基于云的过渡区提取与图像分割算法

提出了一种基于云的图像过渡区提取算法.该方法利用区域生长算法提取目标内部灰度同质性及相似性最高的区域作为云核,结合云发生器,对图像进行云化处理.通过相邻云之间的逻辑运算生成边界云,提取边界云的数字特征,利用边界云的熵来确定过渡区的两端极值.在此基础上,采用过渡区象素的直方图峰值对应灰度作为分割阈值并进行图像划分.试验结果表明,该算法在能取得较好分割效果.     

基于云的过渡区提取与图像分割算法

提出了一种基于云的图像过渡区提取算法.该方法利用区域生长算法提取目标内部灰度同质性及相似性最高的区域作为云核,结合云发生器,对图像进行云化处理.通过相邻云之间的逻辑运算生成边界云,提取边界云的数字特征,利用边界云的熵来确定过渡区的两端极值.在此基础上,采用过渡区象素的直方图峰值对应灰度作为分割阈值并进行图像划分.试验结果表明,该算法在能取得较好分割效果.     

基于RGB彩色空间的原木端面图像参数测算研究

[目的]根据原木端面图像的彩色特征,提出一种基于RGB颜色空间的彩色图像分割算法。[方法]选取图像中指定区域作为样本,统计样本中像素点的彩色分量,利用其彩色阈值区间,通过逐点匹配法对图像进行分割。[结果]该方法不仅消除了阴影干扰,而且能够准确地对原木端面进行分割。分割结果图像优化处理后,完整地反映出图像中的原木端面。采用目标图像外接矩形的内接椭圆算法对原木端面图像进行参数测算,结果表明,该算法的测算结果相对误差小于0.5%。[结论]基于RGB彩色空间的原木端面图像分隔方法分隔效果较优,参数测算结果较准确。     

图像分割技术之迭代算法在杂草识别中的应用

计算机图像处理是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。图像分割技术是图像处理之基本技术,图像分割就是在一幅影像中查找同类的区域。图像分割的应用范围涵盖了图像噪声的过滤以及特征的提取和识别。在介绍图像分割的主要特征的基础上,针对农田杂草识别中图像分割特点,提出了应用迭代算法的分割方法,并开发了相应的软件。实验验证该方法用于农田杂草识别前的图像的二值化处理,能够很好地消除图像噪声,得到连续的图像边界,可以有效地实现图像的二值化处理,为后续的杂草识别打下良好的基础。     

基于诱虫板图像的温室番茄作物害虫识别与监测方法

[目的]本文旨在探索实时监测温室虫情和精准防控虫害的方法。[方法]设计了一种基于诱虫板图像背景均匀化的自适应分割方法,结合基于随机森林(random forest, RF)的图像识别算法识别4类温室番茄害虫(烟粉虱、潜叶蝇、果蝇和蚜虫)并计数。该方法首先提取诱虫板图像RGB(red-green-blue)颜色模型B分量和HSV(hue-saturation-value)颜色模型V分量,然后分别对2张图像分段调整背景灰度值得到均匀背景诱虫板灰度图像,再利用最大类间方差法确定阈值分割图像,经形态学处理后融合2张诱虫板二值图像,最后提取害虫区域的6个颜色特征、8个形状特征和6个纹理特征,训练随机森林以识别害虫并计数。[结果]对比分析Sauvola局部阈值法、Prewitt边缘分割法、k-means聚类法以及本文设计的自适应分割方法,结果表明基于背景均匀化的自适应分割方法效果最好,平均分割准确率为95.34%。对比分析7种特征向量组合下随机森林、C-SVC(C-support vector classification)和BP(back propagation)神经网络3种分类方法,结果表明综合颜色特征向量、形状特征向量和纹理特征向量作为输入的随机森林算法识别效果更好,对烟粉虱、潜叶蝇、果蝇和蚜虫的识别准确率分别为93.89%、90.71%、91.54%和90.40%。[结论]本文设计的方法能够实现诱虫板上4类害虫的识别和计数,可以为温室虫情监测与预警提供参考。     

