基于改进遗传脉冲耦合神经网络的玉米病害图像分割方法

作物病害图像分割是利用数字图像处理技术进行病害识别的关键性技术环节之一,现有病害分割方法存在病害区域外部形态特征细节保留程度差和颜色纹理信息丢失等问题.针对上述问题,提出一种基于改进遗传算法的脉冲耦合神经网络分割方法.首先改进遗传算法,以信息熵的加权线性组合作为优化适应度函数用以在每次迭代过程中评价脉冲耦合神经网络对于病害区域的分割效果,通过计算种群适应度方差和适应度均值自适应调整遗传算法的交叉概率和变异概率;然后将改进遗传算法与脉冲耦合神经网络相结合,实现网络连接系数、衰减系数和幅值系数的自动优化调节;最后利用改进遗传脉冲耦合神经网络分割算法,在RGB子空间分别对病害图像进行病害区域分割,将分割结果利用RGB颜色空间子图合并策略实施合并,从而得到最终的图像分割结果.将此算法、最小交叉熵阈值化算法和GA-PCNN算法用于玉米黑瘤粉病彩色图像病害区域分割.结果表明:从主观视觉评测角度,此算法分割效果较好,能够较为细致的呈现病害区域的外部形态特征和较为完好的保留病害区域的颜色纹理特征;从客观量化评测角度,此分割算法在目标区域分割匹配率、错分率和正确率上明显优于最小交叉熵阈值化算法和GA-PCNN算法.     

基于脉冲耦合神经网络的粘连玉米种子图像分割

为解决玉米种子内部机械裂纹检测过程中存在的种子间粘连问题,提出一种基于自适应脉冲耦合神经网络(Pulse coupled neural net)模型与熵值最大原则相结合的图像分割算法。运用直方图均衡化和布特沃斯低通滤波器进行频域增强预处理,以提高玉米种子与图像背景的对比度;运用PCNN模型,结合最大熵值原则对预处理后的粘连玉米种子图像进行分割,并引入图像像素的拉普拉斯能量(Energy of laplace)作为PCNN网络各神经元之间的连接系数,以增强图像分割效果;采用维纳滤波和数学形态学对分割后存在的噪声和断点进行处理,得到最终的分割效果。试验结果表明:PCNN与熵值最大原则相结合的图像分割算法的分割准确率为92.5%,运行时间为1.166 2s,分割准确率高于改进分水岭算法、OTSU算法和最大熵直方图分割算法,用时略长于其他分割算法。     

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SVM的高粱叶片病斑图像自动分割提取方法研究

为实现高粱叶片病斑的自动化无损监测,利用支持向量机(SVM)技术对高粱叶片病斑图像进行自动分割提取研究。结果表明,通过选取RGB、HIS和Lab 3种颜色空间的颜色特征值可以消除对作物病斑拍照时产生的光照、亮度等影响。在MATLAB软件环境下调用LIBSVM软件对病斑图片中的病斑图像像素点和背景图像像素点建立支持向量机分类模型,可以实现对病斑的高效分割和高质量提取。分割提取效果与人眼识别的病斑图像高度吻合。如果利用大量采集的病斑图像进行模型训练,就可以真正实现完全自动化的病斑分割、提取和判别。因此,该研究对建立完全自动化的作物病斑图像识别系统意义重大。     

复杂背景下基于AD-GAC模型和最大熵阈值法的叶片病斑分割

旨在研究复杂背景下叶片病斑的分割。由于复杂背景会带来巨大的噪声,产生过多的边缘和灰度值不均匀的区域,很容易导致过分割的现象,因此在复杂背景下,很难通过1次分割就完成对叶片病斑的分割。为了解决复杂背景下过分割的现象,提出两步分割的策略。第1步先用笔者提出的各向异性扩散测地线活动轮廓模型(anisotropic diffusion geodesic active contour model,简称AD-GAC模型)进行预分割,在此过程中构造新的边缘检测函数(edge stop function,简称ESF);第2步通过最大熵阈值法完成最终的分割。随后,提取并计算预分割部分各像素灰度值的最大熵,以得到病斑部分与叶片部分的灰度值阈值,通过阈值来完成最后1步的分割。通过MATLAB仿真,可以证明该算法可以有效地将病斑从复杂背景下的叶片上分割出来。研究结果后续的病斑识别作了铺垫。     

