马铃薯病斑图像自动分割方法研究

本文使用了一种k-means聚类算法实现了对马铃薯叶片上的病斑提取,其原理利用ab二维数据在Lab空间模式上的颜色差异性。首先建立平方欧式距离作为马铃薯图像像素间的相似度距离模型,再以均方差作为聚类准则函数对颜色进行二分类聚类,最终完成了对目标区域的精准提取。从实验效果来看,该算法能较好的将马铃薯晚疫病病斑区域从图像中提取出来,分割结果较为理想。     

基于SVM和形态学的作物病斑图像分割方法

作物叶片病斑图像分割是作物病害自动识别的一个重要步骤,为了提高传统的基于阈值或聚类的叶片病斑分割方法的分割效果,提出了一种基于支持向量机(SVM)和形态学的病斑分割方法。首先利用SVM进行病斑图像分割,再利用开运算和闭运算来消除病斑图像中边缘的不连续性、病斑内部的小噪声和小洞。最后,通过对黄瓜细菌性角斑病图像进行试验,结果表明,所提出分割方法具有较好的分割效果。     

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。     

基于小波滤波与自适应阈值分割算法的玫瑰叶片病斑提取研究

针对玫瑰叶片白粉病病斑分布离散、无序且边缘细节复杂、传统图像分割算法提取病斑困难等问题,提出了一种基于小波滤波与自适应均值阈值分割（WT-AAT）的叶片病斑图像提取算法。首先,为了去除原始图像噪声,使用二维离散哈尔小波变换将图像进行二层小波分解,并依据高、低频子图像自动提取噪声系数,进而设定滤波阈值;然后,将高于阈值的噪声系数置零,并逆序对每层进行小波重构,最终生成等尺度的去噪图像;最后,采用可滑动窗口分割算法对去噪图像进行自适应分割,再根据子图的灰度均值设定二值化阈值,在二值化处理的基础上析取白粉病病斑。结果表明,与WaterShed、Prewitt、Otsu等传统分割算法相比,WT-ATT的像素漏警率的降低率分别为18%、18%和6%,说明该方法能够较为准确地分割出病斑,并达到良好的病斑辨识效果。     

基于优化PCNN模型的黄瓜叶片病斑提取方法

黄瓜叶部病斑的精确提取是计算机视觉技术在黄瓜病害识别系统中应用的关键。由于黄瓜叶部病斑形态小、光照不均匀、背景复杂等特性,导致现有的病斑提取方法精度较差。针对这一问题,提出一种基于优化脉冲耦合神经网络(pulse coupled neural network,简称PCNN)模型的黄瓜叶片病斑精确提取方法。首先,对采集的病斑叶片进行Lab颜色空间变换,通过对颜色分量的平均值和高斯滤波结果进行差值计算,获取病斑叶片的频率调谐视觉显著性图;接着,对病斑图像进行HSI颜色空间变换,提取色调(hue,简称H)分量,进行色调的均衡优化,并通过融合优化后的H参量来增强病斑叶片的频率调谐视觉显著性图;最后,对传统PCNN模型进行简化,构建网络参量的自适应更新规则,并将融合后的显著性图作为模型的输入参量进行病斑的分割和形态学处理,获取病斑的提取结果。结果显示,本研究方法能够实现在光照度改变、背景干扰等不同复杂环境下对黄瓜常见病斑图像进行精确提取,试验结果为后续的病害精确识别奠定了较好的基础。     

基于HSI颜色空间的植物叶片病斑提取方法

为了提高病斑图像的分割精度,提出了1种在色调-饱和度-强度(hue-saturation-intensity,HIS)颜色空间中植物叶片病斑提取的方法。使用高精度光学设备采集样本图片,用中值滤波对图像进行平滑处理,去除干扰;将图像由红绿蓝(RGB)颜色空间转换到HSI颜色空间,对色调(hue,H)、饱和度(saturation,S)分量阈值分割去除绿色像素,提取植物叶片病斑区域。结果表明,基于HIS颜色空间的植物叶片病斑提取方法是有效可行的。     

基于SVM的棉田冠层图像分割方法研究

复杂环境下的棉田冠层图像由于成像环境光照不均、冠层阴影部分与土壤背景对比度低等因素给棉田冠层图像的准确分割带来了困难.在对上述问题进行研究后,提出了一种基于支持向量机(SVM)的图像分割方法.该方法首先以图像目标和背景两类像素的分割特征值构建样本数据集;运用训练好的SVM分类器对棉田冠层图像进行分割处理,最后使用数学形态学滤波方法对分割结果进行优化,获得棉田冠层图像的精确分割结果.实验结果表明,该方法可有效分割出棉田冠层区域,分割误分程度以及分割准确程度均优于常用分割方法.     

