基于H分量K-Means多种环境条件下谷子冠层图像提取

以谷子为研究对象,采集谷子阴天、背景复杂有阴影、光照不均、露水雨水反光4类环境条件下的冠层图像,分别采用超绿分割、Lab空间K均值聚类分割和基于H分量的K均值聚类分割3种算法进行冠层提取,探究不同条件下谷子冠层提取的最优方法。对于阴天和背景复杂有阴影的谷子冠层图像,3种算法均可以较完整地提取,分割准确率均达到93%以上;对于光照不均的图像,超绿分割效果最差,基于Lab空间和基于H分量下的K均值聚类分割效果相对优异,分割准确率分别为93%和96%;对于露水雨水反光的图像,基于H分量的K均值聚类分割准确率最高,达到97%。基于H分量的K均值聚类算法对4种不同环境条件下获取的谷子冠层图像分割效果均较理想,为后续谷子生长自动监测提供了一定的参考价值。     

基于图像增强和α角度模型的K均值小麦冠层分割算法的改进

[目的]本文旨在克服光照不均引起的低对比度、反光、阴影、光斑及遮挡等对大田复杂背景下小麦冠层图像分割的干扰。[方法]设计了一种结合脉冲耦合神经网络(pulse coupled neural network,PCNN)与同态滤波的自适应图像增强和基于L*a*b*颜色空间α角度模型的K均值聚类分割算法。首先,将小麦冠层图像转换到HSI颜色空间,采用自适应算法对HSI空间的I分量进行增强处理,适当调节饱和度S分量,补偿光照强度分布不均,去除阴影及拉大对比度;其次,将增强处理后的图像映射到L*a*b*颜色空间,提取a*、b*分量建立α角度模型;最后,基于α进行K均值聚类分割处理。[结果]拔节前后光照强度不一、光照不均的冬小麦冠层图像的分割试验结果表明,该算法可一定程度避免基于L*a*b*颜色空间α角度分量K均值聚类的过分割现象;改善基于HSI空间H分量K均值聚类的欠分割缺陷,且对光斑、阴影遮挡、反光突出的图像分割更完整准确。[结论]本算法可为大田复杂背景下光照多变的作物冠层图像分割提供参考方法。     

基于AP聚类算法的图像分割应用与研究

针对传统聚类算法在图像分割中对聚类中心选择敏感,可靠性差的缺点,本文采用AP聚类算法研究图像分割问题。AP(Affinity propagation)聚类算法是通过数据点之间的信息传递产生高质量的聚类中心,避免了聚类初始中心选择难的问题。本文通过与K均值算法和模糊C均值算法在图像分割中的实验比较,得出本算法优于其他两种算法,对图像可取得良好的分割效果。     

复杂背景与天气条件下的棉花叶片图像分割方法

为实现自然条件下棉花叶片的精准分割,提出一种粒子群(Particle swarm optimization,PSO)优化算法和K-means聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在RGB颜色空间模式下采用二维卷积滤波进行去噪预处理,并将预处理后的彩色图像从RGB转换到目标与背景差异性最大的Q分量、超G分量、a*分量;随后在K均值聚类的一维数据空间中,利用PSO算法向全局像素解的子空间搜寻,通过迭代搜寻得到全局最优解,确定最佳聚类中心点,改善K均值聚类的收敛效果;最后,对像素进行聚类划分,从而得到棉花叶片分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:该算法对于晴天、阴天和雨天图像中目标(棉花叶片)分割准确率分别达到92.39%、93.55%、88.09%,总体平均分割精度为91.34%,并与传统K均值算法比较,总体平均分割精度提高了5.41%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像实现准确分割,为棉花叶片的特征提取与病虫害识别等后续处理提供支持。     

