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。     

基于双通道PCNN的玉米种子机械裂纹检测方法

针对玉米种子机械裂纹检测准确率低的问题,提出一种基于双通道脉冲耦合神经网络(PCNN)模型的数字图像融合方法:1)运用离散小波变换(DWT)、非下采样轮廓波变换(NSCT)分别对预处理后的玉米种子机械裂纹图像进行分解,得到各自的高低频子带;2)对高低频子带系数分别采用不同链接强度的改进空间频率激励的双通道PCNN模型进行融合操作,得到融合后的高低频子带系数;3)通过NSCT反变换得到最终的玉米种子机械裂纹图像.试验结果表明:采用双通道PCNN模型检测玉米种子机械裂纹的准确率为97.2％;图像熵、相关熵、相关系数、均方根误差分别为0.3511、1.7314、0.9835和0.5263,整体优于LoG、DWT、NSCT和PCNN方法;双通道PCNN方法的单张图像的执行时间为14.9007 s,运行时间最长,但效果最优.     

基于脉冲耦合神经网络的植物叶片病斑分割

为了提高植物病斑图像的分割精度与效果,提出了1种基于脉冲耦合神经网络的植物叶片病斑分割方法。首先利用最大熵机制原理在RGB(红、绿、蓝颜色模型)、HSV(色调、饱和度、亮度颜色模型)空间中选出熵值最大的分量作为处理对象,再利用脉冲耦合神经网络(PCNN)模型,进行病斑的二值分割,最后对病斑部分进行彩色还原。通过与传统的最大类间方差法(OSTU)进行对比试验表明,该方法分割处理效果比较理想,鲁棒性好,分割准确率高。     

基于血线纹理特征和GA-BP神经网络的鸡种蛋性别鉴定

为了对鸡种蛋孵化早期胚胎性别进行鉴别,构建机器视觉图像采集系统,在LED光源下获取186枚种蛋孵化第4天的图像。采用对鸡种蛋图像进行分量提取、去背景化和二值化等预处理方法,利用自适应直方图均衡化、高低帽变换增强图像,通过迭代阈值分割和"与"运算凸显血线纹理。运用差分计盒法、灰度共生矩阵法、灰度直方图统计法和几何法提取图像的11维特征参数,并构建鸡种蛋胚胎性别识别的BP模型(back propagation neural network,BPNN),利用遗传算法(genetic algorithm,GA)优化BP神经网络的初始权值和阈值。试验结果表明,GA-BP模型的训练集识别综合准确率为99.73%,预测集识别综合准确率为82.80%。     

基于模糊熵改进的直方图匹配算法研究

以模糊数学为基础,提出了一种基于最大模糊熵改进的直方图匹配图像增强算法,以弥补传统空间域图像增强方法在提高图像对比度时对噪声敏感的缺陷.首先,把灰度图像从空间域映射到模糊域,并以最大模糊熵为基础,将目标图像分为若干个灰度层;然后,针对不同灰度层的特征,用直方图匹配方法为每个灰度层设计相应的匹配函数;最后,用这些匹配函数增强相应的灰度层得到增强后的图像.通过与直方图匹配、直方图均衡化和局部直方图处理算法对比,证明本文算法具有更好的增强效果.本文算法结合模糊熵和直方图匹配算法,可以降低噪声在图像增强中的影响,而且在应用中具有良好的效果.     

一种粘连牛乳体细胞图像的分离算法

粘连细胞的分割是细胞精确计数的关键,针对牛乳粘连体细胞的特点,首先利用k-means方法分割细胞和背景并运用数学形态学算子对图像做预处理.然后对分割后的二值图像进行距离变换和图像重构,最后用Watershed算法分离粘连细胞,以得到最终结果.实验结果表明该方法能准确、快速地分割粘连牛乳体细胞,并能有效改善分水岭(Watershed)的过分割现象.     

基于Matlab的复杂背景下叶片图像提取方法

将需要研究的植物叶片从复杂的背景下提取出来是后期图像理解和图像分析的关键。、主要是在支持向量机的基础上将叶片从复杂的环境下提取出来,并与H通道的（）’rSu算法和最大直方图熵与GA相结合的图像分割算法相比较,在Matlab环境下进行仿真分析,结果显示支持向量机在复杂背景下进行图像分割方面有优势。     

基于Matlab的复杂背景下叶片图像提取方法

将需要研究的植物叶片从复杂的背景下提取出来是后期图像理解和图像分析的关键。、主要是在支持向量机的基础上将叶片从复杂的环境下提取出来,并与H通道的（）’rSu算法和最大直方图熵与GA相结合的图像分割算法相比较,在Matlab环境下进行仿真分析,结果显示支持向量机在复杂背景下进行图像分割方面有优势。     

