基于改进JSEG技术的茶叶图像嫩芽分割与识别研究

提出一种新的彩色纹理图像的分割技术(JBSEG),该技术基于边缘检测方向算子的幅值来调节JSEG,克服JSEG和HSEG的局限性,同时兼顾局部区域相似性和边界非连续性。试验表明,与JSEG和HSEG技术的分割结果相比,该技术能更好地避免过分割现象的发生,同时结合超绿特征2R-G-B能有效分离茶叶中的嫩芽。     

棉花叶部害螨病斑形态特征提取

针对当前农作物病害诊断存在的效率较低、难以保证精确度等问题,提出运用计算机图像处理技术进行棉花害螨病斑特征提取的方法.该方法以棉花害螨病叶为研究对象,利用中值滤波法对噪声的干扰进行有效的去除;结合运用超绿特征2G-R-B分割算法和面积阈值法将害螨病斑区域从病叶图像中有效分离出来;最后依据分割好的病斑样本图像,运用二值图像区域标记法准确提取出病斑的8个形状特征值.对提取的数据进行分析,得出病斑的圆形度、伸长度紧凑度和内切圆半径等4个相对值特征能有效地体现病斑的形状特征,可以作为识别病害症状的依据.试验结果表明,该方法准确有效.     

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。     

吉林:植保无人机飞防作业服务联盟成立

正为提升吉林省农作物病虫害专业化统防统治水平,加快推进航空植保技术的推广与应用,在吉林省农业技术推广总站的倡议下,吉林省植保无人机飞防作业服务联盟于3月19日正式成立,来自省内外13家植保无人机知名生产经营企业及农作物病虫害专业化防治服务组织成为首批     

基于特征融合与低秩分解的织物疵点检测

研究基于特征融合与低秩分解的织物疵点检测算法。采用超像素分割方法将待测图像分割为超像素块;分别提取各块灰度和HOG特征,构造融合特征矩阵;利用低秩分解方法将融合特征分解为低秩背景和显著疵点,依据显著度大小得到疵点显著图;最后选择最大熵阈值分割方法对显著图分割,得到检测结果。选取TILDA标准织物图像库验证算法有效性。结果表明:提出的算法能有效检测出织物疵点所在位置和形状。认为:本文提出的算法自适应能力较强,适用较多疵点类型,具有较高疵点检出率。     

浅谈区域生长法在车牌定位中的应用

图像分割是根据图像的一些特征或特征组合的相似性准则对图像进行处理分类,把图像空间分成若干个某些具有一致性属性的不重叠区域。人们在几十年来一直对图像分割方法进行研究,到目前为止,已经有大量的关于图像分割的理论、技术、方法被人们相继提出并广泛应用。图像分割方法大致分为三类:基于阈值的分割方法、基于边缘检测的方法和基于区域的分割方法。在本文中,将主要对区域生长法加以研究,并且应用区域生长法完成对汽车车牌的定位。     

基于外观特征的无人机行为意图分类方法研究

近年来,无人机产业的发展极为迅速,并逐步运用到各行业。根据无人机任务类型的不同,无人机的外观特征及运动特点具有较大的差别,增加了无人机的监管的难度。文章从军用和民用领域两个方面,对各类无人机的关键特征进行分析,建立无人机外观数据库。进而,分别提出基于外观特点的行为模式分类。其中,基于外观特点,将军用无人机分为侦察无人机、电子战无人机和攻击性无人机三类;将民用无人机分为监测勘测无人机、应急救援无人机、运输无人机、农林植保无人机和航拍测绘无人机等五类。最后,基于分类方式建立无人机外观数据库,提出基于外观特点的无人机行为模式判别方法,实现可动态更新的无人机行为模式数据库。     

基于色彩特征的服装图像分割算法研究

基于色彩特征,提出一种基于混合高斯模型的服装图像分割方法,建立混合高斯逼近的图像色彩特征统计模型,把图像从RGB色彩空间变换到HSI色彩空间,并在H分量上进行分割。对比实验表明,该方案对服装图像目标划分清晰,细节保持较好,改善了图像的分割性能。     

