基于K-means聚类的植物叶片图像叶脉提取

植物的叶片是植物最基本、最主要的生命活动场所。叶脉的提取与分析对叶片和整株植物结构的分析有一定的应用价值。该文提出一种基于K-means聚类(clustering)的叶脉提取算法。该算法首先对叶片图像的HSI彩色空间中的I信息进行K-means聚类处理,根据聚类的结果提取叶片边界,并将叶片图像分为受光均匀和受光不均匀的2类。对于受光均匀的叶片图像在聚类结果中直接提取叶脉,而受光不均匀的叶片图像则需去除部分叶肉后再进行一次K-means聚类提取叶脉。结果表明:该算法能有效地降低叶脉提取的错分率。     

基于数据融合的玉米种子内部机械裂纹检测方法

为深入研究玉米种子脱粒和输送等环节中产生的内部裂纹机理和检测技术,该文在体视显微检测基础上提出了基于融合技术的边缘检测方法。该方法采用改进的数学形态学方法和传统Sobel边缘检测算子对损伤玉米种子图像进行边缘检测,建立相应的融合规则,将2种方法检测出来的图像边缘进行基于小波变换的融合处理,并从新图像中提取玉米种子内部机械损伤的特征信息。结果表明,该检测方法结合了2种边缘检测方法的优点,有效提高了边缘检测准确性,在准确提取玉米种子内部裂纹特征同时能有效降低噪声,较单一边缘检测算法有更好的效果。     

机器视觉系统在桔瓣质量检测中的应用

开发了一套罐装线实时在线质量检测视觉系统，用于装罐前桔瓣上头发等细长形杂质检测，以保证产品质量。硬件系统采用了6台彩色CCD摄像头，两台计算机的处理结构。软件系统依据杂质和背景在颜色分布及形状大小等特征上的差异进行分离，其核心是一种用于二值图像特征区域提取的新型连通算子—面积重构算子，利用该算子平滑图像时不破坏对象轮廓完整的优点，结合改进的区域生长、区域消减等算法，形成了一套完整的检测算法。试验显示系统处理能力约30片/s，错误率仅2%。该系统能满足实时生产准确性和在线处理的要求，为其实用化、商品化奠定了基础。     

基于稀疏场水平集的荔枝图像分割算法

为了给采摘机器人提供完整的荔枝果实轮廓,该文选择HSV彩色空间中色调H分量的旋转分量作为图像分割的特征;然后,通过模糊聚类算法自动获取合适的初始演化曲线轮廓,再利用稀疏场水平集方法对目标区域轮廓进行精确提取;最后,对分割的区域进行标记,并利用图像标记来恢复分割区域的原始图像。结果表明,该算法不仅很好地克服随机噪声的影响,而且很好地保持果实区域的完整性,使成熟荔枝分割的正确率达到了84.1%。     

基于Dog-Leg正则化自适应压缩采样的植株图像重构

目标植株的图像压缩与重构在农作物生长状态检测、田间管理和果树病虫害识别等方面有重要作用。传统的图像压缩感知方法存在重构精度低、时间长等问题。针对这些情况,该文提出一种基于Dog-Leg最小二乘的正则化自适应压缩采样匹配追踪(regularized adaptive compressed sampling matching pursuit based on Dog-Leg,DLRa CSMP)算法。该算法以压缩采样匹配追踪(compressive sampling matching pursuit,Co Sa MP)算法为基础,在迭代过程中采用正则化处理,确保支撑集选取的准确性,并结合变步长自适应思想和Dog-Leg最小二乘算法,在实现稀疏度自适应的同时,提高重构速率;选用Kinect获取目标植株的彩色图像,分别采用HSV彩色空间的亮度和色调特征及Sobel算子的轮廓特征输入至Itti模型中融合构建显著性特征图,以简化复杂背景和突出目标植株。试验结果表明,该算法在采样率为0.50时植株原始图像和显著性特征图的重构时间分别为2.14和1.75 s,较Co Sa MP算法分别缩短6.57和6.31 s,重构效率比CoSaMP算法平均分别提高75.5%和77.9%;图像峰值信噪比分别高达35.16和38.93 dB,较Co Sa MP算法分别提高6.12和5.75 dB,且重构精度比Co Sa MP算法平均分别提高21.6%和15.5%,可以实现植株图像的快速精确重构。     

