基于聚类-改进灰狼算法的设施番茄分割识别方法

设施环境中的果实图像识别是作物生长监控和采摘智能化的关键技术之一。以设施番茄(品种:苏粉14)为研究对象,针对其获取图像果实粘连导致机器作业识别不准确,且识别效果受光线影响等问题,提出了一种改进灰狼算法优化聚类中心的番茄图像自动分割方法,并通过形态学和多尺度Hough变换算法对目标进行提取,完成图像中粘连果实的分割与识别。首先通过添加扰动因子对灰狼算法进行改进,调整搜索半径,增强全局寻优能力,避免算法陷入局部最优,然后利用改进灰狼算法对K均值聚类算法的聚类中心进行优化,模拟灰狼狩猎机制,寻找一组最佳聚类中心,克服原始聚类算法对初始中心点的过度依赖,提高其聚类效果,为识别设施番茄果实提供了良好的分割基础。对分割后的图像进行几何形态学处理,然后通过多尺度Hough圆检测,对果实进行识别和定位。随机选取200幅番茄图像进行实验,实验结果表明,相对于粒子群优化算法和遗传算法等优化算法,聚类-改进灰狼算法在收敛速度、聚类质量和稳定性方面都有显著提升,其中运行时间比K均值聚类算法缩短48.7%,峰值信噪比提高了45.2%,结构相似度提升了10.2%。聚类-改进灰狼算法果实平均识别率为89.2%,比通过K均值聚类算法进行分割的果实平均识别率提高了10.8%,识别率明显提高,实现了番茄果实的识别和定位。     

基于小波包变换和蚁群算法的纹理分割方法

为了解决纹理图像分割中所存在的区域一致性差、像素分割错误率较大的问题,提出基于小波包变换并且利用蚁群算法来对纹理图像进行分割的方法。考虑到传统聚类算法依赖于初始值的选取,选用了具有较强鲁棒性的蚁群算法来进行聚类分割。同时考虑到同种纹理的像素往往在空间上具备连续性,所以在进行再次分割时,结合了像素临域的其它像素的分割结果,来抑制纹理分割中的孤立点的出现。     

喷墨印花纹理图像的期望最大化聚类分割算法

针对聚类分割算法对喷墨印花纹理图像存在的局限性,提出了一种结合期望最大化(EM)的喷墨印花纹理图像聚类分割算法(CSA).首先,将空间相关性引入聚类分割中,利用自回归模型表征纹理同质区域;然后,为了提高分割模型参数估计的精度,将分块标定机制引入期望最大化算法中,实现了参数极大似然估计的迭代算法,解决了不完全数据参数估计问题;最后,利用数据集分块并进行聚类,使同类元素具有较高的相似度,从而对图像中的像素进行了归类划分,并将得到的结果进行了合并,实现了目标图像的正确分割.实验结果表明,和传统的聚类分割算法相比,该算法能更好地解决喷墨印花纹理图像的分割问题.     

基于像元相互关系的FCM聚类分割算法

针对传统模糊C均值(FCM)算法在图像分割时未考虑像元间的相互关系,且未事先给出初始聚类中心的问题,提出了一种考虑像元间相互关系的FCM聚类分割算法。该算法基于数据场原理,首先利用像元间的相互关系,通过计算各像素点的势值,形成图像数据场,然后利用图像数据场势心,确定FCM算法的初始聚类中心,最后在图像数据场的基础上,利用FCM算法实现对目标图像的聚类分割。利用人工合成图像和工件表面缺陷图像对算法的有效性进行验证,实验结果表明,该算法具有较好的分割效果,且对于条痕、脱碳、孔洞3种缺陷的不同噪声图像分割的正确率均在93%以上,同时具有较高的平均结构相似性。     

基于改进K-means聚类的木材缺陷彩色图像分割算法研究

为实现木材缺陷图像的准确分割,研究了在RGB色彩空间使用K-means聚类算法进行木材缺陷图像的分割方法,针对K—means聚类算法图像分割的不足之处,并提出了一种改进方案。在改进算法中,加入对图像像素点的邻域处理,根据邻域特性适时调整原图像,充分利用图像像素的区域特征,以此来抑制一些局部噪声。实验结果表明,改进算法不仅能够滤除较多的干扰信息,而且能更好的拟合分割边界,改善图像的分割效果。     

动态多目标优化的运动物体图像分割

对小区背景下运动物体图像进行分割时多使用单目标或多目标优化方法,这类方法不能有效适应目标的动态变化,因此本文提出一种动态多目标图像分割优化方法。该方法将时间及环境动态因素作为动态因子,利用K均值(KMeans)算法和和模糊C均值(FCM)聚类算法构造多目标函数;结合动态多目标粒子群算法(DMPSO),使用背景差分法定义环境变化规则,实现动态多目标的图像分割。根据DMPSO算法优化后的聚类结果,分别与K-Means和FCM聚类方法得到的结果进行了对比。结果表明,动态多目标优化的Pareto最优解集分布均匀,图像分割准确率可达到95%,对图像识别的准确率可达到90%,具有较高的识别能力,能满足确定背景下运动物体的准确识别。     

