半色调图像纹理特征提取方法

提出基于局部二值化模式和像素相关算子的半色调图像纹理特征提取方法，以实现误差分散类半色调图像的分类。该方法是将误差分散类图像先进行局部二值化模式变换，再以任一像素点为中心，取适当的距离提取八个方向的像素相关值作为图像的特征向量，最后将提取的特征通过BP神经网络进行分类。实验结果表明，提出的算法适用于二值图像的特征提取，能够降低局部二值模式的特征维数，提高时间效率和空间利用率；相对灰度共生矩阵算法提出的算法在计算复杂度、识别精度等性能方面都有所改善。     

Landsat7 ETM+图像用作SPOT5图像森林分类的辅助数据研究

为改善面向对象的SPOT5图像分类精度,将Landsat7 ETM+数据作为辅助数据,试验了3种图像分割和对象特征提取方案,在图像分割、基于规则的分类、基于分类的分割和对象特征提取与筛选的基础上,进行了Bayes准则分类试验。结果表明:ETM+图像信息参与分类明显地提高了SPOT5图像的分类精度,但由于空间分辨率低,在森林分布破碎、类型和种类多样、结构复杂的研究区域,ETM+数据只能用于对象特征提取,不能实质性地参与图像分割,否则会导致图像对象边界不准确、同质性降低、异质性增加,影响图像分类精度。     

一种改进的二值化分割算法及其在指纹识别中的应用

研究了指纹特征提取的原理及算法实现流程,它依次可分为指纹图像归一化、分割和二值化、图像增强滤波、图像细化、特征提取等几个步骤．在分割和二值化阶段提出了一种改进的基于图像分块和阈值迭代的二值化分割算法,新算法能有效提取局部图像的最优二值化阈值,可提高对明暗分布不均的图像的二值化分割的效果和指纹图像分割的质量．在图像增强和细化阶段引入细化邻域方法进行图像增强和细化,最后对指纹特征进行提取．利用ＭＡＴＬＡＢ工具进行了仿真,结果表明,采用改进的算法进行指纹特征提取基本能准确、快速找出指纹图像的特征．     

基于判别局部保持投影的苹果叶部病害识别方法

通过维数约简实现特征提取是图像识别的一个重要步骤.由于同一种作物病害叶片和病斑图像的高度复杂性,在各种不同拍摄角度、位置和光照等条件下得到的图像之间差异较大,使得很多经典的维数约简和特征提取算法不能有效地用于作物叶部病害识别.本文在判别局部保持投影(Discriminant Locality Preserving Projections,DLPP)的基础上,提出一种基于DLPP的苹果叶部病害识别方法.首先利用GrabCut算法对采集的病害叶部图像进行背景分割,然后利用分水岭算法对去背景图像进行分割,得到病斑图像;再利用DLPP将病斑图像投影到低维判别空间,得到分类特征;最后利用K-最近邻分类器进行病害类别识别.在实际苹果病害叶片图像数据库上的实验结果表明,该方法是有效可行的.     

多特征加权融合算法的生活垃圾图像分类研究

为改善我国现有的垃圾问题,实现准确且高效的垃圾分类工作,提出一种基于多特征加权融合的生活垃圾图像分类算法。该算法利用ResNet网络为主干网络,利用多分支网络结构提取图像不同层次的特征信息再进行加权融合,并进行了自适应权重融合实验和固定权重融合实验。实验结果表明,自适应实验组的分类准确率为97.29%;进行固定权重融合实验,发现全部平均系数下模型的生活垃圾图像分类准确率为97.42%;对比不同算法模型下分类的准确率大小,得到此次研究提出模型的分类准确率为97.52%。说明所提出的算法模型能够较好地识别各种生活垃圾图像,并对垃圾图像进行高效分类。     

玉米生长期叶部病害图像识别预处理研究

针对玉米生长期叶部病害的图像,引入图像模式识别技术,实现病害图像的预处理。基于传统算法的不足,提出一种改进的小波图像增强算法,提高了图像的识别精度;深入研究了病害图像的直方图均衡化预处理、基于矢量中值滤波的图像增强操作算法,并引入超绿特征值进行图像分割,从而实现了对目标图像的去噪、增强,为下一步的特征提取与病害识别打下了良好基础。     

基于Curvelet和小波变换的纹理图像识别

提出了一种基于Curvelet变换与小波变换相结合的纹理图像分类算法.小波变换在分析点奇异信号时具有良好的性能,而Curvelet变换更适合分析图像中的曲线或直线状边缘特征.算法通过提取两者分解子波段的统计学和灰度共生矩阵特征,采用支持向量机对纹理图像进行分类.实验结果表明,和单一的多分辨率变换特征提取相比,该算法具有更高的分类准确率.     

