基于作物病害叶片颜色的病斑提取方法

作物病害是影响作物产量和质量的重要因素,如何进行病斑的准确提取是后期病害识别的一个关键步骤。为了提高复杂环境下病斑提取的准确率,提出一种基于叶片颜色的病斑提取方法,利用叶片正常部位和病害部位的颜色信息的不同,进行基于支持向量机的分割处理,从而得到很好的分割效果,然后对得到的图像进行最大类间差法处理,完成病斑的提取。结果表明,该方法具有有效性。     

基于LXF模型水平集的玉米叶部病斑图像分割

农作物病害的发生对我国农业生产危害较大,运用机器识别技术对农作物病害图像进行自动识别有着重要的意义。主要介绍传统水平集和基于LXF模型水平集的分割算法原理,并且运用两种方法分别对玉米叶部病斑进行图像分割。实验表明基于LXF模型水平集的分割算法缩短了玉米病斑图像分割时间的同时病斑分割效果良好,为以后的特征提取、病斑种类的识别打下了良好的基础。     

基于NCSPSO－AFSA优化SVM的林木冠层图像分割

【目的】对林木冠层图像采用NCSPSO-AFSA优化支持向量机(SVM)进行图像分割,提取树干分割图,以进一步提高分割效果。【方法】对现有的小生境和交叉算子的粒子群算法(NCSPSO)进行优化,并与人工鱼群算(AFSA)混合,寻找最优惩罚系数C和高斯核函数中的参数γ;然后运用SVM方法对训练样本进行综合训练,以建立最佳分类模型;最后对香樟树、马褂木和杨树的冠层图像进行分割,并与AFSA算法、NCSPSO算法的分割效果进行比较。【结果】AFSA、NCSPSO、NCSPSO-AFSA算法的平均运行时间分别为178.909,154.661和97.213s,平均分割准确率分别为90.83%,94.08%和98.90%,表明改进的NCSPSO-AFSA混合算法在效率上较其他2种算法提高了63%以上,而且分割准确率提高了5%~8%。【结论】运用NCSPSO-AFSA优化SVM方法对林木冠层图像进行树干图像分割,可得到最佳分割效果。     

基于Bayes与SVM的玉米彩色图像分割新算法

提出了基于Bayes(贝叶斯)与SVM(支持向量机)的玉米彩色图像分割新算法.统计原始RGB图像中的玉米和土壤背景的均值向量和协方差矩阵,利用正态分布的Bayes分类器计算每个像素的目标和背景的判别函数值,用训练好的SVM对判别函数值进行分类,实现彩色图像分割.Matlab试验结果表明,该方法能够实现高光强下彩色图像分割,平均错分率为9.1％,平均漏分率为12.0％,平均相似度为80.8％.     

基于邻域直方图的玉米田绿色植物图像分割方法

为了准确分割绿色植物与土壤背景,克服田间环境的复杂性,比如植物阴影、残渣的存在和光照强度变化等外界因素带来的影响,采用图像处理和支持向量机方法,以超绿特征(2G-R-B)灰度图像为研究对象,以像素点邻域组成的灰度直方图特征作为输入特征向量,通过试验选出最佳训练参数和最优邻域窗口模型。实验表明,该方法适应不同光照强度,并且可以减小噪声、植物阴影和残渣对图像分割带来的影响,得到完整的分割图像。     

基于SVM和CNN组合模型的黄瓜病斑叶片检测与识别

为建立准确高效的黄瓜病斑叶片的检测与识别算法提供参考,针对黄瓜叶片常见病斑检测与识别时存在的环境适应性差、识别精度低等问题,提出基于改进的SVM（支持向量机）和CNN（卷积神经网络）组合模型的黄瓜病斑叶片检测与识别算法。依据黄瓜设施场景特征,首先对病斑图像进行色彩增强,通过直方图均衡化对图像进行再处理,利用优化的HOG+SVM分类器对黄瓜叶片进行提取;通过稀疏滤波器及增加偏置对CNN算法进行改进,识别出叶片的病斑类别。结果表明,在黄瓜设施场景下,改进SVM和CNN组合模型的黄瓜病斑叶片检测与识别算法对叶片提取的查准率及差全率分别达87.21%和88.77%,对病斑的整体识别精准率为91.9%,算法实时性强,具有实际推广应用前景。     

