牛肉大理石花纹计盒维和信息维的测定

对牛肉大理石花纹几何特征进行定量描述，是牛肉大理石花纹等级自动判定系统的关键技术。通过对牛肉大理石花纹图像分形特征的分析及分形维数的测定，试图以分形维对牛肉大理石花纹的分布特征进行定量描述。作者以中国及美国牛肉分级系统中的大理石花纹标准图版为研究对象，通过图像预处理，将其转化为二值数字图像，然后根据变粗视化程度的像素点覆盖法，编写出计盒维和信息维的测定程序，计算出上述每一幅图像在不同标尺下的非空盒个数及信息量，再根据标尺与非空盒个数及信息量的关系，分析图像的分形特征；通过回归分析的方法，测定出图像的计盒维数和信息维数。试验结果显示，在一定的标度范围内，牛肉大理石花纹标准图像具有分形性，并且显示出多重分形特征；图像的计盒维数和信息维数均呈现出随着牛肉大理石花纹等级的增加而增大的变化趋势。     

基于模糊C均值聚类的牛肉图像中脂肪和肌肉区域分割技术

介绍了一种自适应分割牛肉眼肌切面图像中脂肪和肌肉区域的图像处理技术。通过CCD摄像头获取以黑色平板为背景的牛肉眼肌切面彩色RGB图像。先根据彩色图像R分量的灰度直方图，利用最大方差自动取阀值法(OSTU)把黑色背景与整块牛肉图像分割开来；接着把处理后的图像变成灰度图像，用模糊C均值聚类算法(FCM)计算出牛肉脂肪像素和肌肉像素灰度值的聚类中心，以各个像素点灰度值与两个聚类中之间的绝对值距离来区分出图像中的脂肪和肌肉像素。结果表明，FCM方法是分割肌肉和脂肪区域的有效方法。     

基于数学形态学的牛肉图像中背长肌分割和大理石纹提取技

牛肉图像中背长肌区域的分割和大理石纹提取是利用计算机视觉评定牛肉胴体等级的重要步骤.研究了利用数学形态学的方法来分割牛肉眼肌切面图像中背长肌区域并将大理石纹提取出来的技术.眼肌切面图像经过去除背景并进行肌肉和脂肪像素识别等预处理后,再用形态学腐蚀与膨胀相结合获得背长肌区域图像,通过图像逻辑运算提取大理石纹.结果表明,这种方法能有效地把背长肌区域与其周围肌肉组织分离开来并提取大理石纹.     

基于深度学习的牛肉大理石花纹等级手机评价系统

大理石花纹是影响牛肉品质等级的重要指标,目前中国牛肉加工企业对大理石花纹的评价是由专业分级人员参照标准图谱完成,具有主观性强、耗费人工的缺点。针对上述问题,该研究提出了基于深度学习的智能分级方法,设计一种具有4层卷积的神经网络结构,实现了大理石花纹特征的自动提取,并基于智能手机开发了牛肉大理石花纹检测软件。该研究共采集样本图像1 800张,按3:1:1分为校正集、验证集和测试集。为进一步验证模型,将该方法与传统机器视觉方法进行了比较,提取了牛肉大理石花纹的大、中、小脂肪颗粒个数,脂肪总面积和脂肪分布均匀度5个参数,并建立了多元线性回归模型。试验结果表明,该研究所用方法大理石花纹检测准确率更高,验证集检测正确率为97.67%。最后编写了手机软件,将模型移植入Android手机,在手机平台上调用模型进行大理石花纹检测。试验表明,该软件对测试集样本的检测准确率为95.56%,单张检测时间低于0.5 s。该研究结合卷积神经网络分类能力强和智能手机运行速度快等优点,开发了牛肉大理石花纹的手机评价系统,具有较好的实用性和便携性,可提高牛肉大理石花纹检测效率,有助于提高农畜产品检测的智能化水平。     

