基于MFICSC算法的生菜图像目标聚类分割

生菜图像目标分割是基于图像处理的生菜生理信息无损检测的前提。为了解决因生菜富含水分使得图像采集镜头反光而导致生菜叶片图像灰度分布不均的问题,该文采用一种修正的图像灰度均衡算法对生菜图像进行灰度均衡处理,应用混合模糊类间分离聚类算法(MFICSC)进行生菜图像目标分割,使总体类间距离最大化,能够同时生成模糊隶属度和典型值,对处理噪声数据和克服一致性聚类问题均表现良好。分别采用MFICSC算法和Otsu算法进行了生菜图像目标分割对比试验,结果表明MFICSC算法具有较好的聚类准确度,效果优于传统Otsu分割算法。     

基于K-means聚类和图像分割的紫色土发生层边界识别

土壤学始于对土壤剖面及其形态特征的观察,剖面发生层的划分与发生层边界特征的描述是土壤调查的基础。实地划分发生层需要丰富的土壤学实践经验,存在主观和缺乏统一划分标准的问题。以紫色土剖面图像为研究对象,采用K-means聚类和图像分割技术,结合图像的颜色特征（CIE Lab色彩空间）和纹理特征（Entropy）识别紫色土剖面发生层边界,并与实地划分的结果进行比较。结果表明：（1）CIE Lab色彩空间的a、b通道和Entropy纹理特征,可以划分出供试剖面的主要发生层（A、B、C）和基岩（R）;（2）聚类识别的发生层数量和发生层深度与实地识别的结果基本一致;除Z2剖面的C层和Z6剖面的Ap层聚类识别与实地识别的发生层下边界深度相差较大（分别为13 cm和8 cm）外,其余发生层下边界深度相差均在3 cm以内;（3）聚类识别的发生层边界形状更为不规则,明显度更为模糊。K-means聚类和图像分割技术实现了紫色土剖面发生层边界的客观识别,可为土壤剖面智能辨识系统的开发提供科学参考。     

基于空间特征谱聚类算法的含噪苹果图像优化分割

为了减少噪声对苹果采摘机器人的目标识别所带来的影响,对含噪苹果图像的分割方法进行了研究。该研究设计一种针对噪声具有鲁棒性的苹果图像分割方法,首先计算苹果图像的三维空间特征点的紧致性函数,用以构造邻近点的相似矩阵实现苹果图像的去噪效果;再利用离群点矩阵拆分并由其他剩余列向量线性表示,对相似矩阵进行离群点调优实现聚类优化,进而提出基于空间特征的谱聚类含噪苹果图像分割的优化算法,旨在提高分割算法的效率和识别准确率。通过对两幅苹果图像添加不同程度的高斯和椒盐噪声（方差分别为0.01、0.05和0.1的高斯噪声和概率为0.01、0.05和0.1的椒盐噪声）进行试验,分别求出谱聚类方法、基于空间特征的谱聚类方法和该文优化方法的苹果目标图像的分割图,并计算三类方法的分割准确率。该文优化方法对于单个苹果受不同噪声影响下的分割准确率均在99%以上,对于重叠苹果的分割准确率均在98%以上,对于所选取的30幅苹果图在方差为0.05的高斯噪声和概率为0.01的椒盐噪声影响下的平均分割准确率为99.014%。结果表明：谱聚类方法受噪声的影响较大;基于空间特征的谱聚类方法的分割效果受噪声的影响较小,但在边界区域仍然有很多错分的像素;优化方法在边界区域的分割要优于基于空间特征的谱聚类方法;在设定的试验条件下,其分割结果准确率相对于基于空间特征的谱聚类方法和传统的谱聚类方法可分别提高5%～6%和9%～25%。在分割效率方面,该文优化方法的分割时间低于传统的谱聚类算法,且与基于空间特征谱聚类方法接近。研究结果为苹果采摘机器人的快速目标识别提供参考。     

