基于模糊C均值聚类的作物病害叶片图像分割方法研究

为提高作物病害图像的分割效果,根据作物病害图像的特点,提出了一种基于模糊C均值聚类算法(FCM)的作物病害图像自适应分割方法.该方法将像素的灰度与其邻域均值作为FCM的输入特征,变换FCM的隶属度函数使其包含图像的局部邻域特性;通过聚类有效性验证分析和试验确定模糊C均值聚类算法(FCM)的最优聚类数、模糊加权指数.运用该方法对棉花病害叶片图像进行分割.结果表明:该方法能较好将病斑部分和正常部分分割开,平均分割误差率小于5%,对作物病害图像的分割处理非常有效.     

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。     

基于K-means聚类的柑橘红蜘蛛图像目标识别

为快速检测红蜘蛛虫害,该研究采用基于Lab颜色模型中a(红/绿)、b(黄/蓝)层信息的K-means聚类法识别彩色图像中的红蜘蛛。试验选取8幅具有不同清晰度的柑橘红蜘蛛图像,采用基于Sobel边缘检测算子的评价函数计算图像清晰度评价值以评价图像清晰度,对比采用灰度法和包含2、3、4或5个聚类中心的K-means聚类法的目标识别效果和识别效率。结果表明,灰度法对8幅图像中红蜘蛛目标识别率平均值为29%,误判率平均值为201%,无法应用于复杂背景图像中的红蜘蛛目标识别。包含5个聚类中心的K-means聚类法对清晰度较高的图像识别率为100%,误判率为0,对清晰度较低的图像识别率为88%,误判率为0;当图像尺寸较小时,包含4个聚类中心的K-means聚类法识别效率与灰度法相当;当图像尺寸较大时,重复计算聚类中心导致识别耗时较长;基于Lab颜色空间的识别算法无法有效识别其他颜色的红蜘蛛,继续研究的方向为引入红蜘蛛形态信息以提高识别准确率和优化聚类中心的选取以降低识别耗时。     

基于空间特征谱聚类算法的含噪苹果图像优化分割

为了减少噪声对苹果采摘机器人的目标识别所带来的影响,对含噪苹果图像的分割方法进行了研究。该研究设计一种针对噪声具有鲁棒性的苹果图像分割方法,首先计算苹果图像的三维空间特征点的紧致性函数,用以构造邻近点的相似矩阵实现苹果图像的去噪效果;再利用离群点矩阵拆分并由其他剩余列向量线性表示,对相似矩阵进行离群点调优实现聚类优化,进而提出基于空间特征的谱聚类含噪苹果图像分割的优化算法,旨在提高分割算法的效率和识别准确率。通过对两幅苹果图像添加不同程度的高斯和椒盐噪声（方差分别为0.01、0.05和0.1的高斯噪声和概率为0.01、0.05和0.1的椒盐噪声）进行试验,分别求出谱聚类方法、基于空间特征的谱聚类方法和该文优化方法的苹果目标图像的分割图,并计算三类方法的分割准确率。该文优化方法对于单个苹果受不同噪声影响下的分割准确率均在99%以上,对于重叠苹果的分割准确率均在98%以上,对于所选取的30幅苹果图在方差为0.05的高斯噪声和概率为0.01的椒盐噪声影响下的平均分割准确率为99.014%。结果表明：谱聚类方法受噪声的影响较大;基于空间特征的谱聚类方法的分割效果受噪声的影响较小,但在边界区域仍然有很多错分的像素;优化方法在边界区域的分割要优于基于空间特征的谱聚类方法;在设定的试验条件下,其分割结果准确率相对于基于空间特征的谱聚类方法和传统的谱聚类方法可分别提高5%～6%和9%～25%。在分割效率方面,该文优化方法的分割时间低于传统的谱聚类算法,且与基于空间特征谱聚类方法接近。研究结果为苹果采摘机器人的快速目标识别提供参考。     

基于图像特征点粒子群聚类算法的麦田作物行检测

为了快速准确地提取麦田作物行中心线,提出了基于图像特征点粒子群聚类算法的麦田作物行检测。首先,对自然光照下获取的彩色图像运用"过绿颜色因子图像灰度化"、"Otsu图像二值化"、"左右边缘中间线检测提取作物行特征点算法"3步对图像进行预处理。然后,根据农田作物行中心线周围区域的特征点到该直线的距离均小于某一距离阈值的特征,运用粒子群优化算法对每一作物行的特征点分别进行聚类。最后,对每一类的特征点用最小二乘法进行直线拟合获取麦田作物行中心线。试验结果表明,该算法可以对作物断行、杂草、土块等复杂农田环境下的图像进行有效地作物行检测,识别率达95%,识别误差小于3°。与标准Hough算法相比,运行速率提升了一倍。该文可为实现农业机器人田间作业提供参考。     

