基于视觉滤波算子的农业图像去噪研究

[目的]农业图像中难免存在噪声,噪声会干扰有用目标的识别。为了准确提取农业图像中的有用信息,拓展图像处理技术在农业工程中的应用,有必要去除农业图像中的噪声。[方法]本文将一种改进的中值滤波与视觉滤波LOG算子结合起来,用于对农业图像进行去噪。首先,通过LOG算子将图像分为边缘图像和非边缘图像,然后采用一种改进的加权中值滤波处理非边缘图像,边缘图像与处理后的非边缘图像融合为最终的去噪图像。[结果]利用本算法对农业图像进行测试,与传统的中值滤波算法进行对比,并采用峰值信噪比作为滤波算法性能的客观评价指标,本算法的峰值信噪比高于传统中值滤波算法8.15%,有更好的降噪效果。[结论]因此,该算法的滤波效果优于传统中值滤波算法,可有效去除农业图像中诸多因素产生的噪声。     

基于Simulink的大米动态图像检测系统仿真

[目的]建立大米动态图像的仿真检测系统。[方法]以粳米为研究对象,利用Simulink设计大米动态图像仿真处理平台,用Mplay进行系统调试,利用背景差分法分割大米图像,对图像进行检测与跟踪。[结果]实现了大米动态图像的检测及目标跟踪,且对图像的分割、标注效果较好,提取的大米外观形状的特征值与其静态图像特征值的平均相对误差仅为2.26%。[结论]建立了大米动态图像的仿真检测系统,该系统检测精确度高,算法验证及修改简单、方便,编写代码所需时间较短。     

基于改进非局部均值滤波的低照度下车牌去噪算法

低照度下车牌图像可见度低且含高斯噪音,以传统非局部均值算法处理时,容易丢失图像边缘信息。提出了一种基于改进非局部均值的低照度下车牌去噪算法,以标准化欧氏距离代替简单欧氏距离度量块相似性,同时引入Shen-Castan边缘检测器对车牌边缘部分分离去噪。实验结果表明:提出的算法相较于传统去噪算法,处理结果有更好的信噪比值,且结构相似性值更接近1,说明该去噪算法有更好的去噪效果,同时也能保护边缘信息的完整性。     

小波变换的模极大值在图像边缘检测中的应用研究

边缘检测在图像处理中有着重要的作用.依据canny算子的核心思想,运用小波分析技术,提出了一种基于小波变换的模极大值边缘检测算法.仿真结果表明:该算法能提取图像较弱的边缘,有较好的去噪效果,且边缘有较强的连续性.优于传统的边缘检测算子.     

基于机器视觉的新生仔猪目标识别方法研究与实现

[目的]新生仔猪目标检测是母猪分娩监测的关键环节。[方法]通过自制图像采集器采集母猪分娩视频图像,机器视觉系统获取分娩图像信息,选取Canny算子对图像进行边缘检测,采用Otsu算法对图像进行二值变换,应用滑动平均算法和形态学开运算对二值图像滤波消噪,提取图像最大连通域,利用团序列检测算法对母猪目标进行分割,对分割后区域进行仔猪目标识别。[结果]试验结果表明,团序列检测算法能够准确分割出母猪目标,检测仔猪目标的正确率达到95.5%。[结论]提出一种能够有效识别新生仔猪目标的方法,为仔猪的出生预警提供了技术支撑。     

基于形态学的种子图像边缘检测方法

采集种子在传送带上的动态图像,运用数学形态学算子对图像边缘进行检测。结果显示,与传统的边缘检测算法相比,该方法可准确提取种子图像边缘,且具有很强的抗噪能力。     

改进的种子点生长模糊边缘检测算法

针对传统模糊边缘检测算法计算量大、效率低的弱点,利用图像边界点连续的特性,结合模糊边缘检测算法的思想,提出了一种基于模糊理论的改进种子点生长边缘检测算法。利用相应算法建立两张快速查找表,对图像中的像素点通过查表,选取种子点,根据边缘点的判断准则对其进行生长,最终实现边缘检测。实验证明,算法具有较高的效率和较强的抗噪能力。     

基于小波变换的图像边缘检测技术的改进

边缘检测是图像处理的主要内容之一.由于存在噪声,经典算法的图像边缘检测效果不好,针对其缺陷,应用小波变换对图像边缘进行检测,能得到较好的边缘,但是去掉了一些模糊的、弱的边缘.因此,采用自适应阈值的改进型小波边缘检测算法,在消噪的同时,可以很好地保留微弱的边缘.通过实验结果的比较,证明了这种方法的有效性.     

基于高光谱图像和3D-CNN的苹果多品质参数无损检测

[目的]为解决水果品质无损检测中成本、效率、精度问题,提出了一种基于高光谱图像和三维卷积神经网络(3D-CNN)的苹果高光谱多品质参数同时检测方法。[方法]使用高光谱成像系统获取400～1 000 nm波段的苹果样本的高光谱反射图像并使用S-G平滑法对原始图像进行去噪处理,在此基础上,对采集到的高光谱图像通过多感兴趣位置的选取以及间隔波段抽取重组的方法进行样本扩充,再利用三维卷积神经网络建立样本扩充后的苹果高光谱图像与苹果糖度、硬度、含水量的多任务学习模型,通过该模型实现对苹果的糖度、硬度、含水量等品质参数的无损检测。[结果]采集245个苹果的高光谱图像及其对应的品质参数信息,通过样本扩充的方法将原始数据集扩充至9 800个样本后进行建模和验证。结果表明:本算法建立的苹果糖度、硬度、水分的分类模型,在糖度类间隔为1°Brix、硬度类间隔为0.5 kg·cm~(-2)、含水量类间隔为10%的情况下,糖度、硬度、水分的预测准确率分别为93.97%、92.29%和93.36%,回归模型糖度、硬度和水分的相关系数最高分别达到0.827、0.775和0.862,比最优的传统算法分别提高15.0%、17.0%和17.2%。[结论]本算法能够较准确实现苹果高光谱多品质参数同时检测,且相对传统方法预测精度有较大提升。     

