无遮挡重叠柑橘目标分割与重建

自然环境下重叠果实的精准识别是智能采摘面临的难题之一。本研究针对无遮挡重叠柑橘,提出了一种基于凹区域简化和距离分析的果实分割与重建方法。该方法提取、分割果实轮廓凹区域,对其进行多边形简化,利用角点检测提取多边形顶点,通过分析各顶点到轮廓凸壳曲线的距离确定轮廓分割点,采用最小二乘圆拟合方法对分割后的轮廓进行重建。结果表明,基于凹区域简化和距离分析的无遮挡重叠柑橘重建轮廓的平均误差为3.12%,不重合度为4.55%,时间为0.291 s,优于RANSAC算法和Hough变换算法,能够满足自然环境下无遮挡重叠果实的智能识别需求。     

基于图像处理的番茄识别方法

针对重叠番茄识别的特点和要求,提出一种新的田间环境下重叠番茄的识别方法。该算法融合了最小二乘法曲线拟合以及Hough变换,首先获取重叠番茄的轮廓曲线,并进行凹点检测,实现了轮廓曲线的分段;再利用最小二乘法对轮廓曲线进行分段拟合,得到重叠情况下的多个目标圆;再利用Hough变换方法对轮廓曲线进行变换识别,获取Hough变换识别的结果;最后利用最小二乘法得到的分段拟合结果修正Hough变换的结果。算法既保留了Hough变换获得的目标整体性,又保证了最小二乘法分段拟合的精确性。通过试验证明,算法识别的平均误差为5.1%。     

基于轮廓曲率和距离分析的重叠柑橘分割与重建

自然环境下重叠果实的精准识别是智能采摘面临的难题之一。针对自然环境中成熟的重叠柑橘，提出了一种基于轮廓曲率和距离分析的果实分割方法。首先，提取重叠柑橘果实轮廓并进行高斯平滑，通过曲率分析，找出异常的轮廓像素点；其次，依次连接相邻两个异常像素点，分析该线段上的像素点到轮廓的距离，在相邻两正常线段的交点处完成重叠柑橘轮廓分割，并通过寻找异常线段剔除对应的非柑橘轮廓像素点；在此基础上，采用最小二乘椭圆拟合方法，对获取的柑橘目标进行轮廓重建。结果表明：利用该方法所得到的重叠柑橘重建轮廓的平均误差、不重合度和时间分别为4.903%、5.593%、0.408 s，优于Hough变换算法和RANSAC算法，能够满足自然环境下成熟重叠柑橘果实的智能识别需求。     

基于凹点寻找标记的分水岭算法分割粘连谷粒

针对标记分水岭算法分割粘连谷粒出现欠分割现象,提出一种基于凹点寻找前景标记的分水岭算法对谷粒进行粘连分割。首先,对谷粒图像进行canny边缘检测,获得谷粒的轮廓,并在低尺度下计算轮廓线的曲率来获取候选凹点,通过自适应阈值和角度去除伪凹点;然后,对经过预处理的图像进行欧式距离变换,按照距离梯度的方向对轮廓曲线进行像素扩充,在凹点处加快速度,再对减去轮廓的二值图进行前景标记;最后,对原二值图应用基于标记的分水岭算法进行分割。利用手机采集5种谷物的图像进行粘连谷粒分割,结果表明,可获得96.4%的谷粒计数准确率。该方法可满足于日常利用手机拍摄的谷粒图像计数的需求。     

基于梯度Hough变换的遮挡苹果目标定位

为实现自然环境中被枝叶或其他果实遮挡的苹果目标定位,提出一种基于图像边缘信息的梯度Hough变换的目标定位方法。该方法首先在Lab空间中利用K-means聚类算法对自然环境下苹果图像进行分割,然后对分割结果进行形态学操作以去除小区域,接着采用Sobel算子提取苹果目标的边缘,最后利用梯度Hough变换获取苹果目标的圆心及半径,实现遮挡苹果目标定位。实验结果表明,该方法能够有效定位遮挡苹果,定位重合度高达93.17%。     

改进的模糊C均值聚类算法和霍夫变换在榛子仁缺陷检测中的应用

以榛子仁为检测样本,采用模糊C均值聚类(FCM)算法进行图像分割;利用飞蛾扑火(MFO)算法改进其目标函数;利用函数对个体样本边缘提取,标记边缘拐点位置,计算拐点个数;对边缘图像进行霍夫(Hough)变换的椭圆曲线拟合,标记并输出饱满籽粒个数;依据试验数据,分析应用改进的模糊C均值聚类算法和霍夫变换对榛子仁缺陷检测的效果.结果表明:改进的模糊C均值聚类算法和霍夫变换,可以准确有效地对饱满、干瘪、霉斑、虫蛀、腐烂的5种榛子仁中的缺陷籽粒进行识别检测,提高榛子仁加工过程中的分拣效率.     

