基于改进分水岭算法的粘连大米图像分割

大米检测过程中大米图像籽粒粘连给后续大米检测、分析等处理带来较大困难,为此提出了一种有效的改进分水岭分割算法,先对二值图像采用不同的结构元素作极限腐蚀形成不同的距离图,再对这些距离图分别利用分水岭算法得到分水岭图像,最后提取真实分水岭得到最终分割图像,并与其它分水岭算法相比较。实验结果表明,该算法既能更有效地分割粘连颗粒,又能有效地抑制过分割现象。

粘连大米的碎米率检测技术研究

碎米率是衡量大米的外观品质的一个重要指标。在使用机器视觉技术自动检测碎米率的过程中,大米籽粒粘连的情况常常不可避免。为了分割出单颗大米,提出了一种改进的、基于形态学重建处理的标记分水岭算法,可在分割出的单粒大米的基础上,确定大米的数量,并利用外接矩形来确定米粒的长度,从而检测出碎米率。实验结果表明,在大米粘连程度及含有的碎米量不同的情况下,此方法都具有比较高的检测精度。

基于PCNN和Harris的粘连大米凹点检测方法的研究

针对粘连大米图像分割中轮廓的凹点检测问题,提出了一种基于脉冲耦合神经网络(PCNN)和harris角点检测结合的方法。该文简要介绍了基于脉冲耦合神经网络的图像分割、harris角点检测算法。首先对采集的图像进行PCNN图像分割将目标和背景分割;然后提取分割后的粘连大米轮廓,并进行高斯平滑;再根据平滑后的轮廓曲线进行harris角点检测,识别准确的凹点。

基于机器视觉的大米粘连图像分割

以粘连大米为对象,分别以间隔90°的4个方向和不同高度的光源采集大米图像,然后对采集到的一系列图像用LoG算子进行边缘检测,综合不同条件下的边缘,得到粘连分界线。结果表明:这种方法对于椭圆米粒和长圆米粒的分割效果很明显。