基于同态滤波和K均值聚类算法的杨梅图像分割

针对自然环境下光照不均杨梅果实分割效果不理想问题展开研究。应用同态滤波算法对HSV（色调hue,饱和度 saturation,亮度value）颜色空间下杨梅图像V分量进行亮度增强,以补偿光线。而后针对彩色杨梅图像的颜色特征,结合Lab（L（亮度Lightness）,a（色度chromaticity,+a表示红色,?a表示绿色）,b（色度 chromaticity,+b表示黄色,?b表示蓝色）颜色空间a、和b分量的特点,应用K均值聚类算法在Lab颜色空间中对彩色杨梅图像进行分割。为了验证该算法的有效性,在100余幅图像中选用15幅因光照不均和生长状态不同而存在不同程度阴影影响的杨梅图像,进行了3组比较试验,先采用K均值聚类算法对光线补偿去除阴影前后的杨梅图像分割结果进行比较;接着,采用基于色差2*R-G-B自适应灰度阈值分割算法和K均值聚类算法2种不同分割算法对去除阴影后的杨梅图像分割结果进行比较;最后,与基于灰度变换法、直方图均衡化方法的图像增强法去除阴影的效果进行对比。试验结果表明,该文算法的分割误差、假阳性率、假阴性率平均值分别为3.78%,0.69%和 6.8%,分别比光线补偿前降低了21.01,12.79 和21.14个百分点;与基于色差（2*R-G-B）自适应灰度阈值分割算法相比,分割误差、假阳性率、假阴性率这3个指标的性能平均提高了12.93,1.45和7.11个百分点;与基于灰度变换法图像增强法比较表明,分割误差、假阳性率、假阴性率平均值分别降低了32.94 ,6.85 和29.65个百分点,与直方图均衡化图像增强法相比,这3个值分别降低了24.92,6.12和33.06个百分点。通过试验结果图的主观判断和评价指标的定量分析,验证了该算法能有效地分割出杨梅目标,保证了杨梅目标在颜色、纹理和形状方面的完整度,研究结果为研究采摘机器人进行杨梅等果实的分割和识别提供参考。     

基于噪声类型及强度估计的狭叶锦鸡儿叶切片图像盲去噪

狭叶锦鸡儿叶切片显微图像在获取过程中不可避免的受到噪声污染,会对后续处理造成不良影响。针对现有噪声类型未知,去噪算法存在速度慢、效果不理想等问题,该文提出图像噪声类型估计-强度估计-去噪这一处理过程,实现对狭叶锦鸡儿叶切片显微图像降噪目的。首先采用平滑区直方图重构和拟合法确定噪声类型;然后在此基础上,应用基于图像块的SVD(singular valuable decomposition,SVD)域图像噪声强度估计法对噪声标准差进行估计;最后在确定噪声类型和强度基础上,采用几何均值滤波(geometric mean filtering,GMF)和三维块匹配滤波(block-matching and 3-D filtering,BM3D)对图像进行联合去噪。试验结果表明:该文噪声类型估计法估计出切片图像噪声类型为加性高斯噪声,高斯函数对随机选取的15幅狭叶锦鸡儿叶切片图像平滑区域直方图数据点拟合优度2R均值为0.996,平均均方根误差RMSE(root mean squared error,RMSE)为0.144 6;采用该文噪声强度估计法估计出的切片图像噪声标准差???[2.5,4.0],处理标准差较小噪声,该文算法处理精度、运行速度和稳定性等方面存在明显优势;GMF-BM3D算法在较好去除图像噪声同时,极大的保留了图像纹理、边缘和细节等信息,同时极大的提高了算法运行速度,处理后的图像BRISQUE(blind/referenceless image spatial quality evaluator,BRISQUE)值为10左右,相当于原图BRISQUE值的1/2左右。与传统BM3D算法相比,去噪效果相当,但耗时约相当于传统BM3D算法的1/9。与小波去噪算法(wavelet threshold,WT)算法相比,虽速度相对较慢,但去噪后图像BRISQUE值比使用WT法低4左右。因此,该算法较好实现了对狭叶锦鸡儿叶切片图像准确降噪,为其后续处理提供了可靠技术支持。     

