基于区域亮度自适应校正算法的脐橙表面缺陷检测

【目的】针对类球型水果表面亮度分布不均现象,传统算法难以有效直接分割水果表面缺陷区域问题,提出一种基于区域亮度自适应校正的脐橙表面缺陷检测算法。【方法】选择区域经济价值较高的纽荷尔脐橙为研究对象,对其采集原始可见光RGB图像。试验中发现R-B融合分量图像灰度呈明显双峰分布,故根据直方图信息利用单阈值法(分割阈值T1=60)去除图像背景,获得R-B目标图像;基于本文提出的一种区域亮度自适应校正算法对脐橙表面缺陷进行检测,首先设定目标图像邻域窗口大小为w×w(邻域窗口大小w=13),通过对其窗口大小内较亮像素点的集合提取脐橙表面亮度信息,然后基于此表面亮度信息对去除背景的R-B目标图像进行均一化校正,经亮度校正后的图像发现其表面缺陷区域与正常组织区域灰度对比度大,宜采用单阈值法(分割阈值T=194)直接对亮度校正后的脐橙图像进行表面缺陷分割提取;最后对表面缺陷分割后的二值化图像进行面积滤波以去除杂散点及噪声。【结果】采用双峰法可在有效去除图像背景的同时完好保留目标脐橙表面信息;基于区域亮度自适应校正算法对溃疡病果、蓟马虫果、介壳虫果、虫伤果、黑星病果、风伤果、炭疽病果、裂伤果等8种常见脐橙表面缺陷果,共计356幅样本图像进行亮度校正,采用单阈值法对亮度校正后的图像进行表面缺陷分割,其分割率高,整体缺陷准确识别率达到了95.8%,平均处理每幅图像耗时0.29 s。与直方图均衡化算法、基于Retinex理论算法以及基于照度-反射理论算法得到的亮度校正图像相比,本文算法亮度校正效果最优且算法简单、缺陷识别率高、计算速度快,其运算速度分别减少了0.27、0.14和1.45 s,缺陷识别率提高了2.6%—8.2%。【结论】基于区域亮度自适应校正的脐橙表面缺陷检测算法有效解决了脐橙类水果表面亮度分布不均导致的表面缺陷难分割问题,为脐橙在线精确分级提供了技术支持,也为其他类球型水果表面缺陷快速检测提供了一种新方法。     

基于区域亮度自适应校正算法的脐橙表面缺陷检测

【目的】针对类球型水果表面亮度分布不均现象,传统算法难以有效直接分割水果表面缺陷区域问题,提出一种基于区域亮度自适应校正的脐橙表面缺陷检测算法。【方法】选择区域经济价值较高的纽荷尔脐橙为研究对象,对其采集原始可见光RGB图像。试验中发现R-B融合分量图像灰度呈明显双峰分布,故根据直方图信息利用单阈值法（分割阈值T₁=60）去除图像背景,获得R-B目标图像;基于本文提出的一种区域亮度自适应校正算法对脐橙表面缺陷进行检测,首先设定目标图像邻域窗口大小为w×w（邻域窗口大小w=13）,通过对其窗口大小内较亮像素点的集合提取脐橙表面亮度信息,然后基于此表面亮度信息对去除背景的R-B目标图像进行均一化校正,经亮度校正后的图像发现其表面缺陷区域与正常组织区域灰度对比度大,宜采用单阈值法（分割阈值T=194）直接对亮度校正后的脐橙图像进行表面缺陷分割提取;最后对表面缺陷分割后的二值化图像进行面积滤波以去除杂散点及噪声。【结果】采用双峰法可在有效去除图像背景的同时完好保留目标脐橙表面信息;基于区域亮度自适应校正算法对溃疡病果、蓟马虫果、介壳虫果、虫伤果、黑星病果、风伤果、炭疽病果、裂伤果等8种常见脐橙表面缺陷果,共计356幅样本图像进行亮度校正,采用单阈值法对亮度校正后的图像进行表面缺陷分割,其分割率高,整体缺陷准确识别率达到了95.8%,平均处理每幅图像耗时0.29 s。与直方图均衡化算法、基于Retinex理论算法以及基于照度-反射理论算法得到的亮度校正图像相比,本文算法亮度校正效果最优且算法简单、缺陷识别率高、计算速度快,其运算速度分别减少了0.27、0.14和1.45 s,缺陷识别率提高了2.6%—8.2%。【结论】基于区域亮度自适应校正的脐橙表面缺陷检测算法有效解决了脐橙类水果表面亮度分布不均导致的表面缺陷难分割问题,为脐橙在线精确分级提供了技术支持,也为其他类球型水果表面缺陷快速检测提供了一种新方法。     

