基于视觉注意模型的苗期油菜田间杂草检测

提出了基于视觉注意模型的苗期油菜/杂草图像检测方法。针对苗期油菜大田环境,获取油菜/杂草RGB原始图像。根据原始图像颜色分布特点改进Itti模型,生成系列特征显著图,结合区域生长算法分割出感兴趣区域。针对该区域提取形状和纹理特征参数作为支持向量机输入量,判别出所有油菜区域,最后融合原始图像和油菜区域获取最终株间杂草区域。结果表明:与局部迭代阈值法和最大类间方差法相比,本研究提出的图像分割方法更优,正确分割目标概率、错误分割目标概率及漏分割目标概率分别为92.46%、3.26%及7.54%;针对形状、纹理、综合特征及精选特征四类特征参数集,径向基-支持向量机的识别率分别为96.00%、94.29%、100.00%及96.00%。     

基于改进局部二值模式算法的中草药图像鉴别

以颜色特征和纹理特征相结合的方法实现中草药显微图像的识别。将RGB图像转换为HSV图像,以HSV直方图对目标图像颜色特征进行提取;在传统局部二值模式中引入支持旋转不变特征的算子,并以均匀模式来描述目标图像的纹理,从而有效降低特征的维数;针对传统局部二值模式未考虑邻域像素分布特点而影响了纹理特征提取效果的不足,为其加入邻域点灰度值间的关系,对所有的相邻像素进行二值化;以Chi平方统计法对直方图进行相似性度量;为克服传统K近邻法的多优解问题,引入最短距离模式对最优解进行提取;最后通过优化算法来验证其集体性能,过程中结合训练集与测试集,证实优化算法的识别效果更佳。     

基于LBP纹理和改进Camshift算子的车辆检测与跟踪

提出了利用背景图像LBP（局部二值模式）纹理和当前帧图像LBP纹理的相似度分析提取前景的方法,克服了车辆检测中常用的帧差法、背景差分法对光照比较敏感的缺点.同时基于H,S,V分量及改进的LBP纹理的联合直方图与金字塔L-K光流法中心跟踪相结合的Camshift跟踪算法,有效地解决了背景目标颜色相近可能会导致跟踪的目标区域加入背景后变大、处理较大帧间位移的视频跟踪上搜索窗口的位置准确度较低的问题.实验证明,该方法具有良好的检测和追踪效果.     

航拍油菜花图像的自动聚类分割方法

为了实现航拍大田油菜花的准确分割,本文提出了一种基于HSI颜色空间阈值和X均值自动聚类算法相结合的分割方法来有效提高分割精度。先将待分割的原始图像转换到HSI颜色空间,通过设定的颜色阈值对目标区域进行定位,实现初步分割,得到候选目标区域;然后将候选目标区域的像素转换至LAB颜色空间,计算候选区域的a、b通道的均值和方差;最后利用得到的均值和方差作为聚类的约束条件,利用X均值自动聚类算法对原图像的a、b通道进行聚类。实验结果表明,本文提出的方法能够克服变化的背景的影响,准确提取油菜花区域;相对于传统的聚类方法,本方法不需要预先设定聚类数,从而实现完全自动的分割。     

鸭蛋动态图像预处理和获取颜色特征参数的算法

研究了动态鸭蛋图像预处理及图像颜色特征参数的提取算法。其中预处理包括去图像边缘毛刺和蛋壳污点信息；提取鸭蛋图像颜色特征参数需要通过鸭蛋轮廓识别和圆形搜索算法实现，对于鸭蛋图像的轮廓识别是以彩色图像的红色分量R来判定图像边界点，并以此计算出鸭蛋图像蛋内像素和，用圆形搜索法求出蛋芯颜色特征区域并提取图像特征颜色参数。试验结果表明，通过该算法，得到的蛋重模型相关性达到0．95，建立的颜色模型相关性达到0．92。     

