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。     

基于光源不变图和聚类算法的叶片阴影中病斑的分割

【目的】提出了一种基于光源不变图的病斑分割方法,以提高病斑识别程序的准确性和稳定性。【方法】将阴影区和非阴影区视为不同光源照明,通过最小熵法计算原图的光源不变图,在该图上采用K均值聚类算法对病斑进行分割,以采集的病斑叶片为材料,对该方法的处理效果进行验证。【结果】比较光源不变图法和H分量法的处理结果后发现,采用光源不变图法处理病斑不同区域的平均差异较H分量法更低,仅为10.7%;聚类分割算法对使用光源不变图法处理病斑图像的分割准确率为95.0%,较H分量法具有更高的正确率,且误检率更低。【结论】采用光源不变图法对病斑图像处理的效果好、性能稳定,同一目标在不同光照条件下处理结果的一致性较高。     

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。     

覆膜玉米冠层图像分割方法

在弱光条件下,采用色调(H)和饱和度(S)颜色分量的K均值聚类分析结合相应色差运算方法,对覆膜玉米冠层图像进行分割,并将分割所得影像的二值图分别与超绿、超红和超绿-超红算法分割结果进行比较。结果表明,该方法更能精确反映玉米的冠层形状。将该方法得到的玉米冠层覆盖度计算结果与Samplepoint软件分析结果进行比较发现,前者均方根误差取值较小,仅为0.004 2,分割误差率低至3.37%,分割图像准确率高。综合分析表明,在弱光背景下,基于H和S颜色分量的K均值聚类分析结合色差运算的分割方法对覆膜玉米冠层的分割结果准确可靠。     

基于RGB颜色空间的猪肉大理石纹分割

自然光或白炽灯照射下的猪肉图像会因反光作用导致亮斑噪声,且猪肉大理石纹纹理具有细小、分布较散等特点,不利于大理石纹识别。针对上述问题,通过对比多种光源条件,找到最佳拍摄环境,避免图像出现亮斑噪声。提取猪背最长肌横截面图的RGB颜色空间的R、G、B 3个颜色分量图,分别用阈值分割法、模糊C均值聚类分割算法(FCM)和基于高斯核的模糊C均值聚类分割算法(KFCM),对R、G、B分量图进行分割试验,通过图像处理技术自动识别出猪肉大理石纹,研究结果表明KFCM算法在R分量图上的分割结果最优。     

自然环境下基于Lab空间的成熟苹果图像分割

为了提高自然环境下成熟苹果图像的分割质量,通过对自然环境成熟苹果颜色特征的分析,提出一种在Lab颜色空间的苹果图像分割算法。首先对图像进行均值滤波预处理以消除噪声的影响,然后把图像从RGB空间转换到Lab空间并提取a分量,最后进行K-means分割。结果表明,基于Lab空间中a分量的K-means分割能有效地把苹果从图像中提取出来。     

基于无人机高清数码影像的水稻产量估算

目前常用的水稻产量估算方法以卫星遥感估产为主,卫星遥感估产的分辨率较低、缺乏机理性、误差较大。为了能够快速灵活地获取水稻冠层信息、提高分辨率、准确地估测水稻产量,利用无人机平台搭载高清数码相机,拍摄从抽穗期到成熟期的水稻冠层影像,首先应用中值滤波算法对RGB颜色空间下水稻冠层图像进行去噪,然后针对彩色水稻图像的颜色特征,将图像由RGB颜色空间转换到L*a*b*颜色空间,运用K均值聚类算法对水稻冠层图像进行聚类分析、图像分割,提取出水稻穗、获得水稻穗数量、代入水稻产量估算公式进行估产。试验区域共有18块水稻小区(长8m,宽5m),在水稻抽穗期到成熟期之间拍摄4次。试验记录的数据包括拍摄的时间、高度以及分辨率,同时还要在田间实测水稻穗的数量和水稻的产量,为后期评价和判断K均值聚类算法提取水稻穗的精度以及水稻产量估测的精度提供依据。对水稻产量的实测值与估测值、田间实测的水稻穗数量与图像中提取水稻穗数量进行对比分析。结果表明:对8月18日无人机拍摄的水稻冠层影像进行图像分割,提取出水稻穗的效果较好,估产的精度较高,产量估计均方根误差和平均绝对百分误差分别为9.08和22.8%,水稻穗数估计均方根误差和平均绝对百分误差分别为19.86和5.8%。说明利用无人机搭载数码相机能够快速、无损地获取水稻冠层信息,运用K均值聚类算法能够较为准确地将水稻穗从水稻冠层图像中分割出来,利用数字图像对水稻产量进行估算是可行的。     

基于SVM的棉田冠层图像分割方法研究

复杂环境下的棉田冠层图像由于成像环境光照不均、冠层阴影部分与土壤背景对比度低等因素给棉田冠层图像的准确分割带来了困难.在对上述问题进行研究后,提出了一种基于支持向量机(SVM)的图像分割方法.该方法首先以图像目标和背景两类像素的分割特征值构建样本数据集;运用训练好的SVM分类器对棉田冠层图像进行分割处理,最后使用数学形态学滤波方法对分割结果进行优化,获得棉田冠层图像的精确分割结果.实验结果表明,该方法可有效分割出棉田冠层区域,分割误分程度以及分割准确程度均优于常用分割方法.     

