基于改进Graph Cut算法的生猪图像分割方法

生猪图像分割为生猪行为特征提取、参数测量、图像分析、模式识别等提供易于理解和分析的图像表示,准确有效的生猪图像分割是生猪行为理解和分析的基础.针对传统Graph Cut算法分割精度差、分割效率低及不能准确分割特定目标的问题,该文结合交互分水岭算法,提出基于改进Graph Cut算法的生猪图像分割方法.采用交互分水岭算法对图像进行区域划分,划分的各个区域块看作超像素,用超像素替代传统加权图中的像素点,构造新的网络图替代传统加权图,重新构造能量函数以完成前景背景的有效分割.试验结果表明:该方法峰值信噪比平均范围为[30,40],结构相似度平均范围为[0.9,1],两种评价准则的结果与主观评价一致,图像分割质量、精度得到明显提升;平均耗时缩短到传统GraphCut算法的33.7％,提高了分割效率;在复杂背景、噪声干扰、光照强度弱等条件下可以快速分割出特定目标生猪,具有较高鲁棒性.     

一种基于主动轮廓模型的连接米粒图像分割算法

针对图像中连接米粒分割困难的问题,提出了一种基于主动轮廓模型的分割算法。首先,对籽粒二值图像的欧氏距离变换进行局部极小值检测,并通过形态学膨胀算子合并局部极小值点,在每个籽粒内部只产生一个区域。其次,以这些区域的边界作为初始曲线,在主动轮廓模型的指导下,曲线向籽粒的边界演化,最终将图像中各个米粒分割。试验结果表明,对圆江米、粳米、长江米和黑米4个品种的米粒,基于主动轮廓模型的连接米粒图像分割算法的分割正确率分别达到93.4%、92.4%、88.0%和90.4%,综合准确率为91.05%,比基于分水岭的方法提高了26.7%。因此,基于主动轮廓模型的算法为分割连接米粒图像提供了一种有效途径。     

改进自适应分水岭方法分割棉花叶部粘连病斑

针对棉花叶部病斑相互之间存在粘连问题,该文提出了一种自适应分水岭分割方法。该方法在H-minima分水岭分割方法基础上,结合最小二乘圆法误差理论,对图像中每个连通分量进行最小二乘圆拟合,并计算最小二乘圆误差值,通过最小二乘圆误差值大小判断每个连通分量的轮廓不规则度,针对不同轮廓不规则度确定H-minima变换的极小值阈值,根据不同极小值阈值实现棉花叶部粘连病斑的分水岭分割。不同数量粘连病斑分割试验结果表明:该方法实现了棉花叶部粘连病斑数量从2个粘连至5个粘连病斑的自动分割,分割准确率为91.25%,平均运行时间为0.088 s。不同分割方法对比结果显示:该方法能实现对棉花轮纹病、褐斑病、炭疽病、叶斑病和棉铃疫病共5种病害的粘连病斑自动分割,并将距离分水岭分割方法、梯度分水岭分割方法、标记分水岭分割方法、Chan-Vese方法、高斯混合方法与该文方法比较,正确分割率分别为67.8%、36.4%、83.7%、70.3%、82.1%、93.5%,该方法优于其他5种分割方法,有效抑制了过分割问题;在复杂背景、光照不均匀、病斑大小不一致等复杂条件下,该文方法也能较好地实现粘连病斑的分割。该方法不仅能对棉花叶部粘连病斑自动分割,也能为其他作物叶片粘连病斑分割提供参考。     

基于多光谱图像融合和形态重构的图像分割方法

一些成熟的瓜果果实在单一的光谱图像中,果与叶的灰度值只存在微小差异,常用的图像分割方法不足以把果与叶区分开,为此,提出一种基于多光谱图像融合的形态学重构分割方法。首先,采集同一目标的可见光彩色图像和近红外图像,对此多光谱图像分别采用主成分分析（PCA）、小波变换以及可见光图像H分量与近红外图像NIR的算术组合（NIR/H）等方式进行融合处理;然后,对融合图像进行形态学重构分水岭分割。多幅苹果和番茄图像的目标提取试验结果表明,对可见光图像和近红外图像的PCA和小波变换融合图像进行形态学重构分水岭分割,可以得到较好的分割效果,尤其是小波变换融合图像的形态学重构分水岭分割效果更具有自适应性。     