牛肉大理石花纹图像特征信息提取及自动分级方法

为了解决牛肉大理石花纹在人工分级中准确率和效率低的问题,该文基于计算机视觉和图像处理技术提出一种实用的牛肉大理石花纹自动评估和分级方法。通过图像解析,利用所提出的分级算法实现牛肉大理石花纹的快速提取,并计算反映大理石花纹丰富程度的10个特征参数。使用特征参数建立主成分回归模型,对牛肉大理石花纹等级进行预测,预测相关系数Rv=0.88,预测标准差SEP=0.56。校正时模型总体的回判正确率为97.0%,验证时总体的判别正确率为91.2%。在此基础上,开发了大理石花纹自动分级软件系统和硬件装置,并且在该试验室前期研制的样机上进行了试验,验证了算法的运算速度和准确率。结果表明,所提出的分级方法的检测速度和精度均能够满足企业中对牛肉大理石花纹分级的要求。     

基于自适应小波偏微分方程的蝗虫切片图像去噪

蝗虫显微切片图像在获取的过程中不可避免地会受到噪声污染,其纹理、边缘与噪声又都属于高频分量,单独使用小波变换或偏微分方程(partial differential equation,PDE)扩散的方法都不能在有效去噪的同时保持边缘、纹理等。针对这一问题,提出了基于自适应小波PDE的去噪算法。首先对蝗虫切片含噪图像进行sym5小波软阈值去噪,分解层数根据去噪后图像的PSNR(peak signal to noise ratio)值自适应地选择,阈值门限使用Birge-Massart处罚算法获取。然后在此去噪的基础上进行Perona-Malik(PM)模型去噪,迭代次数根据去噪后图像的PSNR值自适应地选择,梯度阈值根据图像自身的2范数获取。为了验证所提出算法的去噪性能,进行了与常用去噪算法的对比试验。试验结果表明:视觉上,采用本文算法去噪后的图像噪声点较少且边缘、纹理清晰;客观上,采用该文算法去噪后的图像PSNR值比使用维纳滤波高出2 d B左右,比使用中值滤波高出3 d B左右,比使用小波阈值去噪高出2 d B左右,比使用PM模型去噪高出1 d B左右,并且在结构相似性(structural similarity image measurement,SSIM)上采用该文算法去噪后的图像与原始图像的相似度最高。因此,将自适应小波PDE的算法应用于蝗虫切片去噪是可行的、有效的,为其后续处理提供了技术支持。     

基于多光谱视觉技术的油菜水分胁迫诊断

针对油菜水分胁迫的的无损探测,研究了利用多光谱图像对油菜含水率进行定量分析的方法.采用中值滤波法对图像进行预处理;利用二维最大信息熵阈值分割法对多光谱图像进行背景分割;对油菜冠层多光谱图像的均值和比值特征进行了提取,发现560 nm处的可见光图像,960、8110 nm处的近红外图像均值特征和960 nm/810 am...     

采用改进的自适应模糊多级中值滤波算法去除牛肉图像斑点噪声

牛肉图像中的斑点噪声与肌内脂肪的颜色特征相似,要准确提取牛肉图像中的肌内脂肪颜色特征,就必须先对斑点噪声进行滤除。为此在自适应模糊多级中值滤波的基础上进行了改进：第1步,确定当前点是否为噪声点。先计算当前像素点与其邻域均值的差的绝对值,然后与阈值(阈值随当前点的灰度值而变化)相比较,如果绝对值大于阈值,则被认为是斑点噪声。第2步,对于斑点噪声,将采用自适应模糊多级中值滤波方法来滤除;如果不是,保留原像素点不变。试验结果表明,改进的算法在斑点噪声滤除与细节保护方面均优于标准的中值滤波、多级中值滤波以及形态滤波。     

