共查询到17条相似文献,搜索用时 140 毫秒
1.
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。 相似文献
2.
复杂背景与天气条件下的棉花叶片图像分割方法 总被引:4,自引:0,他引:4
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。 相似文献
3.
4.
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。 相似文献
5.
6.
7.
《内蒙古农业大学学报(自然科学版)》2021,(3)
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。 相似文献
8.
基于G-MRF模型的玉米叶斑病害图像的分割 总被引:3,自引:0,他引:3
【目的】图像分割是作物病害自动识别系统实现的难点之一,前人研究大多采用基于阈值或聚类的分割算法,方法简单、易于实现,但分割精度较低。本文引入高斯模型的Markov随机场分割模型(G-MRF),对玉米叶部病斑图像进行分割试验,以期提高分割精度。【方法】在VC6.0下实现了G-MRF分割模型,G-MRF既利用了图像像素的灰度信息,又通过像素类别标记的Gibbs光滑先验概率引入了图像的空间信息,是能较好地分割含有噪声图像的算法。采用该算法对大斑病、小斑病、灰斑病和弯孢菌叶斑病等4种主要玉米叶部病害的图像进行了分割测试,并与基于阈值和基于Gauss模型的分割算法进行比较。【结果】基于G-MRF分割模型的分割,目标区域的一致性和边缘的清晰方面明显好于基于阈值和Gauss模型的分割算法,其平均正确分类率达96.35%,分别较基于阈值和基于Gauss模型的分割算法高出3.75%和4.03%,差异达到显著水平。【结论】基于G-MRF模型的分割算法鲁棒性高,能够有效地将病斑区域从叶片部分离,分割正确分类率达96.35%,可用于玉米叶斑类病害图像的分割。 相似文献
9.
10.
针对作物病害叶片图像的复杂性和模糊性,提出一种基于引力核密度聚类算法的作物叶片病害区域快速检测方法:首先,在RGB颜色空间提取病害叶片图像的R通道值,根据R值的特征直方图特性,运用多项式拟合特征直方图曲线,根据导数性质确定拟合特征直方图曲线的峰值点和峰值区域,确定病害叶片图像聚类数和初始聚类中心;根据初步确定的病变叶片图像的聚类中心,运用引力核密度聚类算法快速完成对病害叶片病斑的分割。试验结果表明,基于引力核密度聚类算法的平均分割精度达80%以上,平均检测时间为4.912 s,优于已有病害区域分割算法K–means和Meanshift的性能。 相似文献
11.
为了实现海南省北部县市檀香受咖啡豹蠹蛾(Zeuzera coffeae Nietner)虫害的自动识别,使用林内传感器传回的图像信息,提出一种空域与频域相结合的背景去除方法,并提取出虫害区域与健康区域。该方法首先提取出檀香树的前景部分,使用2G-B-R因子去除枝叶及边缘,在L*a*b*系统中选择合适的通道,使用Otus法和形态学运算剔除排泄物区域,并成功分割出虫害和健康区域。通过2种区域的图像在纹理方面表现出的不同,提取筛选出3种受外界因素影响比较小的特征,并在此基础上利用差异扩大法提出了"多纹理特征"的概念。使用Logistic二分类法对提取出的纹理特征及其组合、多纹理特征及其组合、主成分分析后的特征进行分类并分析,结果证明通过扩大差异得到的多纹理特征分类效果要好于单纹理特征,且使用"熵值均值-相关性均值"得到的分类精度最高,并使用系统聚类以及K-means聚类方法验证得到相同的结论,证明了所提方法的科学性。 相似文献
12.
13.
K-均值聚类算法和粗糙熵是应用于图像分割的主要算法,目的是对图像进行分析处理。将K-均值聚类算法和粗糙熵结合起来应用到岩心图像的分割,目的是提取出岩石的隙缝信息。先利用K-均值聚类算法对岩心图像进行区域分割,再利用基于粗糙熵的方法对分割结果进行目标提取,从而达到多阚值分割的目的。通过效果图对比分析可以看出,采用基于粗糙熵的K-均值聚类算法处理多目标的岩心图像,提取出的目标更清晰,更明确,实验结果更有价值,证明了改进后算法的有效性。 相似文献
14.
15.
基于卷积神经网络的葡萄叶片病害检测方法 总被引:5,自引:0,他引:5
文章采用多角度建议区域Faster-RCNN准确定位图像中葡萄叶片,提出一种基于卷积神经网络的病害检测方法,检测图像叶片病害。相比直接检测图像病害,可去除背景因素对病害区域干扰,降低错误率。结果表明,该算法对自然条件下葡萄病害成像适应性良好。文章统计6种不同条件下拍摄图像,对一般叶片检测算法平均mAP为75.52%,显著高于传统算法。在病害检测时,采用两种策略:从一幅图像中检测到每个单个叶片,或将整幅图像对叶片取掩模后,作为下一级病害检测器输入图像。结果表明,第一种方法,6种常见葡萄病害平均mAP为66.47%,其中褐斑病与白粉病mAP超过70%;第二种方法,病害检测平均mAP为51.44%,但平均检测时间节约75%。两种方法性能均优于在原始图像上直接病害检测方法。 相似文献
16.
为提高K-均值聚类算法在医学CT图像分割上的应用效果、稳定性和质量,减少程序运行时间,本研究用Matlab语言优化了K-均值聚类算法程序,与StatisticsToolbox的K—means函数进行比较,使用单因素方差分析法检验两种算法实现程序运行时间的差异,并直接观察分割效果和稳定性。结果显示,改进后的K-均值聚类算法程序具有分割结果稳定、质量提高等优点,在常用Windows操作系统和Pc机配置环境下,分割耗时在1s左右,显著低于原有的分割程序,消除了等待感觉,提高了使用者的工作舒适度和效率,为图像的识别处理奠定了基础。 相似文献
17.
基于多元岭回归估计小麦种植密度 总被引:1,自引:1,他引:0
种植密度对小麦产量影响较大,合理的种植密度对提高小麦产量具有重要意义。因此,快速、准确的估计小麦种植密度显得尤为关键。提出一种基于多元岭回归估计小麦种植密度的方法。首先,将获取的彩色麦苗图像从RGB颜色空间转到 Lab颜色空间,利用改进的K-means聚类算法对麦苗进行分割。然后,选取已知种植密度的50幅麦苗图像作为训练样本进行标准化,获得标准化麦苗图像的面积特征、轮廓特征和LBP纹理特征,将这3个特征参数和已知的麦苗密度作为训练输入,利用多元岭回归得到麦苗密度与特征参数间的函数映射关系。最后,对要测试的麦苗图像,按照上述步骤进行处理,求出测试麦苗图像的3个特征参数作为输入,代入映射函数得到测试麦苗图像的密度值。结果表明,该方法在估计4个不同品种小麦种植密度时,田间麦苗单幅图像中小麦种植密度的估计平均精度达到93.99%,平均相对误差为6.01%,对比已有估计小麦种植密度的方法,该方法估计精度显著提高。 相似文献