复杂背景下的树木图像提取

树木图像提取是将树木地面摄影图像中的单株树木与其周围景物分离的技术,为计算机技术在林业中的应用提供基础数据和技术支撑。在自然场景中拍摄的背景具有不确定性的树木图像,其提取是一项探索性很强的工作,具有重要的实用价值和现实意义。本文分析了复杂背景下树木图像的特点和提取的难点等问题;把近年来出现的树木图像提取方法按照图像分割和自然图像抠图分成两大类,并分别对每种方法中的典型算法进行了详细阐述。在此基础上,对图像分割与自然图像抠图技术在树木图像提取应用中的优势和局限性进行了分析和比较,提出把图像分割和自然图像抠图技术合理结合,针对树木图像特征,设计出准确、快速、实时的树木图像提取技术是未来研究的重点和难点。     

一种改进的基于MRF的树木图像提取方法

在自然场景中拍摄的树木图像包含了丰富的信息,并受环境、光照、天气、噪声等的干扰,树木本身及其周围景物的多样性使得自然场景中的树木图像提取成为一项复杂的、探索性很强的工作。本文采用自然图像抠图技术进行树木图像的提取,较好地解决了树木图像内部存在大量空洞和透明现象的问题;提出了关注区域的概念,并引入区域生长的方法,从简化三分图划分、尽可能多地确定前景像素点和减少未知区域待运算像素数目3个方面对基于马尔可夫随机场（MRF）的抠图方法进行了改进。实验结果表明:改进的基于MRF的树木图像抠图算法能够有效地提取树木图像,并简化了人机交互过程,增强了颜色的准确性,同时使运算速度大幅度提高。      

基于K-means聚类和改进MLP的苹果分级研究

为准确实现多特征融合的苹果分级,提出了一种基于K-means聚类和改进MLP的苹果分级方法。该方法主要包括图像预处理、亮度均衡化、背景分割、特征加权以及改进的MLP分级网络训练。首先借助均值滤波算法和直方图均衡化操作改善苹果图像质量;接着借助K-means聚类算法进行背景分割;在果体与背景分割的基础上,依次提取苹果的果径、果形、颜色、缺陷、纹理5个特征;然后借助皮尔逊相关性分析和人工挑选偏好权重对特征数据集综合加权,模拟人工分级场景;最后将特征数据送入改进的MLP神经网络中完成苹果的分级定等。通过对400个定好等级的苹果进行分级测试,准确率达到94.25%,验证了分级方法的可行性与准确性。该方法与现行的苹果分级标准相结合,具备时效性强、检测指标完备等分级优势。     

一种融合聚类和分类算法的树木图像多目标优化分割方法

目的结合树木图像颜色和纹理特征,融合聚类和分类算法对树木图像进行多目标优化分割,从而提高自然背景下树木图像分割的准确性。方法首先,利用MSCC框架理论,解决聚类和分类目标函数同时依赖于聚类中心的问题。然后,分别选定聚类性能评价指标函数和分类性能评价指标函数。最后,采用多目标进化优化方法——NSGA-II算法进行优化,得到Pareto前端最优解集,并通过计算聚类有效性指数I的最大值,寻找最优解决方案。选择具有代表性的法国梧桐、侧柏、松树和杏树等自然背景下拍摄的4幅图像作为样本。分别采用K-means、Fuzzy C-means、对聚类目标函数进行单目标优化,采用MOPSO方法进行多目标优化,以及NSGA-II方法进行多目标优化等5种方法对样本图像进行分割比较。结果在聚类中心数量相同、种群大小相同、遗传代数相同的条件下,指数I的值表明本文提出的分割方法优势显著。对于4类不同样本图像分割的指数I值进行对比可知,以HF指数为单目标函数进行遗传优化的结果优于单一使用K-means和FCM算法;MOPSO多目标优化方法分割结果优于单目标优化结果;基于NSGA-II优化的多目标函数分割结果又优于MOPSO多目标优化结果。结论融合聚类和分类算法构建聚类性能评价指标函数和分类评价性能指标函数,并采用非支配排序遗传算法对多目标函数进行优化,能更好地保留树木图像的颜色和纹理特征,分割准确率显著提高。      