基于同态滤波和K均值聚类算法的杨梅图像分割

针对自然环境下光照不均杨梅果实分割效果不理想问题展开研究。应用同态滤波算法对HSV（色调hue,饱和度 saturation,亮度value）颜色空间下杨梅图像V分量进行亮度增强,以补偿光线。而后针对彩色杨梅图像的颜色特征,结合Lab（L（亮度Lightness）,a（色度chromaticity,+a表示红色,?a表示绿色）,b（色度 chromaticity,+b表示黄色,?b表示蓝色）颜色空间a、和b分量的特点,应用K均值聚类算法在Lab颜色空间中对彩色杨梅图像进行分割。为了验证该算法的有效性,在100余幅图像中选用15幅因光照不均和生长状态不同而存在不同程度阴影影响的杨梅图像,进行了3组比较试验,先采用K均值聚类算法对光线补偿去除阴影前后的杨梅图像分割结果进行比较;接着,采用基于色差2*R-G-B自适应灰度阈值分割算法和K均值聚类算法2种不同分割算法对去除阴影后的杨梅图像分割结果进行比较;最后,与基于灰度变换法、直方图均衡化方法的图像增强法去除阴影的效果进行对比。试验结果表明,该文算法的分割误差、假阳性率、假阴性率平均值分别为3.78%,0.69%和 6.8%,分别比光线补偿前降低了21.01,12.79 和21.14个百分点;与基于色差（2*R-G-B）自适应灰度阈值分割算法相比,分割误差、假阳性率、假阴性率这3个指标的性能平均提高了12.93,1.45和7.11个百分点;与基于灰度变换法图像增强法比较表明,分割误差、假阳性率、假阴性率平均值分别降低了32.94 ,6.85 和29.65个百分点,与直方图均衡化图像增强法相比,这3个值分别降低了24.92,6.12和33.06个百分点。通过试验结果图的主观判断和评价指标的定量分析,验证了该算法能有效地分割出杨梅目标,保证了杨梅目标在颜色、纹理和形状方面的完整度,研究结果为研究采摘机器人进行杨梅等果实的分割和识别提供参考。     

基于改进密度峰值聚类算法的梨花密度分级

精准判断梨花疏密程度是自动疏花的基础。为了更好地判断梨花密度,该研究提出了基于改进密度峰值聚类算法的梨花密度分级方法。该方法首先提取梨花位置坐标,获取需要聚类的数据点。其次,为了实现梨花图像的密度分级,针对原有密度峰值聚类算法在梨花密度分级中的不足,结合梨花密度分级需求,改进了对聚类中心的选取方式,通过4组局部密度和中心偏移距离分割阈值将决策图划分为4部分来选取聚类中心,分别对应高、中、低密度以及无需疏花处理等4个等级,实现了对疏密合理的梨花图像的准确分级。最后,针对只有团状分布、稀疏分布及大尺度特写的梨花分布聚类分级不准确的问题,改进了两点间的距离dij参数的计算方法,统一梨花尺度大小和密度分级标准,对所有分布类型的梨花图像均能实现合理的密度分级。试验结果表明,该研究算法能够适应不同尺度大小的梨花图像,预测准确率为94.89%,密度分级准确率达到94.29%,可实现自然环境下局部花簇的密度分级,为机器智能疏花提供了技术支持。     

基于K_means硬聚类算法的葡萄病害彩色图像分割方法

为了提高植物病害图像的分割精度与效果,根据植物病害症状及图像的特点,提出了一种基于K_means硬聚类算法（HCM）的葡萄病害彩色图像非监督性分割处理方法。该方法是在L*a*b*颜色空间模式下利用ab二维数据空间的颜色差异,以平方欧式距离作为像素间的相似度距离、以均方差作为聚类准则函数对颜色进行二分类聚类,并通过数学形态学运算对聚类结果进行校正。利用该方法对3种葡萄病害彩色图像进行分割的结果表明,该方法能够较为准确地将病斑区域从彩色图像中分割出来,对葡萄病害彩色图像的分割处理比较理想,鲁棒性好,分割准确率     

基于模糊C均值聚类的作物病害叶片图像分割方法研究

为提高作物病害图像的分割效果,根据作物病害图像的特点,提出了一种基于模糊C均值聚类算法(FCM)的作物病害图像自适应分割方法.该方法将像素的灰度与其邻域均值作为FCM的输入特征,变换FCM的隶属度函数使其包含图像的局部邻域特性;通过聚类有效性验证分析和试验确定模糊C均值聚类算法(FCM)的最优聚类数、模糊加权指数.运用该方法对棉花病害叶片图像进行分割.结果表明:该方法能较好将病斑部分和正常部分分割开,平均分割误差率小于5%,对作物病害图像的分割处理非常有效.     