基于纹理特征和神经网络的图像识别

图像特征是用来区分图像内部最基本属性或特征的,它包括了几何特征、形状特征、颜色特征、纹理特征等,在这些特征中纹理特征理解过于复杂,至今尚未有一个大家都认同的定义,从而也就使得纹理分析变得很困难。该文主要研究图像的分类识别,采用基于灰度共生矩阵的纹理特征的提取。以8位灰度图为研究对象,依次对图像进行4个方向(0°、45°、90°、135°)的扫描,并分别建立灰度共生矩阵,从而提取纹理特征参数,然后建立BP神经网络模型,用提取的纹理特征值,来训练BP神经网络模型,使网络模型能够识别图像的内容。此文提出了用纹理特征训练神经网络的方法来识别图像,研究结果表明,纹理是图像分析中一个非常重要的特征,所提取的图像特征是描述图像相当有效的参数。     

基于支持向量机的路面图像分类方法

针对路面结构特征,提出一种颜色与纹理特征相融合并结合模糊支持向量机的路面分类识别方法。提取路面图像的HSV颜色空间的颜色矩作为颜色特征,采用灰度共生矩阵法提取纹理特征,融合路面图像的颜色特征与纹理特征,采用模糊支持向量机进行支持向量特征训练,通过训练得到能尽可能多的满足每一种图像的样本数据特征的特征向量。通过实验,对比了采用传统的支持向量机与模糊支持向量机对路面分类识别的正确率。实验表明本研究所提出方法的有效性。     

基于ROI快速检测与融合特征的马铃薯病害识别

【目的】针对在原始马铃薯病害图像上提取特征时计算量大、病害识别准确率低以及传统病害区域分割算法速度慢等问题,提出了一种新的基于关键特征点的病害感兴趣区域(ROI)快速检测与融合颜色和纹理特征的识别方法。【方法】对马铃薯病害图像作适当预处理后,首先提取ORB特征点,当其特征点数目小于给定阈值时提取SIFT特征点,再对所提特征点的坐标值按水平和垂直方向排序,并通过计算K个近邻点的均值来确定病害区域的坐标并提取ROI。然后融合病害ROI的HSV颜色直方图和UPLBP纹理直方图构成总特征向量。最后采用非线性SVM识别马铃薯病害。【结果】利用该方法对240幅马铃薯叶部、果实和茎部10种混合病害图像进行识别实验,结果表明,每幅病害图像ROI检测平均时间为0.013 s,平均识别正确率达95.83%,最高达100%,平均运行时间为0.083 s。【结论】基于ORB和SIFT关键特征点的病害ROI检测方法原理简单、易实现且实时性好。本文方法可实现对10类马铃薯病害的快速识别且准确率高,为其它农作物病害识别提供了参考价值。     

基于特征优化的稻飞虱图像分类

[目的]为了进一步提高稻飞虱图像分类的效率,本文提出一种基于特征优化的稻飞虱图像分类算法。[方法]对采集到的原始昆虫图像进行阈值分割、形态学滤波以及边缘跟踪来获取完整的昆虫彩色背部图像,同时基于该图像集提取昆虫的形态、颜色以及纹理特征66个,结合F-score特征评价方法,筛选出10个特征参数作为最优特征子集,并将其作为BP神经网络的输入特征值。[结果]当采用全部66个特征作为输入特征值时,稻飞虱图像的分类准确率达到96.19%;当采用最优特征子集作为输入特征值时,稻飞虱图像的分类准确率也为96.19%。[结论]以该方法获得的最优特征子集作为稻飞虱图像的特征参数不仅降低特征维度,提高稻飞虱图像分类效率,而且保证分类性能,为实现水稻虫害实时监测预警系统提供了技术支持。     

一种基于图像内容检索技术的数字视频水印算法

利用基于Tamura纹理特征的图像内容检索技术,通过对原始视频图像进行Tamura纹理特征分析,提取具有极大纹理特征值的某些帧来嵌入水印,水印嵌入算法辅助采用小波变换。仿真试验表明,本算法能抵抗高斯、剪切、泊声等常见的水印攻击。同时算法对视频压缩也表现出良好的健壮性, 对保护视频版权有一定的指导意义。     