基于耕地质量和空间聚类的县域基本农田划定——以湖北省团风县为例

为了实现基本农田保护政策“优质集中”的具体要求,以湖北省团风县为例,首先基于耕地自然质量、水利基础设施、区位条件、空间形态构建了4个因素11个评价指标的评价指标体系以反映耕地质量的空间差异性,随后使用K均值聚类法对耕地的综合质量等级进行划分,建立了基于耕地质量和空间聚类的基本农田划定方法。结合上级下达的基本农田保护指标确定团风县入选基本农田的耕地面积为16 333 hm²,且相应的耕地质量总分值均大于76.21,团风县基本农田大多分布在长江沿岸平原区。通过使用基于多因素加权求和模型获得的基本农田划定结果对此种方法进行验证,并基于景观格局指数对两种方法进行对比分析,这种方法不仅可行,而且能更好地实现基本农田划定中的质优和集中的目标。     

基于优化模糊C均值聚类算法的路面不平度识别

模糊C均值(fuzzy C-mean,FCM)聚类算法具有良好的抗噪声性能,但FCM是一种局部搜索算法,易陷入局部最优,而遗传算法则具有全局优化搜索的优点。基于此该文提出了一种改进的FCM算法与遗传算法结合的聚类方法,先运用遗传算法得到聚类中心,然后用改进的FCM聚类算法得到最优解。并基于真实采集的道路谱数据,利用该算法对路面不平度进行识别。试验结果表明,改进的FCM算法与遗传算法结合的聚类算法路面识别率为94.54%,比FCM聚类算法高出4.98个百分点,比改进FCM算法高出4.67个百分点,具有更好的处理噪声数据的能力,提高了聚类的准确率和路面的识别率。     

基于K-means聚类的植物叶片图像叶脉提取

植物的叶片是植物最基本、最主要的生命活动场所。叶脉的提取与分析对叶片和整株植物结构的分析有一定的应用价值。该文提出一种基于K-means聚类(clustering)的叶脉提取算法。该算法首先对叶片图像的HSI彩色空间中的I信息进行K-means聚类处理,根据聚类的结果提取叶片边界,并将叶片图像分为受光均匀和受光不均匀的2类。对于受光均匀的叶片图像在聚类结果中直接提取叶脉,而受光不均匀的叶片图像则需去除部分叶肉后再进行一次K-means聚类提取叶脉。结果表明:该算法能有效地降低叶脉提取的错分率。     

基于模糊C均值聚类的牛肉图像中脂肪和肌肉区域分割技术

介绍了一种自适应分割牛肉眼肌切面图像中脂肪和肌肉区域的图像处理技术。通过CCD摄像头获取以黑色平板为背景的牛肉眼肌切面彩色RGB图像。先根据彩色图像R分量的灰度直方图，利用最大方差自动取阀值法(OSTU)把黑色背景与整块牛肉图像分割开来；接着把处理后的图像变成灰度图像，用模糊C均值聚类算法(FCM)计算出牛肉脂肪像素和肌肉像素灰度值的聚类中心，以各个像素点灰度值与两个聚类中之间的绝对值距离来区分出图像中的脂肪和肌肉像素。结果表明，FCM方法是分割肌肉和脂肪区域的有效方法。     

