共查询到10条相似文献，搜索用时 16 毫秒
1.
采用0.57R-0.18G-0.2B色差分量法对刺梨图像进行处理,通过Ostu自适应阈值分割、形态学滤波和二值图像白色色素面积阈值等方法对图像进行一次分割。根据刺梨果实图像的颜色和纹理特征,再采用YCbCr颜色空间模型中各分量的阈值对图像进行二次分割。通过标记分水岭分割算法对粘连果实连通区域进行分割,利用Hough圆变换对独立、遮挡和重叠情况下的果实外圆进行拟合和修复,最终获取果实质心坐标及其半径。试验结果表明:刺梨果实识别正确率均高于92%,说明本算法能够对刺梨果实进行有效地识别。 相似文献
2.
3.
近色背景中树上绿色苹果识别方法 总被引：8，自引：0，他引：8
为实现大型果园生产中果实产量监控和预测,研究了基于机器视觉的树上绿色苹果识别方法。为彩色相机配备一环形闪光灯用于夜间苹果树的图像采集,设计了以归一化的g分量和HSV颜色空间中H、S分量为特征参数的支持向量机(SVM)分类器和以超绿算子(2G-R-B)为特征的阈值分类器组合而成的混合分类器,实现了绿色苹果在近色背景中的有效识别;针对识别结果中的果实粘连情况,通过计算区域面积以及区域长、短轴之比,识别粘连区域,并对粘连果实区域图像进行欧氏距离变换,进而针对粘连区域距离变换图像采用分水岭算法进行分割,可将大部分粘连果实分开,并最终实现近色背景中绿色苹果的识别与计数。通过对64幅果树图像实验表明,该方法平均识别正确率为89.30%。 相似文献
4.
基于计算机视觉的成熟番茄识别研究 总被引：1，自引：0，他引：1
以番茄图像为研究对象,提出一种成熟番茄识别方法。首先,以HSI模型中的色调分量为基础进行图像分割,提取出成熟番茄目标图像;然后,再采用最大方差自动取阈值法进行分割处理,对得到的目标图像进行轮廓提取;最后,对轮廓曲线采用Hough变换的方法进行识别,以同一个轮廓圆识别的多个极值点的均值作为最终识别结果,在Hough变换之前采用最小外接矩形法进行有效区域标记,提高了Hough变换的效率。通过多幅番茄果实图像的仿真测试表明:本算法对果实遮掩度为0、小于50%、大于50%这3种情况的识别率分别为78.7%、6 8.1%、4 1.9%,平均识别率达到7 0.6%。本算法对于成熟番茄可以较好识别,尤其对于存在重叠情况的番茄,识别准确率较高。 相似文献
5.
玉米果穗粘连籽粒图像分割方法 总被引：6，自引：0，他引：6
为了对基于图像的玉米果穗穗粒数进行更精确的计算,给出了一种新的粘连籽粒图像分割方法。对粘连二值图像进行轮廓平滑和欧氏距离变换,将粘连籽粒的距离变换图视为地形学上的地形图,以地形图中的山谷线作为粘连二值图像的分割线。将欧氏距离变换图像的边界像素点视作水源点,根据山谷形态两边高、中间低的地形趋势设定水流的行进规则,使得水流在遇到山坡时自动绕行,但在遇到谷口点时可沿山谷线流动,从而将粘连籽粒分割开。该方法对单个未粘连籽粒不产生影响,不必在分割操作前依靠人工设定阈值进行籽粒是否粘连的判断,可以作为籽粒是否存在粘连的判断方法。用该方法对442个含不同粘连情况的籽粒连通分量进行判断与分割测试,粘连判断准确率为99.7%,粘连籽粒的分割准确率为94.9%。 相似文献
6.
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.
针对背景和杂草干扰下的果树图像冠层提取问题，提出了一种基于M-SP特征加权聚类的冠层分割算法。首先，将采集的原始图像由RGB颜色空间转换到HSI颜色空间，计算果树与背景区域在H、S分量上的马氏距离，构造马氏距离相似度矩阵〖WTHX〗M〖WTBX〗；其次，提取图像像素的垂直位置作为空间特征〖WTHX〗P〖WTBZ〗，在HSI空间内的I分量上，利用最大熵算法提取图像的阴影区域，并进行掩膜处理，将获取的阴影区域作为空间特征的加权区域L，从而构造阴影位置加权的空间特征〖WTHX〗L〖WTBX〗P；最后，对获取的M-LP特征矩阵进行归一化处理，分别进行上背景、下背景、果树冠层、杂草4个类别的K means聚类，最终完成图像分割。为验证算法的有效性，在采集的果树图像上进行了分割试验，结果表明，基于M-LP特征的聚类方法能有效解决重度杂草干扰条件下果树冠层被漏分的问题。采用精确率、召回率和F1值3个评价指标对分割结果进行定量评价，选取不同杂草干扰程度（轻微、中等、较强）和时间段（早晨、中午、傍晚）的果树图像，分别以传统K-means和GMM聚类算法作为对比进行试验，结果表明，相对于未经过特征提取的普通聚类分割方法，本文算法对于不同杂草干扰程度和不同拍摄时间段下的果树冠层分割表现出一定的鲁棒性，平均精确率为87.1%，平均召回率为87.7%，平均F1值为87.1%。分割和验证结果表明，在进行有效图像特征提取的基础上，结合少量标注作为先验知识的无监督分割方法可以准确分割出果树冠层区域。 相似文献
9.
10.
基于分水岭和改进MRF的马铃薯丁粘连图像在线分割 总被引：2，自引：0，他引：2
针对马铃薯丁粘连图像分割问题,提出一种融合分水岭和改进马尔科夫随机场（MRF）的分割方法。分水岭方法可以将粘连图像分割为若干一致性较好的区域,恰好有利于MRF进行标记,同时,针对实际应用中区域势团势能不一致的情况,通过改进势函数确定MRF的条件概率,使其在全局上具有一致性,从而解决粘连分割问题。用分水岭方法对图像进行初始分割,将图像转化为块状表示。综合考虑初始分割区域的相对高度和面积,用改进的MRF标记正确分割区域和过分割区域。计算过分割区域与邻域的紧密度,选择紧密度最大的邻域并与之合并。试验结果表明,该方法在继承了分水岭方法优点的前提下,解决了过分割的问题,正确率为95%。 相似文献