一种基于K-means与Close-Form融合的树木图像提取方法

基于图像的树木自动提取是其种类、长势、形态等信息智能化判别的基础,如何实现树木的自动、准确、快速提取是具有实用性的科学问题。在自然场景中,由于图像元素多样、颜色差异大,树木自身存在不规则性,树木提取难度非常大。针对现有的图像分割与图像抠图法在树木提取过程中分别存在的误分割与过程复杂所导致的计算量大的问题,提出了一种基于K-means聚类算法优化Close-Form图像抠图的树木提取方法。在少量的标记下,依据颜色线性假设进行最小化代价函数计算,得到图像透明度;对透明度图像依次进行中值滤波、高斯滤波,得到透明度的去噪图像;对滤波后透明度与标准化的图像绿色分量组成二维空间进行K-means二聚类,实现背景与前景对象的准确判定,进而完成自然背景的树木图像提取。为了验证所提方法在不同场景和不同标记下的树木提取有效性,设计了基于K-means图像分割和传统Close-Form抠图方法的比较性试验。结果表明,基于K-means优化Close-Form的树木提取方法解决了传统Close-Form算法在少量标记下图像前景、背景估计不准确问题,克服了图像分割存在的误分类情况,实现了不同自然环境和多目标树木对象的提取。此方法具有对象提取稳定、计算时间快的优点,相对原Close-Form算法用时减少49.98%。     

树干与地面点云分类K-means方法的改进

随着激光雷达的发展,树木点云数据的获取更加简便、准确。为了实现树木点云的树干与地面分类,对K-means方法进行改进,通过计算高度和强度直方图确定k值和初始聚类中心点,用高度距离做聚类分析,实现单株树木原始三维点云数据聚类。结果表明:采用MATLAB对香椿树的31 394个点云数据和油松树的14 260个点云数据,分别进行了直方图处理和不同距离的目标函数做聚类分析的试验,得到树木点云数据的分类结果,并与DBSCAN算法和传统K-means算法结果对比分析,说明改进K-means方法,能够使得树干与地面更好的分离,提高了效率;采用改进的K-means方法对12颗树木点云进行应用分析,验证了方法的普适性,最终分类结果达到了树干与地面分离的标准。     

基于改进K-means聚类与分水岭的木材横截面管孔分割

  目的  管孔是木材识别方面的重要特征之一。针对管孔随机分布、大小不一导致管孔分割鲁棒性不高,木纤维、木射线以及轴向薄壁组织等噪声区域对管孔分割效果影响较大的问题,本研究提出了一种改进K-means聚类与分水岭的木材横截面管孔分割算法。  方法  采用改进K-means聚类对管孔区域进行粗分割,有效区分管孔区域与木纤维、木射线以及轴向薄壁组织等噪声区域。再对粗分割结果采用改进分水岭算法进行精分割,分割出的管孔与实际管孔基本吻合。  结果  平均每张木材横截面微观图像有97.1%的管孔被准确有效地分割出来。本研究提出的改进分割算法与其他算法相比,分割效果显著提升,在大小不一且随机分布的管孔分割过程中鲁棒性高,具有良好的分割性能。  结论  该算法有效解决了传统K-means聚类算法在图像分割时受噪声影响大和初始聚类中心随机性问题,为阔叶材管孔特征提取和定量分析奠定了坚实基础。图7表1参16     

混合颜色特征下番茄叶霉病病斑双层K-means聚类分割方法

提出了混合颜色特征下双层K-means聚类分割方法,首先在I分量将图像像素采用K-means聚类分割方法聚为4类;取聚类中心最大的2种像素的a*b*分量,进行第2次K-means聚类,得到病斑图像。对采集的21幅病害图片的试验结果表明,该方法分割结果的平均重合系数为97.53%,平均假阳性率为1.22%,平均假阴性率为3.52%。该研究可为进一步病害特征提取识别与病害程度诊断研究提供技术参考。     