基于彩色和深度信息结合K-means聚类算法快速拼接植株图像

图像拼接可以建立宽视角的高分辨率图像,对实现农业智能化有重要作用。基于Kinect传感器的图像拼接方法利用彩色和深度双源信息,能够有效避免图像缺失、亮暗差异、重影等拼接错误,但是存在拼接时间较长和目标植株不明显等情况。针对这一问题,该文提出一种基于Kinect传感器彩色和深度信息的目标植株图像快速拼接方法。首先用K-means聚类算法和植株深度信息提取彩色图像中有效植株区域,再采用SURF(speeded up robust features)算法进行特征点提取,利用相似性度量进行特征点匹配并根据植株深度数据去除误匹配,由RANSAC(randomsampleconsensus)算法寻找投影变换矩阵,最后采用基于缝合线算法的多分辨率图像融合方法进行拼接。室内外试验结果表明:该文图像拼接方法更能突显出目标植株且极大缩短了拼接时间,该方法图像拼接时间只需3.52 s(室内)和7.11 s(室外),较基于深度和彩色双信息特征源的Kinect植物图像拼接方法时间缩短了8.62 s(室内)和38.56 s(室外),且平均匹配准确率达96.8%。该文拼接后图像信息熵、清晰度、互信息、空间频率平均分别为6.34、50.36、11.70、11.28,图像质量较传统方法均有提高。该研究可为监测农业植株生长状态、精确喷洒药物提供参考。     

基于改进K-means聚类算法的大田麦穗自动计数

单位种植面积的小麦麦穗数量是评估小麦产量和小麦种植密度的一个重要参量。为了实现高效、自动地麦穗计数,该文提出了基于改进K-means的小麦麦穗计数方法。该方法建立从图像低层颜色特征到图像中包含麦穗的一个直接分类关系,从而不需要再对图像进行分割或检测。以颜色特征聚类为基础的这种方法能够估计麦穗在空间局部区域中数量,并且在不需要训练的情况下更具有可扩展性。统计试验结果表明,该文算法能够适应不同光照环境,麦穗计数的准确率达到94.69%,超过了传统基于图像颜色特征和纹理特征分割的麦穗计数方法 93.1%的准确率。     

基于同态滤波和K均值聚类算法的杨梅图像分割

针对自然环境下光照不均杨梅果实分割效果不理想问题展开研究。应用同态滤波算法对HSV（色调hue,饱和度 saturation,亮度value）颜色空间下杨梅图像V分量进行亮度增强,以补偿光线。而后针对彩色杨梅图像的颜色特征,结合Lab（L（亮度Lightness）,a（色度chromaticity,+a表示红色,?a表示绿色）,b（色度 chromaticity,+b表示黄色,?b表示蓝色）颜色空间a、和b分量的特点,应用K均值聚类算法在Lab颜色空间中对彩色杨梅图像进行分割。为了验证该算法的有效性,在100余幅图像中选用15幅因光照不均和生长状态不同而存在不同程度阴影影响的杨梅图像,进行了3组比较试验,先采用K均值聚类算法对光线补偿去除阴影前后的杨梅图像分割结果进行比较;接着,采用基于色差2*R-G-B自适应灰度阈值分割算法和K均值聚类算法2种不同分割算法对去除阴影后的杨梅图像分割结果进行比较;最后,与基于灰度变换法、直方图均衡化方法的图像增强法去除阴影的效果进行对比。试验结果表明,该文算法的分割误差、假阳性率、假阴性率平均值分别为3.78%,0.69%和 6.8%,分别比光线补偿前降低了21.01,12.79 和21.14个百分点;与基于色差（2*R-G-B）自适应灰度阈值分割算法相比,分割误差、假阳性率、假阴性率这3个指标的性能平均提高了12.93,1.45和7.11个百分点;与基于灰度变换法图像增强法比较表明,分割误差、假阳性率、假阴性率平均值分别降低了32.94 ,6.85 和29.65个百分点,与直方图均衡化图像增强法相比,这3个值分别降低了24.92,6.12和33.06个百分点。通过试验结果图的主观判断和评价指标的定量分析,验证了该算法能有效地分割出杨梅目标,保证了杨梅目标在颜色、纹理和形状方面的完整度,研究结果为研究采摘机器人进行杨梅等果实的分割和识别提供参考。     