结合边缘检测的农业图像非局部均值滤波算法

提出了1种结合边缘检测的农业图像自适应滤波算法。该算法首先对红外噪声图像采用LOG算子提取边缘图像;然后对于非边缘噪声图像采用非局部均值滤波算法进行处理;最后对边缘图像和滤波后的非边缘图像进行融合,得到最终的滤波后图像。分别采用农业图像对本算法的性能进行测试,与经典非局部均值滤波算法、已有的改进型非局部均值滤波算法、自适应维纳滤波算法进行去噪效果对比,并采用峰值信噪比（peak signal noise to ratio,PSNR）作为滤波算法性能的客观性评价指标,结果表明,本算法相对于其余算法而言,滤波效果较优,适合于农业图像处理。     

模极大值法与尺度独立法在稻米边缘检测中的模拟研究

稻米图像边界是阶梯型边界,在稻米图像的边缘检测中,利用模角分离的小波变换,结合尺度独立的算法提取了阶梯型边界,但得到的边缘图像存在边界不连续和边缘响应次数不唯一的问题。而小波变换的模极大值法检测出了所有类型的边界,其中包括不需要的边界。本文提出一种边缘检测方法,将尺度独立法与模极大值法的优点结合,在稻米图像的边缘检测中取得了理想的结果。     

关于利用小波变换对稻米图像进行边缘检测的改进方法研究

为了进一步提高稻米图像边缘检测效果,本文在小波变换和双阈值相结合的方法基础之上,提出了利用边缘长度提取有效边缘的方法,并利用该方法对稻米图像进行边缘检测,取得了较好的边缘提取效果。     

烟草行业水松纸打孔参数的非接触光学测量方法研究

[目的]快速准确地测量水松纸打孔参数。[方法]设计了一种基于图像采集数字处理的测量方法。针对水松纸打孔边缘形状不规则的特性,开发出一种针对性滤波、边缘提取的图像处理方法。[结果]试验设计的测量水松纸打孔参数的方法提高了不规则形状水松纸的检测精度,对水松纸打孔参数的检测精度达0.01 mm。[结论]此方法克服了目前测量方法误差大、操作繁琐、人为因素影响大等缺陷,提高了检测结果的准确性和检测效率。     

基于多策略融合技术的水稻叶片边缘检测算法研究

农作物边缘检测问题是基于图像处理技术的农作物检测技术的重要内容之一.在分析已有边缘检测方法的基础上,将图像区域最小外接矩形算法、中值滤波、Canny算子和闭运算有机结合,提出一种基于多策略融合技术的水稻叶片边缘检测算法,将该方法应用于单叶片、背景为白板的叶片、背景为土壤的叶片、重叠叶片等不同特征的图像,有效地获取连续、光滑的水稻叶片边缘,表明该算法具有高效、准确和鲁棒的特性     

一种基于支持向量机的植物根系图像边缘检测算法(英文)

由于传统边缘检测方法中存在的比如粗糙边缘、噪声边缘和不准确边缘等缺点,因此在植物根系的研究中,采用传统的图像边缘检测方法检测出来的边缘信息都无法达到令人满意的效果。本文基于支持向量机方法给出一种新型、简单有效的边缘检测算法。基于带高斯径向基核函数的最小二乘支持向量机,得到了一簇梯度算子和相应的二阶导数算子。用所得到的边缘检测算法与Canny和Prewitt算法的性能进行了比较。仿真结果表明本文给出的算法与传统算法相比,不仅边缘检测性能得到提高,而且可以一定程度地克服噪声干扰。     

基于镜头检测的成熟期水稻图像处理算法研究

快速处理视频信息,实时获取水稻生长密度,是实现水稻联合收割机喂入量实时控制的关键。采用模板算法,引入基于镜头检测的视频挖掘技术,提取视频信息中的关键帧作为水稻密度突变检测依据。结果表明,镜头检测技术的平均每帧检测时间是0.05 s,比传统静态图像算法提取作物的密度特征速度快16倍;模板算法可有效消除田间作物品种、生长态势、光照等自然因素的影响,算法具有通用性。     

高光谱技术在常规水稻种子活力检测中的应用

[目的]实现常规水稻种子活力的快速自动化检测。[方法]采用高光谱成像技术(波长范围874~1 734 nm),提取甬籼69和中早39 2种常规水稻种子未老化、老化48 h和老化72 h的光谱反射率,在提取样本光谱时采用小波变换(WT)剔除像素点光谱噪声部分,并基于全波段光谱建立了支持向量机(SVM)判别分析模型。[结果]未老化种子与老化种子可以准确识别,而老化48 h种子与老化72 h种子之间无法准确识别,与基于种子活力参数的测量结果相符,且不同水稻品种对老化的反应存在差异。[结论]高光谱成像技术结合化学计量学方法用于种子活力的快速自动化无损检测是可行的。