基于混合颜色空间和双次Otsu的黄瓜靶斑病图像分割

为快速、准确地分割黄瓜叶部病害图像,提出一种基于混合颜色空间的双次Otsu算法。算法根据病害图像各部分的颜色特征,首先选取原始彩色图像的R分量进行初始Otsu分割和形态学相关操作,将R分量图分割为背景类和非背景类;然后选取非背景类图像的Cr分量进行第2次Otsu操作,将非背景区域分割为正常叶子类和病斑区域类,得到最终的分割结果。将该算法应用于黄瓜靶斑病图像的分割中,并与R_Otsu算法、H_Otsu算法以及图切割算法进行比较。试验结果表明:与对比算法相比,本算法在分割精度及处理速度2方面的综合分割性能最优,错分率均值和方差分别为2.12%和0.08%,平均处理时间0.2s,算法对光照变化具有一定的鲁棒性。本研究算法可为自然光照条件下黄瓜病害图像实时、准确分割提供技术参考。     

基于GA-BP神经网络和特征向量优化组合的黄瓜叶片病斑识别

针对家庭种植水培黄瓜中用户难以准确识别病害的问题,设计了一种基于图像处理的黄瓜叶片病斑识别系统。应用自适应小波对原始图像进行降噪处理,在HSV空间通过阈值分割结合形态学操作获得理想的黄瓜叶片图像,并通过自适应阈值分离病斑,提取病斑形态学、颜色和纹理原始特征参数。利用GA-BP神经网络定义原始特征参数对分类结果的灵敏度,递归剔除灵敏度较低的若干特征,降低特征参数的维数。根据优化后的特征参数组合,利用支持向量机对黄瓜炭疽病和白粉病进行识别。实验结果表明,本方法对黄瓜炭疽病和白粉病的综合分类正确率在96%以上。设计的方法有效提高了黄瓜病害的识别率,并为其他作物病害的智能识别提供了借鉴。     

利用特征分割和病斑增强的杨树叶部病害识别

  目的  针对杨树Populus黑星病早期特征和杨树花叶病病斑不明显的特点,提出通过对图像集进行预处理的方法以提高识别精度的方案。  方法  为去除图像背景的影响,采用基于改进的Canny算子边缘检测法并结合霍斯变换提取叶片轮廓;借助限制对比度自适应直方图均衡化算法降低局部光照不均带来的影响并增强病斑的特征;使用自适应阈值的OTSU分割算法提取病斑图像。最后将预处理得到的病斑特征二值化图像和病斑图像,分别输入由5个卷积层、3个全连接层、650 000个神经元及超过6 000万个学习参数的Alexnet神经网络进行训练并验证准确率。  结果  研究最终分别获得93.56%和98.07%的验证集识别精度,较原图像实验组88.77%的识别精度有显著提升。提出的提取叶片轮廓的结合方法能够完整提取不同背景下的叶片主体图像,有效避免目标叶片的背景干扰;限制对比度自适应直方图均衡化算法对自然环境下拍摄产生的不均匀光照有较好的处理效果,有效降低反光等因素的干扰。  结论  几种病害图像预处理对提高识别精度效果明显,识别能力远超过未经处理的原始病害图像识别,有助于提高杨树叶部病害的智能识别能力。图8表1参22     

采用模糊形态学和形态学分水岭算法的图像分割

提出了一种基于模糊形态学和形态分水岭算法的图像分割方法,先利用模糊形态学闭开运算平滑原始图像,再通过形态分水岭变换实现图像分割。实验结果表明这种方法具有较好的分割效果。     

采用模糊形态学和形态学分水岭算法的图像分割

提出了一种基于模糊形态学和形态分水岭算法的图像分割方法, 先利用模糊形态学闭开运算平滑原始图像, 再通过形态分水岭变换实现图像分割. 实验结果表明这种方法具有较好的分割效果.     