基于图像识别的无人机精准喷雾控制系统的研究

【目的】针对传统的植保无人机喷雾作业时化肥农药浪费大,利用率低,造成环境污染的问题,研制一种基于图像识别的无人机精准喷雾控制系统。【方法】利用中值滤波算法对田间航拍图像进行去噪,采用分层K_means硬聚类算法实现对农田航拍图像的分割,提取非作物区域的颜色、纹理特征空间的22个特征参数,设计支持向量机分类器进行分类识别。根据优选的17个特征参数,利用以径向基函数作为核函数的支持向量机对非作物区域图像进行识别,并根据识别结果控制喷头,实现精准喷雾。【结果】测试样本的识别率可达为76.56%,在无干扰风场情况下,当P_阀为10%时,减施率可达32.7%。【结论】本系统为农业航空精准喷雾控制技术的应用提供了参考方向和决策支持。     

基于掩模及亮度校正算法的脐橙表面缺陷分割

【目的】 本研究旨在有效解决果皮有缺陷的水果图像在去除背景时部分缺陷被误分割为背景,以及水果表面缺陷难以有效分割提取的问题。【方法】 以I分量图来构建掩模模板,根据其灰度直方图信息,通过双峰法选择单一阈值（T=75）分以纽荷尔脐橙为研究对象,提出基于HSI颜色空间模型法去除背景割背景并填充孔洞得到掩模模板I_mask,然后掩模模板I_mask与I分量图通过点乘运算得到去除背景的I分量图;提出基于多尺度高斯函数图像亮度校正算法对去除背景后的I分量图像进行亮度校正,通过构建多尺度高斯函数滤波器,将去除背景后的I分量图与构建的多尺度高斯函数进行卷积运算即得到去除背景后的I分量图像表面光照分量图,最后将去除背景后的I分量图与得到的光照分量图进行点除运算即得到去除背景后的I分量图像亮度校正图;然后采用单一全局阈值法对脐橙表面缺陷进行提取。【结果】 基于HSI颜色空间模型法去除背景,可在有效去除背景的同时完好保留脐橙的表面信息,有利于后续操作;基于多尺度高斯函数的图像亮度校正算法分别对6种常见脐橙缺陷进行图像亮度校正后采用单阈值法提取缺陷,使不同灰度等级的脐橙表面缺陷一次性分割成功,其中分割率最高为100%,最低为88.5%,整体达92.7%。通过试验分析后发现造成部分误分割或漏分割的原因主要在于部分缺陷果缺陷处颜色较轻,与正常区域灰度差较小,从而造成漏分割;还有部分缺陷果由于缺陷面积小,在图像形态学处理过程被误认为是噪声而被去除;同时发现正常果的误判率也达到了10.8%,经分析发现误判的正常果表皮组织区域的褶皱位于图像的边缘区域,从而被误认为是边缘区域的缺陷,导致误判。【结论】 基于HSI颜色空间模型法去除背景及基于多尺度高斯函数的图像亮度不均校正算法对纽荷尔脐橙图像背景分割和去除背景后的I分量图像表面亮度校正均取得了较好的效果,能有效识别脐橙缺陷区域,为脐橙精确分级提供了技术支持,也为其他果品表面缺陷快速检测提供了一种新思路。     

基于机器视觉的鸭蛋裂纹自动检测

通过计算机视觉系统获取鸭蛋表面的图像,利用颜色特征参数和灰度阈值方法对图像进行分割.提取分割后的裂纹区域和噪声区域的6个几何特征参数,对图像进行识别,裂纹识别率为93.392%,噪声识别率为93.602%.     

基于数字图像的棉田复杂背景下棉蚜统计方法

【目的】实现棉田复杂背景下棉蚜快速准确计数,提出一种先彩色分割,后自适应构元素及阈值的棉蚜计数方法。【方法】该方法基于大量棉蚜图像RGB数据进行K-means聚类建模,利用结构元素完成腐蚀去噪,针对黏连区域像素个数进行求模运算。【结果】根据图像颜色特征将噪音分为13类,蚜虫分为7类,得到其RGB值后再次分类,并分析数据建立模型实现蚜虫和噪音的彩色分割;根据统计学原理建立结构元素,对不同噪音的图像自动选择最优结构元素进行腐蚀去噪;计算黏连区域像素个数与单头蚜虫期望大小像素个数的模,实现黏连区域蚜虫计数。【结论】基于结构元素的棉蚜计数方法能有效的对棉田复杂背景下棉蚜快速准确计数,计数平均准确率为86.47%,在图像处理过程中极大降低了算法对阈值的依赖性,有效地解决了棉蚜图像黏连分割的问题,完成基于数字图像的复杂背景下棉蚜计数。     

