基于分块阈值和边缘检测的叶片分割算法

针对复杂的植物叶片图像,提出了一种分块阈值、边缘检测相结合的图像分割算法。首先,根据预先确定的子块的大小,把整幅图像划分成若干数目的子块,对每个子块用大津法进行分割,把分割好后得到的子图像拼接起来形成目标图像;然后,用改进的Sobel边缘算子对原图像进行边缘提取分割;最后,把分块阈值得到的结果与边缘检测得到的结果结合起来得到较优的结果;在此基础上再进行腐蚀、填洞等形态学操作,得到最终的分割结果。实验表明:与传统的分块阈值、边缘检测相比较,此算法的抗噪性较好,细节上分割得也较为清楚,具有较好的分割效果。     

基于叶片形态的田间植物检测方法

利用图像处理技术方法,以田间拍摄的水稻图像为研究对象,对田间植物进行检测研究。通过改进归一化绿蓝差值指数IDNBG 与色度模型,经过分类识别、图像阈值分割等步骤,对植物叶片进行提取。利用形态学正反向组合运算实现叶片内部完整性修复;利用边界4连通链码边缘检测实现叶片边缘平滑性修复。通过对可见光条件下田间拍摄的40幅图像进行植物提取实验,植物叶片提取正确率平均可达83.07%,误分率为3.57%。对其中90条边缘线进行边界平滑修复,部分叶片边缘被平滑但使叶片提取正确率降低0.63%。对植物检测主要影响因子进行分析得出,成像条件差异易影响亮度因子;通过形态学膨胀与正反向过滤运算,露珠与病斑得到一定程度的保留,提取叶片内部形状完整;链码运算可使叶片边缘得到平滑,同时也会去除部分正确的叶片,其运算量较大。     

基于机器视觉的工件边缘毛刺检测系统研究

为了提高工件边缘毛刺尺寸和位置坐标检测的效率,设计了由硬件模块和图像处理模块组成的用于毛刺信息检测的机器视觉测量系统。通过工业数字摄像头采集图像,在Open CV开源平台下,对其进行相关的形态学处理,利用Canny边缘检测和C++标准模板库中的函数将图像轮廓信息转化为数字信息,以累计概率霍夫变换(PPHT)拟合的轮廓曲线为基准,提出一种基于数据驱动的曲线异常检测算法,分离曲线异常部分,得出毛刺信息。在Visual Studio 2010平台内配置Open CV 2.4.9进行测试。实验结果表明,算法能准确快速地获得毛刺尺寸信息,测量系统的精度达到0.095 mm/pixel,相对误差最大为1.62%,完全能够满足此工件加工中的精确性要求。     

基于数学形态滤波算子的黄顶菊种子图像边缘检测

黄顶菊种子边缘检测是进行黄顶菊种子形态特征提取和分析的基础.经典的边缘检测算法由于抗噪声能力差,无法精确检测出黄顶菊种子的边缘.为此,运用数学形态学的基本原理和方法,提出了一种基于数学形态滤波器的二值图像边缘检测算法,应用于黄顶菊种子图像的边缘检测.实验结果表明,提出的边缘检测算法的性能明显优于经典的边缘检测算法,不仅能够准确、有效、完整地提取出黄顶菊种子的边缘,同时能有效地去除噪声.     

田间枣树叶片复杂目标图像综合分割方法

设计了一种复杂图像分割的综合算法。首先对图像进行预处理,锁定大致目标范围,对图像进行增强,再基于阈值分割和Canny算子对图像进行初步分割。然后结合形态学处理方法及各种逻辑运算对分割结果进行优化处理,得到精确完整的目标图像。以田间枣树叶片图像为例进行实验,证明了该算法的可行性和有效性。该算法对叶片重叠、叶片灰度不均匀等复杂图像都有很好的分割效果,获得了边缘清晰、平滑、定位精确的边缘图像。     

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.     