基于狮群优化的FCM图像分割算法研究

为了解决模糊C均值聚类(FCM)算法进行图像分割时容易陷入局部最优和随机初始化聚类中心的问题,研究人员提出了基于改进的狮群优化和模糊C均值聚类的混合图像分割算法。该算法首先利用改进的狮群算法优化模糊C均值的目标函数,增强算法全局最佳值搜索能力,使其避免陷入局部最优,同时引入聚类有效性指标,通过迭代更新搜索到合理的分割类别数实现自动确定图像分割最佳类别数,并根据最佳类别数确定最优聚类中心的选取,最终实现图像的自适应分割。实验结果表明,该方法可自适应地确定图像分割最佳类别数,能快速准确地实现图像分割。     

基于全卷积神经网络的植物叶片分割算法

目的植物叶片分割旨在从背景中分割出叶片区域,去除背景对象干扰。这对植物病害识别和物种鉴定具有重大意义。方法本文设计了基于全卷积神经网络的植物叶片分割算法。首先,目标函数用对数逻辑函数代替复杂的Softmax多类预测函数,从而将分割任务转化为适合于植物叶片分割的二分类问题;其次,把批归一化技术引入全卷积神经网络,从而改善网络整体的收敛性。最后,针对当前植物叶片分割研究中缺乏评估指标的状况,设计了新的评估协议——受试者工作特征曲线,该曲线反映了不同阈值情况下植物叶片图像分割的召回率与误报率之间的变化情况。结果本文提出的算法降低了全卷积神经网络的参数复杂度,改善了网络的收敛性。实验结果表明,该方法比Leafsnap提到的基于颜色的分割方法更完整地分割了植物叶片区域;提出的ROC曲线能够充分评估植物叶片的分割性能。结论与传统方法相比,基于深度学习的植物叶片分割方法实现了输入图像的端对端处理,无需图像转换、噪声滤波和形态运算等预处理技术,因此在植物叶片分割上具有可行性。      

一种粗糙熵和K-均值聚类相结合的岩心图像分割方法

K-均值聚类算法和粗糙熵是应用于图像分割的主要算法,目的是对图像进行分析处理。将K-均值聚类算法和粗糙熵结合起来应用到岩心图像的分割,目的是提取出岩石的隙缝信息。先利用K-均值聚类算法对岩心图像进行区域分割,再利用基于粗糙熵的方法对分割结果进行目标提取,从而达到多阚值分割的目的。通过效果图对比分析可以看出,采用基于粗糙熵的K-均值聚类算法处理多目标的岩心图像,提取出的目标更清晰,更明确,实验结果更有价值,证明了改进后算法的有效性。     

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。     

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K-means聚类与果萼形状的‘海沃德’猕猴桃膨大果检测方法

【目的】根据‘海沃德’猕猴桃膨大果和未经膨大剂处理的猕猴桃正常果在果萼形状上的差异,建立一种基于K-means聚类算法的猕猴桃膨大果的图像识别方法。【方法】利用K-means聚类算法对猕猴桃的RGB图像进行聚类,以初步分割出猕猴桃果萼;对RGB图像进行灰度化,并采用最大类间方差法对灰度图像进行阈值分割,基于阈值分割后的二值图像提取猕猴桃的边缘区域;基于K-means聚类分割的结果与猕猴桃边缘区域的二值图像提取果萼的聚类,再利用数学形态学处理精确提取出猕猴桃的果萼。求取果萼区域最小外接矩形的长宽比,并根据长宽比进行猕猴桃正常果与膨大果的判断与识别。【结果】对提取的猕猴桃果萼特征的统计分析表明,当猕猴桃果萼区域最小外接矩形的长宽比值大于1.6时为膨大果,否则为正常果,利用该算法对‘海沃德’猕猴桃膨大果的总体正确识别率为91.5%。【结论】基于K-means聚类分割算法和果萼形状上的差异所提出的猕猴桃膨大果无损、便捷检测方法,为猕猴桃膨大果的工业化在线检测及基于手机平台的猕猴桃膨大果识别软件的开发提供了新思路。     

