形态学分水岭算法在粘连大米图像分割中的应用

引入形态学分水岭算法,运用顶帽变换对粘连图像进行局部阈值处理,用形态腐蚀运算来减弱接触大米的粘连程度,结合距离变换和分水岭算法对粘连大米进行分割,使相互接触的粘连大米图像得到分离.实验结果表明形态学分水岭算法能够使粘连的大米图像得到合理的分割.     

基于形态学梯度重建的分水岭算法改进研究

图像分割是图像分析和计算机视觉领域中一个最重要的处理过程,常用的边缘检测算子存在边缘定位不准等缺点,而传统的分水岭算法则对噪声敏感且存在过分割的问题。本研究提出基于形态学梯度重建的改进型分水岭算法,该算法通过在人脸图像预处理过程中对图像进行中值滤波消除部分噪声,然后再对滤波后的图像进行增强对比度以及重构梯度图处理,最后利用分水岭算法对处理后的图像进行分割。仿真实验应用不同的算法对同一图像进行计算分割,对比结果显示,本研究提出的方法能够较好地抑制过分割,并且能够分割出人脸图像的主要特征。     

基于机器视觉的粘连米粒图像分割算法研究

提出了一种新的基于机器视觉的大米粘连米粒图像的分割算法。由于在利用机器视觉方法检测抽样米粒的各种外观指标时,米粒是随意放置在载样台或传送带上的,有些米粒会不可避免地互相碰触,由此造成在图像预处理时获取的米粒轮廓线互相粘连在一起,从而在后续的检测中被误判为是一颗米粒,致使大米外观指标如碎米率、垩白米率、黄米粒率的检测都出现错误。本研究根据粘连米粒的内轮廓及外轮廓线上的粘连点的特征,提出了一种新的能快速精确检测米粒的粘连点的算法,通过计算各粘连点之间的距离及曲率方向,准确地判断出互相配对的最佳粘连点对,从而实现了粘连米粒的精确分割,试验结果表明该方法的准确性和高效性。     

基于机器视觉的大米粘连米粒图像分割算法

本文提出了一种新的基于机器视觉的大米粘连米粒图像的分割算法。由于在利用机器视觉方法检测抽样米粒的各种外观指标时,米粒是随意放置在载样台或传送带上的,有些米粒会不可避免地互相碰触,由此造成在图像预处理时获取的米粒轮廓线互相粘连在一起,从而在后续的检测中被误判为是一颗米粒,致使大米外观指标如碎米率,垩白米率,黄米粒率的检测都出现错误。本文根据粘连米粒的内轮廓及外轮廓线上的粘连点的特征,提出了一种新的能快速并精确检测粘连米粒的内轮廓及外轮廓线上的粘连点的算法,根据各粘连点之间的距离及曲率方向,准确地判断出互相配对的最佳粘连点对,从而实现了粘连米粒的精确分割,试验结果表明该方法的准确性和高效性。     

基于图像显著性区域提取的垩白米检测

垩白度是衡量优质大米品质的重要指标,随着农业检测自动化发展,利用机器视觉准确检测大米垩白度对大米生产加工具有重要意义。针对现有算法在分割垩白区域时存在抗干扰能力弱、稳定性差以及准确度低等问题,本文提出了一种基于图像显著性区域提取的垩白区域提取算法。利用大米垩白区域图像显著性的特点,对图像特征变化边缘进行提取,计算出边缘像素点个数以及边缘的总像素值,从而计算出边缘像素的平均值作为该区域的阈值。最后,利用计算得到的阈值对该区域进行分割,分割出整张图片的垩白区域,并计算出大米的垩白度。实验结果表明,该算法识别准确率为96.76%,相较于传统的OTSU算法检测准确率平均提高了 26.87%,相较于改进的OTSU算法检测准确率平均提高了 7.26%。     

粘连颗粒图像的分割方法综述

粘连图像分割作为颗粒计数、分类、定级评价、识别的基础环节,其实际应用价值不言而喻.本文简要介绍现有的传统分割算法和基于深度学习的分割算法种类,根据粘连颗粒尺寸小、随机散落、数量众多、形状不规则及边缘特征模糊等特点,结合粘连分割算法在各种领域中的应用现状,重点阐述基于分水岭、凹点、U-Net语义分割的方法,介绍关键技术,...     

融合局部纹理特征的颗粒图像SLIC超像素分割方法

将SLIC超像素分割的方法引入颗粒图像检测的分割过程中,将颗粒图像分割成感兴趣的超像素块,可降低后续图像处理过程的复杂度。由于SLIC超像素分割在聚类过程中计算相似度时没有考虑图像的纹理特征,一定程度上会影响颗粒目标外轮廓分割的细节。利用CRLBP局部纹理算子纹理特征,改进SLIC分割中聚类相似度的计算,并按照符合颗粒形状的圆形邻域搜索相似点,保证了分割速度。通过对棉种颗粒图像的分割试验,与传统分水岭算法和SLIC超像素算法进行比较,结果表明改进的SLIC超像素分割方法能更有效地分割出颗粒目标。     

成品家具中的表面死节缺陷图像检测方法

针对成品家具中的表面死节缺陷,提出一种基于局域直方图匹配与水平集的死节缺陷图像检测算法。将RGB彩色图像转换成HSV图像,提取训练样本集,并将样本与分块图像进行直方图匹配,得到匹配相似度灰度图,并用Otsu分割得到初始分割子图。最后对子图采用水平集进行精细分割,得到死节缺陷目标。Matlab试验结果表明,提出的算法能降低光照影响,分割效果好,能很好地提取家具表面死节缺陷。     

谷类作物粘连颗粒图像分割方法研究进展

目前,在小麦、玉米等粮食作物的质量评价中,基于计算机视觉方法的应用研究非常广泛。在图像采集时,由于粮食颗粒形状小、数量多,分布随机、具有类圆性等特点,在质检时常出现粘连情况,将大大影响对粮食作物的准确计数、分类、定级、定价等。本文首先介绍基于阈值、边缘、区域等传统分割方法,阐明分水岭、凹点分割方法更加适用于粘连颗粒分割,明确各自优缺点;然后介绍基于深度学习分割算法的发展时间线,重点阐述基于U-Net、Mask R-CNN方法在处理粘连颗粒图像分割中的应用,统计相应的公开数据集,以找出更适合粘连籽粒分割的方法。最后对粘连颗粒图像分割方法所面临的挑战进行总结,并做出展望,为计算机视觉在相关领域的应用奠定坚实理论基础。     

基于多分辨率的全局及局部显著性的色织物疵点检测

为提高色织物疵点检测效率和准确性,提出一种融合多分辨率的全局及局部显著图的色织物疵点检测方法。针对织物疵点及纹理的频谱特征,通过高斯金字塔生成不同分辨率图像,采用小波变换的全局显著性算法,以及傅里叶变换融合的方法得到全局综合显著图。使用基于图论的显著性(graph-based visual saliency, GBVS)算法计算织物图像局部显著性。加权融合全局及局部显著图得到综合显著图,并进行图像分割及形态学操作对疵点区域进行检测。使用不同算法对5种不同类型色织物疵点进行检测,结果表明:提出的方法的疵点检测率达92.0%,与传统方法相比有较大提高,且检测时间较短。