基于射线轮廓点匹配的生猪红外与可见光图像自动配准

为研究生猪多源图像特征提取方法及生猪体表温度与生猪异常的关系特征,该文提出一种基于射线轮廓特征点匹配的红外与可见光图像自动配准方法。采用红外热像仪,同时采集相同猪舍场景的可见光图像和红外热图像,以红外热图像中生猪区域质心为中心间隔均匀角度构建辅助射线,提取射线与边缘轮廓交点构建匹配特征点集,通过计算不同尺度变换因子下特征点集间的加权部分Hausdorff距离作为测度,引入RPROP算法进行迭代加速,实现了可见光图像和红外热图像的快速自动配准。试验中,应用该文算法对50对红外和光学图像进行了测试,所提出自动配准方法配准成功率达到94%,平均配准误差小于1像素,试验结果表明自动配准效果达到或超过手动配准的效果,为进一步研究生猪多源图像异常特征提取奠定基础。     

基于脊腹线波动的猪呼吸急促症状视频分析

预警呼吸急促症状的病猪时,人工连续监控方式存在效率低下问题,为实现自动预警,通过机器视觉方法,捕获猪的脊腹线轮廓,证实自动计算的脊腹线起伏频数和人工计算频数强相关性。通过6个训练有素的人,对10头含有或无呼吸急促症状的猪打分（5分制）,并拍摄分辨率为320像素×240像素、猪自由站立在视频窗口中的侧视视频。在Matlab仿真平台,采用图像灰度化、背景减法、脊腹线段提取、脊腹线波动描述子计算后,自动捕获的波动频数和人工计算的相比较,所有测量值的平均相关系数为0.947,猪和视频窗口面积比在0.35～0.75之间时,脊腹线波动识别精度高于85%,且其波动频率与猪的人工呼吸急促症状估分值呈线性正相关。视觉技术用于呼吸急促的病猪预警有应用价值。     

高新技术在保鲜贮藏领域中的运用

综述了国内外杀菌和保鲜新技术中属于冷杀菌的物理杀菌技术。     

猪舍图像局部亮度调整方法

针对猪舍视频监控场景中常常遭遇局部亮度不均衡而引起后继图像分析困难问题,提出一种图像自适应局部亮度调整法(ALLA)。首先为避免物体色度的干扰,原图像转换为YCbCr模型后,只利用亮度Y分量图像,根据最大类间方差(Ostu)将Y图像分为明暗二区;其次针对过亮和过暗的局部区域采用正弦函数进行非线性反向调整灰度值;最后,为评价处理后图像质量,提取测试图和基准图中的猪只对象轮廓边缘像素成对梯度值,通过假设检验判断二者差的集合均值是否存在明显变化。选择了典型3种猪舍环境图像,一种光线柔和,图像亮度质量较为理想;另外两种夜晚圈栏灯光和白天阳光导致景物本色出现偏差,即在光照强度高的局部区域灰度值低,反之则高。试验采用ALLA处理后的测试图像,测试PSNR(峰值信噪比)值均在31～78之间,表明没有引起图像质量显著下降;采用我们设计的假设检验方法,表明在显著性水平(α=0.95)时,测试图较之于标准灰度化图像有显著改变,因此,有利于后继的猪只目标分割工作。     

单只猪轮廓图的侧视图识别

由于完整轮廓猪只的侧视图具有便于行为分析的价值,因此,研究从猪舍监控视频中自动分割出单只猪理想侧视图的视频段对猪的行为分析是有意义的.为了识别每帧图像猪轮廓图的侧视图属性,该文通过图像处理获取猪只轮廓图后,提出联立猪只外接矩形高宽比和低频傅里叶系数构建猪只侧视图的特征向量,并根据样本训练集得到理想侧视图和非理想侧视图特征向量均值和方差,利用马氏距离判别法从测试视频中识别未知帧图像的类别,结果表明有91.7%猪只轮廓图的侧视图属性能正确识别,表明本方法是有效的.本研究可为后继单只疑似病猪行为分析提供条件.     

基于伪球算子边缘模型的猪前景帧检测

针对固定区域监控非刚体前景目标的活动,提出一种基于边缘像素模型的、低计算代价的前景帧检测法。根据帧序列中前景帧的边缘像素稳定性远远小于背景像素的特性,首先采用伪球边缘检测算子提取每帧的帧边缘;接着根据帧序列滑动窗口帧数和背景边缘像素判定阈值,提取非背景边缘图像;然后根据边缘像素点数量阈值,消除噪声边缘;最后根据序列帧噪声边缘判断阈值,判断当前帧是否为前景帧。在具有相当平滑性的条件下,伪球算子的边缘定位误差小于canny算子。猪舍区域检测猪只目标的试验表明,采用不到原图像像素总数的3%的边缘像素点,可以有效地适应背景光线变化及前景运动缓慢或短暂滞留等情况,为后继的猪只运动分析创造有利条件。     

基于图像处理和蚁群优化的形状特征选择与杂草识别

利用叶片形状特征区分杂草和作物是杂草识别的一个重要方法。为了提高杂草识别的精度和效率,通过形态学运算和基于距离变换的阈值分割方法分离交叠叶片,从单个叶片中提取包括几何特征和矩特征的17个形状特征,用蚁群优化（ACO）算法和支持向量机（SVM）分类器进行特征选择和分类识别,选取有利于分类的较优特征并实现特征的优化组合。棉田杂草试验结果表明,该方法能实现分类特征的有效缩减,经优化组合得到的最优特征子集用于杂草识别的准确率达95%以上,识别率高,稳定性好,对识别杂草时如何兼顾准确率和实时性具有参考意义。     

基于特征优化和LS-SVM的棉田杂草识别

为了提高杂草识别的精度和效率，提出了一种基于特征优化和最小二乘支持向量机（LS-SVM）技术的棉田杂草识别方法。在对原始图像灰度化、滤波去噪和阈值分割等处理的基础上，提取植物叶片的6个几何特征和7个Hu不变矩，用粒子群优化（PSO）算法对形状特征进行优化选择，缩减LS-SVM训练样本数据，然后用训练好的分类器进行杂草识别。实验结果表明，该方法在有效缩减形状特征的同时，能够保持高于原始特征集的识别率，平均正确识别率达到     

基于特征优化和LS-SVM的棉田杂草识别

为了提高杂草识别的精度和效率,提出了一种基于特征优化和最小二乘支持向量机(LS-SVM)技术的棉田杂草识别方法.在对原始图像灰度化、滤波去噪和阈值分割等处理的基础上,提取植物叶片的6个几何特征和7个Hu不变矩,用粒子群优化(PSO)算法对形状特征进行优化选择,缩减LS-SVM训练样本数据,然后用训练好的分类器进行杂草识别.实验结果表明,该方法在有效缩减形状特征的同时,能够保持高于原始特征集的识别率,平均正确识别率达到95.8%.     

基于图像处理和蚁群优化的形状特征选择与杂草识别

利用叶片形状特征区分杂草和作物是杂草识别的一个重要方法。为了提高杂草识别的精度和效率，通过形态学运算和基于距离变换的阈值分割方法分离交叠叶片，从单个叶片中提取包括几何特征和矩特征的17个形状特征，用蚁群优化（ACO）算法和支持向量机（SVM）分类器进行特征选择和分类识别，选取有利于分类的较优特征并实现特征的优化组合。棉田杂草试验结果表明，该方法能实现分类特征的有效缩减，经优化组合得到的最优特征子集用于杂草识别的准确率达95%以上，识别率高，稳定性好，对识别杂草时如何兼顾准确率和实时性具有参考意义。