基于Closed-Form抠图算法的复杂背景下植物叶片提取

植物叶片提取是一种将拍摄到的植物叶片与其周围景物分离的技术,它为计算机技术在植物叶片检索中的应用提供了基础数据和技术支撑。由于自然场景下拍摄的植物叶片往往含有复杂的背景信息,这使得植物叶片提取成为一项比较复杂的工作。分析复杂背景下植物叶片提取的难点,针对现有的基于图像分割提取技术存在的缺陷,将Closed-Form抠图算法引入其中并提出1种基于Closed-Form抠图算法的复杂背景下植物叶片的提取方法。该方法首先需要用户对具有复杂背景的叶片图像添加一定的约束条件,然后通过估算未知像素的透明度α对其进行前景与背景的确认,从而较好地将具有复杂背景的植物叶片提取出来。试验对比结果表明,该方法效果较好。     

自然环境下基于Lab空间的成熟苹果图像分割

为了提高自然环境下成熟苹果图像的分割质量,通过对自然环境成熟苹果颜色特征的分析,提出一种在Lab颜色空间的苹果图像分割算法。首先对图像进行均值滤波预处理以消除噪声的影响,然后把图像从RGB空间转换到Lab空间并提取a分量,最后进行K-means分割。结果表明,基于Lab空间中a分量的K-means分割能有效地把苹果从图像中提取出来。     

基于G-R分量与K-means的马铃薯病虫害图像分割

针对复杂背景下马铃薯病虫害图像色彩复杂多样的问题,提出了一种基于G-R分量与K-means的图像分割方法。该方法首先提取G-R分量灰度化图像,然后对图像进行中值滤波和形态学变换操作以去除部分背景,最后将处理过后的图像转换到L*a*b*色彩空间并提取ab分量进行K-means聚类分割。本文利用该方法将暗头豆芫菁及芫菁、马铃薯重花叶病毒病及马铃薯黄痿病病斑从原彩色图像中准确提取了出来。该方法能够较为准确、完整地将目标病虫害从彩色图像中提取出来,在马铃薯病虫害治理方面有较好的应用价值。     

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K-means和特征提取的植物叶部病害检测与实现

针对植物常见叶部病害的检测并提高准确率,提出了基于K-means的图像分割和颜色特征提取的算法。以苹果枯叶病为研究对象,应用K-means算法先进行病斑叶片的图像分割,再提取三阶颜色矩参数,与正常叶片参数进行对比分析;实验测试表明,该方法能较好的识别苹果枯叶病,具有较好的鲁棒性,且准确率较高。     

航拍油菜花图像的自动聚类分割方法

为了实现航拍大田油菜花的准确分割,本文提出了一种基于HSI颜色空间阈值和X均值自动聚类算法相结合的分割方法来有效提高分割精度。先将待分割的原始图像转换到HSI颜色空间,通过设定的颜色阈值对目标区域进行定位,实现初步分割,得到候选目标区域;然后将候选目标区域的像素转换至LAB颜色空间,计算候选区域的a、b通道的均值和方差;最后利用得到的均值和方差作为聚类的约束条件,利用X均值自动聚类算法对原图像的a、b通道进行聚类。实验结果表明,本文提出的方法能够克服变化的背景的影响,准确提取油菜花区域;相对于传统的聚类方法,本方法不需要预先设定聚类数,从而实现完全自动的分割。     

改进分水岭算法在无人机遥感影像树冠分割中的应用

提出了一种基于NDVI植被指数计算的改进分水岭分割方法.利用该方法对原始无人机多光谱遥感影像进行波段甄选、NDVI指数计算、形态学滤波等预处理,得到树冠的显著性区域图像;再利用彩色向量空间梯度算法计算显著性区域图像的梯度,从显著性区域图像中提取树冠的顶点及其范围作为标记,加到梯度图像上;最后采用基于标记控制的分水岭算法对树冠层进行分割.结果表明,该算法能够有效去除输电线路等背景区域的影响,算法样本精度达到88.3%.     

