排序方式: 共有10条查询结果,搜索用时 15 毫秒
1
1.
2.
提出了混合颜色特征下双层K-means聚类分割方法,首先在I分量将图像像素采用K-means聚类分割方法聚为4类;取聚类中心最大的2种像素的a*b*分量,进行第2次K-means聚类,得到病斑图像。对采集的21幅病害图片的试验结果表明,该方法分割结果的平均重合系数为97.53%,平均假阳性率为1.22%,平均假阴性率为3.52%。该研究可为进一步病害特征提取识别与病害程度诊断研究提供技术参考。 相似文献
3.
为了解决奶牛夜间图像存在颜色失真、边缘细节丢失与噪声干扰等低质量问题,试验提出了一种基于高斯引导滤波的彩色恢复多尺度Retinex(multi-scale Retinex with color restoration, MSRCR)图像增强算法,即先利用多尺度高斯滤波函数处理原始夜间图像得到粗糙照度分量,再利用引导滤波(guided filtering, GF)函数处理获得精确照度分量,然后结合四方向Sobel边缘检测器进行反射分量自适应权值优化,最后通过对数加法将照度分量和反射分量合成增强图像。试验以3组(1组为均匀光照灰度图像、2组为均匀光照彩色图像、3组为非均匀光照彩色图像)夜间不同成像条件下的180幅图像为研究对象,以平均梯度(mean gradient, MG)、标准差(standard deviation, S)、信息熵(information entropy, IE)、边缘保持指数(edge preserving index, EPI)、结构相似性指数(structural similarity index, SSIM)、峰值信噪比(peak signal to nois... 相似文献
4.
5.
针对苹果叶部病害图像在仅有图像类别标注的弱监督的条件下识别准确率低的问题,提出了一种基于改进的CBAM-ResNet算法进行苹果叶部病害识别。以ResNet18作为基础模型,对轻量级卷积块注意力模块(Convolutional Block Attention Module,CBAM)注意力机制中通道注意力模块中的多层感知机(Multilayer Perceptron,MLP)进行升维改进,放大苹果叶部病害特征细节;将改进的CBAM融入残差模块中,以加强对关键细节特征的提取,将AlphaDropout配合SeLU (Scaled Exponential Linearunits)融入网络中,防止其网络的过拟合化,加速模型收敛效果;最后,采用单周期余弦退火算法调整学习率,得到病害识别模型。训练在样本图像均只进行图像级标注的弱监督下进行,大大降低标注成本。通过消融实验,探究出改进CBAM中MLP最佳升维维度为2,相对于原CBAM,准确率提升0.32%,并在参数量增加17.59%的情况下,每轮训练时长减少8 s。在包含苹果斑点落叶病、褐斑病、花叶病、灰斑病、锈病等5种病害的6185幅图像数据集上... 相似文献
6.
7.
词袋特征PCA多子空间自适应融合的黄瓜病害识别 总被引:4,自引:3,他引:1
针对颜色纹理特征结合单一分类器的传统识别方法对于多种黄瓜病害的识别精度较低的问题,该文提出基于词袋特征PCA(principal component analysis)多子空间自适应融合的黄瓜病害识别方法。该方法首先对多种病害建立类别相关词袋模型,提取病害图像的高维词袋特征,然后用主成分分析法将病害高维特征降维到多个不同维数子空间,并在各子空间上分别训练BP(back propagation)神经网络;通过设置自适应阈值对待分类图像在各子空间上的分类得分进行融合得到识别结果。采集黄瓜角斑病、棒孢霉叶斑病、白粉病、霜霉病和炭疽病等5种常见病害部位图像共246幅,每类病害子图像中任意选择20幅作为训练集(共100幅),其余146幅作为测试集进行病害识别试验。结果表明在2个主成分子空间融合分类的平均准确率为90.38%,比传统颜色特征、纹理特征和颜色纹理混合特征识别率分别高6.97、26.15和13.02个百分点,且算法对不同类别病害的分类准确率更稳定,为温室黄瓜病害诊断提供了一种有效方法。 相似文献
8.
针对温室黄瓜早期霜霉病高光谱图像田间采集环境光照的影响及有效病害特征难以提取的问题,提出融合病害差异信息改进的竞争性自适应重加权算法(Competitive adaptive reweighted sampling, CARS)和连续投影算法(Successive projections algorithm, SPA)相结合的特征波段提取方法,并建立了黄瓜霜霉病早期检测模型。首先,采集黄瓜健康叶片和染病12d内每天的高光谱图像,按病程分为7类;提取感兴趣区域,并计算平均光谱作为光谱数据;采用包络线消除法确定霜霉病害差异波段,基于病害差异波段采用CARS对7个不同阶段的光谱数据分别提取特征波段,再利用SPA进行二次降维寻优;最后,将各特征波段组合,得到47个特征波段数据,据此建立最小二乘-支持向量机(Least square support vector machines, LSSVM)模型,用于病害检测。在94个叶片样本组成的测试集上进行了病害检测实验,结果表明,融合病害差异信息的Dis-CARS-SPA-LSSVM对染病2d到发病12d均能取得100%的检测识别率;对染病1d的测试集检测识别率达到95.83%,其中染病样本的召回率达到100%,相较于未融合病害差异信息的CARS-SPA特征提取方法识别率高4.16个百分点。说明所提出的Dis-CARS-SPA-LSSVM模型能够有效实现温室黄瓜霜霉病害的早期检测。 相似文献
9.
遗传算法改进的KSW熵法计算黄瓜叶部角斑病密度 总被引:1,自引:0,他引:1
[目的]去除复杂背景影响,提高角斑病病斑分割精度和速度。[方法]首先对预处理后的b*通道图像采用大津法进行初分割,去除大部分背景和噪声。再对目标部位的灰度图,用基于遗传算法改进的KSW熵阈值分割法进行二次分割,得到病斑的二值图像,并计算病斑面积,最后与叶片面积做比得到病斑密度。[结果]该方法计算的病斑密度与方格板手动计算的结果的绝对误差约为0.02,而病斑的分割速度提高了45%以上。[结论]该方法为黄瓜角斑病病害程度自动诊断提供技术依据。 相似文献
10.
为实现大规模养殖场内奶牛目标的自动提取,将相关滤波算法融入目标提取基本框架,提出一种相关滤波融合边缘检测的奶牛目标提取(Correlation filtering-edge detection based target extraction, CFED)算法。首先利用颜色名(Color names, CN)、方向梯度直方图 (Histogram of oriented gradient, HOG)设计的相关滤波器获取奶牛目标范围;再利用13个不同方向的边缘滤波模板卷积目标范围图像得到图像边缘,最后融合边缘信息和颜色特征提取出奶牛目标。对奶牛场不同环境下的9段视频进行目标提取试验,结果表明,算法提取的目标与真实结果平均重叠率达到92.93%,较Otsu、K-means聚类、帧间差分法和高斯混合模型(Gaussian mixture model,GMM)分别高35.63、32.84、20.28、14.35个百分点;平均假阳性率和假阴性率分别为5.07%和5.08%,处理每帧图像平均耗时0.70s。该结果表明,提出的CFED算法具有较好的目标检测能力,为奶牛目标准确快速提取提供了一个有效方法。 相似文献
1