基于改进K-means算法的冬小麦覆盖度提取研究

为快速、精准地提取冬前分蘖期冬小麦覆盖度,提出了一种基于改进K-means算法的冬小麦覆盖度提取方法。首先将冬小麦图像转换到Lab色彩空间,其次利用蜉蝣算法（Mayfly Algorithm, MA）获取K-means最优初始聚类中心,并用马氏距离代替欧氏距离进行算法改进,最后利用分割得到的二值图像计算冬小麦覆盖度。结果显示,该方法的平均分割精度和平均处理时间分别为94.66%和2.03 s,与过绿指数（excess green,EXG）自适应阈值分割和基于粒子群优化算法（particle swarm optimization,PSO）的K-means(PSO-K-means)分割相比,分割精度分别提高了12.04%和4.18%,处理时间分别减少了2.26和2.94 s。该方法分割效果优于EXG和PSO-K-means分割方法,可用于提取冬小麦覆盖度。     

基于Mask R-CNN的玉米苗与株芯检测方法

【目的】研究基于改进Mask R-CNN的玉米苗冠层分割算法,满足精准作业中对靶施肥的识别要求,提高化肥的使用效率,减少环境污染。【方法】采集田间玉米苗图片并增强数据,生成田间数据集;使用ResNeXt50/101-FPN作为特征提取网络对分割算法进行训练,并与原始ResNet50/101-FPN的训练精度结果作对比;采用不同光照强度及有伴生杂草的玉米苗图片对比验证冠层识别算法效果。【结果】在不同光照强度下,无伴生杂草的目标平均识别精度高于95.5%,分割精度达98.1%;在有伴生杂草与玉米苗有交叉重合情况下,目标平均识别精度高于94.7%,分割精度达97.9%。检测一帧图像的平均时间为0.11 s。【结论】Mask R-CNN的玉米苗及株芯检测算法有更高的准确率和分割精度,更能适应不同光照强度及有伴生杂草的苗草交叉重合情况的目标检测。     

基于Bayes与SVM的玉米彩色图像分割新算法

提出了基于Bayes(贝叶斯)与SVM(支持向量机)的玉米彩色图像分割新算法.统计原始RGB图像中的玉米和土壤背景的均值向量和协方差矩阵,利用正态分布的Bayes分类器计算每个像素的目标和背景的判别函数值,用训练好的SVM对判别函数值进行分类,实现彩色图像分割.Matlab试验结果表明,该方法能够实现高光强下彩色图像分割,平均错分率为9.1％,平均漏分率为12.0％,平均相似度为80.8％.     

局部邻域最大差分的过渡区皇帝柑图像分割

为快速提取皇帝柑图像中的目标,提出一种局部邻域最大差分的过渡区阈值图像分割算法。该方法首先计算图像中每个像素的局部邻域最大差分;再对图像的全部、局部最大差分进行排序,选取值较大的像素作为过渡区的像素点;然后对过渡区的内部进行填充,使过渡区与目标合成一体,最后剔除过渡区中的背景点,获得图像的目标。为检验提出算法的有效性,采用分割误差、假阳性率、重叠系数和运算时间共4个指标与已有算法进行比较,结果表明,本研究算法的平均分割误差只有7.76%,比有效平均梯度法和局部熵法分别降低6.93%、6.24%,假阳性率分别降低3.40%、3.05%,重叠系数分别提高14.6%、11.62%;算法运算速度分别提高约3.6、4.6倍。试验结果表明,本研究算法具有很好的提取皇帝柑图像中目标的性能。     

基于显著性检测的蔬菜鳞翅目害虫图像自动分割算法

提出一种基于显著性检测的害虫图像自动分割算法(S-segmentation算法),首先利用显著性检测方法,结合图像局部区域的颜色距离和空间距离特征,对样本图像作预处理;然后采用无交互式图像分割算法处理显著检测结果图,可实现目标区域的完美分割,避免多次重复设置背景区域.通过对5种鳞翅目幼虫图像进行分割试验,结果表明该算法的分割准确性明显提高,平均分割精确度可达93.14%,较传统图像分割算法提高了约20%,并且复杂度低,运行效率高,分割精确度不受样本数量影响.进一步将该算法应用到体型和颜色多样化的鳞翅目成虫图像分割上,得到的平均分割精确度达到88.22%.     

