作物叶面图像自动分割方法

为了能够从作物图像中快速地获得作物长势与病虫害等信息,叶面图像分割是重要基础.提出了大田环境下作物叶面图像的自动分割方法,首先通过颜色分割获得作物图像绿色区域部分,然后采用光滑度分割删除枝、茎和杂草等绿色干扰;在此基础上以腐蚀与区域面积方法去除叶面干扰区域;最后将叶面区域以适度膨胀操作获得完整的作物叶面图像.为了验证方法的有效性进行了一系列田间试验,结果表明:与已有的方法相比,该方法具有从复杂的作物图像中自动获得叶面区域的优点,为作物状态与病虫害的进一步分析提供参考.     

背景差法中的阴影消除方法

依据视频图像序列中运动目标分割的一种重要方法背景差法的，提出一种新的计算颜色模型，使用该模型能够有效地计算色度差，解决了背景中光照亮度渐变和背景物体移动等问题，从而解决了运动物体的阴影消除问题。利用该方案实现了人体检测系统，并对该检测系统在室内和室外进行了多组实验。实验结果验证了所提出的方案——新的阴影消除方法的有效性。     

一种基于模糊熵的水凝胶图像分割算法

针对如何无接触地测量水凝胶的形变状态这个难题,提出一种基于图像分析的测量方法.该方法的测量精度取决于水凝胶图像分割的好坏.基于实验图像中目标与背景区域具有明显的色差,但其直方图没有双峰的特性,提出一种基于颜色直方图和模糊熵的分割算法.实验表明,该方法能有效克服经典方法易受光照不均等因素造成的不良影响,具有识别精度高、计算量小、实时性好的特点.     

车牌定位和分割的一种综合方法

提出了一种基于颜色空间和字频统计结合的车牌分割方法.该方法是在HSV彩色空间中,充分利用车牌图像提供的彩色信息,构造出5级灰度图,然后采用数学形态学、字频统计方法进行分析和判断,确定并分割出汽车牌照.该方法不受车牌大小、位置以及车牌的背景和光照条件等方面的限制,适用范围广.实验表明,该方法符合人类的视觉特征,效果好,精度高,对含噪声图像也能有效分割.     

光线传播方式对田间图像分割效果影响的研究

光线按传播方式分直射光和漫射光。在田间图像中,光线传播方式与背景土壤干湿程度一同影响叶片镜面反射现象的形成。针对这一现象,在自然光照条件下按太阳光直射和漫射、背景土壤干湿分为4种情况采集图像。采用常用的超绿特征(2G-R-B)和H特征作为分割特征,分别使用Otsu阈值分割、全局阈值分割两种方法分割田间图像进行对比实验。在田间实验中,每组田间图像包括4幅原始图像,按不同分割特征、不同分割方法进行4次图像分割。在7组田间图像的分割实验中,分割结果表明背景土壤潮湿环境下太阳光漫射条件下田间图像的分割误差小于其它三种情况。这为相关田间机器视觉设备的开发提供了理论基础。     

光线传播方式对田间图像分割效果的影响

光线按传播方式分直射光和漫射光。在田间图像中,光线传播方式与背景土壤干湿程度一同影响叶片镜面反射现象的形成。针对这一现象,在自然光照条件下,按太阳光直射和漫射、背景土壤干湿分为4种情况采集图像。采用常用的超绿特征(2G-R-B)和H特征作为分割特征,分别使用Otsu阈值分割、全局阈值分割两种方法分割田间图像进行对比实验。在田间实验中,每组田间图像包括4幅原始图像,按不同分割特征、不同分割方法进行4次图像分割。在7组田间图像的分割实验中,分割结果表明背景土壤潮湿环境下,太阳光漫射条件下田间图像的分割误差小于其他三种情况。这为相关田间机器视觉设备的开发提供了理论基础。     

室外场景下目标分割和目标识别算法

视频监控应用场听可分为室内和室外．室外环境受到诸如光照、下雨、落叶等因素的影响,整个场景变化复杂,给视频处理带来许多困难．文中介绍一种室外场景下目标分割和目标识别的方法,使用基于像素颜色特征的混合概率模型,将当前图像中与模型匹配的像素视为背景,然后更新模型中各个参数．为了去除目标区域的阴影部分,引人一种基于阀值和区域特征的阴影消除算法．同时,采用基于支持向量机的分类方法,识别场景中新出现的目标．     

