基于脉冲耦合神经网络的粘连玉米种子图像分割

为解决玉米种子内部机械裂纹检测过程中存在的种子间粘连问题,提出一种基于自适应脉冲耦合神经网络(Pulse coupled neural net)模型与熵值最大原则相结合的图像分割算法。运用直方图均衡化和布特沃斯低通滤波器进行频域增强预处理,以提高玉米种子与图像背景的对比度;运用PCNN模型,结合最大熵值原则对预处理后的粘连玉米种子图像进行分割,并引入图像像素的拉普拉斯能量(Energy of laplace)作为PCNN网络各神经元之间的连接系数,以增强图像分割效果;采用维纳滤波和数学形态学对分割后存在的噪声和断点进行处理,得到最终的分割效果。试验结果表明:PCNN与熵值最大原则相结合的图像分割算法的分割准确率为92.5%,运行时间为1.166 2s,分割准确率高于改进分水岭算法、OTSU算法和最大熵直方图分割算法,用时略长于其他分割算法。     

玉米自动化考种过程的粘连籽粒图像分割

针对玉米自动化考种过程籽粒粘连导致穗粒数统计准确率低的问题,提出一种遗传算法(GA)与改进脉冲耦合神经网络(PCNN)相结合的分割方法(GA+改进PCNN),对粘连玉米籽粒图像的分割问题进行研究。采用数学形态学和wiener滤波对待分割图像去噪,基于小波变换进行多图像融合得到新图像;利用遗传算法寻找改进PCNN模型中参数β、αE和VE的最优解并进行图像分割。结果表明:1)本研究方法对粘连玉米籽粒的分割准确率为98%;2)本研究方法的交叉熵、区域内部均匀性、形状测度维和区域对比度指标依次为0.079 4、0.975 4、0.878 5和0.869 2,总体优于OTSU、改进分水岭、迭代法全局阈值和未改进PCNN分割算法;3)本研究方法的单幅图像处理时间为22.07s,用时长于各比较算法,但分割效果最理想。     

基于DWT-NLM模型的农产品图像处理算法

提出了一种基于离散小波变换(DWT)和非局部均值滤波(NLM)的农产品图像处理算法。首先对图像进行3层DWT,在变换域中对高频小波系数进行改进小波阈值模型去噪,对原始低频小波系数与去噪后的高频小波系数分别进行重构,得到背景图像和细节图像;再对细节图像进行区域划分,对每个图像区域分别采用NLM算法进行去噪;最后将背景图像和去噪后的细节图像进行叠加处理,得到去噪后农产品图像。引入边缘保持指数(edge protection index,EPI)、均方误差(mean square error,MSE)对试验结果进行评价,结果表明,本研究算法对该类图像的处理取得了较好的效果,且对NLM、小波阈值去噪等算法而言优势较明显。     

小波和傅里叶相融合的彩色木材图像增强

针对现实生活中彩色图像普遍存在不清晰和对比度差的情况,在RGB模型上提出了一种新的彩色图像增强算法,并且应用到了木材图像领域。将彩色木材图像分解为RGB3个通道,首先使用滤波器把3个通道分别分解成高低频子带;然后使用傅立叶变换和小波变换相融合的方式进行锯齿检测,同时进行阈值判断;之后对检测到的锯齿进行消除,低频子带使用方向自适应滤波器,高频子带使用小波收缩函数进行消除;再使用小波逆变换返回3个通道;最后将3个通道还原成彩色图像。结果表明,该方法和传统方法相比较,可以有效保持图像的边缘特征,达到增强效果。以樟子松微观横截面为例,峰值信噪比PSNR提高了5.05,信息熵提高了3.14。本研究同时采集了榆木微观横截面、杨木宏观横截面和云杉微观横截面,其图像均得到增强。     