复杂背景与天气条件下的棉花叶片图像分割方法

为实现自然条件下棉花叶片的精准分割,提出一种粒子群(Particle swarm optimization,PSO)优化算法和K-means聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在RGB颜色空间模式下采用二维卷积滤波进行去噪预处理,并将预处理后的彩色图像从RGB转换到目标与背景差异性最大的Q分量、超G分量、a*分量;随后在K均值聚类的一维数据空间中,利用PSO算法向全局像素解的子空间搜寻,通过迭代搜寻得到全局最优解,确定最佳聚类中心点,改善K均值聚类的收敛效果;最后,对像素进行聚类划分,从而得到棉花叶片分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:该算法对于晴天、阴天和雨天图像中目标(棉花叶片)分割准确率分别达到92.39%、93.55%、88.09%,总体平均分割精度为91.34%,并与传统K均值算法比较,总体平均分割精度提高了5.41%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像实现准确分割,为棉花叶片的特征提取与病虫害识别等后续处理提供支持。     

一种改进的二值化分割算法及其在指纹识别中的应用

研究了指纹特征提取的原理及算法实现流程,它依次可分为指纹图像归一化、分割和二值化、图像增强滤波、图像细化、特征提取等几个步骤．在分割和二值化阶段提出了一种改进的基于图像分块和阈值迭代的二值化分割算法,新算法能有效提取局部图像的最优二值化阈值,可提高对明暗分布不均的图像的二值化分割的效果和指纹图像分割的质量．在图像增强和细化阶段引入细化邻域方法进行图像增强和细化,最后对指纹特征进行提取．利用ＭＡＴＬＡＢ工具进行了仿真,结果表明,采用改进的算法进行指纹特征提取基本能准确、快速找出指纹图像的特征．     

多尺度各向异性小波收缩图像分割算法在玉米病斑特征提取时的应用

通过选取基于LXF模型的水平集图像分割算法和快速FCM聚类图像分割算法进行对比研究,并将结合小波收缩与各向异性扩散优点的多尺度各向异性小波收缩图像分割算法应用于玉米病斑图像分割与特征提取中,该算法的分割效果明显优于前两种分割算法。     

基于G-MRF模型的玉米叶斑病害图像的分割

【目的】图像分割是作物病害自动识别系统实现的难点之一,前人研究大多采用基于阈值或聚类的分割算法,方法简单、易于实现,但分割精度较低。本文引入高斯模型的Markov随机场分割模型(G-MRF),对玉米叶部病斑图像进行分割试验,以期提高分割精度。【方法】在VC6.0下实现了G-MRF分割模型,G-MRF既利用了图像像素的灰度信息,又通过像素类别标记的Gibbs光滑先验概率引入了图像的空间信息,是能较好地分割含有噪声图像的算法。采用该算法对大斑病、小斑病、灰斑病和弯孢菌叶斑病等4种主要玉米叶部病害的图像进行了分割测试,并与基于阈值和基于Gauss模型的分割算法进行比较。【结果】基于G-MRF分割模型的分割,目标区域的一致性和边缘的清晰方面明显好于基于阈值和Gauss模型的分割算法,其平均正确分类率达96.35%,分别较基于阈值和基于Gauss模型的分割算法高出3.75%和4.03%,差异达到显著水平。【结论】基于G-MRF模型的分割算法鲁棒性高,能够有效地将病斑区域从叶片部分离,分割正确分类率达96.35%,可用于玉米叶斑类病害图像的分割。     

Landsat7 ETM+图像用作SPOT5图像森林分类的辅助数据研究

为改善面向对象的SPOT5图像分类精度,将Landsat7 ETM+数据作为辅助数据,试验了3种图像分割和对象特征提取方案,在图像分割、基于规则的分类、基于分类的分割和对象特征提取与筛选的基础上,进行了Bayes准则分类试验。结果表明:ETM+图像信息参与分类明显地提高了SPOT5图像的分类精度,但由于空间分辨率低,在森林分布破碎、类型和种类多样、结构复杂的研究区域,ETM+数据只能用于对象特征提取,不能实质性地参与图像分割,否则会导致图像对象边界不准确、同质性降低、异质性增加,影响图像分类精度。     

基于机器视觉的玉米种子分类识别方法

随着图像处理技术和机器视觉技术的应用越来越广泛,利用计算机视觉技术来识别玉米种子已经成为可能。基于此,利用主成分分析法（PCA）与支持向量机（SVM）对3种玉米种子进行分类识别,以提高玉米种子的纯度。采用高斯滤波、图像裁剪、图像分割及区域二值化对采集的3个种类（甜糯黄玉米、甜妃、昌甜）的玉米种子图像进行预处理,采用数据增强方法提高样本容量和普适性。对经过处理后的图像从颜色、几何、纹理3个方面进行特征提取,总共提取15种特征。采用主成分分析（PCA）、线性判别分析（LDA）、等距特征映射（ISOMAP）、T分布随机近邻嵌入（T-SNE）、多维尺度变换（MDS）等方法对特征数据进行降维处理,并将处理后的数据放入Bayes分类器与支持向量机（SVM）中进行玉米种子的分类识别。将两种分类器分别与五种降维算法相结合,对比其对玉米种类识别的准确度。结果表明,经过主成分分析降维后的数据结合支持向量机对玉米种子的品种识别具有较高精度,可以提高分类识别的准确率。     