基于深度学习的粘连米粒实例分割算法研究

基于机器视觉的农作物外观质量检测近些年越来越受到人们的关注。在抽样检测台上由于米粒可能相互触碰、粘连,采集的图像若不进行分割预处理会造成后续大米外观品质评测的失误。由此,本文提出了一种基于Mask R-CNN改进的实例分割网络RiceInstNet,用于粘连米粒的图像分割。主干网络由两个改进的VoVNetV2网络并行组成,在大规模减少网络参数的同时加强对粘连米粒图像的特征提取,另外在掩膜分支上增加了一个学习物体边界的子网络,利用边界特征丰富掩膜特征并促进掩膜预测得更加精细。实验结果表明,该网络可以实现对粘连米粒的实例分割,与Mask R-CNN网络相比,改进后的网络模型RiceInstNet的平均精度和召回率分别由87.2%、89.7%提升到90.4%、93.7%,同时本网络模型更轻量,非常适合集成到移动终端或嵌入式设备中。     

基于多特征融合的织物印花图像分割

针对织物印花检测精度的问题,采用结合颜色特征和纹理特征多特征融合的方法,对织物印花图像进行有效分割,从而为提高织物印花的检测精度奠定了基础。在织物印花的分割过程中,首先采用颜色特征结合基于自动种子点选取的区域增长算法对图像进行初始分割,在初始分割的基础上,利用小波变换提取干扰区域的纹理特征,从而可以进一步地消除干扰区域,实现织物印花图像的准确分割。实验结果表明：基于多特征融合的分割算法能够准确地分割出织物的印花图案,克服了仅仅采用颜色特征或者纹理特征时产生的分割失真,提高了分割的质量,具有较好的应用价值。     

基于相似性定位和超像素分割的织物疵点检测

为解决周期性纹理织物图像的疵点检测及其轮廓精确分割问题,提出一种基于相似性定位和超像素分割的织物疵点检测方法。将待检测图像进行中值滤波和对数增强,并利用FT算法估计增强图像的显著图实现待检测图像的预处理;将基于归一化局部均值差分的灰度相似性检测参量和结构相似性检测参量结合,构建可测量更多类型周期性纹理织物图像的相似性度量函数,通过阈值化增强图像分块的相似性测量值实现疵点在显著图中的粗定位;最后对显著图粗定位图像分块进行超像素细分割及其二值化处理,并借助连通域分析剔除孤立点,获得完整的疵点轮廓。结果表明,本方法与常规3种方法相比,对周期性纹理织物图像的疵点检测准确率更高,且提取出的疵点轮廓更精确。     

结合特征学习与注意力机制的服装图像分割

针对小尺寸服装与遮挡服装图像分割准确率低的问题,提出一种基于改进多尺度特征学习策略与注意力机制的服装图像分割方法。以Mask R-CNN为基础框架,首先采用增强特征金字塔网络优化模型的特征学习过程,对多尺度服装特征进行统一监督,缩小不同层级之间的语义差距,引入残差特征增强模块减少高层特征损失,采用软感兴趣区域选择自适应地获取最优感兴趣区域特征;然后在分类预测分支引入通道注意力模块,在边界框回归与掩膜预测分支分别引入空间注意力模块,提取图像中需要重点关注的服装区域特征。结果表明,与其他方法相比,本文方法改善了小尺寸服装图像和遮挡服装图像分割中存在的漏检、漏分割现象,提取出的服装实例更精确,其平均精度均值比原模型提升了3.8%。     

小型无人机在农业植保中的应用

随着农业现代化的进程,农业植保技术也在不断发展和创新。传统的农业植保方法存在着效率低下、成本高昂、对环境造成污染等问题。而小型无人机作为一种新兴的农业植保工具,具有机动灵活、高效节能、环保等优势,逐渐成为现代农业植保的重要应用工具之一。基于此,本文首先阐述了小型无人机在农业植保中的应用情况与问题,并对应用措施、要点进行了分析,以期促进农业植保水平的不断提升,为中国农业生产健康发展提供有利的技术支撑。     