基于计算机视觉的实木表面智能化分选系统设计

设计一种集实木传送、图像定位与采集、实木板材表面识别与分选的智能系统,系统通过传送带运送实木板材,CCD摄像头获取板材图像,在触摸屏工控机TPC700-9190T上应用MFC与OpenCV编写分选程序对板材图像进行分析,识别结果通过STM32单片机控制电磁阀完成实木板材的分类。在图像定位与识别算法中,采用积分投影算法确定板材边界,动态采集板材表面图像;在颜色分类方面,利用L*a*b*空间颜色分量的均值、方差和斜度3个低阶矩表达颜色;在缺陷检测方面,提出了基于纹理填充的缺陷分割方法,通过获取纹理掩膜图像,然后利用板材背景颜色淡化纹理,最后应用加权阈值法完成缺陷分割,分割后计算缺陷面积、边缘灰度均值、内部灰度均值和长宽比等特征表达缺陷信息;在纹理识别方面,提出了基于Contourlet变换的纹理特征提取方法,通过对纹理图像进行Contourlet变换3层分解,得到1个低频子带、6个中频子带和8个高频子带,分别计算低频和中频系数矩阵的均值和方差,并与高频系数矩阵的能量组成22个特征表达纹理信息;最后设计SVM分类器,分别对颜色、缺陷和纹理进行识别。采用300个柞木样本进行实验,板材传送速度在小于1.5 m/s范围内,颜色识别准确率为100%;活节、死结和裂纹识别准确率分别为92.2%、95.6%和93.3%;直纹、弯纹识别准确率分别为93.9%、92.8%。实验结果表明,分选系统具有实时、高效、准确的特点。      

基于Contourlet变换与LSSVM的玉米种子识别算法

基于Contourlet变换与最小二乘支持向量机(least squares support vector machine,LSSVM),提出了一种玉米种子高精度识别算法。该算法首先对玉米种子图像进行多层Contourlet分解,结合指数函数和反正弦函数,提出了一种新型的阈值函数模型对高频分解系数进行去噪处理;其次,将低频分解系数与去噪后的高频分解系数进行重构,得到去噪后的玉米种子图像;最后采用LSSVM对去噪后的玉米种子图像进行识别,采用径向基函数模型作为LSSVM核函数模型。试验结果表明,对去噪后的图像进行LSSVM识别的精度优于直接对图像进行LSSVM、SVM识别的精度。     

基于内容的医学图像小波融合算法

针对CT和 MR医学图像的融合增强问题,基于小波变换方法,引入边缘检测和二值化处理的思想,对小波变换的融合规则进行改进,即在低频子带融合规则中引入边缘检测图像以保护图像轮廓信息,在高频子带融合规则中引入二值化图像以保护图像的细节信息。数值试验结果表明,该算法能在融合图像中较好地保留边缘和细节信息,使得合成图像更加清晰完整。     

一种非下采样轮廓波变换域水果图像预处理方法

水果图像在获取过程中受到拍摄系统自身的缺陷、复杂多变的成像环境等多重因素的限制,导致图像被掺杂进一些噪声,降低了图像的清晰度。结合非下采样轮廓波变换(nonsubsampled contourlet transform,NSCT),提出了该类图像的有效预处理方法。该方法首先对图像进行多尺度NSCT分解,获得低频分解系数和高频分解系数;然后对低频分解系数进行模糊增强处理,对高频系数采用二维多级中值滤波算法(two-dimensional multi-stage median filtering algorithm)进行处理;最后进行分解系数重构,获得清晰度较高的水果图像。分别将此算法与已有的几类同类型算法对水果图像进行去噪处理,并引入峰值信噪比(peak signal noise to ratio,PSNR)作为处理效果评价指标,结果表明,此算法性能明显优于已有的同类型算法。     

