基于过渡区的皇帝柑图像分割

针对过渡区的特点,提出一种局部邻域二阶差分的过渡区阈值图像分割算法。该方法首先选取局部邻域二阶差分较大的像素作为过渡区的像素点,再对过渡区进行填充,最后剔除过渡区中的背景点,获得图像中目标。为了检验该算法的有效性,采用分类误差、假阳性率、重叠系数和运算速度等4个指标与经典算法进行比较,结果显示,该算法具有更快的运行速度和更好的提取皇帝柑图像目标的性能。     

皇帝柑分类系统的目标提取

为了在含有高光、阴影和叶片的皇帝柑图像中快速准确提取目标,提出了1种融合去高光、去阴影的皇帝柑阈值图像分割算法。该方法首先通过对图像在YUV(Y表示明亮度,U表示色度,V表示浓度)颜色空间的亮度Y分量进行转换,除去图像中的高光点;再采用光照无关图原理去除皇帝柑图像中的阴影;然后计算去除高光和阴影图像的直方图,定义顶点集合和相似度函数,并计算顶点之间的相似度矩阵;最后用谱聚类算法(Ncut)提取图像中的目标(皇帝柑)。为了检验提出算法的有效性,采用分类误差、假阳性率和重叠系数共3个指标与已有算法进行比较,结果显示,提出算法比2种比较算法具有更好的提取高光、阴影和叶片影响的皇帝柑图像中的目标的性能。     

融合超像素分割算法与肢体特征的奶牛躯干精确分割方法

为了实现奶牛躯干的精确分割,以荷斯坦奶牛为研究对象,首先采用超像素分割算法(simple linear iterative cluster,简称SLIC)与显著性分析相结合的方法获得完整奶牛目标;然后通过设置傅里叶描述子以平滑Canny算子边缘检测的奶牛轮廓;最后采用基于奶牛肢体特征的分割点提取方法提取各分割点并依次连接生成奶牛躯干的分割线。为了验证本研究结果的有效性,使用试验图像库中随机抽取的20幅图像进行了测试,试验结果表明,本研究所提取的奶牛目标与手动提取目标的平均重叠率为96.83%,可以实现不同背景下奶牛目标的准确分割。本研究所提出的奶牛躯干分割方法的平均重叠率为99.86%,表明该方法在奶牛躯干精确分割中准确率较高且相对稳定,可以实现不同站立体态奶牛的高精度分割。     

混合颜色特征下番茄叶霉病病斑双层K-means聚类分割方法

提出了混合颜色特征下双层K-means聚类分割方法,首先在I分量将图像像素采用K-means聚类分割方法聚为4类;取聚类中心最大的2种像素的a*b*分量,进行第2次K-means聚类,得到病斑图像。对采集的21幅病害图片的试验结果表明,该方法分割结果的平均重合系数为97.53%,平均假阳性率为1.22%,平均假阴性率为3.52%。该研究可为进一步病害特征提取识别与病害程度诊断研究提供技术参考。     

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%。     

枝条遮挡下单个苹果目标识别与重建的研究

【目的】研究枝条遮挡情况下单个苹果目标的识别,为复杂生长环境下苹果目标的准确识别与定位及实现自动采摘提供支持。【方法】针对果实目标受枝条遮挡影响被分割成几个部分,从而严重影响果实目标准确识别的现状,以枝条遮挡下的苹果目标为研究对象,选用基于Lab颜色空间的Kmeans聚类算法对苹果目标进行分割,再通过数学形态学方法对目标苹果轮廓进行提取,然后根据最小外接矩形法去除目标苹果的伪轮廓,最后利用轮廓的曲率特征对目标苹果进行重建,并对分割与重建结果进行了方法验证。【结果】利用基于Lab颜色空间下的Kmeans聚类算法和最小外接矩形法可有效提取出苹果目标的真实轮廓,能够与苹果目标边缘线达到高度重合,同时可获得较准确的重建结果。对10幅枝条遮挡果实目标的识别、定位与重建的验证结果表明,该方法对目标苹果进行分割与重建的平均分割误差为13.83%,平均重叠系数为88.08%,假阳性率和假阴性率分别为1.22%和11.92%,目标苹果重建准确率均在84.00%以上,平均重建时间为24.40 s。【结论】应用本研究中的方法可对枝条遮挡下的苹果目标进行准确识别、定位与重建,有效缩短重建时间。     