基于数学形态学的粘连大米籽粒分割研究

在大米籽粒检测中经常会有大米籽粒重叠和粘连的现象。将粘连在一起的大米籽粒群分离是图像处理中一项重要而困难的问题。对这一情况,提出了一种有效的分割算法,先对图像进行二值化处理,然后对图像进行数学形态学变换,通过腐蚀运算将大米籽粒群图像层层剥离,直至粘连籽粒分开,再使用膨胀运算和八链码方法恢复出原始的各个大米籽粒个体,从而将大米籽粒群分离开。实验证明,该算法能成功地分离开粘连大米籽粒。     

基于逐步改变阈值方法的玉米种子图像分割

针对图像处理中玉米计数的问题,提出了基于逐步改变阈值的分水岭变换方法。首先,对二值图像进行欧氏距离变换,合并图像中灰度值大于或者等于初始阈值的区域,并通过分水岭算法初步分割图像。为避免单粒玉米被过度分割,提取图像中单个种子区域存入结果图像。然后,判断去除单粒玉米后的图像是否为空;如果不为空,增大分割阈值并重复上述操作。最后,统计目标图像中的玉米个数。对50幅种子数目500粒左右的图像进行处理,分割正确率为97.7%,较好地解决了粘连玉米的分割问题。该方法已成功应用于基于机器视觉的玉米计数。     

不同生长状态下多目标番茄图像的自动分割方法

将自然生长状态下的成熟果实从复杂背景中识别出来并确定其空间位置,是实现果实采摘作业智能化的基础。该文针对在自然光照条件下多个番茄自然生长状态为相互分离、靠拢或重叠以及被枝叶部分遮挡的情况,研究了一种成熟番茄图像的自动分割方法。该方法利用RGB颜色空间下番茄图像中目标与背景的(R-G)灰度值存在明显差异的特点,首先使用Otsu法对番茄的RGB彩色图像的色差灰度图像(R-G)进行动态阈值分割,然后对番茄的R分量灰度图像应用基于形态重建的受控标记分水岭算法搜索靠拢或重叠番茄的分界线,最后对前面两次运算的结果作交集运算得到最终分割的二值图像,将番茄从背景中分割出来。通过100幅番茄图像进行试验表明,该方法不仅能对自然光照条件下不同生长状态的多目标番茄图像进行有效分割,而且对番茄的成熟度及品种差异也具有很好的鲁棒性。     

基于水平集的作物病叶图像分割方法

针对具有复杂背景的作物病叶图像中的叶片提取问题,提出了一种基于先验信息的水平集模型。首先,在LBF模型中引入纹理信息——结构张量,构造新的水平集模型;其次,采用水平集方法表示目标叶片形状,并将先验形状信息以能量泛函的表达形式引入到上述新的水平集模型中,得到新的基于先验信息的水平集模型;最后,利用该模型对具有复杂背景的黄瓜病叶图像进行分割。结果表明,该方法能准确地提取具有复杂背景黄瓜病叶图像中的病叶,为后续的病斑提取、识别和诊断奠定前期基础。     

水果轮廓特征提取的Zernike矩分水岭分割方法

果实轮廓特征的测量提取是了解水果等农作物发育过程中内部生理生态变化的重要手段。该文提出了一种基于Zernike矩边缘检测的分水岭算法,并将该算法应用于葡萄果粒的轮廓特征提取。与传统的标记驱动分水岭算法相比,该算法利用Zernike矩边缘检测避免了标记对于轮廓的破坏,较好的保护了目标轮廓,从而减少了后续处理,提高了检测效率。最后,将用该算法所得到的轮廓和用传统的标记驱动分水岭算法所得到的轮廓进行比较,验证了该算法的可行性。该算法具有较高的检测效率,相较传统算法提高约6.9%左右,能够满足连续提取葡萄果粒的轮廓特征的要求。该方法可用于实时检测葡萄果粒的几何特征的变化。     

