
圖3為本發明一實施例伺服器的結構示意圖。
具體實施方式
為使本發明的目的、技術方案和優點更加清楚,下面將結合本發明實施例中的附圖,對本發明實施例中的技術方案進行清楚地描述,顯然,所描述的實施例是本發明一部分實施例,而不是全部的實施例。基於本發明中的實施例,本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例,都屬於本發明保護的範圍。
圖1為本發明一實施例基於顏色信息的蔬菜葉片病斑分割方法的流程示意圖,如圖1所示,本發明提供的基於顏色信息的蔬菜葉片病斑分割方法,包括:
s101、獲取蔬菜的病斑葉片圖像,並對所述病斑葉片圖像進行預處理;
具體地,伺服器可以通過攝像機獲取到種植在溫室內的蔬菜的病斑葉片圖像,然後對獲取到的所述病斑葉片圖像進行預處理,所述預處理包括圖像去噪和調整所述病斑葉片圖像的尺寸,例如調整到800x600像素。其中,所述病斑葉片為葉片表面包含有病斑的葉片。
s102、分別提取預處理後的所述病斑葉片圖像在不同顏色空間的顏色特徵;
具體地,所述伺服器在不同的顏色空間對預處理後的所述病斑葉片圖像,進行顏色特徵提取。例如,當光照條件相對均勻時,顏色特徵,比如在rgb顏色空間中的超綠特徵(excessgreenindex,以下簡稱exg)和超紅特徵(excessredindex,以下簡稱exr),在hsv顏色空間中的h分量和在l*a*b*顏色空間中的b*分量都能夠實現病斑與正常葉片的區分。而一旦光照條件不均勻時,exg和exr容易受到影響,而所述hsv顏色空間中的h分量和所述l*a*b*顏色空間中的b*分量能夠保持對病斑和正常葉片的區分能力。所述伺服器可以提取預處理後的所述病斑葉片圖像在rgb顏色空間的超紅特徵,在hsv顏色空間中的h分量和在l*a*b*顏色空間的b*分量。
s103、根據所述不同顏色空間的顏色特徵構建綜合顏色特徵檢測濾波;
具體地,所述伺服器基於所述不同顏色空間的顏色特徵,構建綜合顏色特徵檢測濾波。本發明構建的所述綜合顏色特徵檢測濾波包括採用高斯差分濾波(differenceofgaussian,以下簡稱dog)和圓形區域均值濾波,由於rgb顏色空間容易受到光照條件的影響,所述綜合顏色特徵檢測濾波中可以引入exr參數,從而降低光照條件不均勻情況對病斑分割質量的影響。
例如,基於所述預處理後的所述病斑葉片圖像在rgb顏色空間的超紅特徵,hsv顏色空間的h分量和在l*a*b*顏色空間的b*分量,所述綜合顏色特徵檢測率波由公式構建,其中,i為所述預處理後的所述葉片圖像,iexr為rgb顏色空間的超紅特徵圖像,ib*為l*a*b*顏色空間的b*分量圖像,ih為hsv顏色空間的h分量圖像,pb(r)為半徑為r的圓形區域均值濾波器,為標準差為(σh,σl)的高斯差分濾波器,α為rgb顏色空間的超紅特徵參數,取值範圍為(0,1],*為二維離散卷積操作。
s104、根據所述綜合顏色特徵檢測濾波,獲得與所述病斑葉片圖像對應的綜合顏色特徵圖;
具體地,所述伺服器根據構建的所述綜合顏色特徵檢測濾波,獲得與所述病斑葉片圖像對應的綜合顏色特徵圖。