基于遗传算法和阈值滤噪的玉米根茬行图像分割

作物行的识别是农业机械视觉导航系统的一项重要研究内容,针对华北一年两熟区玉米利用联合收获机留茬收获后,农田原始图像中背景目标多(行间秸秆、裸露地表等),且背景目标与玉米根茬颜色接近,难以实现玉米根茬行准确快速分割的问题,该文采用RGB颜色空间,以根茬顶端切口为目标,提出了一种基于遗传算法和阈值滤噪的玉米根茬行图像分割方法。首先,为了降低图像分割难度,选取图像中间位置包含一条完整玉米根茬行的矩形区域作为感兴趣区域(region of interest,ROI);然后,利用经过遗传算法优化得到的灰度化算子对ROI进行灰度化,采用单阈值法分割ROI;最后,通过形态学腐蚀处理去除孤立点、毛刺等误分割情况,同时利用基于连通域面积阈值和偏距阈值的滤噪方法滤除根茬行两侧噪声,实现玉米根茬行的有效分割。为评价该分割方法,利用从农业部河北北部耕地保育农业科学观测实验站采集到的200幅玉米根茬行图像进行试验。结果表明:该方法能够较好的适应晴天光照条件变化,从含有裸露地表、玉米行间秸秆等复杂背景下,准确快速地分割出玉米根茬行,平均相对目标面积误差率为24.68%,处理一幅1280像素×1 024像素的彩色图像平均耗时为0.16 s,具有较好的鲁棒性、实时性和准确性。研究结果验证了基于遗传算法和阈值滤噪方法实现玉米利用联合收获机留茬收获后根茬行图像分割的可行性,并为玉米根茬行直线检测提供良好的基础。     

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.     

基于变分法和剪切波耦合算法的蝗虫切片保纹理图像降噪

保纹理降噪在农业领域图像处理中具有非常重要的作用。现有降噪方法由于无法正确识别纹理和噪声导致降噪效果不理想。针对该问题,该文提出多尺度插值小波框架下的变分法和剪切波变换耦合降噪方法,其中变分法可以识别图像中的主要目标物轮廓,但把纹理识别为噪声;而剪切波变换可识别图像中的纹理细节,但也容易把噪声当作纹理。耦合方法首先对图像进行错切变换,实现图像中纹理区域的降噪,然后通过变分法消除剪切波变换中误将噪声作为纹理重构出现的人工伪影。耦合方法结合了2种方法的优点,使图像降噪效果得到提高。最后以蝗虫切片图像的降噪为例进行数值验证,相对于变分法,峰值信噪比PSNR提高了6.37%;相对于剪切波,PSNR提高了5.90%,数值结果表明了该方法的有效性。     

基于多尺度形态学滤波的高分辨率遥感影像分割

针对目前高空间分辨率遥感影像分割预处理噪声去除过程中,通常都是对影像采用同一尺度,即同一尺寸的结构元素,进行滤波,忽略了不同地类中的噪声尺度不一致的问题。该文基于形态学开闭重建运算,采用加权思想,充分利用不同尺度结构元素能去除对应尺度噪声的特点,结合多个尺度结构元素的滤波结果,提出一种多尺度形态学滤波方法。试验结果表明,该方法能有效抑制由于滤波尺度选择不合适造成的影像“过分割”和“欠分割”问题,适合于对高空间分辨率遥感影像的多尺度噪声去除。     

基于视觉显著性改进的水果图像模糊聚类分割算法

准确分割水果图像是采摘机器人实现视觉定位的关键技术。该文针对传统模糊聚类对初始聚类中心敏感、计算量大和易出现图像过分割等问题,结合机器人的视觉特性,提出了一种基于多尺度视觉显著性改进的水果图像模糊聚类分割算法。首先,选择适当的颜色模型把彩色水果图像转换为灰度图像;然后对灰度图像做不同尺度的高斯滤波处理,基于视觉显著性的特点,融合了多个不同尺度的高斯滤波图像,形成图像聚类空间;最后,用直方图和模拟退火粒子群算法对图像的传统模糊聚类分割算法进行了改进,用改进的算法分别对采集到的100张成熟荔枝和柑橘图像,各随机选取50张,进行图像分割试验。试验结果表明:该方法对成熟荔枝和柑橘的图像平均果实分割率分别为95.56%和93.68%,平均运行时间分别为0.724和0.790s,解决了水果图像过分割等问题,满足实际作业中采摘机器人对果实图像分割率和实时性的要求,为图像分割及其实时获取提供了一种新的基础算法,为视觉精确定位提供了有效的试验数据。     