基于显著和模糊检测的浅景深作物病害图像分割

大多数现有的基于图像的作物病害诊断方法往往对输入图像的质量具有很高的要求,例如要求背景简单、大景深等等。因此这些方法的预处理过程中需要去除复杂背景,然而这个预处理较难获得理想的结果。此外,当作物病斑面积较小时,会使得获取的图像景深较浅,也导致了这些方法难以抽取精确的病斑区域。为了解决上述问题,该文提出一种利用目标检测来分割病斑图像的方法。首先,该方法对抽取的结构特征和颜色特征进行整合并对特征空间进行量化,从而得到作物病害图像的显著区域。该方法不需要进行去除复杂背景的预处理过程即可得到病斑区域的图像;同时,为了处理浅景深的病害图像,引入了模糊检测方法用以进一步过滤背景和模糊区域的图像。试验中利用多种黄瓜和水稻病害的图片,将该方法与阈值法、图切割法进行了对比,结果表明该方法在效率不明显降低时,其分割效果明显优于阈值法;在分割效果差异不大时,其运行效率明显高于图切割方法;同时,该方法能够对浅景深的作物病害图像的病斑区域进行有效的分割。     

Segmentation and reconstruction of overlappedapple images based on convex hull

重叠苹果目标的分割与定位是影响苹果采摘机器人采摘效率的关键因素之一。为了实现重叠苹果目标的分割与重建,在利用K-means聚类分割算法的基础上,该文提出一种基于凸壳的重叠苹果目标分割方法。通过计算目标凸包与目标相减后的凹区域,将重叠苹果轮廓上的凹点检测转换为凹区域上的凸点检测问题,降低了凹点检测的复杂度。利用相关分割准则实现了凹点匹配并进行目标分割,对分割得到的非完整目标利用Spline插值技术进行目标重建。为了验证算法的有效性,分别利用仿真目标与自然场景下的重叠苹果目标进行了测试,利用该方法得到的苹果目标平均定位误差为14.15%,平均目标重合度为85.08%,表明基于凸壳技术的重叠苹果目标分割方法具有较好的分割性能,将该方法应用于重叠目标分割与重建是有效可行的。     

基于凸壳的重叠苹果目标分割与重建算法

重叠苹果目标的分割与定位是影响苹果采摘机器人采摘效率的关键因素之一。为了实现重叠苹果目标的分割与重建,在利用K-means聚类分割算法的基础上,该文提出一种基于凸壳的重叠苹果目标分割方法。通过计算目标凸包与目标相减后的凹区域,将重叠苹果轮廓上的凹点检测转换为凹区域上的凸点检测问题,降低了凹点检测的复杂度。利用相关分割准则实现了凹点匹配并进行目标分割,对分割得到的非完整目标利用Spline插值技术进行目标重建。为了验证算法的有效性,分别利用仿真目标与自然场景下的重叠苹果目标进行了测试,利用该方法得到的苹果目标平均定位误差为14.15%,平均目标重合度为85.08%,表明基于凸壳技术的重叠苹果目标分割方法具有较好的分割性能,将该方法应用于重叠目标分割与重建是有效可行的。     

基于Snake模型与角点检测的双果重叠苹果目标分割方法

为了实现重叠苹果目标的精确分割,提出了一种Snake模型与角点检测相结合的重叠苹果目标分割方法。该方法首先利用Snake模型得到重叠苹果目标的轮廓,接着采用提出的基于距离测度的角点检测算法寻找重叠苹果目标的角点,针对距离扰动产生伪角点的问题,采用3级db1小波变换得到不含细节信号的近似距离信号,并通过Spline样条内插算法使其恢复到原始信号的长度,从而去除伪角点,最后提出了一种基于长轴分割准则的分割点选取方法并实现了重叠苹果目标的分割。为了验证算法的有效性,利用20幅重叠苹果目标进行了试验,并与人工计算得到的分割线进行了对比,试验结果表明,利用文中算法分割重叠苹果目标的最大误差为13.27°,最小误差为1.20°,平均误差为6.41°,表明Snake模型与角点检测算法相结合对重叠苹果目标具有较好的分割性能,将该方法应用于重叠苹果目标的分割是可行的。     

