基于混合特征与最小二乘支持向量机的山核桃鲜果识别

针对颜色和背景相似的山核桃鲜果不易分离的问题,研究了自然环境下成熟山核桃鲜果的机器视觉识别方法。该算法以2×2像素的正方形区域作为分割单位,选择颜色比值B/R、R/G作为颜色特征,选择了基于灰度直方图的特征描述参数如均值、标准方差、平滑度、三阶矩、一致性和熵,以及基于灰度共生矩阵的特征描述参数角二阶矩、对比度和熵作为纹理特征,共同构成特征向量,采用LS-SVM算法建立了识别模型,并利用该模型对80幅顺光图像和50幅逆光图像进行测试。试验结果表明:该方法在顺光、逆光下的山核桃鲜果有效识别率分别为92.48%、88.15%,可为山核桃采摘机器人的研发提供技术参数。     

基于纹理特征的木材年轮图像检测方法研究

针对树木年轮人工检测效率低、劳动负担重的问题,提高木材年轮检测自动化程度显得尤为重要。通过钻孔获取木芯并用电荷耦合器件CCD采集云杉(Picea)年轮扫描图像,提出一种基于纹理特征的木材年轮图像检测算法。首先,将RGB彩色图像转换到HSV空间,利用V分量的梯度值生成结构张量,并构成图像的纹理特征集,并用全变差(Total Variation,TV)模型进行灰度图像去噪,用模糊区域竞争(Fuzzy Region Competition,FRC)模型进行图像分割。最后,对二值图像进行形态学滤波,并利用长宽比和面积特征识别出年轮线。试验结果表明,提出的算法去噪能力强,分割效果好,边界数正确率100%,能很好地提取云杉木材年轮边界。该方法有助于提高木材年轮的自动化检测水平,可拓展应用于其它树种,在林业科学研究和林木生长监测等方面有很好的应用前景。     

基于灰度共生矩阵和分层聚类的刨花板表面图像缺陷提取方法

【目的】提出一种基于灰度共生矩阵和分层聚类的刨花板表面图像缺陷提取方法,根据缺陷部分与正常部分纹理特征不同,利用分层聚类算法将缺陷分离出来,以解决板面缺陷检测系统中刨花板表面纹理导致缺陷提取不准确的问题。【方法】将刨花板表面灰度图像划分成若干个窗口,使用灰度共生矩阵的统计特征参数对各窗口纹理进行表征,通过分层聚类算法将纹理特征不同区域区分开。首先确定灰度共生矩阵构造因子的取值,包括窗口大小、灰度级、方向和步长,构建出各个窗口的灰度共生矩阵;使用Fisher准则和线性相关性对灰度共生矩阵14个统计特征参数的表征能力进行度量,选取出分类能力强且相关性低的特征构成特征向量,所有窗口的特征向量构成样本集。然后运用BIRCH分层聚类算法对样本集进行聚类,为使聚类结果更准确,同时加快计算速度,提出一种优化策略,绘制样本集均值和统计直方图,将其波峰数量作为理想的类别数量,当聚类产生的类别数量大于理想类别数量时,将聚类结果中距离近的簇合并,解决聚类精度过高而导致的过分割问题。最后根据聚类结果,对原图像中各窗口进行标记,提取出缺陷区域。【结果】选择大小为512像素×512像素,带有杂物、油污、胶斑、大刨花和松软5种类型缺陷的刨花板表面图像,使用本研究方法能够准确将缺陷区域提取出来,精确度达92.2%,召回率达91.8%。【结论】基于灰度共生矩阵和分层聚类的刨花板表面图像缺陷提取方法,可解决因刨花板表面纹理导致缺陷提取不准确的问题,为机器视觉板面缺陷检测系统的缺陷度量和识别提供良好支撑。     

