基于MATLAB的奶牛数字图像边缘的提取

奶牛数字图像边缘提取是奶牛体型线性评定的前期准备.为此,详细介绍了Sobel算子、Roberts算子、Prewitt算子、LOG算子和Canny算子,分别用这些算子对奶牛数字图像进行MATLAB仿真,并对仿真结果进行了分析比较.结果表明,采用改进后的Canny算子提取奶牛数字图像边缘能够有效地抑制噪声,图像连续性好,比较完整地显示了奶牛图像的整个边缘.     

基于深度图像的奶牛表型特征获取

奶牛表型特征是评价奶牛成长状况的一项重要参数,为减少奶牛的应激性且能便捷地获取奶牛几何表型尺寸,运用图像处理技术提取奶牛表型特征参数,设计了一款针对深度图像和点云数据的奶牛几何表型特征获取系统。对奶牛深度图像采用背景减去法、阈值分割、滤波和空洞填充等方法获取奶牛目标区域,对目标采用边缘检测、角点检测和凸包运算等检测特征点,最后对应点云数据获得奶牛表型特征尺寸。系统现场试验结果表明,系统获取的体重准确性在98%以上,体尺准确性在96%以上,系统工作稳定、测量精度高,为实现数字化养殖打下了基础,具有很好的应用前景。      

基于图像特征提取与L-系统的植株模型重建研究

以水稻植株模型的重建为研究对象,为尽可能地保留植株原始形态特征,研究过程中充分运用图像处理技术对水稻植株叶片图像进行了特征信息提取,并应用于叶片器官模型重建;同时,结合L-系统建模方法在稻穗器官模型重建的基础上,将图像处理技术与L-系统建模机制相结合,较为形象、逼真地实现了对水稻植物模型的虚拟重建。实验仿真结果表明,该方法能够较好地保存植株原始形态特征,对相关领域研究具有一定的参考价值。     

基于数学形态滤波算子的黄顶菊种子图像边缘检测

黄顶菊种子边缘检测是进行黄顶菊种子形态特征提取和分析的基础.经典的边缘检测算法由于抗噪声能力差,无法精确检测出黄顶菊种子的边缘.为此,运用数学形态学的基本原理和方法,提出了一种基于数学形态滤波器的二值图像边缘检测算法,应用于黄顶菊种子图像的边缘检测.实验结果表明,提出的边缘检测算法的性能明显优于经典的边缘检测算法,不仅能够准确、有效、完整地提取出黄顶菊种子的边缘,同时能有效地去除噪声.     

基于深度图像的奶牛表型特征获取系统设计与试验

奶牛表型特征是评价奶牛成长状况的一项重要参数,为减少奶牛的应激性且能便捷地获取奶牛几何表型尺寸,运用图像处理技术提取奶牛表型特征参数,设计了一款针对深度图像和点云数据的奶牛几何表型特征获取系统。对奶牛深度图像采用背景减去法、阈值分割、滤波和空洞填充等方法获取奶牛目标区域,对目标采用边缘检测、角点检测和凸包运算等检测特征点,最后对应点云数据获得奶牛表型特征尺寸。系统现场试验结果表明,系统获取的体重准确性在98%以上,体尺准确性在96%以上,系统工作稳定、测量精度高,为实现数字化养殖打下了基础,具有很好的应用前景。     

基于数字图像处理的孢子特征提取

为了监测孢子引起的病害,需要获得孢子图像的外部轮廓特征,为孢子的类型分析或自动计数做准备。为此,采用MATLAB对从显微镜采集的孢子图像进行数字图像预处理,合理确定阈值,将灰度图像转换成黑白二值图像。在此基础上进行特征提取与跟踪等形态学分析。该系统经实际验证达到了预期效果。     

水稻病害图像预处理及其特征提取方法研究

采用计算机数字图像处理技术对水稻病害进行智能识别,并以叶鞘腐败病为例,研究了水稻病害智能识别图像预处理和特征提取的方法。试验中,利用灰度变换和中值滤波法有效去除了噪声,增强了图像;利用不同算子对病害进行边缘检测,准确地提取了病斑的几何特征,实现了病害图像目标分割。这一研究成果为特征参数的提取及最终病害确定打下基础。     