基于混沌优化K均值算法的马铃薯芽眼的快速分割

为提高芽眼分割的准确性,该文实现了基于混沌优化K均值算法的马铃薯芽眼的快速分割。K均值算法具有有效性及易于实现的优点,但是容易陷入局部最优值的缺点造成了其聚类结果的不准确。混沌系统由于其遍历性和不重复性,能够以较快的速度执行全局搜索。该文提出的算法的主要思想就是将混沌变量映射到K均值算法的变量中,用混沌变量代替其寻找全局最优值。分割试验结果表明:该文提出的算法,不仅在分割准确性上优于当下流行的K均值算法和模糊C均值算法,而且在运行时间上也更胜一筹,K均值算法和模糊C均值算法分割一幅马铃薯芽眼的图像所需的平均时间分别为2.895 5 s和3.556 4 s,而该文提出的算法仅需1.109 s。当聚类数大于3时,该文提出的算法在运行时间上受聚类数目的影响非常小,这一特点可用于其他一些适合聚类数大于3的农作物上。试验结果还表明,对于该文中的样本,最佳聚类数不宜超过3。最后,精度试验验证了该文提出的算法能够对样本中的马铃薯芽眼实现完全,无遗漏的分割,总的分割精度为98.87%,其中,对正常的马铃薯芽眼分割精度可达100%,对特殊马铃薯的芽眼分割精度为91.67%,总体分割精度较好。因此,该文提出的算法能够为后续种薯的自动切块提供参考。     

基于区域生长均值漂移聚类的苗期作物行提取方法

为解决传统机器视觉方法检测苗期作物行时不同作物种类、不同生长背景和不同作物行数导致的作物行提取精度低的问题,该研究提出一种基于区域生长和均值漂移聚类的苗期作物行提取方法。首先,通过Lab颜色空间中a、b双颜色分量最大熵法选取最优阈值进行图像分割;其次,通过垂直投影获取均值漂移的聚类窗口带宽,均值漂移时以聚类窗口边缘为种子点进行区域生长来归类和标记每一行作物,之后遍历所有作物行获取聚类中心点;最后,通过最小二乘法拟合聚类中心点得到作物行直线。试验结果表明,该方法对大蒜、玉米、油菜、水稻和小麦5种作物的苗期作物行提取精度较高,5种作物的平均行识别率为98.18%,平均误差角度为1.21°,每张图片的平均处理时间为0.48 s。该方法的作物行提取性能明显优于Hough变换方法,为田间环境多因素影响下的苗期作物行提取提供了一种更具鲁棒性的方法。     

基于模糊C均值聚类的作物病害叶片图像分割方法研究

为提高作物病害图像的分割效果,根据作物病害图像的特点,提出了一种基于模糊C均值聚类算法(FCM)的作物病害图像自适应分割方法.该方法将像素的灰度与其邻域均值作为FCM的输入特征,变换FCM的隶属度函数使其包含图像的局部邻域特性;通过聚类有效性验证分析和试验确定模糊C均值聚类算法(FCM)的最优聚类数、模糊加权指数.运用该方法对棉花病害叶片图像进行分割.结果表明:该方法能较好将病斑部分和正常部分分割开,平均分割误差率小于5%,对作物病害图像的分割处理非常有效.     

基于空间特征谱聚类算法的含噪苹果图像优化分割

为了减少噪声对苹果采摘机器人的目标识别所带来的影响,对含噪苹果图像的分割方法进行了研究。该研究设计一种针对噪声具有鲁棒性的苹果图像分割方法,首先计算苹果图像的三维空间特征点的紧致性函数,用以构造邻近点的相似矩阵实现苹果图像的去噪效果;再利用离群点矩阵拆分并由其他剩余列向量线性表示,对相似矩阵进行离群点调优实现聚类优化,进而提出基于空间特征的谱聚类含噪苹果图像分割的优化算法,旨在提高分割算法的效率和识别准确率。通过对两幅苹果图像添加不同程度的高斯和椒盐噪声（方差分别为0.01、0.05和0.1的高斯噪声和概率为0.01、0.05和0.1的椒盐噪声）进行试验,分别求出谱聚类方法、基于空间特征的谱聚类方法和该文优化方法的苹果目标图像的分割图,并计算三类方法的分割准确率。该文优化方法对于单个苹果受不同噪声影响下的分割准确率均在99%以上,对于重叠苹果的分割准确率均在98%以上,对于所选取的30幅苹果图在方差为0.05的高斯噪声和概率为0.01的椒盐噪声影响下的平均分割准确率为99.014%。结果表明：谱聚类方法受噪声的影响较大;基于空间特征的谱聚类方法的分割效果受噪声的影响较小,但在边界区域仍然有很多错分的像素;优化方法在边界区域的分割要优于基于空间特征的谱聚类方法;在设定的试验条件下,其分割结果准确率相对于基于空间特征的谱聚类方法和传统的谱聚类方法可分别提高5%～6%和9%～25%。在分割效率方面,该文优化方法的分割时间低于传统的谱聚类算法,且与基于空间特征谱聚类方法接近。研究结果为苹果采摘机器人的快速目标识别提供参考。     