基于颜色指数与阈值法的稻田图像分割

为系统、全面地分析不同颜色指数对南方稻田图像分割的适应性,以分蘖期、拔节期稻田图像为研究对象,选择36种常用的颜色指数,采用Otsu阈值法开展基于颜色指数和阈值的图像分割研究,通过比较各颜色指数的分割结果,明确分蘖期和拔节期图像分割的主要干扰因素,筛选最适宜稻田图像分割的颜色指数。结果表明：水稻倒影、浮萍是分蘖期稻田图像分割的主要干扰因素,叶片镜面反射、浮萍和土壤阴影是拔节期稻田图像分割的主要干扰因素;组合指数COM2、MxEG、CIVE和GMR在分蘖期图像和拔节期图像均具有较好的分割精度。因此,基于颜色指数COM2、MxEG、CIVE、GMR和Otsu阈值的稻田图像分割方法对稻田图像分割的干扰要素具有较强的区分能力,分割精度较高,更适宜于南方稻田图像处理研究。     

基于小波滤波与自适应阈值分割算法的玫瑰叶片病斑提取研究

针对玫瑰叶片白粉病病斑分布离散、无序且边缘细节复杂、传统图像分割算法提取病斑困难等问题,提出了一种基于小波滤波与自适应均值阈值分割（WT-AAT）的叶片病斑图像提取算法。首先,为了去除原始图像噪声,使用二维离散哈尔小波变换将图像进行二层小波分解,并依据高、低频子图像自动提取噪声系数,进而设定滤波阈值;然后,将高于阈值的噪声系数置零,并逆序对每层进行小波重构,最终生成等尺度的去噪图像;最后,采用可滑动窗口分割算法对去噪图像进行自适应分割,再根据子图的灰度均值设定二值化阈值,在二值化处理的基础上析取白粉病病斑。结果表明,与WaterShed、Prewitt、Otsu等传统分割算法相比,WT-ATT的像素漏警率的降低率分别为18%、18%和6%,说明该方法能够较为准确地分割出病斑,并达到良好的病斑辨识效果。     

基于遗传算法的Ostu图像分割方法

图像分割是常见于模式识别和计算机模式的一种基本技术,目标识别、目标检测和特征提取操作均需通过图像分割进行。目前图像分割算法常用最大类间方差法(Otsu),但这种算法受噪声等因素干扰时容易造成分割错误。详细分析了以往Otsu阈值的处理原理,提出一种基于遗传算法的Ostu图像分割算法,仿真实验表明图像清晰度更显著,并可有效缩短图像分割时间,具有广泛的发展前景。     

基于G-MRF模型的玉米叶斑病害图像的分割

【目的】图像分割是作物病害自动识别系统实现的难点之一,前人研究大多采用基于阈值或聚类的分割算法,方法简单、易于实现,但分割精度较低。本文引入高斯模型的Markov随机场分割模型(G-MRF),对玉米叶部病斑图像进行分割试验,以期提高分割精度。【方法】在VC6.0下实现了G-MRF分割模型,G-MRF既利用了图像像素的灰度信息,又通过像素类别标记的Gibbs光滑先验概率引入了图像的空间信息,是能较好地分割含有噪声图像的算法。采用该算法对大斑病、小斑病、灰斑病和弯孢菌叶斑病等4种主要玉米叶部病害的图像进行了分割测试,并与基于阈值和基于Gauss模型的分割算法进行比较。【结果】基于G-MRF分割模型的分割,目标区域的一致性和边缘的清晰方面明显好于基于阈值和Gauss模型的分割算法,其平均正确分类率达96.35%,分别较基于阈值和基于Gauss模型的分割算法高出3.75%和4.03%,差异达到显著水平。【结论】基于G-MRF模型的分割算法鲁棒性高,能够有效地将病斑区域从叶片部分离,分割正确分类率达96.35%,可用于玉米叶斑类病害图像的分割。     

基于机器视觉的脐橙品质在线分级检测系统

针对脐橙自动分级检测中存在正确识别率偏低、实时性不强的问题,提出一种综合特征提取方法:在对图像颜色模型进行转换后,用H分量图像提取脐橙的大小特征;S分量图像通过背景分割、边缘灰度补偿、整体亮度变换后提取脐橙的果面缺陷特征;采用R、G、R-G3个分量的均值和标准差提取脐橙的颜色特征。以脐橙的大小特征、果面缺陷特征和颜色特征为支持向量机(Support vector machine,SVM)的试验输入向量,进行脐橙分级检测试验,以实现提高脐橙自动分级正确识别率和增强实时。试验结果表明:该SVM分类器对脐橙分级的正确识别率为91.5%,处理时间为160ms,适合于实时环境下的分级检测。     

