复杂环境下森林火灾火焰局部纹理提取方法

为进一步提高野外火灾的识别率,提出三种森林火焰局部纹理提取算法:以16×16的像素邻域网格作为采样窗口,对Gabor滤波的不同尺度图像提取LBP局部纹理特征;对小波变换频率子图提取LBP局部纹理特征;对每一个16像素×16像素块提取灰度共生矩阵局部纹理特征,并将特征向量输入支持向量机(SVM)训练分类器,进行火灾火焰图像识别。试验结果显示,基于Gabor滤波和局部二值模式(LBP)的多尺度局部纹理特征提取算法的野外火灾火焰的识别率高达96%,因此,与基于小波变换和灰度共生矩阵分析的局部纹理特征提取的算法相比,该算法更为有效。     

基于机器视觉和支持向量机的温室黄瓜识别

针对复杂温室环境中的成熟黄瓜,采用脉冲耦合神经网络分割黄瓜图像,利用数学形态学方法处理,把黄瓜从图像背景中分离出来;提取各连通区域的4个几何特征值和灰度共生矩阵基础上的3个纹理特征值,作为最小二乘支持向量机(LS-SVM)的输入特征向量;利用训练好的分类器判别图像中的黄瓜。试验结果表明:用于试验的70幅黄瓜图像,正确识别率达82.9%,基于脉冲耦合神经网络分割结合LS-SVM的方法,适合复杂背景的温室黄瓜识别。     

基于机器视觉的自然环境中成熟荔枝识别

研究了自然场景下成熟荔枝的识别技术.通过分析荔枝彩色图像的颜色和灰度特征,选取YCbCr颜色模型进行处理,对其Cr分量图进行阈值分割去除复杂背景,并采用形态学和连通区域标注法消除分割后的随机噪声;然后结合一维随机信号直方图分析法与模糊C均值聚类法( FCM)对处理后的荔枝图像进行聚类和分割,实现荔枝果实和果梗的识别.不同光照条件下的识别实验结果表明,算法均能有效分割出果实和果梗,综合识别率达到95.5％.     

基于机器视觉的蔬菜种子包衣品质鉴定

蔬菜种子包衣工作参数的智能调节,能提高包衣加工效率和成品质量。为了研究包衣工作参数的智能调节,提出了基于机器视觉的蔬菜种子包衣品质鉴定方法。针对蔬菜种子包衣过程中种子包衣完整性、包衣颜色深浅、包衣颜色均匀性3个重要指标,提出依据单粒种子的种子包裹率、种子颜色及纹理特征将包衣种子分为合格与非合格两类。对于种子图像中粘连的问题,采用分水岭算法将图像分割为单粒种子。通过对单粒种子的多阈值分割,实现种子包衣完整率的计算。基于HSI颜色空间提取H、S分量的颜色矩特征与I分量的灰度共生矩阵特征,融合种子包衣完整率、颜色矩特征和灰度共生矩阵特征这3种特征为一个11维特征向量,构建基于径向基核函数的支持向量机分类器对包衣结果进行品质鉴定。实验选用包衣后辣椒种子验证算法,结果表明:包衣结果识别准确率为90.93%。该研究可为后续研究包衣机工作参数的智能调节奠定理论基础。     

基于K均值聚类的绿色苹果识别技

针对颜色和背景相近的绿色苹果,提出了一种基于K-均值聚类的苹果图像识别算法.该算法以8×8像素的正方形区域为分割单位.选择颜色差R-B作为颜色特征,选择灰度均值m,标准偏差σ和熵e作为纹理特征,形成特征向量空间.采用间隙统计法确定苹果图像的最佳聚类数. 将特征向量空间和最佳聚类数作为输入,运用本文算法对苹果图像进行聚类和分割.对200幅图像识别实验结果表明,在顺光和逆光情况下,算法均能实现果实与背景的有效分割,果实识别的正确率高于81%.     

基于颜色特征的牧草图像分割方法研究

针对自然光照条件下牧草图像的分割问题,分别研究了在RGB颜色空间和HSI颜色空间中牧草颜色特征的提取。在RGB颜色空间中,利用2G-B色差特征得到牧草和背景差值最大的色差灰度图像,使用最大类间方差图像分割法对色差灰度图像进行了图像分割。在HSI颜色空间中,根据牧草H分量的分布特点,使用模糊C-均值(FCM)的彩色图像分割方法对牧草的彩色图像进行了有效分割。实验表明,基于HIS彩色空间H色调的FCM方法对牧草的分割能够取得比较理想的效果,经二值化处理后得到的牧草轮廓要比基于2G-B色差特征的最大类间方差分割方法得到的牧草轮廓更加完整。     

