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。     

给定两连杆运动面的Watt-I六杆机构空间解域综合方法

针对运动生成Watt-I型六杆机构综合问题,给出了一种基于空间解域的综合方法。该型机构中作为末端执行构件的连杆和一个四杆机构的连杆运动面相连,因此需要给出这个连杆运动面的位置。该方法首先综合四杆机构,然后将二杆组添加到四杆机构上。对于四位置问题,四杆机构综合可得到无穷多机构解,而对于任意四杆机构又有无穷多种添加二杆组的方法。本文以四杆机构的平面解域为基础,将综合所得无穷多六杆机构在一个有限的空间区域内表示出来,还给出一种能有效判断Watt-I型六杆机构回路和分支缺陷的方法。通过对综合所得无穷多机构解进行判断,建立六杆机构去除回路分支缺陷的空间可行域。空间解域的应用使设计者能够从整体上把握六杆机构的可行解的全部解空间,从而使获得附加更多条件的最优机构成为可能。     

基于机器视觉的半干枣病害和裂纹识别研究

研究提出了一种基于机器视觉的病害和裂纹的识别方法。在H分量图中,依据半干枣在病害和非病害区域色调值差异提取病害区域,以提取的病害区域与枣表面积的比作为阈值确定较高的病害面积识别精度,可正确识别的感兴趣病害面积为16.87mm2,占枣投影面积的3.3%。为进一步提高在该病害面积识别精度的正确率,依据已确定的病害面积比阈值,将病害面积比值二值化,结合红枣区域颜色特征值H的均值和均方差,用SVM方法建立枣病害的识别模型,训练集和测试集的识别正确率分别为9 5.7 7%和9 5.7 9%。在I分量图中,对红枣区域进行Otsu’s阈值分割、图像局部属性统计和形态学处理,提取裂纹二值图像,依据裂纹图像不变距方法建立裂纹识别模型,训练集和测试集的识别正确率分别为94.90%和94.55%。     

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。     

基于显著性检测的黄瓜叶部病害图像分割算法

针对复杂背景下黄瓜叶部病害分割精度不高的问题,提出了一种基于显著性检测的黄瓜叶部病害图像分割算法。首先利用超像素将黄瓜图像分块,获取黄瓜叶片的边缘,并提出了一种超像素间权重计算方法和显著种子选取方法;然后通过流形排序计算显著图,对得到的显著图进行阈值分割,得到二值图像;再将二值图像与原图像进行掩码运算,得到黄瓜病害叶片;最后利用超绿特征和数学形态学对病害叶片进行分割得到病斑。对常见的黄瓜病害(白粉病、褐斑病、霜霉病、炭疽病)图像进行测试,结果表明该算法与Otsu算法和k-means算法相比,有效解决了冗余分割问题,错分率均在5%以内,算法平均执行时间均小于4 000 ms,分割效果更加精确,为后续构建黄瓜病害自动识别系统奠定了基础。     

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％.     

多颜色空间中玉米叶部病害图像图论分割方法

为了提高农田自然背景下玉米叶部病害诊断精度,提出了一种多颜色空间下的玉米叶部病害的图论分割方法.该方法在不同的颜色空间中引入图论进行分割,分别在单一颜色空间下将玉米病害的分割问题转换为图的分割问题,再通过有效的融合方法对初始的分割结果进行信息融合.通过对玉米叶部病害图像的分割实验表明,该方法的分割效果较好.在多种颜色空间下进行玉米叶部病害的图论分割方法是可行的、有效的.