基于蚁群算法的玉米植株热红外图像边缘检测

针对热红外图像目标与背景区分不明显、效果模糊,以及传统的Roberts、Sobel、Canny等边缘检测方法难以取得理想检测效果的特点,以玉米植株为测试对象,首次将蚁群优化算法应用于热红外图像边缘检测。该算法由初始化过程开始,进行N步迭代构造信息素矩阵,然后执行信息素过更新过程,最后图像边缘由决策过程给出。仿真实验结果表明,该算法与传统边缘检测算法相比,能够较好地得到边缘检测结果,可为农作物热红外图像处理提供一种新的方法。     

基于MATLAB的奶牛数字图像边缘的提取

奶牛数字图像边缘提取是奶牛体型线性评定的前期准备.为此,详细介绍了Sobel算子、Roberts算子、Prewitt算子、LOG算子和Canny算子,分别用这些算子对奶牛数字图像进行MATLAB仿真,并对仿真结果进行了分析比较.结果表明,采用改进后的Canny算子提取奶牛数字图像边缘能够有效地抑制噪声,图像连续性好,比较完整地显示了奶牛图像的整个边缘.     

基于HED网络的奶牛边缘图像特征提取

对奶牛的图像进行高精度边缘特征提取,为奶牛的个体识别或者奶牛的线性评定提供重要的评判依据,可以更好的实现奶牛保险业的自动化管理。采用基于FCN和VGG改进的边缘检测HED(Holistically-Nested Edge Detection)网络,在caffe框架下通过MATLAB实现对奶牛原始图像的边缘特征提取。将HED网络检测出的边缘特征图像与传统优化过的Canny算子作比较,无论从直观的边缘图像对比,还是数据的对比,HED网络的效果远远优于传统算法。用500张奶牛图片在BSDS500上进行性能评估,其中200张为训练图片,200张为测试图片,100张为检验图片。HED网络的奶牛边缘检测效果比Canny算法提高18.6%,大大提高奶牛边缘图像的处理精度、去噪声能力。将HED网络检测出的奶牛边缘图像为奶牛的识别提供重要依据,实现奶牛保险业高效的自动化管理。     

基于边缘检测和BP神经网络的大豆杂草识别研究

为提高无人机喷洒除草剂的精准度,以阔叶型杂草、禾本科杂草作为研究对象,针对传统图像识别技术准确率低,边缘信息丢失严重等问题,提出基于改进Canny边缘检测算法和BP神经网络相结合的大豆杂草图像识别方法。首先采用改进后的Canny算法对图像进行特征提取,然后将提取到的结果转化为特征矩阵向量,作为BP神经网络的输入层,最后通过BP神经网络进行大豆杂草图像识别,区分出不同种类的杂草。试验结果表明,改进后的Canny算法同BP神经网络相结合的方法在阔叶型杂草和禾本科杂草识别上,准确率分别为95.67%和93.33%,较传统Canny算法同BP神经网络相结合的方法准确率分别提升5.83%和5.66%。     

基于改进Canny和灰度矩的水下图像边缘检测方法研究

针对水下图像对比度差、模糊,致使检测出的边缘存在不连续和伪边缘的问题,提出一种基于改进的Canny和亚像素的水下图像边缘检测方法。采用改进的Canny算法检测水下图像的像素级边缘,在此基础上采用灰度矩提取图像的亚像素边缘特征,提高边缘的定位精度和检测率。实验结果表明,提出的算法相较于传统的像素级边缘检测算法在边缘轮廓的提取、减少伪边缘、提升边缘精度方面有较大优势,尤其是对深海环境中光源单一以及图像对比度差的物体边缘的检测具有更显著的效果和定位精度。     

改进Canny算法在再制造视觉检测中的应用

为了提高再制造生产过程中对废旧零件检测分类的效率,本文将视觉检测应用于再制造生产过程,提出把图像的边缘信息作为零件分类的重要依据。通过分析传统Canny算子存在的缺陷,本文引进了开关型中值滤波,弥补了高斯滤波抑制噪声能力差的缺点;并用OTSU自适应求取阈值,避免了传统Canny算法中对阈值的人工调整。实验结果表明,该方法能够获得清晰完整的边缘轮廓,可以用于再制造生产过程中对零件的检测分类,并有较高的效率。     

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.     

