基于最大类间方差的图像分割改进遗传算法

在基于最大类间方差传统遗传算法实现图像分割的基础上对其改进, 提出了基于染色体、基因位的"双自适应交叉概率"的改进遗传算法. 该方法利用待分割图像的直方图作为先验知识, 缩小了初始种群的选取范围, 提高了遗传算法的寻优能力. 实验表明, 改进的遗传算法应用于图像分割较传统遗传算法有更好的效果.     

基于最大类间方差法和数学形态学的遥感图像潮沟提取方法

潮沟作为潮滩的主要地貌类型之一,以长江口九段沙为研究对象,利用2015年2月15日获取的Landsat 8分辨率为15 m的全色波段遥感数据为数据源,选取了3条发育不同的潮沟。首先利用顶帽变换来消除直接利用最大类间方差法对图像亮度背景不均匀不能准确分割的问题,然后通过最大类间方差法找到一个最佳的阈值使潮沟和背景之间方差最大,得到二值化图像;接着通过形态膨胀对断裂的潮沟进行连接,并用形态去除方法剔除非目标;最后对潮沟进行骨架化提取和去除短枝处理,得到完整的潮沟信息骨架图。采用视觉分析和定量分析对提取的潮沟信息进行精度评价。结果表明,最大类间方差法和数学形态学的结合对潮沟信息提取有较好的效果,平均准确度达到93.0%,遗漏误差和冗余误差分别为7.0%和0.5%。     

支持向量机和最大类间方差法结合的水稻冠层图像分割方法

针对田间多变光照强度给水稻冠层图像分割带来的难题,探讨了一种基于支持向量机(SVM)和最大类间方差法(OTSU法)相结合的水稻冠层图像分割算法。首先,从不同光强条件下的水稻冠层图像中采集代表性水稻和背景像元构建训练图像S1和S2,通过分析水稻S1和背景S2两类图像在RGB色彩空间中R、G、B色彩特征值的分布频率,rgb(标准化RGB)色彩空间中r、g、b色彩特征值的分布频率,CIE L*a*b*色彩空间中L*、a*、b*色彩特征值的分布频率,以及HSV色彩空间中H、S、V色彩特征值的分布频率,筛选出具有明显双峰特征的g、a*、b*和S作为关键色彩特征;然后,在由g、a*、b*和S色彩特征构成的多维色彩空间中采用支持向量机学习算法获得分隔水稻和背景像元的优化超平面Z(Z=0.421g+0.753 a*+0.152 b*+0.051S+0.085);最后,计算水稻冠层图像中每一像元的Z值,并用最大类间方差法计算分割阈值Z_t,从而实现水稻冠层图像分割。为了评价该分割方法,以90幅不同光强(阴天、多云和晴天)条件下采集到的田间水稻冠层图像作为测试图像,并以常用的ExGOTSU分割方法作为对比,分析该分割方法的分割精度和光强稳健性。结果表明,Ex GOTSU方法的精确度显著受光强条件影响,随着光强强度的提高而显著降低,光强稳健性差;该研究所提分割方法对阴天、多云和晴天条件下水稻冠层图像的分割误差为7.30%、8.72%和8.98%,分割精确度较高,且具有良好的光强稳健性。因此,该基于支持向量机和最大类间方差法相结合的水稻冠层图像分割方法具有较高的分割精度和光强稳健性,可为田间多变光照条件下水稻冠层图像精准分割提供技术参考。     

基于区分矩阵的属性约简算法的作物病害识别方法

利用作物叶片症状进行作物病害识别是植保中的一个重要研究内容。提出了一种基于区分矩阵属性约简的黄瓜病害叶片图像分割与病害识别方法。首先,利用最大类间方差法对黄瓜病害叶片图像进行病斑分割;其次,提取病斑图像的36个分类特征;再次,利用基于区分矩阵的属性约简算法对36个特征进行特征选择;最后,利用最近邻分类器进行病害识别。在3种常见黄瓜病害叶片图像数据库上的试验结果表明,该方法是有效可行的,能够为基于病害叶片的作物病害识别系统研究提供参考。     

基于作物病害叶片颜色的病斑提取方法

作物病害是影响作物产量和质量的重要因素,如何进行病斑的准确提取是后期病害识别的一个关键步骤。为了提高复杂环境下病斑提取的准确率,提出一种基于叶片颜色的病斑提取方法,利用叶片正常部位和病害部位的颜色信息的不同,进行基于支持向量机的分割处理,从而得到很好的分割效果,然后对得到的图像进行最大类间差法处理,完成病斑的提取。结果表明,该方法具有有效性。     

