供应链质量追溯的烟草叶片图像帧特征动态识别方法

目前叶片特征识别方法多依据叶片颜色识别叶片形状、脉络等特征,导致识别的图像特征存在清晰度低的问题,提出了生产线质量追溯的烟草叶片图像帧特征动态识别方法。采用无线网络硬盘录像机设置叶片图像采集流程,采集生产线质量追溯时的烟草叶片图像,并且引入直方图均衡化、灰度化、降噪预处理技术,预处理叶片图像;引入四叉树分裂算法分割烟草叶片图像,从叶片的纹理着手,通过分形维数、缝隙量、能量、熵、对比度、对比度和相关性特征提取技术,提取叶片图像帧纹理复杂程度、疏密程度、灰度、信息量、清晰度和线性相关度特征;根据图像帧特征提取结果,使用DS合成算法动态识别烟草叶片图像帧特征。结果分析：此次研究方法应用后,提取的雪茄烟叶片脉络特征清晰度分别提升8.2、2.68;白肋烟叶片脉络特征清晰度分别提升7.56、1.5。     

基于支持向量机的叶片图像分割

针对自然环境下的叶片图像分割,提出了一种基于支持向量机的叶片图像分割算法。该方法首先将图像少量像素点分别标记为叶片前景样本和叶片背景样本,然后根据样本数据建立支持向量机分类决策模型,最后根据预测模型对整个图像像素点进行分类,将叶片图像从背景中分割出来。实验结果表明,该方法能够对含有反光区域的叶片实现准确分割,相比基于聚类的叶片分割算法分割精度更好,算法耗费时间更短。     

基于多特征融合与极限学习机的植物叶片分类方法

对植物的分类多通过对植物叶片的分类来实现,为提高植物叶片分类的准确率提出了一种基于多特征融合与极限学习机的植物叶片分类方法.首先对植物叶片彩色图像进行预处理,得到去除叶片颜色与背景的二值图像和灰度图像;然后从二值图像中提取植物叶片的形状特征和不变矩特征,利用灰度图像提取灰度共生矩阵参数作为叶片图像的纹理特征,共得到28...     

基于机器视觉的现实叶片面积测量方法的研究

叶面积是一些作物栽培中常用的指标，也是农作物的产量和品质的评价指标，而现实中获取的叶片图像都具有一定程度的几何畸变。本文研究了利用机器视觉技术对有透视畸变的叶片图像进行几何校正，使校正后图像尽量接近于叶片在无透视畸变情况下能获得的图像，统计图像中目标象素点总数利用数学关系即可求出叶片面积。该处理方法大大降低了野外活体叶片面积的测量难度。     

基于L*a*b*彩色空间和局域动态阈值的药用植物叶片图像分割

叶片图像分割是自动化分类的先决步骤。提出一种基于L*a*b*彩色空间和局域动态阈值的叶片图像分割方法。该方法首先把叶片的RGB图像转换为L*a*b*图像;然后针对b*通道图像,估算出目标叶片所在的局部矩形范围;在此范围内,统计获得像素值分布直方图;最后利用最大类间方差阈值分割法,先算出局部矩形范围内的阈值继而进行全图的分割。实验结果表明:该方法对已采集的叶片图像,包括颜色偏暗的叶片的图像,均具有良好的分割效果。由于锁定目标叶片所处的局部矩形范围,找到了适应于目标叶片分割的阈值,从而更好地实现了南天竺等叶片图像的分割。此外,分割过程不包含数学形态学的开闭运算,使得叶片边缘的细节得以完整保留。     

用数学形态学修正叶片图像方向的算法

对于植物叶片识别,叶片的特征提取非常重要。在提取叶片特征并进行识别前,需要先进行预处理。很多叶片识别算法需要事先修改叶片图像的方向。本文结合了形态学特征,提出了一种关于叶片图像方向的预处理算法。此算法能提取叶柄,获得主叶脉方向,并使叶片图像旋转到主叶脉垂直的方向,能够满足大多数叶片识别算法的需求。     

结合简单交互和标记分水岭的复杂背景叶片图像分割方法

复杂背景叶片图像分割是当前的研究热点和难点。提出一种结合简单交互和标记分水岭的方法,有效地解决了该问题。首先,让用户在复杂背景叶片图像上奇偶相间地标定叶边缘点和叶外点;经过一系列处理得到标记图像。接着,把复杂背景叶片图像转换为灰度图像、L~*a~*b~*图像;以标记图像为参数,分别对灰度图像、a~*分量图像、b~*分量图像,进行标记分水岭分割。最后,以投票方式综合得到最终的分割结果。对20个种类,200张复杂背景叶片图像的分割实验表明:该方法能实现较准确的分割,并且能保留叶片细节部分;对个别叶片有细小的错分,但对其形状影响轻微。     

基于改进和声搜索算法的玉米叶片病害图像分割算法

针对最大类间方差法在图像分割时存在造成噪声干扰和过分割的缺点,提出一种基于改进和声搜索算法的玉米叶片病害图像分割算法。算法将玉米叶片病害图像编码处理,选取图像的类间方差作为改进和声搜索算法的适应度值,通过改进和声搜索算法寻找最优的分割阈值,利用该最优阈值使用经典最大类间方差法对玉米叶片病害图像进行分割。选取强光、中光、弱光条件下三幅玉米叶片病害图像进行分割实验,结果表明采用基于改进和声搜索算法的玉米叶片病害图像分割算法较最大类间方差法和基于混合蛙跳算法的图像阈值分割算法均具有较好的图像阈值寻优能力,可有效提高玉米叶片病害图像中病斑分割的效果。     

基于HOG的酿酒葡萄叶检测

在酿酒葡萄生长状态与病虫害自动监测中,需要在图像中检测出葡萄叶片,通过提取葡萄叶片图像的方向梯度直方图（HOG）特征投入到支持向量机（SVM）分类器中以实现对葡萄叶片的识别;结合多尺度目标定位和均值漂移算法还可以自动确定图像中葡萄叶片的位置。实验结果表明,使用线性核函数训练后的分类器对葡萄叶片和四种常见杂草的识别率达95.5%。该方法对光照和环境变化有较好的鲁棒性,自然条件下成像的叶片图像的葡萄叶片检出率达到了80%以上。     

基于立体视觉的玉米叶片形态测量与三维重建

提出一种基于立体视觉的玉米叶片形态测量和重建的方法。利用双目立体视觉系统获取玉米叶片的两幅图像,通过图像分割技术和边缘检测算法对每幅图像中的玉米叶片进行边缘提取;利用极线约束和彩色图像RGB值对图像进行匹配,计算出叶片边缘的三维坐标,从而恢复叶片的三维边缘;利用对叶片边缘的恢复技术,对叶片曲面进行三维重建;根据恢复的区域点云,可以测出任意两点的空间距离,实现了对叶片的三维测量。试验结果表明,此方法能够很好地恢复玉米叶片的三维信息,为玉米叶片三维形态的无损、快速检测监测提供了新的方法。