水田田埂边界支持向量机检测方法

提出了基于支持向量机的水田田埂边界线的检测算法。采用支持向量机分类算法代替传统的图像分割算法,分割水田图像,提高了在不同光照条件下田埂边界检测的鲁棒性。图像预处理阶段引入超像素分割算法,大大减少了后续图像处理的计算量,并为支持向量机的模型训练提供大量的样本。选取足够数量的超像素样本,提取其颜色特征和纹理特征,构成19维的特征向量,并作为训练支持向量机模型的输入。使用训练好的支持向量机模型识别新图像中的水田田埂区域,模型评价指标F1分数达到90. 7%。采用霍夫变换提取田埂边界,在NVIDIA的Jetson TX2硬件平台上,算法总运行时间在0. 8 s以内,有效满足了水田直播机的实时性要求。     

基于HOG特征的IKSVM稻瘟病孢子检测

为解决稻瘟病孢子的人工检测过程中主观性强、自动化程度低、效率低等问题,提出一种基于梯度方向直方图特征（HOG特征）的加性交叉核支持向量机（IKSVM）的稻瘟病孢子检测方法。该方法首先利用图像采集系统采集稻瘟病孢子图像,利用Gamma校正法调节图像的对比度,抑制噪声干扰;然后,提取孢子图像的HOG特征作为输入向量,输入到支持向量机中,构建加性交叉核支持向量机分类器;最后,通过训练得到稻瘟病孢子分类器。为测试所提出的HOG/IKSVM方法的综合性能,分别选用HOG/线性SVM方法与HOG/径向基核SVM（HOG/RBF-SVM）方法做对比试验。试验结果表明,HOG/IKSVM的检测率为98.2%,高于HOG/线性SVM方法的79%;在平均检测时间上,HOG/IKSVM方法的平均检测耗时仅为HOG/RBF-SVM方法的1.1%。说明该方法可以进行稻瘟病孢子室内检测识别。     

基于图像边缘检测的红枣分级方法

我国红枣的种植规模庞大,但加工水平不高,影响了其竞争力和经济效益。分级是水果进入市场之前的重要处理环节,对经济效益有提升作用。与传统方法相比,计算机视觉分级的检测精度高,能实现无损分级。图像边缘检测是基于计算机视觉分级的核心,合适的边缘检测算法能够极大地减少计算量,提高分级效率。为此,建立了一种基于图像边缘检测的红枣分级方法,利用小波变换、自适应Canny算法和梯度算法分别检测边缘,并计算红枣的大小和表面缺陷比率作为等级划分依据。试验表明:3种算法对边缘的定位精度都很高,能有效检测到表面缺陷。这3种算法各有优缺点,自适应Canny算法是最为理想的检测算法。     

基于热红外遥感影像的作物冠层温度提取

热红外影像较难直接提取作物冠层区域,因而无法获得较精准的作物冠层温度。本文以拔节期的玉米为研究对象,利用六旋翼无人机搭载热红外成像仪和大疆精灵四Pro无人机,获得热红外影像及正射影像。基于高分辨率正射影像,采用改进的Canny边缘检测算子、支持向量机(Support vector machine,SVM)和小波变换3种方法提取玉米冠层区域,将提取结果进行二值化处理后,在热红外影像中以此生成掩膜并提取玉米冠层温度。应用提取的矢量面分析提取效果并对3种提取算法的精度进行评价。实验结果表明,改进的Canny边缘检测算子提取效果最优、SVM算法次之、小波变换最差,提取精度分别为87. 3%、74. 5%、68. 2%。同时,将手持测温仪测得的玉米冠层温度与提取的冠层温度进行误差分析,结果表明,基于改进的Canny边缘检测算子提取的玉米冠层温度与地面实测值相关性最高,决定系数R~2=0. 929 5,SVM算法决定系数R~2=0. 895 7,小波变换决定系数R2=0. 876 0。改进的Canny边缘检测算子能够更好地提取玉米冠层区域,获取更加精确的玉米冠层温度,从而能够更有效地监测玉米生理状况,进行旱情预测,制定合理的灌溉、施肥措施以提高玉米产量。     

