基于改进人工蜂群模糊聚类的葡萄图像快速分割方法

为解决基于模糊C-均值聚类(FCM)的图像分割算法需要预先给定初始聚类数目和聚类中心,易使得算法陷入局部最优的问题,提出一种改进的人工蜂群优化模糊聚类的图像分割方法。该方法在传统的人工蜂群的基础上进行优化,以FCM算法中目标函数为基础改进人工蜂群的适应度函数,运用蜂群行为中的采蜜蜂、跟随蜂和侦察蜂的分工合作来快速求解图像中的最优初始聚类中心,将求出的最优聚类中心输入给FCM进行处理,根据最大隶属度原则对果实图像进行分割。以300幅不同光照情况下拍摄的夏黑葡萄果进行分割试验,试验结果表明,改进的图像分割方法能更快地将水果从自然环境中分割识别出来,单幅图像平均分割时间为0.219 3 s,正确分割率达到90.33%,能满足采摘机器人及水果分级系统对目标图像的实时性要求。     

基于模糊聚类的黄瓜病害图像自动分割

提出了一种基于模糊聚类的黄瓜病害图像自动分割方法,模糊聚类与差分进化算法相结合,在进化过程中根据聚类中心对应的阈值确定模糊聚类中心的个数,由差分进化适应度函数值确定聚类中心是否被选中,以此实现图像的模糊聚类自动分割。经黄瓜炭疽病叶图像、白粉病叶图像、灰霉病叶图像和霜霉病叶图像的实验测试,该方法可以实现无人干预情况下的黄瓜病害图像自动分割,与相同类别个数的FCM算法相比,表现出了更好的性能。     

西红柿果实目标识别方法研究——基于模糊聚类算法

为了准确识别成熟的西红柿目标,提出了一种模糊C-均值聚类算法(Fuzzy Clustering Means,FCM)的西红柿目标分割方法。该方法首先利用FCM算法对西红柿图像进行模糊聚类,并对聚类后的果实图像与丢失的部分目标图像进行相加,以得到更加完整的西红柿目标;然后对西红柿目标进行二值化、去噪、开运算与闭运算等处理,完成西红柿目标的分割。为了验证算法的有效性,利用20幅图像进行了试验并与K-means算法和Otsu算法分割效果进行了对比。结果表明:利用文中算法所分割出的西红柿目标最高分割误差率均低于Kmeans算法和Otsu算法,平均分割错误率为1 6.5 5%,比K-means算法低了3.5 6%,比Otsu算法低了1 2.8 0%。这表明,将该方法应用于西红柿目标的识别是可行的。     

基于双次Otsu算法的野外荔枝多类色彩目标快速识别

针对目前野外环境下多类目标识别速度偏慢,导致机器人视觉定位精度低和工作效率不高的难题,以野外环境下成熟荔枝的多类色彩目标识别为例,提出了一种双次Otsu分割算法对多类色彩目标进行识别。首先为了提高算法的效率,改进了传统的Otsu算式;然后对目标色彩图像的背景、果梗、果实分别用改进的Otsu算法进行粗分割和细分割。最后通过与K-均值聚类(K-means)算法、模糊C均值聚类(FCM)算法、Otsu和K-means结合算法、Otsu和FCM结合算法这4种算法进行对比,双次Otsu算法从分割质量及其正确分割率、运行时间、稳定性3方面都优于其他4种算法。实验结果表明,双次Otsu算法对色彩目标的成熟荔枝识别的时间少于0.2 s。     

基于模糊聚类分析的草莓图像分割方法研究

为改善草莓采摘机器视觉系统中果实图像的分割效果,对普通均值聚类的分割方法理论进行分析,针对草莓果实图像的特点将模糊-均值聚类算法引入分割算法,大大改善草莓果实图像的分割效果。     