匹配点云结合HSI色彩分量的无人机RGB影像信息提取方法

无人机通常搭载可见光波段传感器获取红-绿-蓝（Red-Green-Blue,RGB）影像,由于无人机RGB影像波段较少,影像的地物信息提取存在一定难度。该研究提出了一种匹配点云结合色调-饱和度-亮度（Hue-Saturation-Intensity,HSI）空间色彩分量的无人机RGB影像信息提取方法。首先以饱和度分量和红光波段构造了饱和度与红光比值指数,再结合可见光波段差异植被指数以及由匹配点云获得的地形特征对研究区正射影像进行分类。试验结果表明,本文方法的总体分类精度达到了91.11%,Kappa系数为0.895,证明匹配点云结合HSI空间色彩分量的方法提取无人机RGB影像信息是可行的,提取结果具有较高精度。相较于基于光谱特征的传统方法,该文方法引入匹配点云可以简单高效地提取影像中高程差异明显的地物,同时,结合HSI色彩分量能够有效弥补无人机RGB影像光谱特征较少的不足。     

四种用于雷达遥感图像融合的空间分量提取方法

使用光学多光谱遥感图像对雷达图像进行空间增强,需要从光学多光谱图像中提取其空间分量。提取空间分量的基本方法有两种：主成分分析(PCA)和IHS变换法,PCA法可以对多光谱图像的所有波段进行分析,得到的第一主成分PC-1代表原始多光谱图像的空间信息,而IHS法只能输入多光谱图像的3个波段,经IHS变换得到的I分量代表原图像的空间信息;将用两种方法提取的PC-1和I分量直接与雷达遥感图像融合,发现PCA法的空间增强效果更为显著,而IHS法的色调保持效果更好。将PC-1和I分量分别进行0～255线性拉伸,然后与雷达遥感图像融合,发现二者对雷达图像的空间增强效果都显著增加,而色调保持水平均有所下降,但PCA法的空间增强效果仍然优于IHS法,而IHS法的色调保持水平仍然优于PCA法。该项研究为用户进行雷达图像融合提供了四种可供选择的提取空间分量的方法。     

基于吊蔓绳的温室番茄主茎秆视觉识别

为了精确识别番茄植株以供精确对靶喷施,该文提出一种基于温室吊蔓绳对番茄主茎进行检测识别的算法。通过分析番茄作物图像在HSI颜色空间的分布特性,基于H分量应用Otsu分割算法对番茄作物图像进行二值化处理,以突出图像中吊蔓绳区域。利用细化算法提取出吊蔓绳区域离散特征点簇,并采用最小二乘法直线拟合特征点簇获取吊蔓绳位置。试验结果表明,处理分辨率640×480像素的图像平均用时0.16s,对100张图像进行识别试验,正确率达93%,该算法提取吊蔓绳和番茄主茎间的最大距离偏差为48像素单位,能够准确识别番茄主茎秆,具备较强的鲁棒性。     

基于颜色系数反向粒子群模型的田间作物分割方法

针对复杂多变的农田环境下,田间作物分割既要保留农田作物完整外部形态信息,又要满足农田作业速度的要求,该文提出一种基于反向变异粒子群优化(reverse mutation-particle swarm optimization,RM-PSO)算法提取最优颜色系数的田间作物分割方法。该分割方法分为离线和在线2个部分,离线部分采用反向变异策略提高了初始粒子群群体质量及算法的搜索效率,避免算法早熟收敛,陷入局部最优,引入满意度函数对最优颜色系数进行评价,提取全局最优颜色系数。在线部分采用离线提取的最优颜色系数对作物图像灰度化,进而对灰度化后图像进行阈值分割得到最终的分割结果。试验结果表明,该文方法平均错分率(error distinguish rate)仅为4.8%,低于HSI算法、EXG法以及Mean-shift神经网络分割算法的11.3%、19.5%、5.7%;标准差值为3.1%,相较于HSI算法的7.2%、EXG法的14.7%、及传统PSO方法的7.9%,该文算法具有更高的稳定性;平均处理时间为0.311 s,而HSI方法为0.908 s,Mean-shift神经网络分割算法为1.942 s。该方法不仅能够保证不同光照及不同景物干扰下作物外部形态信息完整,同时处理速度快,鲁棒性好,具有较高的实际应用价值。     

自动监测装置用温室粉虱和蓟马成虫图像分割识别算法

为了监测温室黄瓜作物虫害种类、数量变化情况以预测虫害发展趋势,该文以粉虱和蓟马为例,提出了一种基于Prewitt、Canny边缘检测算子分割和SVM(support vector machine)的温室粉虱和蓟马诱虫板的图像识别算法。该方法利用HSI(Hue-Saturation-Intensity)颜色空间的I分量与L*a*b*颜色空间的b分量二值图像中害虫目标与背景的高对比性,再分别相应地利用Prewitt算子和Canny算子进行单头害虫边缘分割,再经过形态学处理,最后融合这两幅二值图像完成单头害虫区域的提取。然后提取害虫的5个形态特征(面积、相对面积、周长、复杂度、占空比)及9个颜色特征(Hue-Saturation-Value颜色空间、HSI颜色空间、L*a*b*颜色空间各分量的一阶矩),并对这14个特征参数进行归一化处理,将特征值作为SVM的输入向量,进行温室粉虱和蓟马的诱虫板图像识别。通过分析比较不同向量组合的BP(back propagation)与SVM的害虫识别率、4种不同SVM核函数的害虫识别率,发现颜色特征向量是粉虱和蓟马识别的主成分,且SVM的识别效果优于BP神经网络、线性核函数的SVM分类性能最好且稳定。结果表明:平均识别准确率达到了93.5%,粉虱和蓟马成虫的识别率分别是96.0%和91.0%,能够实现温室害虫的诱虫板图像识别。该研究可以为虫害的监测与预警提供支持,为及时采取正确的防治措施提供重要的理论依据。     