光谱指数测量中窄带图像的光强自适应分割方法

[目的]本文对作物冠层区域的光强自适应性分割算法进行了研究,旨在消除光谱指数测量过程中土壤背景的干扰,克服现有光谱检测方法对结构光的依赖性。[方法]采用加装窄带滤光片的2个相机组建测量系统,并对相机的几何安装参数进行标定;将窄带图像灰度直方图的波谷灰度值与最大灰度值的比值作为归一化阈值,实现窄带图像分割的光环境自适应性。在实现近红外窄带图像中土壤和冠层分割的基础上,通过几何变换推算出可见光波段窄带图像的冠层区域,从而实现可见光窄带图像的分割。[结果]在80～140 cm高度内,每隔10 cm设置1个测量高度,每个高度采集5组平均株高为25 cm的绿萝冠层窄带图像(770和660 nm),安装660 nm滤光片的相机在完成图像采集后,将滤光片换成770 nm重新拍摄5张照片,作为660 nm图像分割效果的参考图像。结果表明:660 nm图像的分割区域与参考图像的分割区域平均重合度大于99%。同时计算了光照度为10 000～26 000 lx时拍摄的50幅绿萝770 nm窄带图像的非归一化阈值和归一化阈值,其与光照度的相关系数分别为0.586 6和0.091 6。[结论]本文提出的基于归一化阈值的分割方法对光环境的变化具有很强的适应性,综合归一化阈值和几何变换可以实现窄带图像的分割,为构建消除土壤干扰的归一化植被指数(normalized difference vegetation index,NDVI)等光谱指数提供有效的基础数据。     

面向LED植物生长柜的叶脉特征提取

叶菜叶脉突出的形态特征能够较真实地体现出作物生长的状态。利用计算机图像处理技术提取叶脉形态特征,对于及时掌握蔬菜长势,实现植物生长柜环境智能控制等都具有重要的意义。对比了各通道的直方图分布后,选择利用颜色通道组合运算的方法对图像进行阈值分割,从而得到叶脉和叶片轮廓图像;然后采用数学形态学处理方法提取叶片整体边缘,再将二者相减实现叶脉的准确分割和提取。试验结果表明,利用叶肉与叶脉的颜色差异可以较好地实现叶脉提取。该方法能够为管理者衡量作物生长及后续决策处理创造条件,适合用于植物生长柜的智能监控。     

自然环境下苹果彩色图像分割研究

[目的]获得自然环境下较好分割苹果图像的方法。[方法]选取苹果被遮挡（主要是叶子）、相互重叠的情况作为试验图片,采用欧几里得距离对彩色图像进行预处理,在预处理中,利用边界盒的相似性准则,提高了处理速度;对预处理的结果进行黑白（苹果和非苹果）编码,产生一副二值分割图像;最后采用数学形态学对二值化图像进行处理。[结果]有效的去除了复杂背景、目标物被遮挡、相互重叠等存在的图像噪声,去噪效果良好。[结论]算法对成熟苹果具有很好的分割效果,但不适合未成熟苹果的分割。     

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。     

基于特征优化的稻飞虱图像分类

[目的]为了进一步提高稻飞虱图像分类的效率,本文提出一种基于特征优化的稻飞虱图像分类算法。[方法]对采集到的原始昆虫图像进行阈值分割、形态学滤波以及边缘跟踪来获取完整的昆虫彩色背部图像,同时基于该图像集提取昆虫的形态、颜色以及纹理特征66个,结合F-score特征评价方法,筛选出10个特征参数作为最优特征子集,并将其作为BP神经网络的输入特征值。[结果]当采用全部66个特征作为输入特征值时,稻飞虱图像的分类准确率达到96.19%;当采用最优特征子集作为输入特征值时,稻飞虱图像的分类准确率也为96.19%。[结论]以该方法获得的最优特征子集作为稻飞虱图像的特征参数不仅降低特征维度,提高稻飞虱图像分类效率,而且保证分类性能,为实现水稻虫害实时监测预警系统提供了技术支持。     

