利用骨架特征信息的粘连谷粒图像分割方法

针对长宽比大的粘连谷粒图像精确分割问题,提出利用图像骨架粘连点位姿信息的粘连谷粒图像分割方法,相比常规分水岭算法提高了准确性和可靠性。在图像平滑、二值化的基础上提取谷粒的骨架信息,采用SPT算子定位骨架粘连点位姿并进行粘连点延展闭合。针对不同粘连程度的谷粒图像,将本文算法与传统分水岭算法进行了对比测试,结果表明本文算法对于复杂粘连情况具有较强的适应性。当谷粒为长宽比在1.5以内的大豆和玉米时,本文方法和分水岭算法效果类似。然而,当谷粒长宽比大于1.5,分水岭算法出现大量欠分割和过分割现象,识别错误率达到75%,本文算法依然可控制在10%以内。     

黄瓜蚜虫的图像识别与计数方法

通过分析蚜虫区域、绿色背景和蚜叶区的G分量特点,建立G分量阈值确定原则,并采用G分量阈值将蚜虫区域和非蚜虫区域分离开。针对蚜虫的粘连重叠问题,利用扩展极小值阈值变换的方法对输入图像进行标记,对标记后的图像进行距离变换和分水岭分割,以去除粘连。试验结果表明：算法能有效地分割粘连重叠的蚜虫,过分割率与欠分割率之和为3.14%。计数准确率达到96.2%,高于直接计数的     

玉米籽粒考种信息获取装置设计与试验

考种是制约育种效率的关键环节。玉米高通量考种过程,存在籽粒堆积和粘连现象,影响籽粒考种参数的提取。本文结合玉米高通量自动考种需求,设计了籽粒考种信息获取装置。通过分析堆积籽粒回旋运动过程的受力情况并根据试验情况确定振动平台回旋速度,实现籽粒的平铺摊种。在此基础上,针对粘连籽粒图像提出了一种先分割后融合的改进分水岭算法,该方法通过比较相邻分割区域极小值与最小分水岭的差值与设定的阈值T,进行邻域融合,对过分割区域进行合并,实现粘连籽粒的准确分割,分割完成后,统计籽粒个数,并基于Graham扫描法建立单个籽粒的最小外接矩形,获取籽粒长宽参数。在构建的玉米籽粒自动考种装置上进行动态试验,结果表明,本文所提出的方法可实现玉米粘连籽粒的准确分割,单穗玉米籽粒计数正确率不低于98.05%,籽粒平均长宽与人工测量结果的决定系数R~2在0.97以上,满足自动考种在线检测的需求。     

基于流域算法的谷物籽粒图像分割技术

为解决谷物外观品质检测过程中获取图像的籽粒粘连问题,提出了一种基于先验知识的流域分割算法。首先,设定合理的区域面积阈值Ath,标记并去除图像中的单个籽粒区域,结果记为M;然后,设定有效腐蚀次数Eth,对粘连籽粒区域进行流域分割,结果记为Mc;最后,取Ms与Mc的并集,作为分割结果。试验结果表明,该算法分割效果较好,分割精度达到95．4％。     

基于数学形态学粘连粮食籽粒图像分割算法的改进

为了保障我国的粮食安全,需要特别重视提高粮食生产能力,并为商品粮食的收购以及市场流通提供快速、准确的外观品质检测手段.为此,针对粘连籽粒图像分割时易产生过分割与欠分割的问题,在凌云设计的粮食图像分割算法的基础上,提出了一种改进的数学形态学方法,并对原算法与改进算法进行对比实验.实验结果表明,改进算法能够较好地解决粘连籽粒的分割问题,特别是籽粒接触面积较小、碎米率较大的图像的分割问题.     

基于融合显著图与GrabCut算法的水下海参图像分割

为实现海参捕捞和海参疾病诊断的自动化,应先解决真实养殖环境下海参的图像目标分割问题。为此提出一种融合显著图模型和GrabCut算法的水下海参图像分割方法。该方法改进了传统的GrabCut算法,通过对单尺度Retinex算法分析,对水下图像进行增强,结合基于区域对比度的显著性区域检测方法和直方图均衡的方法,得到海参区域图像的部分前景和可能的背景,并以此初始化GrabCut算法的掩膜,最后进行GrabCut算法迭代,得到图像目标分割结果。通过与Otsu法、分水岭法、传统GrabCut算法对比分析表明：所提方法能够准确分割出图像中海参目标,并能克服背景噪声,保留目标图像细节,算法正确分割率达到90.13%,满足海参图像目标分割的 需要。     

基于KFCM和改进分水岭算法的猪肉背最长肌分割技术

提出一种利用核模糊C均值聚类(KFCM)和改进分水岭算法分割猪肉眼肌切面图像中背最长肌区域的方法.该算法对经中值滤波去噪后图像的R分量利用最大方差自适应阈值(OTSU)去除背景,再采用KFCM提取出肌肉组织,然后进行空洞填充,最后由改进的分水岭算法分割出背最长肌区域.利用该算法对采集的60幅猪肉眼肌图像进行处理,分割正确率为86.67%;与传统的形态学算法相比,该算法能真实、完整地恢复出背最长肌区域.结果表明:该算法能有效地分割出猪肉眼肌图像中的背最长肌区域,与改进前分水岭算法相比,能避免背最长肌区域出现欠分割.     

