基于拉普拉斯卷积网络和SMM分类器的小麦麦粒识别

为了提高小麦麦粒识别的识别率,采用了拉普拉斯卷积网络(Convolution Network Based on Laplacian Eigenmap,LENet)和支持矩阵机(Support Matrix Machines,SMM)分类器相结合的方法对小麦麦粒进行识别。拉普拉斯卷积网络是一种无反馈的轻量型级联卷积神经网络,可以用来提取小麦麦粒的特征,该网络通过拉普拉斯特征映射来学习网络的参数,输出层通过块直方图编码和矩阵化处理实现,最终提取的特征使用SMM分类器进行分类。通过在建立的小麦麦粒图像数据库上的实验表明,该麦粒识别方法要优于一些传统特征提取分类方法,取得了较好的识别效果。

基于HSI空间的Retinex低照度图像增强算法

低照度环境下拍摄的图像往往会出现细节模糊不清的情况,传统的Retinex算法可以有效提高图像质量,然而当图像亮度整体较低时可能会出现过增强现象。为了改善低照度环境下拍摄图像的质量,本文提出了一种基于HSI颜色空间的改进的多尺度Retinex图像增强算法,采用引导图像滤波消除应用Retinex算法所产生的“光晕伪影”现象,并利用原图像的亮度信息对多尺度Retinex算法增强后的图像进行了亮度重构,有效地抑制了过增强等失真现象,进一步提高了图像增强质量。实验结果表明,本文算法与传统的多尺度Retinex算法相比在低照度图像亮度增强、对比度增强和图像细节信息保护方面具有更好的表现效果。