无人机航拍林业虫害图像分割复合梯度分水岭算法

针对林业信息监测方式实时性差、监测范围有限等问题,为更加实时、准确地对林业虫害信息进行监测并计算监测样地中虫害区域比例,该文在搭建面向林区虫害监测的多旋翼无人飞行器航拍监测系统基础上,提出了一种基于复合梯度分水岭算法的图像分割方法。该方法引入全局直方图均衡化消除了图像暗纹理的影响,并采用形态学混合开闭重构滤波完成了图像样本的去噪处理。计算灰度图像各像素点的复合梯度实现了非相关区域(道路及裸地)的提取,最终利用分水岭算法实现了监测图像虫害区域的分割提取。利用该文所提算法对8幅虫害侵蚀程度不同的监测图像进行分割,并与传统分水岭算法、K-means聚类算法进行对比试验。试验结果表明,该文算法虫害区域提取的平均相对误差率分别降低6.56%、3.17%,平均相对极限测量精度分别改善7.19%、2.41%,能够相对准确地将虫害区域从监测图像中分割出来,可为后续林业虫害监测与防护提供参考。     

基于时间序列图像的玉米植株干旱胁迫表型检测方法

为了快速准确获取植物表型数据,该文提出了一种基于时间序列多图像的玉米植株干旱胁迫表型检测方法。首先,以固定时间间隔获取干旱胁迫条件下玉米植株一天内的图像数据,采用统计学习方法对图像序列进行初始背景分割,非局部均值(non-local mean,NLM)滤波对初始背景分割进一步求精,去除变化光照条件对图像序列分割的影响。在植株器官分割阶段,融合植株形态先验知识,通过逐行扫描和邻域数量判断拆分植株器官像素。最后,提出了叶片角度比值的干旱胁迫表型参数计算方法。结果显示,耐旱植株的叶片角度比值一天内从0.63上升到0.70后再降到0.65,而非耐旱植株的叶片角度比值维持在0.65左右,随时间变化不大。研究结果为阐明玉米植株耐旱表型参数与环境参数的协同变化关系,以及不同基因型玉米植株环境应激反应的细微形态变化提供方法和技术解决方案。     

基于深度掩码的玉米植株图像分割模型

随着深度学习技术在植物表型检测领域的应用,有监督深度学习逐渐成为植物表型信息的提取与分析的主要方法。但由于植物结构复杂、细节特征多,人工标注的成本和质量问题已成为制约技术发展的瓶颈。该研究针对玉米苗期植株图像分割问题提出一种基于深度掩码的卷积神经网络（Depth Mask Convolutional Neural Network,DM-CNN）,将深度图像自动转换深度掩码图像,并替代人工标注样本完成图像分割网络训练。试验结果表明,在相同的网络训练参数下,通过测试DM-CNN得到的平均交并比为59.13%,平均召回率为65.78%,均优于人工标注样本对应的分割结果（平均交并比为58.49%,平均召回率为64.85%）;此外,在训练样本中加入10%室外玉米苗期图像后,DM-CNN对室外测试集的平均像素精度可以达到84.54%,证明DM-CNN具有良好的泛化能力。该研究可为高通量、高精度的玉米苗期表型信息获取提供低成本解决方案及技术支持。     

基于改进全卷积网络的棉田冠层图像分割方法

针对传统的全卷积网络分割精度低、效果差等问题,该文提出一种结合条件随机场的改进全卷积网络棉田冠层图像分割方法。首先通过提取和学习图像特征对全卷积网络进行训练以优化其分割性能,得到初步分割结果和训练后的全卷积网络模型;接着将初步分割结果以像素和像素对应的分类向量形式输入到条件随机场中,同时结合像素间相对关系构建能量函数再进行训练,对初步分割结果进行优化得到训练后的条件随机场模型;进而通过验证过程对全卷积网络和条件随机场模型参数进一步调优,得到最优的全卷积网络和条件随机场;最后结合最优的全卷积网络和条件随机场实现棉田冠层图像分割并进行试验。试验结果表明:该方法的平均像素准确率为83.24%,平均交并比为71.02%,平均速度达到0.33 s/幅,与传统的全卷积网络分割性能相比分别提升了16.22和12.1个百分点,改进效果明显;与Zoom-out和CRFas RNN(conditional random fields as recurrent neural networks)分割方法进行对比,平均像素准确率分别提升了4.56和1.69个百分点,平均交并比分别提升了7.23和0.83个百分点;与逻辑回归方法和SVM(support vector machine)方法进行对比,平均像素准确率分别提升了3.29和4.01个百分点,平均交并比分别提升了2.69和3.55个百分点。该文方法在背景复杂、光照条件复杂等环境下可以准确分割出冠层目标区域,鲁棒性较好,可为棉花生长状态自动化监测提供参考。