基于离散切比雪夫变换的数字水印

着重分析了常见图像置乱算法的基本特征,给出了一种基于Knight,s tour矩阵和Arnold变换对数字图像进行置乱的算法,分析了图像的离散切比雪夫变换,提出了先对水印进行置乱,然后嵌入原始图像数字水印算法,并用MATLAB R2014B对二维灰度图像进行基于离散切比雪夫变换的数字水印仿真。从仿真结果可以看出,文章提出的数字水印算法提取的水印的PSNR值更高。     

基于机器视觉的核桃仁大小自动分级技术

为了改善我国核桃仁外观品质人工检测速度慢、精度低、费时费力的现状,提出1种基于机器视觉和图像处理技术的核桃仁大小检测方法。构建图像采集系统以获得与背景颜色对比度明显的待检核桃仁图像;通过灰度变换、中值滤波,降低了图像处理计算数据量,提高了图像信息的可读性;通过阈值分割和区域填充,得到了清晰完整的核桃仁区域分割图;使用像素统计法计算核桃仁像素面积;提出1种自适应平均算法对样本学习训练,进而计算出大小分级阈值;以Lab Windows/CVI 2012为开发平台,借助其图像采集和图像处理函数,设计配套的核桃仁大小自动分级软件。结果表明,该方法在实验室条件下可实现核桃仁大小分级,分级正确率达90.0%以上。     

再生稻收割机的视觉导航路径检测方法

采用机器视觉技术研究再生稻收割机导航路径检测方法.根据农田再生稻图像特点,基于HSV空间的S分量结合Otsu算法得到初始分割阈值T;为更好地保留不同成熟度再生稻植株特征,加入修正因子-a,得到分割阈值T-a二值化图像.将土壤路径从再生稻植株中分割出来,根据形成的植株左右边界区域特征,提出逐行扫描图像动态检测导航路径的中间离散点集,利用基于已知点的Hough变换检测出稻桩行间导航路径.结果表明:处理一幅像素419×310的图像平均耗时0.064 s,具有较好的实时性,对稻叶交叠现象具有较强的适应性,拟合的导航线符合人眼视觉感官判断.     

基于区域亮度自适应校正算法的脐橙表面缺陷检测

【目的】针对类球型水果表面亮度分布不均现象,传统算法难以有效直接分割水果表面缺陷区域问题,提出一种基于区域亮度自适应校正的脐橙表面缺陷检测算法。【方法】选择区域经济价值较高的纽荷尔脐橙为研究对象,对其采集原始可见光RGB图像。试验中发现R-B融合分量图像灰度呈明显双峰分布,故根据直方图信息利用单阈值法(分割阈值T1=60)去除图像背景,获得R-B目标图像;基于本文提出的一种区域亮度自适应校正算法对脐橙表面缺陷进行检测,首先设定目标图像邻域窗口大小为w×w(邻域窗口大小w=13),通过对其窗口大小内较亮像素点的集合提取脐橙表面亮度信息,然后基于此表面亮度信息对去除背景的R-B目标图像进行均一化校正,经亮度校正后的图像发现其表面缺陷区域与正常组织区域灰度对比度大,宜采用单阈值法(分割阈值T=194)直接对亮度校正后的脐橙图像进行表面缺陷分割提取;最后对表面缺陷分割后的二值化图像进行面积滤波以去除杂散点及噪声。【结果】采用双峰法可在有效去除图像背景的同时完好保留目标脐橙表面信息;基于区域亮度自适应校正算法对溃疡病果、蓟马虫果、介壳虫果、虫伤果、黑星病果、风伤果、炭疽病果、裂伤果等8种常见脐橙表面缺陷果,共计356幅样本图像进行亮度校正,采用单阈值法对亮度校正后的图像进行表面缺陷分割,其分割率高,整体缺陷准确识别率达到了95.8%,平均处理每幅图像耗时0.29 s。与直方图均衡化算法、基于Retinex理论算法以及基于照度-反射理论算法得到的亮度校正图像相比,本文算法亮度校正效果最优且算法简单、缺陷识别率高、计算速度快,其运算速度分别减少了0.27、0.14和1.45 s,缺陷识别率提高了2.6%—8.2%。【结论】基于区域亮度自适应校正的脐橙表面缺陷检测算法有效解决了脐橙类水果表面亮度分布不均导致的表面缺陷难分割问题,为脐橙在线精确分级提供了技术支持,也为其他类球型水果表面缺陷快速检测提供了一种新方法。     