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Lab颜色空间下的小麦赤霉病图像分割

针对智能识别小麦赤霉病方法中分割患病麦穗图像效果不佳的问题,运用中值滤波方法对患赤霉病麦穗图像进行降噪预处理,采用基于阈值的最大类间方差算法(OTSU)、基于聚类的k-means算法在RGB、HSV和Lab颜色空间中对小麦扬花期到黄熟期感染赤霉病的麦穗图像进行分割,提取出麦穗的病害部分。采用试验田环境下扬花期到黄熟期200张患赤霉病的麦穗图像进行分割试验,结果表明:将图像从RGB颜色空间转化为Lab颜色空间并对a分量采用最大类间方差算法(OTSU)进行分割的效果最佳,误分率仅有1.11%。     

基于超像素特征向量的果树冠层分割方法

针对无人机精确植保过程中,果树冠层区域颜色特征和杂草相似度较高、难以分割等问题,采用基于超像素特征向量的果树冠层分割方法,以消除不同杂草特征对树冠分离的干扰,减小农药喷雾区域,节省农药使用量.通过分析无人机采集合成的样本图像在HSV彩色空间上色调与饱和度的分布情况,选取合适的阈值范围,提取样本图像中包含果树冠层与杂草的绿色区域,将提取的绿色区域RGB图像转换生成Lab和HSV彩色空间模型下的图像,然后运用简单的线性迭代聚类(Simple linear iterative clustering,SLIC)超像素分割算法将RGB图像预设分割成250个超像素单元,结合超像素的分割信息与RGB图像、Lab图像、HSV图像以及灰度图,提取超像素单元的特征向量,随机选取25％的超像素样本的特征向量作为SVM分类器的训练集,利用SVM分类器对所有样本进行预测分类,实现果树冠层与杂草分割.将基于超像素特征向量的方法和基于光谱阈值、K-means聚类的2种方法进行对比分析,结果显示,基于超像素特征向量的方法在识别果树冠层位置方面生产者精度为90.83％,在提取果树冠层轮廓上F测度值为87.62％,总体分割性能优于后两种方法.说明,基于超像素特征向量的方法能够较为准确地分割果树冠层与杂草,为实现无人机在果园中精确植保提供重要支撑.     

支持向量机和最大类间方差法结合的水稻冠层图像分割方法

针对田间多变光照强度给水稻冠层图像分割带来的难题,探讨了一种基于支持向量机(SVM)和最大类间方差法(OTSU法)相结合的水稻冠层图像分割算法。首先,从不同光强条件下的水稻冠层图像中采集代表性水稻和背景像元构建训练图像S1和S2,通过分析水稻S1和背景S2两类图像在RGB色彩空间中R、G、B色彩特征值的分布频率,rgb(标准化RGB)色彩空间中r、g、b色彩特征值的分布频率,CIE L*a*b*色彩空间中L*、a*、b*色彩特征值的分布频率,以及HSV色彩空间中H、S、V色彩特征值的分布频率,筛选出具有明显双峰特征的g、a*、b*和S作为关键色彩特征;然后,在由g、a*、b*和S色彩特征构成的多维色彩空间中采用支持向量机学习算法获得分隔水稻和背景像元的优化超平面Z(Z=0.421g+0.753 a*+0.152 b*+0.051S+0.085);最后,计算水稻冠层图像中每一像元的Z值,并用最大类间方差法计算分割阈值Z_t,从而实现水稻冠层图像分割。为了评价该分割方法,以90幅不同光强(阴天、多云和晴天)条件下采集到的田间水稻冠层图像作为测试图像,并以常用的ExGOTSU分割方法作为对比,分析该分割方法的分割精度和光强稳健性。结果表明,Ex GOTSU方法的精确度显著受光强条件影响,随着光强强度的提高而显著降低,光强稳健性差;该研究所提分割方法对阴天、多云和晴天条件下水稻冠层图像的分割误差为7.30%、8.72%和8.98%,分割精确度较高,且具有良好的光强稳健性。因此,该基于支持向量机和最大类间方差法相结合的水稻冠层图像分割方法具有较高的分割精度和光强稳健性,可为田间多变光照条件下水稻冠层图像精准分割提供技术参考。     

成熟期苹果计数方法研究———以黄土高原样本为例证

对比RGB(红,绿,蓝)颜色空间下各颜色分量间多种色差运算的自适应阈值分割与基于H(色调)和S(饱和度)的K均值聚类算法对苹果影像的分割,选取适宜于自然生长状态下成熟期苹果影像分割的最佳算法分割目标物.在影像分割的基础之上,通过计算影像中苹果区域的总面积与单果平均面积之商确定苹果数目.试验结果表明:1.1×R-G色差运算结合自适应阈值分割算法对成熟期苹果影像有较好的分割效果;以影像中苹果总面积与单果平均面积之商确定苹果数目的算法准确率可达82.18%,计数方法准确率高.     