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。     

基于奇异值分解的多尺度变换域图像细化算法

由于多尺度变换域图像细化可降低图像存储难度与识别难度,图像细化核心即为骨架连通性,围绕保持图像骨架高度连通性这一宗旨,提出基于奇异值分解的多尺度变换域图像细化算法。首先,通过采用基于小波多尺度奇异值分解的图像特征提取算法,全面提取多尺度变换域图像中全部目标特征。然后,通过采用一种有效的图像细化算法判断图像细化时需留下的特征点,并去除图像中冗余像素点与冗余枝线,完成多尺度变换域图像细化。最后,根据本文所提算法将多尺度变换域图像以指纹、不规则图像等为例,对两幅图像细化,进行图像的细化测试。研究结果表明,所提算法细化后的图像纹理清楚,骨架分明,且图像纹络连通性较好;与同类型算法相比,该算法对多尺度变换域图像中冗余像素点和枝线的去除效果最佳。     

基于叶片图像多特征融合的观叶植物种类识别

叶片图像特征提取对于植物自动分类识别有着重要的研究意义。本文以观叶植物叶片为研究对象,综合提取叶片图像的颜色、形状和纹理特征,基于支持向量机(SVM)原理提出了基于图像分析的观叶植物自动识别分类方法。通过对50种观叶植物样本图像进行训练和识别,与BP神经网络和KNN识别方法进行比较,本文所采用的SVM分类器的识别率能够达到91.41%,取得了较好的识别效果。      

基于Bag of Words的干果图像分类研究

针对干果图像信息量大、分类精度低和耗时多的特点,提出利用Bag of Words模型提取图片的代表特征,并采用朴素贝叶斯分类器指导特征矩阵分类。结果表明,图像分类精度能达到80%,分类处理时间约为2 s。通过增加学习样本来进一步提高分类精度,将Bag of Words应用于干果图像识别和分类是可行的。     

基于Spark的支持向量机在小麦病害图像识别中的应用

为了提高小麦病害图像分类的效率,提出了一种基于Spark的并行式支持向量机算法。首先对小麦病害图像进行滤波去噪、灰度压缩等处理,利用灰度共生矩阵、不变矩阵等从颜色、纹理和形状3个方面提取49个特征向量;然后通过数据集的切分和并行框架的支持,将大数据并行处理技术Spark与支持向量机结合,运用Scala语言实现了串行支持向量机算法的并行化,并将其应用于小麦病害图像识别。针对小麦锈病和白粉病的图像分类测试结果表明,当测试图像分别是2 600、3 900、5 120张时,该算法对锈病的分类精度依次是76.03%、81.18%、77.82%,对白粉病的分类精度依次是83.27%、85.91%、83.14%,比串行支持向量机分类精度有所提升。分类时间依次是13 928.0、18 506.1、24 897.2 ms,明显低于串行支持向量机的分类时间。改进的算法实现了小麦病害分类精度的小幅度提升,明显提高了处理速度,具有较快的学习收敛速率。     

基于贝叶斯正则化BP网络的粮虫分类识别研究

以粮虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现分类识别的方法。首先对4类常见粮虫进行图像采集、预处理及特征提取,然后将提取到的9个形态学特征参数作为神经网络的输入参数,对应的粮虫类别代号作为输出参数,建立BP神经网络,并在网络学习过程中采用贝叶斯正则化优化算法对其进行改进。最后通过仿真试验表明:该方法在粮虫识别算法中收敛速度快,预测精度高,稳定性好,泛化能力优,从而证实了该方法在实际应用中的可行性。     

基于多尺度特征提取深度残差网络的水稻害虫识别

【目的】在水稻生产过程中,针对不同虫害需要采用不同的防治方案,水稻害虫的准确识别分类是制定针对性防治方案的前提。【方法】采用深度学习结合机器视觉的方法,基于Res2Net结构提出了一种多尺度特征提取的深度残差网络,通过准确地提取害虫特征实现复杂自然背景下的水稻害虫识别;采用改进的残差结构,使用等级制的类残差连接取代了原本的3×3卷积核,增加了每个网络层的感受野,可以更细粒度地提取多尺度特征。【结果】本网络训练的模型能够有效地识别自然背景下的水稻害虫,在自建的包含22类常见水稻害虫的图像数据集上,平均识别准确率达到了92.023%,优于传统的ResNet、VGG等网络。【结论】本文提出的模型可应用于水稻虫情自动监测系统,为实现水稻害虫虫情的机器视觉监测提供参考。     

基于K-means和特征提取的植物叶部病害检测与实现

针对植物常见叶部病害的检测并提高准确率,提出了基于K-means的图像分割和颜色特征提取的算法。以苹果枯叶病为研究对象,应用K-means算法先进行病斑叶片的图像分割,再提取三阶颜色矩参数,与正常叶片参数进行对比分析;实验测试表明,该方法能较好的识别苹果枯叶病,具有较好的鲁棒性,且准确率较高。     