基于数学形态学的树木图像分割方法

该文针对智能整枝机视觉系统的需要提出一种以数学形态学为主的图像分割方法,解决了智能整枝机视觉系统中背景复杂下树木图像分割困难的问题.该方法分成5个步骤:①利用小波变换将图像进行压缩;②亮度矫正;③用分水岭算法对图像进行分割;④用区域合并法解决分水岭算法中的过度分割问题;⑤用中值滤波器滤除分割过程产生的孤立点.结果表明:该方法比Roberts算子、Sobel算子及Prewitt算子对树木图像的分割效果好,为立木整枝机视觉系统的深入研究打下了基础.     

基于区域亮度自适应校正算法的脐橙表面缺陷检测

【目的】针对类球型水果表面亮度分布不均现象,传统算法难以有效直接分割水果表面缺陷区域问题,提出一种基于区域亮度自适应校正的脐橙表面缺陷检测算法。【方法】选择区域经济价值较高的纽荷尔脐橙为研究对象,对其采集原始可见光RGB图像。试验中发现R-B融合分量图像灰度呈明显双峰分布,故根据直方图信息利用单阈值法（分割阈值T₁=60）去除图像背景,获得R-B目标图像;基于本文提出的一种区域亮度自适应校正算法对脐橙表面缺陷进行检测,首先设定目标图像邻域窗口大小为w×w（邻域窗口大小w=13）,通过对其窗口大小内较亮像素点的集合提取脐橙表面亮度信息,然后基于此表面亮度信息对去除背景的R-B目标图像进行均一化校正,经亮度校正后的图像发现其表面缺陷区域与正常组织区域灰度对比度大,宜采用单阈值法（分割阈值T=194）直接对亮度校正后的脐橙图像进行表面缺陷分割提取;最后对表面缺陷分割后的二值化图像进行面积滤波以去除杂散点及噪声。【结果】采用双峰法可在有效去除图像背景的同时完好保留目标脐橙表面信息;基于区域亮度自适应校正算法对溃疡病果、蓟马虫果、介壳虫果、虫伤果、黑星病果、风伤果、炭疽病果、裂伤果等8种常见脐橙表面缺陷果,共计356幅样本图像进行亮度校正,采用单阈值法对亮度校正后的图像进行表面缺陷分割,其分割率高,整体缺陷准确识别率达到了95.8%,平均处理每幅图像耗时0.29 s。与直方图均衡化算法、基于Retinex理论算法以及基于照度-反射理论算法得到的亮度校正图像相比,本文算法亮度校正效果最优且算法简单、缺陷识别率高、计算速度快,其运算速度分别减少了0.27、0.14和1.45 s,缺陷识别率提高了2.6%—8.2%。【结论】基于区域亮度自适应校正的脐橙表面缺陷检测算法有效解决了脐橙类水果表面亮度分布不均导致的表面缺陷难分割问题,为脐橙在线精确分级提供了技术支持,也为其他类球型水果表面缺陷快速检测提供了一种新方法。     