基于狮群优化的FCM图像分割算法研究

为了解决模糊C均值聚类(FCM)算法进行图像分割时容易陷入局部最优和随机初始化聚类中心的问题,研究人员提出了基于改进的狮群优化和模糊C均值聚类的混合图像分割算法。该算法首先利用改进的狮群算法优化模糊C均值的目标函数,增强算法全局最佳值搜索能力,使其避免陷入局部最优,同时引入聚类有效性指标,通过迭代更新搜索到合理的分割类别数实现自动确定图像分割最佳类别数,并根据最佳类别数确定最优聚类中心的选取,最终实现图像的自适应分割。实验结果表明,该方法可自适应地确定图像分割最佳类别数,能快速准确地实现图像分割。     

基于K 均值聚类的小麦腥黑穗病菌冬孢子图像分割

图像分析技术能够实现对小麦腥黑穗病菌冬孢子特征的定量分析,冬孢子区域的分割则是分析的前提.针对小麦腥黑穗病菌图像的特点,考虑到传统分割方法的局限性,提出了一种基于彩色图像的分割算法.研究以病菌彩色图像B分量为聚类对象,以R、G、B分量值之和不变为迭代终止条件,利用K均值聚类的方法分割病菌图像,使类内像素均值的距离和取得局部极小值.与其他分割方法进行比较的结果表明,该分割算法既分割出亮度不均匀的背景,对噪声的敏感度较小,又减少了分割后的冬孢子粘连,分割出的冬孢子数目增加.     

一种两阶段彩色图像分割方法的原木识别

针对原木图像存在年轮、锯痕以及原木之间紧密接触的问题,提出两阶段分割方法,即依据原木目标和背景的颜色差异应用K均值算法进行聚类得到相互紧密接触的原木目标分割结果;然后应用分水岭分割算法将粘连的原木目标加以分离．结果表明：与直接用分水岭算法和K均值算法相比,本方法能够有效地分割出原木目标．     

基于SLIC和多尺度显著性的红枣图像分割算法

针对自然光条件下具有复杂背景的红枣图像,提出了1种新的图像分割方法。首先,该方法用简单线性迭代聚类(simple linear iterative clustering,SLIC)算法对图像进行超像素分割,并进行迭代合并处理,从而得到不同尺度的图层;其次,利用图像局部对比度估计和区域位置估计来获取相应的显著性图;最后,用K-means算法得到红枣图像聚类分割结果。结果表明,该方法能有效去除图像的复杂背景,消除红枣上光斑的影响,准确地将红枣图像从背景中分割出来。     

模糊C-均值聚类对点云数据的分割

点云数据的分割是点云数据处理流程中的重要内容,同时也是点云数据三维重建的前提和基础.该研究在模糊C-均值聚类(FCM)算法的基础上,根据标靶点云和建筑物点云数据的不同特征进行实验,通过Matlab对地面雷达的标靶、建筑物点云数据进行分割,探讨模糊C-均值聚类算法对点云数据分割的可行性.实验结果显示,通过选择正确点云数据的特征属性,利用模糊C-均值算法对点云数据分割具有一定的可行性.     

一种粗糙熵和K-均值聚类相结合的岩心图像分割方法

K-均值聚类算法和粗糙熵是应用于图像分割的主要算法,目的是对图像进行分析处理。将K-均值聚类算法和粗糙熵结合起来应用到岩心图像的分割,目的是提取出岩石的隙缝信息。先利用K-均值聚类算法对岩心图像进行区域分割,再利用基于粗糙熵的方法对分割结果进行目标提取,从而达到多阚值分割的目的。通过效果图对比分析可以看出,采用基于粗糙熵的K-均值聚类算法处理多目标的岩心图像,提取出的目标更清晰,更明确,实验结果更有价值,证明了改进后算法的有效性。     

基于改进K中值聚类的苹果病害叶片分割方法

针对复杂背景下的苹果病害叶片分割问题,提出一种基于改进的K均值聚类的苹果病害叶片病斑分割方法。首先将原始叶片图像由RGB(R为红,G为绿,B为蓝)颜色空间转换到Lab(L为亮度,a为从洋红色至绿色的范围,b为从黄色至蓝色的范围)颜色空间,然后在Lab颜色空间中利用ab二维数据空间的颜色差异,以欧式距离度量像素间的相似度,使用K均值对图像进行聚类,利用数学形态学中的开闭交替滤波方法对聚类后的灰度图像进行校正,最后得到图像病斑。对3种常见苹果病害叶片图像进行分割,并与其他分割方法进行比较。结果表明,该方法效果好,其误分率为8.41%。     

