基于Mean-shift和提升小波变换的棉花叶片边缘的图像检测

该文提出了一种基于Mean-shift和提升小波变换的具有复杂背景的棉花叶片边缘检测算法。该方法首先用Mean-shift算法对彩色图像进行平滑,然后对平滑后的图像进行提升小波变换,以将平滑后的图像进行灰度增强。最后基于Canny算子对图像进行边缘检测。该算法能有效减少非边缘噪声,并且能够有效提取相互重叠叶片的边缘。与传统边缘检测方法边缘检测结果进行对比,该方法能够更加鲁棒地提取复杂背景下的重叠叶片边缘,其有效性和准确性是很明显的。     

边缘检测算法比较分析

阐述了数字图像处理中常用的经典边缘检测各类算子的算法原理、计算方法,包括一阶经典检测微分算子、二阶经典检测微分算子,在明晰原理方法的基础上对比分析各个算子的优劣之处,分析各个算子的效率、精确程度,同时分析各个算子各自擅长处理的图像类型。通过对边缘检测算子的比较分析,可以较全面地了解经典边缘检测算子的不同适用情况,为实际应用准确选择最合适的算子。     

基于数据融合的玉米种子内部机械裂纹检测方法

为深入研究玉米种子脱粒和输送等环节中产生的内部裂纹机理和检测技术,该文在体视显微检测基础上提出了基于融合技术的边缘检测方法。该方法采用改进的数学形态学方法和传统Sobel边缘检测算子对损伤玉米种子图像进行边缘检测,建立相应的融合规则,将2种方法检测出来的图像边缘进行基于小波变换的融合处理,并从新图像中提取玉米种子内部机械损伤的特征信息。结果表明,该检测方法结合了2种边缘检测方法的优点,有效提高了边缘检测准确性,在准确提取玉米种子内部裂纹特征同时能有效降低噪声,较单一边缘检测算法有更好的效果。     

基于显微图像处理的稻瘟病菌孢子自动检测与计数方法

稻瘟病菌孢子的检测通常在显微镜下由人工目测完成,该方法费时、费力、自动化程度低。因此,该研究提出了一种基于显微图像处理技术的稻瘟病菌孢子自动检测和计数方法。首先,采用显微图像系统获取稻瘟病菌孢子图像;然后提出一种分块背景提取法对其进行光照校正;根据显微图像中孢子的边缘特征,利用Canny算子进行边缘检测,其中Canny边缘检测过程中的阈值应用模糊C均值算法在梯度图上自动确定;接着对边缘检测后的二值图像进行数学形态学闭开运算处理。根据孢子和主要杂质的形态特征,利用椭圆度、复杂度和最小外接矩形宽度等形态特征参数对目标物进行分类,提取只含孢子的二值图像。最后,提出了基于距离变换和高斯滤波的改进分水岭算法对粘连孢子进行分离。测试结果表明:在100幅测试的显微图像样本中,孢子检测的平均准确率为98.5%,满足稻瘟病菌孢子自动检测和计数要求。     

小波变换的模极大值在图像边缘检测中的应用研究

边缘检测在图像处理中有着重要的作用。依据canny算子的核心思想,运用小波分析技术,提出了一种基于小波变换的模极大值边缘检测算法。仿真结果表明：该算法能提取图像较弱的边缘,有较好的去噪效果,且边缘有较强的连续性,优于传统的边缘检测算子。     

自适应阈值Prewitt的石榴病斑检测算法

针对传统识别方法对石榴外表病斑及石榴轮廓检测精准度不高、抗噪声能力不强以及存在伪边缘等问题。该文提出一种基于自适应阈值Prewitt算子的石榴病斑检测算法。采用双边滤波减少噪声干扰;通过高频强调滤波提高图像高频分量,增强局部细节;根据高斯噪声概率分布设置算子卷积掩膜元素权重,利用对称性将方向梯度两两组合,并计算其L2范数作为该像素点的梯度。对人工拍摄的607张石榴图像进行图像增强和边缘检测试验,加入椒盐噪声和高斯噪声进行抗噪性能测试。试验结果表明,该文算法对石榴病斑的识别正确率为98.24%,获得图像的峰值信噪比为43.72 dB,单张图像识别耗时为0.174 s。该研究具有较好的病害样本与非病害样本区分能力,可为田间环境下石榴病害预防提供参考。     