基于改进K-means聚类算法的大田麦穗自动计数

单位种植面积的小麦麦穗数量是评估小麦产量和小麦种植密度的一个重要参量。为了实现高效、自动地麦穗计数,该文提出了基于改进K-means的小麦麦穗计数方法。该方法建立从图像低层颜色特征到图像中包含麦穗的一个直接分类关系,从而不需要再对图像进行分割或检测。以颜色特征聚类为基础的这种方法能够估计麦穗在空间局部区域中数量,并且在不需要训练的情况下更具有可扩展性。统计试验结果表明,该文算法能够适应不同光照环境,麦穗计数的准确率达到94.69%,超过了传统基于图像颜色特征和纹理特征分割的麦穗计数方法 93.1%的准确率。     

基于彩色和深度信息结合K-means聚类算法快速拼接植株图像

图像拼接可以建立宽视角的高分辨率图像,对实现农业智能化有重要作用。基于Kinect传感器的图像拼接方法利用彩色和深度双源信息,能够有效避免图像缺失、亮暗差异、重影等拼接错误,但是存在拼接时间较长和目标植株不明显等情况。针对这一问题,该文提出一种基于Kinect传感器彩色和深度信息的目标植株图像快速拼接方法。首先用K-means聚类算法和植株深度信息提取彩色图像中有效植株区域,再采用SURF(speeded up robust features)算法进行特征点提取,利用相似性度量进行特征点匹配并根据植株深度数据去除误匹配,由RANSAC(randomsampleconsensus)算法寻找投影变换矩阵,最后采用基于缝合线算法的多分辨率图像融合方法进行拼接。室内外试验结果表明:该文图像拼接方法更能突显出目标植株且极大缩短了拼接时间,该方法图像拼接时间只需3.52 s(室内)和7.11 s(室外),较基于深度和彩色双信息特征源的Kinect植物图像拼接方法时间缩短了8.62 s(室内)和38.56 s(室外),且平均匹配准确率达96.8%。该文拼接后图像信息熵、清晰度、互信息、空间频率平均分别为6.34、50.36、11.70、11.28,图像质量较传统方法均有提高。该研究可为监测农业植株生长状态、精确喷洒药物提供参考。     

基于K-means 聚类和ELM神经网络的养殖水质溶解氧预测

为解决养殖水质溶解氧预测传统方法引入不良样本、精度低等问题,该文以2014、2015年江苏常州养殖基地水质和气象数据为基础,提出了一种基于K-means聚类和ELM神经网络（extreme learning machine,ELM）的溶解氧预测模型。采用皮尔森相关系数法确定环境因素与溶解氧的相关系数,自定义相似日的统计量－相似度,通过K-means聚类方法将历史日样本划分为若干类,然后分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的实测环境因素作为预测模型的输入样本建立ELM神经网络溶解氧预测模型。试验结果表明,该模型均具有较快的计算速度和较高的预测精度,在常规天气下,平均绝对百分误差和均方根误差分别达到1.4%、10.8%;在突变天气下,平均绝对百分误差和均方根误差分别达到2.6%和11.6%,有利于水产养殖水质精准调控。     