基于多阈值算法的包装箱内香蕉区域的图像分割方法

采用基于阈值技术的自动分割算法实现香蕉包装箱图像的分割。在手动分割的区域内离散选取香蕉和背景区域的像素点,并分别提取RGB,HSV和CIE L*a*b*3个色彩空间内共计9个颜色特征值,通过统计分析确定使用3个分别来自B,L*和b*分量的阈值进行自动分割算法的设计。采用直观对比的方法进行定性评价,其结果显示,手动和自动分割区域的轮廓基本相似;采用面积比作为指标进行定量评价,其结果显示,该算法对10个测试样本的平均面积比为80%以上。测试结果表明,该自动分割算法对香蕉包装箱图像的总体分割效果良好,可以为香蕉催熟房实时品质监控系统的实现提供关键技术。     

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%。     

改进遗传算法结合Otsu算法的大田作物分割

针对部分田间图像由于其背景复杂、光照不均匀等导致很难确定图像分割的最佳阈值问题,提出了一种基于结合遗传算法Otsu算法改进的图像分割方法。首先对采集的图像进行预处理,基于预处理图像通过改进遗传算法中的选择、交叉、变异三种方法以及基于Otsu优化个体适应度函数,实现了可以自动调整遗传控制参数,既确保了物种的多样性又加快其收敛速度,为Otsu图像分割提供了最佳阈值,最后经过图像形态学对图像进行填充。将改进遗传算法的Otsu算法与基于遗传算法+Otsu算法进行图像分割以及基于遗传算法+Ksw熵值图像分割进行了对比,发现该算法得到的阈值范围较为稳定,使得分割后的图像准确、清晰,对于后期进行作物株数的统计或者植株的覆盖度有一定的帮助。     

基于粗糙集的迭代阈值选择的玉米苗期背景分割算法研究

将粗糙集与阈值迭代算法相结合,提出了基于粗糙集的迭代阈值选择背景分割算法并将其运用在玉米苗期图像上。利用粗糙集的模糊性刻画目标与背景的边界,用阈值迭代法选取阈值进而实现背景分割。仿真试验结果表明:传统的阈值迭代算法的分割耗时为0.469 s,并且分割后图像存在大量的信息丢失;基于粗糙集的迭代阈值选择背景分割算法的分割耗时为0.374 s,分割图像清晰,能够快速、有效、准确的实现背景分割,并满足农业智能生产中实时性、高效性的要求。     

基于阈值分割的单板穿孔缺陷识别算法研究

单板穿孔缺陷会影响其胶合过程的质量，是单板分选过程中主要的识别目标。基于图像处理技术的图像分割算法将穿孔缺陷区域与背景区域准确地分开是自动分选的重要前提。本研究提出一种基于阈值分割的单板穿孔缺陷识别方法，首先基于彩色图像的RGB空间将采集的图像转换为灰度图并输出R分量灰度图，采用二维中值滤波处理滤除非线性噪声，最后采用阈值分割和连通域处理相结合的方法将背景与目标区域分离。结果表明，遗传算法的最大熵阈值法选取的阈值和试验时间均优于其余3种（迭代阈值法、大津阈值法、最大熵阈值法）算法，结合连通域处理方法可以有效提取单板中的穿孔区域。     

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。     

基于改进K-means算法的冬小麦覆盖度提取研究

为快速、精准地提取冬前分蘖期冬小麦覆盖度,提出了一种基于改进K-means算法的冬小麦覆盖度提取方法。首先将冬小麦图像转换到Lab色彩空间,其次利用蜉蝣算法（Mayfly Algorithm, MA）获取K-means最优初始聚类中心,并用马氏距离代替欧氏距离进行算法改进,最后利用分割得到的二值图像计算冬小麦覆盖度。结果显示,该方法的平均分割精度和平均处理时间分别为94.66%和2.03 s,与过绿指数（excess green,EXG）自适应阈值分割和基于粒子群优化算法（particle swarm optimization,PSO）的K-means(PSO-K-means)分割相比,分割精度分别提高了12.04%和4.18%,处理时间分别减少了2.26和2.94 s。该方法分割效果优于EXG和PSO-K-means分割方法,可用于提取冬小麦覆盖度。     

