基于颜色和形状特征的棉花害螨图像分割方法

针对棉花害螨图像成分复杂、病斑排列无规则等特点,提出了一种基于改进型超红特征和面积阈值的棉花害螨病斑的图像分割方法。该方法主要可分为3个步骤:首先利用改进后的超红特征2.1R-G-B提取出复杂背景下棉花害螨图像中的类病斑区域(具有相同红色的害螨病斑和茎杆);然后将类病斑区域与非类病斑区域的灰度图像进行二值化处理;最后利用面积阈值法将类病斑中的害螨病斑分割出来。实验结果表明,改进后的超红分割算法能有效地提取出棉花害螨病斑,准确率可达94.79%。     

作物病害图像中重叠病斑分离算法

针对传统的分水岭分割算法的不足,应用了一种基于标记测地重建的分水岭算法对棉花重叠病斑图像进行分离.首先对病斑二值图像利用多尺度距离变换获得病斑的距离图像,通过极限腐蚀操作检测出标记种子;然后以种子标记为基础.运用形态学测地重建运算获取测地影响区骨架SKIZ--分水岭线;最后利用分水岭线与原病斑图像进行交集运算.从而得到分离的图像.运用该算法对棉花重叠病斑图像进行分离,试验结果表明:该方法能较好地将图像中的重叠病斑分离,并较好地保存病斑边缘信息,对图像中的微小结构和噪声不敏感,具有良好的鲁棒性.     

基于遗传模糊神经网络的植物病斑区域图像分割模型

针对植物病斑区域图像边界的模糊性和不确定性因素，利用模糊逻辑的推理规则和神经网络的自适应性，提出全规则的自适应模糊神经网络模型作为植物病叶图像像素归属的决策系统，并利用遗传算法对系统的可调整参数初始值进行全局优化，提高了网络训练速度，避免了传统BP算法的局部最小值。通过对马铃薯早疫病病斑图像分割的实验表明，该模型速度快且稳定，精度高且鲁棒性好，简单易于实现。     

基于改进型C—V模型的植物病斑图像分割

针对植物病斑图像背景复杂且分割难问题,提出一种基于水平集和加权颜色信息的C-V模型。借助水平集方法对病斑图像的R、G、B分量图像颜色信息取加权值,以差分图像能量作为能量函数最终值,以适应不同的病害种类。试验结果表明,经过R、G、B加权的黄瓜红粉病病斑图像使用4R-G图像模型、苹果锈病病斑图像使用3R-G-B图像模型自动分割的效果较好,比传统C-V模型分割性能好,抗噪性好,可扩展性好。     

基于图像处理的叶斑病分级方法的研究

针对目前植物病害染病程度判别中以目测为主,存在着主观随意的缺陷,开发出一种基于计算机图像处理技术的病害分级新方法.同时,分析了图像分割中存在的各影响因素,运用Otsu法提取出叶片区域;提出在HSI颜色空间下选择H分量分割病斑以减少光照变化和叶脉的干扰,使用Sobel算子检测病斑边缘,分割出病斑区域,并通过计算病斑面积占叶片面积的百分比给出病害的染病级别.研究表明,使用该方法对植物叶部病害严重度进行分级具有快速精确的特点.     

Segmentation of Plant Lesion Image Using Improved C - V Model

针对植物病斑图像背景复杂且分割难问题,提出一种基于水平集和加权颜色信息的C-V模型.借助水平集方法对病斑图像的R、G、B分量图像颜色信息取加权值,以差分图像能量作为能量函数最终值,以适应不同的病害种类.试验结果表明,经过R、G、B加权的黄瓜红粉病病斑图像使用4R-G图像模型、苹果锈病病斑图像使用3R-G-B图像模型自动分割的效果较好,比传统C-V模型分割性能好,抗噪性好,可扩展性好.     

复杂背景黄瓜叶部病害图像分割方法

针对具有复杂背景的黄瓜病害图像,设计了一种图像分割方法。该方法首先结合超G和OTSU方法去除彩色图像中的大部分背景,尽可能保留图像中的绿色部分信息;然后根据病害图像RGB模型中红色分量自动建立数据项,并且设定相邻像素间红色分量差值的函数作为平滑项,以上述数据项和平滑项构建基于阈值预处理的图切割算法。利用该方法对4种黄瓜病害（霜霉病、白粉病、靶斑病和炭疽病）彩色图像进行分割。结果表明,该方法能够较为准确地将病斑区域从彩色图像中提取出来,算法的平均正确识别率达到90%以上;平均运行速度为2.12 s,能够满足实时图像分割的要求。     

基于颜色与形状特征的甘蔗病害图像分割方法

根据甘蔗苗期赤腐病和环斑病图像的特点,提出了一种甘蔗病害图像分割方法.首先利用颜色特征2G-R-B和2R-G-B提取出病斑和土壤等非绿色植物类.然后采用面积阈值分割法排除部分土壤等非绿色植物类连通区域.最后利用链码计算剩下的病斑和土壤等非绿色植物类连通区域的形状特征,根据区域的宽度、矩形度和圆度分离出病害病斑.实验结果表明,该算法能有效提取出赤腐病和环斑病病斑,对环斑病图像分割正确率达93%,对赤腐病图像分割正确率达95%.     