基于亚像素定位的图像边缘检测策略研究

针对图像处理与计算机视觉技术中低对比度、边缘模糊图像的边缘检测问题,参考局部极值与梯度方向两种因素,并结合图像边缘方向趋势,提出了一种单像素边缘跟踪策略。相较于应用广泛的Canny算法,该跟踪策略无需设置全局阈值,实现方式更为简洁、高效;提取的图像边缘连续、平滑、完整,并有效地减少了图像边缘的冗余像素,进而提升了图像后续处理的效率;边缘跟踪方向抗干扰性强,具有较强的鲁棒性。为了减小检测的图像边缘与真实图像边缘之间的偏差、提高图像边缘检测的精度,参考边缘像素点的相邻区域灰度,以边缘像素点的梯度分布为依据对该像素点进行亚像素定位。经实验验证,经过亚像素优化的图像边缘检测策略可用于检测边缘模糊、对比度低的图像,检测的图像边缘完整、连续且平滑。该策略有效地消除了程序运算中引入的截断误差,提升了图像边缘检测精度,且适用于亮度5~100000lx的高动态成像场景中。     

基于图像处理的植物叶特征提取研究现状

通过对植物叶特征的分析,可以确定植物的种类和生长状态,对于植物研究、指导生产等具有重要意义.传统的叶特征提取方法都是通过人的手工操作完成的,效率较低,而当前可以借助于图像处理技术对叶特征进行自动提取.为此,对基于图像处理的叶特征提取研究现状进行了综述,并对其做了展望.     

基于计算机视觉系统的番茄特征提取

针对实际番茄特征提取环境复杂情况的问题,提出了针对不同环境应用不同颜色模型来进行阈值分割的方法。通过应用改进的n R-G、YUV两种颜色模型对不同实验环境采集的图像进行阈值分割,并结合canny边缘提取算法、fitzgibbon椭圆拟合算法提取得出番茄像素坐标与像素尺寸,以此完成番茄特征提取。为得出各种颜色模型适用环境等特点,对比各种颜色模型在光线充足果实未被遮挡、光线充足果实部分遮挡和光线较弱果实未被遮挡3种情况下特征提取成功率,并比较3种颜色模型在光线充足果实未被遮挡情况下对采集图像的降噪能力。实验结果表明:n R-G颜色模型适用于采集图像噪声较小的实验环境,对于光线较弱的实验环境该模型表现出较高且稳定的特征提取成功率;YUV颜色模型表现出对含噪图像具有较为稳定的降噪能力,且对光线较强的实验环境表现出较高的特征提取成功率。     

基于图像处理技术的奶牛体型线性评定系统

采用Lab View虚拟仪器软件开发平台和IMAQ Vision图像处理软件包开发基于计算机图像处理的奶牛体型线性评定软件系统。系统选用蓝色背景，增强了图像的对比度和定位准确性，减小了图像处理的难度。采用从HSL模型中抽取S值的方法实现图像灰度化处理，并通过中值滤波减少图像的噪声。试验结果表明，运用模板匹配方法来识别特征点，判定准确率达90％以上。计算机图像评分和手工评分结果的最大绝对误差1．1cm，相对误差为0．8％，系统精度满足线性评定要求，完全能取代手工评定，并提高了评定效率。     

基于深度图像的蔬果形状特征提取

针对蔬果二维投影图像含形状信息量少而影响蔬果分级精度的问题,提出一种基于深度图像的蔬果形状特征描述方法,以番茄形状特征提取为例,对该方法进行了探讨.首先利用彩色图像信息将番茄从背景中分割出;其次通过三维机器视觉测量设备获取番茄的点云数据,并对待检测番茄的点云数据深度进行归一化处理;然后通过关联被分割出的番茄区域信息与深度信息得到了番茄的深度图,并对该深度图进行极坐标采样.通过在笛卡尔直角坐标下对采样结果进行傅里叶变换,获得了基于深度图像的通用傅里叶形状描述子,该描述子不仅能有效地描述番茄在深度和横向上的形状特征,同时还具有平移、旋转和缩放的不变性.将基于深度图的通用傅里叶描述子和基于一般二维投影图像的通用傅里叶描述子先后用于番茄的分级实验中,结果表明前者平均分级精度达到92％,精度高于后者.     