基于随机森林算法的纤维板表面缺陷识别

【目的】提出一种基于随机森林(RF)算法的分类模型,以实现纤维板表面大刨花、胶斑、杂物、油污的快速、准确识别。【方法】获取100张规格为4 800 mm×2 400 mm的纤维板表面图像,利用Otsu阈值分割算法对图像进行分割,提取缺陷区域的面积(S)、周长(L)、长宽比(OR)、紧凑性(J)、矩形度(P)、圆形性(O)、灰度均值(u)及灰度的标准差(σ_D)、平滑度(σ_P)、偏度(σ_S)、峰度(σ_K)和均方根值(σ_R)12个特征属性的特征值作为试验数据。使用100份试验数据构建RF分类器,采用Bootstrap方法随机抽取2/3数据和8个特征作为输入构建k株决策树,组成RF,以每株决策树袋外数据(OOB)误差率均值作为RF分类器的评估指标确定决策树数量k。采用100张纤维板厂家提供的带有大刨花、胶斑、杂物和油污的纤维板对分类模型进行测试。【结果】当k=600时,RF分类器的OOB误差率均值最低为0.004,利用构建的RF分类器对纤维板厂家提供的100张纤维板进行缺陷识别,正确率为99%,每张纤维板的识别时间为525 ms,在识别时间和正确率上明显优于神经网络(NN)和支持向量机(SVM)。【结论】基于随机森林算法的分类器用于纤维板表面缺陷在线识别具有可行性,能够实现纤维板表面缺陷的快速、准确识别,满足纤维板缺陷在线检测系统的的准确性和实时性要求。     

一种新的针叶材自动识别方法

提出通过横切面显微图像对针叶材树种进行计算机识别的方法。该方法通过提取图像的PCA特征,生成特征树,然后采用SVM对样本进行分类。使用8种针叶材,每种12个样本,并采用留一交叉验证,对图像的分割方法、最近邻与SVM分类算法和不同范数距离下的识别效果进行试验。结果表明通过部分木材微观的纹理结构进行木材识别的可能性。     

基于L*a*b*颜色空间对木材分类的研究

L*a*b*均匀颜色空间具有等距性和色差高分辨力的特点,非常适合色差较小情况下的颜色测量和比较.木材材色分布范围较窄,利用L*a*b*颜色空间中的颜色特征表示木材表面颜色,有利于木材材色之间的比较和划分.基于L*a*b*颜色空间,提取了东北常见五种树种木材图像的颜色特征进行分类研究,通过仿真试验得到了满意的分类结果.     

基于线性谱聚类的林地图像中枯死树监测

【目的】将基于线性谱聚类超像素的方法应用在森林病虫害防治领域,可智能监测无人机森林虫害图像中的枯死树,为森林有害生物的监测工作提供技术支撑。【方法】分别以湖北省受松材线虫与辽宁省受红脂大小蠹侵害的松林无人机图像为试验数据,首先使用线性谱聚类超像素分割算法将图像划分为多个超像素;然后基于枯死树木的颜色特征,初步提取可能为枯死树的超像素区域;最后基于枯死树木与其他干扰地物具有不同的纹理特征,计算超像素的区域密度和缝隙量,利用支持向量机对初步提取的超像素进行分类,从而检测出图像中的枯死树。【结果】基于线性谱聚类超像素和支持向量机的枯死树监测方法可有效排除与枯死树木颜色相近的其他干扰地物,较准确地提取出枯死树木。使用该方法与基于植被颜色指数的阈值分割方法、基于简单线性迭代聚类超像素和随机森林的方法,对35幅受灾松林无人机图像进行试验,并选用交并比、虚警率和漏检率3个评价指标对3种方法进行定量对比分析。结果表明,基于线性谱聚类超像素的方法监测出的枯死树区域最精确,其监测结果与人工检测结果的交并比均值大于58%,且虚警率和漏检率均优于另外2种方法。【结论】基于线性谱聚类超像素的枯死树监测方法能实现松林中枯死树的快速、准确检测及定位。     