基于改进Bernsen 二值化算法的 植物病害叶片病斑检测

针对大区域田间复杂背景下植物病害远程识别中的叶片病斑检测难问题,提出一种基于改进Bernsen二值化算法的植物病害远程检测方法。通过物联网采集不同区域的植物叶片图像,根据在RGB和HIS颜色空间中叶片病斑与正常叶片和背景的色调差异的特点,利用改进Bernsen二值化算法分别在图像的R、G、B、H 4个颜色通道上提取病斑,然后进行病斑图像融合,得到病斑图像。采用该方法对多幅物联网视频植物病害叶片图像进行病斑分割。实验结果表明,该算法在复杂背景环境下能够有效分割植物病斑图像,去除大量复杂背景,得到病斑图像。该方法能够为大区域植物病害远程智能监控系统提供技术指导。     

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。     

一种用于植物图像背景分割的最大熵改进算法的研究

以茉莉花植物为研究对象,提出了一种基于2G-R-B颜色特征的最大熵改进算法。该方法利用基于梯度的边缘强度算法和OTSU法求出初始分割区域,然后在该区域运用最大熵法求出最佳分割阈值,最后利用数学形态滤波对图像进行去噪处理。结果表明,该文的改进算法分割效果明显好于基于梯度的边缘强度算法和OTSU法分割效果。     

基于改进全卷积神经网络的黄瓜叶部病斑分割方法

为了解决传统卷积神经网络在黄瓜叶部病斑图像分割中存在模型训练时间长、分割效果差以及分割过程中易受光照和背景影响等问题,提出了一种基于改进全卷积神经网络的黄瓜叶部病斑分割方法。首先在模型训练的初始阶段使用传统的卷积神经网络得到病斑图像的轮廓特征,在训练过程中将传统的修正性单元(RELU)激活函数替换为指数线性单元(ELU)激活函数;然后对传统的卷积神经网络得到的病斑图像轮廓特征进行二次模型训练,训练过程中使用批归一化(Batch normalization)函数稳定模型训练过程;最后将原始卷积神经网络的多项逻辑回归(Soft max)分类器更换为支持向量机(SVM)分类器,对分类器输出的像素分类结果进行反卷积操作,恢复图像分辨率,得到分割结果。使用本研究方法与改进OTSU、SVM、CRF和传统FCN等4种方法在黄瓜叶部病斑数据集上进行分割试验,结果表明本研究方法的平均像素分割准确率为80.46%,平均交并比为70.43%,具有较高的分割精度。     

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。     

基于改进C-V模型的辣椒病斑图像分割

针对辣椒叶部常见病斑图像存在背景复杂且不易分割的问题,对传统的C-V模型进行改进,根据辣椒病斑图像的特征,首先对病斑图像的RGB颜色分量和通道权重系数进行加权处理,接着用差分图像能量进行计算处理,最后,通过水平集演化方程获得病斑的分割曲线。实验测试表明,经过改进的C-V模型对辣椒病斑图像分割的效果比传统C-V模型及K-means方法分割的效果和抗噪性好。     

基于支持向量机的水稻稻瘟病图像分割研究

水稻稻瘟病图像的分割是水稻稻瘟病自动分析与识别的关键环节,其分割效果直接影响后续处理。提出一种基于支持向量机的水稻稻瘟病病害彩色图像分割方法。首先选取叶子正常部分的像素点以及颜色相对复杂的病斑像素点作为负训练样本和正训练样本,提取像素R、G、B彩色分量作为特征向量,对支持向量机进行训练,然后在RGB空间利用训练好的支持向量机对待分割图像的所有像素点进行分类,实现水稻稻瘟病彩色图像的分割。为了获得最佳的分割效果,采用网格搜索法对径向基核函数下的不同核参数分割效果和性能进行比较与分析,确定最佳模型参数。利用此模型进行水稻稻瘟病图像分割实验,获得较好的分割精度,结果优于最大类间方差分割算法。     

