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。     

半色调图像纹理特征提取方法

提出基于局部二值化模式和像素相关算子的半色调图像纹理特征提取方法，以实现误差分散类半色调图像的分类。该方法是将误差分散类图像先进行局部二值化模式变换，再以任一像素点为中心，取适当的距离提取八个方向的像素相关值作为图像的特征向量，最后将提取的特征通过BP神经网络进行分类。实验结果表明，提出的算法适用于二值图像的特征提取，能够降低局部二值模式的特征维数，提高时间效率和空间利用率；相对灰度共生矩阵算法提出的算法在计算复杂度、识别精度等性能方面都有所改善。     

基于奇异值分解的多尺度变换域图像细化算法

由于多尺度变换域图像细化可降低图像存储难度与识别难度,图像细化核心即为骨架连通性,围绕保持图像骨架高度连通性这一宗旨,提出基于奇异值分解的多尺度变换域图像细化算法。首先,通过采用基于小波多尺度奇异值分解的图像特征提取算法,全面提取多尺度变换域图像中全部目标特征。然后,通过采用一种有效的图像细化算法判断图像细化时需留下的特征点,并去除图像中冗余像素点与冗余枝线,完成多尺度变换域图像细化。最后,根据本文所提算法将多尺度变换域图像以指纹、不规则图像等为例,对两幅图像细化,进行图像的细化测试。研究结果表明,所提算法细化后的图像纹理清楚,骨架分明,且图像纹络连通性较好;与同类型算法相比,该算法对多尺度变换域图像中冗余像素点和枝线的去除效果最佳。     

基于方向滤波器的指纹图像预处理算法研究

指纹图像预处理是自动指纹识别系（AFIS）关键步骤,它的好坏直接影响到整个系统的速度和准确率．在对现有指纹图像算法进行比较的基础上,详细介绍了方向滤波算法,实现了方向滤波器对指纹图像的预处理,取得了较好的效果并在实验结果的基础上,提出了改进的意见．     

基于控制标记符分水岭的医学图像分割

提出了一种适合医学图像分割的改进分水岭算法,针对分水岭算法存在的过分割问题,采用数学形态学重构滤波器和Ostu阈值分割方法对图像中感兴趣的目标和背景进行标记。根据标记的二值图像,运用形态学极小值标定技术对原有梯度图像进行修正。最后,使用分水岭算法对修正的梯度图像进行分割。该方法能有效抑制过分割现象,而且计算复杂程度较低、分割效果较好。     

基于提升小波和学习向量量化神经网络的小麦病害图像识别

通过研究小麦叶部病害的症状特点及图像特点,应用K_means硬聚类算法对小麦叶部病害图像进行彩色图像分割,得到二值化分割和彩色分割,利用多重分形分析从二值化分割图像中提取病害形状特征参数,分别利用提升小波变换和脉冲耦合神经网络从彩色分割图像中提取颜色特征参数和纹理特征参数.根据提取的组合特征参数,利用学习向量量化神经网络进行小麦病害分类识别.结果表明,该算法对小麦病害的识别率可达到95％以上.     

基于DWFMT非变异特征的指纹鉴别技术

为提高指纹鉴别率，提出了一种基于DWFMT变换提取特征进行指纹鉴别的新方法。采用离散小波变换进行小波分解指纹图像后对局部边缘进行平滑，从而减少指纹图像关于形状扭曲的敏感性，而Fourier-Mellin变换产生平移、旋转和伸缩的非变异特征．利用Fourier-Mellin变换的线性性质，使众多的DWFMT特征形成非变异的参考特征以减少输入指纹图像的变化．实验结果表明，其指纹鉴别率达到96％以上，当众多DWFMT特征被使用时，鉴别率可达到99％．     

玉米生长期叶部病害图像识别预处理研究

针对玉米生长期叶部病害的图像,引入图像模式识别技术,实现病害图像的预处理。基于传统算法的不足,提出一种改进的小波图像增强算法,提高了图像的识别精度;深入研究了病害图像的直方图均衡化预处理、基于矢量中值滤波的图像增强操作算法,并引入超绿特征值进行图像分割,从而实现了对目标图像的去噪、增强,为下一步的特征提取与病害识别打下了良好基础。     

基于改进的快速最大熵多阈值的成熟草莓图像分割

成熟草莓图像分割是草莓机械化采摘中首要解决的难题之一,最大熵多阈值算法是图像分割中效果较稳定的方法之一,但存在计算复杂度高、分割速度慢等缺点。为降低算法的计算复杂度、加快搜索速度,提出了一种改进的快速最大熵多阈值图像分割算法(IFMEMT)。首先提取RGB彩色图像的R分量灰度图像及灰度图像信息,然后应用IFMEMT算法求得最大熵及对应的阈值,最后进行图像分割。实验结果表明,在复杂环境下IFMEMT相对OTSU等图像分割算法不仅能达到相同甚至更好的分割效果,而且有更好的分割效率,能满足成熟草莓机械化采摘的实时性要求。     

基于二值化的数学形态学生物图像边缘检测算法

针对边缘检测算子对噪声敏感且检测边界相对模糊的缺点,提出了基于动态二值化的数学形态学边缘检测算法.该算法首先利用动态二值化方法确定将灰度图像转化为二值图像的阈值,然后利用数学形态学的腐蚀和去空洞相结合的方法去除二值化图像的噪声,最后用细化方法检测单像素图像边缘.仿真结果表明,该算法能降低噪声及图像模糊对边缘检测的影响,实现边缘的准确定位,并保留足够的图像细节,具有更强的去除噪声能力,为显微生物单体图像处理提供了一种有效的边缘细化检测方法.