基于模板匹配的人体日常行为识别

提出了一种以运动人体的轮廓为特征，基于模板匹配的人体行为识别方法.利用背景差分法和阴影消除技术从图像中提取完整的人体轮廓.定义一种新的轮廓描述方法，将时变的2D轮廓形状转换为对应的1D距离向量.先计算轮廓点的质心坐标，再将轮廓等弧长地分割，用直线段连接相邻的割点构成对轮廓线的多边形近似，用多边形的顶点到轮廓质心的距离和其两个后继顶点的距离构成的3个距离串来描述轮廓.计算轮廓之间的动态时间规整(DTW)距离，然后利用谱系聚类方法提取行为序列的关键姿态，将关键姿态编码为行为字符串.最后利用编辑距离度量测试序列与标准序列之间的相似性.实验结果表明，利用本方法对人的6种日常行为进行识别，正确识别率达到85.7%以上.     

复杂背景下油茶果采收机重叠果实定位方法研究

油茶果机械化振动采摘技术关键在于振动点选取,判断振动点选取取决于果实生长密度测算和分布估计.然而自然环境下重叠果实的识别对判定结果有较大的影响,因此提出一种基于凸壳识别的分割边界优化方法,提升重叠油茶果识别与分割准确度.该方法先将原始图像转换颜色空间,经过阈值分割和形态学处理获得重叠果实的凹区域,然后在此基础上通过Harris角点检测得到区域的特征点集,利用主成分分析(PCA)和欧式距离方法分析特征点距离关系得到分割路径,最后采用最小二乘法对分割后的目标区域进行拟合重建得到果实轮廓.对比重建的果实轮廓与真实分布图像,该方法的平均定位误差为8.6％,比Hough方法低5.1％;平均耗时为0.52 s,比Hough方法低0.12 s.结果 表明,提出的方法可以有效解决重叠油茶果实识别与分割问题,为采摘装置的振动点选择奠定基础.     

基于Hough变换的企业财务重复数据批量剔除方法

企业财务数据在空间分布上具有一定的不规则性,导致对重复数据剔除的完整性较低,为此,提出基于Hough变换的企业财务重复数据批量剔除方法。首先,采用Hough变换对企业财务数据进行预处理,将累加器单元所有直线形成的峰值作为数据理想的期望值,根据期望变换结果区分在Hough变换下数据的位置变化幅值,沿原始数据空间分布实现对数据的划分。考虑到企业财务数据对应空间直线的边缘即为直线形成的累加器单元形状,因此对沿着正弦曲线法线方向的累加值进行增强处理,得到放大后的峰值信息。之后,采用ASCA实现对重复数据的筛选,用二分极值法将距离Hough变换后峰值最远的位置作为聚类中心,将DBI指数完全一致的数据聚类,保留聚类中的唯一数据,其余进行批量删除,完成操作后计算新的聚类中心,重复计算直至峰值累加器单元的财务数据处于均匀分布状态。测试结果表明,设计方法空间缩减率可达到91.0%,删除数据的准确性可达到96.12%,实现了对重复数据的较完整剔除。     

基于K-means聚类与果萼形状的‘海沃德’猕猴桃膨大果检测方法

【目的】根据‘海沃德’猕猴桃膨大果和未经膨大剂处理的猕猴桃正常果在果萼形状上的差异,建立一种基于K-means聚类算法的猕猴桃膨大果的图像识别方法。【方法】利用K-means聚类算法对猕猴桃的RGB图像进行聚类,以初步分割出猕猴桃果萼;对RGB图像进行灰度化,并采用最大类间方差法对灰度图像进行阈值分割,基于阈值分割后的二值图像提取猕猴桃的边缘区域;基于K-means聚类分割的结果与猕猴桃边缘区域的二值图像提取果萼的聚类,再利用数学形态学处理精确提取出猕猴桃的果萼。求取果萼区域最小外接矩形的长宽比,并根据长宽比进行猕猴桃正常果与膨大果的判断与识别。【结果】对提取的猕猴桃果萼特征的统计分析表明,当猕猴桃果萼区域最小外接矩形的长宽比值大于1.6时为膨大果,否则为正常果,利用该算法对‘海沃德’猕猴桃膨大果的总体正确识别率为91.5%。【结论】基于K-means聚类分割算法和果萼形状上的差异所提出的猕猴桃膨大果无损、便捷检测方法,为猕猴桃膨大果的工业化在线检测及基于手机平台的猕猴桃膨大果识别软件的开发提供了新思路。     