基于YCbCr颜色空间手势分割

手势作为一种非常重要的信息交互载体,包含着大量符合人类认知习惯的交互信息,针对光照变化、外界干扰等复杂背景环境对手势分割的影响,提出了一种基于YCbCr颜色空间的肤色检测方法进行手势分割.根据人体肤色在YCbCr颜色空间中的聚类效果,采用基于椭圆模型的肤色检测方法,首先对复杂背景环境下的类肤色区域进行分割,同时针对分割图像中可能存在非手势区域的问题,采用最大类间方法获取分割阈值,去除图像中非手势区域,获取较高质量的手势二值图像.实验结果表明,针对复杂的背景环境,该算法具有较强的鲁棒性,能实现较为高效的手势分割.     

基于超像素特征表示的图像前景背景分割算法

图像前景背景分割是图像处理中的关键技术,文中提出了基于超像素分类的二值分割算法。对于输入图像,首先采用超像素分割算法,将图像分割成多个保留边缘的封闭区域,即超像素;对每一块超像素,考虑颜色和纹理,构造一种对光照和颜色较为鲁棒的特征,来消除同种物体在光照和颜色差异下的影响;用所得特征训练分类器,判断每块超像素属于前景或背景;最后将超像素分类结果作为初值用图分割的方法进行修正,得到最终的二值分割结果。实验结果显示算法能较好的完成前景背景分割的任务。此外,本算法易于和现有的分类算法相结合,具有较强的可移植性。     

机器视觉的背景颜色对水稻种子图像分割的影响

在机器视觉识别水稻种子的发展过程中,背景颜色对水稻种子的图像分割直接影响着识别分析的准确性.采用4种不同的背景颜色进行图像采集,即将黑色、蓝色、绿色和红色涂在种子上,分析其图像识别效果,研究背景颜色对水稻种子图像分割的影响.利用LabVIEW软件实现图像处理,对水稻种子的长度、宽度等简单参数进行测量,根据水稻种子的实际长度和宽度计算不同背景色下的图像识别误差.研究发现,蓝色背景下种子长度和宽度的识别对比度更好,识别准确度更高.     

运动目标分割中的自适应背景建模方法

背景差法是视频图像序列中运动目标分割的重要方法。为了解决背景中光照亮度渐变和背景物体移动等问题，提出了基于动态信息窗口(DTW)的自适应背景更新算法。根据像素的动态变化信息决定更新策略。利用该方案实现了人体检测系统，并且在室内和室外进行了实验。实验结果表明所提出的方法不仅能自适应地更新背景模型，而且较其他方法能更有效地消除阴影。     

结合颜色差异和模糊聚类的叶片图像分割

为解决中药植物叶片图像分割问题,考虑自然环境中的颜色特征,提出了一种基于归一化绿-红差异指数(NDI)颜色差异特征的叶片分割算法。该方法首先将叶片RGB图像进行NDI颜色差异特征计算,然后使用FCM算法进行聚类分割去除非绿色区域,再使用数学形态学进行修正,最后使用面积因素去除其他非叶片的绿色区域。实验结果表明,该算法能够将绿色叶片区域从自然环境中精确分割出来,相比使用转换颜色空间的FCM分割算法,其运算时间更短。     

利用单类支持向量机分割血细胞图像

为了提高白细胞自动识别算法的性能，提出了基于均值移动和单类支持向量机的血细胞图像分割新方法．该方法的原理是将图像中颜色相对稳定的背景和红细胞部分像素作为正训练样本，将颜色复杂多样的白细胞像素作为异常数据检测．均值移动过程用来在红、绿、兰(RGB)颜色空间寻找正训练样本集，通过均匀抽样和颜色量化措施，实现单类支持向量机(SVM)在线实时训练，最终图像像素经过单类SVM分类来实现分割．实验表明，新方法对涂片制备和光照变化导致的图像颜色改变有很好的适应性，图像分割精度优于常用流域算法，而耗时只是后者的1／4。     

自然生长状态下树叶图像的分割与提取

以用智能手机拍摄的自然生长状态下的含有复杂背景的树叶图像为研究对象，对图像的背景及其RGB3个颜色分量的特征进行分析，根据分析的结果提出采用超绿(EXG)算法和底帽变换算法相结合的方法对目标树叶进行分割. 对于绿色分量与其他2个分量差异大的背景采用EXG算法去除，而对于绿色分量与其他2个分量差异小的背景采用形态学的底帽变换来去除. 为了减小目标树叶分割的错分率，采用Otsu算法、形态学和边缘最大矩形对上述分割后的细节进行细化分割. 分割结果表明:文中所采用的算法可以很好地将目标树叶从背景中分割出来，错分率小于3.68%.     