基于高光谱成像技术的生菜叶片水分检测研究

[目的]探索利用高光谱图像技术检测作物含水率的方法。[方法]以意大利全年耐抽苔生菜为试材,利用高光谱成像系统采集生菜叶片的高光谱图像,用ENVI V.4和Matlab V.7.0软件对高光谱图像进行处理。[结果]采用自适应波段选择法从所采集的生菜叶片高光谱图像数据中优选出特征波长1 420 nm;对每个样本特征波长下的图像进行分割,反转以及形态运算等操作得到目标图像;从每个目标图像中提取灰度均值、灰度标准差作为灰度特征,能量、熵、惯性矩、相关性的均值和标准差作为纹理特征;采用GA-PLS法选出最优特征子集,并建立基于最优特征的偏最小二乘回归模型,以检测生菜叶片的含水率。[结论]模型的预测值与实测值的相关系数R为0.902,精度明显高于基于灰度特征或纹理特征的预测模型。     

基于图像处理的植物叶面面积计算算法研究

[目的]探讨采用数字图像处理法快速计算植物叶片面积的方法。[方法]以杨树叶片为试材,先将叶片样本进行灰度化、二值化和开运算等预处理,得到叶片外部的参考框图像,之后将样本图像进行几何校正,去除叶柄求出叶片面积,最终编写MATLAB程序。[结果]通过研究叶柄处存在凸出的叶片的去叶柄算法,得到比较精确的纯叶片图像。在对畸变灰度图像二值化过程中采用局部阈值分割和直方图分割相结合的方法,人机交互处理后得到了清晰的边框;在对校正后的灰度图像进行处理的过程中运用了最佳阈值分割方法也能得到满意的叶片图像。由此可见,目的和需要不同所采取的方法有很大差别。[结论]采用对精确的数字图像处理方法能快速计算植物叶片面积。     

基于归一化植被指数的农田边界识别方法

农田边界识别对智能农机装备作业具有重要的指导性作用，为实现农田边界的精准识别，提出一种基于归一化植被指数的农田识别方法。由于农田图像地物信息复杂，普通RGB图像处理结果受环境影响较大，模型鲁棒性差，为解决这一问题，通过测绘无人机获取农田多光谱数据，基于不同区域归一化植被指数(NDVI)的差异，利用大津阈值分割法实现农田的有效分割。针对杂草和树木等过分割问题，通过计算联通区域的大小与长宽比的方法，在保证农田识别精度的情况下，减少其他因素干扰，最后通过Canny边缘检测算法提取农田边界。通过验证，本研究方法对农田的识别准确率达95%以上，可以为智能农机装备提供作业环境数据。     

基于双目视觉的农田障碍物检测

针对智能农业机械自动驾驶或辅助驾驶立体视觉障碍物检测技术中,传统阈值分割不能达到目标提取精度的问题,提出基于分析扫描线上区域分割与特征匹配相结合的障碍物检测算法。在双目视觉系统得到农田场景图像对中,通过分析扫描线上像素分布情况将图像分割,进行归类整理提取目标区域;对目标区域进行快速立体特征匹配,得到目标区域的空间信息,进行障碍物的检测。对800帧(400对)图像进行检测试验,结果表明:每对图像的平均处理时间<100 ms,本次试验检测出障碍物的正确率达到95%。该算法用于农田障碍物检测具有很好的检测效果。     