基于特征融合的奶牛个体识别

为快速精准对奶牛个体进行自动化识别,提出一种基于改进方向梯度直方图与局部二值模式(HOG-LBP)特征融合的特征提取算法,结合主成分分析对奶牛个体进行分类。首先依据奶牛头部鼻镜和额部位差异明显的特点,利用方向梯度直方图(HOG)特征检测算法进行边缘特征提取,得到奶牛头部的轮廓特征,然后与改进的局部二值模式(LBP)纹理特征提取进行特征融合,结合主成分分析方法进行奶牛个体识别,对20 000张奶牛图像进行试验。结果表明,该方法识别正确率超过99%,可成功应用到奶牛识别领域。     

基于遗传算法的骨髓细胞图像分割方法研究

设计了一种基于熵的遗传聚类分割算法.以像素的灰度值为特征向量进行编码,利用直方图熵法准则函数作为适应度函数,采用基于排名的选择操作,以一定的概率进行算术交叉和变异,并结合聚类分析设定种群的聚类中心对细胞图像进行遗传聚类分割.对于分割后获得的细胞核轮廓利用活动轮廓模型进行了优化,从而获得连续的细胞轮廓曲线.     

基于提升小波和学习向量量化神经网络的小麦病害图像识别

通过研究小麦叶部病害的症状特点及图像特点,应用K_means硬聚类算法对小麦叶部病害图像进行彩色图像分割,得到二值化分割和彩色分割,利用多重分形分析从二值化分割图像中提取病害形状特征参数,分别利用提升小波变换和脉冲耦合神经网络从彩色分割图像中提取颜色特征参数和纹理特征参数.根据提取的组合特征参数,利用学习向量量化神经网络进行小麦病害分类识别.结果表明,该算法对小麦病害的识别率可达到95％以上.     

基于图像特征的小麦胚芽鞘识别

利用图像颜色特征,首先分割小麦种子图像进而确定小麦种子轮廓矩,根据其轮廓距确定小麦种子质心坐标,然后根据小麦胚芽鞘图像颜色特征对胚芽鞘图像进行分割、获取小麦胚芽鞘图像,其次利用Zhang-Suen并行快速细化算法对小麦胚芽鞘进行细化获取胚芽鞘骨骼线,进而获取骨骼线图像(单像素)上所有点对胚芽鞘骨骼线进行多段直线曲线近似,最后根据小麦种子轮廓质心坐标、胚芽鞘骨骼线近似曲线和切割距离(给定)确定胚芽鞘的姿态和对小麦胚芽鞘切割点位置进行定位。通过对小麦胚芽鞘30幅图片进行图像处理验证。结果表明,该方法能完整地提取小麦种子和胚芽鞘图像、小麦胚芽鞘姿态及位置信息。基于图像颜色特征的小麦胚芽鞘识别及定位方法,为小麦胚芽鞘的识别与分析提供了准确、快捷、可视的技术手段,对于构建胚芽鞘智能识别、定位的视觉系统及自动化切割装置的研究意义重大。     

基于数字图像处理技术的双指针机械仪表读数自动识别方法

针对工程应用中大批量双指针仪表的读数识别问题,提出了一种基于数字图像处理技术的自动识别算法:首先对图像进行预处理,包括图像分割、滤波及膨胀腐蚀等步骤;然后设计了一种限定阈值的Hough变换,确定不同指针的位置关系,并根据指针与旋转中心的距离关系标定不同指针的矢量信息;最后利用表盘刻度与指针夹角的线性关系计算指针读数,并对指针与正刻度线重合、不同指针反向等情况进行校正处理。试验结果表明,该算法对于均匀刻度的双指针仪表有出色的测试精度和识别效率。     

