水敏纸图像预处理及农药液滴参数测量

亢洁 刘港 郭国法

摘要：快速获取喷施农药后农药液滴在水敏纸表面的沉积分布，对了解农药的田间分布情况有十分重要的意义。针对目前水敏纸图像处理软件缺少对水敏纸图像的旋转等预处理操作，以及现有的水敏纸自动分割方法对水敏纸图像分割不完整而导致液滴参数检测精度低的问题，首先对水敏纸图像进行预处理，自动裁剪得到水敏纸感兴趣区域，然后测量水敏纸液滴参数。该方法首先通过基于颜色特征的自动选取种子点与人工交互选取种子点相结合的种子区域生长法对彩色水敏纸图像进行分割，然后通过Radon变换求取图像的倾斜角，并对图像进行旋转和裁剪，最后统计液滴尺寸、液滴个数和液滴覆盖率等参数。通过与DepositScan软件进行比较，本研究算法能够得到水敏纸上92.515 0%以上的雾滴，较DepositScan软件准确率提升了6.227 4百分点，可以看出本研究算法计数准确率高;对于液滴的最大值、平均值和中值，分别对2种方法进行了相关性分析，实际得到的相关系数r全部大于r0.01（6）=0.834，这说明2种方法间呈现极显著的相关性。本研究算法可以有效应用于水敏纸农药液滴的参数测量中。

关键词：水敏纸; 种子区域生长法; Randon变换; 液滴

中图分类号：TP391.41;TP317.4 文献标志码： A

文章编号：1002-1302（2022）12-0220-09

收稿日期：2021-08-07

基金项目：陕西省重点研发计划（编号：2021GY-022）;陕西省西安市科技计划（编号：2019216514GXRC001CG002-GXYD1.7）; 国家留学基金（编号：201708615011）。

作者简介：亢 洁（1973—），女，陕西潼关人，博士，副教授，硕士生导师，从事机器视觉、智慧农业研究。E-mail：kangjie@sust.edu.cn。

农药在控制农作物病虫害方面具有成本低、有效、快速的特点，是作物病虫害控制最有力的方法。大量喷洒农药会造成浪费，严重危害环境和人们的身体健康[1]。因此，如何提高农药利用率、减少农药使用量成为亟待解决的问题。快速且有效获取施药后液滴在目标上沉积的喷雾量、液滴尺寸和液滴在目标上的覆盖均匀性等信息，可以对农药喷施效果进行定量评价，为优化农药喷施技术提供进一步的参考。目前比较普遍应用的液滴尺寸测量以及分布特性主要分为3种方法，第1种是机械方法，比如将液滴冷冻或者冷却成固体颗粒进行测量，利用不同尺寸液滴的运动惯性、速度差异特性来区分液滴尺寸的范围等;第2种是电气方法，比如充电线法（charged-wire）、热线法（hot-wire）等，如测量流体（包括气体、液体）导热系数的方法，此方法具有速度快、精度高的特点;第3种是光学方法，比如利用液滴的一些物理特性（相差、光照度、极化和荧光等）进行测量，利用激光全息、高速摄影、扫描技术和激光图像化等。一般来说光学测量系统价格昂贵，而且调试使用比较繁琐[2]。水敏纸（water-sensitive paper ，简称WSP）是提供喷雾覆盖快速评估的一种简单的机械法，是一种黄色表面的涂布纸，在与水滴接触时变成深蓝色，它具有便于图像处理和保存、显色明显的特点，目前是最常用的液滴收集器[3-4]。近年来，国外已经开发了多种水敏纸图像处理软件，其中Fox等提出了一种WSP视觉分级喷雾覆盖方法的结果[5];Panneton开发了一种相机照明系统，测量WSP上斑点覆盖面积的百分比[6];Cunha等评估了几种水敏纸图像处理软件分析喷雾质量的能力[7];Zhu等基于个人计算机和扫描仪开发了一种便携式液滴参数测量系统[8]。Machado 等提出并试验评估了一种基于智能手机的移动应用程序，名为DropLeaf，通过水敏纸来测量农药覆盖率[9]。Ferguson 等将SnapCard智能手机应用程序与DropletScan、SwathKit、DepositScan、ImageJ、Drop Vision-Ag 这些水敏纸图像处理软件进行了比较[10]。zlüoymak等基于美国国家儀器的vision acquisition software （VAS） 开发了一种水敏纸图像处理软件[11]。国内虽然起步较晚研究较少，但也取得了较好的研究成果[2，3，12-18]。在这些水敏纸图像处理软件中，目前比较常用的水敏纸图像处理软件有DepositScan[19-20]、ImageJ[21-22]、SnapCard[10]， 这些软件都可以用于确定喷雾参数覆盖率。DepositScan、ImageJ软件还可以计算液滴数目，而SnapCard软件不能计算液滴数目。ImageJ 软件在处理水敏纸图像时首先使用大津法（OTSU）将图像转换为灰度图像再进行后续处理。DepositScan软件首先利用手动或自动选取阈值将彩色水敏纸图像转换为8位灰度图像，然后再进行后续处理。SnapCard软件是一款智能手机应用软件，它首先使用智能手机自带的相机获取水敏纸图像。SnapCard软件的缺陷是在获取水敏纸图像和人工选择感兴趣区域时造成的误差。由于水敏纸图像在进行扫描或拍照的过程中往往会发生不同程度的倾斜，上述这些软件缺少对水敏纸图像的旋转和水敏纸感兴趣区域提取等预处理操作，须要先借助其他软件得到水敏纸的水平图像并提取感兴趣区域，然后才能进行后续处理，而且这些软件在进行水敏纸图像分割时均采用将水敏纸转换为灰度图像再使用OTSU进行分割，这样在转换的过程中会失去一些有用信息导致检测精度不高。

