基于水平集和先验信息的农业图像分割方法

提出了一种基于先验信息的C-V模型并对杂草、小麦、苹果进行分割研究.根据某类农业图像的特点,把图像表示为易于分割的模型,提取模型中感兴趣目标的信息量作为先验信息,通过H分量得到初始轮廓,并以此初始化提出的模型,迭代求解水平集函数,得到收敛的目标轮廓曲线.对杂草、小麦、苹果分割结果统计分割面积正确率为0.999、0.999、0.846,面积错误率为0、0、0.125.     

基于模糊聚类分析的草莓图像分割方法研究

为改善草莓采摘机器视觉系统中果实图像的分割效果,对普通均值聚类的分割方法理论进行分析,针对草莓果实图像的特点将模糊-均值聚类算法引入分割算法,大大改善草莓果实图像的分割效果。     

基于DOM及LiDAR的多尺度分割与面向对象林隙分类

为研究分割尺度对航空正射影像(DOM)与LiDAR数据协同面向对象林隙分割与分类的影响,以东北典型的天然次生林帽儿山实验林场东林施业区为试验区,对DOM与LiDAR数据进行多尺度分割与面向对象林隙分类。分割过程中,采用基于DOM分割、基于LiDAR数据分割、DOMLiDAR协同分割3种分割方案。每种分割方案采用10种尺度。在每种尺度应用两种数据提取的光谱和高度两种特征,采用支持向量机分类器(SVM)进行林隙分类。研究结果表明:3种分割与分类方案分类精度随尺度的增大整体呈现下降的趋势,与ED3(Modified)趋势相反。基于LiDAR数据在尺度参数10获得了最优分割结果。在所有尺度上(10~100),基于LiDAR数据分割与分类精度高于其他两种数据源的分类精度,相比单独使用DOM优势更加明显。基于LiDAR数据分割与分类方案在尺度参数10时获得了最高分类精度(Kappa系数为80%)。3种分割与分类方案最优尺度的分类精度显著高于其他尺度分类精度。分割尺度对面向对象林隙分类结果有重要影响。     

雾滴图像粘连特征改进判断及分离计数方法优化

雾滴在靶标上常出现粘连的情况,为准确测量雾滴尺寸、掌握雾滴分布规律,需要判断雾滴是否粘连,并用图像处理技术将粘连雾滴分开。首先提出判断雾滴是否粘连的改进方法,该方法结合雾滴的形状因子和面积阈值对粘连雾滴进行判断和特征提取,并用极限腐蚀法和迭代开运算法对粘连雾滴进行计数处理,其次调用迭代开运算标记的分水岭算法分割,最后对分割后雾滴的连通域进行标记及形状圆整。试验结果表明：该方法可实现粘连雾滴的自动判断和特征提取,弱粘连准确率100%,强粘连可达97.2%以上。该算法获得的雾滴粒径参数与激光粒度仪试验测量结果接近,其尺寸测量准确度较Deposit Scan软件计算平均提高了7.67%。基于相同的样本,与人工计数标定结果对比表明,该方法获得的雾滴个数快速且精准度达97.06%以上。     

融合多源图像信息的果实识别方法

光线变化与目标重叠是影响自然环境中果实正确识别的重要原因。为了降低两者的影响,研究了融合多源图像信息的果实识别方法。在图像配准的基础上,优选了H分量图与幅度图像作为待融合的源图像;由模糊推理系统(隶属度函数和模糊规则)决定权重,采用加权平均策略实现图像的像素级融合;根据融合图像中果实区域的分布规律,设计了一种基于直方图的首阈检测法以获得最佳的果实分割效果;利用深度图像的统计特性,设计了一种逐层分割图像的方法以解决重叠果实的分离问题。实验结果表明:多源融合图像用于果实识别与定位比单一图像具有更好的准确性与鲁棒性,对重叠果实的正确识别率在83.67%~94.22%之间。     

基于双次Otsu算法的野外荔枝多类色彩目标快速识别

针对目前野外环境下多类目标识别速度偏慢,导致机器人视觉定位精度低和工作效率不高的难题,以野外环境下成熟荔枝的多类色彩目标识别为例,提出了一种双次Otsu分割算法对多类色彩目标进行识别。首先为了提高算法的效率,改进了传统的Otsu算式;然后对目标色彩图像的背景、果梗、果实分别用改进的Otsu算法进行粗分割和细分割。最后通过与K-均值聚类(K-means)算法、模糊C均值聚类(FCM)算法、Otsu和K-means结合算法、Otsu和FCM结合算法这4种算法进行对比,双次Otsu算法从分割质量及其正确分割率、运行时间、稳定性3方面都优于其他4种算法。实验结果表明,双次Otsu算法对色彩目标的成熟荔枝识别的时间少于0.2 s。     

自然环境下重叠果实图像识别算法与试验

针对非结构化自然环境中光照变化和对象重叠特征等外界因素给图像处理带来的难题,提出了一种自然环境下重叠果实的图像识别与边界分割的组合优化算法。该组合优化算法首先对原始图像进行噪声滤波处理,然后利用Sobel算子以及改进算子的最大类方差法(OTSU)来辨识重叠果实目标;接着采用K-means算法对重叠目标的像素进行聚类得到单个目标位置,再结合边缘检测结果的连通域分析及区域生长获得单个目标边界的大致区域;最后利用基于限制区域的分水岭算法,得到目标的精确边界。为了验证所提算法的有效性和适应性,进行了试验研究。试验结果表明:所提出的组合优化算法不仅可以在自然环境下从重叠物体图像背景中识别出重叠目标,而且还可以从重叠目标中分割出单个目标的精确边界。     

苹果图像的背景分割与目标提取

水果的缺陷、大小和颜色差异以及光照等因素影响图像背景分割与目标提取精度.以苹果为研究对象,针对4种不同光照强度条件下采集的280幅不同姿态的苹果图像,将彩色图像的R、G、B分量进行算术运算,然后采用形态学开运算进行消噪处理,采用线性空间滤波消除锯齿状边界,采用自动阈值分割方法进行背景分割与目标提取.结果显示,203幅图像的分割偏差小于1％,占总量的72.5％;70幅图像的分割偏差大于1％而小于2％,占总量的25％;偏差大于2％的有7幅,占总量的2.5％.最大分割偏差为2.83％.     

基于自适应全局阈值融合标记的遥感图像建筑群分割

针对分割遥感图像建筑群时,标记不完全所产生的过分割和欠分割并存问题,提出一种基于自适应全局阈值融合标记的图像分割算法.该算法根据建筑群的分布和纹理特点,利用小波变换提取图像梯度,通过形态学重构对梯度图像进行滤波;采用局部极小值法提取背景标记,并应用自适应全局阈值法提取建筑群标记.采用逻辑运算进行标记融合,用融合后的标记修改加权像素的Sobel梯度图实现精准分割.实验结果表明,该算法能够弥补形态学滤波梯度图的局部极值标记不足问题,抑制了建筑群的过分割和欠分割,准确地将建筑群从背景中提取出来,分割正确率达到90.7％.     

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.