基于模糊聚类的番茄目标快速识别算法

为准确而又快速地识别图像中的番茄目标,提出一种基于模糊聚类算法(fuzzy clustering means,简称FCM)的番茄目标识别方法,在目标函数中引入隶属度约束项,加快模糊聚类算法的收敛速度,快速分割番茄目标图像。为验证算法的有效性,利用多张番茄图像进行图像分割试验,并将本算法与FCM算法、Otsu算法的分割效果进行对比,结果表明,本算法对番茄目标的识别速度与识别准确率都得到了一定程度的提高。     

基于清晰度的茶叶嫩芽聚类分割方法

针对自然环境下茶叶嫩芽图像分割易出现过分割和欠分割等问题,提出一种基于清晰度评价和颜色聚类级联的嫩芽图像分割方法,并结合Tenengrad梯度评价和滑动分割获取清晰度较高的图像区域,然后在RGB、HSV、Lab、YCbCr颜色模型下进行聚类分割。结果表明,选取Tenengrad梯度值的上四分位数作为清晰度初选阈值,漏选率为25%;在HSV颜色模型下,利用K-means聚类方法完成嫩芽图像分割,晴天和阴天环境下嫩芽图像分割精度分别为72.48%和77.83%,较直接K-means分割方法相比,假阳性率分别减少5.19%和2.03%。该方法能够实现自然环境下茶叶嫩芽图像的有效分割,减少欠分割和过分割,为茶叶智能采摘提供理论参考。     

基于MRF和水平集的图像分割方法

传统的水平集方法忽略了图像的局部邻域信息,使得水平集曲线易停止于噪声点,导致对含有大量噪声、灰度相近的目标难以分割,且分割结果依赖初始轮廓的选择。因此,本文提出了一种基于马尔科夫随机场(MRF)的自适应水平集图像分割方法。首先利用K-means聚类获得图像的原始先验信息;然后结合MRF获得局部邻域能量信息;最后将MRF能量函数加入水平集中,来约束水平集演化的结果,进而对含有噪声的灰度图像进行自适应分割。通过与一些效果较好的水平集算法进行对比实验,证明了本文方法能够获得更加精确、鲁棒性更好的分割结果。     

基于SLIC和多尺度显著性的红枣图像分割算法

针对自然光条件下具有复杂背景的红枣图像,提出了1种新的图像分割方法。首先,该方法用简单线性迭代聚类(simple linear iterative clustering,SLIC)算法对图像进行超像素分割,并进行迭代合并处理,从而得到不同尺度的图层;其次,利用图像局部对比度估计和区域位置估计来获取相应的显著性图;最后,用K-means算法得到红枣图像聚类分割结果。结果表明,该方法能有效去除图像的复杂背景,消除红枣上光斑的影响,准确地将红枣图像从背景中分割出来。     

基于改进模糊聚类的烟草品质集成评价模型

针对烟草化学成分与烟草品质之间难以建立确定的数学模型的问题,提出了一种基于改进模糊聚类的烟草品质评价方法。该方法以烟叶样品的化学成分的差异性为依据,以模型分类结果与专家评吸结果的一致性为目标,利用模拟退火算法对现有的模糊聚类算法进行优化改进,建立基分类器;在此基础上,利用Ada Boost将基分类器对于不同样本集的多个分类结果进行集成,形成最终的烟草品质评价模型。以130组烟叶作为烟草样本,测定了各烟叶样品中总糖、还原糖、总氮、烟碱、氧化钾、氯离子、蛋白质7种化学成分含量,并采用改进的模糊聚类方法与神经网络算法、模糊聚类算法进行对比试验,该方法的误检率为6.7%,具有提升小样本数据的辨识能力,优于所比较的其他2种方法。     

