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。     

一种基于K-means与Close-Form融合的树木图像提取方法

基于图像的树木自动提取是其种类、长势、形态等信息智能化判别的基础,如何实现树木的自动、准确、快速提取是具有实用性的科学问题。在自然场景中,由于图像元素多样、颜色差异大,树木自身存在不规则性,树木提取难度非常大。针对现有的图像分割与图像抠图法在树木提取过程中分别存在的误分割与过程复杂所导致的计算量大的问题,提出了一种基于K-means聚类算法优化Close-Form图像抠图的树木提取方法。在少量的标记下,依据颜色线性假设进行最小化代价函数计算,得到图像透明度;对透明度图像依次进行中值滤波、高斯滤波,得到透明度的去噪图像;对滤波后透明度与标准化的图像绿色分量组成二维空间进行K-means二聚类,实现背景与前景对象的准确判定,进而完成自然背景的树木图像提取。为了验证所提方法在不同场景和不同标记下的树木提取有效性,设计了基于K-means图像分割和传统Close-Form抠图方法的比较性试验。结果表明,基于K-means优化Close-Form的树木提取方法解决了传统Close-Form算法在少量标记下图像前景、背景估计不准确问题,克服了图像分割存在的误分类情况,实现了不同自然环境和多目标树木对象的提取。此方法具有对象提取稳定、计算时间快的优点,相对原Close-Form算法用时减少49.98%。     

基于改进Bayes抠图算法的麦穗小穗自动计数方法

小麦产量评估需人工获取田间单位面积的麦穗数和麦穗小穗数，往往耗时耗力。为了实现高效、自动地麦穗小穗计数，提出一种基于改进Bayes抠图算法的麦穗小穗自动计数方法。该方法首先利用改进Bayes抠图算法对获取地自然生长条件下的麦穗图像进行抠图，将麦穗从自然背景中分割出来。然后对该图像进行平滑滤波和二值化，运用迭代极限腐蚀运算对二值化图像进行腐蚀处理，去除麦穗图像中的麦芒，分离出麦穗上每个单独的麦穗小穗。再运用面积滤波滤除掉面积过小的区域，对剩余区域的黑洞进行填充，由此每个单独的麦穗小穗形成一个单独的连通区域，最后对连通区域进行标记和计数，完成麦穗小穗的自动计数。使用4个小麦品种的麦穗图像对麦穗上的小穗进行计数验证，结果表明，该方法在识别4个品种田间麦穗单幅图像中小穗数量的平均计数精度达到94.53%，平均相对误差为5.47%，对比已有麦穗小穗自动计数方法，计数精度显著提高，这对于小麦在线产量预估具有重要意义。     

1种基于Otsu算法的植物病害叶片图像分割方法

植物叶片图像分割是植物分类和植物病害检测中的一个关键步骤,旨在把叶片图像分成各具特性的区域并提取出感兴趣的部分。在分析自然场景下植物叶片图像几种分割方法的优缺点的基础上,基于Otsu算法,提出了1种叶片图像分割方法,并进行分割算法试验。结果表明,该叶片图像分割方法对叶片中目标(叶片或病斑)-背景类的图像具有较好的分割效果。     

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。     

图像拼接技术在茶树病虫害防治研究中的应用

为较好地实现茶树全景图像的拼接,针对图像拼接过程中存在同名点检测时间长、非同名点基数大的问题,提出一种顾及排列顺序的图像拼接算法。该算法以基准图像为起始,采用相关性原理,以矩形块为计算单位,提取图像间相关区域;后序图像区域提取基于前序图像区域位置计算;最后在目标区域中完成同名点检测,并实现特征匹配、图像配准与融合。试验结果表明,顾及排列顺序的图像拼接算法基于目标区域提取同名点能有效地减少非同名点数量,缩短同名点查找以及特征匹配时间,能够有效提高图像配准速度并实现茶树全景图像的无缝拼接。     

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。      

小麦腥黑穗病冬孢子显微图像的获取及处理

针对入境小麦腥黑穗病检验检疫中冬孢子区域计数问题,提出了小麦腥黑穗病图像处理的方法和流程.首先介绍了显微镜下腥黑穗病菌冬孢子图像的获取方法;在将冬孢子的彩色图像灰度化后,采用中值滤波抑制噪声,利用metric算法进行图像分割;为了从背景中准确提取冬孢子区域,流程中采用图像形态学方法来消除二值图像中冬孢子区域的背景噪声和孔洞,并剔除图像边界处不完整的冬孢子区域;最后采用区域标记的方法获得了冬孢子数目.结果表明,该研究提出的方法和流程能有效地改善图像的质量,并能够自动准确地提取并统计冬孢子区域,便于后续的识别工作.     

