农业信息文摘

正一种用于自然光草莓叶片图像边缘提取的新型多尺度分析算法王建仑,韩彧,赵霜霜,郑鸿续,何灿,崔晓莹,徐云,陈建树,王淑婷(中国农业大学信息与电气工程学院,北京100083)该研究提出了一种新的基于4个级别的"db5"小波分解的图像的自然光中温室草莓叶边缘图像提取算法。该算法采用不同尺度的重建图像和不同的分割算法来排除外部和内部的背景和叶脉干扰。本算法有两个优势,其中之一是,它可以表示相同的图像在不同的空间的抽象     

基于WT-Otsu算法的植物病害叶片图像分割方法

植物病害叶片图像分割是植物病害识别和植物分类的基础。为了解决作物病斑叶片的分割效率和实时性,在小波变换(wavelet transform)和Otsu法的基础上,提出一种基于WT-Otsu算法的植物病害叶片图像分割方法。首先,利用二维小波变换提取作物病斑图像的边缘点;其次,利用Otsu法在这些边缘点搜索最佳分割阈值;最后,利用该阈值分割图像。利用该方法在真实辣椒病害叶片图像上进行了分割试验,结果表明,该方法对病害叶片图像分割有效可行。     

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。     

小波变换的模极大值在图像边缘检测中的应用研究

边缘检测在图像处理中有着重要的作用.依据canny算子的核心思想,运用小波分析技术,提出了一种基于小波变换的模极大值边缘检测算法.仿真结果表明:该算法能提取图像较弱的边缘,有较好的去噪效果,且边缘有较强的连续性.优于传统的边缘检测算子.     

色差直方图特征改进 Otsu 的橡胶 缺素叶片图像分割研究

针对橡胶叶片颜色随缺素程度不断变化的特点,提出色差直方图特征改进最大类间方差法(Otsu)的橡胶缺素叶片图像分割方法。首先利用图像RGB三分量计算色差图像,保留更多的图像颜色空间信息;然后计算图像的色差直方图,并改进Otsu阈值分割算法;最后利用改进算法对缺素叶片图像进行分割。结果表明,改进算法在缺素叶片图像分割上优于传统Otsu算法。     

基于最大类间方差法的黄瓜病害叶片分割

以黄瓜病害叶片为研究对象,采用直方图阈值分割法去除背景,分别采用最大类间方差法(Otsu)和边缘检测法来分割黄瓜叶片中的病害部位,对比这2种方法的分割效果。最后,对已有的最大类间方差法进行了改进,对病害叶片图像的红色分量进行了病斑分割。结果表明,边缘检测法分割出来的病斑部位轮廓具有不完整性,而最大类间方差法的分割效果较好。采用最大类间方差法对黄瓜病害叶片分割取得了较理想的效果,为后续病害识别奠定了基础。     

改进的小波变换模极大值检测图像边缘的方法

提出了一种改进的基于小波多尺度多分辨率特征的数字图像的边缘检测算法，分别利用不同尺度小波变换后的水平方向和垂直方向高频信息，根据李氏指数与小波变换关系，采用小波模极大值在不同尺度下传播的特性，检测出图像在2个方向的极大值，然后利用模糊算法构造相应的隶属函数，提取弱边缘信息，最后得到不同尺度下的边缘图像。本算法可以兼顾良好的边界定位、噪声抑制和弱边界检测等性能指标，可以有效解决传统边缘检测方法中存在的搞定为精确及强去噪能力之间的矛盾。     

基于形态学和小波变换的图像边缘检测方法

电力机房图像边缘提取是实现电力机房三维重建的重要辅助环节,机房图像边缘提取越精准,三维重建将会更准确.本文提出一种融合小波变换模极大值和多尺度多结构形态学的图像边缘检测算法对电力机房图像进行处理.首先,对原始电力机房图像进行小波分解得到高频图像和低频图像;然后,采用小波变化模极大值算法提取高频图像的边缘信息,多尺度多结构数学形态学算法提取低频图像的边缘信息;最后,通过叠加运算融合高频和低频的边缘信息,得到原始图像的边缘信息.通过仿真实验表明,本文提出的边缘检测算法在抗噪性能、边缘连续性、定位精度上综合实力最强.     