基于K-means聚类的柑橘红蜘蛛图像目标识别

为快速检测红蜘蛛虫害,该研究采用基于Lab颜色模型中a(红/绿)、b(黄/蓝)层信息的K-means聚类法识别彩色图像中的红蜘蛛。试验选取8幅具有不同清晰度的柑橘红蜘蛛图像,采用基于Sobel边缘检测算子的评价函数计算图像清晰度评价值以评价图像清晰度,对比采用灰度法和包含2、3、4或5个聚类中心的K-means聚类法的目标识别效果和识别效率。结果表明,灰度法对8幅图像中红蜘蛛目标识别率平均值为29%,误判率平均值为201%,无法应用于复杂背景图像中的红蜘蛛目标识别。包含5个聚类中心的K-means聚类法对清晰度较高的图像识别率为100%,误判率为0,对清晰度较低的图像识别率为88%,误判率为0;当图像尺寸较小时,包含4个聚类中心的K-means聚类法识别效率与灰度法相当;当图像尺寸较大时,重复计算聚类中心导致识别耗时较长;基于Lab颜色空间的识别算法无法有效识别其他颜色的红蜘蛛,继续研究的方向为引入红蜘蛛形态信息以提高识别准确率和优化聚类中心的选取以降低识别耗时。     

基于机器视觉的小麦害虫分割算法研究

农业病虫害的自动识别是精准农业研究方向之一。以小麦蚜虫为例，运用机器视觉技术对非特定场景下害虫的分类和分割算法进行了研究。在分类上，训练了SVM分类器和基于k-均值聚类的分类方法。比较得出，SVM分类器和k-均值聚类算法在处理精度和速度上各有优势；在分割上，运用合并和分裂相结合的区域生长算法分割害虫和叶片，进行自动识别。分析表明，该算法对害虫的分类效果好、分割识别准确率达到90．7％，速度能够满足实时处理的要求，为农业机械精准施药提供了技术上的支持。     

基于彩色和深度信息结合K-means聚类算法快速拼接植株图像

图像拼接可以建立宽视角的高分辨率图像,对实现农业智能化有重要作用。基于Kinect传感器的图像拼接方法利用彩色和深度双源信息,能够有效避免图像缺失、亮暗差异、重影等拼接错误,但是存在拼接时间较长和目标植株不明显等情况。针对这一问题,该文提出一种基于Kinect传感器彩色和深度信息的目标植株图像快速拼接方法。首先用K-means聚类算法和植株深度信息提取彩色图像中有效植株区域,再采用SURF(speeded up robust features)算法进行特征点提取,利用相似性度量进行特征点匹配并根据植株深度数据去除误匹配,由RANSAC(randomsampleconsensus)算法寻找投影变换矩阵,最后采用基于缝合线算法的多分辨率图像融合方法进行拼接。室内外试验结果表明:该文图像拼接方法更能突显出目标植株且极大缩短了拼接时间,该方法图像拼接时间只需3.52 s(室内)和7.11 s(室外),较基于深度和彩色双信息特征源的Kinect植物图像拼接方法时间缩短了8.62 s(室内)和38.56 s(室外),且平均匹配准确率达96.8%。该文拼接后图像信息熵、清晰度、互信息、空间频率平均分别为6.34、50.36、11.70、11.28,图像质量较传统方法均有提高。该研究可为监测农业植株生长状态、精确喷洒药物提供参考。     

基于稀疏场水平集的荔枝图像分割算法

为了给采摘机器人提供完整的荔枝果实轮廓,该文选择HSV彩色空间中色调H分量的旋转分量作为图像分割的特征;然后,通过模糊聚类算法自动获取合适的初始演化曲线轮廓,再利用稀疏场水平集方法对目标区域轮廓进行精确提取;最后,对分割的区域进行标记,并利用图像标记来恢复分割区域的原始图像。结果表明,该算法不仅很好地克服随机噪声的影响,而且很好地保持果实区域的完整性,使成熟荔枝分割的正确率达到了84.1%。     

基于K-means聚类的植物叶片图像叶脉提取

植物的叶片是植物最基本、最主要的生命活动场所。叶脉的提取与分析对叶片和整株植物结构的分析有一定的应用价值。该文提出一种基于K-means聚类(clustering)的叶脉提取算法。该算法首先对叶片图像的HSI彩色空间中的I信息进行K-means聚类处理,根据聚类的结果提取叶片边界,并将叶片图像分为受光均匀和受光不均匀的2类。对于受光均匀的叶片图像在聚类结果中直接提取叶脉,而受光不均匀的叶片图像则需去除部分叶肉后再进行一次K-means聚类提取叶脉。结果表明:该算法能有效地降低叶脉提取的错分率。     