18CrMnTi钢表面激光微造型的仿生工艺

为了探讨激光微造型表面仿生非光滑效应中粗糙度提高的工艺,运用SEM扫描电镜和图像处理技术提取荷叶表面微纳米形貌特征,在犁铧钢(18CrMnTi)表面进行激光微造型表面仿生正交试验研究。研究表明,图像处理中Sobel边缘算法有效地提取了SEM图片表面微纳米形貌层次特征,图像阈值取255时,提取表面形貌特征最多,犁铧钢仿生表面基本上再现了荷叶表面形貌;激光表面微造型极显著因素的主次关系是阈值>打标次数>电流强度,表面仿生最优值处的微造型粗糙度参数,即表面轮廓算术平均偏差(Ra)、微观不平度十点高度(Rz)和最大轮廓高度(Ry)提高的倍数分别为86.11、232.29和116.06。研究结果为激光微造型表面仿生多层次提取表面形貌信息和提高表面粗糙度工艺提供参考。     

基于模糊顺序形态学的植物叶片脉络边缘提取

植物叶片是作物分类和识别的简单有效方法,叶片的脉络和边缘特征提取是识别叶片的基础步骤。植物叶片图像通常受噪声影响,提取清晰的脉络和边缘比较困难,该文提出了基于模糊顺序形态学的植物叶片脉络边缘特征提取方法。首先,根据像素邻域特性,利用植物叶片脉络边缘及内部区域的差异性,构造了隶属度函数;然后,依据Sugeno模糊模型,定义了能够增大叶片脉络边缘和内部区域差异的模糊规则,进行模糊推理;该文采用了抑制噪声特别有效的顺序形态学边缘检测算子,对图像进行脉络边缘提取,最终得到植物叶片脉络和边缘信息图像。试验结果表明,该文方法克服了自然环境中噪声的影响,提取的植物叶片脉络和边缘更加清晰、定位更加准确。     

基于概率局部判断映射的植物分类方法

基于叶片图像的植物分类与识别方法研究在保护植物物种和生态环境等方面发挥着重要的作用。由于叶片图像的复杂多样性以及同类叶片图像之间的差异性较大等特点,使得很多基于叶片颜色、形状和纹理的特征提取和识别方法不能满足植物自动识别系统的需要。在分类概率和局部保持映射(locality preserving projections,LPP)的基础上,提出了一种概率局部判别映射(probability locality preserving discriminant projections,PLPDP)方法,并应用于植物分类。首先计算每个样本的分类概率,由样本的局部信息、分类概率和类别信息定义权重矩阵,然后构建目标函数。通过最小化目标函数寻求最佳投影矩阵,使得原始高维样本经投影后,在低维特征空间保持了样本的局部信息、分布信息和类别信息。与判别LPP和监督LPP相比,PLPDP充分利用了样本的局部信息、分类概率和类别信息,算法的分类能力得到了较大提高。在公开的植物叶片图像数据库上对20类植物叶片图像进行了分类试验,识别率高达90%以上。试验结果表明,该方法是有效可行的。     

基于K-means和近邻回归算法的Kinect植株深度图像修复

针对Kinect传感器应用于农业植株检测产生的图像噪声问题,特别是由光线以及传感器自身局限导致的匹配图像目标植株数据的缺失,提出一种基于K-means和近邻回归算法的植株深度检测图像修复方法。首先对Kinect传感器获取的彩色RGB图像进行阈值分割预处理提取植株目标区域,再利用K-means聚类算法去除背景噪声,使得植株目标区域轮廓更加清晰;然后基于配准的彩色图像和深度图像,对获取的深度图像中可疑像素点的深度数据采取近邻回归算法进行修复,再将修复后的深度图像与目标分割后的彩色图像进行植株区域的匹配,并进行二次近邻回归算法修正错误的深度数据,最后获取目标植株深度信息的检测图像。试验结果证明,采用RGB阈值分割和K-means聚类算法植株目标区域分割误差均值为12.33%,比单一RGB阈值分割和K-means聚类分割误差降低了12.12和41.48个百分点;同时结合聚类后的彩色图像对深度数据进行两次近邻回归算法修复深度数据,能够提高深度数据边缘的清晰度,单帧深度数据空洞点进行修复数据的准确度提高。该研究结果可为农业植株检测、植株三维重构、精准对靶喷雾等提供参考。     