一种基于学习向量量化网络的目标提取方法

图像目标提取是图像语义抽取及其应用的基础。为了更好地进行图像语义的抽取,提出了一种基于学习向量量化网络的目标提取方法。该方法首先将图像划分成固定大小的子块,采用改进的学习向量量化网络实现前景和背景的区分,最后提取目标。     

基于动态阈值的树木年轮图像分割方法研究

根据树木年轮图像的特点,提出了一种基于直方图变化特征的椭圆分块和最大类间方差法的树木年轮图像自适应分割方法。并运用该方法对落叶松的年轮图像进行分割,结果表明,该方法对树木年轮图像的分割效果非常理想。     

Trimap generation for digital matting using camera exposure

This paper proposed a method to automatically generate the trimap for digital matting.Camera parameters of aperture and shutter speed are used to control its exposure,and accordingly to take pictures of stationary foreground with blurred background.Our method was inspired by color difference matting,both of which require a pre-record background image.In our method,only one image was required.Upon this input image,the process of blurring-deblurring,subtraction,thresholding and dilation were applied to finally generate the trimap.No user's direct interface with the image was needed,and the user only needed to adjust the threshold or width of dilation for some input images.It reduces users' conservative interaction,and results are reliable for most of the pictures.     

几种图象分割算法在棉铃虫图象处理中的应用

本文介绍了6种图象分割算法在棉铃虫图象分割中的应用。结果表明，平均值分割算法和迭代阈值分割算法能够获得较好的分割结果，其中迭代法分割结果较符合实际需要。而P－参数法虽最终能获得较好的分割结果，但需要人为干预阈值的选择过程；Johannsen方法能够正确分割出棉铃虫区域，但无法反映棉铃虫的斑纹特征；而Kapur法和Yager方法则将棉铃虫区域的很多内容分割为背景区域，难以反映出棉铃虫实际特征，本研究为进行昆虫图象的特征提取、特征测量及种类自动识别研究奠定了基础。     

基于近红外深度图的游泳型鱼类摄食强度实时测量

针对水产养殖过程中精准投喂难题,提出一种基于近红外深度图的鱼类摄食活动强度评估方法。该方法不以目标跟踪为基础,不受养殖现场光照条件限制,无须依赖于清澈的水体与稳定背景,通过对深度数据直接处理,以最低的计算量实现鱼类前景目标提取及背景图像剔除,用新方法获取清晰的鱼类摄食图像。进而通过深度图的目标像素点总数判断抢食鱼类的数量,结合目标像素点的变化率,实时反映出鱼类摄食活跃程度;与传统的基于二维图像纹理特征的分析方法相比,该方法大幅度地降低了计算量,为养殖现场的实时测控提供了可实施方案。实验结果表明：近红外深度图不受养殖现场成像条件的限制,能以简洁的数据形式有效地表征鱼类的摄食规律,其方法对于分析在水面抢食浮性饲料,并在非摄食阶段栖息于水体底部的鱼类具有理想的分析效果。论文为鱼类行为分析提出一种新的技术手段,对精准投喂的应用具有积极的指导意义。     

结合区域协方差分析的图像显著性检测

目的 图像显著性检测的目的是为了获得高质量的能够反映图像不同区域显著性程度的显著图,利用图像显著图可以快速有效地处理图像中的视觉显著区域。图像的区域协方差分析将图像块的多维特征信息表述为一个协方差矩阵,并用协方差距离来度量两个图像块特征信息的差异大小。结合区域协方差分析,提出一种新的图像显著性检测方法。方法 该方法首先将输入的图像进行超像素分割预处理;然后基于像素块的区域协方差距离计算像素块的显著度;最后对像素块进行上采样用以计算图像像素点的显著度。结果 利用本文显著性检测方法对THUS10000数据集上随机选取的200幅图像进行了显著性检测并与4种不同方法进行了对比,本文方法估计得到的显著性检测结果更接近人工标定效果,尤其是对具有复杂背景的图像以及前背景颜色接近的图像均能达到较好的检测效果。结论 本文方法将图像像素点信息和像素块信息相结合,避免了单个噪声像素点引起图像显著性检测的不准确性,提高了检测精确度;同时,利用协方差矩阵来表示图像特征信息,避免了特征点的数量、顺序、光照等对显著性检测的影响。该方法可以很好地应用到显著目标提取和图像分割应用中。     