基于凹点寻找标记的分水岭算法分割粘连谷粒

针对标记分水岭算法分割粘连谷粒出现欠分割现象,提出一种基于凹点寻找前景标记的分水岭算法对谷粒进行粘连分割。首先,对谷粒图像进行canny边缘检测,获得谷粒的轮廓,并在低尺度下计算轮廓线的曲率来获取候选凹点,通过自适应阈值和角度去除伪凹点;然后,对经过预处理的图像进行欧式距离变换,按照距离梯度的方向对轮廓曲线进行像素扩充,在凹点处加快速度,再对减去轮廓的二值图进行前景标记;最后,对原二值图应用基于标记的分水岭算法进行分割。利用手机采集5种谷物的图像进行粘连谷粒分割,结果表明,可获得96.4%的谷粒计数准确率。该方法可满足于日常利用手机拍摄的谷粒图像计数的需求。     

一种基于小波变换的边缘检测算法

目的利用小波变换,完成图像边缘的检测,提取能表征图像概貌的重要特征。方法学习并比较几种边缘检测方法,结合小波变换的多尺度特性,对小波变换分解的近似系数和高频系数进行处理,构建模值和幅角图像,提出一种基于小波变换的图像边缘检测算法。结果在MATLAB R2018b环境下,首先以屋顶图像为例,将算法与Roberts算子、Sobel算子、Canny算子、LOG算子进行对比,通过添加椒盐噪声与高斯白噪声,验证算法在边缘定位和抗噪方面取得了较好性能;然后将算法应用于其他图像,边缘检测效果依然稳定。结论基于小波变换的边缘检测算法具有较好的抗噪性与适应性。     

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。     

基于改进型BP神经网络的重叠叶片边缘重建

为有效解决重叠叶片目标边缘修复难的问题,提出一种基于L-M算法的改进型BP神经网络对叶片重叠部分边缘进行预测重建的方法。首先使用数学形态学方法去除叶片的叶柄部分,采用链码差算法精确提取角点,用相关分割准则分割重叠目标;得到目标区域边界点到图像质心的距离和角度,然后利用基于L-M算法的改进型BP神经网络,通过角度预测遮挡重叠部分图像质心到边缘点的距离。最后将预测的距离值转换到图像坐标,得到重建的边缘。通过实验,该方法在保证叶片基本形状下,重建边缘后叶片面积误差可在10%以下,边缘预测效果较好,实验表明该方法可行有效。该方法可以更加方便快捷的测定重叠叶片面积,对重叠叶片边缘重建具有一定的现实意义。     

一种新的基于小波变换的边缘检测算法

提出了一种新的基于小波变换的图像边缘检测算法。该算法首先按水平、垂直和对角方向对图像进行多尺度二进制小波变换,提取3个方向的小波系数。然后采用相邻尺度小波系数相乘的方法去除噪声,提取小波系数乘积的极大值点。最后将这3个方向上的极大点进行融合,形成图像的边缘。仿真实验表明,该算法具有较好的边缘检测和抑制噪声的能力,边缘检测效果明显优于传统的边缘检测方法。     

