基于改进C-V模型的木材表面缺陷图像分割

木材表面缺陷会严重影响木材的质量、性能和使用价值,对木材表面缺陷分割检测有利于提高木材的利用率,节约现有木材资源,缓解森林资源短缺的压力。针对传统的C-V(Chan-Vese)模型算法不能分割灰度不均匀图像的缺点,本文采用C-V模型与形态学结合的方法与传统的C-V模型算法进行对比试验。与此同时,根据C-V模型和C-V模型结合形态学方法的不足之处,在C-V模型基础上,引入局部拟合函数和高斯核函数,提出了一种基于C-V模型的改进算法,能够有效地克服C-V模型的不足。通过对木材表面缺陷图像分别采用传统C-V模型算法、C-V模型与形态学结合的方法和改进的C-V模型算法进行多组针对单一目标的木材表面缺陷图像的对比试验。结果表明:C-V模型能够将虫眼和活节缺陷图像分割出来,但是对纹理干扰强烈的死节缺陷图像分割困难;运用C-V模型与形态学结合的方法,可以有效地消除分割结果中的细小空洞和噪声,但是仍无法抵抗死节缺陷图像中木材自身纹理的干扰,难以将死节缺陷完整地分割出来;改进的C-V模型算法对木材表面缺陷图像的分割能够减少迭代次数,缩短分割时间,使分割轮廓线更加光滑和完整。通过采用改进C-V模型算法对多目标木材表面缺陷图像进行试验,能够更好地验证改进算法的优越性、有效性和可行性。      

改进C-V模型在YCbCr空间下的羊体图像分割

针对羊体图像背景复杂、分割难以及不同光照条件干扰羊体图像的问题,采用一种基于YCbCr空间改进C-V主动轮廓模型的分割方法,对具有复杂背景的羊体图像分割进行研究。结果表明:1)根据羊体图像的颜色特点,对羊体图像进行从RGB空间到YCbCr空间的转换能克服拍摄环境中光照对羊体的影响;2)利用手动勾画羊体的粗略轮廓构造预处理水平集,对其内部、外部以及边界进行划分后可以演化羊体图像的轮廓。试验证明改进C-V模型能对复杂背景下的羊体图像进行准确分割,分割结果能够应用到后续羊体测量点的识别中。     

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。     

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C-V主动轮廓模型的“陡峭”边界的微藻图像分割

采用Chan和Vese的C-V主动轮廓模型以及本文中改进的C-V主动轮廓模型对几类典型的海洋微藻图像进行了分割。当微藻图像的主要边界曲率变化较大,即主边界"陡峭"时,直接使用C-V主动轮廓模型难以获得微藻图像的边界。在改进的C-V主动轮廓模型中,通过人机交互绘制粗略的初始边界,并将其设定为初始零水平集,将符号函数引入到初始水平集中定义内外能量,再通过适当的参数调整进行图像边界的演化。将采用两种模型算法获取典型的海洋微藻图像边界的过程进行对比可知,对于带"陡峭"边界的微藻图像,采用C-V主动轮廓模型难以获得或以较慢速度获得图像边界,而采用改进的C-V主动轮廓模型不仅图像边界获取速度快,而且边界信息量大。实验结果验证了改进的C-V主动轮廓模型算法的有效性,为微藻图像的分割提供了新的技术手段。     

结合C-V模型水平集与形态学的彩色树木图像分割

树木图像分割是一种从图像中把树木与周围背景完整分离的技术,是计算机仿真学科在林业应用方面的核心内容,也是计算机视觉方向的研究热门,为林业应用提供一定的技术支持。根据树木图像含有分裂、合并、形成尖角等相对比较复杂形状的特点,首先对图像运用基于C-V模型水平集的计算,通过计算活动轮廓长度和差异量来判断迭代收敛的情况,待迭代稳定后对其进行形态学后处理操作,将某些过分割区的细密纹理和噪声剔除,从而得到全局最佳优化的图像分割效果。为彩色树木图像的分割提供一种更为有效的方法。     

基于改进UNet++模型的葡萄黑腐病病斑分割和病害程度分级

为了解决葡萄病害图像边缘分割模糊和发病初期分割难的问题，基于PlantVillage数据集中的葡萄黑腐病图像，提出一种基于改进UNet++的葡萄黑腐病病斑分割模型。该模型在提取图像特征时：一方面，采用自适应软阈值化方法消除噪声影响，提高葡萄病斑边缘的分割精度；另一方面，采用长、短连接结合的方式构建UNet++中的跳跃式连接结构，降低模型的计算复杂度。同时，在模型的横向输出层中融合多尺度特征，增强病斑的语义信息，进一步提高目标分割精度。在该模型的损失函数中，将Dice损失函数和交叉熵损失函数进行线性加权组合，以解决病斑像素面积与叶片面积不平衡的问题。采用五折交叉验证进行模型训练与测试。结果显示，本文模型的像素准确率达到98.433%,平均交并比达到92.056%,病斑交并比为81.230%,Dice系数为0.941,均优于传统的UNet++模型。采用病斑占叶面积的比例对病害程度进行分级。结果表明，本文模型对病害等级的划分准确率达97.41%。该模型能精确实现对葡萄黑腐病病斑边缘和小病斑的分割，以及病害程度分级，具有良好的稳健性。     