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。     

小麦麦穗几何表型测量的精准分割方法研究

[目的]小麦麦穗表型获取涉及麦穗到籽粒不同几何尺度的参数精确测量,本文针对麦穗籽粒图像分割粘连现象,研究达到像素级别的精准分割算法,并基于该方法给出籽粒的基本几何参数。[方法]田间随机采集小麦麦穗,对采集的麦穗标本获取表型信息并采集图像,进行数据增广和标注,构建1个包括深度残差网络(deep residual network,Res Net)、区域建议网络(region proposal networks,RPN)和全卷积网络(fully convolutional networks,FCN)的实例分割算法Mask R-CNN,对训练集图片进行迭代训练获得模型。[结果]测试集测量结果表明,在测试麦粒上获得的籽粒像素测量平均精度(averageprecision,AP)值为0.85,F_1(F_1-measure)值为0. 830,对麦穗长度测量穗长的平均绝对误差为3. 30 mm,平均相对误差为3.40%,宽度测量的平均绝对误差为0.72 mm,平均相对误差为4.10%,综合测量误差为3.75%,试验结果显著优于最大类间方差法(OTSU)以及全卷积网络。通过对特征提取网络层数的修改在处理速度上达到4.26 FPS(frames per second),对比FCN处理速度提升了8.5倍。[结论]利用Mask R-CNN分割方法得到1个对整株麦穗和单个籽粒进行目标定位、目标检测和实例分割为一体的端到端、像素级的分割模型,可以对麦穗及部分籽粒进行精确的几何表型测量。     

自然环境下苹果彩色图像分割研究

[目的]获得自然环境下较好分割苹果图像的方法。[方法]选取苹果被遮挡（主要是叶子）、相互重叠的情况作为试验图片,采用欧几里得距离对彩色图像进行预处理,在预处理中,利用边界盒的相似性准则,提高了处理速度;对预处理的结果进行黑白（苹果和非苹果）编码,产生一副二值分割图像;最后采用数学形态学对二值化图像进行处理。[结果]有效的去除了复杂背景、目标物被遮挡、相互重叠等存在的图像噪声,去噪效果良好。[结论]算法对成熟苹果具有很好的分割效果,但不适合未成熟苹果的分割。     

基于阈值的图像迭代分割算法提取烤烟鲜烟叶特征

为烟叶分级提供烤烟鲜烟叶的有效分割图像,采用基于阈值的图像迭代分割算法进行烟叶特征提取研究。结果表明:该方法可有效保留鲜烟叶图像的目标特征,且无其他冗余信息。     

玉米生长期叶部病害图像识别预处理研究

针对玉米生长期叶部病害的图像,引入图像模式识别技术,实现病害图像的预处理。基于传统算法的不足,提出一种改进的小波图像增强算法,提高了图像的识别精度;深入研究了病害图像的直方图均衡化预处理、基于矢量中值滤波的图像增强操作算法,并引入超绿特征值进行图像分割,从而实现了对目标图像的去噪、增强,为下一步的特征提取与病害识别打下了良好基础。     

基于局部二值拟合模型的板材表面节子与虫眼的图像分割

为了更好地对板材表面的节子和虫眼进行快速有效的分割,对局部二值拟合（local binary fitting,LBF）模型进行了深入研究,从而提出一个改进的 LBF模型,即在LBF模型的基础上,添加一个新的水平集线性正则化项,与此同时引入一个以高斯函数为核函数的局部二值拟合能量。改进算法能够克服LBF模型的分割缺点,使得分割过程对初始轮廓的大小和位置不敏感,同时增强算法的抗噪性,能够分割出灰度不均匀的图像。经实验验证,该算法可以比较完整地提取出单一目标和多目标的板材节子和虫眼的图像,以及对应得出与缺陷图像相对应的水平集演化图像。图21表1参15     

基于LXF模型水平集的玉米叶部病斑图像分割

农作物病害的发生对我国农业生产危害较大,运用机器识别技术对农作物病害图像进行自动识别有着重要的意义。主要介绍传统水平集和基于LXF模型水平集的分割算法原理,并且运用两种方法分别对玉米叶部病斑进行图像分割。实验表明基于LXF模型水平集的分割算法缩短了玉米病斑图像分割时间的同时病斑分割效果良好,为以后的特征提取、病斑种类的识别打下了良好的基础。     

玉米病害图像分割系统开发

为了提高玉米病害叶片图像分割的准确性和设计相应的图像分割系统,采用迭代阈值分割算法和形态学中的开闭运算相结合的方法对玉米病害图像进行分割,使用VB和MATLAB的混合编程设计开发玉米病害图像分割系统.运行结果表明,该分割方法对玉米病害图像有很好的分割效果.     

实木地板图像差分和形态学分割算法研究

针对现有实木地板表面缺陷分割算法分割速度慢、精度低的问题,提出基于图像差分和形态学的地板表面缺陷分割方法。首先,分别对目标图像和背景图像进行求补和低通滤波运算;其次,将预处理后的2幅图像做差分运算,得到差分图像;最后,采用形态学开闭运算去除差分图像噪声并获得目标缺陷。选取活节、死节、裂纹3类缺陷样本各20个进行试验,结果表明：该研究算法对3类样本平均分割准确革分别达到92．63％、94．31％、93．88％,平均分割时间为9．583ms。