基于图像特征融合的农事活动行为的识别

针对农事活动图像中人体姿态所隐含的行为信息以及人与农具所隐含的关联信息,提出了一种基于图像特征融合的农事活动行为的识别方法：利用人体姿态估计技术OpenPose提取农事行为关节点位置信息,利用目标检测YOLOv3提取农事行为中农具的位置和分类信息,用以构建农事行为的距离空间特征矩阵和角度空间特征矩阵,并将这些特征进行图像特征融合,建立基于图像显式特征和隐式特征融合的农事活动行为识别方法EI–SVM,实现农事活动行为的识别。试验结果表明,EI–SVM方法对农事活动行为识别的准确率可达94.87%,在公用数据集上准确率达到92.39%。     

基于K-means与KNN的多特征苹果在线分级

【目的】准确获取红富士苹果的分级指标，为实现多特征融合的苹果分级提供依据。【方法】以均值滤波、全局亮度均衡化与图像裁剪方法，预处理实验所需的苹果图像；使用K-means聚类算法、OTSU最大类间方差法，将苹果灰度图转换为二值图；利用二值图与苹果原图的异或运算，提取苹果轮廓；采用苹果的二值图计算苹果的果实区域大小；使用颜色空间转换RGB-HSV中H通道划分果实红色区域；通过构建掩膜、形态学操作判断果体是否含有缺陷及计算其面积；构建最小外接矩形计算苹果的果径及果形；利用KNN分类算法实现多特征融合的苹果在线自动分级。【结果】基于K-means聚类与KNN分类相结合的苹果在线分级方法，在优于传统图像阈值分割效果的基础上，特级果分级准确率为97.14%,一级果分级准确率为100%,二级果分级准确率为93.75%,等外果分级准确率为100%,综合分级准确率达到97%。【结论】100个苹果测试准确率达到97%,验证了该分级方法的可行性与准确性。     

The Machine Recognition for Population Feature of Wheat Images Based on BP Neural Network

Recognition and analysis of dynamic information about population images during wheat growth periods can be taken for the base of quantitative diagnosis for wheat growth. A recognition system based on self-learning BP neural network for feature data of wheat population images, such as total green areas and leaves areas was designed in this paper. In addition, some techniques to create favorable conditions for image recognition was discussed, which were as follows: (1) The method of collecting images by a digital camera and assistant equipment under natural conditions in fields. (2) An algorithm of pixei labeling was used to segment image and extract feature. (3)A high pass filter based on Laplacian was used to strengthen image information. The results showed that the ANN system was availability for image recognition of wheat population feature.     

基于多尺度角点的种子破损特征检测算法

针对种子破损局部特征的检测,提出一种基于多尺度角点准确性检测的簇分类算法。该算法对多尺度破损特征角点分类并进行分类点空间位置和尺度上非最大值抑制确定破损局部结构的簇候选特征点,并以候选特征点来参与特征准确性精化的迭代计算。试验结果表明,该算法去除了常规多尺度角点算法检测破损特征存在的冗余点,有效提高了多尺度下种子破损特征定位准确度,降低了迭代计算的时间复杂度。     

基于无人机多光谱影像特征融合的小麦倒伏监测

【目的】小麦倒伏严重影响小麦光合及成熟进程,进而造成小麦减产及品质下降。为快速精确获取倒伏信息,评估无人机遥感监测小麦倒伏的能力,构建小麦倒伏监测模式,为灾情评估、保险理赔及灾后补救提供技术支持。【方法】利用近地无人机获取包含红、绿、蓝、红边和近红外5个多光谱波段图像,经过预处理飞行高度50 m的小麦冠层图像,得到分辨率为1.85(cm/像素)的数字正射影像图（DOM）和数字表面模型（DSM）,从中提取光谱特征、高度特征和光谱纹理共3类特征信息;采用支持向量机（SVM）和随机森林（RF）2种分类器对6种不同特征集组合进行倒伏分类比较,使用准确率（Acc）、精确率（Pre）、召回率（Re）和调和平均数（F1）以确定较优的特征组合和分类器;同时使用3种不同的特征集筛选方法（套索算法Lasso、随机森林递归算法RF-RFE和Boruta算法）对优化的特征子集进行综合评价,确立适宜的倒伏分类评价方法。【结果】单一特征的光谱和纹理及其组合对小麦倒伏的分类评价结果较差,“椒盐现象”严重,在此基础上融合DSM信息的分类精度显著提高。采用随机森林分类器对光谱特征、纹理特征和高度特征进行特征集组合,小麦...