基于自适应小波偏微分方程的蝗虫切片图像去噪

蝗虫显微切片图像在获取的过程中不可避免地会受到噪声污染,其纹理、边缘与噪声又都属于高频分量,单独使用小波变换或偏微分方程(partial differential equation,PDE)扩散的方法都不能在有效去噪的同时保持边缘、纹理等。针对这一问题,提出了基于自适应小波PDE的去噪算法。首先对蝗虫切片含噪图像进行sym5小波软阈值去噪,分解层数根据去噪后图像的PSNR(peak signal to noise ratio)值自适应地选择,阈值门限使用Birge-Massart处罚算法获取。然后在此去噪的基础上进行Perona-Malik(PM)模型去噪,迭代次数根据去噪后图像的PSNR值自适应地选择,梯度阈值根据图像自身的2范数获取。为了验证所提出算法的去噪性能,进行了与常用去噪算法的对比试验。试验结果表明:视觉上,采用本文算法去噪后的图像噪声点较少且边缘、纹理清晰;客观上,采用该文算法去噪后的图像PSNR值比使用维纳滤波高出2 d B左右,比使用中值滤波高出3 d B左右,比使用小波阈值去噪高出2 d B左右,比使用PM模型去噪高出1 d B左右,并且在结构相似性(structural similarity image measurement,SSIM)上采用该文算法去噪后的图像与原始图像的相似度最高。因此,将自适应小波PDE的算法应用于蝗虫切片去噪是可行的、有效的,为其后续处理提供了技术支持。     

苹果采摘机器人夜间图像降噪算法

苹果采摘机器人图像处理系统采集到的实时夜间图像含有大量的噪声,影响采摘效率。通过差影法对夜间图像进行噪声分析,判定其噪声类型为以高斯噪声为主,并伴有部分椒盐噪声的混合噪声。针对高斯噪声去除难题,将独立成分分析(independent component analysis,ICA)理论引入夜间图像降噪,并尝试采用粒子群优化算法(particle swarm optimization,PSO)对ICA进行优化,建立基于PSO优化的ICA降噪算法(PSO-ICA),以期最大限度地降低夜间图像的噪声污染。利用标准Lenna图像和自然光下的苹果图像,进行仿真试验,结果表明PSO-ICA方法降噪效果最为理想。然后对白炽灯、荧光灯、LED灯3种不同的人工光源下采集到10个样本点的夜间图像进行验证试验,结果表明,从视觉效果评价,在3种人工光源环境下,PSO-ICA降噪方法得到低噪图像均表现为噪点明显减少;从相对峰值信噪比(relative peak signal-to-noise ratio,RPSNR)看,在3种人工光源下的平均值,PSO-ICA得到的低噪图像,分别比原始图像、均值滤波降噪和ICA降噪得到的图像的相对峰值信噪比提高21.28%、12.41%、5.53%;从运行时间看,PSO-ICA方法较ICA方法的运行时间平均减少了49.60%。PSO-ICA方法用于夜间图像降噪有着独到的优势,为实现苹果采摘机器人的夜间作业打下坚实的基础。     

基于特征点提取匹配的蝗虫切片图像的拼接和修复方法

由于环境和切片本身特性的影响,试验中获取的蝗虫切片总是不完整或者带有褶皱的。针对这一问题,提出了一种基于图像匹配的蝗虫切片拼接和修复方法,以序列切片中缺损切片的邻近切片图作为参考对象,对缺损切片图像进行拼接和修复。首先对切片进行小波降噪,降低噪声对匹配的影响;然后用尺度不变特征变换(scale.invariant feature transform,SIFT)算法和快速鲁棒特征(speed-up robust features,SIJRF)算法获取切片特征点并生成特征向量,完成切片的初始特征点匹配;随后利用随机采样一致(random sample consensus,RANSAC)算法进行匹配矫正,剔除匹配点对中的误匹配,并利用最小二乘法求解出单应性矩阵;最后用正确的匹配点对和单应性矩阵完成蝗虫切片的拼接,利用求得的空间映射模型找到褶皱部分相应的匹配域,完成对缺损部分的修复。试验表明:提出的切片拼接和修复方法的所提取的特征点的正确匹配率能够达到72.2%,并且运行速度以及匹配效果都能在一定程度上满足切片修复的要求,为后面进行蝗虫切片褶皱打开以及蝗虫体的三维重建提供了技术参考。     