基于图像特征融合的麦冬叶部病害识别

以川麦冬叶部黑斑病、炭疽病、叶枯病3种病害图像为研究对象,对比分析了双峰法、Otsu阈值分割法以及K-means聚类分割算法对麦冬病斑图像的分割效果。结果表明,K-means聚类算法结合数学形态学方法能满足病斑分割要求;提取病斑图像颜色、形状、纹理信息融合成病斑特征向量;运用方差分析与主成分分析法剔除了病害表征能力较差的特征参数并将特征向量维数降至10维;运用支持向量机设计出分类器进行病害识别,经试验识别率达到了90%。该方法具有成本低、算法简单、运行高效等优势,基本符合实际应用要求。     

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。     

基于改进分水岭算法的作物病害叶片分割方法

传统的标记分水岭算法在作物病斑分割过程中存在伪标记,会造成过分割,本研究在传统的标记分水岭算法基础上提出了一种改进的标记分水岭分割算法。该算法首先采用形态学进行预处理,建立形态学梯度,并对梯度图像进行开闭重建。然后对重建的梯度图像进行前景标记,并利用病斑和正常叶片的颜色差异对前景标记中的伪标记进行滤除,对修改后的前景二值化图像进行距离变换和分水岭完成背景标记。最后用强制极小值技术进行梯度修正,并用分水岭算法对其进行分割。对多幅作物叶片进行分割试验,并对比不同分水岭的分割效果,结果表明该方法得到的区域数最少,能有效提取黄瓜叶片病斑,并且抑制过分割。     

基于K-means聚类与果萼形状的‘海沃德’猕猴桃膨大果检测方法

【目的】根据‘海沃德’猕猴桃膨大果和未经膨大剂处理的猕猴桃正常果在果萼形状上的差异,建立一种基于K-means聚类算法的猕猴桃膨大果的图像识别方法。【方法】利用K-means聚类算法对猕猴桃的RGB图像进行聚类,以初步分割出猕猴桃果萼;对RGB图像进行灰度化,并采用最大类间方差法对灰度图像进行阈值分割,基于阈值分割后的二值图像提取猕猴桃的边缘区域;基于K-means聚类分割的结果与猕猴桃边缘区域的二值图像提取果萼的聚类,再利用数学形态学处理精确提取出猕猴桃的果萼。求取果萼区域最小外接矩形的长宽比,并根据长宽比进行猕猴桃正常果与膨大果的判断与识别。【结果】对提取的猕猴桃果萼特征的统计分析表明,当猕猴桃果萼区域最小外接矩形的长宽比值大于1.6时为膨大果,否则为正常果,利用该算法对‘海沃德’猕猴桃膨大果的总体正确识别率为91.5%。【结论】基于K-means聚类分割算法和果萼形状上的差异所提出的猕猴桃膨大果无损、便捷检测方法,为猕猴桃膨大果的工业化在线检测及基于手机平台的猕猴桃膨大果识别软件的开发提供了新思路。     

基于图像增强和α角度模型的K均值小麦冠层分割算法的改进

[目的]本文旨在克服光照不均引起的低对比度、反光、阴影、光斑及遮挡等对大田复杂背景下小麦冠层图像分割的干扰。[方法]设计了一种结合脉冲耦合神经网络(pulse coupled neural network,PCNN)与同态滤波的自适应图像增强和基于L*a*b*颜色空间α角度模型的K均值聚类分割算法。首先,将小麦冠层图像转换到HSI颜色空间,采用自适应算法对HSI空间的I分量进行增强处理,适当调节饱和度S分量,补偿光照强度分布不均,去除阴影及拉大对比度;其次,将增强处理后的图像映射到L*a*b*颜色空间,提取a*、b*分量建立α角度模型;最后,基于α进行K均值聚类分割处理。[结果]拔节前后光照强度不一、光照不均的冬小麦冠层图像的分割试验结果表明,该算法可一定程度避免基于L*a*b*颜色空间α角度分量K均值聚类的过分割现象;改善基于HSI空间H分量K均值聚类的欠分割缺陷,且对光斑、阴影遮挡、反光突出的图像分割更完整准确。[结论]本算法可为大田复杂背景下光照多变的作物冠层图像分割提供参考方法。     

