RGB与HSI颜色空间下番茄图像分割的对比研究

针对番茄收获机器人视觉系统在自然光照条件下对田间成熟番茄图像进行分割的问题,研究了基于(R-G)色差特征的阈值分割方法和基于HSI颜色空间H色调的统计阈值分割方法,并对其进行了对比分析。在RGB颜色空间,首先提取了RGB彩色图像的R、G分量并做代数减运算得到色差灰度图像RG,然后对该色差灰度图像RG使用Otsu阈值法进行自适应分割;在HIS颜色空间下,统计番茄与叶子的H色调分布差异,然后对H色调灰度图像进行阈值分割。通过大量试验表明:基于(R-G)色差特征的阈值分割方法能够实现自适应阈值处理,能对不同自然光照强度下的生长状态为相互分离的多目标番茄图像进行有效分割;同时,对番茄的成熟度及品种差异也具有很好的鲁棒性,其性能大大优于基于HSI颜色空间H色调的统计阈值分割。     

基于CLAHE的苹果树树枝迭代阈值分割方法研究

针对农业采摘机器人自主导航和采摘过程中的障碍物树枝识别问题,为解决迭代阈值分割算法在目标与背景图像灰度差别不明显情况下的分割缺陷,提出了基于对比度受限自适应直方图均衡化基础上的果树树枝迭代阈值分割方法。首先,通过颜色空间变换,将RGB颜色空间的果树树枝图像转换到XYZ和I1I2I3颜色空间,并提取出X-Y色差因子和I2颜色因子,对其进行灰度差别分析;然后,对灰度差别不明显的图像进行对比度受限直方图均衡化处理后,再进行迭代阈值分割,从而剥离出树枝区域。实验结果显示,采用本文方法,树枝图像分割成功率为92%。     

基于MRFO的茶叶嫩芽图像分割方法

针对名优茶早期嫩芽检测问题,提出一种基于魔鬼鱼觅食优化(MRFO)的颜色因子与阈值的嫩芽图像分割算法.首先,利用MRFO优化算法训练得到ExG系数,用ExG对嫩芽RGB彩图进行灰度化,并归一化处理得到灰度图;然后,利用Otsu进行图像阈值计算;最后,对阈值进行偏移校正,获得最佳阈值.正视图和斜视图试验结果显示,此算法能...     

图像分割在成熟茄子目标识别中的应

针对在自然光生长条件下采集的茄子图像,采用自动取阈的算法,分别利用图像的灰度信息、基于R、G、B分量线性变换的3个正交彩色特征量和基于HSV彩色空间对图像进行分割.经Matlab仿真对比结果得出:利用Otsu算法对灰度图进行分割,虽然对灰度直方图进行了优化,目标与背景的分割效果较好,但存在局部反光的影响;采用改进的Otsu算法,对彩色特征量(2G-R-B)/4进行分割,可以在一定程度上消除局部反光的影响;同样采用改进的Otsu算法对HSV彩色空间色调分量的分割,则可以克服目标茄子表皮的反光对分割结果的影响,取得了较好效果.以数学形态学降噪方法进一步对利用色调分割后的二值图像进行平滑处理,可大大改善分割效果.     

变量喷雾中果树图像不同分割方法

变量喷雾是现代农药精确喷施技术之一.为了实现果树变量喷雾,需要检测果树的形态结构参数.图像处理技术是获取果树形态结构参数的重要方法.本文根据果树图像的特征,分别基于灰度模型、RGB模型和HSV模型对果树图像进行图像分割试验.试验结果表明,有效的果树图像分割方法是基于灰度模型的图像分割与基于RGB模型的(R+G+B)、2R、2G等分量的图像分割.其中,基于灰度模型的图像分割采用固定阈值128,基于RGB模型的图像分割采用Otsu算法.比较各种有效图像分割方法的准确率和耗时,结果表明采用基于RGB模型的2R分量、Otsu算法可以满足果树图像分割处理的要求,该方法分割准确率为79.67％.     