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LM神经网络的小麦叶片病害识别

快速、及时和准确的发现小麦病害对提高小麦产量具有重要作用。以小麦叶片白粉病、条锈病和叶锈病3种病害为研究对象,提出了基于LM神经网络的小麦叶片病害识别模型。首先采用K-means算法分割小麦叶片病斑区域,提取小麦病斑区域的颜色特征和纹理特征,构建数据集。然后建立LM神经网络小麦叶片病害识别模型,输入数据进行识别。基于颜色和纹理特征的小麦叶片病害识别率为95.3%。在小样本情况下,利用LM神经网络算法能够快速、准确的识别小麦病害叶片。     

玉米自动化考种过程的粘连籽粒图像分割

针对玉米自动化考种过程籽粒粘连导致穗粒数统计准确率低的问题,提出一种遗传算法(GA)与改进脉冲耦合神经网络(PCNN)相结合的分割方法(GA+改进PCNN),对粘连玉米籽粒图像的分割问题进行研究。采用数学形态学和wiener滤波对待分割图像去噪,基于小波变换进行多图像融合得到新图像;利用遗传算法寻找改进PCNN模型中参数β、αE和VE的最优解并进行图像分割。结果表明:1)本研究方法对粘连玉米籽粒的分割准确率为98%;2)本研究方法的交叉熵、区域内部均匀性、形状测度维和区域对比度指标依次为0.079 4、0.975 4、0.878 5和0.869 2,总体优于OTSU、改进分水岭、迭代法全局阈值和未改进PCNN分割算法;3)本研究方法的单幅图像处理时间为22.07s,用时长于各比较算法,但分割效果最理想。     

基于图像增强和α角度模型的K均值小麦冠层分割算法的改进

[目的]本文旨在克服光照不均引起的低对比度、反光、阴影、光斑及遮挡等对大田复杂背景下小麦冠层图像分割的干扰。[方法]设计了一种结合脉冲耦合神经网络(pulse coupled neural network,PCNN)与同态滤波的自适应图像增强和基于L*a*b*颜色空间α角度模型的K均值聚类分割算法。首先,将小麦冠层图像转换到HSI颜色空间,采用自适应算法对HSI空间的I分量进行增强处理,适当调节饱和度S分量,补偿光照强度分布不均,去除阴影及拉大对比度;其次,将增强处理后的图像映射到L*a*b*颜色空间,提取a*、b*分量建立α角度模型;最后,基于α进行K均值聚类分割处理。[结果]拔节前后光照强度不一、光照不均的冬小麦冠层图像的分割试验结果表明,该算法可一定程度避免基于L*a*b*颜色空间α角度分量K均值聚类的过分割现象;改善基于HSI空间H分量K均值聚类的欠分割缺陷,且对光斑、阴影遮挡、反光突出的图像分割更完整准确。[结论]本算法可为大田复杂背景下光照多变的作物冠层图像分割提供参考方法。     

基于特征融合与局部判别映射的苹果叶部病害识别方法

针对利用植物病害叶片图像特征识别病害类别的复杂性,提出一种基于特征融合与局部判别映射的植物叶部病害识别方法。首先,在中心对称局部二值模式(CS-LBP)的基础上,设计了一种自适应中心对称局部二值模式(ACS-LBP),由此分割病害叶片的病斑图像;然后提取并融合病斑图像的纹理、形状和颜色特征;再利用局部判别映射算法对融合特征进行维数约简;最后利用支持向量机进行病害类别分类。在3种常见苹果病害叶片图像数据库上进行病害识别验证试验,结果表明,该方法能够有效识别苹果叶部病害,平均识别率高达96%以上。     

基于改进K中值聚类的苹果病害叶片分割方法

针对复杂背景下的苹果病害叶片分割问题,提出一种基于改进的K均值聚类的苹果病害叶片病斑分割方法。首先将原始叶片图像由RGB(R为红,G为绿,B为蓝)颜色空间转换到Lab(L为亮度,a为从洋红色至绿色的范围,b为从黄色至蓝色的范围)颜色空间,然后在Lab颜色空间中利用ab二维数据空间的颜色差异,以欧式距离度量像素间的相似度,使用K均值对图像进行聚类,利用数学形态学中的开闭交替滤波方法对聚类后的灰度图像进行校正,最后得到图像病斑。对3种常见苹果病害叶片图像进行分割,并与其他分割方法进行比较。结果表明,该方法效果好,其误分率为8.41%。