基于机器视觉的荞麦剥壳性能参数在线检测方法

针对荞麦剥壳时不能随原料种类变化而适时调整砂盘间隙和转速的问题,提出一种基于机器视觉的荞麦剥壳性能参数在线检测方法,为荞麦剥壳机自适应最优控制提供数据反馈。采集快速滑落的荞麦剥出物图像,使用带二阶拉普拉斯修正项的边缘自适应插值算法对图像插值重建;对重建的浅蓝色背景荞麦剥出物图像N(B-R)灰度变换之后进行背景分割;生成距离骨架图像并对其邻域极大值滤波提取种子点,使用分水岭算法对种子点标记后的距离图像进行粘连分割;采用交互式方法标注已粘连分割的荞麦籽粒,然后使用已标注的荞麦籽粒训练BP神经网络。在线试验中,处理和识别一幅包含897个籽粒的1 824像素×1 368像素图像耗时4. 79 s。未剥壳荞麦、整米和碎米的正确识别率分别为99. 7%、97. 2%和92. 6%。结果表明,本文在线检测方法得到的出米率能够反映荞麦剥壳机组的剥壳性能,可为荞麦剥壳加工的自适应最优控制和智能化提供有效基础数据。     

雾滴图像粘连特征改进判断及分离计数方法优化

雾滴在靶标上常出现粘连的情况,为准确测量雾滴尺寸、掌握雾滴分布规律,需要判断雾滴是否粘连,并用图像处理技术将粘连雾滴分开。首先提出判断雾滴是否粘连的改进方法,该方法结合雾滴的形状因子和面积阈值对粘连雾滴进行判断和特征提取,并用极限腐蚀法和迭代开运算法对粘连雾滴进行计数处理,其次调用迭代开运算标记的分水岭算法分割,最后对分割后雾滴的连通域进行标记及形状圆整。试验结果表明：该方法可实现粘连雾滴的自动判断和特征提取,弱粘连准确率100%,强粘连可达97.2%以上。该算法获得的雾滴粒径参数与激光粒度仪试验测量结果接近,其尺寸测量准确度较Deposit Scan软件计算平均提高了7.67%。基于相同的样本,与人工计数标定结果对比表明,该方法获得的雾滴个数快速且精准度达97.06%以上。     

复杂背景下植物叶片的彩色图像分割

研究彩色图像自动分割问题。根据分水岭与自动种子区域生长相结合的算法,在复杂背景的处理上依然存在过分割的问题。本文提出:首先在其预处理上应用各项异性扩散Perona&Malik算法进行处理,Perona&Malik算法在抑制噪声的同时能够保持图像的边缘信息;其次在预处理基础上应用分水岭分割出区域;最后进行自动种子区域生长和合并小区域。通过在Matlab上仿真,结果表明此算法能够减少区域分割,并且在复杂背景下更完整地分割出目标区域。     

基于颜色和形状特征的机采棉杂质识别方法

机采棉的含杂识别分类检测能够提高棉花加工设备效率,减少棉花纤维损伤,并为棉花收获设备的改进提供指导。提出了一种基于颜色和形状特征的机采棉杂质识别分类方法,对大杂质和小杂质检测采取不同的图像处理方法。颜色特征主要采用基于彩色梯度图像的分水岭变换与改进模糊C均值聚类方法融合的方法;形状特征主要采用机采棉杂质的面积、周长、离心率和矩形度特征。通过对100幅机采棉图像试验表明,该方法对各类杂质的平均识别正确率为89%。     

作物病害图像中重叠病斑分离算法

针对传统的分水岭分割算法的不足,应用了一种基于标记测地重建的分水岭算法对棉花重叠病斑图像进行分离.首先对病斑二值图像利用多尺度距离变换获得病斑的距离图像,通过极限腐蚀操作检测出标记种子;然后以种子标记为基础.运用形态学测地重建运算获取测地影响区骨架SKIZ--分水岭线;最后利用分水岭线与原病斑图像进行交集运算.从而得到分离的图像.运用该算法对棉花重叠病斑图像进行分离,试验结果表明:该方法能较好地将图像中的重叠病斑分离,并较好地保存病斑边缘信息,对图像中的微小结构和噪声不敏感,具有良好的鲁棒性.     