基于脉冲耦合神经网络的植物叶片病斑分割

为了提高植物病斑图像的分割精度与效果,提出了1种基于脉冲耦合神经网络的植物叶片病斑分割方法。首先利用最大熵机制原理在RGB(红、绿、蓝颜色模型)、HSV(色调、饱和度、亮度颜色模型)空间中选出熵值最大的分量作为处理对象,再利用脉冲耦合神经网络(PCNN)模型,进行病斑的二值分割,最后对病斑部分进行彩色还原。通过与传统的最大类间方差法(OSTU)进行对比试验表明,该方法分割处理效果比较理想,鲁棒性好,分割准确率高。     

基于改进遗传算法的作物叶片病斑分割算法

基于改进遗传算法提出了一种作物病害叶片病斑图像分割算法。首先,将病害叶片图像运用分层抽样得到若干子样本。在每个子样本中运用改进遗传算法极大化样本的均值与方差比;其次,基于获得的样本信息对阈值数目和阈值进行自动预测;最后,利用一种确定性算法对阈值数和阈值进行进一步优化。结果表明,该算法无需考虑叶片图像的纹理和分割数等先验信息,具有较高的易用性,能获得较准确的叶片病斑图像。     

基于数学形态学的植物叶片图像分割方法研究

传统的边缘检测算子均属于线性滤波方法.数学形态学是一种非线性滤波方法,能够保持图像的基本形状特征,在图像处理各个领域广泛应用.仅用边缘检测算子或者数学形态学处理都不能得到理想的分割效果.根据边缘算子检测的结果,进行形态学滤波、数学形态学运算,采取不同的结构元素反复实验对植物叶片边缘信息进行提取.不用传统目测方法而是通过定量的分析实验结果,表明了边缘检测基础上进行形态学处理的分割方法的有效性.     

基于邻域直方图的玉米田绿色植物图像分割方法

为了准确分割绿色植物与土壤背景,克服田间环境的复杂性,比如植物阴影、残渣的存在和光照强度变化等外界因素带来的影响,采用图像处理和支持向量机方法,以超绿特征(2G-R-B)灰度图像为研究对象,以像素点邻域组成的灰度直方图特征作为输入特征向量,通过试验选出最佳训练参数和最优邻域窗口模型。实验表明,该方法适应不同光照强度,并且可以减小噪声、植物阴影和残渣对图像分割带来的影响,得到完整的分割图像。     

基于支持向量机的EO-1 Hyperion遥感图像分类研究

以EO-1 Hyperion高光谱遥感数据为基础,对其进行大气校正、几何校正、滤波等处理,采用支持向量机分类方法对其进行分类,选择不同的核函数,主要有线性核、多项式核、径向基核、Sigmoid核,其余采用相同参数设置,进而比较不同核函数在EO-1 Hyperion数据分类中的效果。结果表明,采用支持向量机方法对研究区域的EO-1 Hyperion遥感数据进行分类,采用不同的核函数对分类结果影响不大。     

基于形态学梯度的细胞图像自动分割

提出一种自动分割细胞图像的方法,利用数学形态学梯度运算对图像边缘进行锐化。再利用判别分析法自动确定梯度图像阈值,经后处理,可得单像素宽度细胞图像边缘。该边缘可描述医学图像中细胞的有效区域,实现细胞图像自动分割。为验证该方法的有效性,对30幅实际细胞图像进行分割试验。结果表明,该方法对细胞图像分割有较好的适应能力。     

基于GVF模型的蔬果图像快速分割方法

在结合贪婪算法的基础上,利用一种改进的梯度矢量流（GVF）算法,提出了一种对各种蔬果图像进行轮廓提取的新算法。试验表明,该方法在保持GVF模型原有特性的基础上大大提高了模型收敛的速度,且较好地限制了非目标边缘和噪声干扰的影响,能够满足果蔬采摘机器人对视觉系统的精度和实时性要求。     

图像处理技术在植物叶面特征提取中的应用

介绍了一种采用数字摄像头或CCD(Charge Couple Device)机获取叶片的数字图像,建立运用计算机图像处理技术,快速、准确地测定叶片面积、周长及其他相关特征值的叶片测量系统软件。该软件是利用VC++6.0语言,根据该文的算法编写的;它基于Windows平台,具有非常友好的用户界面,采用交互方式实现图像分割、系统标定和最终测量,提高了可靠性和测量精度,实现了非破坏性地测量,在农业、林业等领域具有广泛的应用前景。     

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。     

基于颜色均值显著点聚类的作物病害叶片图像分割方法

作物病害叶片图像分割是病害类型识别方法的一个重要步骤,其分割效果直接影响后续的识别结果。病害叶片图像的复杂多样性使得很多现有的图像分割方法不能有效应用于作物病害叶片图像分割中。针对复杂的自然病害叶片图像分割难题,提出一种基于颜色均值显著点聚类的作物病害叶片图像分割方法。该方法建立在HIS颜色空间,首先构造基于像素点HIS模型的带权无向图,然后计算病害叶片图像像素点的邻域的颜色均值,再计算该点前后两个邻域的颜色均值差作为该点的颜色跳跃度,当跳跃度大于设置的一个阈值时,该像素点为病斑点。结果表明,该算法具有较高的分割精确度和较好的抗噪声性能。     

多尺度各向异性小波收缩图像分割算法在玉米病斑特征提取时的应用

通过选取基于LXF模型的水平集图像分割算法和快速FCM聚类图像分割算法进行对比研究,并将结合小波收缩与各向异性扩散优点的多尺度各向异性小波收缩图像分割算法应用于玉米病斑图像分割与特征提取中,该算法的分割效果明显优于前两种分割算法。     

支持向量机模型在区域经济预测中的应用及评价

针对支持向量机方法所具有的拟合精度高、推广能力强、全局最优、针对小样本等特点,将支持向量机应用于对区域经济发展水平的预测中,建立了基于支持向量机的区域经济非线性预测模型。针对黑龙江省进行的经济发展模型预测及检验表明,该算法具有较高的精度和实用性。     

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。