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%。     

自然环境下杨梅果实图像的分割方法研究

为解决自然环境下杨梅果实图像难以准确分割的问题,提出了一种基于同态滤波算法进行杨梅图像分割的方法。通过分析杨梅果实的颜色特征,基于RGB颜色空间采用R-G色差分量处理杨梅果实图像,并进行二值化,采用形态学及连通区域标注统计法,消除可能存在的图像噪声,从而去除树叶等大部分背景;然后通过计算区域最小外接矩形的长宽比来判断区域内是否还存在枝叶,以此考虑是否需要进一步分割。在进行下一步分割前,为了消除光照不均的影响,在HSV颜色空间中,采用同态滤波图像增强的方法对亮度V分量进行增强,实现光照补偿。最后,继续基于RGB颜色空间采用R-G色差分量,应用Otsu分割法来细分割剩余的枝叶等部分,实现杨梅果实图像的分割。结果表明:本研究算法能够有效地将杨梅从背景中分割出来,分割误差Af的均值仅为2.26%,与直接采用Otsu分割算法的分割误差Af的均值25.23%相比,降低22.97%。与没有同态滤波过程的图像分割算法的分割误差Af的均值18.12%相比,降低15.96%,从而验证本研究算法的有效性。     

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。     

基于改进K均值聚类的葡萄果穗图像分割

针对在自然光照复杂背景下,葡萄果穗区域分割准确度差的问题,提出一种融合局部异常因子(LOF)算法和K均值聚类算法的图像分割算法。本算法首先对由像素点组成的数据集合进行局部偏离因子(LOF)值计算,然后通过LOF值将数据集合重新排序,剔除LOF值最大的前n个对象,最后对局部异常因子算法输出的数据集合进行K均值聚类。在聚类过程中,通过局部偏离因子的值优化了初始聚类中心的选择,并降低了离群点和孤立点对最终聚类结果的影响。选取50幅不同光照、不同背景下的成熟巨峰葡萄果穗图片进行分割试验,结果表明改进的图像分割算法能更准确地将葡萄果穗从复杂背景中分割出来。     

基于清晰度的茶叶嫩芽聚类分割方法

针对自然环境下茶叶嫩芽图像分割易出现过分割和欠分割等问题,提出一种基于清晰度评价和颜色聚类级联的嫩芽图像分割方法,并结合Tenengrad梯度评价和滑动分割获取清晰度较高的图像区域,然后在RGB、HSV、Lab、YCbCr颜色模型下进行聚类分割。结果表明,选取Tenengrad梯度值的上四分位数作为清晰度初选阈值,漏选率为25%;在HSV颜色模型下,利用K-means聚类方法完成嫩芽图像分割,晴天和阴天环境下嫩芽图像分割精度分别为72.48%和77.83%,较直接K-means分割方法相比,假阳性率分别减少5.19%和2.03%。该方法能够实现自然环境下茶叶嫩芽图像的有效分割,减少欠分割和过分割,为茶叶智能采摘提供理论参考。     

基于改进SLIC的光照干扰下茶树冠层图像分割

针对自然环境下获取农作物图像时极易受到光照干扰的问题,提出一种改进的简单线性迭代聚类(SLIC)方法,以[L~*,R,G-S,x,y]作为聚类向量对茶树冠层图像进行超像素分割,提取超像素块的R、G、B、H、S、V、L~*、a~*、b~*、熵、能量、对比度、逆差矩等13个图像特征参数;将超像素块分为正常区域、反光区域、背景3类,分别选择线性、多项式和RBF核函数的SVM进行分类,得到仅包含正常区域的茶树冠层图像,进而提取正常区域的图像特征参数。试验结果表明,在光照变化情况下,改进的SLIC与RBF-SVM结合得到的图像特征最为稳定。     

基于可见光谱色彩指标Otsu 法的水稻冠层图像分割

水稻冠层数字图像分析技术在水稻生长监测、氮营养诊断及产量预测上具有应用潜力,而水稻像元精确分割、提取是水稻冠层数字图像分析结果准确、稳定、可靠的前提。最大类间方差法(Otsu法)具备分割质量稳定、自适应强的特性,分割效果较好,是一种常用的阈值分割方法。通过提取计算水稻冠层图像9种图像色彩指标R、G、B、CIEL*a*b*色彩空间的L*、a*、b*分量、HSV色彩空间的H分量、绿度叶片指数(GLD)以及植被指数(VIGreen),并以各种图像色彩指标的Otsu法对水稻冠层图像进行分割,比较其图像分割效果。结果表明,水稻和土壤像元的a*、b*、GLD、VIGreen色彩指标双峰性明显,且重叠性小,可作为分割水稻与土壤背景的候选图像色彩指标;基于a*、GLD、VIGreen色彩指标的Otsu法的分割精度较高,且基于a*色彩指标的Otsu法对水稻冠层图像分割效果的信噪比最大、误差率最低,其次是基于VIGreen色彩指标的Otsu法;基于CIEL*a*b*色彩空间的a*色彩指标是Otsu法的水稻冠层图像分割中较优的图像色彩指标。