基于剪切波变换和无人机麦田图像的区域杂草识别方法

区域杂草的识别有利于植保作业中的除草剂精准喷施。现有图像处理技术主要针对行间和株间杂草,而传统的图像采集与分析设备对苗期麦田杂草的识别存在一定局限性,难以满足非人工的区域性喷洒农药等作业需求。由于麦田区域中的麦苗和杂草具有形态和颜色区分度差的特点,传统的图像识别方法难以有效识别。针对此问题,该文提出利用剪切波变换对无人机麦田区域图像中杂草进行识别。该方法利用其自身的方向敏感性以及在纹理识别中的方向无关性,根据麦田区域图像在杂草较多的部分叶片纹理杂乱,反之则纹理相对规则的特点,处理得到不同尺度和不同方向下小麦与杂草的剪切波系数。然后针对小麦和杂草剪切波系数的不同特征,对剪切波系数矩阵进行归一化处理,同时对其均值和方差进行了统计分析,得到麦苗和杂草剪切波系数图中竖直锥第二尺度所有系数均值的区分值约为0.07,第二尺度各个方向的均方差均值的区分值约为0.08。通过对含杂草麦苗区域图像以及麦苗区域图像的验证,准确率为69.2%,效果优于传统的灰度共生矩阵方法。此外,该文对无人机拍摄区域图采用分块的方法,实现了对非麦苗区域的有效标识。由此可见,剪切波变换方法能够为基于低空植保无人机喷洒农药中的区域杂草识别提供参考。     

基于多尺度区间插值小波法的牛肉图像中大理石花纹分割

牛肉大理石花纹的丰富程度代表着脂肪含量的多少,是牛肉等级划分的重要指标。基于计算机图像的自动分级技术中图像的降噪和分割处理是大理石花纹提取的基础。该文利用多尺度区间插值小波解偏微分方程的方法对牛眼肌切面图像进行处理,基于中心相似变换的延拓方法有效解决边界效应。处理中自适应选取配置点,提高计算效率。试验证明,该算法不仅达到降噪目的,同时还实现了对不同对象区域的保边平滑,使图像纹理和边缘更加清晰。降噪结果与传统滤波法进行对比,峰值信噪比值平均比均值滤波高9.0 d B,比中值滤波高8.2 d B,比维纳滤波高6.6 d B,结构相似性数值平均比均值滤波高0.42,比中值滤波高0.40,比维纳滤波高0.34。与大津法相比,去噪后采用灰度进行图像分割的效果更好,既能分割出大脂肪,又能分割出小脂肪,提高了牛肉等级判定的准确度。     

基于多光谱图像和数据挖掘的多特征杂草识别方法

为满足变量喷洒对杂草识别正确率的要求,提出一种基于多光谱图像和数据挖掘的杂草多特征识别方法。首先对多光谱成像仪获取的玉米与杂草图像从CIR转换到Lab颜色空间,用K-means聚类算法将图像分为土壤和绿色植物,随后用形态学处理提取出植物叶片图像,在此基础上提取叶片形状、纹理及分形维数3类特征,并基于C4.5算法对杂草分别进行单特征和多特征组合的分类识别。试验结果表明,多特征识别率比单特征识别率高,3类特征组合后的识别率最高达到96.3%。为验证该文提出方法的有效性,将C4.5算法与BP算法以及SVM算法进行比较,试验结果表明C4.5算法的平均识别率高于另2种算法,该文提出的田间杂草快速识别方法是有效可行的。该文为玉米苗期精确喷洒除草剂提供技术依据。     

基于视觉显著性改进的水果图像模糊聚类分割算法

准确分割水果图像是采摘机器人实现视觉定位的关键技术。该文针对传统模糊聚类对初始聚类中心敏感、计算量大和易出现图像过分割等问题,结合机器人的视觉特性,提出了一种基于多尺度视觉显著性改进的水果图像模糊聚类分割算法。首先,选择适当的颜色模型把彩色水果图像转换为灰度图像;然后对灰度图像做不同尺度的高斯滤波处理,基于视觉显著性的特点,融合了多个不同尺度的高斯滤波图像,形成图像聚类空间;最后,用直方图和模拟退火粒子群算法对图像的传统模糊聚类分割算法进行了改进,用改进的算法分别对采集到的100张成熟荔枝和柑橘图像,各随机选取50张,进行图像分割试验。试验结果表明:该方法对成熟荔枝和柑橘的图像平均果实分割率分别为95.56%和93.68%,平均运行时间分别为0.724和0.790s,解决了水果图像过分割等问题,满足实际作业中采摘机器人对果实图像分割率和实时性的要求,为图像分割及其实时获取提供了一种新的基础算法,为视觉精确定位提供了有效的试验数据。     