小面模型与数学形态相结合的边缘提取算法

边缘提取是遥感数字图像处理的基本工作之一。为此．给出了一种通过图像灰度值来逼近和重构图像的、连续函数的小面模型边缘提取算法．并使用数学形态学的方法对提取的边缘进行了细化。从而得到图像的精确边缘。     

基于支持向量机理论的植物根系图像边缘检测方法

由于传统边缘检测方法中存在噪声大、粗糙边缘和不准确边缘等缺点,因此在植物根系的研究中,采用传统的图像边缘检测方法检测出来的边缘信息都无法达到令人满意的效果.为此,基于支持向量机方法给出了一种改善的边缘检测算法.同时,提出了边缘检测算法流程,然后使用支持向量机分类方法对图像进行边缘检测;用所得到的边缘检测算法与Canny算法和Prewitt算法的性能进行了比较.仿真结果表明,给出的算法与Canny算法和Prewitt算相比,不仅边缘检测性能得到提高,而且可以一定程度地克服噪声干扰.     

基于显著性检测的黄瓜叶部病害图像分割算法

针对复杂背景下黄瓜叶部病害分割精度不高的问题,提出了一种基于显著性检测的黄瓜叶部病害图像分割算法。首先利用超像素将黄瓜图像分块,获取黄瓜叶片的边缘,并提出了一种超像素间权重计算方法和显著种子选取方法;然后通过流形排序计算显著图,对得到的显著图进行阈值分割,得到二值图像;再将二值图像与原图像进行掩码运算,得到黄瓜病害叶片;最后利用超绿特征和数学形态学对病害叶片进行分割得到病斑。对常见的黄瓜病害(白粉病、褐斑病、霜霉病、炭疽病)图像进行测试,结果表明该算法与Otsu算法和k-means算法相比,有效解决了冗余分割问题,错分率均在5%以内,算法平均执行时间均小于4 000 ms,分割效果更加精确,为后续构建黄瓜病害自动识别系统奠定了基础。     

基于图像处理的田间水稻叶瘟病斑检测方法

针对病斑在叶片上易形成封闭边缘的特性,采用色度学模型、边缘提取和形态学等方法对田间稻叶瘟病斑进行检测。利用2R-G色差分量提取图像上的图斑;采用Canny算法对2R-G色差分量图斑进行边缘检测,通过自定义边缘封闭修复模版对边缘进行修复;利用HIS模型的H分量提取的叶片正常部位信息与修复后图像做掩膜运算,获得叶片范围内的病斑边界,然后,运用形态学运算剔除图斑中未闭合的边缘线;最后,采用归一化绿蓝差值指数(Normalized Difference Green and Blue Index,DNGBI)对封闭的非病斑区域进行阈值过滤,提取出稻瘟病病斑。试验结果表明:对叶瘟病斑的正确识别率可达到90.26%。     

手持式精准立木树高测量装置设计与试验

为解决森林资源调查中树高测量误差大,复杂林分环境树高测量难,倾斜立木树干长度测量不准等问题,以测量学、测树学、电子信息技术、传感器技术和图像处理技术为基础,研制了手持式精准立木树高测量装置。该装置集成了中央处理器、激光测距仪、高清摄像头、高精度陀螺仪传感器、液晶显示屏、存储器等元器件,利用激光测距传感器获取测量装置与被测树根间的距离,同时获取该装置的仰角信息,再利用图像中心确定树顶位置后获取第2个仰角信息,通过距离信息和角度信息解算测量树高。使用设备贴紧树干测量树干倾斜角度,对于干型弯曲的树木,利用边缘检测算法识别图像树干轮廓边缘,以轮廓近似法提取树干轮廓边缘点,获得树干边缘离散点坐标信息,将线性拟合求得的直线斜率转换为树干倾斜角,利用角度补偿算法完成长势倾斜立木的树长测量。试验结果表明树高测量精度可达98.04%,倾斜立木测量精度为96.89%,满足国家森林资源调查的精度要求。     

