吸引权重加权FCM的土壤图像阴影检测

【目的】自然环境下机器视觉采集的土壤图像存在阴影，而阴影检测是后续亮度归一化和土种识别的重要预处理工作，基于此提出算法对机器采集的土壤图像进行阴影检测。【方法】首先，对图像的L分量和I分量的密度峰值集进行优化截断对齐，通过高斯平滑获取主峰值点，得到基于L分量和I分量的2因素密度峰值，作为改进模糊C均值（FCM）的自适应初始聚类中心；然后，引入拉伸因子对数据进行拉伸，提升数据差异；最后，定义基于全局密度和类面积的吸引权重，重构FCM优化模型，实现基于FCM的土壤图像自适应阴影检测。【结果】提出的算法检测的阴影区域和非阴影区域的平均亮度标准差分别为25.988 0，27.981 4，比对比算法降低了1.04%~32.23%；提出的算法平均迭代次数和平均运行时间分别为3次和1.515 8 s。【结论】提出的算法可实现自然环境下土壤图像阴影检测，具有检测精度高、时间花销小的特点。研究结果为土壤图像阴影检测提供了参考。     

基于半监督离散度的土壤彩色图像阴影检测

【目的】由于光照及土壤心土自然断口凹凸的影响，机器视觉采集终端获取的土壤图像中存在阴影，为避免对后续土种识别造成干扰，研究对土壤图像进行阴影检测的方法。【方法】通过对土壤彩色图像HSI颜色空间阴影与非阴影分析，发现阴影与非阴影分别在色调（H）和亮度（I）分量具有一定的分离特性；首先，为了增大分离特性用于土壤图像阴影检测，将H转换为H″，并利用H″和I引入拉伸因子构建具有显著双峰和分离特性的m测度，用于阴影检测；然后，利用m测度直方图双峰特性粗略估计阴影检测阈值，并根据粗略估计的阴影检测阈值及2个主峰点，对部分数据做阴影与非阴影标定，分析获取阴影与非阴影区域监督信息；最后，构建待检测数据子集和定义它与阴影和非阴影监督信息的离散度，逐步对未标定数据进行半监督聚类，完成土壤彩色图像阴影检测。【结果】本文算法分割土壤图像非阴影和阴影标准差分别为0.063,0.058，检测的土壤图像非阴影和阴影标准差非常接近且数值较小，说明算法是有效的，和已有文献中的算法相比本文检测的土壤图像非阴影和阴影标准差更低，精度更高；同时，本文算法平均时间花销分别为0.355 s，相比已有文献的结果，本文阴影检测时间花销更少。【结论】提出的基于半监督离散度聚类算法提升了土壤彩色图像阴影检测效率，算法有效。