基于可见光谱色彩指标Otsu 法的水稻冠层图像分割

水稻冠层数字图像分析技术在水稻生长监测、氮营养诊断及产量预测上具有应用潜力,而水稻像元精确分割、提取是水稻冠层数字图像分析结果准确、稳定、可靠的前提。最大类间方差法(Otsu法)具备分割质量稳定、自适应强的特性,分割效果较好,是一种常用的阈值分割方法。通过提取计算水稻冠层图像9种图像色彩指标R、G、B、CIEL*a*b*色彩空间的L*、a*、b*分量、HSV色彩空间的H分量、绿度叶片指数(GLD)以及植被指数(VIGreen),并以各种图像色彩指标的Otsu法对水稻冠层图像进行分割,比较其图像分割效果。结果表明,水稻和土壤像元的a*、b*、GLD、VIGreen色彩指标双峰性明显,且重叠性小,可作为分割水稻与土壤背景的候选图像色彩指标;基于a*、GLD、VIGreen色彩指标的Otsu法的分割精度较高,且基于a*色彩指标的Otsu法对水稻冠层图像分割效果的信噪比最大、误差率最低,其次是基于VIGreen色彩指标的Otsu法;基于CIEL*a*b*色彩空间的a*色彩指标是Otsu法的水稻冠层图像分割中较优的图像色彩指标。     

模极大值法与尺度独立法在稻米边缘检测中的模拟研究

稻米图像边界是阶梯型边界,在稻米图像的边缘检测中,利用模角分离的小波变换,结合尺度独立的算法提取了阶梯型边界,但得到的边缘图像存在边界不连续和边缘响应次数不唯一的问题。而小波变换的模极大值法检测出了所有类型的边界,其中包括不需要的边界。本文提出一种边缘检测方法,将尺度独立法与模极大值法的优点结合,在稻米图像的边缘检测中取得了理想的结果。     

改进Otsu法的冠层图像分割及银杏叶面积指数估测

基于Otsu法对冠层图像临界处分割不准确的缺点,结合类间方差以及类内聚度对阈值选取及图像分割效果的影响,提出了一种改进阈值选取算法。利用银杏冠层图像分割实例进行比较,同时进一步拟合了图像信息与叶面积指数间模型,结果表明:(1)该改进法较传统Otsu法可得到更好的分割效果;(2)以分割得到的前景像素比值作为自变量,叶面积指数为因变量,拟合得到的模型能较好的描述冠层图像信息与叶面积指数间的关系;(3)提出了一种即时无损并快速可靠的叶面积指数估测方法。     

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。     

改进Otsu法的冠层图像分割及银杏叶面积指数估测1）

基于Otsu法对冠层图像临界处分割不准确的缺点,结合类间方差以及类内聚度对阈值选取及图像分割效果的影响,提出了一种改进阈值选取算法。利用银杏冠层图像分割实例进行比较,同时进一步拟合了图像信息与叶面积指数间模型,结果表明：（1）该改进法较传统Otsu法可得到更好的分割效果;（2）以分割得到的前景像素比值作为自变量,叶面积指数为因变量,拟合得到的模型能较好的描述冠层图像信息与叶面积指数间的关系;（3）提出了一种即时无损并快速可靠的叶面积指数估测方法。     

基于多水平集的植物图像分割

依据植物图像中不同目标的区域特征,应用多水平集分割算法分割植物图像.该算法能够将植物的花朵、叶片以及背景有效地分割开.与基于聚类的多尺度Ncut算法的分割效果进行比较,多水平集方法在分割效果上优于多尺度Ncut算法.     

基于k-means分割和迁移学习的番茄病理识别

针对有背景干扰的番茄病理叶片,将k-means分割与迁移学习相结合,提出一种基于k-means分割和迁移学习的方法对番茄病害叶片进行识别.首先对原始图像进行一系列预处理,再将处理后的图像进行k-means分割,得到叶片边缘的最小矩阵图像,之后进行去噪处理,简化突出图像特征,再根据预处理后的图像特点,优化改进迁移的VGG16网络结构,构建CNN模型对预处理后图像进行识别.结果显示,通过分割后训练方式平均精度提升了0.37百分点,通过冻结迁移的VGG16网络第1个卷积模块并修改全连接层的方法提升了5.4％左右.因此本研究认为通过分割、冻结VGG16第1个卷积层模块的参数并修改全连接层可以提升番茄病理识别率.