共查询到20条相似文献，搜索用时 663 毫秒
1.
基于超像素特征的苹果采摘机器人果实分割方法 总被引：3，自引：0，他引：3
针对苹果采摘机器人在自然环境下对着色不均匀果实的识别分割问题,提出了基于超像素特征的苹果采摘机器人果实分割方法。首先,采用简单线性迭代聚类算法将图像分割成内部像素颜色较为一致的若干超像素单元;然后,提取每个超像素的纹理和颜色特征,并采用支持向量机将超像素分为果实和背景两个类别;最后,根据超像素之间的邻接关系对分类结果进行进一步修正。实验表明,该方法能够对大部分超像素单元进行正确分类,平均每幅图像被错误分类的超像素约为2.28个。与采用像素级特征的色差法和采用邻域像素特征的果实分割方法相比,采用超像素特征的果实分割方法具有更好的分割效果。在进行邻接关系修正前,该方法图像分割准确率达0.9214,召回率达0.8565,平均识别分割一幅图像耗时0.6087s,基本满足实时性需求。 相似文献
2.
针对黄瓜表型测量中图像识别问题,为解决黄瓜种子腔与果肉图像灰度差别不大情况下的分割难题,提出了基于随机森林算法(Random Forest,RF)的黄瓜种子腔图像分割方法。首先,通过颜色空间变换,提取样本在RGB、HSV、YCb Cr模型下的9个颜色分量;接着,基于灰度共生矩阵提取样本的能量、熵、对比度、相关性的均值与标准差等8个纹理特征。结合纹理与颜色特征,运用随机森林算法构建像素分类器,实现了种子腔的粗分割。为了提高分割质量,对粗分割的图像进行形态学处理得到最终分割图像。最后,与K-均值聚类(Kmeans)算法、支持向量机(Support Vector Machine,SVM)算法做对比。实验表明:随机森林分割算法正确识别率高达95%,错误识别率在10%之内,处理时间1.6 s左右,分割质量上优于其它两种算法。 相似文献
3.
基于机器视觉的自然环境中猕猴桃识别与特征提取 总被引：10，自引：0，他引：10
研究了综合应用果实颜色和形状特征识别自然环境中猕猴桃果实及特征提取的方法.通过对比不同颜色空间,选用R-G色差分量;再采用基于误分割像素的分割评价方法来确定颜色特征nR-G中最佳分割系数n,最终选取0.9R-G颜色特征.利用0tsu法对其进行阈值分割,形态学运算去除掉残余噪声,实现了目标果实区域和背景区域的分割.然后利用Canny算子提取边界,最后对边界图像进行椭圆形Hough变换,逐个识别出目标果实,并提取出果实的形心坐标、长轴端点坐标和长短轴长度等特征信息.对49幅包含110个果实图像进行识别试验,试验结果表明:相互分离果实的识别率为96.9％,邻接果实识别率为92.0％,被枝叶部分遮挡果实识别率为86.6％,重叠的果实识别率为81.6％. 相似文献
4.
水田田埂边界支持向量机检测方法 总被引：4，自引：0，他引：4
提出了基于支持向量机的水田田埂边界线的检测算法。采用支持向量机分类算法代替传统的图像分割算法,分割水田图像,提高了在不同光照条件下田埂边界检测的鲁棒性。图像预处理阶段引入超像素分割算法,大大减少了后续图像处理的计算量,并为支持向量机的模型训练提供大量的样本。选取足够数量的超像素样本,提取其颜色特征和纹理特征,构成19维的特征向量,并作为训练支持向量机模型的输入。使用训练好的支持向量机模型识别新图像中的水田田埂区域,模型评价指标F1分数达到90. 7%。采用霍夫变换提取田埂边界,在NVIDIA的Jetson TX2硬件平台上,算法总运行时间在0. 8 s以内,有效满足了水田直播机的实时性要求。 相似文献
5.
6.