基于改进Sobel算法的叶片图像边缘检测

采用数字图像处理技术对叶片图像进行边缘检测,主要研究了基于Sobel算子的叶片边缘的检测方法。在对图像进行灰度化和滤波去噪等预处理的基础上,增加了6个方向模板对Sobel算子进行改进。试验证明,该方法有效解决了Sobel算子边缘检测时边缘过粗的问题,得到的边缘较细,精确度提高了13.6%。     

基于边缘检测的图像分割技术的研究

本文主要介绍了基于边缘检测的图像分割的相关技术,首先分析了研究目的和研究意义,然后综合国内外的研究近况,分析了当前对于图像分割技术的前景和不足。     

自动对靶精准施药机研究——基于图像边缘检测和目标识别

为了提高施药作业的效率和实际着药量,降低喷药成本和给环境造成的负担,提出了准确精量的对靶施药系统的设计理念,并给出了施药平台的原理和结构构成,最后对施药平台的图像处理系统进行了重点设计。为了验证方案的可行性,以传统的施药机械为搭载平台,将PC图像处理器嵌入到了精准对靶控制系统中,选择地势平坦的果园为实验场地,对施药平台进行了实验研究。实验结果表明:基于图像边缘检测和目标识别的自动对靶施药平台即使在光线不好的条件下,仍可以准确地得到果树果实和枝叶的位置信息,施药平台的实际着药量要比传统施药平台更高,而成本却更低,从而验证了方案的可行性。     

小麦病害图像识别处理及形状特征提取研究

以小麦条锈病为例,研究小麦病害部位的图像获取、处理和特征提取。通过图像灰度映射和反映射变换、非线性直方图均衡处理等方法进行病害图像噪声去除和图像优化;采用迭代阀值分割和微分边缘检测提取小麦病斑部位的形状特征,为农业作物病害诊断信息特征数据库的建立提供基础数据。     

基于DM642的农产品图像边缘检测系统设计

基于DM642和CPLD架构实现农产品图像的采集与处理,并利用Canny算子检测农产品图像边缘信息。针对农产品种类丰富、外形多样、边缘信息复杂且图像在采集过程中容易受到外界因素影响的特点,采用一种新的调试技术,将Matlab和DSP两者结合起来,充分利用两者特长,在线调节Canny算子阈值,简化系统开发的分析、调试和验证过程,并使系统具有更强的通用性,满足不同农产品边缘检测需要。     

作物病害图像形状特征提取研究

形状特征是作物病害图像识别的重要依据之一。为了解决形状特征平移、尺度和旋转变换不变性问题,笔者将不变矩理论引入作物病害图像形状特征提取中,将7个Hu不变矩参数定义为形状特征,并引入新的参数,对作物病害图像进行形状特征提取研究。通过主成分分析和统计分析方法验证,得到适合两种作物病害识别的形状特征,并将其应用到作物病害智能识别系统中。实验结果表明:系统识别率较高,能够满足实际应用需求。     

基于多视角时间序列图像的植物叶片分割与特征提取

为了解决多种类植物在生长过程中不同时间点动态变化表型参数提取困难问题,提出了一种基于多视角时间序列图像和深度卷积神经网络Mask-RCNN的植物茎叶实例分割方法,在拟南芥、玉米和酸浆属3种代表性植物上进行了实验.结果 表明,训练得到的基于Mask-RCNN的植物分割模型对在不同生长时期的植物茎叶的识别精度(mAP0.5...     

基于多特征融合相关滤波的运动奶牛目标提取

为实现大规模养殖场内奶牛目标的自动提取,将相关滤波算法融入目标提取基本框架,提出一种相关滤波融合边缘检测的奶牛目标提取(Correlation filtering-edge detection based target extraction, CFED)算法。首先利用颜色名(Color names, CN)、方向梯度直方图 (Histogram of oriented gradient, HOG)设计的相关滤波器获取奶牛目标范围;再利用13个不同方向的边缘滤波模板卷积目标范围图像得到图像边缘,最后融合边缘信息和颜色特征提取出奶牛目标。对奶牛场不同环境下的9段视频进行目标提取试验,结果表明,算法提取的目标与真实结果平均重叠率达到92.93%,较Otsu、K-means聚类、帧间差分法和高斯混合模型(Gaussian mixture model,GMM)分别高35.63、32.84、20.28、14.35个百分点;平均假阳性率和假阴性率分别为5.07%和5.08%,处理每帧图像平均耗时0.70s。该结果表明,提出的CFED算法具有较好的目标检测能力,为奶牛目标准确快速提取提供了一个有效方法。