葡萄采摘机器人采摘点的视觉定位

针对葡萄采摘机器人在自然环境下采摘点定位困难的问题,本研究提出了一种基于分水岭果梗图像分割和最小角度约束的采摘点定位方法。第一,将采集的葡萄果实图像变换到YUV颜色模型,对U通道灰度图进行均衡化处理,然后进行双阈值分割和形态学开操作去掉干扰区域,再对二值图像进行填充;第二,以检测到的葡萄果实位置为参考,确定葡萄串果梗感兴趣区域,对该感兴趣区域进行分水岭操作;第三,对果梗二值图像进行角点检测,然后分别对每个果梗检测到的角点数据进行线性回归,将拟合到的直线分别与垂直于地面直线进行角度计算,将夹角角度最小的拟合直线所在的果梗确定为葡萄串所连的果梗;第四,对该果梗检测到的角点数据进行K均值聚类分析,聚类中心为最佳采摘点。对采集于晴天顺光、晴天逆光和晴天遮阳这3种条件下各40幅夏黑葡萄图像进行验证,采摘点定位成功率为89.2%,单张葡萄图像的采摘点平均定位时间为0.65 s。说明该方法可以为葡萄采摘机器人提供准确的采摘点坐标信息。     

基于K均值聚类和数学形态学的小麦彩色图像分割

对小麦植株图像进行分割,是将机器视觉技术应用到动态监测小麦生长状况的基础.采用K均值聚类和数学形态学相结合的方法进行分割,充分利用了小麦植株颜色和背景颜色的差异.首先根据图像色彩对图像进行聚类,然后对聚类后的图像进行形态学开运算,实现了小麦植株与背景的分离,并达到了较好的效果.     

密度K均值聚类算法及在复杂网络分析中的应用

现代信息社会中,许多实际问题都归结为复杂网络中模块问题的研究,而聚类方法是研究复杂网络中模块性的重要方法。本研究将基于视觉原理的密度聚类算法与传统的K均值聚类算法相结合,提出了一种新的聚类算法,即密度K均值聚类算法。该算法在一定程度上克服了传统的K均值聚类算法易受异常点影响和无法确定聚类数的问题,具有对初始参数不敏感、可发现任意形状的聚类,以及能找到最优聚类等优点。基于此,以城市建通网络中交巡警指挥平台的设置问题为例,通过Matlab程序求解说明了所给出聚类算法的应用。     

改进的医学CT图像K-均值聚类分割算法的实现

为提高K-均值聚类算法在医学CT图像分割上的应用效果、稳定性和质量,减少程序运行时间,本研究用Matlab语言优化了K-均值聚类算法程序,与StatisticsToolbox的K—means函数进行比较,使用单因素方差分析法检验两种算法实现程序运行时间的差异,并直接观察分割效果和稳定性。结果显示,改进后的K-均值聚类算法程序具有分割结果稳定、质量提高等优点,在常用Windows操作系统和Pc机配置环境下,分割耗时在1s左右,显著低于原有的分割程序,消除了等待感觉,提高了使用者的工作舒适度和效率,为图像的识别处理奠定了基础。     

基于自适应中心对称局部二值模式的作物病害识别方法

基于局部二值模式(LBP)算子在模式识别中直方图维数高、判别能力差、具有冗余信息等缺点,针对作物病害叶片图像的特点,提出一种自适应中心对称局部二值模式(Adaptive Center-Symmetric Local Binary Patterns,ACSLBP)算法,并应用于作物病害识别。该算法能够得到光照和旋转不变性的纹理特征,利用模糊C均值聚类算法对病害叶片图像进行分割,再将分割后的病斑图像进行分块,然后采用自适应阈值提取每个子块的ACSLBP纹理直方图,结合作物病害叶片图像的颜色特征,利用最近邻分类器识别作物病害。在黄瓜4种常见病害叶片图像数据库上进行试验,平均识别率高达95%以上,表明该方法是有效可行的。     