基于改进语义分割模型的无人机多光谱图像杂草分割

杂草与作物争夺肥料、阳光等养分，从而影响作物生长，快速有效地清除杂草危害对提高作物的产量和品质具有重要意义。传统的杂草防治方法常采取大面积喷洒除草剂等措施，无法满足智慧农业的精细化管理要求，精确、可靠的杂草检测是智能除草的关键。在卷积神经网络模型PANet的基础上进行改进，把原始特征提取网络ResNet替换为DenseNet-121,采用FPA模块提供像素级注意力信息，通过金字塔结构增加感受野。以无人机多光谱糖菜杂草图像为研究对象，分别构建近红外790 nm、红色690 nm和归一化植被指数NDVI的训练数据集进行网络训练。发现PANet的训练精度为97.38%,测试精度为93.41%;采用3通道（近红外790 nm+红色690 nm+NDVI）训练的模型F₁值最高为0.872。结果表明，该方法可以实现无人机多光谱图像杂草的有效分割，可为农田杂草精确检测和农作物生长状况监测提供参考和借鉴。     

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。     

基于参数优化改进型可能聚类的遥感图像分割

可能聚类算法(PCA)和可能C-均值聚类算法(PCM)对初始值非常敏感,容易产生一致性聚类。改进型可能C-均值聚类算法(IPCM)能解决PCM的问题,然而IPCM的执行更依赖于参数。IPCM必须计算参数两次,因此聚类时间长。为了克服PCA和IPCM的缺点,进而应用于复杂的遥感图像分割,将PCA和IPCM相结合,提出了一种基于参数优化的改进型可能聚类算法(IPCAOP)。实验表明,IPCAOP在处理遥感图像分割方面明显优于模糊C-均值聚类(FCM)和IPCM。     

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。     

基于改进分水岭的图像分割算法研究

针对传统的分水岭算法由于受到图像细节和噪声的干扰而存在着过分割现象,提出了一种改进的分水岭算法,并应用于图像分割。该算法首先采用双边滤波进行预处理,然后建立形态学梯度并对梯度图像进行开闭重建,在保留了轮廓极值信息的同时去除了噪声,最后对重建的梯度图像进行前景和背景的标记,依据标记对梯度图像进行修正并用分水岭算法对其进行分割。结果表明,该方法能有效抑制传统分水岭的过分割现象。     

基于改进分水岭的图像分割算法研究

针对传统的分水岭算法由于受到图像细节和噪声的干扰而存在着过分割现象,提出了一种改进的分水岭算法,并应用于图像分割。该算法首先采用双边滤波进行预处理,然后建立形态学梯度并对梯度图像进行开闭重建,在保留了轮廓极值信息的同时去除了噪声,最后对重建的梯度图像进行前景和背景的标记,依据标记对梯度图像进行修正并用分水岭算法对其进行分割。结果表明,该方法能有效抑制传统分水岭的过分割现象。     

玉米病害图像分割系统开发

为了提高玉米病害叶片图像分割的准确性和设计相应的图像分割系统,采用迭代阈值分割算法和形态学中的开闭运算相结合的方法对玉米病害图像进行分割,使用VB和MATLAB的混合编程设计开发玉米病害图像分割系统.运行结果表明,该分割方法对玉米病害图像有很好的分割效果.     

基于病斑特征融合的烟草病害图像检索方法

针对目前烟草病害诊断专家系统依靠肉眼获取病害特征,致使病害诊断存在不确定性、误判等现象,提出了一种基于病斑特征融合的烟草病害图像检索方法以诊断病害。通过图像处理技术分割病害图像病斑,提取病斑的颜色、纹理、形状特征,依据双编码遗传算法和支持向量机识别病害模型对病斑特征降维,以获取表征病害的有效特征及权重。将有效特征归一化处理后与病害图像数据库系统中的病斑特征进行图像相似度距离计算,按距离大小返回一批相似图像,依据相似图像获取病害描述及防治措施。以烟草7种常见病害进行试验表明,融合病斑的颜色、纹理、形状特征检索病害图像,查准率和查全率明显比用单个特征检索的高。用这种方式诊断烟草病害,不但有较高的病害识别率,还能使诊断结果可视化,将其用于烟草病害诊断专家系统,将提高系统的鲁棒性,为实现病害的远程在线诊断提供条件。     

改进的GrabCut算法木材表面缺陷图像分割试验

试验采用传统GrabCut算法和改进的GrabCut算法,针对单目标、多目标、复杂背景下多目标的木材表面缺陷图像进行多组对比实验。结果表明:改进后的GrabCut算法,针对木材表面的缺陷图像分割进行了优化,能有效改进传统GrabCut算法中的欠分割和过分割、易受区域凹凸纹理的干扰等缺点,而且分割各类木材表面缺陷图像时都能取得较好的效果。说明改进后的GrabCut算法具有其优势和可行性。