基于K均值聚类的成熟草莓图像分割算法

成熟草莓图像分割是草莓收获机器人识别和定位系统的关键技术.考虑到成熟草莓和其所处环境的颜色特性,在Lab彩色模式下将K均值聚类用于成熟草莓图像的分割.首先把输入的草莓图像从RGB空间转换到Lab空间下,然后初始化三个聚类中心进行K均值聚类的迭代算法,最后为消除成熟草莓花托表面细小瘦果对分割产生的影响,利用数学形态学的闭运算对分割的图像进行了修正加工.研究表明,K均值聚类分割算法在Lab模式下能够较好地分割出成熟草莓图像,并且Lab模式比其他彩色模式更适用于K均值聚类的图像分割算法.     

基于PSO与K-均值算法的农业超绿图像分割方

为了解决K-均值算法对农业图像中常用的超绿特征2G—R—B图像分割效果不佳的缺点，提出一种基于微粒群与K均值算法的图像分割方法。先用K均值算法对图像进行快速分类，然后将分类结果作为其中一个微粒的结果，利用微粒群算法计算，最后用K-均值算法在新的分类基础上计算新的聚类中心，更新当前的位置，以得到最优的图像分割阈值。试验结果表明，改进算法对超绿特征2G—R—B图像能够准确分割目标，且对不同类型的农业超绿图像具有较好的适应性。     

基于M-LP特征加权聚类的果树冠层图像分割方法

针对背景和杂草干扰下的果树图像冠层提取问题，提出了一种基于M-SP特征加权聚类的冠层分割算法。首先，将采集的原始图像由RGB颜色空间转换到HSI颜色空间，计算果树与背景区域在H、S分量上的马氏距离，构造马氏距离相似度矩阵〖WTHX〗M〖WTBX〗；其次，提取图像像素的垂直位置作为空间特征〖WTHX〗P〖WTBZ〗，在HSI空间内的I分量上，利用最大熵算法提取图像的阴影区域，并进行掩膜处理，将获取的阴影区域作为空间特征的加权区域L，从而构造阴影位置加权的空间特征〖WTHX〗L〖WTBX〗P；最后，对获取的M-LP特征矩阵进行归一化处理，分别进行上背景、下背景、果树冠层、杂草4个类别的K means聚类，最终完成图像分割。为验证算法的有效性，在采集的果树图像上进行了分割试验，结果表明，基于M-LP特征的聚类方法能有效解决重度杂草干扰条件下果树冠层被漏分的问题。采用精确率、召回率和F1值3个评价指标对分割结果进行定量评价，选取不同杂草干扰程度（轻微、中等、较强）和时间段（早晨、中午、傍晚）的果树图像，分别以传统K-means和GMM聚类算法作为对比进行试验，结果表明，相对于未经过特征提取的普通聚类分割方法，本文算法对于不同杂草干扰程度和不同拍摄时间段下的果树冠层分割表现出一定的鲁棒性，平均精确率为87.1%，平均召回率为87.7%，平均F1值为87.1%。分割和验证结果表明，在进行有效图像特征提取的基础上，结合少量标注作为先验知识的无监督分割方法可以准确分割出果树冠层区域。     

叶面雾滴沉积分布直接检测算法研究

提出一种基于阈值边缘提取算法和HSV颜色模型的二次分割叶片雾滴图像识别算法。通过模拟喷雾试验得到三种不同雾滴密度的叶片样本,保留叶片自身轮廓信息的同时分割叶面雾滴,计算叶面积与雾滴覆盖率关系。结果表明应用Otsu阈值边缘提取与HSV空间混合算法相对于传统的k-means聚类分割算法、动态阈值分割算法,更适用于叶面雾滴分布的识别与检测,三种覆盖密度叶片的分割准确率分别为:95.16%、94.23%、93.76%,平均准确率为94.38%;雾滴覆盖率检测相对误差分别为:2.82%、4.11%、7.59%,平均相对误差分别为4.84%。基于阈值边缘提取与HSV空间提取的混合算法可分割叶面雾滴图像并检测完整叶面上雾滴覆盖率,识别结果能够满足识别精度的要求。     