枝条遮挡下单个苹果目标识别与重建方法的研究

【目的】研究枝条遮挡情况下单个苹果目标的识别,为复杂生长环境下苹果目标的准确识别与定位及实现自动采摘提供支持。【方法】针对果实目标受枝条遮挡影响被分割成几个部分,从而严重影响果实目标准确识别的现状,以枝条遮挡下的苹果目标为研究对象,选用基于Lab颜色空间的K-means聚类算法对苹果目标进行分割,再通过数学形态学方法对目标苹果轮廓进行提取,然后根据最小外接矩形法去除目标苹果的伪轮廓,最后利用轮廓的曲率特征对目标苹果进行重建,并对分割与重建结果进行了方法验证。【结果】利用基于Lab颜色空间下的K-means聚类算法和最小外接矩形法可有效提取出苹果目标的真实轮廓,能够与苹果目标边缘线达到高度重合,同时可获得较准确的重建结果。对10幅枝条遮挡果实目标的识别、定位与重建的验证结果表明,该方法对目标苹果进行分割与重建的平均分割误差为13.83%,平均重叠系数为88.08%,假阳性率和假阴性率分别为1.22%和11.92%,目标苹果重建准确率均在84.00%以上,平均重建时间为24.40s。【结论】应用本研究中的方法可对枝条遮挡下的苹果目标进行准确识别、定位与重建,有效缩短重建时间。     

基于视觉注意机制的黄绿色苹果图像分割

针对近色背景黄、绿色苹果图像难以分割的问题,设计了一种基于视觉注意机制的分割方法。首先基于RGB(Red,Green,Blue)采集图像将R-B、2R-G-B色差分量分别作为黄、绿色苹果图像的颜色特征分量,采用基于频率调谐的显著检测模型(Frequency-tuned salient region detection,FT)算法提取以光线正常区域为主的显著图,然后通过基于标记的分水岭算法处理原图像,再用FT算法提取以高亮区域为主的显著图,将2部分显著图分别进行自适应阈值分割,去除小面积等操作获取其二值图像,最后将2个二值图像合并,由此获得黄色和绿色苹果的果实区域。最后进行本研究方法效果图的主观判断和基于分割误差(Af)、假阳性率(FPR)、假阴性率(FNR) 3个评价指标的定量分析。结果表明该方法能更有效地分割出黄、绿色苹果果实,Af、FPR、FNR分别为8. 1%、10. 56%和10. 18%。     

实木地板图像差分和形态学分割算法研究

针对现有实木地板表面缺陷分割算法分割速度慢、精度低的问题,提出基于图像差分和形态学的地板表面缺陷分割方法。首先,分别对目标图像和背景图像进行求补和低通滤波运算;其次,将预处理后的2幅图像做差分运算,得到差分图像;最后,采用形态学开闭运算去除差分图像噪声并获得目标缺陷。选取活节、死节、裂纹3类缺陷样本各20个进行试验,结果表明：该研究算法对3类样本平均分割准确革分别达到92．63％、94．31％、93．88％,平均分割时间为9．583ms。     

基于机器视觉金鱼游动方向监测算法的研究

针对金鱼游动方向自动监测,提出了一种基于机器视觉金鱼游动方向的监测算法。金鱼图像首先通过阈值分割得到分割图像,然后通过分割图像或者腐蚀后的分割图像提取金鱼的像素点,再分别使用最小二乘法拟合一次、二次曲线从而得到金鱼的游动方向。15幅金鱼图像的实验表明在室内单条金鱼监测中通过分割图像提取像素后一次曲线拟合得到的结果最好,仅6.67%的误差。     

复杂背景与天气条件下的棉花叶片图像分割方法

为实现自然条件下棉花叶片的精准分割,提出一种粒子群(Particle swarm optimization,PSO)优化算法和K-means聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在RGB颜色空间模式下采用二维卷积滤波进行去噪预处理,并将预处理后的彩色图像从RGB转换到目标与背景差异性最大的Q分量、超G分量、a*分量;随后在K均值聚类的一维数据空间中,利用PSO算法向全局像素解的子空间搜寻,通过迭代搜寻得到全局最优解,确定最佳聚类中心点,改善K均值聚类的收敛效果;最后,对像素进行聚类划分,从而得到棉花叶片分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:该算法对于晴天、阴天和雨天图像中目标(棉花叶片)分割准确率分别达到92.39%、93.55%、88.09%,总体平均分割精度为91.34%,并与传统K均值算法比较,总体平均分割精度提高了5.41%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像实现准确分割,为棉花叶片的特征提取与病虫害识别等后续处理提供支持。     

基于邻域算法的农业害虫图像分割

针对分割农业害虫图像时不能区分相邻灰度值的问题,提出邻域算法。首先确定像素的邻域度,像素的邻域通过移除低于某一给定阈值的所有边并将所有相连的样本点作为域类而获得;然后采用基于关系权重方法区分邻域类别,从全局的角度衡量了每个特征项对所有类别的区分能力;接着基于可变聚类半径对像素数据排重,删除重复性数据;最后给出了算法流程。仿真试验结果表明,本研究算法分割农业害虫图像的效果清晰,消耗的时间较少。     