基于特征优选的面向对象毛竹林分布信息提取

【目的】提出一种基于Relief F特征优选的面向对象分类方法,为解决面向对象森林资源遥感分类提供参考。【方法】以SPOT5高分辨率遥感影像为数据源,以浙江省安吉县山川乡为研究区,通过影像分割,选取8个地物类别的370个对象样本,并设置SPOT5影像每个波段的8个灰度共生矩阵纹理、每个波段及NDVI的平均值和标准差等42个对象特征。利用Relief F算法对设置的42个对象特征进行优选,采用面向对象的最近邻方法提取研究区毛竹林分布信息。为了比较基于最优特征的面向对象的分类结果,另采用CART决策树方法在相同的分割参数和训练样本前提下,通过样本构建决策树分类规则,对研究区进行分类并提取竹林信息。【结果】1)通过Relief F特征优选方法对分类特征进行优选,大幅提高了毛竹林样本的分类精度,与特征优选前相比,毛竹林样本分类精度由68%提高到88%,优选的红波段均值、绿波段均值、红波段均质纹理、红波段熵纹理和NDVI植被指数均值5个特征能够精确地提取研究区毛竹林分布信息,其用户精度和生产者精度分别达到97%和95%;2)基于CART决策树面向对象的研究区毛竹林用户精度和生产者精度均低于基于最优特征的最近邻分类结果,主要原因是CART决策树中毛竹林、针叶林和阔叶林之间的误分相对较高。【结论】Relief F算法特征优选时注重特征的分类能力,筛选的特征参与面向对象分割提取的毛竹林分布信息高于同类研究,可为面向对象多尺度分割森林资源遥感分类时特征的选取提供一个更为科学合理的方法。     

改进的区域生长算法在彩色年轮图像分割中的应用

提出了一种基于分水岭算法和区域生长算法相结合的彩色年轮图像分割算法,首先采用分水岭算法检测边缘,得到彩色年轮图像的大致区域分布,然后结合区域颜色和空间信息自动获得种子点,实现区域生长。分割结果表明,该方法能够更加快速地获得清晰的年轮边缘。     

基于k-mean聚类与灰度梯度最大熵的树木图像分割

提出一种基于k-mean聚类与灰度-梯度最大熵的树木图像分割算法,将要处理的树木彩色图像在RGB颜色空间下进行基k-mean聚类,通过选取合适的类参数实现初分割.由于灰度-梯度空间清晰地描绘图像中各个像素点的灰度、梯度的分布规律及图像目标与背景之间的边缘情况,采用灰度-梯度最大熵算法进行精分割,结合形态学后处理提取图像边缘最终将获得更理想的独立目标图像.与二维最大熵分割方法比较的实验结果表明,灰度-梯度最大熵算法提高了树木图像分割的准确度.     

基于图像显著性与最小二乘法支持向量机的柿子识别

为了提高柿子采摘机器人果实识别的效率与准确性,本文设计了图像显著性特征性分割与最小二乘法优化的支持向量机的果实分割与识别算法。根据视觉显著性原理,选取Lab空间下a分量作为处理颜色因子后进行显著性处理,然后使用k-means算法对图像进行分割,经过形态学处理后提取果实轮廓。提取果实颜色与纹理等特征值作为输入量,使用训练好的LS-SVM分类器对特征值进行判别,经实验室得,平均识别率在82.5%,相应时间为1.3s。能够满足课题需要。     

基于改进差分进化算法的鳞翅目昆虫图像识别方法

【目的】应用计算机图像处理技术提取昆虫图像特征,提出一种新的特征选择技术筛选昆虫识别相关的特征,以准确、快速地识别出鳞翅目昆虫种类。【方法】基于开源的利兹蝴蝶数据集和拍摄的以森林鳞翅目昆虫为主的数据集,采用改进的纹理特征提取算法(DRLBP)提取鳞翅目昆虫图像纹理特征,应用汉明距离计算的粒子间距离度量种群多样性,提出进化过程中自动调整多样性的方法,给出二进制自适应差分进化算法(BADE)。利用BADE算法筛选合适的较小维数的纹理特征子集,并用基于概率协同表示的分类器(PROCRC)进行图像分类。【结果】PROCRC分类器在所有数据集上均展现出良好分类效果,平均识别率分别为81.73%和88.18%。经特征选择后的昆虫的分类精度显著提升,最高提升率达13.49%。BADE的性能高于其他特征选择算法,且经BADE算法特征选择后纹理数据集的维数和分类所需时间均显著下降,其降维率接近50%,时间减少率最高达50%。【结论】BADE算法可有效进行特征选择,提高识别精度,节约模型的识别时间,利用群体智能优化算法对鳞翅目昆虫图像进行特征选择的方法具有可行性,DRLBP和BADE算法相结合的鳞翅目昆虫识别方法在农林昆虫的快速、准确识别中具有广阔应用前景。     