传统图像分割算法在农作物籽粒考种应用中的研究进展

传统图像分割算法以时间、空间复杂度低等优点在农作物籽粒考种领域中有着广泛的应用。对传统分割算法在农作物表型获取过程中的应用进行研究,首先阐述Otsu、分水岭、边缘检测、SLIC算法以及凹点分析算法的算法原理,对种皮颜色灰度均匀、形状不同的农作物籽粒,以“问题—方法”的模式阐述不同算法在应用中存在的问题以及相应的解决方法;接着将算法基于阈值、区域、边缘、聚类、凹点整合为五大类,对算法的分割效果、优缺点及其适用范围进行比较研究;最后,剖析农作物籽粒图像分割应用研究存在农作物种类覆盖度不够宽泛、图像分割精度不高、技术通用性不高等问题,并从算法精度提高、重叠遮挡处理等方面对未来的研究进行展望,以期为农作物籽粒考种过程中的图像分割研究提供参考。     

基于核函数支持向量机的植物叶部病害多分类检测方法

现有植物病害图像检测方法存在检测病害单一的问题，因此，本文针对叶片的链格孢病、炭疽病、细菌性枯萎病、尾孢菌叶斑病4种病害和健康叶片，提出了基于核函数支持向量机的多分类检测方法。根据植物叶部病害图像具有多变的特点，首先通过受病叶片图像预处理增强病害部分与健康部分的对比度，使病害部分更加明显。然后在Lab彩色空间模型下的a、b分量上进行叶片分割并提取特征，采用K均值聚类方法，增强分割聚类效果。最后采用基于核函数的支持向量机多分类方法对4种病害进行检测识别并分类。为提高检测准确度，用500次迭代评估出最大精度，考虑交叉验证系数的影响，将样本的40%作为验证数据，60%作为训练数据，采用径向基核函数对其进行训练。该方法将传统的2种叶片病害识别扩大至4种，实验结果证实对4种病害的识别率最高达到89.5%，最低也达到了70%，证明了该方法的有效性。     

自然场景下植物叶片图像分割方法研究

图像分割是一种重要的图像分析技术,旨在把图像分成各具特性的区域并提取出感兴趣的部分.图像分割的结果是图像特征提取、识别等图像理解的基础.介绍阈值分割和边缘检测的分割方法,并进行分割算法试验,分析自然场景下植物叶片图像几种分割方法的优缺点,为该分割方法的应用提供依据.     

基于改进的K-均值聚类算法的农作物图像分割

图像分割是图像进行分析处理的首要步骤。为此,针对彩色农作物图像的特征,首先将RGB彩色图像转换到HIS色彩空间,运用均值一方差与粗糙集理论选取适当的初值聚类中心和聚类个数,再进行聚类计算,实现了色彩分量的快速自动化分割,较准确地从背景中提取出了目标物体,为农作物图像的识别与分析、后续计算和处理提供了可靠的基础。实验结果表明,改进的k-均值算法减少了运算量,提高了分类精度和准确性。     

基于PSO与K-均值算法的农业超绿图像分割方法

为了解决K-均值算法对农业图像中常用的超绿特征2G-R-B图像分割效果不佳的缺点,提出一种基于微粒群与K-均值算法的图像分割方法.先用K-均值算法对图像进行快速分类,然后将分类结果作为其中一个微粒的结果,利用微粒群算法计算,最后用K-均值算法在新的分类基础上计算新的聚类中心,更新当前的位置.以得到最优的图像分割闽值.试验结果表明,改进算法对超绿特征2G-R-B图像能够准确分割目标,且对不同类型的农业超绿图像具有较好的适应性.     

基于HSI色彩空间与FFCM聚类的葡萄图像分割

为适应农业采摘机器人对葡萄对象快速准确识别的需要,提出了基于HSI色彩空间与以直方图信息为特征的快速模糊C-均值聚类(FFCM)算法相结合的葡萄图像分割方法。该方法以H分量作为葡萄图像聚类分割的处理数据,根据FFCM算法对灰度图像聚类分割。试验对夏黑葡萄果实在自然光、顺光、背光照射环境下拍摄的图像进行分割。结果表明:葡萄图像分割方法能够快速且较好地从复杂自然环境中将葡萄目标分割出来,为葡萄采摘机器人的研制提供了重要参考。