为提高液滴检测的精度和效率，本研究基于颜色特征的自动选取种子点与人工交互选取种子点相结合的种子区域生长法直接对彩色水敏纸图像进行分割，而不需要事先将彩色图像转换为灰度图像再进行分割，并对水敏纸图像进行旋转、自动提取水敏纸感兴趣区域，然后统计测量液滴参数，最后通过试验验证本研究方法的检测效果。

1 试验数据的获取D498D58D-9934-4195-8966-D0B98489D122

本研究通过田间喷雾实际情况，以水敏纸收集液滴，然后通过扫描仪获取液滴的数字图像，再基于颜色特征的自动选取种子点与人工交互选取种子点相结合的种子区域生长法对彩色水敏纸图像进行分割，并对水敏纸图像进行旋转、自动提取水敏纸感兴趣区域，然后统计测量液滴参数，最后基于Matlab驗证算法。水敏纸是一种高灵敏度的专业试纸，未使用的水敏纸是黄色的，与液体接触后接触区域会变成蓝色，水敏纸可以用来检查液滴分布情况，喷雾的密度和液滴的尺寸等。未使用过的水敏纸见图 收集农药液滴后的1张水敏纸图像见图2。本试验的设计是为了研究喷嘴的型号和喷雾的压力对农药喷洒系统的众多影响，因此，试验具体的过程为通过改变喷洒农药的喷嘴型号和喷药的压力，携带农药的农用机械在试验麦田中分别做2次试验，每次进行15组不同的试验，事先将水敏纸缠绕固定在与麦苗基本同高的铁杆上（图3），这样水敏纸中间的1/2区域面向农用机械喷洒农药的方向，而水敏纸左侧1/4区域和右侧 1/4 区域贴在一起，是在农用机械喷洒农药的背面，每组试验在农用机械驶过的不同位置可获得A、B、C、D 4张水敏纸，将4张水敏纸贴在同一张A4纸上，通过扫描仪扫描得到1次试验收集的水敏纸数字图像（图4）。1次试验液滴采集点分布见图5。

2 样本图像处理

由于采集到的样本图像存在一定角度的倾斜，在预处理后还需对样本图像进行旋转，以使图像归正。因此在进行图像分析前，先对样本图像进行处理。本研究对样本图像的处理包括水敏纸图像分割、水敏纸图像自动旋转和裁剪以及水敏纸图像拼接。

2.1 水敏纸图像分割

2.1.1 基于颜色特征的自动选取种子点与人工交互选取种子点相结合的种子区域生长算法的水敏纸图像分割 区域生长法是一种基于区域的图像分割方法，充分利用图像颜色信息和空域关系。区域生长法假定同一对象的像素具有较高的相似性，其基本思想是将具有相似性质的像素集合起来构成区域[23]。自动分割往往由于图像背景受干扰等因素不能很好地对水敏纸图像进行分割，导致后续液滴参数计算不准确，因此本研究采用基于颜色特征的自动选取种子点与人工交互选取种子点相结合的种子区域生长法对彩色水敏纸图像进行分割，经过多次种子点的选取可以得到较好的分割结果。具体算法如下：（1）读取RGB彩色图像。（2）基于颜色特征自动选取种子点，并将该种子点加入到已生长区域，并以此作为生长起点。