基于模糊C均值技术的轴承故障诊断

先利用多小波变换对轴承缺陷图像进行去噪,再利用模糊C均值(FCM)聚类用于灰度图像分割具有简单直观、易于实现的特点,对模糊C-均值聚类(FCM)算法进行改进,并对缺陷图像进行分割,试验结果证明,该方法显著提高了分割速度和精度,受背景、光照、角度、姿态的影响很小,具有较好的鲁棒性,具有一定的使用价值.     

基于改进灰狼优化算法的QFN芯片图像多阈值分割方法

在QFN芯片封装缺陷检测中,增加图像分割环节可有效提高缺陷检测准确性与检测效率。针对图像分割中传统算法效率低、智能优化算法分割精度低稳定性差的问题,本文提出一种基于改进灰狼优化算法（IGWO）的图像多阈值分割方法。首先,改进原始灰狼优化算法非线性因子,平衡算法搜索效率与挖掘能力;其次,引入反向学习策略提高种群整体质量,引入正弦函数、调整头狼权重以改进灰狼更新策略,增强算法多样性与挖掘能力;然后,提出头狼靠拢与种群变异交替进行的位置更新策略,平衡算法收敛性能与跳出局部最优能力;最后,以Kapur熵为适应度函数,求解最优分割阈值。将本文提出的改进灰狼优化算法的多阈值图像分割方法,与灰狼优化算法（GWO）、基于翻筋斗觅食策略的灰狼优化算法（DSF-GWO）、基于莱维飞行的樽海鞘群优化算法（LSSA）、改进北方苍鹰算法（INGO）的图像分割方法进行实验对比,结果表明：本文方法在分割用时方面,约为DSF-GWO的1/2,INGO的1/4;在分割精度与稳定性方面,在进行QFN芯片缺陷图像的连续30次分割时,本文方法具有最大Kapur熵平均值、最小标准差与最短分割时间。因此本文方法可实现高精度、高稳...     

结合密度峰聚类的K均值图像分割算法

针对K均值聚类算法在图像分割应用中的不足,结合密度峰聚类算法对原有算法进行改进,得到了一种图像分割效果较好的改进K均值算法。K均值算法需要人工指定聚类中心数目,并且聚类中心的随机初始化对最终的图像分割结果有很大影响。针对以上缺点,对K均值算法进行改进,通过密度峰聚类算法自动确定了图像分割的聚类中心数目和较为准确的初始聚类中心。为了衡量色差在人眼中的感知情况,在算法中引入了NBS距离作为距离测度。实验结果表明,改进后的图像分割算法在分割图像时具有稳定的性能和较好的效果。     

基于微分进化的最大类间方差图像分割算法及应用

通过对传统的最大类间方差胶囊图像分割法的研究,提出了一种基于微分进化算法的最大类间方差的图像分割方法,并且成功于应用于基于机器视觉的胶囊检测对象中。该方法利用胶囊图像分割阈值的实数编码序列作为样本个体,选择最大类间方差作为个体的生存适应度评价标准,进行一系列微分进化算法运算后,最终获得胶囊检测图像的理想分割阈值。实验分析结果表明该方法不仅可以达到最大类间方差法的图像分割效果,而且运行效率优于最大类间方差的图像分割方法,可以提高机器视觉中的图像分割质量。     

金属表面缺陷自适应分割算法

金属表面缺陷的种类多、环境复杂度高,现有的金属表面缺陷分割算法有效性低、适用范围窄,为此提出一种金属表面缺陷自适应分割算法。该算法首先从8个方向对金属表面的灰度图像进行转换,根据多幅图像灰度波动状况,自适应地改变邻域灰度差分割算法中的阈值与步长对相应的图像进行分割,最后利用PCA算法将多幅图像压缩至单幅图像。实验结果表明,与现有的分割算法相比,该算法不仅适用于多种类型的金属表面缺陷部分的分割,而且分割准确度高。     

基于U-Net神经网络眼底图像的视盘分割研究

眼底图像中的视盘在青光眼筛查和诊断中起着重要作用。因此,从眼底图像中对视盘进行准确、快速地定位与分割具有重要意义。在过去,研究者们已经进行了对视盘的深入研究,但如何提高定位准确率和分割精度仍是视盘分割的一大难题。对此本文提出一种采用深度学习结构U-Net的视网膜视盘自动分割的方法,该方法结合机器学习,通过深度网络提取输入图像的视盘特征,从而得出相应的分割结果图。相对于传统的视盘分割方法,本文的U-Net神经网络能够有效学习有利于分割视盘的特征,从而提高分割的精确度,而且分割耗时更短。     