基于混合颜色空间和双次Otsu的黄瓜靶斑病图像分割

为快速、准确地分割黄瓜叶部病害图像,提出一种基于混合颜色空间的双次Otsu算法。算法根据病害图像各部分的颜色特征,首先选取原始彩色图像的R分量进行初始Otsu分割和形态学相关操作,将R分量图分割为背景类和非背景类;然后选取非背景类图像的Cr分量进行第2次Otsu操作,将非背景区域分割为正常叶子类和病斑区域类,得到最终的分割结果。将该算法应用于黄瓜靶斑病图像的分割中,并与R_Otsu算法、H_Otsu算法以及图切割算法进行比较。试验结果表明:与对比算法相比,本算法在分割精度及处理速度2方面的综合分割性能最优,错分率均值和方差分别为2.12%和0.08%,平均处理时间0.2s,算法对光照变化具有一定的鲁棒性。本研究算法可为自然光照条件下黄瓜病害图像实时、准确分割提供技术参考。     

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     

基于无人机的田间地膜识别算法研究

为了满足基于机器视觉的田间地膜智能识别要求,对垂直拍摄的6叶期单垄单行烟田图像进行研究,分析图像中地膜、烟苗和土壤的RGB和HSV分量的直方图,发现B分量和V分量采用阈值分割法能分割出地膜。对地膜图像进行手动阈值分割、迭代阈值分割、大律法分割和基于遗传算法的最大熵值法等分割算法比较,发现迭代阈值分割算法目标识别率最高,为71%,且处理过程用时较短。通过对无人机不同飞行高度下地膜识别情况分析,发现50 m飞行高度下的地膜识别率最高,为80.06%,地膜识别面积为246.83 m²,地膜覆盖率为30.12%。该研究为残膜的智能识别提供方法和参考。     

线扫描铁轨表面缺陷成像与检测

基于线扫描的机器视觉成像系统，用于采集铁轨表面图像，提出一种以图像增强和自动阈值分割为核心的缺陷检测算法，该算法能够准确检测出铁轨表面缺陷.图像增强采用局部零均值法，克服了铁轨表面光线反射不均的缺点，提高了缺陷和背景的区分度.自动阈值分割采用强调概率的最大背景类方差法，取到的阈值使背景类方差最大的同时保持缺陷出现概率较小.将本文的核心方法与传统方法进行对比实验，验证了该算法的有效性和快速性，具有一定的实用价值.     

水果采摘机器人视觉系统的目标提取

在田间对作物的果实图像进行实时、准确地目标识别提取，是采摘机器人视觉系统的关键技术，而目标提取的实质是图像分割。大部分水(蔬)果处于采摘期时，表面颜色与背景颜色存在较大差异。而同一品种果实表面颜色相近，体现为在色彩空间果实表面颜色和背景颜色存在着不同的分布特性。根据这一特性，提出了一种基于色彩空间参照表的适用于水果采摘机器人视觉系统果实目标提取的图像分割算法。该算法先由果实样本图像建立色彩空间参照表，再根据色彩空间参照表采用一种类似于“卷积”的方法进行图像分割。与现有其他方法比较，本方法基于彩色的信息处理，可将背景除去得更干净；对背景不做分割处理、无复杂运算，有利于机器人实时图像处理。采用该算法分别对草莓、橙子、西红柿的图像在L^*n^*6^*，Hsv，YCbCr色彩模型下进行了实验，结果显示该算法在这些色彩模型下均可取得理想的图像分割效果。     

基于K均值聚类和数学形态学的小麦彩色图像分割

对小麦植株图像进行分割,是将机器视觉技术应用到动态监测小麦生长状况的基础.采用K均值聚类和数学形态学相结合的方法进行分割,充分利用了小麦植株颜色和背景颜色的差异.首先根据图像色彩对图像进行聚类,然后对聚类后的图像进行形态学开运算,实现了小麦植株与背景的分离,并达到了较好的效果.