基于图像处理的温室黄瓜霜霉病诊断系统

为进一步提高温室黄瓜霜霉病诊断的准确率,构建了一个基于图像处理的温室黄瓜霜霉病诊断系统。针对温室黄瓜栽培现场采集的病害图像,采用基于条件随机场(Conditional random fields,CRF)的图像分割方法进行病斑图像分割,并采用决策树模型扩展一元势函数,提高病斑图像分割的准确性;将分割后的病斑图像转换到HSV颜色空间并提取其颜色、纹理和形状等25个特征,利用粗糙集方法进行特征选择与优化;构建了基于径向基核函数的SVM分类器,准确地识别与诊断温室黄瓜霜霉病。系统试验验证结果表明,该系统采用的病斑分割方法,能够克服复杂背景和光照条件的影响,准确地提取病斑图像;采用粗糙集方法能够有效地选择分类特征,将25个初始特征减少到12个,提高了运行效率;黄瓜霜霉病识别准确率达到90%,能够满足设施蔬菜叶部病害诊断的需求。     

基于计算机视觉的土壤镉胁迫生菜叶片污染响应分析

为了实现无损检测生菜叶片中重金属镉的污染程度,以计算机视觉技术为研究手段,结合图像处理方法和特征选择方法,对4个梯度重金属镉胁迫的生菜叶片进行识别。首先利用数码相机获取生菜叶片图像,然后使用K-means聚类算法分割图像,对分割出的目标图像提取图像颜色、形状和纹理特征,共获取46个图像特征。为了使模型更简便和减少数据量,利用基于变量组合的变量重要性分析(VIAVC)和竞争性自适应重加权算法(CARS)对图像特征进行降维。采用偏最小二乘法判别分析(PLS-DA)和随机森林(RF)构建模型,用于生菜镉胁迫程度的识别。结果表明,在7个组合特征模型中,颜色形状纹理融合特征所建立的模型给出了最优结果,测试集分类正确率为92%。用VIAVC和CARS对颜色形状纹理融合特征进行特征选择,发现VIAVC的降维效果优于CARS。使用特征选择的变量建立模型,RF模型的训练集分类正确率和预测集分类正确率均高于PLS-DA,其中,基于VIAVC的RF模型的训练集和预测集分类正确率分别为98.0%和96.0%。可见,基于VIAVC的RF模型在大大降低了特征维数的前提下,能够较好地对不同镉胁迫程度的生菜叶片进行识别。     

基于机器视觉的非结构环境下黄瓜目标特征识

提出了一种基于近红外光谱成像技术的温室黄瓜信息检测方法.根据黄瓜的光谱反射特性,选用特定波长的近红外光谱图像解决与背景颜色相近的果实信息表征;利用图像内作物灰度分布差异确定果实所在区域,区域内采用矩不变优化阈值分割和特殊形态学模板滤波,实现果实目标有效识别;结合黄瓜物理性状和纹理特征检测果实的可抓取部位,并引入形心主惯性轴思想确定果柄的切割点位置.实验结果表明果实的正确识别率为93.3%,抓取点、切割点位于有效区域的几率分别为96.7%、93.1%.     

基于计算机视觉的香蕉贮藏过程中颜色和纹理监测

利用计算机视觉技术对香蕉在贮藏过程中颜色和纹理的变化进行研究。以第1阶段的青香蕉为研究对象,在贮藏过程中每天获取其图像,并将图像二值化,以其为模板分别与灰度、R、G和B分量图像点乘进行背景分割,提取彩色分量的均值作为颜色指标;预处理后灰度图像的共生矩阵由不规则的生成方式提取,并获取其纹理二阶矩、对比度和均匀度3个纹理指标。实验结果表明,结合R和G均值的变化曲线可对香蕉在第6阶段之前的表面状况进行描述,采用基于灰度共生矩阵的对比度和均匀度的变化曲线对香蕉在第6阶段之后的表面状况进行描述。     

基于多特征融合的树干快速分割算法

针对传统的树干分割算法存在分割精度低、实时性差的问题,提出了一种融合深度特征和纹理特征的树干快速分割算法。首先,通过Realsense深度摄像头采集树干彩色图像和深度图像;随后,采用超像素算法对彩色图像进行分割,并融合深度和纹理相近的相邻超像素块,最后对深度图像进行宽度检测,并对宽度在阈值范围内的物体所属的超像素块进行色调匹配,区分树干与非树干。在室内和室外植株实验中分别运用本文算法、GrabCut算法与K-均值算法进行树干分割,本文算法的平均召回率和平均准确率分别为87. 6%和95. 0%,GrabCut算法分别为78. 0%和92. 8%,K-均值算法分别为80. 2%和89. 1%;本文算法平均耗时为0. 20 s,GrabCut算法为0. 66 s,K-均值算法为4. 42 s。实验结果表明,本文算法的快速分割效果较好,在保证分割精度的同时,简化了识别过程,加快了分割速度,能够应用于室内和室外树干的分割。     