Fish species classification by color,texture and multi-class support vector machine using computer vision

Remote diagnose of fish diseases for farmers is unrealized in China, but use of mobile phones and remote analysis based on image processing can be feasible due to the widespread use of mobile phones with camera features in rural areas. This paper presents a novel method of classifying species of fish based on color and texture features and using a multi-class support vector machine (MSVM). Fish images were acquired and sent by smartphone, and the method utilized was comprised of the following stages. Color and texture subimages of fish skin were obtained from original images. Color features, statistical texture features and wavelet-based texture features of the color and texture subimages were extracted, and six groups of feature vectors were composed. LIBSVM software was tested using leave-one-out cross validation to find the best group for classification in feature selection procedure. Two multi-class support vector machines based on a one-against-one algorithm were constructed for classification. The feature selection results showed that the Bior4.4 wavelet filter in HSV color space achieved greater accuracy than the other feature groups. The classification results indicate that only the DAGMSVM meets the requirement of time efficiency for the system. The results of this study suggest that the best classification model for fish species recognition is composed of a wavelet domain feature extractor with Bior4.4 wavelet filter in HSV color space and a one-against-one algorithm based DAGMSVM classifier.     

基于滑动窗口法的遥感图像纹理统计信息提取研究

遥感图像中地学信息,如地质构造、蚀变信息及岩性分界等信息具有一定的纹理特征。纹理是遥感图像的重要特征,是地物空间特征的综合反映。利用滑动窗口法来获取遥感图像的纹理特征参量,将得到的特征矩阵用假彩色进行显示,将得到的图件进行了对比。然后,针对窗口大小对不同纹理特征显示效果的差异展开讨论。结果表明,滑动窗口法在排除波谱信息的干扰、提取纹理特征参量方面效果比较明显。对于纹理多尺度判别的精度来说,采用较大窗口提取的纹理信息参与分类能使总体显示效果较好,但某些纹理的精细程度有所下降,建议在实际应用中,应根据具体情况选择窗口的大小。     

基于计算机视觉和XGBoost的虾体活力检测

以南美白对虾为研究对象,提出一种基于计算机视觉和XGBoost的虾体活力检测方法：跟踪对虾应激前后的运动轨迹,提取运动行为特征参数;根据应激性红体现象提取对虾的颜色特征,通过灰度共生矩阵(GLCM)提取虾体应激形成水面波动的纹理特征;运用XGBoost 算法筛选出评价因子,通过加权融合确定评价因子的最佳权重;根据融合后特征对虾体活力强度进行检测。结果表明,提出的方法决定系数为0.905 6,识别准确率为98.61%,较单一颜色、单一纹理以及光流与纹理相结合的方法,识别准确率分别提高6.63%、2.05%和1.61%。     

Surface grading of bamboo strips using multi-scale color texture features in eigenspace

In order to achieve high competitive quality of bamboo products, it appears that bamboo strips with naturally different tonalities should be elaborately sorted into different classes according to their global color texture appearance. Inspired by the coarse-to-fine visual perception process of human vision system, this paper proposes a new surface grading approach by integrating the color and texture of bamboo strips based on Gaussian multi-scale space. The multi-scale representations of color texture for the original image of bamboo strips could be obtained and used to construct the multivariate image, each channel of which represents a perceptual observation from different scales. The multivariate image analysis (MIA) techniques are used to extract multi-scale features from the resulting multivariate image data. The characteristic images corresponding to typical classes are selected to build the model of the reference eigenspace. The novel testing images and the training images are all projected onto this reference eigenspace to obtain their representative feature clusters. And the Bhattacharyya distance is used to estimate the similarity of the representative feature clusters between the testing images and the training images in the eigenspace. Then a k-NN classifier is adopted to classify the testing images into the given classes of training images. Comparative experiments have been carried out on a set of actual bamboo strip images and the experimental results verify the effective discrimination of multi-scale color texture eigenspace features and good classification accuracy of the proposed surface grading method.     