例如,基於所述預處理後的所述病斑葉片圖像在rgb顏色空間的超紅特徵,hsv顏色空間的h分量和在l*a*b*顏色空間的b*分量,所述綜合顏色特徵圖根據公式:ccf=exp(-β|f(i:r,σh,σl,αr)|)獲得,其中,ccf表示所述綜合顏色特徵圖,β為下降速率參數,αr為r值最小時對應的α值,r為ccf比率,由公式計算獲得,m為受到光照影響葉片區域的像素數,n為正常葉片區域的像素數,ccf(xi,yi)和ccf(xj,yj)為所述綜合顏色特徵圖上像素點的ccf值,i和j為正整數。其中,m和n可以通過人工標記獲取;可理解的是,考慮到α的取值為(0,1],為了快速地獲取αr值,可以在(0,1]之間均勻地選定預設數量的α,從而計算出所述預設數量的r值,從所述預設數量的r值中選出最小的r值,與所述最小的r值對應的α值即為αr。圖2為本發明一實施例基於顏色信息的蔬菜葉片病斑分割方法的exr參數與ccf比率的關係圖,如圖2所示,ccf比率r表明了受到光照條件的影響葉片區域ccf值與正常葉片區域的ccf值接近程度,r的取值越小,表明受到光照條件的影響葉片區域與正常葉片區域的ccf值越接近,光照條件的影響就越小。其中,所述預設數量可以根據實際情況進行設定,本發明實施例不做限定。
s105、根據所述綜合顏色特徵圖,對所述病斑葉片圖像中的病斑進行分割。
具體地,所述伺服器根據獲取的所述綜合顏色特徵圖,選定初始種子點在所述綜合特徵圖中的生長位置,採用區域生長方法,對所述病斑葉片圖像中的病斑進行分割。其中,所述初始種子點在所述綜合特徵圖中的生長位置可以由人工標定;在對所述病斑葉片圖像中的病斑進行分割的過程中,可以採用組合形態學操作,對病斑分割的結果進行優化,所述組合形態學的操作為其中,為膨脹運算符,為腐蝕運算符,bw為二值圖像,s1和s2為形態學中的結構元素。
本發明提供的基於顏色信息的蔬菜葉片病斑分割方法,由於能夠通過對獲取的病斑葉片圖像進行預處理,並提取預處理後的病斑葉片圖像在不同顏色空間的顏色特徵,構建綜合顏色特徵檢測濾波,獲得與病斑葉片圖像對應的綜合顏色特徵圖,對病斑葉片圖像中的病斑進行分割,提高了病斑葉片圖像中病斑分割的準確性。
在上述各實施例的基礎上,進一步地,所述分別提取預處理後的所述病斑葉片圖像的在不同顏色空間的顏色特徵包括:
分別提取所述預處理後的所述病斑葉片圖像在rgb顏色空間的超紅特徵,在hsv顏色空間的h分量和在l*a*b*顏色空間的b*分量。
具體地,當光照條件相對均勻時,rgb顏色空間中的超綠特徵和超紅特徵,在hsv顏色空間中的h分量和在l*a*b*顏色空間中的b*分量都能夠實現病斑葉片與正常葉片的區分。而一旦光照條件不均勻時,exg和exr容易受到影響,而所述hsv顏色空間中的h分量和所述l*a*b*顏色空間中的b*分量能夠保持對病斑葉片和正常葉片的區分能力。所述伺服器可以提取預處理後的所述病斑葉片圖像在rgb顏色空間的exr,在hsv顏色空間中的h分量和在l*a*b*顏色空間的b*分量。exr根據公式iexr(x,y)=1.3r(x,y)-g(x,y)提取,其中,(x,y)為像素坐標,r(x,y),g(x,y),為rgb顏色空間(x,y)的顏色分量值;hsv顏色空間中的h分量根據公式h(x,y)=ih(x,y)提取,其中,(x,y)為像素坐標,ih(x,y)為hsv顏色空間中(x,y)的h分量取值;l*a*b*顏色空間中的b*分量根據公式b*(x,y)=ib*(x,y)提取,其中,(x,y)為像素坐標,ib*(x,y)為l*a*b*顏色空間中(x,y)的b*分量取值。
在上述各實施例的基礎上,進一步地,所述根據所述不同顏色空間的顏色特徵構建綜合顏色特徵檢測濾波包括:
根據公式構建綜合顏色特徵檢測濾波,其中,i為所述預處理後的所述葉片圖像,iexr為rgb顏色空間的超紅特徵圖像,ib*為l*a*b*顏色空間的b*分量圖像,ih為hsv顏色空間的h分量圖像,pb(r)為半徑為r的圓形區域均值濾波器,為標準差為(σh,σl)的高斯差分濾波器,α為rgb顏色空間的超紅特徵參數,取值範圍為(0,1],*為二維離散卷積操作。
具體地,所述伺服器基於所述預處理後的所述病斑葉片圖像在rgb顏色空間的超紅特徵,hsv顏色空間的h分量和在l*a*b*顏色空間的b*分量,根據公式構建所述綜合顏色特徵檢測率波,其中,i為所述預處理後的所述葉片圖像,iexr為rgb顏色空間的超紅特徵圖像,ib*為l*a*b*顏色空間的b*分量圖像,ih為hsv顏色空間的h分量圖像,pb(r)為半徑為r的圓形區域均值濾波器,為標準差為(σh,σl)的高斯差分濾波器,α為rgb顏色空間的超紅特徵參數,取值範圍為(0,1],*為二維離散卷積操作。其中,所述預處理後的所述葉片圖像中單個像素點可以表示為i(x,y),所述單個像素點的所述綜合顏色特徵檢測濾波可以表示為其中,iexr(x,y)為rgb顏色空間的(x,y)的超紅特徵分量值。
在上述各實施例的基礎上,進一步地,所述根據所述綜合顏色特徵檢測濾波,獲得與所述病斑葉片圖像對應的綜合顏色特徵圖包括:
根據公式:ccf=exp(-β|f(i:r,σh,σl,αr)|)獲得所述綜合顏色特徵圖,其中,ccf表示所述綜合顏色特徵圖,β為下降速率參數,αr為r值最小時對應的α值,r為ccf比率,由公式計算獲得,m為受到光照影響葉片區域的像素數,n為正常葉片區域的像素數,ccf(xi,yi)和ccf(xj,yj)為所述綜合顏色特徵圖上像素點的ccf值,i和j為正整數。
具體地,所述伺服器基於所述預處理後的所述病斑葉片圖像在rgb顏色空間的超紅特徵,hsv顏色空間的h分量和在l*a*b*顏色空間的b*分量,根據公式:ccf=exp(-β|f(i:r,σh,σl,αr)|)獲得所述綜合顏色特徵圖,其中,ccf表示所述綜合顏色特徵圖,β為下降速率參數,可以通過試驗獲得,αr為r值最小時對應的α值,r為ccf比率,由公式計算獲得,m為受到光照影響葉片區域的像素數,n為正常葉片區域的像素數,ccf(xi,yi)和ccf(xj,yj)為所述綜合顏色特徵圖上像素點的ccf值,ccf(xi,yi)=exp(-β|f(i(xi,yi):r,σh,σl,αr)|),ccf(xj,yj)=exp(-β|f(i(xj,yj):r,σh,σl,αr)|),i和j為正整數。其中,m和n可以通過人工標記獲取;可理解的是,考慮到α的取值為(0,1],為了快速地獲取αr值,可以在(0,1]之間均勻地選定預設數量的α,從而計算出所述預設數量的r值,從所述預設數量的r值中選出最小的r值,與所述最小的r值對應的α值即為αr,。圖2為本發明一實施例基於顏色信息的蔬菜葉片病斑分割方法的exr參數與ccf比率的關係圖,如圖2所示,ccf比率r表明了受到光照條件的影響葉片區域ccf值與正常葉片區域的ccf值接近程度,r的取值越小,表明受到光照條件的影響葉片區域與正常葉片區域的ccf值越接近,光照條件的影響就越小。其中,所述預設數量可以根據實際情況進行設定,本發明實施例不做限定。
在上述各實施例的基礎上,進一步地,所述根據所述綜合顏色特徵圖,對所述病斑葉片圖像中的病斑進行分割包括:
獲取所述綜合顏色特徵圖中,初始種子點的生長位置;
根據所述初始種子點的生長位置,採用區域生長方法對所述病斑葉片圖像中的病斑進行分割。
具體地,所述伺服器獲取所述綜合顏色特徵圖中,初始種子點的生長位置,所述初始種子點的生長位置可以有多個;其中,所述種子點的生長位置可以通過人工標定。所述伺服器根據所述初始種子點的生長位置,採用區域生長方法,對所述病斑葉片圖像中的病斑進行分割。
圖3為本發明一實施例伺服器的結構示意圖,如圖3所示,本發明提供的伺服器包括圖像預處理模塊301、特徵提取模塊302、濾波構建模塊303、特徵圖獲得模塊304和病斑分割模塊305,其中:
圖像預處理模塊301用於獲取蔬菜的病斑葉片圖像,並對所述病斑葉片圖像進行預處理;特徵提取模塊302用於分別提取預處理後的所述病斑葉片圖像在不同顏色空間的顏色特徵;濾波構建模塊303用於根據所述不同顏色空間的顏色特徵構建綜合顏色特徵檢測濾波;特徵圖獲得模塊304用於根據所述綜合顏色特徵檢測濾波,獲得與所述病斑葉片圖像對應的綜合顏色特徵圖;病斑分割模塊305用於根據所述綜合顏色特徵圖,對所述病斑葉片圖像中的病斑進行分割。
具體地,圖像預處理模塊301可以通過攝像機獲取到種植在溫室內的蔬菜的病斑葉片圖像,然後對獲取到的所述病斑葉片圖像進行預處理,所述預處理包括圖像去噪和調整所述病斑葉片圖像的尺寸,例如調整到800x600像素。其中,所述病斑葉片為葉片表面包含有病斑的葉片。
特徵提取模塊302在不同的顏色空間對預處理後的所述病斑葉片圖像,進行顏色特徵提取。例如,當光照條件相對均勻時,顏色特徵,比如在rgb顏色空間中的超綠特徵和超紅特徵,在hsv顏色空間中的h分量和在l*a*b*顏色空間中的b*分量都能夠實現病斑葉片與正常葉片的區分。而一旦光照條件不均勻時,exg和exr容易受到影響,而所述hsv顏色空間中的h分量和所述l*a*b*顏色空間中的b*分量能夠保持對病斑葉片和正常葉片的區分能力。所述伺服器可以提取預處理後的所述病斑葉片圖像在rgb顏色空間的超紅特徵,在hsv顏色空間中的h分量和在l*a*b*顏色空間的b*分量。
濾波構建模塊303基於所述不同顏色空間的顏色特徵,構建綜合顏色特徵檢測濾波。本發明構建的所述綜合顏色特徵檢測濾波包括採用高斯差分濾波和圓形區域均值濾波,由於rgb顏色空間容易受到光照條件的影響,所述綜合顏色特徵檢測濾波中可以引入exr參數,從而降低光照條件不均勻情況對病斑分割質量的影響。
特徵圖獲得模塊304根據構建的所述綜合顏色特徵檢測濾波,獲得與所述病斑葉片圖像對應的綜合顏色特徵圖。
病斑分割模塊305根據獲取的所述綜合顏色特徵圖,選定初始種子點在所述綜合特徵圖中的生長位置,採用區域生長方法,對所述病斑葉片圖像中的病斑進行分割。其中,所述初始種子點在所述綜合特徵圖中的生長位置可以由人工標定;在對所述病斑葉片圖像中的病斑進行分割的過程中,可以採用組合形態學操作,對病斑分割的結果進行優化,所述組合形態學的操作為其中,為膨脹運算符,為腐蝕運算符,bw為二值圖像,s1和s2為形態學中的結構元素。
本發明提供的伺服器,由於能夠通過對獲取的病斑葉片圖像進行預處理,並提取預處理後的病斑葉片圖像在不同顏色空間的顏色特徵,構建綜合顏色特徵檢測濾波,獲得與病斑葉片圖像對應的綜合顏色特徵圖,實現對病斑葉片圖像中的病斑進行分割,提高了對病斑葉片圖像中病斑分割的準確性。
在上述實施例的基礎上,進一步地,特徵提取模塊302具體用於:
分別提取所述預處理後的所述病斑葉片圖像在rgb顏色空間的超紅特徵,hsv顏色空間的h分量和在l*a*b*顏色空間的b*分量。
具體地,當光照條件相對均勻時,rgb顏色空間中的超綠特徵和超紅特徵,在hsv顏色空間中的h分量和在l*a*b*顏色空間中的b*分量都能夠實現病斑葉片與正常葉片的區分。而一旦光照條件不均勻時,exg和exr容易受到影響,而所述hsv顏色空間中的h分量和所述l*a*b*顏色空間中的b*分量能夠保持對病斑葉片和正常葉片的區分能力。特徵提取模塊302可以提取預處理後的所述病斑葉片圖像在rgb顏色空間的exr,在hsv顏色空間中的h分量和在l*a*b*顏色空間的b*分量。exr根據公式iexr(x,y)=1.3r(x,y)-g(x,y)提取,其中,(x,y)為像素坐標,r(x,y),g(x,y)為rgb顏色空間(x,y)的顏色分量值;hsv顏色空間中的h分量根據公式h(x,y)=ih(x,y)提取,其中,(x,y)為像素坐標,ih(x,y)為hsv顏色空間中(x,y)的h分量取值;l*a*b*顏色空間中的b*分量根據公式b*(x,y)=ib*(x,y)提取,其中,(x,y)為像素坐標,ib*(x,y)為l*a*b*顏色空間中(x,y)的b*分量取值。
在上述各實施例的基礎上,進一步地,濾波構建模塊303具體用於:
根據公式f(i:r,σh,σl,α)=α(pb(r)*iexr)+dog(σh,σl)*ih+pb(r)*ib*構建綜合顏色特徵檢測濾波,其中,i為所述預處理後的所述葉片圖像,iexr為rgb顏色空間的超紅特徵圖像,ib*為l*a*b*顏色空間的b*分量圖像,ih為hsv顏色空間的h分量圖像,pb(r)為半徑為r的圓形區域均值濾波器,為標準差為的高斯差分濾波器,α為rgb顏色空間的超紅特徵參數,取值範圍為(0,1],*為二維離散卷積操作。
具體地,濾波構建模塊303基於所述預處理後的所述病斑葉片圖像在rgb顏色空間的超紅特徵,hsv顏色空間的h分量和在l*a*b*顏色空間的b*分量,根據公式構建所述綜合顏色特徵檢測率波,其中,i為所述預處理後的所述葉片圖像,iexr為rgb顏色空間的超紅特徵圖像,ib*為l*a*b*顏色空間的b*分量圖像,ih為hsv顏色空間的h分量圖像,pb(r)為半徑為r的圓形區域均值濾波器,為標準差為(σh,σl)的高斯差分濾波器,α為rgb顏色空間的超紅特徵參數,取值範圍為(0,1],*為二維離散卷積操作。其中,所述預處理後的所述葉片圖像中單個像素點可以表示為i(x,y),所述單個像素點的所述綜合顏色特徵檢測濾波可以表示為ih(x,y)+pb(r)*ib*(x,y),其中,iexr(x,y)為rgb顏色空間的(x,y)的超紅特徵分量值。
在上述各實施例的基礎上,進一步地,特徵圖獲得模塊304具體用於:
根據公式:ccf=exp(-β|f(i:r,σh,σl,αr)|)獲得所述綜合顏色特徵圖,其中,ccf表示所述綜合顏色特徵圖,β為下降速率參數,αr為r值最小時對應的α值,r為ccf比率,由公式計算獲得,m為受到光照影響葉片區域的像素數,n為正常葉片區域的像素數,ccf(xi,yi)和ccf(xj,yj)為所述綜合顏色特徵圖上像素點的ccf值,i和j為正整數。