采用区域生长法分割根系CT图像的改进算法

提出了一种基于阈值分析和区域生长相结合的用于植物根系CT序列图像分割的算法。首先通过直方图分析,初步确定根系区域的分割阈值,再利用经过改进的区域生长法分割得到目标区域。实验结果表明,该分割算法计算量小,分割精度高,在提取目标的同时,能够有效地分离介质(背景)像素;而且对于背景复杂、噪声较大、目标像素灰度不均匀的CT图像也能取得较好的分割效果。     

基于SfM的针叶林无人机影像树冠分割算法

利用无人机影像进行森林资源调查具有作业快速便捷、数据分辨率较高、影像细节丰富的特点,可较好地识别单木,获取树木位置、冠幅等信息。但是,厘米级的影像分辨率使基于光谱信息的传统分割算法在提取树冠时出现破碎化现象,产生过分割结果。同时,在非落叶季由于无人机影像难以观测到茂密林冠下层地形,故在地形起伏较大的林区难以实现基于树木冠层高度模型(CHM)的单木分割方法。针对上述问题,结合传统二维图像处理和Sf M三维建模,提出了一种无需高度归一化的无人机影像树冠三维分割提取算法,首先利用Sf M技术从高重叠航片建立三维表面模型,利用高程和图像信息检测初始树木位置,再采取k NN自适应邻域分水岭分割的方式对中心单木进行精确的树冠参数提取。在北京市百花山国家级自然保护区的落叶松林地进行了高分辨率无人机影像实验,采用正射影像目视解译结果和多种基于图像、点云的自动分割算法结果进行验证和评价。结果表明,本文方法对树木总体检出率在91%以上,冠幅提取精度在81%以上,优于传统的全局分水岭方法和其他树冠分割算法。     

自然环境下重叠果实图像识别算法与试验

针对非结构化自然环境中光照变化和对象重叠特征等外界因素给图像处理带来的难题,提出了一种自然环境下重叠果实的图像识别与边界分割的组合优化算法。该组合优化算法首先对原始图像进行噪声滤波处理,然后利用Sobel算子以及改进算子的最大类方差法(OTSU)来辨识重叠果实目标;接着采用K-means算法对重叠目标的像素进行聚类得到单个目标位置,再结合边缘检测结果的连通域分析及区域生长获得单个目标边界的大致区域;最后利用基于限制区域的分水岭算法,得到目标的精确边界。为了验证所提算法的有效性和适应性,进行了试验研究。试验结果表明:所提出的组合优化算法不仅可以在自然环境下从重叠物体图像背景中识别出重叠目标,而且还可以从重叠目标中分割出单个目标的精确边界。     

基于注意力机制和可变形卷积的鸡只图像实例分割提取

为提高鸡只个体轮廓分割提取的精度和准确度,实现基于机器视觉技术的鸡只行为、健康、福利状态监测等精准畜牧业管理,保证相关监测技术及决策的可靠性,针对叠层笼养环境下肉鸡图像的实例分割和轮廓提取问题,提出一种优化的基于Mask R-CNN框架的实例分割方法,构建了一种鸡只图像分割和轮廓提取网络,对鸡群图像进行分割,从而实现鸡只个体轮廓的提取。该网络以注意力机制、可变形卷积的41层深度残差网络（ResNet）和特征金字塔网络（Feature pyramid networks, FPN）相融合为主干网络,提取图像特征,并经区域生成网络（Region proposal networks, RPN）提取感兴趣区域（ROI）,最后通过头部网络完成鸡只目标的分类、分割和边框回归。鸡只图像分割试验表明,与Mask R-CNN网络相比,优化后网络模型精确率和精度均值分别从78.23%、84.48%提高到88.60%、90.37%,模型召回率为77.48%,可以实现鸡只轮廓的像素级分割。本研究可为鸡只福利状态和鸡只健康状况的实时监测提供技术支撑。     

基于改进LinkNet的寒旱区遥感图像河流识别方法

为解决遥感图像河流精细化提取问题,提出一种改进LinkNet模型的分割网络(AFR-LinkNet)。AFR-LinkNet在LinkNet基础上引入了残差通道注意力结构、非对称卷积模块以及密集跳跃连接结构,并用视觉激活函数FReLU替换ReLU激活函数。残差通道注意力结构可以强化对分割任务有效的特征,以提高模型的分类能力,得到更多的细节信息。利用非对称卷积模块进行模型压缩和加速。使用FReLU激活函数提升网络提取遥感图像河流的精细空间布局。在寒旱区河流数据集上的实验结果表明,AFR-LinkNet网络相较于FCN、UNet、ResNet50、LinkNet、DeepLabv3+网络交并比分别提高了26.4、22.7、17.6、12.0、9.7个百分点,像素准确率分别提高了25.9、22.5、13.2、10.5、7.3个百分点;引入非对称卷积模块后,交并比提高了5.1个百分点,像素准确率提高了2.9个百分点,在此基础上引入残差通道注意力结构之后,交并比又提高了2.2个百分点,像素准确率提高了2.3个百分点,证明了其对河流细节识别效果更好。