共查询到20条相似文献，搜索用时 31 毫秒
1.
2.
基于Lab颜色空间下的小麦赤霉病图像分割 总被引：3，自引：1，他引：2
针对智能识别小麦赤霉病方法中分割患病麦穗图像效果不佳的问题,运用中值滤波方法对患赤霉病麦穗图像进行降噪预处理,采用基于阈值的最大类间方差算法(OTSU)、基于聚类的k-means算法在RGB、HSV和Lab颜色空间中对小麦扬花期到黄熟期感染赤霉病的麦穗图像进行分割,提取出麦穗的病害部分。采用试验田环境下扬花期到黄熟期200张患赤霉病的麦穗图像进行分割试验,结果表明:将图像从RGB颜色空间转化为Lab颜色空间并对a分量采用最大类间方差算法(OTSU)进行分割的效果最佳,误分率仅有1.11%。 相似文献
3.
4.
针对复杂背景下马铃薯病虫害图像色彩复杂多样的问题,提出了一种基于G-R分量与K-means的图像分割方法.该方法首先提取G-R分量灰度化图像,然后对图像进行中值滤波和形态学变换操作以去除部分背景,最后将处理过后的图像转换到L* a* b*色彩空间并提取ab分量进行K-means聚类分割.本文利用该方法将暗头豆芫菁及芫菁... 相似文献
5.
针对自然环境下茶叶嫩芽图像分割易出现过分割和欠分割等问题,提出一种基于清晰度评价和颜色聚类级联的嫩芽图像分割方法,并结合Tenengrad梯度评价和滑动分割获取清晰度较高的图像区域,然后在RGB、HSV、Lab、YCbCr颜色模型下进行聚类分割。结果表明,选取Tenengrad梯度值的上四分位数作为清晰度初选阈值,漏选率为25%;在HSV颜色模型下,利用K-means聚类方法完成嫩芽图像分割,晴天和阴天环境下嫩芽图像分割精度分别为72.48%和77.83%,较直接K-means分割方法相比,假阳性率分别减少5.19%和2.03%。该方法能够实现自然环境下茶叶嫩芽图像的有效分割,减少欠分割和过分割,为茶叶智能采摘提供理论参考。 相似文献
6.
7.
探讨茶叶嫩芽自动分割方法,为茶叶智能采摘提供技术支持。以自然环境下茶叶嫩芽图像为研究对象,比较了基于颜色的阈值分割与聚类分割方法对茶叶嫩芽自动分割的影响。首先,选择了R-B和b分量进行茶叶阈值分割;其次在Lab颜色模型下进行K-means聚类分割;最后,通过形态学处理实现茶叶嫩芽自动识别。基于聚类的茶叶分割方法不仅能够抑制颜色阈值分割受光照的影响,且实现了自然环境下茶叶嫩芽的有效分割。 相似文献
8.
9.
《江苏农业科学》2019,(20)
为了提高珍珠颜色分类的准确率,拟设计半球型珍珠图像获取装置,并提出基于Lab[L表示亮度(luminosity),a表示从洋红色至绿色的范围(+127,-128),b表示从黄色至蓝色的范围(+127,-128)]颜色空间的GA-SVM(基于遗传算法寻优的支持向量机)的珍珠颜色识别方法。结果表明,设计的图像获取装置能够有效地避免珍珠反光,获取了颜色信息较全面的珍珠图像;提出了适用于珍珠图像分割的全局自动阈值与K-means相结合的分割方法。根据GB/T 18781—2008《珍珠分级》进行珍珠颜色的分类,通过不同颜色特征值以及不同分类器的对比试验结果表明,使用Lab颜色空间三通道均值作为GA-SVM的分类训练特征值,准确率最高,交叉验证准确率达到98.42%以上,测试分类准确率为100.00%。 相似文献
10.
《西北农林科技大学学报(自然科学版)》2017,(11)
【目的】研究枝条遮挡情况下单个苹果目标的识别,为复杂生长环境下苹果目标的准确识别与定位及实现自动采摘提供支持。【方法】针对果实目标受枝条遮挡影响被分割成几个部分,从而严重影响果实目标准确识别的现状,以枝条遮挡下的苹果目标为研究对象,选用基于Lab颜色空间的K-means聚类算法对苹果目标进行分割,再通过数学形态学方法对目标苹果轮廓进行提取,然后根据最小外接矩形法去除目标苹果的伪轮廓,最后利用轮廓的曲率特征对目标苹果进行重建,并对分割与重建结果进行了方法验证。【结果】利用基于Lab颜色空间下的K-means聚类算法和最小外接矩形法可有效提取出苹果目标的真实轮廓,能够与苹果目标边缘线达到高度重合,同时可获得较准确的重建结果。对10幅枝条遮挡果实目标的识别、定位与重建的验证结果表明,该方法对目标苹果进行分割与重建的平均分割误差为13.83%,平均重叠系数为88.08%,假阳性率和假阴性率分别为1.22%和11.92%,目标苹果重建准确率均在84.00%以上,平均重建时间为24.40s。【结论】应用本研究中的方法可对枝条遮挡下的苹果目标进行准确识别、定位与重建,有效缩短重建时间。 相似文献
11.
