基于边缘检测的数字图像拼接实现研究

图像拼接在天文图像处理、日常照片扩展、大型图像的获得等方面应用极其广泛,是地理、人文、科技发展的重要标志.本文采用基于特征的图像拼接算法,利用Canny算子进行边缘检测提取数字图像特征,通过图像预处理(去噪,边缘提取,直方图处理等)、图像配准、图像重构融合等操作,在Matlab平台下实现两幅大小一样、光照条件一致的灰度...     

基于改进Canny和灰度矩的水下图像边缘检测方法研究

针对水下图像对比度差、模糊,致使检测出的边缘存在不连续和伪边缘的问题,提出一种基于改进的Canny和亚像素的水下图像边缘检测方法。采用改进的Canny算法检测水下图像的像素级边缘,在此基础上采用灰度矩提取图像的亚像素边缘特征,提高边缘的定位精度和检测率。实验结果表明,提出的算法相较于传统的像素级边缘检测算法在边缘轮廓的提取、减少伪边缘、提升边缘精度方面有较大优势,尤其是对深海环境中光源单一以及图像对比度差的物体边缘的检测具有更显著的效果和定位精度。     

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。     

基于图像处理技术的作物叶片检测模型研究

计算机图像处理技术在农业上的应用,目前越来越受到人们的重视。作物叶片检测也是图像处理的基本内容。为此,主要研究了作物叶片虚拟检测模型,对作物叶片虚拟检测模型的流程和功能进行了介绍;同时,对作物的生长信息进行表现、组织和管理,形象和精确地帮助人们采取合理的生产措施,为作物的产量预报和管理提供科学的依据。     

基于图像处理的香蕉成熟度检测系统

许多研究结果表明,水果损失主要集中在采摘、包装、保存等环节,达到近三分之一,其中一个重要的原因为不同成熟度的水果相互混杂。因而,区分水果的成熟度并进行筛选加工处理,对于提升水果等级、改善水果品质有重要意义。本文应用MATLAB图像处理技术对香蕉成熟度进行检测,系统通过摄像头拍取图片或者在给定的图片中分割出香蕉图片,然后对香蕉图片进行二值化和滤波等分析处理,最后依据香蕉的色素组成检测出不同成熟度的香蕉。     

基于图像处理技术的叶面积检测研究

介绍了基于图像处理技术的叶面积检测法.从单片叶面积检测、病虫害损伤叶分析与面积检测、植株总叶面积检测3个方面综述了国内外图像处理技术在叶面积检测中的研究进展情况,并指出了应用图像处理技术检测叶面积还需进一步解决的问题.     

基于机器视觉的金银花图像识别处理算法研究

运用机器视觉和图像处理的方法可实现金银花的自动化采摘,提高采摘效率.首先通过摄像机对金银花进行图像采集,将采集到的金银花图像进行中值滤波处理,有效消除图中的噪音;然后对金银花图像进行RGB和HSV颜色分割,找出金银花与背景区分最明显的分量B;再对分量B进行阈值分割处理,设定阈值,将金银花从背景中提取出来,运用形态学运算...     

玉米籽粒形状特征检测技术研究——基于图像处理

玉米籽粒形状特征是玉米品质和品种判定的重要依据,利用机器视觉代替人的视觉对玉米籽粒品种或品质的自动检测是发展的必然趋势。为此,通过图像获取、颜色空间转换、图像分割、形态学处理、单籽粒图像的定位和拾取、特征参数提取等步骤实现了对玉米籽粒图像的特征提取。所采用的算法简洁、有效,对下一步玉米籽粒的自动检测工作具有重要的实际意义。     

鸭蛋品质检测分级系统中的图像处理

在鸭蛋品质检测分级系统中,图像处理问题涉及边缘检测和边缘模糊矫正两大方面。对于边缘检测采用常规的灰度不连续理论,选用Sobel算子对成像区域进行从上至下、从左至右的矩阵搜索;用最小值滤波法解决边缘模糊矫正。研究和实践表明,经过处理后的图像在颜色和大小上与静止时的图像一致。     

基于图像处理的黄瓜叶片含水量无损检测研究

以黄瓜为例,进行基于图象处理技术的叶片含水量无损检测研究.建立含水量图像采集及检测系统,并通过试验确定光源条件及最适背景光下叶片含水量与图像特征参数关系曲线.采用非线性最小二乘拟合方法,建立Log-Modified回归模型.本研究实现了通过黄瓜叶片图像特征判断缺水状态的无损检测目的,为指导温室合理灌溉提供了理论基础.     