针对传统的树干分割算法存在分割精度低、实时性差的问题,提出了一种融合深度特征和纹理特征的树干快速分割算法。首先,通过Realsense深度摄像头采集树干彩色图像和深度图像;随后,采用超像素算法对彩色图像进行分割,并融合深度和纹理相近的相邻超像素块,最后对深度图像进行宽度检测,并对宽度在阈值范围内的物体所属的超像素块进行色调匹配,区分树干与非树干。在室内和室外植株实验中分别运用本文算法、GrabCut算法与K-均值算法进行树干分割,本文算法的平均召回率和平均准确率分别为87. 6%和95. 0%,GrabCut算法分别为78. 0%和92. 8%,K-均值算法分别为80. 2%和89. 1%;本文算法平均耗时为0. 20 s,GrabCut算法为0. 66 s,K-均值算法为4. 42 s。实验结果表明,本文算法的快速分割效果较好,在保证分割精度的同时,简化了识别过程,加快了分割速度,能够应用于室内和室外树干的分割。 相似文献
7.
复杂环境中蛋鸡识别及粘连分离方法研究 总被引：3，自引：0，他引：3
提出基于Lab颜色模型的蛋鸡与背景自动分割方法和基于极限腐蚀和凹点搜寻的粘连蛋鸡分离与计数算法.实验前期将通过计算机视觉系统获取的RGB图像转换成Lab图像,每张图像中均选取蛋鸡及最接近蛋鸡颜色的背景2个小样本区域,分别计算这两类区域在a、b分量的数学期望作为分割阈值.随后将采集的图像像素聚类于与a、b分割阈值的欧氏距离最小的区域,从而实现蛋鸡与背景区域的自动分割.针对经常出现的蛋鸡群聚造成蛋鸡个体之间相互粘连的情况,研究利用改进的极限腐蚀及凹点搜寻处理算法分离出独立的蛋鸡并正确计数.108幅蛋鸡图像识别结果表明,该算法能将蛋鸡个体从复杂背景中有效提取、计数和粘连分离,蛋鸡计数正确率为93.5％,综合分离正确率为89.8％. 相似文献
8.
基于PCA和高斯混合模型的小麦病害彩色图像分割 总被引：5，自引：0，他引：5
为了提高高斯混合模型对小麦病叶的分割精度,减少分割时间,提出了一种基于PCA和高斯混合模型的分割方法。首先充分利用图像的颜色信息,将图像多个颜色通道进行主成分分析计算,获得3个主要颜色通道;在此基础上,将图像分成多个分块,根据其像素平均值排序,各取前后多个分块组成新的像素集合进行高斯混合模型运算;最后遍历整个图像,将每个像素归类到已求出的高斯模型上得出分割结果。通过对小麦锈病图像的分割试验表明,该方法的错分像素率分别比高斯混合模型、K-means等传统分割方法低5.46和13.44个百分点。 相似文献
9.
复杂背景黄瓜叶部病害图像分割方法 总被引：6，自引：0，他引：6
针对具有复杂背景的黄瓜病害图像,设计了一种图像分割方法。该方法首先结合超G和OTSU方法去除彩色图像中的大部分背景,尽可能保留图像中的绿色部分信息;然后根据病害图像RGB模型中红色分量自动建立数据项,并且设定相邻像素间红色分量差值的函数作为平滑项,以上述数据项和平滑项构建基于阈值预处理的图切割算法。利用该方法对4种黄瓜病害（霜霉病、白粉病、靶斑病和炭疽病）彩色图像进行分割。结果表明,该方法能够较为准确地将病斑区域从彩色图像中提取出来,算法的平均正确识别率达到90%以上;平均运行速度为2.12 s,能够满足实时图像分割的要求。 相似文献
10.
蔬菜种子包衣工作参数的智能调节,能提高包衣加工效率和成品质量。为了研究包衣工作参数的智能调节,提出了基于机器视觉的蔬菜种子包衣品质鉴定方法。针对蔬菜种子包衣过程中种子包衣完整性、包衣颜色深浅、包衣颜色均匀性3个重要指标,提出依据单粒种子的种子包裹率、种子颜色及纹理特征将包衣种子分为合格与非合格两类。对于种子图像中粘连的问题,采用分水岭算法将图像分割为单粒种子。通过对单粒种子的多阈值分割,实现种子包衣完整率的计算。基于HSI颜色空间提取H、S分量的颜色矩特征与I分量的灰度共生矩阵特征,融合种子包衣完整率、颜色矩特征和灰度共生矩阵特征这3种特征为一个11维特征向量,构建基于径向基核函数的支持向量机分类器对包衣结果进行品质鉴定。实验选用包衣后辣椒种子验证算法,结果表明:包衣结果识别准确率为90.93%。该研究可为后续研究包衣机工作参数的智能调节奠定理论基础。 相似文献
11.
