基于残差和卷积神经网络的生猪图像分块压缩感知

针对常规图像采样和压缩方法存在重建图像模糊问题,提出基于残差和卷积神经网络的生猪图像分块压缩感知模型RC-BCSNet(Block-based compressed sensing of pig images based on residual and convolutional networks)。RC-BCSNet是基于残差和卷积神经网络,采用采样、初始重建、深度重建三段式网络结构。首先通过卷积层自适应学习采样,再进行初始重建图像,最后通过基于残差的卷积神经网络进行图像整体深度重建。结果表明,RC-BCSNet与3种不同经典分块压缩感知算法相比,在7个采样比下平均峰值信噪比(PSNR)最大/最小增益分别为6.16和2.18 dB,平均特征相似度(FSIMc)最大/最小增益分别为0.083和0.037 dB,为信息中心数据处提供数据支持。

基于改进中值滤波的生猪体表图像预处理算法

生猪体表图像的预处理是后续生猪体表病变区域分割的第一步,也是实现生猪疫情监控的一个重要环节。针对传统中值滤波存在的问题,本文提出了一种基于改进中值滤波的生猪体表图像预处理算法。实验结果表明:改进后的算法可以更有效地对生猪体表图像进行预处理,较好地保持图像视觉效果;此方法降噪效果好于传统的中值滤波算法,是去除生猪体表图像中含高斯噪声的一种较为理想的方法。

基于FCM-SVM的生猪红外热图像自动分割方法

传统的支持向量机(SVM)方法在图像分割时需要人工选取训练样本,降低了生猪图像分割的自适应性且费时费力,本文提出了一种基于FCM-SVM相结合的生猪红外热图像自动分割方法,首先,将图像由RGB颜色空间变换到HSV颜色空间;然后,利用模糊C均值(FCM)聚类算法自动获取训练样本;最后,提取图像的颜色特征作为SVM模型的训练样本进行训练,实现对生猪红外热图像的自动分割。结果表明,该方法能够取得较好的分割结果,正确率基本上能达到95%以上,为后续生猪各个部位特征的获取提供较好的技术支撑。