基于图像的树木自动提取是其种类、长势、形态等信息智能化判别的基础,如何实现树木的自动、准确、快速提取是具有实用性的科学问题。在自然场景中,由于图像元素多样、颜色差异大,树木自身存在不规则性,树木提取难度非常大。针对现有的图像分割与图像抠图法在树木提取过程中分别存在的误分割与过程复杂所导致的计算量大的问题,提出了一种基于K-means聚类算法优化Close-Form图像抠图的树木提取方法。在少量的标记下,依据颜色线性假设进行最小化代价函数计算,得到图像透明度;对透明度图像依次进行中值滤波、高斯滤波,得到透明度的去噪图像;对滤波后透明度与标准化的图像绿色分量组成二维空间进行K-means二聚类,实现背景与前景对象的准确判定,进而完成自然背景的树木图像提取。为了验证所提方法在不同场景和不同标记下的树木提取有效性,设计了基于K-means图像分割和传统Close-Form抠图方法的比较性试验。结果表明,基于K-means优化Close-Form的树木提取方法解决了传统Close-Form算法在少量标记下图像前景、背景估计不准确问题,克服了图像分割存在的误分类情况,实现了不同自然环境和多目标树木对象的提取。此方法具有对象提取稳定、计算时间快的优点,相对原Close-Form算法用时减少49.98%。 相似文献
12.
《农业工程技术:农产品加工》2015,(30)
快速有效地对农作物图像(特别是大田监控图像)进行绿色植被分割,在图像处理技术在农业中的应用中具有重要意义。小麦是我国一个重要的粮食作物,小麦田中植物呈现绿色,与土壤背景颜色有明显的差异,合适的选取颜色空间可进行有效分割,进而计算特定时段麦田的植被覆盖度,长势等信息。本研究首先通过对常见颜色模型各单通道图像进行初步对比分析,选取HSV的H分量、YCb Cr的Cr分量、L*a*b*的a*分量、RGB颜色空间的G与R减运算量,通过2013年11月至2014年3月的大量小麦监控图像,人工选取34幅图像进行植被分割,并从结果数据中统计分析每种彩色分量的分割准确度和标准差。最终得出了在对麦田监控图像进行植被分割中,L*a*b*颜色模型的a*通道具有最准确和最稳定的结果:34幅不同时点的麦田监控图像,图像分割平均准确度近90%,分割准确度标准差在0.08以下。 相似文献
13.
[目的]本文旨在克服光照不均引起的低对比度、反光、阴影、光斑及遮挡等对大田复杂背景下小麦冠层图像分割的干扰。[方法]设计了一种结合脉冲耦合神经网络(pulse coupled neural network,PCNN)与同态滤波的自适应图像增强和基于L*a*b*颜色空间α角度模型的K均值聚类分割算法。首先,将小麦冠层图像转换到HSI颜色空间,采用自适应算法对HSI空间的I分量进行增强处理,适当调节饱和度S分量,补偿光照强度分布不均,去除阴影及拉大对比度;其次,将增强处理后的图像映射到L*a*b*颜色空间,提取a*、b*分量建立α角度模型;最后,基于α进行K均值聚类分割处理。[结果]拔节前后光照强度不一、光照不均的冬小麦冠层图像的分割试验结果表明,该算法可一定程度避免基于L*a*b*颜色空间α角度分量K均值聚类的过分割现象;改善基于HSI空间H分量K均值聚类的欠分割缺陷,且对光斑、阴影遮挡、反光突出的图像分割更完整准确。[结论]本算法可为大田复杂背景下光照多变的作物冠层图像分割提供参考方法。 相似文献
14.