基于小波变换的图像融合算法

图像融合技术的研究目的就是综合不同类型的传感器所获取的图像信息,通过对多幅图像间冗余数据的处理提高图像的可靠性和可观察性,通过对多幅图像间互补信息的处理提高图像的效果。提出了一种基于小波的融合算法,该算法基于小波图像的能量集中在低频子带、细节体现在高频子带的特点,在低频部分对小波系数采用基于局部能量的加权融合方法处理,高频部分采用基于边缘信息的加权算法进行融合。结果表明:所采用的方法避免了图像融合过程中因平均化而出现的模糊现象,融合后的图像内容更加清晰,更容易识别。实践证明,基于小波变换的图像融合可以取得良好的结果和较快的处理速度。     

基于DWT和SVD的视频水印算法研究

针对现有的大多数视频水印算法不能很好地抵抗几何攻击的问题,基于离散小波变换(DWT)和奇异值分解(SVD)的视频水印算法,利用离散小波变换的多分辨率特性及奇异值的旋转、位移、转置、镜像变换的不变性,将置乱后水印的奇异值嵌入到离散小波变换的低频子带图像的奇异值上,得到较好的不可见性并实现了盲检测。实验表明,此算法能够对大多数水印攻击具有很好的鲁棒性,尤其提高了对抗空间上同步攻击的鲁棒性。     

基于相关性阈值的NSCT图像去噪方法研究

利用非下采样Contourlet变换（NSCT）平移不变性、多分辨率、多方向的优点，提出一种基于尺度相关与阈值去噪相结合的非下采样 Contourlet变换图像去噪方法。首先对噪声图像进行非下采样Contourlet变换，得到各个尺度各个方向子带的系数，然后采用相关系数归一的方法，结合Bayesian自适应阈值来达到更好的去噪效果。仿真实验表明，该方法在提高去噪后图像的峰值信噪比的同时，有效保留了图像的纹理信息，避免伪吉布斯现象，改善了图像的视觉效果。     

基于红外热成像技术的玉米种子活力等级分类方法研究

针对传统玉米种子活力等级分类方法耗时长、环境要求严格、对种子产生损伤等问题,利用红外热成像技术结合SVM算法,建立了快速、无损、高效的玉米种子活力等级分类方法。首先采用人工老化的方法将1 200粒玉米种子分组分别老化0 h,72 h,144 h。利用不同老化时间玉米种子具有不同的生理特性,通过红外热成像仪采集温度胁迫后自然冷却的玉米种子红外热像图,提取温度值作为特征。随后对玉米种子进行标准萌发实验,根据实验结果,将玉米种子分为高活力,中活力和低活力3个活力等级。将温度值作为特征,活力等级作为标签分别建立K最近邻(KNN)和支持向量机(SVM)模型并进行训练,以模型分类准确率和训练时间作为评价指标,确定较佳模型,最终通过网格搜索对选择的模型参数进行优化。结果表明基于红外热成像技术结合支持向量机(SVM)建立的模型,训练集准确率达到了92.4%,测试集准确率为91%,训练用时0.12s。该模型经过优化后训练集准确率达到了97.1%,测试集准确率达到了96.5%。     

抗剪切鲁棒图像数字水印的研究与实现

数字水印是解决信息安全和版权保护的有效方法,为增强其鲁棒性,提出一种结合离散余弦和离散小波的数字图像水印算法:对原始灰度图像进行小波分解,对得到的LL图像按照一定大小进行分块;对每一块进行离散余弦变换,把水印图像经过Arnold置乱后的值嵌入到变换后的系数上;进行逆变换。实验结果表明,该算法能够经受住中值滤波、剪切等的攻击,具有很强的鲁棒性。     