枝条遮挡下单个苹果目标识别与重建的研究

【目的】研究枝条遮挡情况下单个苹果目标的识别,为复杂生长环境下苹果目标的准确识别与定位及实现自动采摘提供支持。【方法】针对果实目标受枝条遮挡影响被分割成几个部分,从而严重影响果实目标准确识别的现状,以枝条遮挡下的苹果目标为研究对象,选用基于Lab颜色空间的Kmeans聚类算法对苹果目标进行分割,再通过数学形态学方法对目标苹果轮廓进行提取,然后根据最小外接矩形法去除目标苹果的伪轮廓,最后利用轮廓的曲率特征对目标苹果进行重建,并对分割与重建结果进行了方法验证。【结果】利用基于Lab颜色空间下的Kmeans聚类算法和最小外接矩形法可有效提取出苹果目标的真实轮廓,能够与苹果目标边缘线达到高度重合,同时可获得较准确的重建结果。对10幅枝条遮挡果实目标的识别、定位与重建的验证结果表明,该方法对目标苹果进行分割与重建的平均分割误差为13.83%,平均重叠系数为88.08%,假阳性率和假阴性率分别为1.22%和11.92%,目标苹果重建准确率均在84.00%以上,平均重建时间为24.40 s。【结论】应用本研究中的方法可对枝条遮挡下的苹果目标进行准确识别、定位与重建,有效缩短重建时间。     

枝条遮挡下单个苹果目标识别与重建方法的研究

【目的】研究枝条遮挡情况下单个苹果目标的识别,为复杂生长环境下苹果目标的准确识别与定位及实现自动采摘提供支持。【方法】针对果实目标受枝条遮挡影响被分割成几个部分,从而严重影响果实目标准确识别的现状,以枝条遮挡下的苹果目标为研究对象,选用基于Lab颜色空间的K-means聚类算法对苹果目标进行分割,再通过数学形态学方法对目标苹果轮廓进行提取,然后根据最小外接矩形法去除目标苹果的伪轮廓,最后利用轮廓的曲率特征对目标苹果进行重建,并对分割与重建结果进行了方法验证。【结果】利用基于Lab颜色空间下的K-means聚类算法和最小外接矩形法可有效提取出苹果目标的真实轮廓,能够与苹果目标边缘线达到高度重合,同时可获得较准确的重建结果。对10幅枝条遮挡果实目标的识别、定位与重建的验证结果表明,该方法对目标苹果进行分割与重建的平均分割误差为13.83%,平均重叠系数为88.08%,假阳性率和假阴性率分别为1.22%和11.92%,目标苹果重建准确率均在84.00%以上,平均重建时间为24.40s。【结论】应用本研究中的方法可对枝条遮挡下的苹果目标进行准确识别、定位与重建,有效缩短重建时间。     

基于OpenCV的畸形马铃薯识别方法

为了研发基于OpenCV自动识别畸形马铃薯的计算机视觉系统,首先采集了93个的马铃薯样本图像,对其进行HSV颜色空间转换、颜色分割、中值滤波和轮廓提取,有效分割出马铃薯的边界轮廓;然后对其轮廓进行二维傅里叶变换,提取70个样本构成的训练集;采用广泛运用于计算机视觉领域的图像预处理及特征提取方法提取10个傅里叶幅度值,利用其构建并训练SVM分类器;最后通过训练好的SVM分类器对未知形状的23个马铃薯进行识别。结果表明:基于OpenCV的畸形马铃薯识别方法能正确判断马铃薯是否为畸形,识别准确率约为95.6%;其中,畸形马铃薯的识别率达到100%。这表明发展计算机视觉系统在自动检测和分类畸形农产品中有较大应用潜力。     

基于Kinect的温室番茄盆栽茎干检测与分割

立体视觉系统能够得到图像的深度信息,可以很好地将植物前景与温室的背景分开。茎干是植物的骨架,也是识别植株的重要特征。通过采用基于Kinect的立体视觉系统对温室盆栽植物的茎干进行检测和分割。通过细化算法、Hough变换、基于直方图的统计方法及Otsu算法在深度图像上进行植物茎干检测,从而分割植物的茎干。最后基于OpenGL图形平台,实现了番茄植株个体的形态可视化,从而为番茄植株生长的可视化奠定了技术基础。     

一种粘连谷物图像分割及杂质识别算法开发

本文提出了一种自动分割粘连谷物并识别杂质的算法。该算法首先使用基于形态学多尺度分解的分水岭算法对粘连颗粒进行分割,接着提取各个颗粒的形态特征和颜色特征,然后计算上述样本颗粒的特征值与完好谷物的特征值之间的马氏距离,并比较它们的马氏距离与设定的阈值,来识别混杂在谷物中的杂质。通过对5种谷粒(普通大米、粗米、糙米、普通大麦、糯麦)的实验,结果表明该算法取得了较好的分割与识别效果,为谷物质量分级的评定提供了一种快速有效地检测谷物产品杂质率的方法。