《湖北农业科学》2021,60(5)
以谷子为研究对象,采集谷子阴天、背景复杂有阴影、光照不均、露水雨水反光4类环境条件下的冠层图像,分别采用超绿分割、Lab空间K均值聚类分割和基于H分量的K均值聚类分割3种算法进行冠层提取,探究不同条件下谷子冠层提取的最优方法。对于阴天和背景复杂有阴影的谷子冠层图像,3种算法均可以较完整地提取,分割准确率均达到93%以上;对于光照不均的图像,超绿分割效果最差,基于Lab空间和基于H分量下的K均值聚类分割效果相对优异,分割准确率分别为93%和96%;对于露水雨水反光的图像,基于H分量的K均值聚类分割准确率最高,达到97%。基于H分量的K均值聚类算法对4种不同环境条件下获取的谷子冠层图像分割效果均较理想,为后续谷子生长自动监测提供了一定的参考价值。 相似文献
15.
针对机械手摘除苹果果袋时的图像识别问题,提出了一种通过转换颜色空间的分割算法:将RGB颜色空间的图像转换到L*a*b*颜色空间,进行自适应阈值分割、去噪、面积提取等处理后,获得果袋分割后的图像,并计算出果袋的重心坐标。实验结果表明,当果袋遮挡面积不大于果袋总面积的25%时,重心坐标水平方向误差≤10.5 mm,垂直方向误差≤8.8 mm,满足机械手进行果袋摘除的定位要求。利用该方法进行果袋图像分割可解决光照强度对图像检测影响的问题。 相似文献
16.
本文使用了一种k-means聚类算法实现了对马铃薯叶片上的病斑提取,其原理利用ab二维数据在Lab空间模式上的颜色差异性。首先建立平方欧式距离作为马铃薯图像像素间的相似度距离模型,再以均方差作为聚类准则函数对颜色进行二分类聚类,最终完成了对目标区域的精准提取。从实验效果来看,该算法能较好的将马铃薯晚疫病病斑区域从图像中提取出来,分割结果较为理想。 相似文献
17.
18.
为快速、精准地提取冬前分蘖期冬小麦覆盖度,提出了一种基于改进K-means算法的冬小麦覆盖度提取方法。首先将冬小麦图像转换到Lab色彩空间,其次利用蜉蝣算法（Mayfly Algorithm, MA）获取K-means最优初始聚类中心,并用马氏距离代替欧氏距离进行算法改进,最后利用分割得到的二值图像计算冬小麦覆盖度。结果显示,该方法的平均分割精度和平均处理时间分别为94.66%和2.03 s,与过绿指数（excess green,EXG）自适应阈值分割和基于粒子群优化算法（particle swarm optimization,PSO）的K-means(PSO-K-means)分割相比,分割精度分别提高了12.04%和4.18%,处理时间分别减少了2.26和2.94 s。该方法分割效果优于EXG和PSO-K-means分割方法,可用于提取冬小麦覆盖度。 相似文献
19.
基于超像素特征向量的果树冠层分割方法 总被引：1，自引：0，他引：1
针对无人机精确植保过程中,果树冠层区域颜色特征和杂草相似度较高、难以分割等问题,采用基于超像素特征向量的果树冠层分割方法,以消除不同杂草特征对树冠分离的干扰,减小农药喷雾区域,节省农药使用量.通过分析无人机采集合成的样本图像在HSV彩色空间上色调与饱和度的分布情况,选取合适的阈值范围,提取样本图像中包含果树冠层与杂草的绿色区域,将提取的绿色区域RGB图像转换生成Lab和HSV彩色空间模型下的图像,然后运用简单的线性迭代聚类(Simple linear iterative clustering,SLIC)超像素分割算法将RGB图像预设分割成250个超像素单元,结合超像素的分割信息与RGB图像、Lab图像、HSV图像以及灰度图,提取超像素单元的特征向量,随机选取25％的超像素样本的特征向量作为SVM分类器的训练集,利用SVM分类器对所有样本进行预测分类,实现果树冠层与杂草分割.将基于超像素特征向量的方法和基于光谱阈值、K-means聚类的2种方法进行对比分析,结果显示,基于超像素特征向量的方法在识别果树冠层位置方面生产者精度为90.83％,在提取果树冠层轮廓上F测度值为87.62％,总体分割性能优于后两种方法.说明,基于超像素特征向量的方法能够较为准确地分割果树冠层与杂草,为实现无人机在果园中精确植保提供重要支撑. 相似文献
20.
提出了混合颜色特征下双层K-means聚类分割方法,首先在I分量将图像像素采用K-means聚类分割方法聚为4类;取聚类中心最大的2种像素的a*b*分量,进行第2次K-means聚类,得到病斑图像。对采集的21幅病害图片的试验结果表明,该方法分割结果的平均重合系数为97.53%,平均假阳性率为1.22%,平均假阴性率为3.52%。该研究可为进一步病害特征提取识别与病害程度诊断研究提供技术参考。 相似文献