基于计算机视觉的花椒外观品质检测及其MATLAB实现

为适应花椒快速、准确、自动分级的要求,提出了基于计算机视觉的花椒外观品质检测方法,以避免传统的人眼感观检测存在的可重复性差、效率低、随意性大等缺陷.针对Canny算子边缘检测后,花椒样本图像中仍有部分个体的边界不连续、直接对边缘检测结果填充时效果较差,提出了更能有效识别花椒籽粒的二次填充算法.通过分别比较椒籽、闭眼、果穗梗和果皮的凹性率、椭圆度、面积值,发现四种成分的同一形态特征有一定差异,可作分离参数.试验和数据分析表明,图像分辨率为600dpi时,取凹性率0.95、面积值7000像素可先分离出椒籽,再取椭圆度0.9能分离出果穗梗,最后取凹性率0.8964、椭圆度0.5072能有效区分余下的闭眼和果皮.利用MATLAB R2006a软件平台开发了花椒外观品质计算机视觉检测系统软件,实现了对颗粒均匀度、椒籽率、闭眼率和果穗梗率指标值的检测.试验结果表明:该方法合理有效、程序设计可靠、识别效果良好,对椒籽、果穗梗正确识别率达100%,闭眼及果皮正确识别率分别达89%、96.8%,为进一步完善花椒外观品质的计算机视觉检测提供了理论基础和技术支持.     

基于LOG改进算子的边缘检测与面状特征提取

介绍了基于LOG改进算子的边缘检测方法,通过边界跟踪和边界代数,实现了面状特征的快速提取,试验表明,所使用的方法优于区域生长、多尺度分割等传统方法,具有较好地应用前景。     

基于小波变换的红枣裂沟的多尺度边缘检测

红枣裂沟的检测是红枣外观品质实现自动评判的难点。为有效检测红枣裂沟,采用了基于小波变换的多尺度边缘检测和数学形态学相结合的方法,该方法具有良好的检测红枣图像局部突变的能力,还可以结合多尺度信息进行红枣裂沟的检测。该方法首先利用多尺度小波函数,对红枣图像进行处理得到灰度梯度局部极大值点,然后利用概率密度法或局部自适应法确定出低高阈值;并分别用低高阈值对局部极大值点进行分割,得到相应边缘点;最后通过数学形态学的连通方法和腐蚀运算得到检测结果。试验结果表明,采用基于小波变换的多尺度边缘检测和数学形态学相结合的方法检测红枣裂沟,可以得到更加连续、光滑(完整)、单像素宽的边缘链图像,提高了检测的有效性。     

自动监测装置用温室粉虱和蓟马成虫图像分割识别算法

为了监测温室黄瓜作物虫害种类、数量变化情况以预测虫害发展趋势,该文以粉虱和蓟马为例,提出了一种基于Prewitt、Canny边缘检测算子分割和SVM(support vector machine)的温室粉虱和蓟马诱虫板的图像识别算法。该方法利用HSI(Hue-Saturation-Intensity)颜色空间的I分量与L*a*b*颜色空间的b分量二值图像中害虫目标与背景的高对比性,再分别相应地利用Prewitt算子和Canny算子进行单头害虫边缘分割,再经过形态学处理,最后融合这两幅二值图像完成单头害虫区域的提取。然后提取害虫的5个形态特征(面积、相对面积、周长、复杂度、占空比)及9个颜色特征(Hue-Saturation-Value颜色空间、HSI颜色空间、L*a*b*颜色空间各分量的一阶矩),并对这14个特征参数进行归一化处理,将特征值作为SVM的输入向量,进行温室粉虱和蓟马的诱虫板图像识别。通过分析比较不同向量组合的BP(back propagation)与SVM的害虫识别率、4种不同SVM核函数的害虫识别率,发现颜色特征向量是粉虱和蓟马识别的主成分,且SVM的识别效果优于BP神经网络、线性核函数的SVM分类性能最好且稳定。结果表明:平均识别准确率达到了93.5%,粉虱和蓟马成虫的识别率分别是96.0%和91.0%,能够实现温室害虫的诱虫板图像识别。该研究可以为虫害的监测与预警提供支持,为及时采取正确的防治措施提供重要的理论依据。