基于GrabCut算法的玉米病害图像识别方法研究

GrabCut算法是一种交互式操作少、分割精度高的图像分割方法,但是对于前背景颜色相近或低对比度的区域时难以准确分割前景区域。鉴于此,在实现GrabCut算法的自动分割的基础上,融合基于显著性的SLIC算法来对玉米病害图像进行更好的目标识别和图像分割。以玉米小斑病、大斑病和灰斑病三种病害的图像作为样本,采用融合显著信息的GrabCut算法与相同样本数量和条件下的One-Cut算法和SLIC算法进行试验和对比分析。试验表明,同其他两种算法相比,本文算法对于试验中玉米的三种病害具有更好的分割精度,对于玉米的叶鞘、茎和叶片部分的图像丢失率能够保持在1%以下,分别为0.899%、0.229%和0.914%,对于玉米病害部分能够进行有效地提取,具有较好的分割效果,对于玉米小斑病、大斑病和灰斑病的识别率上能够达到91.67%、86.36%和72.00%,同时通过训练模式进行验证,识别率分别能够达到87.2%、82.4%和83.6%,拒识率分别为4.5%、6.7%和6.3%。     

基于计算机视觉的苹果霉心病病变程度测量方法

利用近红外光谱技术进行苹果霉心病的无损检测是目前的主流方法,其光谱与霉心病的病变程度密切相关。为了实现苹果霉心病病变程度的精确测量,设计并实现了一种基于计算机视觉的苹果霉心病病变程度测量方法。首先,基于Otsu算法,利用果实区域与背景反差较大的特点,实现果实、病变与背景区域的分割,并对分割图像进行区域填充等预处理操作;然后,针对分割后包含病变的苹果图像,运用Otsu算法进行二次分割,分别提取腐烂病斑区域与整个苹果区域的面积;最后,计算出病变区域的比例,得到其病变程度。为了验证算法的有效性,利用多幅图像进行了测试,并与利用Photoshop手工选取的实际病斑面积进行了对比。试验结果表明,利用该方法得到的腐烂程度误检率为8.87%,可以有效地实现苹果霉心病病变程度的测量。     

基于改进GrabCut算法的黄瓜植株图像分割

植物图像的自动分割是植物表型研究的热点问题,也是作物生长过程监测、病虫害识别等应用的核心技术之一。以黄瓜为对象,通过对图像中作物与背景特点的分析,选取EXG超绿分割和GrabCut算法进行试验研究;基于EXG超绿分割和GrabCut算法在黄瓜群体图像上的分割结果及这两种算法的优缺点,提出具有更高分割精度的改进算法。用室内室外不同生长时期的黄瓜植株图像进行试验,温室内图像和室外自然光照图像的平均分割精度分别达到96.56%和96.59%,均优于EXG超绿分割和GrabCut算法。同时表明,本文的改进算法适应性更强,具有较好的鲁棒性。     

基于图像处理的黄瓜叶片病斑分级方法的研究

目前由于植物病理学中辨别病害主要以目测为主,主观判断占据主导。为了实现可靠的病害诊断,开发出一种基于计算机图像处理技术的病害分级新方法,并运用了分水岭法提取叶片区域。为了减少由光照变化产生的干扰,经比较提出了在YUV颜色模型下选取V分量进行病斑分割的方法。最后通过计算病斑面积与叶片面积的比例得出病害的染病级别。实验表明,该方法能够快速准确地对黄瓜叶片病害的严重程度进行分级,具备良好的分类能力。     

牛胴体眼肌切面图像的分割方法

在牛肉的计算机自动分级系统中,牛胴体眼肌图像的分割、大理石花纹的提取是利用计算机视觉评定牛肉等级的最基本及重要步骤。在简要介绍各种图像分割方法的基础上,对目前国内外应用于牛胴体眼肌图像的分割技术及各种算法进行了初步分析研究。并在此基础上,对其他学科提出的一些图像分割算法应用于牛胴体眼肌图像分割的潜力和前景进行了论述。     

基于K-means聚类和RF算法的葡萄霜霉病检测分级方法

针对自然环境复杂背景下葡萄霜霉病检测分级困难的问题,提出了一种基于语义分割结合K-means聚类和随机森林算法的葡萄霜霉病检测分级方法,实现对葡萄霜霉病快速分级。构建了葡萄霜霉病数据集,采用HRNet v2+OCR网络建立葡萄叶片语义分割模型,提取复杂环境下葡萄叶片;采用K-means聚类算法将葡萄叶片分解为若干子区域图像,并标记少量数据集进行随机森林算法学习,实现葡萄叶片病斑分割与提取;同时在叶片提取和病斑提取过程中,设计一种像素尺寸变换方法,解决图像分辨率引起的精度低问题。基于HRNet v2+OCR网络的葡萄叶片分割模型的准确率为98.45%,平均交并比为97.23%;融合K-means聚类和随机森林(RF)算法的葡萄叶片正面、反面和正反面霜霉病病害分级准确率分别为52.59%、73.08%和63.32%,病害等级误差小于等于2级时的病害分级准确率分别为88.67%、96.97%和92.98%。研究结果表明,基于K-means聚类和随机森林算法的葡萄霜霉病检测分级方法能够准确地分割自然环境复杂背景下的葡萄叶片和葡萄霜霉病病斑,并实现葡萄霜霉病分级,为葡萄霜霉病精准防治提供了方法和...     

