基于SegNet模型的高原鼠兔的图像分割

针对高原鼠兔图像目标尺寸小、背景复杂、特征不显著、基于活动轮廓的图像分割模型无法有效分割的问题,采用基于卷积神经网络的SegNet语义模型对高原鼠兔图像进行分割：首先将采集的高原鼠兔图像进行预处理,尺度归一化后制作成与Pascal VOC数据集格式一致的数据集;然后将数据集分为训练集与测试集,采用训练集对SegNet模型训练,测试集对模型进行分割测试。对高原鼠兔图像分割的试验结果表明：与基于活动轮廓的Chan_Vese模型相比,基于卷积神经网络的SegNet模型对高原鼠兔图像分割时的交并比、平均像素精度、Dice相似性指数和Jaccard指数分别提高了68.33%、9.35%、30.61%和47.98%,过分割率和欠分割率分别降低了87.20%、16.52%。     

基于双目立体视觉的重叠柑橘空间定位

果实的精准识别和定位是智能采摘面临的难题之一。基于双目立体视觉,提出了一种针对户外重叠柑橘的三维空间定位方法。首先,从双目左右图像中提取重叠柑橘果实轮廓并进行高斯平滑,通过曲率分析,找出异常的轮廓像素点;其次,依次连接相邻两个异常像素点,分析该线段上的像素点到柑橘轮廓的距离,在相邻两正常线段的交点处完成重叠柑橘轮廓分割,并通过寻找异常线段剔除对应的非柑橘轮廓像素点;再者,采用最小二乘椭圆拟合方法重建柑橘目标轮廓,并获取柑橘的中心;最后,根据双目极线约束和图像相似度,对重叠柑橘中心点进行匹配,并基于视差原理计算柑橘中心的深度值及三维空间坐标,确定重叠柑橘的遮挡关系。户外实验结果表明,所提出的方法定位误差为6.38 mm,满足柑橘采摘机器人户外采摘作业的定位精度要求。     

基于CNN的小麦籽粒完整性图像检测系统

为了快速、准确识别小麦籽粒的完整粒和破损粒,设计了基于卷积神经网络(CNN)的小麦籽粒完整性图像检测系统,并成功应用于实际检测中。采集完整粒和破损粒两类小麦籽粒图像,对图像进行分割、滤波等处理后,建立单粒小麦的图像数据库和形态特征数据库。采用LeNet-5、AlexNet、VGG-16和ResNet-34等4种典型卷积神经网络建立小麦籽粒完整性识别模型,并与SVM和BP神经网络所建模型进行对比。结果表明,SVM和BP神经网络所建模型的验证集识别准确率最高为92. 25%; 4种卷积神经网络模型明显优于两种传统模型,其中,识别性能最佳的AlexNet的测试集识别准确率为98. 02%,识别速率为0. 827 ms/粒。基于AlexNet模型设计了小麦籽粒完整性图像检测系统,检测结果显示,100粒小麦的检测时间为26. 3 s,其中,图像采集过程平均用时21. 2 s,图像处理与识别过程平均用时为5. 1 s,平均识别准确率为96. 67%。     

蝗虫切片图像Shannon-Cosine小波精细积分混合降噪

在显微镜下采集到的蝗虫切片图像通常同时具有高斯噪声和椒盐噪声。利用同时具有插值性、光滑性、紧支撑性及归一化特性的Shannon-Cosine小波,构造了多尺度插值小波算子,进而构造了去除图像中混合噪声的小波精细积分法。该方法在稀疏描述切片图像时,通过设置稀疏表示阈值,直接消除图像中的椒盐噪声;将图像的Shannon-Cosine小波稀疏表达式直接代入图像降噪P-M模型,将该模型变形为非线性常微分方程组,采用精细积分法求解,可实现图像的保边降噪,消除图像中的高斯噪声。实验结果表明,在满足降噪要求的情况下,本文方法可以较好地保持蝗虫切片图像中的各种纹理结构;随着高斯噪声方差由0.02增加到0.10,降噪图像的PSNR下降了11.67%,远低于其他方法。说明本文方法在处理蝗虫切片图像时具有较强的鲁棒性。采用本文方法描述蝗虫切片图像时,特征像素点只占图像像素总数的10%左右,有效降低了问题规模,提高了求解效率。     