基于演化算法的水果图像分割

为了满足水果采摘机器人对图像分割算法实时性和自适应性的要求,在传统演化算法的基础上,提出了一种基于蜂王交配结合精英选择、截断选择分阶段的改进演化算法对水果图像进行分割。在设计选择策略时,将迭代过程划分为前中后3个阶段,分别采用蜂王交配算法、精英选择策略和截断选择策略来进行适应值的选择,这样既保证了种群的多样性,又克服了传统演化算法局部最优、收敛过快的缺点。试验结果表明,该文提出的水果图像演化分割算法无论从稳定性、分割效果,还是全局最优收敛速度上,都明显优于传统演化算法,分割的阈值稳定在3个像素之内;与Otsu算法、贝叶斯分类算法、K均值聚类算法、模糊C均值算法等其他算法相比,水果图像演化分割算法分割效果最好,对同一幅图像进行分割得到的分割识别面积参考值最大,而且运行速度最快,平均运行时间为0.08735 s,远少于其余4种算法;并能用于柑橘、荔枝、苹果等各种水果的图像分割,具有一定的通用性,达到水果采摘机器人视觉实时识别的要求,为水果图像分割及其实时获取提供了一种新的基础算法。     

基于剪切波和全变分的农田遥感图像去噪去伪影方法

农田遥感图像在采集过程中会受到噪声影响,为得到准确的农田遥感图像数据,应对获取的农田遥感图像进行去噪预处理。农田遥感图像中的纹理承载了重要信息,在图像降噪的同时保持或增强图像纹理具有重要意义。由于纹理和噪声一样,在频域表现为高频信号,以分解和重构算法为基础的常见滤波(含小波变换)方法在降噪的同时,也会造成纹理清晰度的下降。该文结合农田遥感图像纹理呈现出来的直线特性,将剪切波(Shearlet)和变分理论相结合,提出了一种新的遥感农田图像保纹理降噪方法。该方法首先对较大的遥感图像分块进行shearlet变换,在降噪的同时识别不同图块图像的纹理含量;对细小纹理含量较少的平滑区域,采用保边降噪变分模型去除shearlet变换带来的人工伪影。为避免子图块边界带来的边界效应,该文基于中心仿射变换理论提出了一种新的图像延拓方法,有效提高了图像降噪的效果。试验结果表明,该文算法去噪后的峰值信噪比(peak signal to noise ratio,PSNR)平均值比全变分模型去噪算法大1 d B,该文算法去噪后的PSNR平均比曲线波去噪算法大2 d B。同基于Symmlet小波的Shearlet算法相比,该文算法处理后农田遥感图像中伪影减少,在高斯噪声标准偏差σ为10、20和30 d B时,峰值信噪比PSNR分别提高了13.99%、9.69%和7.75%。     

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。     

利用霍特林变换对仓储害虫图像倾斜矫正

针对无明显的直线特征的仓储害虫图像,提出一种基于区域和边缘的霍特林变换旋正倾斜害虫图像的方法。首先通过自动搜索的方法确定储粮害虫的最小外接矩,利用自适应阈值对害虫图像二值化;提取最小外接矩内部害虫图像区域和边缘坐标,计算坐标数组的特征向量并构成霍特林变换矩阵;对原害虫图像区域和边缘经变换矩阵作用后实现对倾斜害虫图像的旋转矫正。试验结果表明,基于区域的霍特林变换能更快速准确地测量出倾斜害虫图像的变换矩阵并进行旋转操作,而且具有更好的抗噪性能和鲁棒性。     

基于尺度不变特征转换算子的水果表面图像拼接方法

水果全表面图像信息是否完整,直接影响水果表面颜色和缺陷检测的结果。该文提出了一种基于尺度不变特征转换(SIFT,scale invariant feature transform)算子的图像拼接方法,实现多视角水果图像的拼接以获取完整的水果表面信息。首先以15°固定间隔旋转水果以获取各视角下的连续图像,在图像2R-G-B通道下实现图像目标和背景分离,并对目标图像进行灰度直方图均衡化以增强其纹理信息,有利于特征点的提取。运用SIFT算法提取图像特征点,因为特征向量数量多、维数高,采用普通的K-D树算法搜索匹配点将消耗大量时间,因此将图像划分为16个区域,通过多次试验可知中间4个区域为特征点是最容易匹配的区域,这样就缩小匹配点可能存在的区域。采用极线几何约束法和改进型随机抽样一致(random sample consensus,RANSAC)算法以提高图像拼接精度,减少匹配时间。根据平移矩阵,对前后图像进行拼接,从而实现水果表面图像的完整拼接。试验结果表明:该算法平均匹配精度提高35.0%,平均拼接时间为2.5 s,较传统K-D树算法缩短67.8%时间,拼接效果还原率为93.9%。该文算法具有一定的尺度、旋转以及仿射变换不变性,适用于随机呈现的不同姿态球状水果图像拼接。该研究可为基于机器视觉的农产品品质检测和等级划分提供科学参考。     