多尺度融合卷积神经网络的黄瓜病害叶片图像分割方法

黄瓜病害叶片中的病斑区域分割是病害检测与类型识别的关键步骤,分割效果将直接影响病害检测和识别的精度。针对传统方法对于黄瓜病害叶片图像分割精度低和泛化能力弱等问题,提出一种基于多尺度融合卷积神经网络(Multi-ScaleFusionConvolutionalNeuralNetworks,MSF-CNNs)的黄瓜病害叶片分割方法。MSF-CNNs由编码网络(EncoderNetworks,ENs)和解码网络(DecoderNetworks,DNs)两部分组成,其中ENs为一个多尺度卷积神经网络组成,用于提取病害叶片图像的多尺度信息;DNs基于九点双线性插值算法,用于恢复输入图像的尺寸和分辨率。在MSF-CNNs模型训练的过程中,使用一种渐进微调的迁移学习方法加速模型的训练,提高模型的分割精度。在复杂背景下的作物病害叶片图像数据库上进行病害叶片图像分割试验,并与现有的分割方法全卷积网络(FullyConvolutional Networks,FCNs)、Seg Net、U-Net、Dense Net进行比较。结果表明,该MSF-CNNs能够满足复杂环境下的黄瓜病害叶片图像分割需求,像素分类精度为92.38%、平均分割准确率为93.12%、平均交并比为91.36%、频率加权交并比为89.76%。与FCNs、Seg Net、U-Net、Dense Net相比较,MSF-CNNs的平均分割精度分别提高了13.00%、10.74%、10.40%、10.08%和6.40%。使用渐进学习训练方式后,训练时间缩短了0.9 h。该方法为进一步的黄瓜病害检测和识别方法研究提供了参考。     

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。     

基于全卷积网络的土壤断层扫描图像中孔隙分割

针对土壤断层扫描图像中存在部分容积效应及因孔隙成分复杂、结构不规则等引起的分割精度低的问题,该文提出一种全卷积网络(fully convolutional network,FCN)土壤孔隙分割方法,为土壤科学研究提供技术支持。该文以黑土土壤断层扫描图像为研究对象,通过卷积和池化运算输出不同尺度的孔隙特征图;将孔隙的深层特征和浅层特征相融合,采用上采样算子对融合特征进行插值操作,从而输出孔隙的二值图。与大津法、分水岭法、区域生长法和模糊C均值聚类法(Fuzzy C-means,FCM)4种常用孔隙分割方法的对比结果表明,FCN法在低,中,高3种孔隙密度的土壤图像中优于其他4种方法。FCN法的平均分割正确率为98.1%,比4种常用方法分别高25.6%,48.3%,55.7%和9.5%;FCN法的平均过分割率和欠分割率分别为2.2%和1.3%,仅为次优方法(FCM法)的33.8%和23.6%。通过融合土壤孔隙结构的多重特征,FCN法能够实现土壤孔隙整体和局部信息的精准判断,为土壤学的研究提供了一种更加智能化的技术手段。     

一种基于小波变换的图像过渡区提取及分割方法

具有复杂背景的树木图像的分割对于精确对靶施药及智能化植保机械的设计具有重要意义。为实现树木图像的精确分割,针对该类图像的特点,该文提出了一种基于小波变换的过渡区提取树木图像分割方法。通过对比小波变换系数、小波变换系数聚类以及小波包系数,最终选取了同时能够分解出更多高频、低频信息的小波包变换系数提取特征,根据小波包变换系数定义了小波能量比参数,将小波能量比参数值归一化为图像灰度值,采用自适应阈值和神经网络两种方法提取了过渡区,实现了具有复杂背景树木图像的分割。试验表明,该方法分割精度高,对于分割复杂背景的树木图像具有特别意义。