水果图像的背景分割和边缘检测技术研究

根据区域阈值法分别对所采集的彩色图像的红、绿、蓝三帧图像进行背景分割,发现在B 分量灰度直方图中利用双峰法选择阈值进行背景分割的效果最好;利用多种微分算子提取水果图像的阶跃性边缘,并用Hilditch 细线化方法对已提取边缘的图像进行了细线化处理,获得了较好的边缘提取和细化处理效果;所研究的背景分割和边缘检测技术的处理效果可以满足进一步进行水果的尺寸、果梗、形状和表面缺陷等检测的要求     

水果图像的背景分割和边缘检测技术研究

根据区域阈值法分别对所采集的彩色图像的红、绿、蓝三帧图像进行背景分割,发现在B分量灰度直方图中利用双峰法选择阈值进行背景分割的效果最好;利用多种微分算子提取水果图像的阶跃性边缘,并用Hilditch细线化方法对已提取边缘的图像进行了细线化处理,获得了较好的边缘提取和细化处理效果;所研究的背景分割和边缘检测技术的处理效果可以满足进一步进行水果的尺寸、果梗、形状和表面缺陷等检测的要求。     

基于WT-Otsu算法的植物病害叶片图像分割方法

植物病害叶片图像分割是植物病害识别和植物分类的基础。为了解决作物病斑叶片的分割效率和实时性,在小波变换(wavelet transform)和Otsu法的基础上,提出一种基于WT-Otsu算法的植物病害叶片图像分割方法。首先,利用二维小波变换提取作物病斑图像的边缘点;其次,利用Otsu法在这些边缘点搜索最佳分割阈值;最后,利用该阈值分割图像。利用该方法在真实辣椒病害叶片图像上进行了分割试验,结果表明,该方法对病害叶片图像分割有效可行。     

一种去除高光和阴影的桃蛀螟图像分割方法

[目的]经典的阈值分割方法(OSTU法)在桃蛀螟图像分割中会出现过度分割和错误分割.针对这种情况,提出一种去除高光和阴影的桃蛀螟图像分割方法.[方法]算法过程:第一,将图像从RGB颜色空间转换为YUV颜色空间,利用一个5次多项式转换亮度信息,去除高光.第二,将去除高光的图像在RBG颜色空间归一化,根据阈值找到图像的阴影区域.第三,利用贝叶斯公式计算每个像素的归属,实现图像分割.[结果]经过试验,取得了较好的图像分割效果.     

拍摄高度对大米图像质量影响的研究

[目的]探究拍摄高度对大米图像质量的影响。[方法]先对获取的大米图像进行分割,然后从分割图像中统计米粒数。在10种光照强度下,对3种拍摄高度进行试验。[结果]虽然从图像中统计的米粒数相同,但3种高度下大米图像的分割阈值存在差异。[结论]拍摄高度是大米图像中分割阈值的一个重要影响因素。     

基于中分辨率影像的农田管理单元自动提取研究

【目的】结合"面向对象"的农田管理思想,提出农田管理单元(farmland management unit,FMU)的概念及自动提取方法,并在此基础上探讨和评价中分辨率影像用于农田管理单元自动提取的可行性及效果。【方法】以江苏省2006年一景Landsat5TM影像中两块典型区域为例,通过决策树分类和多尺度分割等方法实现FMU自动提取。结合人工解译研究区SPOT-5高分辨率影像得到的地块边界信息,对FMU图斑内像元异质性和地块边界吻合度相关指标进行计算和分析。【结果】试验区内作物地块的总体分类精度均超过90%。两块试验区内反映FMU图斑异质性的平均标准差和平均极差分别较全区作物地块整体低70%以上和45%以上;反映FMU地块边界吻合度的误分地块率和面积偏差率均低于10%。此外,多尺度分割中层权重、分割尺度、形状因子和紧凑度因子的设置对FMU的自动提取效果有不同程度的影响。【结论】基于中分辨率影像的FMU自动提取方案基本可行,在研究区内能够获得单元内异质性较低且单元边界与地块边界吻合度较高的提取结果,符合农田管理的要求。