基于PSO与K-均值算法的农业超绿图像分割方法

为了解决K-均值算法对农业图像中常用的超绿特征2G-R-B图像分割效果不佳的缺点,提出一种基于微粒群与K-均值算法的图像分割方法.先用K-均值算法对图像进行快速分类,然后将分类结果作为其中一个微粒的结果,利用微粒群算法计算,最后用K-均值算法在新的分类基础上计算新的聚类中心,更新当前的位置.以得到最优的图像分割闽值.试验结果表明,改进算法对超绿特征2G-R-B图像能够准确分割目标,且对不同类型的农业超绿图像具有较好的适应性.     

基于多特征融合的树干快速分割算法

针对传统的树干分割算法存在分割精度低、实时性差的问题,提出了一种融合深度特征和纹理特征的树干快速分割算法。首先,通过Realsense深度摄像头采集树干彩色图像和深度图像;随后,采用超像素算法对彩色图像进行分割,并融合深度和纹理相近的相邻超像素块,最后对深度图像进行宽度检测,并对宽度在阈值范围内的物体所属的超像素块进行色调匹配,区分树干与非树干。在室内和室外植株实验中分别运用本文算法、GrabCut算法与K-均值算法进行树干分割,本文算法的平均召回率和平均准确率分别为87. 6%和95. 0%,GrabCut算法分别为78. 0%和92. 8%,K-均值算法分别为80. 2%和89. 1%;本文算法平均耗时为0. 20 s,GrabCut算法为0. 66 s,K-均值算法为4. 42 s。实验结果表明,本文算法的快速分割效果较好,在保证分割精度的同时,简化了识别过程,加快了分割速度,能够应用于室内和室外树干的分割。     

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...     

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％.     

基于图像颜色特征的密植冬小麦覆盖指数反演

为了快速获取大田冬小麦作物生长信息,对田间植被覆盖度(VCI)进行检测。采用开发的多光谱图像采集系统,在拔节期-扬花期获取冬小麦冠层可见光( B、G、R ,400～700 nm)和近红外(NIR,760～1 000 nm)图像。图像经自适应平滑滤波处理后,针对RGB图像,采用HSI色彩空间模型,设定 H 分量阈值［π/4,6π/5］进行分割,对NIR图像采用自动阈值分割法分割,进而提出了基于“ H +NIR”组合的冬小麦冠层多光谱图像分割方法,并计算VCI值。对未经分割的原始图像提取了9个图像检测参数,包括各通道图像灰度均值( A R、 A G、 A B、 A NIR )、归一化植被指数(NDVI)、归一化差异绿度指数(NDGI)、比值植被指数(RVI)、差值植被指数(DVI)和冠层 H 分量均值 A H。图像检测参数与VCI相关性分析结果表明,各植被指数与VCI的相关系数绝对值均大于0.90。应用NDVI、NDGI、RVI和DVI建立了多元线性回归模型,其 R 2 c =0.948, R 2 v =0.884,可以用于快速反演VCI,为田间作物生长评价和管理提供支持。     

图像去噪及分割算法在枣叶含水率估算中的影响研究

为了研究图像去噪及分割算法在枣叶含水率估算中的影响,对2种图像去噪和3种阈值分割算法在枣叶图像分析中的影响进行了探讨。结果表明:中值滤波和均值滤波在枣叶图像去噪中的效果区分不明显,若比较去噪后的MSE和PSNR则前者略优;最大类间方差分割和迭代分割都能较好地将叶片从图像中分割出来,消除高光区域的影响;经均值滤波和迭代分割算法处理后,图像颜色特征(G-R)、H、G/R与枣叶含水率之间均呈现出显著的相关关系,以三者为自变量的枣叶含水率线性回归模型的相关系数R2高达0.965 2,F检验的显著性水平为0.002 2,回归效果极显著,可用于枣叶含水率的预测估算。     

基于PSO与水平集的桂花图像分割方法

针对金桂、丹桂、银桂、四季桂的花朵图像,提出一种基于粒子群优化算法(Particle Swarm Optimization,PSO)与水平集的桂花花朵图像分割方法。将RGB彩图的三通道转换成灰度图像,利用PSO计算灰度图中的花与背景的均值,并用K均值算法得到所有像素的初始分类标签。将分类标签转换成初始水平集,最后采用水平集进行精细分割,得到桂花花朵目标。试验结果表明,提出的方法通过改变参数适应颜色和背景的变化,能很好地提取四种常见的桂花花朵,性能指标SD、Dice、ER、NR平均值分别为83.935%、99.77%、2.19%、14.12%。     

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.     

基于K均值聚类的成熟草莓图像分割算法

成熟草莓图像分割是草莓收获机器人识别和定位系统的关键技术.考虑到成熟草莓和其所处环境的颜色特性,在Lab彩色模式下将K均值聚类用于成熟草莓图像的分割.首先把输入的草莓图像从RGB空间转换到Lab空间下,然后初始化三个聚类中心进行K均值聚类的迭代算法,最后为消除成熟草莓花托表面细小瘦果对分割产生的影响,利用数学形态学的闭运算对分割的图像进行了修正加工.研究表明,K均值聚类分割算法在Lab模式下能够较好地分割出成熟草莓图像,并且Lab模式比其他彩色模式更适用于K均值聚类的图像分割算法.     

基于超像素特征的苹果采摘机器人果实分割方法

针对苹果采摘机器人在自然环境下对着色不均匀果实的识别分割问题,提出了基于超像素特征的苹果采摘机器人果实分割方法。首先,采用简单线性迭代聚类算法将图像分割成内部像素颜色较为一致的若干超像素单元;然后,提取每个超像素的纹理和颜色特征,并采用支持向量机将超像素分为果实和背景两个类别;最后,根据超像素之间的邻接关系对分类结果进行进一步修正。实验表明,该方法能够对大部分超像素单元进行正确分类,平均每幅图像被错误分类的超像素约为2.28个。与采用像素级特征的色差法和采用邻域像素特征的果实分割方法相比,采用超像素特征的果实分割方法具有更好的分割效果。在进行邻接关系修正前,该方法图像分割准确率达0.9214,召回率达0.8565,平均识别分割一幅图像耗时0.6087s,基本满足实时性需求。