基于颜色特征的自动选取种子点具体如下：因为液滴喷洒过的水敏纸图像主要有黄色和蓝色，黄色为水敏纸图像的背景区域，且黄色像素数多于蓝色像素数，又因为黄色的RGB值为（255，255，0），即R和G分量都为255，B分量为0，通过直方图统计发现，水敏纸的R和G分量的直方图呈现明显的双峰特性，而且有1个峰在R和G分量的取值分别为200左右时特别显著，说明这些像素属于黄色背景区域，中间100～150是明显的平坦区域，因此本研究根据水敏纸颜色特征来自动选取种子点。从图像左上角的第1个像素开始扫描，行和列的步长均为10，分别计算1个3×3区域的R分量和G分量的平均值mi（i=R，G）和中值di（i=R，G），当mi>T1时（根据R分量和G分量的直方图特性选择阈值T1=150）且同时满足当di>T2时（根据R分量和G分量的直方图特性选择阈值T2=100），则选择这个3×3区域中心点作为种子点。

（3）判断生长起点的8个邻域中是否存在符合生长准则的像素点，若存在则将其划分为已生长区域，这就完成了1次迭代。本研究的生长规则为：若种子点的8邻域内像素的R、G和B分量值都分别同时在（种子点R、G和B分量值-5、种子点R、G和B分量值+5）这个范围内，则将其划入已生长区域。

（4）第1次迭代完成后，把符合生长准则的像素点作为新的生长起点，重复步骤（3），直至没有满足条件的邻域像素点划分为已生长区域为止，这样算作第1次区域生长结束。

（5）如果分割结果中还有未分割区域，通过鼠标人为选择目标区域中的1个点（即种子点）加入到已生长区域，并以此点作为生长起点，重复步骤（3）～（5），直至水敏纸图像中所有区域都分割完为止。本研究的种子区域生长算法的程序流程见图6。

图7-a和图7-b为待分割水敏纸原图及红色方框区域的放大图，图7-c和图7-d分别为基于颜色特征的自动选取种子点的种子区域生长法分割结果以及相应分割结果红色方框区域的放大图，图 7-e至图7-h分别为2次人工选取种子点进行种子区域生长的分割结果以及相应分割结果红色方框区域的放大图。从图7-c和图7-d中可以看出，自动选取种子点的种子区域分割算法可以分割出水敏纸图像的绝大部分区域，但是分割结果中仍出现了欠分割现象，由于图7-b中1、2这2个圆形区域的颜色和液滴颜色接近，而且被液滴完全包围，所以未分割出图中2个圆形区域。通过鼠标选取图 7-b 中1所对应的较大圆形区域内的一个点作为第2次分割的种子点，分割结果如图7-e和图7-f所示，可以看出图7-b中1所对应的较大圆形区域可以较好地分割出来，但是图7-b中2所对应的较小圆形区域仍未分割出来，因此，选择该区域较小圆形区域内的点作为第3次分割的种子点，得到的分割结果见图7-g和图7-h，这时，图7-b中2所对应的较小圆形区域也得到较好的分割。如果分割结果中还存在未分割区域，可以继续选择种子点进行分割，直至水敏纸图像中所有区域都分割完为止，这样通过基于颜色特征的自动选取种子点与人工交互选取种子点相结合的种子区域生长算法对水敏纸图像进行分割可以得到令人满意的分割结果，为后续液滴参数的计算奠定良好的基础。

2.1.2 水敏纸图像分割效果对比 针对K均值（K-means）聚类算法、DepositScan软件使用的大津法（OTSU）和本研究算法这3种图像分割方法，本研究以数据集中2幅水敏纸图像为例进行分割效果的测试，并对算法结果进行对比，结果见表1。从表1的第1行图的红色方框区域可以看出，图中出现颜色不均现象，K-means算法和本研究算法的分割结果基本一致，而OTSU算法没有完全分割出液滴，出现欠分割现象。从表1的第2行图的红色方框区域可以看出，对于细长形的液滴，OTSU算法和本研究算法能够较好地分割出液滴，而K-means算法在液滴的末端出现断裂现象。综合以上分析，本研究算法对这2种情况都能较完整地分割出液滴，效果好，解决了水敏纸图像分割不准确的问题。D498D58D-9934-4195-8966-D0B98489D122