基于可见光谱色彩指标Otsu 法的水稻冠层图像分割

水稻冠层数字图像分析技术在水稻生长监测、氮营养诊断及产量预测上具有应用潜力,而水稻像元精确分割、提取是水稻冠层数字图像分析结果准确、稳定、可靠的前提。最大类间方差法(Otsu法)具备分割质量稳定、自适应强的特性,分割效果较好,是一种常用的阈值分割方法。通过提取计算水稻冠层图像9种图像色彩指标R、G、B、CIEL*a*b*色彩空间的L*、a*、b*分量、HSV色彩空间的H分量、绿度叶片指数(GLD)以及植被指数(VIGreen),并以各种图像色彩指标的Otsu法对水稻冠层图像进行分割,比较其图像分割效果。结果表明,水稻和土壤像元的a*、b*、GLD、VIGreen色彩指标双峰性明显,且重叠性小,可作为分割水稻与土壤背景的候选图像色彩指标;基于a*、GLD、VIGreen色彩指标的Otsu法的分割精度较高,且基于a*色彩指标的Otsu法对水稻冠层图像分割效果的信噪比最大、误差率最低,其次是基于VIGreen色彩指标的Otsu法;基于CIEL*a*b*色彩空间的a*色彩指标是Otsu法的水稻冠层图像分割中较优的图像色彩指标。     

基于图像分割的玉米粒数高通量估算方法

设计了一种高通量玉米粒计数的方法,首先针对玉米穗分割对边界进行跟踪,根据方向变化幅度寻找"凹点",然后根据边界的方向对"凹点"两两连接进行图像分割;其次提出了改进的支持向量机分类算法的玉米粒识别,除了颜色信息外还将图像中的梯度信息加入分类的自变量中,避免了玉米粒的连通现象;最后通过面积对玉米粒粒数进行估算。结果表明,该方法精确度较高,准确率达到了96.4%;实现了高通量处理,解决了随机摆放的玉米穗粘连分割与高通量条件下图像模糊玉米子粒难以识别的问题。     

基于动态阈值的树木年轮图像分割方法研究

根据树木年轮图像的特点,提出了一种基于直方图变化特征的椭圆分块和最大类间方差法的树木年轮图像自适应分割方法。并运用该方法对落叶松的年轮图像进行分割,结果表明,该方法对树木年轮图像的分割效果非常理想。     

改进Otsu法的冠层图像分割及银杏叶面积指数估测

基于Otsu法对冠层图像临界处分割不准确的缺点,结合类间方差以及类内聚度对阈值选取及图像分割效果的影响,提出了一种改进阈值选取算法。利用银杏冠层图像分割实例进行比较,同时进一步拟合了图像信息与叶面积指数间模型,结果表明:(1)该改进法较传统Otsu法可得到更好的分割效果;(2)以分割得到的前景像素比值作为自变量,叶面积指数为因变量,拟合得到的模型能较好的描述冠层图像信息与叶面积指数间的关系;(3)提出了一种即时无损并快速可靠的叶面积指数估测方法。     

改进Otsu法的冠层图像分割及银杏叶面积指数估测1）

基于Otsu法对冠层图像临界处分割不准确的缺点,结合类间方差以及类内聚度对阈值选取及图像分割效果的影响,提出了一种改进阈值选取算法。利用银杏冠层图像分割实例进行比较,同时进一步拟合了图像信息与叶面积指数间模型,结果表明：（1）该改进法较传统Otsu法可得到更好的分割效果;（2）以分割得到的前景像素比值作为自变量,叶面积指数为因变量,拟合得到的模型能较好的描述冠层图像信息与叶面积指数间的关系;（3）提出了一种即时无损并快速可靠的叶面积指数估测方法。     

基于LXF模型水平集的玉米叶部病斑图像分割

农作物病害的发生对我国农业生产危害较大,运用机器识别技术对农作物病害图像进行自动识别有着重要的意义。主要介绍传统水平集和基于LXF模型水平集的分割算法原理,并且运用两种方法分别对玉米叶部病斑进行图像分割。实验表明基于LXF模型水平集的分割算法缩短了玉米病斑图像分割时间的同时病斑分割效果良好,为以后的特征提取、病斑种类的识别打下了良好的基础。     

基于混合颜色空间和双次Otsu的黄瓜靶斑病图像分割

为快速、准确地分割黄瓜叶部病害图像,提出一种基于混合颜色空间的双次Otsu算法。算法根据病害图像各部分的颜色特征,首先选取原始彩色图像的R分量进行初始Otsu分割和形态学相关操作,将R分量图分割为背景类和非背景类;然后选取非背景类图像的Cr分量进行第2次Otsu操作,将非背景区域分割为正常叶子类和病斑区域类,得到最终的分割结果。将该算法应用于黄瓜靶斑病图像的分割中,并与R_Otsu算法、H_Otsu算法以及图切割算法进行比较。试验结果表明:与对比算法相比,本算法在分割精度及处理速度2方面的综合分割性能最优,错分率均值和方差分别为2.12%和0.08%,平均处理时间0.2s,算法对光照变化具有一定的鲁棒性。本研究算法可为自然光照条件下黄瓜病害图像实时、准确分割提供技术参考。     

蓖麻籽水提物对黄瓜褐斑病菌的生物活性研究

采用水提法提取蓖麻籽中的成分,采用生长速率法测定了蓖麻籽水提物对黄瓜褐斑病菌的生物活性。测定结果为24 h4、8 h和96 h的EC50分别为4.0、5.4和7.9 mg/mL。该结果表明,蓖麻水提物对黄瓜褐斑病菌有明显的抑制活性,同时随着时间的推移,抑菌活性逐渐减小。     