彩色树木图像分割算法的研究

树木图像分割是将树木与其周围景物分离的技术,是虚拟现实和计算机仿真等学科在林业应用的核心技术,也是机器视觉领域的重要研究方向,拓宽了计算机技术在林业中的应用。本项研究基于树木图像形状复杂的特点,设计并实现了一种结合C-V模型水平集及形态学处理的彩色树木图像分割算法。运用改进的最小化能量函数作为水平集的演化曲线,可以更加自然地改变曲线拓扑结构,对含有分裂、合并、形成尖角等复杂形状的目标对象分割更为有效。如果再结合形态学后处理算法,将初次分割图像中非目标区的细密纹理和噪声剔除,可以快速准确地得到全局最优的图像分割效果。同时进行了与基于梯度变换的改进分水岭树木图像分割和基于灰度-梯度最大熵的树木图像分割算法的对比试验,试验表明,结合C-V模型水平集和形态学算法对树木图像分割效果更为有效。     

基于多尺度遥感影像纹理特征的森林蓄积量反演

以国产"高分一号"卫星(以下简称GF-1)获取的遥感影像数据与少量研究区样地数据为数据源,构建以光谱信息与多尺度纹理特征为特征变量的森林蓄积量反演模型,探讨不同尺度下提取的纹理特征对森林蓄积量估测模型准确度的影响,通过对特征变量的优选,寻求一种提高森林蓄积量反演模型的准确度的方法。首先,对覆盖研究区域的GF-1遥感影像进行重采样,得到覆盖研究区域的不同分辨率的影像序列,基于不同窗口大小的灰度共生矩阵提取影像序列的纹理特征,与遥感影像光谱信息共同作为特征变量;然后,使用随机森林(random forest,RF)算法构建森林蓄积量反演模型,对研究区域的森林蓄积量进行估测,分析不同特征变量与窗口大小对森林蓄积量反演模型准确度的影响;最后,通过比较特征变量重要性,确定森林蓄积量反演模型的最佳特征变量与窗口大小选择,对研究区进行森林蓄积量反演,得到研究区域的森林蓄积量分布图。当使用从8m分辨率遥感影像提取的纹理特征与光谱信息作为特征变量时,森林蓄积量反演模型准确度明显优于使用其他特征变量。其中,当灰度共生矩阵窗口大小设置为9×9时,森林蓄积量反演模型准确度最高,为R~2=0.70,RMSE=6.317。在根据重要性对从多尺度遥感影像提取的纹理特征进行选择后,所构建的森林蓄积量反演模型的准确度为R~2=0.74,RMSE=6.439。使用较高分辨率遥感影像提取的纹理特征作为特征变量,可以有效的提升森林蓄积量反演模型的准确度。将基于不同分辨率遥感影像提取到的纹理特征作为特征变量,其模型准确度优于使用单一分辨率遥感影像所提取的纹理特征。     

基于Gabor变换的纹理图像分割算法及应用

基于Gabor小波的多尺度、多方向性,结合模极值特征提取方法和聚类算法提出一种新的纹理图像分割算法,并将算法应用到竹材横端面的识别中。二维Gabor小波可以在空域、频域和方向上获得最佳的分辨率,利用其对纹理图像进行分解,提取图像模极值纹理特征,用聚类算法对纹理图像进行分割。实验结果表明,提出的方法对合成纹理图像有理想的分割效果,并能够很好地对自然纹理图像进行分割。算法在竹材横端面的分割识别中,取得了很好的效果。     

噪声环境下木材纹理分类的研究

为了实现木材分类识别的自动化,应用灰度共生矩阵建立了木材纹理的参数体系,并进行了分类研究。首先在无噪声的环境下提取了木材的共生矩阵纹理原始特征参数,并对其进行特征选择,进而建立了木材纹理参数体系。对该参数体系进行噪声适应性测试的实验结果表明,无噪声情况下样本识别率为87.50%;0.2%￣1.0%椒盐噪声环境下样本识别率范围为87.00%￣88.00%。表明该参数体系具有良好的抗击噪声能力和一定的工程实用价值。     