基于优化卷积神经网络的玉米螟虫害图像识别

【目的】随着人工智能和大数据技术的不断发展,针对常规玉米虫害识别方法存在的准确率和效率低等问题,本文提出了一种基于改进GoogLeNet卷积神经网络模型的玉米螟虫害图像识别方法。【方法】首先通过迁移学习将GoogLeNet的Inception-v4网络结构知识转移到玉米螟Pyrausta nubilalis虫害识别的任务上,构建模型的训练方式;然后通过数据增强技术对玉米螟虫图像进行样本扩充,得到神经网络训练模型的数据集;同时利用Inception模块拥有多尺度卷积核提取多尺度玉米螟虫害分布特征的能力构建网络模型,并在试验过程中对激活函数、梯度下降算法等模型参数进行优化;最后引入批标准化(BN)操作加速优化模型网络训练,并将该模型运用到玉米螟虫害识别中。【结果】基于TensorFlow框架下的试验结果表明,优化后的神经网络算法对玉米螟虫害图像平均识别准确率达到了96.44%。【结论】基于优化的卷积神经网络识别模型具有更强的鲁棒性和适用性,可为玉米等农作物虫害识别、智能诊断提供参考。     

基于光声光谱深度扫描的单粒玉米种子发芽率无损检测方法

目的 针对目前玉米种子发芽率快速无损检测方法易受种子表皮颜色影响的问题，拟采用光声光谱深度扫描技术提高玉米种子发芽率的检测精度。方法 选取3种不同颜色、6个品种的玉米样本，利用人工老化方法得到8种不同老化时间的玉米种子；通过调制光谱频率获得7种不同深度的光声光谱信息，并利用主成分分析分别得到最佳扫描频率和特征光谱，比较偏最小二乘法回归、BP神经网络、广义回归神经网络和支持向量回归等发芽率预测模型精度。结果 光声光谱最佳扫描频率为500 Hz，支持向量回归的预测模型精度最高，相关系数均超过0.980 0。6个品种玉米种子的发芽率预测相关系数分别为0.983 8，0.984 7，0.983 6，0.987 8，0.983 3和0.994 7，6个品种混合的玉米种子发芽率预测相关系数为0.942 1。结论 通过拓展光谱、声音和深度信息，光声光谱深度扫描技术适用于不同颜色的玉米发芽率高精度检测，具有较好的泛化能力。     

基于ICA和DWT的自适应盲水印算法

为了使数字水印具有较强的鲁棒性和不可见性,提出一种基于独立分量分析（ICA）和离散小波变换（DWT）的自适应鲁棒性盲水印算法.该算法先将载体图像进行小波变换,然后将原始水印进行平铺和置乱,再根据噪声可见函数（NVF）的视觉掩蔽作用,将其自适应地嵌入到载体图像小波变换域的低频系数上,最后利用ICA技术实现了水印盲提取.实验结果表明,该算法的水印不可见性较好,且可抵抗多种常见水印攻击,其中对JPEG压缩、尺度缩放等攻击的鲁棒性较突出,可应用于图像的版权保护.     

玉米种子电磁振动定向装置仿真模型的建立与验证

针对实际电磁振动定向装置进行多因数多水平试验研究时存在周期长、受加工精度影响大等问题,利用ADAMS等软件建立参数化的玉米种子电磁振动定向装置和种子仿真模型,通过试验测定玉米种子与定向滑槽之间的接触参数,系统定义玉米种子与定向滑槽之间的接触。从振动分析、接触力和模型振动效果3方面对该模型进行验证。结果表明:该电磁振动定向装置和玉米种子的仿真模型振动效果符合实际,接触的定义准确,激振力与振幅线性相关,符合实际弹簧片变形规律和电磁振动理论,可以用来代替实际电磁振动装置进行电磁振动下玉米种子姿态翻转与定向传输的模拟仿真试验和优化试验。     

基于对数熵最优小波包基树的图像编码压缩研究

图像的能量主要集中在高频部分,传统的小波变换图像编码压缩方法主要侧重低频信号,而把高频部分看为不重要的信息,这就导致图像的细节失真。考虑到图像能量分布情况,提出以对数熵为代价函数,选择最优小波包树的图像编码压缩方法,仿真结果表明这种方法不仅可以提高的压缩比,而且重构的图像效果比较好。