葡萄干彩色图像的背景分割研究

背景分割是分析葡萄干其他特征的基础。为此,经研究提出一种改进的迭代算法,用来获取葡萄干灰度图像阈值;基于RGB阈值法与亮度阈值法,对葡萄干进行背景分割后的图像分析比较,证明亮度阈值法能较好地进行葡萄干彩色图像背景分割,保存图像的颜色信息。     

基于随机森林算法的黄瓜种子腔图像分割方法

针对黄瓜表型测量中图像识别问题,为解决黄瓜种子腔与果肉图像灰度差别不大情况下的分割难题,提出了基于随机森林算法(Random Forest,RF)的黄瓜种子腔图像分割方法。首先,通过颜色空间变换,提取样本在RGB、HSV、YCb Cr模型下的9个颜色分量;接着,基于灰度共生矩阵提取样本的能量、熵、对比度、相关性的均值与标准差等8个纹理特征。结合纹理与颜色特征,运用随机森林算法构建像素分类器,实现了种子腔的粗分割。为了提高分割质量,对粗分割的图像进行形态学处理得到最终分割图像。最后,与K-均值聚类(Kmeans)算法、支持向量机(Support Vector Machine,SVM)算法做对比。实验表明:随机森林分割算法正确识别率高达95%,错误识别率在10%之内,处理时间1.6 s左右,分割质量上优于其它两种算法。     

基于Sauvola与Otsu算法的秸秆覆盖率图像检测方法

针对自然光照下粗秸秆中空、细碎秸秆细节丢失导致秸秆覆盖率图像检测法精度低的问题,提出了一种基于Sauvola与Otsu算法相结合的秸秆覆盖率检测方法。首先对彩色分量空间距离灰度化后的图像采用Sauvola阈值分割来提取秸秆区域细节图像,然后对色差法灰度化后的图像采用Otsu阈值分割来解决秸秆区域中空问题,最后对不同阈值分割图像相加,计算其平均值,从而得到秸秆覆盖率的大小。田间试验结果表明,采用此方法对不同情况秸秆覆盖与不同地区的秸秆覆盖均具有较好的识别效果,不同情况秸秆覆盖率的最大平均误差约为1.9%,不同地区秸秆覆盖率的最大平均误差约为2.5%,有效地提高了秸秆辨识的精确度。      

基于颜色特征的牧草图像分割方法研究

针对自然光照条件下牧草图像的分割问题,分别研究了在RGB颜色空间和HSI颜色空间中牧草颜色特征的提取。在RGB颜色空间中,利用2G-B色差特征得到牧草和背景差值最大的色差灰度图像,使用最大类间方差图像分割法对色差灰度图像进行了图像分割。在HSI颜色空间中,根据牧草H分量的分布特点,使用模糊C-均值(FCM)的彩色图像分割方法对牧草的彩色图像进行了有效分割。实验表明,基于HIS彩色空间H色调的FCM方法对牧草的分割能够取得比较理想的效果,经二值化处理后得到的牧草轮廓要比基于2G-B色差特征的最大类间方差分割方法得到的牧草轮廓更加完整。     

杂草识别中背景分割方法的比较研究

应用杂草识别中常用的灰度化方法(非规范化超绿法,归一化超绿法和色差法)针对棉田杂草识别进行了实验.根据灰度图像直方图特点并考虑实时性,采用适当的求阈值法(包括定阈值法和动态阈值法)进行分割,得到5种背景分割方法.通过分割误差对比、各种因素对分割效果的影响对比以及分割的实时性对比,对这5种背景分割方法进行评估,从而为棉田杂草识别中背景分割方法的选取和改进提供依据.     

叶面雾滴沉积分布直接检测算法研究

提出一种基于阈值边缘提取算法和HSV颜色模型的二次分割叶片雾滴图像识别算法。通过模拟喷雾试验得到三种不同雾滴密度的叶片样本,保留叶片自身轮廓信息的同时分割叶面雾滴,计算叶面积与雾滴覆盖率关系。结果表明应用Otsu阈值边缘提取与HSV空间混合算法相对于传统的k-means聚类分割算法、动态阈值分割算法,更适用于叶面雾滴分布的识别与检测,三种覆盖密度叶片的分割准确率分别为:95.16%、94.23%、93.76%,平均准确率为94.38%;雾滴覆盖率检测相对误差分别为:2.82%、4.11%、7.59%,平均相对误差分别为4.84%。基于阈值边缘提取与HSV空间提取的混合算法可分割叶面雾滴图像并检测完整叶面上雾滴覆盖率,识别结果能够满足识别精度的要求。     