基于颜色特征的胸环靶图分割算法

胸环靶图的识别是自动报靶系统的重要研究内容之一。在分析胸环靶颜色特征的基础上,提出了一种基于颜色特征的胸环靶分割方法。首先从RGB颜色模型颜色空间分析了靶环绿色恒量的存在性;并基于绿色恒量特征初提取胸环靶图像。然后在HSI颜色空间中基于色调和饱和度分量进一步提取靶环图像。最后对二值化后的图像作投影变换,确定胸环靶在图中的位置。该算法其他的胸环靶分割算法,避免了阈值选择不当的问题;并且能够有效克服光线、背景变化和天气条件的影响,具有很好的鲁棒性和自适应性,定位精度高。     

彩色图像分割中基于图上半监督学习算法研究

提出一种新的基于图上半监督学习的彩色图像前景/背景分割模型与算法.该算法的目的是利用人工标定的部分像素点分割信息以实现对整幅图像的分割.通过结合像素点颜色特征和像素点颜色与前景/背景颜色的相似性特征,构造了新的图节点之间的双高斯权重函数,并对此提出自适应的参数选择策略与彩色图像半监督分割的能量模型,通过优化该能量模型将...     

融合RGB颜色空间的植物图像分割模型

针对植物图像分割中常见的受复杂背景影响、弱边界及连通性问题,提出一种改进的双凸模糊变分图像分割模型.该模型首先通过RGB颜色空间模型将彩色植物图像划分为两个部分,令植物图像中的目标对象保持原来的颜色,其他部分则设置为与目标对象差异较大的颜色背景,并以提取出的目标对象轮廓作为初始轮廓;其次,使用log边缘检测算子提高对噪声的稳健性,并对植物图像进行图像增强处理;最后在双凸模糊变分模型的基础上提出了一种新的变分分割模型.实验结果表明,该方法把平均JS值提高到95. 68%,实现对莲座植物图像中目标对象边缘轮廓的准确提取,有效解决了受复杂背景影响和像素间的连通性问题.     

基于图割理论的储粮害虫图像分割

采用机器视觉对储粮进行检测是储粮害虫监测的主要方法之一。储粮害虫图像有效分割是粮虫特征提取和识别分类的基础和依据。为实现粮虫图像的有效分割,采用基于图割理论的图像分割方法。该方法采用高斯混合模型(GMM)表征颜色概率分布,在高斯混合模型参数学习估计过程中通过不断扩大背景样本点修正GMM参数,完成对能量函数的最小化,从而改善了分割效果。实验结果表明,该方法可以清晰地分割出与背景差异较小的粮虫,解决了基于直方图模型的图像分割方法无法从目标和背景相似的图像中将粮虫进行准确提取的问题。     

非均匀光照条件下的水下图像增强算法

自然水域非均匀光照环境中,针对图像存在模糊、对比度低、颜色失真等退化现象,提出一种视觉显著性分割和Retinex算法相结合的水下图像增强方法。首先,依据图像的亮度、色度和方向特征得到图像显著图,进而分割出前景区域和背景区域;然后,基于Retinex算法分别对两区域增强处理,并对背景区域进行二次增强;最后,采用泊松融合算法得到两区域增强后的合成图像。实验结果表明,提出的算法提高了水下非均匀光照条件下的图像清晰度,与其他算法相比,具有更好的性能。     

基于改进模糊C均值聚类与Otsu的图像分割方法

针对背景与前景颜色差别较小的原木图像分割效果不理想的情况,本文给出了模糊C均值聚类与Otsu相结合的图像分割方法。该方法首先以标准原木数据库为样本,之后使用模糊C均值聚类算法把背景与前景颜色差别较小的原木样本图像分割成2类,其次利用准则函数找出前景分割结果,最后把该结果作为Otsu算法的输入,对原木样本图像进行再次分割。实验结果表明,本文研究的算法比单独使用模糊C均值聚类算法、Otsu和同类算法有较好的分割效果和较高的分割准确率,边缘信息保留较好,平均分割准确率提高2个百分点。