基于无人机RGB影像的玉米种植信息高精度提取方法

为探究易获取且成本低的超高分辨率无人机（Unmanned Aerial Vehicle,UAV）航拍 "红-绿-蓝"（Red-Green-Blue,RGB）彩色影像提取作物种植信息的方法,该研究选取植被指数、"色度-色饱和度-亮度"（Hue-Saturation-Intensity,HSI）色彩特征和纹理特征等3种特征,通过比较贝叶斯（Bayes）、K最邻近分类（K-Nearest Neighbor,KNN）、支持向量机（Support Vector Machine,SVM）、决策树（Decision Tree,DT）和随机森林（Random Forest,RF）共5种监督分类算法及不同特征组合的分类效果,以实现玉米种植信息的高精度提取。结果表明,使用单一种类特征或使用全部3种特征均不能获得最优的分类精度;将植被指数与HSI色彩特征或与纹理特征进行组合获得的总体分类精度（5种算法平均值）比仅使用植被指数获得的总体分类精度分别提高了4.2%和8.3%;在所有特征组合中,HSI色彩特征和纹理特征组合为最优选择,基于该特征空间的RF算法获得了最高的分类精度,总精度为86.2%,Kappa系数为0.793;基于RF算法进行降维并不能显著提高或降低分类精度（SVM除外）,但所保留的特征因子可给出符合实际背景和意义的解释,并可提高分类结果的稳定性。研究结果可为基于无人机RGB影像的作物种植信息高精度提取提供方法参考。     

缺素叶片彩色图像颜色特征提取的研究

在提取无土栽培番茄营养元素亏缺叶片彩色图像的颜色特征时，为了使颜色特征有效性不受叶片大小、形状和叶片背景噪声影响，对由几种常用颜色系统表示的叶片图像进行了统计算法、相关系数算法提取叶片颜色特征的研究，以上的方法未能获得很有效的颜色特征。最后，提出了百分率直方图法提取缺素叶片图像颜色特征，进行了除去图像中白色背景影响的研究，用百分率直方图取代一般直方图以解决叶片大小对颜色特征提取影响的研究，以及如何确定提取颜色值区域的研究，此方法提取的颜色特征能理想地识别缺素番茄叶片，准确率在70%以上。     

用K-means图像法和主成分分析法监测生菜生长势

温室植物生长状况的实时监测可为生产管理提供科学的决策支持.为开发实时监测中的机器视觉技术,该文选定生菜为研究对象,从单株和群体两个角度构建生菜生长势图像检测法.采集自然光条件下生菜整个生命周期俯视及侧视两类序列图像样本,并同步人工实测生菜生长势的动态数据样本,探讨生长势的图像检测指标与人工实测综合指标之间的相关性.对于单株生菜,通过CCD相机获取其投影图像及水平面两垂直方向侧视图像.就投影图像分割,为提高算法运行效率,将图像由RGB模型转换到HSI模型并提取H分量图像,再运用自动阈值法进行图像二值化处理,可测得单株生菜的投影面积.由于侧视图像背景较复杂,故联合使用K-means彩色图像分割法及伪彩色图像处理方法,获得生菜株高值.同时手工测量表达单株生菜生长势的叶片数、株高、x轴和y轴方向生菜植株的最大宽度、生菜植株某选定叶片的长和宽等6个指标,用主成分分析法从中提取出总生长势信息.将该值作为因变量,图像测得的投影面积和株高值作为自变量并进行回归分析.结果表明,模型的显著性检验概率均小于0.0001,除第4株生菜外,其余模型的决定系数均大于0.80,说明模型极显著且具有较高的拟合精度.对于群体生菜,预试验发现其侧视图像难以准确表达群体生菜生长势信息,故只考虑投影图像,其分割方法与单株生菜侧视图像相同.从中可计算得到群体生菜覆盖指数,再手工测量并算得群体生菜体积指数,以体积指数为因变量,以覆盖指数为自变量建模并进行回归分析.结果表明,模型显著性检验概率均小于0.0001,且决定系数均大于0.89,覆盖指数较好地表达了群体生菜生长势信息.故用图像检测获得的生菜投影面积、株高、群体覆盖指数等三项指标表征生菜生长势一方面具有科学性和可行性,在植物生长状况实时监测领域具有潜在的应用价值,另一方面,其图像分割方法和数据统计方法也可为植物生长状况实时监测等提供一定的借鉴和参考.