基于无人机高分辨率影像的油松新造林健康树冠提取

【目的】基于新造林健康树冠的光谱特征和空间交错情况,探讨复杂地面植被条件下健康树冠的光谱增强方式和多尺度分割阈值,为造林核查的日常监测工作提供技术支撑。【方法】以冬奥核心区新造林地无人机航拍影像为试验数据,首先,基于健康树冠与其他干扰地物的不同颜色特征,采用同态滤波增强影像并使用ExG光谱指数进行变换;然后,采用最大类间方差方法得到二值图像,并使用多尺度形态学滤波方法进行分割并融合分割结果,以分割交错的树冠区域对应提取原始图像中可能的健康树冠区域;最后,基于颜色向量、灰度共生矩阵和局部二值模式共同构建的特征向量,采用随机森林识别提取区域,从而检测图像中的健康树冠。【结果】基于光谱指数变换、多尺度形态学滤波方法能够有效分割交错连续的树冠区域,排除与健康树冠颜色相近的地物干扰,较为准确提取出可能为树冠的区域。采用该方法对不同造林密度、光照条件下的17幅无人机正射图像进行试验,使用目视解译方式标记出树冠中心,运用精确度、召回率和F1分数3个评价指标对随机森林和支持向量机的识别效果进行定量对比分析,结果表明,多尺度形态学滤波方法可提取96.78%的树冠,随机森林的F1分数高于97%,而支持向量...     

基于LBP-DEELM的木材纹理分类算法

为解决传统木材纹理分类的准确率低且难度大的问题,提出了一种基于LBP-DEELM(局部二值-差分演化优化极限学习机)模型的木材纹理分类算法。在阐述局部二值算子(LBP)和差分演化优化极限学习机(DEELM)算法的基础上,使用均匀旋转不变的LBP模式提取纹理的特征值,结合差分演化算法进行极限学习机优化,通过训练得到每类纹理所对应的分类器模型参数,构造分类器,实现了对木材纹理准确高效的分类。实验结果表明,相比于BP神经网络,SVM支持向量机等分类算法,该模型的实验误差率为2%左右,准确率高,实用性强。     

无人机影像树冠信息提取研究

【目的】树冠是林木长势监测、树种识别、蓄积量估测等森林调查中的重要森林参数,对森林资源调查和生态研究等具有重要意义,相比于传统的人工实地调查的方法,通过无人机影像提取树冠信息,具有高效、准确和低成本等优势。【方法】以湖南衡山森林生态系统定位观测研究站实验样地为研究对象,以无人机影像为数据源,采用阈值法和K邻近法,分别对正射影像和冠层高度模型进行图像二值化,取其交集得到树冠区域图;利用数学形态学开闭重建滤波对树冠区域图进行去噪处理,有效平滑影像,避免影像对象边缘轮廓偏移;采用局部最大值法和最大类间方差法进行前景背景标记,根据影像标记修正梯度图像;利用分水岭分割算法提取树冠信息。【结果】在树冠区域提取中,基于阈值法和K邻近算法成功分割出树冠区域与背景区域,确定树冠分割范围。通过数学形态学滤波,有效地去除了由噪声及树冠内部的纹理信息所造成的伪局部极值,减少了分水岭分割算法的过分割现象,同时保护了树冠边缘轮廓及其位置信息。【结论】单木尺度上,树冠信息提取的F测度为75.98%;样地尺度上,提取的树冠面积相对误差为13.3%。基于无人机影像提取树冠信息的方法是可行的,能够快速准确地提取较高郁闭度林分的树冠信息。     

基于图像纹理特征的木材树种识别

利用木材图像的颜色、灰度、纹理等内容实现树种的相似性匹配检索,提取色调、饱和度、亮度、对比度、二阶角矩、方差和、长行程加重因子、分形维数、小波水平能量比重共9个特征参数,依据最大相似性数学原理,基于最小差值参数判别法和综合特征阈值法来检索样本.结果显示:基于图像纹理特征能够实现木材树种的检索和识别,综合特征阈值法的检索正确率与唯一性通常要好于最小差值判别法;但当被检索样本图像的纹理较弱或不呈现纹理特征时,检索结果的唯一性并不理想.综合而言,基于图像纹理特征最大相似性的木材树种检索识别较易实现,是一种值得继续发展和应用推广的木材树种识别方法.