基于改进型蚁群算法和Gauss-Markov随机场的植物病斑自适应分割

针对植物病害图像成分复杂、病斑排列无规则等特点,提出了基于改进型蚁群算法和Gauss-Markov随机场的自适应病斑分割算法。该算法采用自适应信息素更新策略,对信息量进行有差别的动态更新,克服了标准蚁群算法容易陷入局部最优造成的早熟、停滞现象。同时,利用Markov随机场的局部相关特性并结合Gauss分布组成线性平稳自回归模型,针对植物病斑特征建立分割模型。最后,采用改进型蚁群算法对其进行优化,并结合Gauss-Markov随机场最大后验概率估计,实现对植物病斑的自适应分割。仿真试验表明,改进后的算法能够针对植物病斑特性实现自适应分割,鲁棒性较好。然而,对于蚁群算法与Markov的最佳耦合方式及参数初始值的设置仍需作进一步研究。     

基于图像分割与卷积神经网络的水稻病害识别

为了提高水稻病害计算机视觉识别的准确性,研究提出针对水稻白叶枯病、赤枯病、胡麻斑病和纹枯病4种病害进行分类识别的模型。利用计算机视觉和机器学习软件库opencv对病斑图像进行随机旋转、随机翻转、随机亮度变换及随机对比度等处理方式扩充样本,应用区域生长、基于水平集的CV模型、显著性检测3种算法对图像进行分割。通过Tensorflow深度学习平台,构建网络层分别为6层（输入层32×32×3,卷积核大小为5×5）和8层（输入层227×227×3,卷积核大小为11×11、5×5、3×3）的卷积神经网络,将图像分割后得到的3组数据,均以8∶2的比例分别作为卷积神经网络的训练数据和测试数据,训练后得到6个模型,并结合召回率、F1评价指标对模型进行评估。结果表明,6个模型中训练识别准确率最低为97.66%,测试识别准确率最低为95.31%,其中以显著性检测分割算法和8层网络层的卷积神经网络结合得到的模型效果最佳,其训练识别准确率为99.99%,测试识别准确率为99.88%,相较于端到端的卷积神经网络水稻病害识别结果也有所提升。     

黄瓜细菌性角斑病的拮抗细菌筛选初报

从土壤中分离得到的120个菌株中，筛选出对黄瓜角斑病菌有较强抑菌活性的拮抗细菌B9。温室盆栽防治试验结果表明：该菌株显著抑制角斑病的发生，防治效果达72．1％；拮抗细菌B9在28℃、pH值7．0生长最好，培养60h时，其OD值可达到1．708。经初步鉴定，该拮抗菌株属于黄杆菌属（Flavobacterium　sp.）。     

基于支持向量机的苹果叶部病害识别方法研究

为提高苹果叶部病害自动识别水平并实现快速有效地识别苹果叶部病害,本研究首先采用小波滤波算法对采集的苹果叶部锈病、斑点落叶病的图像进行去噪平滑,然后利用病斑颜色差异和边界跟踪算法对病斑进行分离,最后提取病斑颜色、形状和纹理等方面的特征,采用支持向量机(SVM)技术对病害进行自动识别。试验表明,该方法对苹果叶锈病和斑点落叶病样本进行处理识别的正确率较高,能够满足实际需求。该结果对苹果叶部病害的自动快速诊断和防治具有一定的指导意义。     

基于GMM的黄瓜病害图像建模

通过对黄瓜病害图像的准确分析,有效提取了图像的底层特征,建立了8种常见黄瓜病害的高斯混合模型（Gaussian Mixture Model,GMM）,并利用最大期望算法（Expectation-Maximization,EM）估计GMM的参数,精确描述了8种黄瓜病害的特征分布,从而提高了对黄瓜病害的正确识别和为害情况的准确把握,为实现黄瓜病害的实时与准确的预测和防治提供了理论依据。     

烟草赤星病对不同部位烟叶产值量的损失研究

3云南大理州烟草公司,云南大理671000)摘要:在烤烟调制期分下二棚叶、腰叶、上二棚叶及顶叶四个部位,进行赤星病不同危害程度对烟叶产值量的损失研究。结果表明:烤烟受赤星病的危害后,腰叶、顶叶各危害级别间产量损失差异不显著;下二棚叶、上二棚叶当危害达3~4级时烟叶产量出现损失;下二棚叶病害级别与产量损失呈显著负相关;上二棚叶、顶叶病害级别与产量损失呈极显著强负相关。当危害程度达0.5级时,各部位烟叶值量开始下降,并随危害加重,值量损失逐渐增大;顶叶病害级别与值量损失呈显著负相关,下二棚叶、腰叶、上二棚叶病害级别与值量损失呈极显著强负相关。各部位烟叶病害级别与中等烟比例呈极显著强负相关,病害级别与下等烟比例呈极显著强正相关。