基于MFICSC算法的生菜图像目标聚类分割

生菜图像目标分割是基于图像处理的生菜生理信息无损检测的前提。为了解决因生菜富含水分使得图像采集镜头反光而导致生菜叶片图像灰度分布不均的问题,该文采用一种修正的图像灰度均衡算法对生菜图像进行灰度均衡处理,应用混合模糊类间分离聚类算法(MFICSC)进行生菜图像目标分割,使总体类间距离最大化,能够同时生成模糊隶属度和典型值,对处理噪声数据和克服一致性聚类问题均表现良好。分别采用MFICSC算法和Otsu算法进行了生菜图像目标分割对比试验,结果表明MFICSC算法具有较好的聚类准确度,效果优于传统Otsu分割算法。     

基于视觉显著性和脉冲耦合神经网络的成熟桑葚图像分割

为了提高在自然采摘环境中成熟桑葚机器视觉识别的有效性和鲁棒性,克服图像目标形态小、分布杂散、背景干扰多和光照不均匀等困难,该文提出了一种采用视觉显著性和脉冲耦合神经网络(pulse coupled neural network,PCNN)模型的成熟桑葚图像分割方法。该方法首先将采集的图像映射到Lab颜色空间,利用空间颜色分量的算术平均值和高斯滤波值之间的差异,构建起桑葚图像的频率调谐视觉显著图;其次,提取采集图像在HSI颜色空间的色调分量,经过均衡化处理后,与视觉显著图进行融合,实现桑葚目标的融合特征表达;最后,通过改进的分层阈值化脉冲耦合神经网络模型进行目标分割以及形态学处理,得到成熟桑葚的识别结果。利用从重庆市天府镇果桑生态园采集到的200余幅桑树挂果图像进行试验,结果表明,该方法能够在不同光照条件的复杂背景下,有效分割出成熟果实,平均误分率为1.87%,优于结合频率调谐视觉显著性的OTSU法(17.73%)、K-means聚类算法(10.69%)、基于Itti视觉显著性的PCNN分割方法(7.34%)和基于GBVS(graph-based visual saliency,GBVS)视觉显著性的PCNN分割方法(5.83%)。研究结果为成熟桑葚果实的智能化识别提供参考。     

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%。     

基于演化算法的水果图像分割

为了满足水果采摘机器人对图像分割算法实时性和自适应性的要求,在传统演化算法的基础上,提出了一种基于蜂王交配结合精英选择、截断选择分阶段的改进演化算法对水果图像进行分割。在设计选择策略时,将迭代过程划分为前中后3个阶段,分别采用蜂王交配算法、精英选择策略和截断选择策略来进行适应值的选择,这样既保证了种群的多样性,又克服了传统演化算法局部最优、收敛过快的缺点。试验结果表明,该文提出的水果图像演化分割算法无论从稳定性、分割效果,还是全局最优收敛速度上,都明显优于传统演化算法,分割的阈值稳定在3个像素之内;与Otsu算法、贝叶斯分类算法、K均值聚类算法、模糊C均值算法等其他算法相比,水果图像演化分割算法分割效果最好,对同一幅图像进行分割得到的分割识别面积参考值最大,而且运行速度最快,平均运行时间为0.08735 s,远少于其余4种算法;并能用于柑橘、荔枝、苹果等各种水果的图像分割,具有一定的通用性,达到水果采摘机器人视觉实时识别的要求,为水果图像分割及其实时获取提供了一种新的基础算法。     

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。     

基于自适应密度峰值聚类的野外紫色土彩色图像分割

野外自然环境下采集的紫色土图像背景复杂,将紫色土区域从背景中分割出来是应用机器视觉对紫色土进一步分析处理的首要工作。该文提出基于自适应密度峰值聚类的野外紫色土彩色图像分割算法。该方法首先构造基于熵的相似度矩阵,从而建立基于类间方差最大化类内方差最小化准则的灰度变换优化模型,求解优化模型获得一个提升了紫色土与背景间分离特性的灰度图像。然后,构建无参的密度公式和一个中心决策度量来自动获取聚类中心,实现在密度峰值聚类算法框架下紫色土图像的自适应分割。最后,设计边界提取与区域填充的后处理算法获得完整的紫色土土壤区域图像。通过使用常规样本集、鲁棒样本集试验测试,结果显示:该文分割算法的初分割平均分割精度分别为93.45%和87.40%,比采用原始密度峰值聚类算法的平均分割精度分别提高3.16和12.47个百分点。经该文算法初分割、后处理,平均分割精度分别提高到96.30%和91.63%,平均耗时分别为0.36和0.35 s。研究结果为野外紫色土彩色图像的自适应分割提供参考。     

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.