农用车辆作业环境障碍物检测方

针对联合收获机视觉导航系统中的视觉测障,提出了一种基于单目彩色图像分割测障与立体视觉特征匹配测障相结合的测障方法:利用H、S颜色分量对单目图像实施固定阈值分割并二值化,获得潜在障碍物的位置及区域;采用尺度空间不变(SIFT)算法获取潜在障碍物区域特征;采用近似最近邻分类算法(ANN)进行快速特征匹配,获得潜在障碍物的世界坐标,由此进一步确认障碍物以及障碍物与车辆之间的距离.提出了提高算法效率的措施,分析了图像压缩比与运行时间、SIFT特征数以及匹配数之间的关系.试验表明,在有障碍物的情况下,检测时间不超过200ms.     

基于三维点云的叶面积估算方法

为实现低成本无损精确测定叶片面积,基于运动恢复结构算法获取点云,提出了一种融合叶片点云分割、表面重建及叶片面积无损估测等过程的植物叶片面积提取方法。首先,基于运动结构恢复算法,以智能手机获取的可见光图像重建植物的三维点云;其次,为了还原叶片表面形状,基于HSV颜色空间,使用阈值分割法去除叶片点云的噪点;使用K-means聚类算法对点云的三维坐标矩阵进行分类,实现单片叶片点云的分割;基于滚球算法重建叶片的表面网格模型;最后,通过计算网格面积求得叶片面积。与常规叶面积测定方法进行了对比,本文方法的计算结果与扫描叶片法测定值相比平均误差为1.21cm2,误差占叶片面积的平均百分比为4.67%;与叶形纸称量法测定值相比平均误差为1.41cm2,误差占叶片面积的平均百分比为6.05%。结果表明,本文方法成本低、精确度高,可满足植物叶片面积无损精确测定的需求。     

基于色差信息多色彩模型的黄羽鸡快速分割方法

快速准确分割出复杂背景下的鸡只图像,是应用机器视觉系统快速识别实际饲养环境下病鸡的关键步骤。以某鸡舍散养的黄羽肉鸡为分割目标,提出了一种基于色差信息的多色彩模型鸡只分割方法。首先对200幅自然环境下拍摄的图像在常用的色彩模型下,分析了鸡冠、鸡身羽毛、鸡肚羽毛以及背景的颜色特征,利用背景在RGB色彩模型的R、G、B三分量色差信息特征进行一次分割,去除大部分的背景,然后转换到HSV色彩模型,获取黄羽鸡不同部位的H分量阈值,再由H阈值范围提取鸡身、鸡冠实现二次分割,最终得到分割目标。实验结果表明所提方法实际分割正确率为86.3%,优于L*a*b*色彩模型聚类的78.4%。所提方法复杂度小,运算时间短,适用于实时分割场合。     

基于计算机视觉的大米外观品质检测

开发了一套基于计算机视觉技术的稻谷品质检测系统，采用灰度变换、自动阈值分割、区域标记等方法从采集的稻米群体图像中提取单体米粒图像，对单体米粒的裂纹、垩白特征进行了统计和检测方法研究。提取了米粒的面积、周长等10个特征参数作为整精米检测特征，并进行了主成分分析，确定了判别整精米的优化阈值。检测试验结果表明：裂纹米粒识别的准确率为96．41％；垩白米粒识别的准确率为94．79％；整精米识别的准确率为96.20%。     

基于计算机视觉的茶叶色泽检测研究

我国茶叶种植面积和产量均为世界第一,是特色农业的重要组成部分;但我国茶叶品质检测体系不完善,分级技术水平不高,影响了产品在国际市场上的竞争力。传统的茶叶分级是由人工分析判断,具有较大的局限性。计算机视觉是一种新型的图像处理技术,已经应用于茶叶品质分析。为此,将拍摄的茶叶和茶水图像进行预处理、灰度化和阈值分割,获得目标轮廓并分析颜色特征,并通过建模集样本确定用于色泽检测的特征量,然后对检验集样本进行色泽检测。结果表明:检验集中被错误识别的茶叶种类极少,总体的识别准确率达到9 0%,为准确评价茶叶的色泽品质提供了技术支持。     