一种改进的基于小波去噪和区域生长的彩色图像分割算法

彩色图像分割是彩色图像处理中的重要问题。传统的彩色图像分割都是基于灰度分割算法,而忽略了彩色的空间域视觉效果及噪声污染问题。文章提出一种新的基于小波去噪和种子区域生长的一种改进方法：首先,应用小波去噪技术,强化图像边缘特征,抑制噪声,提高原始图像的信噪比;其次,将RGB彩色图像转化到HIS空间进行边缘检测,对图像进行抖动处理以减少彩色图像中的颜色数目,然后对不同分量进行序列阀值分割;最后对分割结果再进行一种新的基于区域生长的颜色相似性的聚合。仿真结果表明该算法更加符合人眼的视觉特性。     

基于机器视觉的玻璃缺陷检测

随着科学技术的进步,高端显示屏产品对平板玻璃的质量要求越来越高,玻璃的表面缺陷检测技术也因此备受关注。传统的人眼检测方法工作量大且准确率低,已经无法满足生产实际要求。研究了一种基于机器视觉的玻璃质量检测系统,采用先进的CCD成像技术和背光式照明获取图像,用MATLAB图像处理工具箱对采集到的图像进行灰度值化、滤波降噪和阈值分割处理,实现对缺陷区域的特征提取和识别。最后用BP神经网络对玻璃表面的三种缺陷进行分类,该神经网络识别的平均误差率为9.84%,表明此检测方法具有一定的应用价值。     

一种改进的高斯混合模型的玻璃缺陷分割方法

针对传统玻璃缺陷检测技术准确率较低、时间长、精度低等难点,提出了一种改进高斯混合模型的玻璃缺陷图像分割方法。首先,基于分数阶微分运算获取灰度特征,并利用灰度共生矩阵提取纹理特征,构建玻璃缺陷完整的双特征观测数据;然后,引入相邻像素间的空间关联性和约束性,通过交替进行基于双特征随机场评估像素点与标号场之间的对应关系和空间约束来完成玻璃缺陷分割;最后,在不同温度系数参数β下对分割算法进行了性能测试实验,同时,与当前流行的分割算法对4种不同类型的玻璃缺陷进行了性能比较实验。实验表明该算法能够提高图像分割的鲁棒性和精确性。     

基于图像识别的微小塑料齿轮检测研究

采用图像识别技术对微小塑料齿轮进行质量检测，针对缺齿、齿歪、披峰等齿形误差的随机性，从计算机视觉系统的构成、数字图像采集、图像预处理和图像分割理论与技术等方面进行深入研究，提出迭代阈值与最大类间方差区域切割综合法，解决了双联齿轮的图像分割难题，其算法适应在线实时检测的速度要求。提出虚拟圆扫描法，实现双联齿轮齿形的缺陷检测。结果表明，该检测技术的缺陷识别率达95%。     

基于改进BBO算法的二维交叉熵多阈值图像分割

为了提高生物地理学优化(BBO)算法在多阈值图像分割中的全局搜索能力,提出一种基于改进的BBO算法的多阈值图像分割.在运用BBO算法进行优化阈值时,首先,采用精英选择算子保留出最优的几组解.其次,引入一种基于优秀解和待迁出解融合的迁移策略,以减少传统迁移操作的过早收敛以及无效迁移等行为.再次,为了减少传统变异操作的盲目性,创建一种通过二进制计算的变异操作.然后将其应用到二维交叉熵的多阈值图像分割中.最后,使用该方法对典型图像进行分割实验,并与粒子群算法的二维多阈值分割,以及基于标准的BBO算法的二维多阈值图像分割进行比较,实验结果表明:该方法具有良好的收敛稳定性,可以有效缩短迭代的时间,并且优化性能优于标准的BBO算法.     

基于区域划分的多特征纹理图像分割

由于纹理图像的复杂性和多样性,仅依靠传统的单一特征实现纹理图像分割无法满足其对分割精度的要求。本文提出结合区域划分的多特征纹理图像分割方法。首先,依据像素灰度的空间相关性定义多个纹理特征;然后利用区域划分将图像域划分成不同子区域,待分割同质区域由这些子区域拟合而成;通过分别定义多个特征图像的同质区域之间的异质性势能函数和刻画各子区域邻域关系势能函数来定义全局势能函数,并构建非约束吉布斯概率分布,从而建立纹理分割模型;最后,采用M-H算法采样上述概率分布,从而获得最优图像分割结果。分别对模拟纹理图像、遥感图像、自然纹理图像和SAR海冰图像进行了分割实验,并与利用单一特征得到的分割结果进行对比分析,定性和定量的测试结果验证了算法的有效性。