基于图像处理多算法融合的杂草检测方法及试验

自动化除草是现代精确农业科学领域的研究热点。已有的自动化除草解决方案中普遍存在鲁棒性不强、过度依赖大量样本等问题,针对上述问题,本研究提出了基于图像处理多算法融合的田间杂草检测方法,设计了一套田间杂草自动识别算法。首先通过设置颜色空间的阈值从图像中分割土壤背景。然后采用面积阈值、模板匹配和饱和度阈值三种方法对作物和杂草进行分类。最后基于投票的方式,综合权衡上述三种方法,实现对作物和杂草的精准识别与定位。以大豆田间除草为对象进行了试验研究,结果表明,使用融合多图像处理算法的投票方法进行作物和杂草识别定位,杂草识别平均错误率为1.79%,识别精度达到98.21%。相较单一的面积阈值、模板匹配和饱和度阈值方法,基于投票权重识别杂草的精度平均提升5.71%。同时,针对复杂多变的农业场景,进行了存在雨滴和阴影干扰的鲁棒性测试,实现了90%以上的作物识别结果,表明本研究方法具有较好的适应性和鲁棒性。本研究算法可为智能移动机器人除草作业等智慧农业领域应用提供技术支持。     

基于图像处理的工业生产手机屏幕裂纹检测

针对工业生产手机屏幕中的裂纹缺陷问题,提出了一种基于图像处理的手机裂纹缺陷检测方法,通过工业CCD相机采集图像,获得手机屏幕缺陷图像,运用图像预处理,边缘增强,图像分割的图像算法得到二值图像,对裂纹缺陷进行特征分析.最后去除瑕疵干扰,并与标准模板匹配,得到缺陷,并由缺陷特征分析得出裂纹缺陷.实验结果表明,这种检测方法速...     

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。     

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。     

基于残差网络和图像处理的干制哈密大枣外部品质检测

针对目前红枣分级装置检测指标单一,难以实现外部品质综合判别的问题,设计了一款基于残差网络结合图像处理的干制哈密大枣外部品质检测系统。首先,通过深度学习图像分类实现裂纹、鸟啄和霉变缺陷检测,为克服当前残差网络计算量大、复杂度高以及信息丢失的问题,提出了一种改进深度残差网络图像分类方法;其次,根据尺寸与纹理数量的等级差异性,提出了一种阈值检测方法,通过提取干制哈密大枣图像面积、周长、拟合圆半径及纹理数量特征,实现尺寸及褶皱检测。试验结果表明缺陷识别模型和尺寸、褶皱检测模型测试准确率分别达到97.25%、93.75%和93.75%。综合缺陷、尺寸和褶皱3种外部品质指标,通过在线采集图像验证系统测试,外部品质综合检测准确率为93.13%,可初步满足干制哈密大枣品质在线检测装备的生产需求。     

基于图谱特征的番茄种子活力检测与分级

为解决现存分级过程中损伤种子问题,替代仅根据种子表面特征评价的粗筛查方法,本研究基于高光谱的图谱融合技术,提出了一种番茄种子图像采集并辨识种子特征进而将种子分级的算法。试验随机选取170粒番茄种子作为样品,校正集与验证集比例约为3∶1。通过标准发芽试验得到种子活力结果,基于连续投影算法(Successive projections algorithm,SPA)求得反映番茄种子活力的特征波长为:535、577、595、654、684、713、744、768、809、840 nm。对特征波长下的光谱图像进行解析,通过双边滤波法、大津法、形态学变换算法提取了种子边缘轮廓,计算求出每粒种子的面积、圆形度以及图像灰度平均值。基于统计学分析,利用校正集128粒种子的特征值及其标准发芽试验结果求出分级阈值,其中有活力为合格,无活力为不合格。然后,利用验证集42粒种子的特征值对阈值进行验证,结果显示,在713 nm波长下的图像特征对活力结果判断分级的正确率最高,校正集和验证集的正确率分别为93.75%和90.48%。     

基于目标检测及边缘支持的鱼类图像分割方法

对图像中的鱼类目标进行分割是提取鱼类生物学信息的关键步骤。针对现有方法对养殖条件下的鱼类图像分割精度较低的问题,提出了基于目标检测及边缘支持的鱼类图像分割方法。首先,设计了基于目标检测的完整轮廓提取方法,将具有完整轮廓的鱼类目标从图像中提取出来作为分割阶段的输入,使得整幅图像的分割问题转化为局部区域内的分割问题;然后,搭建Canny边缘支持的深度学习分割网络,对区域内的鱼类实现较高精度图像分割。实验结果表明,本文方法在以VGG-16、ResNet-50和ResNet-101作为主干网络的模型上的分割精度为81.75%、83.73%和85.66%。其中,以ResNet-101作为主干网络的模型与Mask R-CNN、U-Net、DeepLabv3相比,分割精度分别高14.24、11.36、9.45个百分点。本文方法可以为鱼类生物学信息的自动提取提供技术参考。     

基于数学形态学的镰刀菌显微图像边缘检测

用计算机进行图像分割是图像识别和图像分析的基础.为此,根据镰刀菌显微图像的独特特性,在分析综合传统的图像增强和图像分割算法的基础上,将直方图变换与数学形态学相结合,提出了基于形态学的镰刀菌显微图像边缘检测方法,并通过实验证明,该方法能够有效抑制显微图像的噪声、提高检测精度和保护边缘细节.