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U-Net模型和FCM算法的番茄穴盘苗重叠幼叶分割方法

针对传统方法对番茄穴盘苗重叠幼叶图像分割精度较低、背景剔除困难的问题,提出一种基于U-Net模型和模糊C均值聚类(FCM算法)相结合的图像分割方法。首先用ExRG法对图像的背景进行剔除,得到待分割幼叶的主体区域,对图像进行预处理。其次建立数据集,训练网络模型,用预训练的U-Net模型分割幼叶主体区域,提取其过渡区域;同时用FCM算法分割幼叶主体区域,提取其过渡区域。然后结合FCM算法分割得到的过渡区域和U-Net模型分割得到的过渡区域,得到重叠叶片的最终分割结果。最后,为了得到精准的评估结果,将重新连接的过渡区域进行填充,并与其他文献所述的算法进行对比分析。结果表明,所提出的基于U-net模型和FCM算法对穴盘苗幼叶轮廓分割的结果更加准确,泛化性更强。证明对番茄幼苗叶片图像分割的有效性,为幼苗生长状况的检测研究提供了支持。     

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.     

果园自然环境下采摘机器人路径识别方法

果园自然环境下光照条件是不同的,而不同的光照条件又会对采摘机器人的路径导航产生不同影响,针对此环境,本研究提出了一种根据光照度进行分类并使用不同算法提取道路中心线的方法。首先对图像亮度分量和光照度进行研究,并将光照度划分为低光照、正常光照和高光照3个等级。在低光照条件下通过分离出S通道,然后利用K-means与Ncut算法对其进行分割,在正常光照条件下采用Otsu算法对S通道进行分割,在高光照条件下则通过K-means与Ncut算法对Cg、Cb与Cr通道进行差分运算后的图像进行分割。将分割后的图像进行边缘检测并提取道路轮廓,并通过最小二乘法实现道路中心线的获取。最后选用150张不同光照条件下的图像进行了静态试验验证,并通过课题组自行研制的采摘机器人进行了动态试验验证,静态试验验证结果表明,3种光照条件下图像分割区域与道路真实区域的平均重合度为96.74%、平均分割误差为2.01%、平均道路中心线平均偏差为2.71像素,平均耗时为0.182 s;动态试验验证结果表明,3种光照条件下的平均横向偏移距离为3.1 cm。表明,该方法在不同光照条件下具有较高的精度和实时性,能够满足采摘机器人在自然光照条件下的路径识别及导航需求。     

基于改进C-V模型的棉花叶片目标提取方法

为解决自然条件下棉花叶片因其轮廓几何边缘长势不均匀所导致的叶片目标提取不精准问题,提出一种基于改进C-V模型的棉花病害叶部目标提取方法。在传统C-V模型的基础上,将长度惩罚项和符号距离函数的约束能量项引入能量模型中,以达到对演化曲线长度变化的约束目的,从而完成对整幅图像目标特征的提取。本研究算法先对待分割的图像设置初始曲线,并利用高斯滤波算子对待分割图像进行平滑滤波处理,然后根据图像全局灰度信息和局部二值匹配信息建立能量方程,根据其离散化形式,对水平集函数进行演化,并从中提取演化曲线,最后根据水平集函数演化过程所满足的终止条件,输出图像分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:本研究算法对于晴天、阴天和雨天图像中目标(棉花叶片)轮廓提取准确率分别达到82.23%、82.73%和84.60%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像目标特征轮廓实现准确提取。     

基于Camshift跟踪算法与SVM的大输液杂质检测识别方法研究

针对我国医药生产检测包装线上大输液杂质智能检测技术问题,提出了一种利用实时视频图像处理技术检测识别大输液杂质的方法.该方法对连续多帧被旋转的大输液瓶图像运用差分图像运动分析方法提取目标杂质;运用图像处理技术去除气泡噪声,准确分割目标杂质,采用Camshift跟踪算法连续跟踪几帧运动杂质以确保检测准确率;根据Camshift跟踪算法提取出的杂质运动和几何特征,应用SVM(Support Vector Machine)准确识别杂质类型.实验结果表明,该方法检测识别直径大于等于4个像素的杂质的检测识别率平均可达到95.4%,检测识别速率平均可达到581 ms/瓶.     

基于空间邻域信息的加权FCM图像分割方法

提出了一种新的加权模糊c均值图像分割方法,该方法根据邻域象素间的灰度变化,选取与目标象素灰度特性相似的邻近象素组成高度相似象素区域,建立邻域像素隶属度对目标象素隶属度的空间影响函数,通过空间影响函数来重新估计目标象素的模糊隶属度,以反映不同象素点对目标象素点分类的影响。由于该算法利用象素空间邻域关系对模糊隶属度进行了调整,使得目标分类时考虑了图像象素的邻域信息。试验结果表明,提出的方法抗噪性能强、收敛速度快,能够有效的分割图像。     

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。