基于梯度Hough变换的遮挡苹果目标定位

为实现自然环境中被枝叶或其他果实遮挡的苹果目标定位,提出一种基于图像边缘信息的梯度Hough变换的目标定位方法。该方法首先在Lab空间中利用K-means聚类算法对自然环境下苹果图像进行分割,然后对分割结果进行形态学操作以去除小区域,接着采用Sobel算子提取苹果目标的边缘,最后利用梯度Hough变换获取苹果目标的圆心及半径,实现遮挡苹果目标定位。实验结果表明,该方法能够有效定位遮挡苹果,定位重合度高达93.17%。     

基于图像特征融合的麦冬叶部病害识别

以川麦冬叶部黑斑病、炭疽病、叶枯病3种病害图像为研究对象,对比分析了双峰法、Otsu阈值分割法以及K-means聚类分割算法对麦冬病斑图像的分割效果。结果表明,K-means聚类算法结合数学形态学方法能满足病斑分割要求;提取病斑图像颜色、形状、纹理信息融合成病斑特征向量;运用方差分析与主成分分析法剔除了病害表征能力较差的特征参数并将特征向量维数降至10维;运用支持向量机设计出分类器进行病害识别,经试验识别率达到了90%。该方法具有成本低、算法简单、运行高效等优势,基本符合实际应用要求。     

改进的模糊C均值聚类算法和霍夫变换在榛子仁缺陷检测中的应用

以榛子仁为检测样本,采用模糊C均值聚类(FCM)算法进行图像分割;利用飞蛾扑火(MFO)算法改进其目标函数;利用函数对个体样本边缘提取,标记边缘拐点位置,计算拐点个数;对边缘图像进行霍夫(Hough)变换的椭圆曲线拟合,标记并输出饱满籽粒个数;依据试验数据,分析应用改进的模糊C均值聚类算法和霍夫变换对榛子仁缺陷检测的效果.结果表明:改进的模糊C均值聚类算法和霍夫变换,可以准确有效地对饱满、干瘪、霉斑、虫蛀、腐烂的5种榛子仁中的缺陷籽粒进行识别检测,提高榛子仁加工过程中的分拣效率.     

基于多水平集的植物图像分割

依据植物图像中不同目标的区域特征,应用多水平集分割算法分割植物图像.该算法能够将植物的花朵、叶片以及背景有效地分割开.与基于聚类的多尺度Ncut算法的分割效果进行比较,多水平集方法在分割效果上优于多尺度Ncut算法.     

基于超像素特征向量的果树冠层分割方法

针对无人机精确植保过程中,果树冠层区域颜色特征和杂草相似度较高、难以分割等问题,采用基于超像素特征向量的果树冠层分割方法,以消除不同杂草特征对树冠分离的干扰,减小农药喷雾区域,节省农药使用量.通过分析无人机采集合成的样本图像在HSV彩色空间上色调与饱和度的分布情况,选取合适的阈值范围,提取样本图像中包含果树冠层与杂草的绿色区域,将提取的绿色区域RGB图像转换生成Lab和HSV彩色空间模型下的图像,然后运用简单的线性迭代聚类(Simple linear iterative clustering,SLIC)超像素分割算法将RGB图像预设分割成250个超像素单元,结合超像素的分割信息与RGB图像、Lab图像、HSV图像以及灰度图,提取超像素单元的特征向量,随机选取25％的超像素样本的特征向量作为SVM分类器的训练集,利用SVM分类器对所有样本进行预测分类,实现果树冠层与杂草分割.将基于超像素特征向量的方法和基于光谱阈值、K-means聚类的2种方法进行对比分析,结果显示,基于超像素特征向量的方法在识别果树冠层位置方面生产者精度为90.83％,在提取果树冠层轮廓上F测度值为87.62％,总体分割性能优于后两种方法.说明,基于超像素特征向量的方法能够较为准确地分割果树冠层与杂草,为实现无人机在果园中精确植保提供重要支撑.