基于欧拉数的谷物颗粒图像目标计数方法

为了解决谷物选育品种过程中人工计数存在的操作费时、精度不高等问题，提出一种利用计算机处理谷物颗粒图像进行计数的方法。首先对所采集到的谷物颗粒图像进行二值化，将图像中背景和目标区域分开；然后对图像进行形态学运算、目标分割等预处理，最大程度减少图像中的谷物颗粒黏连现象；在最终的计数环节，为了提高计数速度，基于经过预处理后的谷物颗粒图像没有孔洞这一重要特征，利用图像欧拉数算法代替传统的连通域标记算法实现计数工作。结果表明，利用图像欧拉数算法的计数结果与利用传统连通域标记算法的计数结果完全一致，但在计数速度方面，利用图像欧拉数算法进行计数明显优于传统的连通域标记算法。     

基于大津算法连通域的松果多目标识别定位

松果识别对其产量评估、智能采摘等具有非常重要的意义.提出一种基于二值图像连通域的松果图像识别方法,首先研究松果图像RGB颜色特征规律,进行RGB颜色分量色差运算;然后选取合适的阈值对松果R-G图像进行二值化处理,初步分割果实和背景;再在图像分割时采用小面积连通域面积阈值法去除噪声的影响;最后采用连通域外接矩形法进行松果识别与统计,并计算出松果质心位置.结果表明,采用OTSU二值化分割+连通域噪音去除方法,可以清晰地分离出松果果实,松果识别平均准确率为89.6％.基于二值图像连通域的松果多目标果实识别与定位,为以后实现松果的自动化采摘提供了技术基础.     

基于机器视觉图像的多目标提取识别

为了实现农作物图像多目标的准确识别,提出了四连通或八连通的连通域判别法.利用MATLAB的数值计算、图形处理和可视化建模以及动态仿真等功能,对黄瓜植株花朵图像预处理,去除干扰目标,对目标处理结果进行整合,进而得到多目标处理结果.结果表明该方法依据图像信息即可有效地实现多目标的分离和识别.     

多特征稀疏重构与湿纸码联合的隐写图像分析方法

如何提升不同方法隐写图像检测分析精度是当前图像隐写领域研究的难点。针对不同容量的隐写图像,提出了1种多特征稀疏重构与湿纸码联合的隐写图像检测分析方法。在分析不同特征互补特性与冗余性的基础上,通过稀疏重构,实现了多特征的自适应融合分析。通过采用湿纸码的编解码形式实现隐写图像特征集合的稀疏求解。BOWS2(standard steganographic image data set,标准隐写图像数据集合)实验分析表明,本文方法有效提升了不同隐写速率和隐写实现的分析精度。     

一种基于神经网络的扇贝图像识别方法

为了满足计算机视觉辅助下应用机器人进行扇贝自动分拣的实时性和鲁棒性要求,提出了一种基于神经网络的扇贝识别和分级方法.首先对图像进行灰度化处理,并用canny算子检测目标边界,然后用8-连通邻域追踪算法提取目标边界像素坐标,最后计算目标边界到中心点的平均距离及其绝对平均误差,并作为特征信息训练BP神经网络,实现对扇贝图像识别和分类.实验结果表明,该方法可以快速实现扇贝的自动识别和分级工作.     

基于特征选择与骨架提取的种子萌发的芽长、根长检测

芽长是种子活力的一个重要判定标准.传统的芽长检测方法采用人工测量方式,存在费时费力、且受人为主观因素影响较大等问题.利用数字图像处理技术的芽长自动检测算法可以提高芽长测量的效率,并且能够统一测量标准从而避免主观误差.本研究基于特征选择与骨架提取算法原理设计了种子芽长、根长检测复合算法及软件,首先利用颜色特征提取叶片信息,并在整株芽长二值图像中去除叶片区域信息,其次通过圆盘结构元素与线性结构元素腐蚀图像分割出种子图像,获得种子的中心,再对整株芽长二值图像进行图像增强和边缘轮廓处理,最后对芽长图像进行骨架提取与剪枝,依据像素点间的欧氏距离计算芽长与根长.通过对玉米、小麦、水稻的芽长和根长进行测量,结果显示,玉米、小麦与水稻芽长的百分误差分别为2.90％、2.05％、2.40％;根长的百分误差分别为1.90％、2.11％、2.02％.说明基于特征选择与骨架提取检测方法的复合算法能够实现对种子萌发的芽长与根长的高精度、快速检测.     