基于HSI色彩空间与FFCM聚类的葡萄图像分割

为适应农业采摘机器人对葡萄对象快速准确识别的需要,提出了基于HSI色彩空间与以直方图信息为特征的快速模糊C-均值聚类(FFCM)算法相结合的葡萄图像分割方法。该方法以H分量作为葡萄图像聚类分割的处理数据,根据FFCM算法对灰度图像聚类分割。试验对夏黑葡萄果实在自然光、顺光、背光照射环境下拍摄的图像进行分割。结果表明:葡萄图像分割方法能够快速且较好地从复杂自然环境中将葡萄目标分割出来,为葡萄采摘机器人的研制提供了重要参考。     

基于邻差和的农产品X射线图像分割算法

针对图像阈值分割中二维灰度直方图和模态法的不足,提出了一种基于邻域差值之和与直方图凹面相结合的图像分割算法,并将此方法与二维直方图方法在板栗、苹果和猕猴桃的X射线图像分割中的效果进行了对比试验.试验结果表明,本方法的图像分割误差小于2.1％,最大分割误差仅是二维直方图简便算法分割误差的23.7％,能够更精确地提取果品的图像.     

农业机器人采摘目标识别技术研究——基于FCM模糊聚类算法

介绍了FCM (Fuzzy C-Means)模糊聚类算法的原理，采用权重分配的方法对该算法进行了改进，通过建立模糊的相似矩阵，对目标对象的特征聚类图进行分析，并引入隶属度矩阵对FCM算法进行优化，以加快算法的迭代速度。实验结果表明：农业机器人采用该方法对农作物轮廓分割识别度较高，算法计算效率较快，验证了其可靠性，该方法可用于目标农作物的分割和目标识别。     

基于改进的K-均值聚类算法的农作物图像分割

图像分割是图像进行分析处理的首要步骤。为此,针对彩色农作物图像的特征,首先将RGB彩色图像转换到HIS色彩空间,运用均值一方差与粗糙集理论选取适当的初值聚类中心和聚类个数,再进行聚类计算,实现了色彩分量的快速自动化分割,较准确地从背景中提取出了目标物体,为农作物图像的识别与分析、后续计算和处理提供了可靠的基础。实验结果表明,改进的k-均值算法减少了运算量,提高了分类精度和准确性。     

基于机器视觉的自然环境中成熟荔枝识别

研究了自然场景下成熟荔枝的识别技术.通过分析荔枝彩色图像的颜色和灰度特征,选取YCbCr颜色模型进行处理,对其Cr分量图进行阈值分割去除复杂背景,并采用形态学和连通区域标注法消除分割后的随机噪声;然后结合一维随机信号直方图分析法与模糊C均值聚类法( FCM)对处理后的荔枝图像进行聚类和分割,实现荔枝果实和果梗的识别.不同光照条件下的识别实验结果表明,算法均能有效分割出果实和果梗,综合识别率达到95.5％.     

基于改进爬峰法高分辨率遥感影像分割的树冠提取

对现有爬峰法利用高分辨率遥感影像分割进行树冠提取时存在的问题进行直方图压缩和基于类的二次合并两方面的改进,并将改进后的爬峰法在Matlab平台上模拟实现。以Quick Bird影像为基础数据源提取单木树冠,分析树冠面积提取精度,验证改进爬峰法对高分遥感影像树冠分割的可靠性。研究结果表明:实验样本精度均达到85%以上,与传统目视解译精度比较相差较少,满足应用需求。     

基于改进PCNN的番茄植株夜间图像分割算法

为实现番茄植株夜间图像分割,设计了一种基于最大类间方差法的改进脉冲耦合神经网络(PCNN)图像分割算法。该算法对传统PCNN模型中的链接输入项进行加权处理,在进行图像分割前,先基于最大类间方差(Otsu)算法获得阈值,再将该阈值赋值给改进PCNN模型中的链接输入项权值、突触链接系数β、链接权放大系数VE和阈值迭代衰减时间常数αE。对849幅番茄植株夜间图像进行试验,结果表明,图像分割正确率平均值为90. 43%,平均每幅图像分割时间为0. 994 4 s;输入链接项的加权处理可减少PCNN的迭代次数,提高算法的实时性;基于Otsu算法可实现改进PCNN模型的网络参数自适应设置。基于视觉效果、最大熵及分割正确率这3项评价指标的对比分析显示,改进PCNN模型的分割效果优于Otsu算法和传统PCNN模型,实时性优于传统PCNN模型。     