采摘机器人视觉伺服策略研究——基于回归数据挖掘的

为了实现采摘机器人的准确抓取控制、路径识别和自主导航功能,提出了一种基于回归数据挖掘计算模型的机器人视觉伺服控制系统。首先利用双目相机获取果实图像,然后利用拉普拉斯变换和高斯滤波方法对图片进行平滑和增强处理,并利用Canny算法对图像边缘进行检测和分割处理,完成图像的预处理。对图像进行目标识别,提取图像的特征,并采用回归数据挖掘方法对滤波图像进行检验,最终通过计算得到果实图像的中心位置,将中心位置利用控制器反馈给控制中心,控制中心发出指令,控制末端执行器完成果实的采摘作业。对机器人视觉伺服系统进行了测试,结果表明:利用采摘机器人视觉伺服系统可以准确地计算果实的中心位置,实测位置和计算位置的吻合程度较高,视觉伺服系统的计算的稳定性较好。     

基于多特征融合相关滤波的运动奶牛目标提取

为实现大规模养殖场内奶牛目标的自动提取,将相关滤波算法融入目标提取基本框架,提出一种相关滤波融合边缘检测的奶牛目标提取(Correlation filtering-edge detection based target extraction, CFED)算法。首先利用颜色名(Color names, CN)、方向梯度直方图 (Histogram of oriented gradient, HOG)设计的相关滤波器获取奶牛目标范围;再利用13个不同方向的边缘滤波模板卷积目标范围图像得到图像边缘,最后融合边缘信息和颜色特征提取出奶牛目标。对奶牛场不同环境下的9段视频进行目标提取试验,结果表明,算法提取的目标与真实结果平均重叠率达到92.93%,较Otsu、K-means聚类、帧间差分法和高斯混合模型(Gaussian mixture model,GMM)分别高35.63、32.84、20.28、14.35个百分点;平均假阳性率和假阴性率分别为5.07%和5.08%,处理每帧图像平均耗时0.70s。该结果表明,提出的CFED算法具有较好的目标检测能力,为奶牛目标准确快速提取提供了一个有效方法。     

基于最小相切圆和形态学相结合的作物行检测算法

机器视觉的农业导航路径规划是精准施药的关键,而作物行提取是其准确识别作物行路径的基础。为此,以玉米为研究对象,提出了一种基于最小相切圆原理和形态学相结合的作物行检测算法。首先在室外田间环境下采集生长早中期的玉米作物行图像,选择作物行比较规整的图像进行处理;其次,利用改进的超绿灰度化(1.8R-G-B)算法对玉米作物行图像进行灰度化处理,大大减少了噪声的干扰,通过中值滤波基本消除了噪声;然后,运用Otsu阈值算法获取了玉米作物行的二值图像。由于作物行呈线型,在此基础上,采用5×1像素的线型结构元素和3×3像素的方形结构元素两者相结合的方法对二值图像进行腐蚀、膨胀运算,并采用提出的最小相切圆与形态学结合的方法提取中央玉米作物行的骨架并进行中央作物行直线的拟合。实验表明:该算法能提供准确的位置信息,且对作物行边缘噪声具有较强的抗干扰能力,对进一步研究精准施药提供了参考依据。     