基于三维点云的叶面积估算方法

为实现低成本无损精确测定叶片面积,基于运动恢复结构算法获取点云,提出了一种融合叶片点云分割、表面重建及叶片面积无损估测等过程的植物叶片面积提取方法。首先,基于运动结构恢复算法,以智能手机获取的可见光图像重建植物的三维点云;其次,为了还原叶片表面形状,基于HSV颜色空间,使用阈值分割法去除叶片点云的噪点;使用K-means聚类算法对点云的三维坐标矩阵进行分类,实现单片叶片点云的分割;基于滚球算法重建叶片的表面网格模型;最后,通过计算网格面积求得叶片面积。与常规叶面积测定方法进行了对比,本文方法的计算结果与扫描叶片法测定值相比平均误差为1.21cm2,误差占叶片面积的平均百分比为4.67%;与叶形纸称量法测定值相比平均误差为1.41cm2,误差占叶片面积的平均百分比为6.05%。结果表明,本文方法成本低、精确度高,可满足植物叶片面积无损精确测定的需求。     

自然环境下重叠果实图像识别算法与试验

针对非结构化自然环境中光照变化和对象重叠特征等外界因素给图像处理带来的难题,提出了一种自然环境下重叠果实的图像识别与边界分割的组合优化算法。该组合优化算法首先对原始图像进行噪声滤波处理,然后利用Sobel算子以及改进算子的最大类方差法(OTSU)来辨识重叠果实目标;接着采用K-means算法对重叠目标的像素进行聚类得到单个目标位置,再结合边缘检测结果的连通域分析及区域生长获得单个目标边界的大致区域;最后利用基于限制区域的分水岭算法,得到目标的精确边界。为了验证所提算法的有效性和适应性,进行了试验研究。试验结果表明:所提出的组合优化算法不仅可以在自然环境下从重叠物体图像背景中识别出重叠目标,而且还可以从重叠目标中分割出单个目标的精确边界。     

基于亚像素定位的图像边缘检测策略研究

针对图像处理与计算机视觉技术中低对比度、边缘模糊图像的边缘检测问题,参考局部极值与梯度方向两种因素,并结合图像边缘方向趋势,提出了一种单像素边缘跟踪策略。相较于应用广泛的Canny算法,该跟踪策略无需设置全局阈值,实现方式更为简洁、高效;提取的图像边缘连续、平滑、完整,并有效地减少了图像边缘的冗余像素,进而提升了图像后续处理的效率;边缘跟踪方向抗干扰性强,具有较强的鲁棒性。为了减小检测的图像边缘与真实图像边缘之间的偏差、提高图像边缘检测的精度,参考边缘像素点的相邻区域灰度,以边缘像素点的梯度分布为依据对该像素点进行亚像素定位。经实验验证,经过亚像素优化的图像边缘检测策略可用于检测边缘模糊、对比度低的图像,检测的图像边缘完整、连续且平滑。该策略有效地消除了程序运算中引入的截断误差,提升了图像边缘检测精度,且适用于亮度5~100000lx的高动态成像场景中。     

基于融合显著图与GrabCut算法的水下海参图像分割

为实现海参捕捞和海参疾病诊断的自动化,应先解决真实养殖环境下海参的图像目标分割问题。为此提出一种融合显著图模型和GrabCut算法的水下海参图像分割方法。该方法改进了传统的GrabCut算法,通过对单尺度Retinex算法分析,对水下图像进行增强,结合基于区域对比度的显著性区域检测方法和直方图均衡的方法,得到海参区域图像的部分前景和可能的背景,并以此初始化GrabCut算法的掩膜,最后进行GrabCut算法迭代,得到图像目标分割结果。通过与Otsu法、分水岭法、传统GrabCut算法对比分析表明：所提方法能够准确分割出图像中海参目标,并能克服背景噪声,保留目标图像细节,算法正确分割率达到90.13%,满足海参图像目标分割的 需要。     

