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。     

基于改进YOLOv5模型的茄科植物叶片实例分割方法

观测叶片是了解植物生长情况的重要措施,为实现温室系统智能化管理,确保茄科植物的健康生长,使用实例分割技术可以获取到茄科植物在植物苗期的叶片生长信息。本研究提出了一种基于YOLOv5网络模型的茄科植物叶片实例分割模型YOLOv5-Biformer,该算法针对茄科植物叶片的小目标的特征,在主干网络中加入稀疏注意力网络,可以有效提高茄科植物叶片实例分割的效率。试验结果表明：YOLOv5-Biformer网络模型在茄科植物叶片数据集上与基准模型相比在精确度、召回率和平均精度指标上分别提高了0.5%、1.9%、1%,该网络模型在智能温室的环境下对于苗期的茄科植物叶片的实例分割有着显著效果,本研究可为实现温室系统的智能化管理提供部分新思路。     

基于改进GrabCut算法的黄瓜植株图像分割

植物图像的自动分割是植物表型研究的热点问题,也是作物生长过程监测、病虫害识别等应用的核心技术之一.以黄瓜为对象,通过对图像中作物与背景特点的分析,选取EXG超绿分割和GrabCut算法进行试验研究;基于EXG超绿分割和GrabCut算法在黄瓜群体图像上的分割结果及这两种算法的优缺点,提出具有更高分割精度的改进算法.用室...     

基于GrabCut算法的玉米病害图像识别方法研究

GrabCut算法是一种交互式操作少、分割精度高的图像分割方法,但是对于前背景颜色相近或低对比度的区域时难以准确分割前景区域。鉴于此,在实现GrabCut算法的自动分割的基础上,融合基于显著性的SLIC算法来对玉米病害图像进行更好的目标识别和图像分割。以玉米小斑病、大斑病和灰斑病三种病害的图像作为样本,采用融合显著信息的GrabCut算法与相同样本数量和条件下的One-Cut算法和SLIC算法进行试验和对比分析。试验表明,同其他两种算法相比,本文算法对于试验中玉米的三种病害具有更好的分割精度,对于玉米的叶鞘、茎和叶片部分的图像丢失率能够保持在1%以下,分别为0.899%、0.229%和0.914%,对于玉米病害部分能够进行有效地提取,具有较好的分割效果,对于玉米小斑病、大斑病和灰斑病的识别率上能够达到91.67%、86.36%和72.00%,同时通过训练模式进行验证,识别率分别能够达到87.2%、82.4%和83.6%,拒识率分别为4.5%、6.7%和6.3%。     

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.     

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。     

基于植物病斑的图像分割研究综述

图像分割是图像处理中的关键技术之一。目前,基于植物病斑的图像分割算法很多,对于不同的病斑特点,人们提出了相应地解决办法,而且还在不断改进和提高这些算法的效率和有效性。为此,结合目前的研究进展,对图像分割的分类及其在植物病斑的处理中的应用进行综合型阐述,并对各分割算法所存在的问题以及未来发展的趋势进行了讨论。     

自然场景下植物叶片图像分割方法研究

图像分割是一种重要的图像分析技术,旨在把图像分成各具特性的区域并提取出感兴趣的部分.图像分割的结果是图像特征提取、识别等图像理解的基础.介绍阈值分割和边缘检测的分割方法,并进行分割算法试验,分析自然场景下植物叶片图像几种分割方法的优缺点,为该分割方法的应用提供依据.     

基于视差图像的重叠果实图像分割算法

为解决自动采摘视觉系统中重叠果实的分割问题,提出了基于视差图像的果实分割算法。采用双目立体视觉系统获取图像对,对图像对进行预处理和校正,通过图像对的立体匹配来获取视差图像,最后对视差图像进行分割。该算法将分割的依据和信息从二维图像的颜色、形状、纹理等扩展到三维空间的深度,对空间距离不同的目标具有较好的分割效果。实验表明,对获取的视差图像进行基于区域的分割时,其区域间灰度对比度为0.98,目标计数一致性达到0.90;进行基于边缘的分割时,其边缘检测误差为5.74%,因此,该方法对重叠果实区域的分割是有效的。     

基于双远心镜头的高精度叶面积测量方法研究

叶片是植物重要的光合器官,也是植物进行蒸腾的主要场所。植物叶面积的检测对于评估作物的长势和建立植物的生长模型有着非常重要的研究意义。针对现有基于机器视觉测量叶面积存在的缺陷,提出一种采用双远心镜头的高精度叶面积测量方法,该方法不需要对图像进行畸变校正,采用图像边缘增强、亚像素提取和图像分割等先进图像处理算法,使得图像边缘提取精度达到0.1个像元,叶面积测量精度达到3×10~(-6) mm~2。试验结果表明,该方法不仅测量精度高,而且大大提高测量效率。     

基于双向极角的植物叶凸包生成算法

为了描述和提取植物叶的形状特征,需要生成植物叶的凸包.首先,通过图像分割,获得植物叶原始图像的二值图像;其次,利用轮廓跟踪算法,获得植物叶轮廓的简单多边形;最后,利用基于双向极角的卷包裹法,生成植物叶的凸包.该算法计算复杂度为O(Nh).试验表明,算法满足图像旋转不变性要求,适用于多种不同形状的植物叶.     