电动生长锥结合Python树木年轮信息提取研究

为快速精准获得树木年龄及年轮信息，研发了一种电动生长锥结合Python视觉库（PIL）进行年轮信息自动提取的方法。电动生长锥是在传统生长锥的基础上增加动力组，以电动力代替人力进行树木树芯获取，树芯经处理后使用扫描仪扫描得出的树芯图像，利用Python视觉库中的二值化、坐标信息提取方法对树芯年轮图像信息进行提取分析，根据每点之间的像素数，运用距离公式计算得出各年轮的宽度。该方法操作简单，成本低廉且精度较高，仅需使用电动生长锥配合扫描仪及电脑即可得出树木年轮信息，适用于不具备专业仪器环境的外业条件时树木树芯年轮进行快速测定。通过实验对电动生长锥适用性范围进行了分析，其电动生长锥取样与传统手动钻取相比，树芯状态无明显差异但时间节省一倍以上，利用Python脚本进行年轮信息提取与LinTab仪器相比，测量年轮宽度值未见明显差异，其Bisa%为023%，RMSE%为187%,满足年轮信息提取基本需求，且集成程度高，只需输入图片即可得到年轮信息。     

SPOT-5卫星影像中水体信息自动提取的一种有效方法

从卫星遥感影像中快速、准确地提取水体信息已成为水资源调查，水资源宏观监测及湿地保护的重要手段，但目前，进行水体提取所使用的卫星遥感数据的分辨率较低，使其应用的深度和广度受到严重约束。本文利用波段运算得到特征波段(PRWI)，经过图像增强处理后提取水体和居民地混合信息，在此基础上通过分析水体的光谱特征，发现水体和居民地在近红外和短波红外上有显著差异，采用决策树模型将水体专题信息提取出来。运用目视判读和定量统计方法来评价提取结果。结果表明，该方法的总体提取效果较好，其提取精度与常规的监督分类方法相比有了较大的提高。经检验发现其误判的像元主要是位于水体和其他地物的交界处。     

基于U-Net和分水岭算法的无人机单木树冠提取方法

高分辨率无人机遥感影像单木树冠参数信息提取方法是森林资源精准监测和生态功能评估的重要基础，而自然光照条件下粘连和遮挡单木树冠的准确分割是直接决定单木树冠信息提取精度的关键。针对自然光照条件下山地森林无人机遥感影像中单木树冠相互粘连、遮挡难以分割，以及传统算法泛化能力弱等问题。本研究结合深度学习和标记控制分水岭算法的优点，提出了一种基于U-Net和标记控制分水岭（marker-controlled watershed,MCW）算法（简称U-Net+MCW算法）的山地森林单木树冠提取方法。以新疆山地森林优势树种天山云杉(Picea schrenkiana var.tianschanica)为研究对象，在南山实习林场采集积雪背景下无人机遥感影像作为试验数据，构建了基于深度神经网络U-Net和标记控制分水岭算法的单木树冠提取模型。首先，从无人机遥感影像中选取1 000张训练样本，128张测试样本，并对样本进行标注，通过数据增强将1 000张训练样本扩增为16 000张，按照4∶1分为训练集和验证集，对U-Net模型进行训练，在训练过程中赋予2个或多个树冠间的相邻边界像素较大权重。然后，利用训练好的U-Net模型对测试集样本进行单木树冠提取。最后，在深度神经网络U-Net单木树冠提取的基础上，采用MCW算法对提取结果进行优化，并对单木树冠提取效果进行精度评估。结果表明，U-Net+MCW算法对于单木尺度的F测度为74.04%，比单一使用U-Net模型提高了28.52%，以该方法提取遥感影像中的天山云杉树冠信息为基础，计算其单木树冠面积和冠幅的精度分别为81.05%和89.94%。因此，U-Net+MCW算法能够有效解决自然光照条件下，由于原始图像背景复杂且树冠内部亮度变化不均匀和树冠间粘连、遮挡等因素，导致的单个树冠内、树冠聚集处或连接重叠区域出现的树冠错分割、过分割、合并等问题，是一种低成本、高效率的单木树冠提取方法，能够满足中小尺度山地森林资源调查和监测要求。     

基于模糊数学的公路路面裂痕检测技术

根据公路路面实际裂痕灰度值比背景灰度值低,而路面非背景和非裂痕像素灰度值比背景灰度值高或低很多,设计了一种基于模糊数学的公路路面裂痕检测的新技术.首先使用改进的基于乘性模型的灰度校正算法对原始图像进行预处理,接着根据OTSU最大类间方差法计算得到原图像前景与背景的最佳阈值作为渡越点,构造一个新的模糊隶属度函数对预处理后的图像进行模糊处理,然后用Sobel算子对模糊后的图像边缘检测判断得到含有裂痕信息的区域,最后用图像分割算法区域分割出含有裂痕信息的图像子块.实验证明,新提出的方法在处理速度和检测准确性方面基本能够满足实际需要,能实时、自动检测出模糊图像的裂痕.