基于萤火虫算法的农业遥感图像增强研究

农业遥感图像增强有利于图像信息的提取与分析,萤火虫算法是近年来较为新颖的智能仿生算法,目前国内外关于其能否用于农业遥感图像增强的研究未见报道。文章首先利用非完全Beta函数建立农业遥感图像增强模型,结合人眼最小灰度分辨力函数进行图像细节增强,将每个输入区间的像素灰度值变换到适当的输出灰度级区间,最终生成对比度均衡的图像;然后通过萤火虫优化算法在其动态决策域半径进行伪差分操作更新;最后确定最佳参数的收敛条件,给出了算法流程。试验仿真结果表明,萤火虫算法的农业遥感图像检测在图像细节增强评价指标、相位一致性指标、通用质量评价指标等方面与直方图算法、Retinex算法、小波变换算法、模糊聚类算法等相比数据较优,能够用于农业遥感图像增强。     

基于统计模型和方向小波的图像认证水印算法

设计了一种基于统计模型和方向小波的图像认证水印算法.提出了用方向小波变换生成图像方向流的算法,应用图像的方向流来刻画图像特征.并应用高斯分布统计模型构造出了水印修改的噪声可见强度.通过噪声可见强度筛选出含纹理信息较多的图像分块隐藏图像方向流.用户利用提取出的隐藏方向流信息和用方向小波生成的方向流作相关性检测,实现对图像的认证.该算法有较强的抗JPEG和噪声攻击能力,保证了水印图像的视觉质量和鲁棒性,并实现了盲检测,隐蔽性和安全性好.     

基于图像处理的机采棉杂质提取算法

针对国产采棉机采收含杂率高、杂质分布复杂、难以快速检测等问题,提出了一种基于图像处理的机采棉杂质图像提取算法。该算法在HSI颜色模型、Lab颜色模型下设计试验采集图像,利用中值滤波处理图像,然后对图像进行自适应阈值分割,分割棉花和杂质图像,通过连通域分析绘制棉花轮廓和杂质轮廓,在此基础上计算其像素面积,得到杂质面积百分比。结果表明,该算法可有效分割机采棉中的常见杂质,为机采棉含杂率的快速评估奠定基础。     

基于稀疏表示和HOG特征的掌纹识别方法

针对掌纹识别过程中,采集图象易受到外界光照等物理因素的影响,传统重构方法中稀疏表示算法计算复杂度高等缺陷,提出基于稀疏表示(SR)和梯度方向直方图(HOG)特征的掌纹识别方法,将分类正交匹配追踪算法(COMP)稀疏表示方法与HOG特征相融合,以降低复杂度。该算法首先利用HOG算法提取掌纹训练与测试样本图像的特征矩阵,将训练样本图像的HOG特征矩阵作为稀疏表示的过完备字典;然后运用COMP算法求解掌纹图像在过完备字典上的稀疏表示,将所得的最佳稀疏表示系数对测试图像进行重构;最后通过计算测试样本图像HOG特征矩阵与得到的每类重构图像最小残差的数值确定图像的类别。实验结果表明,该方法有效地降低了计算的复杂度,具有良好的掌纹识别性能。     

Horn-Schunck光流算法在运动目标检测及跟踪中的运用研究

光流技术是提取图像序列全局的或特征点的运动信息并对运动信息加工处理以完成目标的跟踪和检测的方法。具体分析了Horn-Schunck光流算法（简称HS光流算法）,并将该算法应用到视频图像序列中。研究表明,利用HS光流法计算能近似得到图像中每个像素点的运动矢量,通过找到其中光流值不为零的像素点组成的最大连通区域,可以实现运动目标的检测和跟踪。     

一种基于曲波变换的遥感图像融合新算法

作为一种新的多尺度分析方法,曲波（Curvelet）比小波更适合提取图像中的细节信息,能够更好的表达边缘信息。提出了一种基于曲波变换的遥感图像融合新算法。首先对原图像进行曲波变换,然后在高频和低频域分别采用不同的融合规则融合曲波系数,最后通过重构得到融合图像。从信息熵、空间频率及光谱扭曲程度方面对融合效果进行了客观评价,并与基于Brovey变换、PCA变换与小波变换的融合结果进行了比较。结果表明,该算法在保留原始图像光谱信息能力方面优于其他变换算法。     

基于PSO和视觉显著性的棉花图像分割算法

针对自然光条件下具有复杂背景的棉花图像,提出了1种新的图像分割方法。首先,利用粒子群优化(PSO)算法进行聚类预处理,去除图像中较暗区域;其次,利用简单线性迭代聚类(SLIC)算法构建超像素,并用1种改进的方法检测每个超像素在图像中的独特性和分布情况权值,利用检测结果逐像素计算显著度获得整幅图像的显著图;最后,利用连通域面积去噪方法得到棉花图像分割结果。结果表明,该方法能有效去除图像的复杂背景,消除强光和阴影影响,准确地将棉花图像从背景中分割出来,效果较理想。     

基于特征融合的单幅图像超分辨率重构方法

目的 针对低分辨率图像不清晰、质量低等问题,提出一种新的特征融合超分辨率重构网络.方法 所提网络包括特征提取、特征融合、图像重构3个部分.首先,网络通过卷积和局部残差学习,提取到不同层次的特征.之后,网络自适应地保存浅层的信息,并将其传递到更深的层次,最后通过拼接层进行特征融合.结果 通过非线性映射实现高分辨率图像的重...     