2.2 水敏纸图像的自动旋转和裁剪

1次试验收集到的样本水敏纸或多或少都会有一定的倾斜，这给后期水敏纸中液滴参数的统计带来困难，所以首先要对水敏纸进行自动旋转，使得水敏纸呈水平状态。本研究采用Radon变换来求取图像的倾斜角，并對图像进行旋转。Radon变换的本质是将原来的函数进行空间转换，也就是，将原来的xy平面上的点映射到AB平面上，则原来xy平面中的一条直线上的所有点在AB平面上都位于同一个点，这时记录AB平面上的点的积累厚度，就可以知道xy平面上线的存在性[24]。另外在获取水敏纸时存在背景图像，须要提取感兴趣区域，即水敏纸区域。本研究通过区域分析得到水敏纸区域的外轮廓，然后按照图像外轮廓绘制矩形框，并对图像进行裁剪。对水敏纸图像进行自动旋转和裁剪的过程见图8。

经过“2.1.1”节方法分割后的水敏纸图像见图9-a。经Randon变换求得水敏纸图像的倾斜角为 -2°;图9-b所示为将图像顺时针旋转2°（倾斜角为负数，则为顺时针旋转，否则为逆时针旋转）后得到的水敏纸图像;图9-c所示为经区域分析得到的水敏纸图像外轮廓（红色矩形框所示）;图9-d为裁剪得到的水敏纸图像。

2.3 水敏纸图像拼接

根据田间喷施农药的真实情况，喷施装置在田间从前往后行进对农作物喷洒农药，水敏纸中间 1/2 区域面向农用机械喷洒农药的方向，而水敏纸左侧1/4区域和右侧1/4区域粘贴在一起，位于农用机械不能直接喷洒农药的地方，即定义为水敏纸的背面。因此采集到的水敏纸图像，须要被裁剪成3个部分，分别为图像的左侧1/4区域，中间1/2区域，右侧1/4区域。然后将左侧1/4与右侧1/4拼接在一起，作为农作物背面的水敏纸。分割的水敏纸图像及拼接完成后的图像见图10。

3 液滴参数统计

通过本研究2种方法对水敏纸图像进行分割、自动旋转和裁剪以及拼接等预处理操作之后，得到图10-b、图10-c，可以看出每个液滴用一个黑色连通区域表示，这些连通区域的个数即为统计的液滴个数，为求得连通区域的个数，对图像进行标记处理，即对属于同一个像素连通区域的所有像素分配一个编号，用bwlabel函数实现，并通过label2rgb函数将各个不同编号的连通区域进行彩色显示。最后，用regionprops函数，提取和度量液滴图像上每个标记连通区域的像素面积，然后对液滴参数进行统计。本研究对液滴各项参数的计算统计，主要包括了液滴覆盖率、液滴的最大值、最小值、中间值及平均值（本研究计算的液滴最大值、最小值、中间值及平均值是以图像的像素数计算的，通过一定的换算，即可获得液滴的粒径参数。）。

3.1 液滴个数统计结果比较

本研究对2次在试验麦田获得的水敏纸图像（每次进行15组试验，每组获得4张水敏纸图像）共计120张进行统计。这里选取其中8张水敏纸图像为例，分别统计水敏纸的正面和背面，共计16张水敏纸正面和背面图像，采用3种方法统计液滴个数，分别为人工计数法、DepositScan软件计数和本研究采用的方法计数。处理得到的液滴数量，不同方法的计数结果见表2。

液滴个数误差率计算公式为

ε=|αβ|α×100%。（1）

式中：ε为误差率;α为人工计数;β为DepositScan软件方法或本研究方法计数[12]。

由表2分析可知，DepositScan软件对所选8张液滴图像计数，误差率范围为3.592 8%～13.712 4%;用本研究方法分割、旋转、裁剪后计数，误差率范围为0.000 0%～7.485 0%。从表2还可以看出，本研究方法和人工统计各个试纸上的液滴个数的差，依次为75、0、41、3、22、7、28、7、22、2、10、37、31、3、27、14个，本研究算法相对于人工统计方法的平均相对误差为4.407 1%。DepositScan软件的最大误差率为13.712 4%，这样DepositScan软件能够得到试纸上86.287 6%以上的液滴。而本研究算法的最大误差率为7.485 0%，因此本研究算法能够得到试纸上92.515 0%以上的液滴。