基于显著性检测与改进Hough变换方法识别未成熟番茄

通过自动识别自然环境下获取果实图像中的未成熟果实,以实现自动化果实估产的目的。该文以番茄为对象,根据视觉显著性的特点,提出了使用基于密集和稀疏重构(dense and sparse reconstruction,DSR)的显著性检测方法检测未成熟番茄果实图像,该方法首先计算密集和稀疏重构误差;其次使用基于上下文的重构误差传播机制平滑重构误差和提亮显著性区域;再通过多尺度重构误差融合与偏目标高斯细化;最后通过贝叶斯算法融合显著图得到DSR显著灰度图。番茄DSR灰度图再经过OTSU算法进行分割和去噪处理,最终使用该文提出的改进随机Hough变换(randomized hough transform,RHT)圆检测方法识别番茄果簇中的单果。结果显示,该文方法对未成熟番茄果实的正确识别率能达到77.6%。同时,该文方法与人工测量的圆心和半径的相关系数也分别达到0.98和0.76,研究结果为估产机器人的多种果实自动化识别提供参考。     

基于图像处理的玉米收割机导航路线检测方法

快速精准的检测出导航路线并对田端做出准确判断是收割机视觉导航的前提。为解决玉米收割机导航作业过程中因玉米列阴影、玉米田端的杂草等因素对检测精度干扰的问题,该文通过分析视觉导航图像的颜色特征去除阴影干扰,对玉米收割机提取导航作业路径和判断田端提出了检测算法。为减少计算量,设定关注区域作为非第一帧图像的处理范围;为去除玉米列阴影对检测结果造成的干扰,强调关注区域内G(绿色)分量并减弱R(红色)或B(蓝色)分量;为加快处理速度,采用跳行累计G分量的方式确定候补点。在关注区域内对图像中去除阴影干扰后的G分量垂直累计值查找候补点,对图像上半部分收敛性好的候补点通过方差计算确定出已知点,再利用过已知点Hough变换拟合出玉米列边界所在的导航线。最后采用R分量的连续突变判断收割机是否到达田端。田间试验表明:目标直线的平均检测时间为50.13 ms/帧,对田端的检测准确可靠,满足玉米收割的作业要求。该研究成果也适用于高粱等其它高杆作物的机械化收获应用。     

基于显微图像处理的稻瘟病菌孢子自动检测与计数方法

稻瘟病菌孢子的检测通常在显微镜下由人工目测完成,该方法费时、费力、自动化程度低。因此,该研究提出了一种基于显微图像处理技术的稻瘟病菌孢子自动检测和计数方法。首先,采用显微图像系统获取稻瘟病菌孢子图像;然后提出一种分块背景提取法对其进行光照校正;根据显微图像中孢子的边缘特征,利用Canny算子进行边缘检测,其中Canny边缘检测过程中的阈值应用模糊C均值算法在梯度图上自动确定;接着对边缘检测后的二值图像进行数学形态学闭开运算处理。根据孢子和主要杂质的形态特征,利用椭圆度、复杂度和最小外接矩形宽度等形态特征参数对目标物进行分类,提取只含孢子的二值图像。最后,提出了基于距离变换和高斯滤波的改进分水岭算法对粘连孢子进行分离。测试结果表明:在100幅测试的显微图像样本中,孢子检测的平均准确率为98.5%,满足稻瘟病菌孢子自动检测和计数要求。     

基于改进暗通道先验算法的农田视频实时去雾清晰化系统

为解决雨雾天气条件下基本农田视频监控图像的退化问题,在暗通道先验(dark channel prior,DCP)去雾算法的基础上,利用拉普拉斯金字塔的区域细节重建方法,实现了大面积亮域场景下自适应去雾的改进暗通道先验算法(modified dark channel prior,MDCP),进而基于该算法提出了一种DSP嵌入式系统的前端化视频图像去雾清晰化处理方案。试验表明:MDCP算法相较于DCP算法和Retinex算法在细节强度、色调还原以及结构信息方面均表现得更为突出,综合评测指标可达0.93;处理后的视频图像对比度良好,彩色图像颜色的饱和度和真实性有效保持,轮廓对比度以及远端天空细节明显增强;MDCP算法的处理速度优势随图像尺寸增大而逐渐增大,在图像尺寸为1 280×720时,MDCP算法比DCP算法的平均处理速度提高5.9%。研究结果为雨雾天气下退化视频图像进行前端化去雾处理方案设计提供理论依据和实践指导。