基于数学形态学的粘连大米籽粒分割研究

在大米籽粒检测中经常会有大米籽粒重叠和粘连的现象。将粘连在一起的大米籽粒群分离是图像处理中一项重要而困难的问题。对这一情况,提出了一种有效的分割算法,先对图像进行二值化处理,然后对图像进行数学形态学变换,通过腐蚀运算将大米籽粒群图像层层剥离,直至粘连籽粒分开,再使用膨胀运算和八链码方法恢复出原始的各个大米籽粒个体,从而将大米籽粒群分离开。实验证明,该算法能成功地分离开粘连大米籽粒。     

采用模糊形态学的大田害虫图像分割

介绍了基于机器视觉的大田害虫智能检测系统.文章通过对获取的大田害虫原始图像采用模糊形态学进行分割,将害虫从背景中分割出来,以提取出的周长、不变矩等特征,运用神经网络分类器对常见的9类害虫进行分类.试验验证了该系统的可行性,表明该方法分割速度快,容错性好,能够正确分割有噪声的大田害虫图像.     

基于改进C-V模型的辣椒病斑图像分割

针对辣椒叶部常见病斑图像存在背景复杂且不易分割的问题,对传统的C-V模型进行改进,根据辣椒病斑图像的特征,首先对病斑图像的RGB颜色分量和通道权重系数进行加权处理,接着用差分图像能量进行计算处理,最后,通过水平集演化方程获得病斑的分割曲线。实验测试表明,经过改进的C-V模型对辣椒病斑图像分割的效果比传统C-V模型及K-means方法分割的效果和抗噪性好。     

基于SVM的高粱叶片病斑图像自动分割提取方法研究

为实现高粱叶片病斑的自动化无损监测,利用支持向量机(SVM)技术对高粱叶片病斑图像进行自动分割提取研究。结果表明,通过选取RGB、HIS和Lab 3种颜色空间的颜色特征值可以消除对作物病斑拍照时产生的光照、亮度等影响。在MATLAB软件环境下调用LIBSVM软件对病斑图片中的病斑图像像素点和背景图像像素点建立支持向量机分类模型,可以实现对病斑的高效分割和高质量提取。分割提取效果与人眼识别的病斑图像高度吻合。如果利用大量采集的病斑图像进行模型训练,就可以真正实现完全自动化的病斑分割、提取和判别。因此,该研究对建立完全自动化的作物病斑图像识别系统意义重大。     

基于颜色均值显著点聚类的作物病害叶片图像分割方法

作物病害叶片图像分割是病害类型识别方法的一个重要步骤,其分割效果直接影响后续的识别结果。病害叶片图像的复杂多样性使得很多现有的图像分割方法不能有效应用于作物病害叶片图像分割中。针对复杂的自然病害叶片图像分割难题,提出一种基于颜色均值显著点聚类的作物病害叶片图像分割方法。该方法建立在HIS颜色空间,首先构造基于像素点HIS模型的带权无向图,然后计算病害叶片图像像素点的邻域的颜色均值,再计算该点前后两个邻域的颜色均值差作为该点的颜色跳跃度,当跳跃度大于设置的一个阈值时,该像素点为病斑点。结果表明,该算法具有较高的分割精确度和较好的抗噪声性能。     

一种改进的作物缺素叶片图像分割方法

在研究比较多种传统分割方法的基础上,针对自然光照下缺素作物的图像分割问题,提出了一种改进的方法,即在RGB颜色空间,及2g-r-b法的基础上,通过开运算和(g-r)~2分割因子,实现图像背景的有效分割.     

大田经济作物性状研究中的图像分割技术应用

大田经济作物在我国占有重要地位,其性状研究在机械化生产收获过程中至关重要,直接影响到生产效率和产品质量,数字图像技术的引入不仅为其性状研究带来高效的解决方案,更显示出广阔的应用前景。综合分析了近年来不断改进的图像分割方法,将其分成传统分割方法和结合特定工具的图像分割算法两大类,重点介绍了传统分割方法中基于阈值的分割方法和基于边缘检测的分割方法两种流行算法,结合特定理论工具的图像分割算法中的小波分析变换、遗传算法、主动轮廓模型、聚类算法、深度学习方法等 6 种方法,并对各大类算法中使用的各种图像分割方法进行归纳总结,列举其在油菜、棉花、大豆和花生等经济作物性状研究中的应用,同时对遗传算法、主动轮廓模型、聚类算法和深度学习中的 Fast R-CNN 算法添加技术框架图。最后对图像分割技术在大田经济作物中应用存在的主要问题进行分析并提出展望。