基于SUKF与SIFT特征的红外目标跟踪算法研究

针对复杂红外背景下单一跟踪算法难以准确定位运动目标的问题,提出了基于尺度无迹卡尔曼滤波(SUKF,scale unscented Kalman filter)与尺度不变特征变换(SIFT,scale invariant featuretransform)相结合的红外运动目标跟踪方法。首先,通过SUKF算法对状态空间进行滤波估计,确定运动目标的初步位置,并以此建立局部SIFT特征检测域。其次,SIFT算法在该局部检测域内对运动目标进行特征提取与匹配,最终实现对目标的准确定位;同时,利用定位结果更新并校正SUKF的状态模型。实验结果表明,本文提出的基于SUKF-SIFT的跟踪策略与相关算法相比,体现出较好的跟踪效果与实时性能。     

基于计算机视觉的实木表面智能化分选系统设计

设计一种集实木传送、图像定位与采集、实木板材表面识别与分选的智能系统,系统通过传送带运送实木板材,CCD摄像头获取板材图像,在触摸屏工控机TPC700-9190T上应用MFC与OpenCV编写分选程序对板材图像进行分析,识别结果通过STM32单片机控制电磁阀完成实木板材的分类。在图像定位与识别算法中,采用积分投影算法确定板材边界,动态采集板材表面图像;在颜色分类方面,利用L*a*b*空间颜色分量的均值、方差和斜度3个低阶矩表达颜色;在缺陷检测方面,提出了基于纹理填充的缺陷分割方法,通过获取纹理掩膜图像,然后利用板材背景颜色淡化纹理,最后应用加权阈值法完成缺陷分割,分割后计算缺陷面积、边缘灰度均值、内部灰度均值和长宽比等特征表达缺陷信息;在纹理识别方面,提出了基于Contourlet变换的纹理特征提取方法,通过对纹理图像进行Contourlet变换3层分解,得到1个低频子带、6个中频子带和8个高频子带,分别计算低频和中频系数矩阵的均值和方差,并与高频系数矩阵的能量组成22个特征表达纹理信息;最后设计SVM分类器,分别对颜色、缺陷和纹理进行识别。采用300个柞木样本进行实验,板材传送速度在小于1.5 m/s范围内,颜色识别准确率为100%;活节、死结和裂纹识别准确率分别为92.2%、95.6%和93.3%;直纹、弯纹识别准确率分别为93.9%、92.8%。实验结果表明,分选系统具有实时、高效、准确的特点。      

基于多特征相融合和支持向量机的森林火场识别技术的研究

针对森林火场采用了新的颜色特征提取方法,融合图像的颜色和纹理特征作为图像的特征向量,并用支持向量机作为学习工具,充分利用已有森林火场的数据进行学习,提高森林火场的自动识别的准确率.结果表明,新的颜色特征提取方法适用于森林火场的识别,采用支持向量机融合多特征可成功用于森林火场的自动识别.     

基于图像分析的梅花品种识别研究

针对梅花图像,提出了适合其颜色、形状、纹理3方面特征的描述方法。在颜色特征提取方面,通过直方图归类的结果,提出了适合描述梅花图像色彩特征的方法。改进了对形状特征进行描述的平坦度算法,在计算平坦度时只计算花朵区域,没有统计背景区域,使算法得到简化,并且不影响最终的效果。改进了灰度共生矩阵的计算方法,首先提取出花朵区域的最小外接长方形,以此作为新的图像的长和宽,降低灰度共生矩阵的计算量;然后再计算4个角度的灰度共生矩阵,累加相应的矩阵元素除以4求出4个矩阵的平均矩阵,作为参与运算的灰度共生矩阵;计算该矩阵的相关参数作为纹理特征的描述。最后对提取到的19个特征采用SVM分类器进行分类和识别。对 660幅梅花图像（每个品种60幅,11个品种）进行测试,330幅作为训练样本,另外330幅作为测试样本。实验结果表明,在对SVM分类器做交叉验证后,识别率可达到93.94%。该识别系统具有较高的识别准确率和稳定性,能够起到知识普及的作用,减轻专业人员的负担,增加梅花的鉴赏性。