基于Mask-RCNN的服装识别与分割

本文提出了一种基于Mask-RCNN和数据集DeepFashion2的服装识别与分割的方法。基于Mask-RCNN的服装识别与分割是基于卷积神经网络的思想,在深度学习框架下通过多线程迭代训练,在ResNet网络中得到目标特征后,再通过RPN和RoI Align将特征输入不同的全连接分支,最后得到具有优化权重的目标检测模型。在不同场景的服装图像中,该模型可以更快更准确的识别出服装并将其分割。     

融合自适应局部特征与改进模糊C均值的服饰分割算法

提取人体着装图像的服饰区域时,易受光照、阴影遮盖与人体姿态、肤色等问题的影响,提出一种融合自适应局部特征与改进模糊C均值(fuzzy C-means,FCM)的服饰图像分割算法。首先,通过改进区域生长法消除阴影实现前景提取;其次,采用MDSMGR-WT超像素分割获取图像局部特征,将自适应局部信息融入双加权FCM目标方程中,实现二次精细化分割;最后,经肤色检测提取目标服饰区域。实验结果表明,该方法的准确率可达78.93%,召回率90.12%,查准率89.93%。该方法能够减少内部区域噪声,提高服饰图像的分割精度。     

基于颜色分割与GA-SVM的花生表皮破损识别

传统农作物色选方法以设定颜色阈值为主,具有分类准确率较低、泛化能力较差等缺点,本研究提出基于颜色分割的预处理与遗传算法优化支持向量机参数的花生表皮破损识别算法.根据花生表皮的破损情况将花生分为完好花生及表皮破损花生2类,在不同光照条件下构建了含有多个品种的花生图像数据集.对花生图像提取方向梯度直方图特征,利用支持向量机...     

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U型卷积神经网络的羊肋排图像分割

以羊肋排为研究对象,提出了一种基于U型卷积神经网络的羊肋排图像分割算法。采集羊肋排样本图像,利用图像增广技术扩充图像数据,经归一化后,建立羊肋排图像数据集;建立羊肋排图像分割模型U-Net,以卷积和池化运算提取肋排特征,融合肋排的深层特征和浅层特征,经多次反卷积操作实现融合特征的精准定位,得到肋排区域的二值图像,从而实现端到端的图像语义分割;引入精度(PA)、均像素精度(MPA)、平均交并比(MIoU)3种图像语义分割评判标准判断网络的分割性能。试验结果表明:U-Net分割肋排图像PA、MPA、MIoU分别为92.38%,88.52%,84.26%。比较现有的3种经典图像语义分割方法 SegNet、FCN8s、FCN32s,U-Net平均交并比(MIoU)较上述3种方法分别高出6.47%,15.34%,25.86%,且处理单幅肋排图像的时间比次优的SegNet缩短48ms。针对劈半羊胴体图像数据集,U-Net的MIoU为75.57%。     

马尔可夫随机场在纸病检测中的应用研究

纸病检测是造纸生产过程中重要的环节,现有的纸病检测系统一般采用阈值算法或边缘检测算法对图像进行分割。为解决阈值分割和边缘检测分割方式中存在的误分以及过度分割问题,本研究提出了基于马尔可夫（MarKov）随机场的纸病图像分割方法。通过MarKov随机场理论对纸病图像纹理进行分析得到纹理特征参数,利用纹理特征参数以及最大差值对正常背景和纸病区域进行分割。结果表明,相比于其他分割算法,基于MarKov随机场的纸病图像分割方法可有效提取出纸病图像的纹理细节和轮廓特征,提高分割的准确度。     

基于Qtsu法和直方图规定化相结合的苹果图像分割研究

针对自然光下,苹果分割易受光线影响而导致目标区域分割受损的问题,提出了一种基于最大类方差阈值分割法(Qtsu法)和直方图规定化相结合的图像分割方法。对预处理后的苹果图像先进行直方图规定化处理,然后再利用Qtsu法对图像进行分割。实验结果表明,利用论文的方法对苹果进行分割后缩小了目标区域边缘的缺失,对目标与背景进行了有效的区分。