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。     

基于改进Cascade R-CNN和图像增强的夜晚鱼类检测

针对光照不均、噪声大、拍摄质量不高的夜晚水下环境,为实现夜晚水下图像中鱼类目标的快速检测,利用计算机视觉技术,提出了一种基于改进Cascade R-CNN算法和具有色彩保护的MSRCP（Multi-scale Retinex with color restoration）图像增强算法的夜晚水下鱼类目标检测方法。首先针对夜晚水下环境的视频数据,根据时间间隔,截取出相应的夜晚水下鱼类图像,对截取的原始图像进行MSRCP图像增强。然后采用DetNASNet主干网络进行网络训练和水下鱼类特征信息的提取,将提取出的特征信息输入到Cascade R-CNN模型中,并使用Soft-NMS候选框优化算法对其中的RPN网络进行优化,最后对夜晚水下鱼类目标进行检测。实验结果表明,该方法解决了夜晚水下环境中的图像降质、鱼类目标重叠检测问题,实现了对夜晚水下鱼类目标的快速检测,对夜晚水下鱼类图像目标检测的查准率达到95.81%,比Cascade R-CNN方法提高了11.57个百分点。     

基于ComⅥ和双阈值OTSU算法的农作物图像识别

针对农作物图像中依附泥土和杂质噪声呈现不规则性和复杂性特点,提出了一种基于植被指标合成双阈值OTSU算法的农田作物图像识别方法.该方法根据农作物充分显露和部分被遮盖2类图片特点,将图像识别过程分为3个阶段：首先利用植被指标合成获取农作物图像灰度图,然后根据双阈值OTSU自适应算法进行二值化处理与图像分割,再进行正常的形态学运算,将3个阶段所分割的图像叠加形成最终的农作物与土壤识别图像,并将该算法与双阈值迭代设定法进行了对比.试验研究表明该算法克服了传统灰度图算法和阈值迭代算法的缺点,能有效提取和识别过渡区域的边缘,图像识别的准确率为92.7%以上.最后,采用Visual Basic2010和Matlab 2012软件设计了农作物图像识别系统,从应用角度实现了图像识别的可视化与自动化.     

改进的CLAHE无芒隐子草叶切片图像增强

无芒隐子草叶切片图像在获取过程中不可避免产生低对比度图像,对后续处理产生影响.为此,针对传统的限制对比度自适应直方图均衡化方法(contrast-limited adaptive histogram equalization,CLAHE)对较暗图像处理效果不佳的问题,提出了基于自适应亮度调整的CLAHE图像增强算法.该...     

无芒隐子草叶片卷曲度和厚度测量方法

针对叶片卷曲度和厚度交互式测量方式费时、费力、误差大,传统图像处理算法普适性不高等问题,以无芒隐子草叶片为研究对象,采用基于Graham 算法的最小外接矩形法实现叶片卷曲度的测量,采用矢量积法和角点检测相结合的凹凸点检测算法实现叶片厚度的测量。首先,通过石蜡制片获取无芒隐子草叶切片,利用显微镜连接计算机获取切片图像;然后,采用红色灰度化方法结合阈值分割将切片图像的目标和背景分离;最后,根据叶片卷曲度和厚度的实际测量方式,采用Graham算法通过求取目标区域的最小外接矩形实现叶片卷曲度的测量,将矢量积法和角点检测相结合检测目标区域的凹凸点,通过凹点与凹点、凸点与凸点匹配实现叶片厚度的测量。选取30幅无芒隐子草叶切片图像为样本进行了试验,结果显示,采用本文提出的红色灰度化方法和分量法、最大值法、平均法、加权平均法对图像进行灰度化处理后,图像信息熵分别为6.4280、6.3612、5.6679、5.9348、6.0526,图像平均梯度分别为0.0785、0.0242、0.0158、0.0093、0.0104,图像对比度分别为0.2641、0.1130、0.0574、0.0703、0.0784,说明本文方法能更好地保持图像的边缘、细节等信息,图像清晰度更高。进行自动阈值分割后,分割的平均误检率为0.75%,平均漏检率为3.49%,平均整体分割精度达到98.14%。在有效分割目标和背景的基础上,对叶片卷曲度和厚度进行测量,并与交互式测量结果进行相比,结果表明,采用本文方法对叶片卷曲度和厚度的测量值与交互式测量值的平均相对误差分别为0.96%和3.69%,测量速度分别提高了约10倍和37倍。