基于图像处理技术的大田麦穗计数 总被引：13，自引：0，他引：13
为了实现不同播种方式下单位面积小麦穗数的智能计算,设计了一种利用图像分析技术实现大田麦穗快速计数的方法,分析了利用颜色特征和纹理特征分割麦穗的优缺点和粘连区域麦穗个数的计算方法。通过对撒播和条播各35幅样本图像进行计数实验,准确率分别为95.77%和96.89%。结果表明,利用颜色特征和纹理特征均可提取大田环境下麦穗图像,其中利用颜色特征提取速度快。麦穗骨架角点个数能够反映粘连区域麦穗个数,在条播和撒播小麦田中计数准确率均较高。 相似文献
12.
识别小麦抽穗扬花期抽穗情况,可用于指导后期水肥管理、病害防治和产量预测等。为实现准确、自动地麦穗计数,提出一种基于颜色特征的麦穗计数方法。抽穗扬花期小麦麦穗与叶片、茎秆颜色非常接近,常见颜色特征并不能有效分割麦穗,通过彩色直方图均衡化和红绿归一化差异指数对麦穗进行有效提取。针对图像中麦穗粘连问题,利用改进Harris角点检测算法分别对垂直拍摄和45°夹角拍摄的小麦图像进行验证。通过样本图像进行计数试验,准确率分别为96.06%和94.74%。结果表明,经均衡化处理后麦穗、叶片和茎秆出现明显颜色色差,可以利用颜色特征提取大田环境下抽穗扬花期麦穗图像;麦穗细化后进行骨架交点检测,可用于粘连麦穗的准确计数。 相似文献
13.
14.
15.
针对自然光照下粗秸秆中空、细碎秸秆细节丢失导致秸秆覆盖率图像检测法精度低的问题，提出了一种基于Sauvola与Otsu算法相结合的秸秆覆盖率检测方法。首先对彩色分量空间距离灰度化后的图像采用Sauvola阈值分割来提取秸秆区域细节图像，然后对色差法灰度化后的图像采用Otsu阈值分割来解决秸秆区域中空问题，最后对不同阈值分割图像相加，计算其平均值，从而得到秸秆覆盖率的大小。田间试验结果表明，采用此方法对不同情况秸秆覆盖与不同地区的秸秆覆盖均具有较好的识别效果，不同情况秸秆覆盖率的最大平均误差约为1.9%，不同地区秸秆覆盖率的最大平均误差约为2.5%，有效地提高了秸秆辨识的精确度。 相似文献
16.
针对果园道路无明显边界且道路边缘存在阴影、土壤和沙石干扰等问题，提出一种基于特征融合的果园非结构化道路识别方法。通过相机标定获取畸变参数对采集到的图像进行畸变矫正，并提出一种基于滤波与梯度统计相结合的动态感兴趣区域(ROI)提取方法对HSV颜色空间S分量进行ROI选取，采用最大值法将颜色特征与S分量多方向纹理特征掩膜相融合并进行二值化与降噪处理。根据道路边缘突变特征寻找特征点，并提出一种基于距离与位置双重约束的两级伪特征点剔除方法。为更好贴合非结构化道路不规则边缘，引入分段三次样条插值法拟合道路边缘，以此实现道路识别。试验结果表明，在晴天、阴天、顺光、逆光、冬季晴天和雨雪天气6种工况条件下，S分量、纹理图像和融合图像的平均纵向偏差均值分别为2.43、39.71、1.36像素，平均偏差率均值分别为0.99%、18.02%和0.54%,相较于S分量与纹理图像而言，使用本文方法构建的融合图像其平均纵向偏差与平均偏差率均得到有效减少。最小二乘法、随机采样一致性法(RANSAC)与分段三次样条插值法拟合边缘的平均偏差均值分别为2.64、3.16、0.66像素，平均偏差率均值分别为1.02%、1.... 相似文献
17.