田间环境下果蔬采摘快速识别与定位方法研究进展

作为实现果蔬采摘作业自动化的关键难题之一,田间环境下的果蔬快速识别与定位受到了广泛的关注。综述了常见的果蔬识别硬件系统和识别算法;总结和分析了果蔬图像预处理、颜色特征选择、图像分割算法设计及图像后处理的研究;综述了常见果蔬识别算法、成簇果蔬识别算法及被遮挡果蔬识别算法的研究;分析和比较了果蔬定位中常用的有源测距法和无源测距法,以及果蔬无源测距中常见的立体匹配算法。分析了田间环境下果蔬识别和定位研究存在的主要问题,并展望了发展趋势。     

牛肉眼肌图像在线采集和实时分割系统

根据肉牛屠宰现场牛肉自动分级的技术要求,设计并构建了一个以TMS320DM642处理芯片为核心的牛胴体眼肌图像在线采集和实时分割系统.首先利用所开发系统在线采集牛肉图像,然后通过蒙板方法,对所采集图像进行背景分割;由于DM642系统采用y、Cb、Cr 3个色度分量来分别描述和存储图像,为节省算法处理的数据量,对Cr(红色)色度空间图像进行二值化处理,然后再用区域面积标记法和小区域消除法提取眼肌区域.实验结果表明,利用DM642系统能够实现牛肉图像的在线采集和眼肌区域分割,眼肌图像提取的准确率平均值为92.9％.     

基于XCT技术的原位根系三维可视化研究

为解决植物根系原位三维观测的技术难题,采用XCT层析成像技术获取原位根系的断层序列图像,然后利用计算机图像图形处理技术实现对植物根系的原位三维可视化.为了提高图像分割的精确性,提出一种利用根系几何形态特征的综合分割方法,有效清除了与根系密度极其近似的杂质体素,完成了对序列图像的三维分割.并利用VTK工具箱采用移动立方体算法(MC)实现了对分割后序列图像的三维重建.编程实验证实,本文提出的技术路线和方法能够有效地实现对生长在介质环境中原位根系的三维可视化观测.     

基于迁移学习与卷积神经网络的玉米植株病害识别

大数据背景下产生了海量图像数据,传统的图像识别方法识别玉米植株病害准确率较低,已远远不能满足需求。卷积神经网络作为深度学习中的常用算法被广泛用于处理机器视觉问题,能自动识别和提取图像特征。因此,本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别玉米植株病害模型。该算法首先通过数据增强方法增加数据,以提高模型的泛化性和准确率;再构建基于迁移学习的卷积神经网络模型,引入该模型的训练方式,提取病害图片特征,加速卷积神经网络的训练过程,降低网络的过拟合程度;最后将该模型运用到从农田采集的玉米病害图片,进行玉米病害的精确识别。识别试验结果表明：使用数据增强与迁移学习的卷积神经网络优化算法对玉米主要病害（玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病）的平均识别准确度达96.6%,和单一的卷积神经网络相比,精度提高了25.6%,处理每张图片时间为0.28s,比传统神经网络缩短了将近10倍。本算法的精确度和训练速度上比传统卷积神经网络有明显提高,为玉米等农作物植株病害的识别提供了新方法。     

小波变换与分水岭算法融合的番茄冠层叶片图像分割

在基于机器视觉的作物营养诊断研究中,通常需要采集叶片样本并在实验室条件下定量测定其营养素含量,但由于叶片间相互重叠,往往使得叶片样本不能清晰地反映在群体番茄冠层图像中。为了解决这一问题,需要利用图像分析技术有效提取作物冠层图像中的叶片,并根据处理结果采集实验室测定样本。本文从复杂背景剔除、梯度图计算、小波变换、标记选取、分水岭分割等环节出发,实现了基于小波变换与分水岭算法融合的番茄冠层多光谱图像叶片分割。首先对比了4种复杂背景剔除算法,发现当增强因子a=1.3时,基于归一化植被指数(Normalized difference vegetation index,NDVI)的阈值分割目标提取准确,适合各种光照条件,时空复杂度低。其次在梯度图计算方面,近红外(Near infrared,NIR)波段图像形态学梯度在保持目标边缘的同时,能消除大量由叶脉、光照等引起的叶片内纹理细节。然后以小波分析为基础进行标记选取,发现当选取db4小波函数、4层小波分解低频系数、阈值为18的H-maxima变换能得到最优的目标标记结果。最后对多光谱番茄冠层图像的小波变换分水岭分割和数学形态学分水岭分割结果进行叠加,发现对复杂背景及不同光照强度下的番茄冠层叶片平均误分率为21%,为基于多光谱图像分析的番茄叶片营养素含量检测提供了一定的技术支持。