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。     

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SLIC和多尺度显著性的红枣图像分割算法

针对自然光条件下具有复杂背景的红枣图像,提出了1种新的图像分割方法。首先,该方法用简单线性迭代聚类(simple linear iterative clustering,SLIC)算法对图像进行超像素分割,并进行迭代合并处理,从而得到不同尺度的图层;其次,利用图像局部对比度估计和区域位置估计来获取相应的显著性图;最后,用K-means算法得到红枣图像聚类分割结果。结果表明,该方法能有效去除图像的复杂背景,消除红枣上光斑的影响,准确地将红枣图像从背景中分割出来。     

基于改进K中值聚类的苹果病害叶片分割方法

针对复杂背景下的苹果病害叶片分割问题,提出一种基于改进的K均值聚类的苹果病害叶片病斑分割方法。首先将原始叶片图像由RGB(R为红,G为绿,B为蓝)颜色空间转换到Lab(L为亮度,a为从洋红色至绿色的范围,b为从黄色至蓝色的范围)颜色空间,然后在Lab颜色空间中利用ab二维数据空间的颜色差异,以欧式距离度量像素间的相似度,使用K均值对图像进行聚类,利用数学形态学中的开闭交替滤波方法对聚类后的灰度图像进行校正,最后得到图像病斑。对3种常见苹果病害叶片图像进行分割,并与其他分割方法进行比较。结果表明,该方法效果好,其误分率为8.41%。     

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G-MRF模型的玉米叶斑病害图像的分割

【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。     

基于改进K-means聚类与分水岭的木材横截面管孔分割

  目的  管孔是木材识别方面的重要特征之一。针对管孔随机分布、大小不一导致管孔分割鲁棒性不高,木纤维、木射线以及轴向薄壁组织等噪声区域对管孔分割效果影响较大的问题,本研究提出了一种改进K-means聚类与分水岭的木材横截面管孔分割算法。  方法  采用改进K-means聚类对管孔区域进行粗分割,有效区分管孔区域与木纤维、木射线以及轴向薄壁组织等噪声区域。再对粗分割结果采用改进分水岭算法进行精分割,分割出的管孔与实际管孔基本吻合。  结果  平均每张木材横截面微观图像有97.1%的管孔被准确有效地分割出来。本研究提出的改进分割算法与其他算法相比,分割效果显著提升,在大小不一且随机分布的管孔分割过程中鲁棒性高,具有良好的分割性能。  结论  该算法有效解决了传统K-means聚类算法在图像分割时受噪声影响大和初始聚类中心随机性问题,为阔叶材管孔特征提取和定量分析奠定了坚实基础。图7表1参16     

基于引力核密度聚类算法的作物病害叶片区域的快速检测

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。     

檀香树干受咖啡豹蠹蛾危害区域的分割与分类

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。     

檀香咖啡豹蠹蛾虫害的树干区域分类研究

目的檀香是一种典型的珍贵树种,但不易成活且常遭受病虫害的干扰。本研究针对受咖啡豹蠹蛾危害的檀香,为提高受害檀香树干区域的分类效果,根据不同区域在颜色和纹理方面的特点,提出了一种复杂背景下受咖啡豹蠹蛾危害的檀香树干区域分类方法。方法(1) 本文首先结合高斯高通滤波、Otsu法、2G-R-B因子以及形态学运算,将树干从复杂背景中提取出来,再通过L*a*b*系统中的L*通道和a*通道将树干分割为健康区域、虫害区域和排泄物区域。(2)提出“多纹理”并使用“相对颜色”特征变换方法以提取图像特征。(3)提出BP神经网络和RBF-SVM相结合的方法对区域进行识别。结果(1) 本文提出的图像分割算法有效地将受虫害危害的檀香从背景中提取出来,并成功分割为健康区域、虫害区域和排泄物区域。(2)与传统PCA处理相比,使用“多纹理”和“相对颜色特征”得到的分类精度有所提高。其中,“多纹理”特征通过差异扩大的方法构建出的图像特征,明显增加了类间方差;“相对颜色特征”则减小了光照对样本的影响,从而减小了类内方差。(3)通过将RBF-SVM与BP神经网络方法相结合,对比发现,使用一种方法进行三分类的精度较低,分别为74.44%和81.11%;两次二分类后提高了精度,分别为87.77%和85.56%;而两种方法相结合的方式所得到的分类精度最高,总体可达91.11%。结论本文通过数字图像对受咖啡豹蠹蛾危害的檀香树干区域进行分类,为该虫害的早期识别以及受损率计算提供了方法,可以有效地减小檀香生长所受危害,提高心材质量,也为数字图像技术在林业中的应用提供了参考。      

一种粗糙熵和K-均值聚类相结合的岩心图像分割方法

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。     

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。      

基于卷积神经网络的葡萄叶片病害检测方法

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。     

改进的医学CT图像K-均值聚类分割算法的实现

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。     

基于多元岭回归估计小麦种植密度

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。