基于改进的快速最大熵多阈值的成熟草莓图像分割

成熟草莓图像分割是草莓机械化采摘中首要解决的难题之一,最大熵多阈值算法是图像分割中效果较稳定的方法之一,但存在计算复杂度高、分割速度慢等缺点。为降低算法的计算复杂度、加快搜索速度,提出了一种改进的快速最大熵多阈值图像分割算法(IFMEMT)。首先提取RGB彩色图像的R分量灰度图像及灰度图像信息,然后应用IFMEMT算法求得最大熵及对应的阈值,最后进行图像分割。实验结果表明,在复杂环境下IFMEMT相对OTSU等图像分割算法不仅能达到相同甚至更好的分割效果,而且有更好的分割效率,能满足成熟草莓机械化采摘的实时性要求。     

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。     

基于模糊Tsallis熵和混沌蛙跳算法的快速红外目标分割

针对红外图像的模糊性和非广延性,提出一种基于模糊Tsallis熵的快速阈值分割方法。先用模糊隶属度函数把图像灰度直方图转换到模糊域,分别定义图像背景与目标的模糊Tsallis熵,并根据不可加熵的伪叠加原理求出图像总熵。在参数寻优过程中,提出一种基于Logistic映射的混沌蛙跳优化算法,根据最大熵原理对模糊隶属度函数进行参数优化,进而得到图像的最佳分割阈值。与典型的阈值法进行对比试验,结果证实了该方法的有效性和鲁棒性。     

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。     

基于改进蚁群算法和指数熵算子的三类阈值图像分割

针对多目标图像分割问题,采用了1种基于二维灰度直方图的三类阈值分割方法,将图像划分为暗、灰和亮3种不同的区域,分别给出了其模糊隶属度函数,引入概率分析,定义了基于指数熵算子的最大模糊熵准则,通过改进的蚁群算法,搜索最优模糊参数组合,以此确定图像的分割阈值。实验结果表明,该算法能快速、有效的分割图像。     

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%。     

基于二维熵的农业图像目标分割

农业图像的目标分割是在农业领域应用机器视觉技术的基础,采用阈值法进行图像的目标分割,能够克服一些图像缺陷。首先将彩色数字图像转换成像素灰度级分布与其邻域平均像素灰度级分布所构成的二维灰度图,再根据图像分割后的最大熵计算分割阈值,然后由计算出的阈值分割农业田间图像,分割的结果显示,二维熵法分割农业田间图像的效果很好,分割质量的优秀率达到了98%。     

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.     

基于改进分水岭的图像分割算法研究

针对传统的分水岭算法由于受到图像细节和噪声的干扰而存在着过分割现象,提出了一种改进的分水岭算法,并应用于图像分割。该算法首先采用双边滤波进行预处理,然后建立形态学梯度并对梯度图像进行开闭重建,在保留了轮廓极值信息的同时去除了噪声,最后对重建的梯度图像进行前景和背景的标记,依据标记对梯度图像进行修正并用分水岭算法对其进行分割。结果表明,该方法能有效抑制传统分水岭的过分割现象。     

基于改进分水岭的图像分割算法研究

针对传统的分水岭算法由于受到图像细节和噪声的干扰而存在着过分割现象,提出了一种改进的分水岭算法,并应用于图像分割。该算法首先采用双边滤波进行预处理,然后建立形态学梯度并对梯度图像进行开闭重建,在保留了轮廓极值信息的同时去除了噪声,最后对重建的梯度图像进行前景和背景的标记,依据标记对梯度图像进行修正并用分水岭算法对其进行分割。结果表明,该方法能有效抑制传统分水岭的过分割现象。     

利用特征分割和病斑增强的杨树叶部病害识别

  目的  针对杨树Populus黑星病早期特征和杨树花叶病病斑不明显的特点，提出通过对图像集进行预处理的方法以提高识别精度的方案。  方法  为去除图像背景的影响，采用基于改进的Canny算子边缘检测法并结合霍斯变换提取叶片轮廓；借助限制对比度自适应直方图均衡化算法降低局部光照不均带来的影响并增强病斑的特征；使用自适应阈值的OTSU分割算法提取病斑图像。最后将预处理得到的病斑特征二值化图像和病斑图像，分别输入由5个卷积层、3个全连接层、650 000个神经元及超过6 000万个学习参数的Alexnet神经网络进行训练并验证准确率。  结果  研究最终分别获得93.56%和98.07%的验证集识别精度，较原图像实验组88.77%的识别精度有显著提升。提出的提取叶片轮廓的结合方法能够完整提取不同背景下的叶片主体图像，有效避免目标叶片的背景干扰；限制对比度自适应直方图均衡化算法对自然环境下拍摄产生的不均匀光照有较好的处理效果，有效降低反光等因素的干扰。  结论  几种病害图像预处理对提高识别精度效果明显，识别能力远超过未经处理的原始病害图像识别，有助于提高杨树叶部病害的智能识别能力。图8表1参22