基于融合显著图与GrabCut算法的水下海参图像分割

为实现海参捕捞和海参疾病诊断的自动化,应先解决真实养殖环境下海参的图像目标分割问题。为此提出一种融合显著图模型和GrabCut算法的水下海参图像分割方法。该方法改进了传统的GrabCut算法,通过对单尺度Retinex算法分析,对水下图像进行增强,结合基于区域对比度的显著性区域检测方法和直方图均衡的方法,得到海参区域图像的部分前景和可能的背景,并以此初始化GrabCut算法的掩膜,最后进行GrabCut算法迭代,得到图像目标分割结果。通过与Otsu法、分水岭法、传统GrabCut算法对比分析表明：所提方法能够准确分割出图像中海参目标,并能克服背景噪声,保留目标图像细节,算法正确分割率达到90.13%,满足海参图像目标分割的 需要。     

采用区域生长法分割根系CT图像的改进算法

提出了一种基于阈值分析和区域生长相结合的用于植物根系CT序列图像分割的算法。首先通过直方图分析,初步确定根系区域的分割阈值,再利用经过改进的区域生长法分割得到目标区域。实验结果表明,该分割算法计算量小,分割精度高,在提取目标的同时,能够有效地分离介质(背景)像素;而且对于背景复杂、噪声较大、目标像素灰度不均匀的CT图像也能取得较好的分割效果。     

基于改进型C—V模型的植物病斑图像分割

针对植物病斑图像背景复杂且分割难问题,提出一种基于水平集和加权颜色信息的C-V模型。借助水平集方法对病斑图像的R、G、B分量图像颜色信息取加权值,以差分图像能量作为能量函数最终值,以适应不同的病害种类。试验结果表明,经过R、G、B加权的黄瓜红粉病病斑图像使用4R-G图像模型、苹果锈病病斑图像使用3R-G-B图像模型自动分割的效果较好,比传统C-V模型分割性能好,抗噪性好,可扩展性好。     

基于机器视觉的田间小麦开花期判定方法

针对大量小麦育种材料花期难以精准、快速检测的问题,提出了一种基于综合颜色特征和超像素分割算法的小麦开花期判定方法.首先,根据光照强度及图像清晰度对综合颜色特征的过红颜色分量、HSV颜色空间的S分量和红绿归一化颜色分量自适应调节,增强小花和小穗的差异性.其次,基于中心距离函数和灰度变化函数改进超像素分割算法的聚类规则,获...     

基于区域生长的采摘机器人视觉识别方法

提出了一套基于茄子图像的空间位置信息和颜色因子相融合的区域生长分割算法。为保证茄子图像分割最佳的颜色空间和颜色因子,提取了50幅不同光照条件下的茄子图像的RGB颜色空间分量灰度图和直方图,比较了茄子果实、叶子、茎秆和空隙等的颜色特征,得出了G-B颜色因子对于茄子果实分割最为有利的结论。按照灰度级相同和空间8邻域连通的原则确定种子区域,进而通过扫描整幅图像进行初始分割。融合G-B颜色因子和空间信息对初始区域进行合并,直到分割形成的区域类间距离最大时停止生长。通过顶点链码与离散格林技术提取出果实的最小外接矩形,求解果实的生长位姿,试验表明:其分割效率均大于93%,平均用时为0.32 s,能够满足果蔬采摘机器人对视觉系统的要求。     

改进的Otsu算法在粮食颗粒图像分割中的应用

针对二维Otsu自适应阈值算法计算复杂度高的问题,采用二维直方图投影到对角线得到一维阈值的方法,消除二维自适应阈值算法中的冗余计算,从而提高了计算速度.为此,将该方法应用于粮食颗粒图像分割中.实验表明,该算法在计算时间上远小于原始二维Otsu算法.