基于全卷积网络的哺乳母猪图像分割

猪舍场景下,光照变化、母猪体表颜色不均及与环境颜色对比度不大、母猪与仔猪的粘连等,均给目标分割带来很大的困难。该文提出了基于全卷积网络(FCN,fully convolutional networks)的哺乳母猪图像分割算法。以VGG16为基础网络,采用融合深层抽象特征与浅层细节特征并将融合的特征图上采样8倍的跳跃式结构,设计哺乳母猪分割的FCN。利用Caffe深度学习框架,以7栏伴有不同日龄仔猪的3811幅哺乳母猪训练样本进行母猪分割FCN训练,在另外21栏的523幅哺乳母猪测试集上的分割结果表明:该算法可有效避免光线变化、母猪颜色不均、小猪遮挡与粘连等影响,实现完整的哺乳母猪区域分割;分割的平均准确率达到99.28%,平均区域重合度达到95.16%,平均速度达到0.22 s/幅。与深度卷积网络的SDS(simultaneous detection and segmentation)及传统的基于图论的图像分割、基于水平集的图像分割方法做了对比试验,该文分割方法平均区域重合度分别比这3种方法高出9.99、31.96和26.44个百分点,有较好的泛化性和鲁棒性,实现了猪舍场景下哺乳母猪准确、快速分割,可为猪只图像分割提供了技术参考。     

基于K均值聚类和开闭交替滤波的黄瓜叶片水滴荧光图像分割

为了监测温室黄瓜叶片湿润情况以计算叶片湿润时间并用于病害预警,利用K-均值聚类算法实现黄瓜叶片的水滴荧光图像分割。选择人工气候室培育的健康且洁净的黄瓜叶片作为试验试材,采用移液枪向叶面、叶缘部位上滴水,模拟不同的叶片湿润情形,使用荧光成像仪蓝光镜头在白天（07：00）和夜晚（18：00）分别采集图像。应用 K-均值聚类算法在L*a*b颜色空间对水滴图像进行分割,首先要将原始图像由RGB颜色空间转换到L*a*b颜色空间,然后在在L*a*b颜色空间中利用a*b*二维数据空间的颜色差异,以欧式距离度量像素间的相似度,使用K均值对图像进行聚类,聚类得到的图像灰度化后进一步用数学形态学中的开闭交替滤波方法进行校正,最终完成图像分割。利用该方法对10幅含有不同水滴数量的黄瓜叶片荧光图像进行分割,为了验证该方法的有效性,分别采用基于H分量直方图分割算法、主动轮廓即C_V模型分割方法、融合K均值聚类和Ncut算法作对比试验。试验结果表明,该方法的平均匹配率、误分率相较于其他3种方法有明显的优势,平均匹配率为81.27%、平均误分率为9.57%,较之于其他3种方法,平均匹配率分别提高了44.11、11.50、10.90百分点,平均误分率分别降低了23.03、5.47和5.05百分点。该方法能够较为准确地将水滴从图像中分割出来,这为用计算机器视觉的方法监测黄瓜叶片的润湿时间提供了新的思路。     

基于数码相机的水稻冠层图像分割及氮素营养诊断

利用数码相机对作物进行快速准确的营养诊断,需要对图像中作物冠层部分与非冠层部分进行有效的分割。该文依据绿色植被和土壤在可见光区域反射光谱的差异,提出了根据数字图像绿色通道和红色通道差值的大小设定阈值对图像进行分割的方法。阈值设定为10～20之间时对水稻冠层图像有较好的分割效果,拔节期和孕穗期获得最佳图像分割效果的阈值分别为10与20。分割后图像中提取的特征参数与SPAD值、叶片含氮量等指标间具有良好的相关关系,其中红光标准化值NRI与两者间的相关系数达到-0.87和-0.65。该方法能准确地分割水稻冠层图像,且简便易行,对绿色植被的图像分割具有普适性,有较高应用价值。     

基于改进K-means聚类算法的大田麦穗自动计数

单位种植面积的小麦麦穗数量是评估小麦产量和小麦种植密度的一个重要参量。为了实现高效、自动地麦穗计数,该文提出了基于改进K-means的小麦麦穗计数方法。该方法建立从图像低层颜色特征到图像中包含麦穗的一个直接分类关系,从而不需要再对图像进行分割或检测。以颜色特征聚类为基础的这种方法能够估计麦穗在空间局部区域中数量,并且在不需要训练的情况下更具有可扩展性。统计试验结果表明,该文算法能够适应不同光照环境,麦穗计数的准确率达到94.69%,超过了传统基于图像颜色特征和纹理特征分割的麦穗计数方法 93.1%的准确率。