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％。     

基于区域生长的采摘机器人视觉识别方法

提出了一套基于茄子图像的空间位置信息和颜色因子相融合的区域生长分割算法。为保证茄子图像分割最佳的颜色空间和颜色因子,提取了50幅不同光照条件下的茄子图像的RGB颜色空间分量灰度图和直方图,比较了茄子果实、叶子、茎秆和空隙等的颜色特征,得出了G-B颜色因子对于茄子果实分割最为有利的结论。按照灰度级相同和空间8邻域连通的原则确定种子区域,进而通过扫描整幅图像进行初始分割。融合G-B颜色因子和空间信息对初始区域进行合并,直到分割形成的区域类间距离最大时停止生长。通过顶点链码与离散格林技术提取出果实的最小外接矩形,求解果实的生长位姿,试验表明:其分割效率均大于93%,平均用时为0.32 s,能够满足果蔬采摘机器人对视觉系统的要求。     

基于显著性检测的黄瓜叶部病害图像分割算法

针对复杂背景下黄瓜叶部病害分割精度不高的问题,提出了一种基于显著性检测的黄瓜叶部病害图像分割算法。首先利用超像素将黄瓜图像分块,获取黄瓜叶片的边缘,并提出了一种超像素间权重计算方法和显著种子选取方法;然后通过流形排序计算显著图,对得到的显著图进行阈值分割,得到二值图像;再将二值图像与原图像进行掩码运算,得到黄瓜病害叶片;最后利用超绿特征和数学形态学对病害叶片进行分割得到病斑。对常见的黄瓜病害(白粉病、褐斑病、霜霉病、炭疽病)图像进行测试,结果表明该算法与Otsu算法和k-means算法相比,有效解决了冗余分割问题,错分率均在5%以内,算法平均执行时间均小于4 000 ms,分割效果更加精确,为后续构建黄瓜病害自动识别系统奠定了基础。     

基于改进Mask R-CNN的植物表型智能检测算法

针对高通量自动化获取的植物表型性状图像的智能检测问题,采用迁移学习和改进掩膜区域卷积神经网络(Mask R-CNN)设计植物表型智能检测分割算法。首先对残差网络进行优化,并利用特征金字塔网络(FPN)对输入图像进行特征提取;然后调整候选区域提取网络(RPN)中锚框的长宽比例和阈值,并在RoIAlign中通过双线性插值法保留了特征图的空间信息;最后改进Mask检测头,并增加特征融合机制以获得高质量的掩膜。在西瓜突变体生长情况的性状表型数据集上进行训练和检测,得到结果表明：改进后的Mask R-CNN表现出更优的检测性能,与传统Mask R-CNN相比,检测精度提高22%,掩膜准确率提高2.7%,检测时间减少42 ms,为提升农业精准化水平和推动智慧农业发展提供了技术支撑。     

基于RGB-D相机的蔬菜苗群体株高测量方法

为实现工厂化育苗生产线上黄瓜苗群体株高的快速无损测量,提出一种基于RGB-D(RGB-Depth)相机的温室育苗盘中蔬菜苗株高参数原位测量方法。以黄瓜苗为观测对象,在苗的正上方0. 75 m处架设RGB-D相机,以获取黄瓜苗盘的俯视彩色图像、深度图像以及彩色三维点云数据。在采集的俯视彩色三维点云中分割出单株幼苗点云集、并实现单株幼苗的定位是蔬菜苗群体株高原位测量的关键。根据RGB-D相机的成像原理,将滤波与聚类分割算法相结合,实现一种基于俯视的彩色三维点云数据处理方法,用于从穴盘幼苗群体点云集中分割出单株幼苗点云集。对黄瓜苗彩色三维点云数据的实验处理结果表明,条件滤波、颜色聚类以及统计滤波相结合的滤波算法能够更好地滤除土壤背景的点云集,欧氏距离聚类分割算法可以从滤除土壤背景后的点云中有效地分割出单株蔬菜苗点云集。最后,根据基于俯视的彩色三维点云数据的幼苗株高计算方法得出单株幼苗的株高。实验结果表明,黄瓜苗株高的平均测量误差为2. 30 mm,平均测量相对误差为7. 69%,该结果可为苗期作物群体关键生长参数的提取提供有效的解决方案。     

棉种图像精选方案与算法研究

提出了一种基于图像处理的棉种精选算法.精选作业前,先设定种子通道工位;精选过程中,使用首帧差分阈值分割的方式提取种子区域的二值图像,然后在原图像的种子区域计算红色像素数并判断红色种子,通过分析二值图像判断破壳种子,最后对种子图像进行微分处理并去除边缘像素判断裂纹种子.实验结果表明,该算法能够很好地判断出缺陷棉种,速度快、准确性高.     

基于Lab空间和K-Means聚类的叶片分割算法研究

对植物叶片进行分类,在植物种类鉴别研究中有着重要的意义,而在植物叶片分类中,对叶片的准确分割是进行分类的必要前提。为此,对比分析了传统阈值分割中的最大类间方差法和K-Means聚类两种分割算法,实现对叶片的分割,并将RGB空间转换到Lab空间,再利用两种算法分别进行分割。结果表明:传统的阈值分割和K-Means聚类分割无法将目标图像准确地分割出来;在Lab空间对a分量进行阈值分割可以去除阴影部分,但是分割结果为二值图像;而在Lab空间进行K-Means聚类分割,不仅能够有效地消除在拍摄图像过程中产生的阴影部分,而且分割后的图像为彩色图像,对纹理和颜色特征的提取更加方便,提高了分类识别的准确率。     

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。