基于相同的样本，与人工计数法结果对比表明，本研究方法较DepositScan软件计数结果精准度高，且对于较浅的细小液滴提取效果有所提高。

3.2 液滴覆盖率结果比较

液滴覆盖率可通过液滴覆盖区域面积占统计总面积的百分比计算，公式为

C=AsAp×100%。（2）

式中：C为液滴覆盖率;As为液滴区域像素数;Ap为水敏纸区域总像素数[14]。

应用DepositScan软件以及本研究方法，求取8张水敏纸图像（与“3.1”节试验相同）的液滴覆盖率，结果见表3。

公式（3）为计算8张水敏纸图像在2种方法下覆盖率的平均相对误差。

δ=1n∑ni=1|ei|L×100%。（3）

式中：δ为平均相对误差;n为统计样本的个数;ei为绝对误差（本研究方法与其他算法的差）;L为对比基准（这里为本研究检测的结果）[3]。

从计算结果可以得出，DepositScan软件与本研究算法在液滴图像正面的液滴覆盖率平均相对误差为9.471 4%，在液滴图像背面的液滴覆盖率平均相对误差为9.656 7%。其中液滴图像正面中，8号试纸的效果最好，这2种方法计算的液滴覆盖率相对误差最小，为4.357 1%;液滴图像背面中，img1试纸的效果最好，这2种方法计算的液滴覆盖率相对误差最小，为2.880 9%。

3.3 种测量方法的相关分析

对所选8张水敏纸图像（与“3.1”节试验相同）的液滴最大值、平均值和中值进行相关性分析，用Excel计算相关系数并绘出散点图。图11为DepositScan软件与本研究方法对样本图像的液滴最大值、液滴平均值和液滴中值的测量结果的相关关系散点图。D498D58D-9934-4195-8966-D0B98489D122

分析2种方法的相关性可知，DepositScan法与本研究方法测得的图像正面和图像背面液滴最大值之间相关系数分别为0.988 9和0.999 5，液滴平均值之间相关系数分别为0.978 9和0.981 0，液滴中值之间相关系数分别为 0.964 6 和0.991 4。通过统计检验，实际得到的r全部大于r0.01（6）=0.834 0，这说明2种方法间呈现极为显著的相关性，本研究处理法可用于水敏纸图像的实际测量工作。

4 结论

针对目前水敏纸图像处理软件缺少对水敏纸图像的旋转等预处理操作，以及将水敏纸图像先转换为灰度图像再进行分割而导致检测精度低的问题，本研究首先通过基于颜色特征的自动选取种子点与人工交互选取种子点相结合的种子区域生长法对彩色水敏纸图像进行分割，然后通过Randon变换来求取图像的倾斜角，并对图像进行旋转和裁剪，最后统计液滴尺寸、液滴个数和液滴覆盖率等参数。选取8张水敏纸样本进行相关试验，试验结果表明：针对液滴个数，用本研究的方法计数，误差率范围为0.000 0%～7.485 0%，而用DepositScan软件计数，误差率范围为3.592 8%～13.712 4%，本研究算法的最大误差率为7.485 0%，因此本研究算法能够得到试纸上92.515 0%以上的液滴。本研究方法计数准确率高。针对液滴覆盖率，DepositScan法与本研究算法在液滴图像正面的液滴覆盖率平均相对误差为9.471 4%，在液滴图像背面的液滴覆盖率平均相对误差为9.656 7%。针对液滴的最大值、平均值和中值，分别对2种方法进行了相关性分析，实际得到的相关系数r全部大于r0.01（6）=0.834，这说明2种方法间呈现极显著的相关性，验证了本研究方法的有效性。

致谢：感谢美国肯塔基大学Tim Stombaugh教授提供的水敏纸样本。

参考文献：

[1]Zhang W J，Jiang F B，Ou J F. Global pesticide consumption and pollution：with China as a focus[J]. Proceedings of the International Academy of Ecology and Environmental Sciences，201 1（2）：125-144.

[2]郑加强. 基于计算机视觉的雾滴尺寸测量技术[J]. 南京林业大学学报，2000，24（6）：47-50.