基于彩色模型和近邻法聚类的水田秧苗列中心线检测方法

水田秧苗列中心线的检测是实现水田除草机器人自主导航的重要保证。在秧苗的不同生长时期,秧苗形态各不相同;并且在南方地区的水田中经常会出现的绿色浮萍、蓝藻,它们的颜色与目标秧苗非常接近,这给秧苗的分割以及列中心线的检测带来很大的困难。针对这些问题,提出一种基于彩色模型和近邻法聚类实现秧苗列中心线的检测方法。首先,基于彩色模型即2G-R-B模型(2Green-Red-Blue)和HSI(Hue,Saturation and Intensity)彩色空间中提取S分量提取秧苗灰度特征;然后,在保持秧苗原有形状的前提下提取秧苗特征点,获得秧苗特征点图像;最后,基于近邻法利用特征点间的邻近关系对特征点进行聚类,采用基于已知点的Hough变换(known point Hough transform)提取秧苗列中心线。试验表明:提出的方法能够在图像中存有绿色浮萍、蓝藻等噪声情况下准确提取秧苗灰度特征,平均每幅真彩色图像(分辨率:1280×960)整个流程所需时间小于350ms,并能够适应自然光线变化。提出的方法能够适应环境的变化,满足机器人实时性要求。     

基于GF-1与Landsat8 OLI影像的作物种植结构与产量分析

作物种植结构监测和估产是精准农业遥感的重点领域,其研究对于指导作物种植结构和制定农业政策具有重要意义。该文以黑龙江省北安市为研究区,以2015年的Landsat8 OLI和多时相GF-1为遥感数据源,基于物候信息和光谱特征确定的农作物识别关键时期和特征参数,构建面向对象的决策树分类模型,开展作物种植结构监测研究;综合植被光谱指数和地面采样数据,采用逐步回归方法建立产量遥感估算模型。结果表明:多源与多时相的遥感数据可以反映不同农作物的季相特征,应用本文所构建的决策树分类模型,作物分类效果较好,总体精度达87.54%,Kappa系数为0.8115;2015年,北安市的主要作物类型为大豆、玉米、水稻和小麦,面积分别为2204、1955、122和19 km~2,其中大豆的种植面积最大,占作物种植面积的51.24%。基于NDVI、EVI和GNDVI构建的多元回归模型为北安市大豆和玉米产量估算最优模型(R~2=0.823 7,均方根误差135.45 g/m~2,精度80.55%);北安市玉米高产区集中分布在西部,大豆的高产区主要分布在东部;2015年北安市玉米和大豆的单产分别为8 659、2 846 kg/hm~2,总产量分别为16.93×10~8、6.27×10~8 kg。利用作物关键物候期的多源多时相遥感数据能够精确高效地提取作物种植结构,构建的产量估算多元回归模型,为精准农业科学发展提供参考。     

基于凸壳理论的遮挡苹果目标识别与定位方法

为实现受果树枝叶遮挡、果实间相互遮挡的果实目标识别,该文提出了一种基于凸壳理论的遮挡苹果目标识别方法。该方法首先将图像由RGB颜色空间转换至L*a*b*颜色空间,并利用K-means聚类算法将图像分为树叶、枝条和果实3个类别,然后利用形态学方法对果实目标进行处理,得到目标边缘并进行轮廓跟踪,接着利用目标边缘的凸壳提取连续光滑的轮廓曲线,最后估计该光滑曲线段的圆心及半径参数,实现遮挡果实的定位。为了验证该算法的有效性,利用Hough圆拟合算法进行了对比试验,试验结果表明,该方法的平均定位误差为4.28%,低于Hough圆拟合方法的平均定位误差16.3%,该方法显著提高了目标定位的精度,能够有效识别遮挡苹果。