基于Laws与Gabor滤波的田间西兰花花球识别技术

正确识别西兰花田间位置是实现西兰花自动化采收的基础,西兰花花球颜色与植株的叶片、茎秆相似,仅通过颜色特征无法对西兰花进行识别,本文以成熟期的田间西兰花为研究对象,提出了一种基于纹理特征与颜色特征的西兰花识别算法。首先通过预处理以及Laws滤波对图像进行边界纹理强化,再通过Gabor滤波对图像进行纹理特征向量提取,并对提取后的纹理特征向量进行z-score标准化,随后对标准化后的纹理特征向量进行K-means聚类与开运算,获取花球潜在存在区域。同时对RGB图像进行HSV转换,通过对图像的H分量进行阈值分割达到滤除地面像素的效果。最终对纹理特征识别与颜色特征识别的结果进行融合,实现对田间西兰花的识别。算法通过结合纹理与颜色特征,对田间西兰花进行了识别,解决了西兰花的花球与茎叶等背景颜色相近难以识别的问题。本文共使用792幅图像进行试验,试验结果表明,本方法可以准确地对西兰花田间图像进行识别,其精确率为96.96%,召回率为94.41%,F1值为95.67%。通过对3组不同拍摄环境的数据集进行算法识别,3组数据集的F1值始终保持在94%以上,具有良好的拍摄环境适应性,为农业机器人进行西兰花自...     

基于图像处理技术的大田麦穗计数

为了实现不同播种方式下单位面积小麦穗数的智能计算,设计了一种利用图像分析技术实现大田麦穗快速计数的方法,分析了利用颜色特征和纹理特征分割麦穗的优缺点和粘连区域麦穗个数的计算方法。通过对撒播和条播各35幅样本图像进行计数实验,准确率分别为95.77%和96.89%。结果表明,利用颜色特征和纹理特征均可提取大田环境下麦穗图像,其中利用颜色特征提取速度快。麦穗骨架角点个数能够反映粘连区域麦穗个数,在条播和撒播小麦田中计数准确率均较高。     

马铃薯典型病害图像自适应特征融合与快速识别

针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。     

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。     

基于K均值聚类的厚壁组织区域自动提取

桉树是我国南方的速生丰产林,区域提取是定量分析各种组织抑制桉树茎生根原因的重要前提。为此,介绍了基于K均值聚类的在桉树茎切片图像中自适应提取厚壁组织区域的图像处理技术。将桉树茎切片彩色图像转换为CIEL*a*b*彩色空间,用K均值聚类分析算法对描述颜色的a*和b*通道进行聚类分析,提取细胞厚壁,然后填充其中白色的细胞腔,构成完整的厚壁组织区域。实验结果表明,在CIEL*a*b*空间使用该算法可以获得较准确的实验结果。     

玉米籽粒的特征选择算法——基于支持向量机与遗传算法

在基于数字图像的玉米品种自动识别的研究中,寻找对识别贡献大的新特征项,对玉米品种识别率的提高具有十分重大的意义.把遗传算法和支持向量机算法相结合,设计了具体的基于支持向量机和遗传算法的玉米籽粒特征选择算法,利用这种算法优选提取出的玉米籽粒特征,从玉米籽粒的胚部和冠部的颜色特征与形状特征中找出了对玉米品种识别贡献较大的新特征.     

基于超像素特征的苹果采摘机器人果实分割方法

针对苹果采摘机器人在自然环境下对着色不均匀果实的识别分割问题,提出了基于超像素特征的苹果采摘机器人果实分割方法。首先,采用简单线性迭代聚类算法将图像分割成内部像素颜色较为一致的若干超像素单元;然后,提取每个超像素的纹理和颜色特征,并采用支持向量机将超像素分为果实和背景两个类别;最后,根据超像素之间的邻接关系对分类结果进行进一步修正。实验表明,该方法能够对大部分超像素单元进行正确分类,平均每幅图像被错误分类的超像素约为2.28个。与采用像素级特征的色差法和采用邻域像素特征的果实分割方法相比,采用超像素特征的果实分割方法具有更好的分割效果。在进行邻接关系修正前,该方法图像分割准确率达0.9214,召回率达0.8565,平均识别分割一幅图像耗时0.6087s,基本满足实时性需求。