基于ResNet50的紫色土图像分类

针对紫色土图像数据集小、分类准确率不高的问题,提出一种基于ResNet50的小样本紫色土图像分类方法。首先,在ResNet50网络结构的最后一层卷积层后连接3层全连接层,采用SeLU激活函数,并加入Dropout层,构建紫色土图像分类模型;再引入迁移学习方法,用ImageNet数据集训练好的ResNet50网络参数初始化紫色土图像分类模型的卷积层参数,然后用紫色土图像数据集训练模型,微调模型参数,得到最终的紫色土图像分类模型。实验结果表明,基于ResNet50的紫色土图像分类方法在小样本紫色土图像数据集上能得到较好的准确率。

一种紫色土图像的分割与提取方法

【目的】研究紫色土的图像分割与提取,为将来实现机器视觉识别紫色土打下基础。【方法】利用在RGB颜色空间的像素值分布特点,计算多变量条件概率,通过建立优化模型提取颜色特征值的边界,结合分段函数构建分割测度;然后,使用构建的分割测度建立基于密度峰值思想的优化模型,按照两次迭代差异最小化原则,优化局部分割阈值,从多个局部分割阈值中利用类内方差最小化模型获得优化的分割阈值,实现紫色土的图像分割;最后,以像素四邻域连通标记递归算法标记包含空洞的紫色土区域图像的连通区域以消除分割结果中的背景离散区域。同理,标记背景连通区域以填充紫色土区域图像空洞实现图像中紫色土区域的提取。【结果】计算综合评价指标F1、调整的兰德系数ARI和归一化互信息NMI来评价分割提取的结果。试验表明,提出的方法平均分割准确率达96.01%,97.16%和82.02%;与对比方法比较,提出的算法可以更加准确完整地分割与提取紫色土区域图像,最终实现紫色土图像土壤区域的完整分割。【结论】提出的算法是有效的。

紫色土彩色图像的H阈值分割

【目的】将研究对象紫色土自然断面图像从复杂背景中分割出来,以消除复杂背景的影响,为对紫色土视觉图像进一步分析处理、识别打下基础。【方法】通过对紫色土自然断面图像统计分析,证明它的H域有良好的聚集特征,且在95%和97%置信点近似于正态分布;因此,根据正态分布确定紫色土壤自然断面的H阈值,分割紫色土壤自然断面图像。【结果】用获得的二值分割图像与原图像计算哈达玛积,分割提取出了完整的紫色土自然断面区域图像。【结论】算法分析及仿真实验显示:相对于对比算法,新的算法分割速度更快,分割提取出的紫色土自然断面图像更完整;该算法有效。