脐橙外部品质计算机视觉检测技术初步研究

根据脐橙图像的特点和分级标准,运用计算机视觉和神经网络算法对脐橙进行自动检测与分级。采用中值滤波和线性低通滤波技术对原始脐橙图像进行平滑、去噪,在对脐橙图像像素点颜色信息统计的基础上,通过设置蓝色分量、色调、饱和度的阈值,从图像中快速准确的分割出果实图像;确定果实横径、果形、表面缺陷率、色泽与着色率为脐橙外部品质分级的特征参数;通过BP神经网络建立了特征参数与脐橙等级之间的关系模型,试验结果表明,其预测准确率达到85％。     

猪舍智能监控系统中猪只识别算法研究

猪只识别是猪舍智能监控系统中一个重要的环节。提出了一种运用色彩空间聚类模型的猪只识别算法。该算法首先根据YCrCb色彩空间里的Cb分量进行灰度化处理,接着运用最大类间方差法进行阈值分割,最后运用形态学方法去除噪声与区域判断法去除非猪只区域,得到图像中猪只的位置。使用猪场采集的50张现场图像对该算法进行验证,结果表明单只猪正确识别率达到80%。     

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。     

基于神经网络的食用玫瑰花图像识别算法

针对单依靠颜色或形状将采摘期玫瑰花从图像中分割出来难度较大的问题,研究一种基于神经网络的食用玫瑰花图像识别算法。将处于采摘期的玫瑰花正面图像作为识别对象,先提取HSI色彩空间下的S分量,用最大类间方差法(Otsu)进行分割;再提取目标图像灰度共生矩阵下的纹理特征,选取区分度高的纹理特征,结合BP神经网络,建立识别模型。试验结果表明:该方法正确识别率85%,识别率主要受试验样本开放标准选取的影响,而受光照影响不敏感,是一种较好的识别方法。     

结合区域协方差分析的图像显著性检测

目的 图像显著性检测的目的是为了获得高质量的能够反映图像不同区域显著性程度的显著图,利用图像显著图可以快速有效地处理图像中的视觉显著区域。图像的区域协方差分析将图像块的多维特征信息表述为一个协方差矩阵,并用协方差距离来度量两个图像块特征信息的差异大小。结合区域协方差分析,提出一种新的图像显著性检测方法。方法 该方法首先将输入的图像进行超像素分割预处理;然后基于像素块的区域协方差距离计算像素块的显著度;最后对像素块进行上采样用以计算图像像素点的显著度。结果 利用本文显著性检测方法对THUS10000数据集上随机选取的200幅图像进行了显著性检测并与4种不同方法进行了对比,本文方法估计得到的显著性检测结果更接近人工标定效果,尤其是对具有复杂背景的图像以及前背景颜色接近的图像均能达到较好的检测效果。结论 本文方法将图像像素点信息和像素块信息相结合,避免了单个噪声像素点引起图像显著性检测的不准确性,提高了检测精确度;同时,利用协方差矩阵来表示图像特征信息,避免了特征点的数量、顺序、光照等对显著性检测的影响。该方法可以很好地应用到显著目标提取和图像分割应用中。     

基于改进模糊C均值聚类算法的草坪杂草识别

【目的】为了实现草坪杂草管理的精准化施药,针对自然环境中杂草与草坪颜色相近导致杂草难以分割的问题,提出一种改进模糊C均值(Fuzzy C-means, FCM)聚类的分割算法。【方法】利用超绿算子提取感兴趣区域,融合HSV空间的多通道信息进行图像预处理,扩大杂草与草坪的特征差异。使用区域面积约束滤波范围,去除预处理图像中的草坪背景噪声,降低中值滤波造成的目标区域灰度级损失。提出一种各向灰度分布差异(Difference of gray distribution, DGD)检测算子,在聚类过程中引入像素周围不同方向的灰度分布差异特征实现草坪杂草分割。【结果】与传统FCM、FCM-S2、FCMNLS以及RSFCM算法相比,本文算法对大多数噪声区域抑制效果较好,可以实现较为理想的杂草分割效果。本文算法能有效分割草坪杂草,平均分割准确率达到91.45%,比FCM、FCM-S2、FCMNLS和RSFCM算法分别提高16.35%、4.12%、6.80%和8.06%。【结论】本文算法可有效地分割自然环境中的草坪杂草,为草坪杂草精准化施药提供了条件,具有实际应用价值。