升金湖湿地生态系统健康评价与越冬候鸟的响应

湿地生态环境及越冬水禽是升金湖自然保护区主要保护对象,其生态系统健康评价对生态系统修复及越冬水禽数量的恢复具有重要意义。利用ERDAS软件将1986、1990、1995、2000、2004、2008、2011及2015年共计8个年份冬季的TM影像数据解译划分为8种景观类型,用FRAGSTATS软件计算出各个年份的景观指标。根据升金湖湿地压力、状态、响应3方面选取10个指标,构建了升金湖湿地生态系统健康评价指标体系,利用逻辑斯蒂增长曲线模式(Logisticgrowthmodel)对这些单项指标进行评价,然后运用层次分析(AHP)的方法确定各个单项因子在指标体系中的权重,最后对1986到2015年升金湖湿地生态系统运用综合评价模型进行综合的评价分析。2015年升金湖生态系统健康综合评价值为0.430,属于亚健康的状态,应及时加强升金湖湿地生态保护措施。通过1995年与2015年对比得知人口密度增长10%以上,人类干扰指数增长了6.685,人类的干扰压力是导致湿地功能下降的主要因素;从状态分析与响应分析可以看出升金湖湿地修复功能处于不稳定的状态。通过越冬候鸟数量与湿地生态系统健康的关系可以看出越冬侯鸟数量的变化是随着湿地的生态系统健康评价状况变化而变化。     

北海镜心斋园林意象分析

清代皇家园林北海镜心斋规模虽然不大,独具匠心的设计,使该园呈现出丰富的审美意象。通过对该园的相关视觉图式和环境认知的分析以及与实际园林处理的相互印证,探讨了镜心斋的设计思路与手段,有助于理解视觉语言和整体意象在深化园林设计中起到的关键作用。     

天津市生态防护林林分质量调查与评价

为保证天津市“十四五”造林绿化规划的科学性、针对性和可实施性,针对高速公路、高铁、一级河道两侧100~150 m绿色廊道,从森林分布、森林结构和森林健康3方面,对小班的林分质量进行调查,并按层次权重分析法汇总各评价指标分数,得到典型森林小班质量等级后,利用航片影像特征将结果反推至剩余森林小班,最后获得了绿色廊道林分质量情况。     

一种基于边缘形状的边缘连接方法

在图像处理领域,边缘检测是一个重要的步骤,在数字图像分割、立体匹配、目标识别等领域里有着重要的作用。在检测出来的边缘中,有很多间断的部分,这使图像分割变得更加困难,为使分割更加理想,需要将间断部分连接起来。本文提出一种应用差分原理,基于边缘形状的边缘连接方法。通过对新方法进行理论分析和对比实验,此方法能有效连接间断边缘。     

基于注意力机制及多尺度特征融合的番茄叶片缺素图像分类方法

针对番茄早期缺素性状不明显及各生长期特征差异较大所导致的特征区域尺寸不一致、难提取、难辩别等问题,提出了一种基于注意力机制及多尺度特征融合卷积神经网络的番茄叶片缺素图像分类方法（Multi-Scale Feature Fusion Convolutional Neural Networks Based On Atte ntion Mechanism,MSFF-AM-CNNs）。首先根据番茄叶片缺素特点提出了多尺度特征融合结构（Multi-Scale Feature Fusion Module,MSFF Module）;其次在DenseNet基础上,结合浅层网络主要提取纹理、细节特征,深层网络主要提取轮廓、形状特征的特点分别提出具有针对性的特征提取方法,通过不同形式引入注意力机制及多尺度特征融合结构,使全局多尺度信息融合多个特征通道、选择性地强调信息特征并达到对特征精准定位的功能;同时引入Focal Loss函数以减少易分类样本的权重。试验结果表明,MSFF-AM-CNNs的平均召回率、平均F1得分、平均准确率较原模型DenseNet-121均大幅提升,其中缺氮和缺钾叶片的准确率分别提高了8.06和6.14个百分点,召回率分别提高了6.31和5.00个百分点,F1得分分别提高了7.25和5.55个百分点,平均识别准确率可达95.92%,具有较高的识别准确率及广泛的适用性,能够满足番茄叶片缺素图像的高精度分类需求,可为植物叶片缺素识别提供参考。     

缺株玉米行中心线提取算法研究

无人驾驶农机自主进行行驶路径检测和识别系统需要具备环境感知能力。作物行的中心线识别是环境感知的一个重要方面,已有的作物行中心线识别算法在缺株作物行中心线提取中存在检测精度低的问题。该研究提出了一种能够在缺株情况下提取玉米作物行中心线的算法。首先采用限定HSV颜色空间中颜色分量范围的方法将作物与背景分割,通过形态学处理对图像进行去噪并填补作物行空洞;然后分别在图像底部和中部的横向位置设置条状感兴趣区（Region of Interest,ROI）,提取ROI内的作物行轮廓重心作为定位点。在图像顶端间隔固定步长设置上端点,利用定位点和上端点组成的扫描线扫描图像,通过作物行区域最多的扫描线即为对应目标作物行的最优线;将获取的最优线与作物行区域进行融合填充作物行中的缺株部位;最后设置动态ROI,作物行区域内面积最大轮廓拟合的直线即为目标作物行中心线。试验结果表明,对于不同缺株情况下的玉米图像,该算法的平均准确率达到84.2%,每帧图像的平均检测时间为0.092 s。该研究算法可提高缺株情况下的作物行中心线识别率,具有鲁棒性强、准确度高的特点,可为无人驾驶农机在作物行缺株的农田环境下进行作业提供理论依据。