基于极限腐蚀的重叠苹果果实分割方法

针对采摘机器人无法对重叠苹果准确分割的问题,提出了一种基于改进极限腐蚀和控制标记符分水岭分割苹果图像的方法。首先,利用果实色差分量的关系,采取R-G颜色分量作为颜色特征向量对图像进行初分割,然后采用OTSU方法分割、孔洞填充、去除小面积等方法获得完整果实二值图像,对二值图像通过改进极限腐蚀的方法来获取种子点,即局部最小区域,通过获得图像的内外标记符使用控制标记符分水岭算法,形成最终的分割图像并标记出分割线。结果表明:这种方法能够很好地改善传统方法出现错误分割的问题,找出清晰的分割线,正确分割率能够达到96.5%,较传统分水岭法和快速聚类分割算法分别提高了7.8个百分点和4.9个百分点,能够满足采摘机器人对重叠苹果图像的分割要求。     

自然条件下茶叶嫩芽图像分割方法的研究

探讨茶叶嫩芽自动分割方法,为茶叶智能采摘提供技术支持。以自然环境下茶叶嫩芽图像为研究对象,比较了基于颜色的阈值分割与聚类分割方法对茶叶嫩芽自动分割的影响。首先,选择了R-B和b分量进行茶叶阈值分割;其次在Lab颜色模型下进行K-means聚类分割;最后,通过形态学处理实现茶叶嫩芽自动识别。基于聚类的茶叶分割方法不仅能够抑制颜色阈值分割受光照的影响,且实现了自然环境下茶叶嫩芽的有效分割。     

复杂背景下昆虫图像的快速分割与识别

昆虫图像分割是昆虫图像的识别与鉴定的重点和难点.目前,昆虫分割算法速度慢、过程复杂且大多数只针对于单一背景图像.为了更准确高效地实现昆虫图像的前景背景图像分离,提出一种基于逐像素聚类的端对端的昆虫图像分割方法,能够同时实现复杂背景下的昆虫图像分割与昆虫种类识别.采用覆盖5个昆虫目级阶元的37种实际场景下拍摄的昆虫图像作为研究对象,首先通过试验确定所提模型的最优参数设置,选择ResNet101作为分割模型的主干特征提取网络,在IoU取0.50时,其掩膜分支平均准确度均值、定位平均准确度均值及平均识别误差率分别为93.15％、95.06％和12.12％,分割每张昆虫图像仅需0.080 s,所提模型能够同步实现复杂背景下昆虫目标与背景的快速准确分割并进行分类.     

基于清晰度的茶叶嫩芽聚类分割方法

针对自然环境下茶叶嫩芽图像分割易出现过分割和欠分割等问题,提出一种基于清晰度评价和颜色聚类级联的嫩芽图像分割方法,并结合Tenengrad梯度评价和滑动分割获取清晰度较高的图像区域,然后在RGB、HSV、Lab、YCbCr颜色模型下进行聚类分割。结果表明,选取Tenengrad梯度值的上四分位数作为清晰度初选阈值,漏选率为25%;在HSV颜色模型下,利用K-means聚类方法完成嫩芽图像分割,晴天和阴天环境下嫩芽图像分割精度分别为72.48%和77.83%,较直接K-means分割方法相比,假阳性率分别减少5.19%和2.03%。该方法能够实现自然环境下茶叶嫩芽图像的有效分割,减少欠分割和过分割,为茶叶智能采摘提供理论参考。