[3]郭 娜，劉思瑶，须 晖，等. 雾滴沉积特性参数的图像检测算法改进[J]. 农业工程学报，2018，34（17）：176-182.

[4]郑琦琦，吴 坚. 基于NO-2显色反应的抗湿性喷雾雾滴密度和大小的检测体系[J]. 农业工程学报，2015，31（3）：107-112.

[5]Fox R D，Derksen R C，Cooper J A，et al. Visual and image system measurement of spray deposits using water-sensitive paper[J]. Applied Engineering in Agriculture，2003，19（5）：549-554.

[6]Panneton B. Image analysis of water-sensitive cards for spray coverage experiments[J]. Applied Engineering in Agriculture，2002，18（2）：179-182.

[7]Cunha M，Carvalho C，Marcal A R S. Assessing the ability of image processing software to analyse spray quality on water-sensitive papers used as artificial targets[J]. Biosystems Engineering，2012，111（1）：11-23.

[8]Zhu H P，Salyani M，Fox R D. A portable scanning system for evaluation of spray deposit distribution[J]. Computers and Electronics in Agriculture，201 76（1）：38-43.

[9]Machado B B，Spadon G，Arruda M S，et al. A smartphone application to measure the quality of pest control spraying machines via image analysis[C]//SAC 18：Proceedings of the 33rd Annual ACM Symposium on Applied Computing，2018：956-963.

[10]Ferguson J C，Chechetto R G，ODonnell C C，et al. Assessing a novel smartphone application-SnapCard，compared to five imaging systems to quantify droplet deposition on artificial collectors[J]. Computers and Electronics in Agriculture，2016，128：193-198.

[11]zlüoymakB，Bolat A. Development and assessment of a novel imaging software for optimizing the spray parameters on water-sensitive papers[J]. Computers and Electronics in Agriculture，2020，168：105104.D498D58D-9934-4195-8966-D0B98489D122

[12]吴亚垒，祁力钧，张 亚，等. 雾滴图像粘连特征改进判断及分离计数方法优化[J]. 农业机械学报，2017，48（增刊1）：220-227.

[13]祁力钧，胡开群，莽 璐，等. 基于图像处理的雾滴检测技术[J]. 农业机械学报，2009，40（增刊1）：48-51.

[14]邱白晶，沙俊炎，汤伯敏，等. 密闭空间雾滴沉积状态参数的显微图像解析[J]. 农业机械学报，2008，39（2）：55-58.

[15]袁江涛，杨 立，王小川，等. 基于机器视觉的细水雾液滴尺寸测量与分析[J]. 光学学报，2009，29（10）：2842-2847.

[16]史春建，邱白晶，汤伯敏，等. 基于高速图像的雾滴尺寸分布统计与运动分析[J]. 农业机械学报，2006，37（5）：63-66.

[17]梁 萍. 基于计算机视觉的雾滴尺寸参数检测系统研究[D]. 南京：南京林业大学，2008.

[18]宋 睿，沈国清，张永涛，等. 植保无人机飞防助剂的筛选及其性能评价[J]. 江苏农业学报，202 37（2）：333-339.

[19]薛秀云，许旭锋，李 震，等. 基于叶墙面积的果树施药量模型设计及试验[J]. 农业工程学报，2020，36（2）：16-22.

[20]王 娟，蘭玉彬，姚伟祥，等. 单旋翼无人机作业高度对槟榔雾滴沉积分布与飘移影响[J]. 农业机械学报，2019，50（7）：109-119.

[21]Sies M F，Madzlan N F，Asmuin N，et al. Determine spray droplets on water sensitive paper （WSP） for low pressure deflector nozzle using image J[J]. Materials Science and Engineering，2017，243：012047.

[22]Alahmad W，Tungkijanansin N，Kaneta T，et al. A colorimetric paper-based analytical device coupled with hollow fiber membrane liquid phase microextraction （HF-LPME） for highly sensitive detection of hexavalent chromium in water samples[J]. Talanta，2018，190：78-84.

[23]Shrivastava N，Bharti J. Automatic seeded region growing image segmentation for medical image segmentation：a brief review[J]. International Journal of Image and Graphics，2020，20（3）：2050018.

[24]彭 然，胡立文，邓中民. 基于Radon变换和能量曲线的机织物密度检测[J]. 棉纺织技术，202 49（4）：16-20.D498D58D-9934-4195-8966-D0B98489D122