基于叶片形态的田间植物检测方法

利用图像处理技术方法,以田间拍摄的水稻图像为研究对象,对田间植物进行检测研究。通过改进归一化绿蓝差值指数IDNBG 与色度模型,经过分类识别、图像阈值分割等步骤,对植物叶片进行提取。利用形态学正反向组合运算实现叶片内部完整性修复;利用边界4连通链码边缘检测实现叶片边缘平滑性修复。通过对可见光条件下田间拍摄的40幅图像进行植物提取实验,植物叶片提取正确率平均可达83.07%,误分率为3.57%。对其中90条边缘线进行边界平滑修复,部分叶片边缘被平滑但使叶片提取正确率降低0.63%。对植物检测主要影响因子进行分析得出,成像条件差异易影响亮度因子;通过形态学膨胀与正反向过滤运算,露珠与病斑得到一定程度的保留,提取叶片内部形状完整;链码运算可使叶片边缘得到平滑,同时也会去除部分正确的叶片,其运算量较大。     

水稻全田块无人收获作业自动打点系统设计与试验

谷物收获机械无人化作业可有效解决收获季用工短缺问题,全田块自动导航作业是无人收获机智能化的核心。为解决水稻无人收获作业自动打点问题,基于边界线跟踪与地头区域检测实现水稻田块最外圈导航与剩余作业区域自动打点,并提出一种目标区域先验形态辅助的动态感兴趣区域设定方法,改善作物边界线提取可靠性。采用自控小车对所提方法进行验证,试验结果表明,当车辆作业速度为0.8m/s时,水稻未收获区域直线边界跟踪平均误差小于5cm,单帧图像检测时间小于50ms。水稻边界自动打点试验结果表明,所设计自动打点系统打点平均误差为3.5cm,满足直角梯形水稻田块自动打点需求。     

基于图像自适应分类算法的花生出苗质量评价方法

为了能够快速、准确地获取花生出苗质量,提出了基于机器视觉的花生出苗质量评价方法。首先通过田间自走机器人获取花生图像信息,然后采用机器视觉的方法获取图像中花生苗的数量、花生苗冠层投影面积以及花生苗中心点坐标位置。将花生缺苗率和花生苗活力指数作为花生出苗质量评价指标,以花生苗数量结合花生苗坐标计算花生缺苗率,以花生苗叶片包络面积计算花生苗活力指数。针对花生图像识别易受环境干扰的问题,提出了鲁棒性强的花生苗提取算子,采用K均值聚类方法对花生苗提取算子进行分类,结合花生苗和土壤自适应分类算法,有效地将花生苗从土壤中提取出来。针对花生苗棵数误判现象,提出了采用图像全局分割和区域分割相结合的方法对图像进行分割,并基于形态学方法剔除田地杂草等噪声。试验结果表明:采用机器视觉识别花生苗数量的平均准确率为95.4%,花生苗株距计算平均误差为5.35 mm,验证了所提出的图像自适应分类算法的可行性。基于机器视觉所得花生缺苗率结果与人工测量结果两者之间的相关性为0.991(皮尔逊相关系数),人工评价与基于机器视觉评价具有较高的一致性。     

基于俯视图像的玉米株心快速识别方法研究

单株玉米的株心识别是完成按株作业的关键,可用于对单株玉米进行变量施肥,提高施肥利用率。本文首先采用超绿因子增强苗期玉米植株,使玉米植株与土壤、阴影分离,将增强后的图像用Ostu法自动确定图像的最佳阈值,以便于在分割苗期玉米图像时不受阴影的影响,并能分割出苗期玉米植株。然后把分割的苗期玉米植株图像的亮度看作是一维坐标,绘制玉米植株的高程图,玉米植株的中心区域在高程图呈现为集水盆形状。采用水平集确定玉米植株的中心区域并对玉米植株中心进行定位,并结合分治法搜索玉米植株的极小值区域,降低了数据结构的规模。数据验证结果表明,算法识别率可达96%,保证了算法的实时性与可行性。另外,采用分治法与水平集法相结合确定玉米植株的中心区域,使该算法不受天气因素的影响,提高了该算法在田间作业时的鲁棒性。算法时间复杂度计算结果为O(lgn),能够满足田间作业的实时性。