马铃薯典型病害图像自适应特征融合与快速识别 总被引：3，自引：0，他引：3
针对自然条件下马铃薯典型病害区域定位和识别难的问题,提出了一种马铃薯典型病害图像的自适应特征融合与快速识别方法。该方法利用K-means、Hough变换与超像素算法定位叶片,结合二维Otsu与形态学法分割病斑区域,通过病斑图像颜色、形状、纹理的自适应主成分分析(PCA)特征加权融合,进行支持向量机(SVM)病害识别。对3类马铃薯典型病害图像进行识别试验,结果表明:SVM识别模型下,自适应特征融合方法相比PCA降维、特征排序选择等传统自适应方法,平均识别率至少提高了1.8个百分点;13个自适应融合特征下,识别方法平均识别率为95.2%,比人工神经网络、贝叶斯分类器提高了3.8个百分点和8.5个百分点,运行时间为0.600 s,比人工神经网络缩短3 s,可有效保证识别精度,大大加快了识别速度。 相似文献
18.
提出一种基于阈值边缘提取算法和HSV颜色模型的二次分割叶片雾滴图像识别算法。通过模拟喷雾试验得到三种不同雾滴密度的叶片样本,保留叶片自身轮廓信息的同时分割叶面雾滴,计算叶面积与雾滴覆盖率关系。结果表明应用Otsu阈值边缘提取与HSV空间混合算法相对于传统的k-means聚类分割算法、动态阈值分割算法,更适用于叶面雾滴分布的识别与检测,三种覆盖密度叶片的分割准确率分别为:95.16%、94.23%、93.76%,平均准确率为94.38%;雾滴覆盖率检测相对误差分别为:2.82%、4.11%、7.59%,平均相对误差分别为4.84%。基于阈值边缘提取与HSV空间提取的混合算法可分割叶面雾滴图像并检测完整叶面上雾滴覆盖率,识别结果能够满足识别精度的要求。 相似文献
19.
正确识别西兰花田间位置是实现西兰花自动化采收的基础,西兰花花球颜色与植株的叶片、茎秆相似,仅通过颜色特征无法对西兰花进行识别,本文以成熟期的田间西兰花为研究对象,提出了一种基于纹理特征与颜色特征的西兰花识别算法。首先通过预处理以及Laws滤波对图像进行边界纹理强化,再通过Gabor滤波对图像进行纹理特征向量提取,并对提取后的纹理特征向量进行z-score标准化,随后对标准化后的纹理特征向量进行K-means聚类与开运算,获取花球潜在存在区域。同时对RGB图像进行HSV转换,通过对图像的H分量进行阈值分割达到滤除地面像素的效果。最终对纹理特征识别与颜色特征识别的结果进行融合,实现对田间西兰花的识别。算法通过结合纹理与颜色特征,对田间西兰花进行了识别,解决了西兰花的花球与茎叶等背景颜色相近难以识别的问题。本文共使用792幅图像进行试验,试验结果表明,本方法可以准确地对西兰花田间图像进行识别,其精确率为96.96%,召回率为94.41%,F1值为95.67%。通过对3组不同拍摄环境的数据集进行算法识别,3组数据集的F1值始终保持在94%以上,具有良好的拍摄环境适应性,为农业机器人进行西兰花自... 相似文献
20.
为提高田间复杂环境下传统图像分割法分割葡萄果穗图像准确度低的问题，提出一种基于改进红绿色差和Otsu算法的田间葡萄果穗图像分割方法。选取与人类视觉相近的RGB颜色空间，提取并分析R、G特征图的直方图，经分析对其点乘特征图并进行Otsu运算，再经过形态学处理，实现对田间环境下葡萄果穗图像的分割。与灰度图、（R-G）特征图和（R-G）/（R+G）特征图分别采用最大阈值分割法（Otsu）分割的结果进行对比，试验结果表明，红绿色差点乘Otsu分割法的分割结果最优，准确率为92.37%，F1值90.13%。对50幅图像做了测试，其中图像准确率最高为97%，准确率最低为79%，其平均准确率为88.75%。所提出的方法能够实现葡萄果穗较完整的分割，并可为葡萄果穗的识别、定位提供研究基础。 相似文献