基于Contourlet变换和交替方向法的压缩感知图像重构算法

在传统的基于压缩感知的图像重构中,小波变换往往用来将图像稀疏表示,但小波变换并不能很好的表现图像的轮廓和纹理等细节信息。提出了一种基于Contourlet变换和交替方向法的压缩感知图像重构算法:首先利用Contourlet变换将图像稀疏表示,然后利用交替方向法重构原始图像。与基于小波变换的方法相比,该方法不仅可以显示更多的图像的边缘和轮廓信息,在重构精度上也占优。数值试验也验证了新算法的有效性。     

基于脊波变换域BDND的农作物图像改进中值滤波算法

实地获取农作物图像对于农作物长势以及病虫害进行监测具有重要作用,对此,结合脊波变换这一多尺度图像分析方法,在图像脊波变换域引入了边界判别噪声检测方法(Boundary discrimination noise detection,BDND),对经典中值滤波算法进行了改进,提出了一种基于脊波变换域BDND改进的中值滤波算法。该方法首先对图像进行多尺度脊波变换,获得了低频和高频分解图像,考虑到低频图像的视觉特征,采用同态滤波方法进行增强处理;然后对高频图像结合区域灰度值分布特征,设定2个自适应阈值,将经过2次噪声检测后处于该2个阈值间的像素点标记为非噪声点,对其余像素点分别进行中值滤波;最后,对视觉效果改善的低频图像和滤波后的高频图像进行逆脊波变换。分别采用C++语言对中值滤波、脊波域阈值去噪以及本文算法进行编程试验。结果表明,本文算法对于农作物图像的滤波效果稍优于其余2种方法。     

基于直方图处理的局部图像增强算法研究

研究了空间域下基于直方图处理的图像增强算法。通过直方图统计获得具体参数,根据平均值和方差调整图像的强度和对比度,以实现对图像的增强。由于对图像进行全局增强,不能有效突出局部特征,因此重点阐明局部图像增强的算法。试验结果表明,该算法可以有效增强图像的局部细节。     

一种基于特征点检测和信息增益的视觉显著性提取方法

提出一种新的基于两阶段框架的显著性提取方法.在第一阶段,使用颜色增强的Harris特征点检测算法和邻域扩展规则得到图像的粗略显著性区域;在第二阶段,首先经由独立成份分析从预先决定的显著性区域提取出稀疏特征,然后根据提出的信息增益方法确定显著性,图像某点的信息增益定义为以该点为中心的圆形邻域局部熵和环域局部熵的差.最后经过与两种代表性的流行检测算法在人眼跟踪数据库上进行实验对比,验证了所提出方法的有效性以及能够在性能和计算复杂度之间折衷的灵活性.     

基于机器视觉的新生仔猪目标识别方法研究与实现

[目的]新生仔猪目标检测是母猪分娩监测的关键环节。[方法]通过自制图像采集器采集母猪分娩视频图像,机器视觉系统获取分娩图像信息,选取Canny算子对图像进行边缘检测,采用Otsu算法对图像进行二值变换,应用滑动平均算法和形态学开运算对二值图像滤波消噪,提取图像最大连通域,利用团序列检测算法对母猪目标进行分割,对分割后区域进行仔猪目标识别。[结果]试验结果表明,团序列检测算法能够准确分割出母猪目标,检测仔猪目标的正确率达到95.5%。[结论]提出一种能够有效识别新生仔猪目标的方法,为仔猪的出生预警提供了技术支撑。     

基于奇异值分解的多尺度变换域图像细化算法

由于多尺度变换域图像细化可降低图像存储难度与识别难度,图像细化核心即为骨架连通性,围绕保持图像骨架高度连通性这一宗旨,提出基于奇异值分解的多尺度变换域图像细化算法。首先,通过采用基于小波多尺度奇异值分解的图像特征提取算法,全面提取多尺度变换域图像中全部目标特征。然后,通过采用一种有效的图像细化算法判断图像细化时需留下的特征点,并去除图像中冗余像素点与冗余枝线,完成多尺度变换域图像细化。最后,根据本文所提算法将多尺度变换域图像以指纹、不规则图像等为例,对两幅图像细化,进行图像的细化测试。研究结果表明,所提算法细化后的图像纹理清楚,骨架分明,且图像纹络连通性较好;与同类型算法相比,该算法对多尺度变换域图像中冗余像素点和枝线的去除效果最佳。