具體地,特徵圖獲得模塊304基於所述預處理後的所述病斑葉片圖像在rgb顏色空間的超紅特徵,hsv顏色空間的h分量和在l*a*b*顏色空間的b*分量,根據公式:ccf=exp(-β|f(i:r,σh,σl,αr)|)獲得所述綜合顏色特徵圖,其中,ccf表示所述綜合顏色特徵圖,β為下降速率參數,可以通過試驗獲得,αr為r值最小時對應的α值,r為ccf比率,由公式計算獲得,m為受到光照影響葉片區域的像素數,n為正常葉片區域的像素數,ccf(xi,yi)和ccf(xj,yj)為所述綜合顏色特徵圖上像素點的ccf值,ccf(xi,yi)=exp(-β|f(i(xi,yi):r,σh,σl,αr)|),ccf(xj,yj)=exp(-β|f(i(xj,yj):r,σh,σl,αr)|),i和j為正整數。其中,m和n可以通過人工標記獲取;可理解的是,考慮到α的取值為(0,1],為了快速地獲取αr值,可以在(0,1]之間均勻地選定預設數量的α,從而計算出所述預設數量的r值,從所述預設數量的r值中選出最小的r值,與所述最小的r值對應的α值即為αr。圖2為本發明一實施例基於顏色信息的蔬菜葉片病斑分割方法的exr參數與ccf比率的關係圖,如圖2所示,ccf比率r表明了受到光照條件的影響葉片區域ccf值與正常葉片區域的ccf值接近程度,r的取值越小,表明受到光照條件的影響葉片區域與正常葉片區域的ccf值越接近,光照條件的影響就越小。其中,所述預設數量可以根據實際情況進行設定,本發明實施例不做限定。
在上述各實施例的基礎上,進一步地,病斑分割模塊305包括獲取單元和分割單元,其中:
所述獲取單元用於獲取所述綜合顏色特徵圖中初始種子點的生長位置;所述分割單元用於根據所述初始種子點的生長位置,採用區域生長方法對所述病斑葉片圖像中的病斑進行分割。
具體地,所述獲取單元獲取所述綜合顏色特徵圖中,初始種子點的生長位置,所述初始種子點的生長位置可以有多個;其中,所述種子點的生長位置可以通過人工標定。所述分割單元根據所述初始種子點的生長位置,採用區域生長方法,對所述病斑葉片圖像中的病斑進行分割。
本發明提供的伺服器的實施例具體可以用於執行上述各方法實施例的處理流程,其功能在此不再贅述,可以參照上述方法實施例的詳細描述。
以上所描述的伺服器實施例僅僅是示意性的,其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的,作為單元顯示的部件可以是或者也可以不是物理單元,即可以位於一個地方,或者也可以分布到多個網絡單元上。可以根據實際的需要選擇其中的部分或者全部模塊來實現本實施例方案的目的。本領域普通技術人員在不付出創造性的勞動的情況下,即可以理解並實施。
通過以上的實施方式的描述,本領域的技術人員可以清楚地了解到各實施方式可藉助軟體加必需的通用硬體平臺的方式來實現,當然也可以通過硬體。基於這樣的理解,上述技術方案本質上或者說對現有技術做出貢獻的部分可以以軟體產品的形式體現出來,該計算機軟體產品可以存儲在計算機可讀存儲介質中,如rom/ram、磁碟、光碟等,包括若干指令用以使得一臺計算機設備(可以是個人計算機,伺服器,或者網絡設備等)執行各個實施例或者實施例的某些部分所述的方法。
最後應說明的是:以上實施例僅用以說明本發明的技術方案,而非對其限制;儘管參照前述實施例對本發明進行了詳細的說明,本領域的普通技術人員應當理解:其依然可以對前述各實施例所記載的技術方案進行修改,或者對其中部分技術特徵進行等同替換;而這些修改或者替換,並不使相應技術方案的本質脫離本發明各實施例技術方案的精神和範圍。