基于全卷积网络的葡萄病害叶片分割

[目的]本文旨在解决不同光照和复杂背景下葡萄病害叶片图像的自动分割。[方法]使用了一种全卷积网络(FCN)的葡萄病害叶片图像的自动分割算法。该算法在结构上将传统的卷积神经网络(CNN)后3个全连接层换成3个卷积层。通过多层的卷积,对输入葡萄叶片图像的特征进行提取;通过池化层,对特征信息进行筛选,缩减特征尺寸,以达到减少网络参数的目的。再通过反卷积对特征上采样,从高维、小尺寸特征恢复到图像原始尺寸,对具有原始尺寸的特征进行逐像素分类,确定原图像中每个像素位置的标签是背景还是前景。因只经过上采样处理后的分割图像会较粗糙,故通过跳跃结构将较为粗糙的原图进行局部信息与整体信息的整合,达到对分割结果进行精细化处理的目的。[结果]本算法对葡萄病害叶片有较好的分割效果,单叶片和复杂多叶片图像的马修斯相互系数(MCC)分别为0.821和0.747,MCC平均值较对比算法提高了6.5%。[结论]本算法能够较精确地分割自然条件下成像的葡萄病害叶片图像,为后续在叶片精准分割病害区域和提取病害特征创造了良好的条件。     

基于参数优化改进型可能聚类的遥感图像分割

可能聚类算法(PCA)和可能C-均值聚类算法(PCM)对初始值非常敏感,容易产生一致性聚类。改进型可能C-均值聚类算法(IPCM)能解决PCM的问题,然而IPCM的执行更依赖于参数。IPCM必须计算参数两次,因此聚类时间长。为了克服PCA和IPCM的缺点,进而应用于复杂的遥感图像分割,将PCA和IPCM相结合,提出了一种基于参数优化的改进型可能聚类算法(IPCAOP)。实验表明,IPCAOP在处理遥感图像分割方面明显优于模糊C-均值聚类(FCM)和IPCM。     

航拍油菜花图像的自动聚类分割方法

为了实现航拍大田油菜花的准确分割,本文提出了一种基于HSI颜色空间阈值和X均值自动聚类算法相结合的分割方法来有效提高分割精度。先将待分割的原始图像转换到HSI颜色空间,通过设定的颜色阈值对目标区域进行定位,实现初步分割,得到候选目标区域;然后将候选目标区域的像素转换至LAB颜色空间,计算候选区域的a、b通道的均值和方差;最后利用得到的均值和方差作为聚类的约束条件,利用X均值自动聚类算法对原图像的a、b通道进行聚类。实验结果表明,本文提出的方法能够克服变化的背景的影响,准确提取油菜花区域;相对于传统的聚类方法,本方法不需要预先设定聚类数,从而实现完全自动的分割。     

融合同态滤波与马尔可夫随机场的棉花图像分割

对机器人图像处理系统中的图像进行准确分割具有重要实用价值,提出融合同态滤波与马尔可夫随机场的图像分割算法。(1)将读入的图像从RGB模式转换到HSI模式,进行同态滤波处理以凸显图像细节与目标区域;(2)将同态滤波后的RGB模式彩色图像转换成灰度图像;(3)将利用了图像区域信息的马尔可夫随机场模型以及对图像中的少量模糊和不确定点具有良好适应性的约束聚类方法相结合,对图像进行分割;(4)在分割图像的基础上通过对连通区域面积阈值的设定以获取目标区域。选取不同角度与光照采集的图像,使用本研究算法进行分割试验,并分别与OTSU算法、模糊聚类图像分割算法和马尔可夫随机场图像分割算法进行比较,结果表明,本研究算法对图像进行分割的效果更好。