基于多阈值图像分割算法的秸秆覆盖率检测

针对目前秸秆覆盖率人工检测费时费力、准确率低、信息难以存储的问题,提出了一种基于图像分割的秸秆覆盖率检测方法。考虑到传统图像分割方法精度不高,且多阈值分割时计算量过大,将灰狼算法中的搜索机制与差分进化算法相融合,提出一种基于图像多阈值的自动分割方法（DE-GWO）,用于田间秸秆覆盖率检测。首先,对现场采集的秸秆覆盖图像进行预处理,采用自适应Tsallis熵作为目标函数,评估图像分割效率;其次,根据图像的复杂程度选取分割阈值的数量,利用DE-GWO算法对其进行多阈值图像分割;然后,分别按照灰度级别计算分割后图像比例;最后,根据拍摄高度、fov视角等参数,将图像中秸秆覆盖率与实际地理面积进行转换。实验结果表明,本文算法田间秸秆覆盖率与实际测量误差在8%以内,且相比于改进粒子群算法（PSO）和灰狼算法（GWO）,DE-GWO算法精确度更高,平均耗时为人工测量的1/1500。开发了一套依据DE-GWO算法的秸秆覆盖率检测软件系统,为后续监控系统的实时检测提供了算法基础和软件支持。     

基于深度图像的奶牛表型特征获取

奶牛表型特征是评价奶牛成长状况的一项重要参数,为减少奶牛的应激性且能便捷地获取奶牛几何表型尺寸,运用图像处理技术提取奶牛表型特征参数,设计了一款针对深度图像和点云数据的奶牛几何表型特征获取系统。对奶牛深度图像采用背景减去法、阈值分割、滤波和空洞填充等方法获取奶牛目标区域,对目标采用边缘检测、角点检测和凸包运算等检测特征点,最后对应点云数据获得奶牛表型特征尺寸。系统现场试验结果表明,系统获取的体重准确性在98%以上,体尺准确性在96%以上,系统工作稳定、测量精度高,为实现数字化养殖打下了基础,具有很好的应用前景。      

基于深度相机的玉米株型参数提取方法研究

提出了一种基于骨架提取的改进算法,可实现在大田环境下,使用PMD深度相机快速、无损测量玉米株型参数。首先利用深度图像RGB伪彩色和深度距离信息,提取深度图像的骨架,排除复杂背景干扰,得到单株玉米的二值骨架图像;然后利用基于角点检测的改进归类算法提取骨架图像特征点;最后建立骨架图像中特征点与深度图像的对应关系,利用空间几何数学方法,结合特征点计算出玉米的3种株型参数,即株高、茎粗、叶倾角。农田实验对比分析表明,所提方法的株高测量结果与人工测量结果的相关系数 r 为0.986,最大相对误差小于2 cm,农田作物育种抗逆性分析还表明玉米株型参数与抗倒伏性具有显著相关性。     

基于Kinect相机的穴盘苗生长过程无损监测方法

为实现工厂化穴盘苗的无损测量,提出一种基于Kinect相机的穴盘苗生长过程无损监测方法。以黄瓜穴盘苗为监测对象,在穴盘苗正上方架设Kinect相机,获取穴盘苗的彩色图像和深度图像,并进行彩色图和深度图之间的像素匹配;通过对彩色图像进行预处理、阈值分割、形态学运算和连通分量统计,获取穴盘发芽率;同时,由图像分割获取的幼苗轮廓和深度值计算得到叶片中心像素点坐标及其对应的深度,以此得到相机到幼苗叶片中心的高度,结合相机到穴盘格的距离和穴盘高度,实现对穴盘苗株高的监测;将深度图像进行直通滤波、条件滤波、边界保持滤波处理,有效去除穴盘苗周围的背景噪声以及波动幅度大的深度数据,获得幼苗叶片中像素点的有效深度,通过在深度图像中对叶片进行重建实现叶面积分析;基于获取的穴盘苗株高和叶面积建立壮苗指数评价模型。利用穴盘苗生长过程监测数据进行实验验证,结果表明,在发芽后5 d内,发芽率误差不大于1.567%;株高和实际株高之间的拟合优度R²为0.875,RMSE为1.395 mm;叶面积平均误差为2.15%;壮苗指数拟合优度R²为0.958。说明本文设计的穴盘苗监测方法可以实现对穴盘苗的发芽率、株高、叶面积和壮苗指数的无损监测,为工厂化穴盘苗生长过程监测提供了有效的解决方案。