基于PSO与K-均值算法的农业超绿图像分割方法

为了解决K-均值算法对农业图像中常用的超绿特征2G-R-B图像分割效果不佳的缺点,提出一种基于微粒群与K-均值算法的图像分割方法。先用K-均值算法对图像进行快速分类,然后将分类结果作为其中一个微粒的结果,利用微粒群算法计算,最后用K-均值算法在新的分类基础上计算新的聚类中心,更新当前的位置,以得到最优的图像分割阈值。试验结果表明,改进算法对超绿特征2G-R-B图像能够准确分割目标,且对不同类型的农业超绿图像具有较好的适应性。

自然生长状态下树叶图像的分割与提取

以用智能手机拍摄的自然生长状态下的含有复杂背景的树叶图像为研究对象,对图像的背景及其RGB的3个颜色分量的特征进行分析,根据分析的结果提出采用超绿(EXG)算法和底帽变换算法相结合的方法对目标树叶进行分割.对于绿色分量与其他2个分量差异大的背景采用EXG算法去除,而对于绿色分量与其他2个分量差异小的背景采用形态学的底帽变换去除.为了减小目标树叶分割的错分率,采用Otsu算法、形态学和边缘最大矩形对上述分割后的细节进行细化分割.分割结果表明:文中所采用的算法可以很好地将目标树叶从背景中分割出来,错分率小于3.68%.

复杂背景下目标树叶的分割与补缺

为了进一步提高复杂背景下目标树叶分割算法的运行效率和准确性,在超绿算法的基础上结合模糊C聚类算法提高分割的运行效率,利用凸包填充法提高分割的准确性。首先利用超绿算法去除复杂背景中的非绿色部分,然后利用模糊C聚类算法去除与目标树叶颜色差异较大的绿色背景,而对于颜色差异较小的绿色背景,则先利用底帽变换得到目标树叶的边缘信息,再通过腐蚀和比较连通区域的大小进行去除。采用凸包填充法对目标树叶的边缘缺口进行补缺可以提高分割的准确性,从而降低错分率。超绿算法结合模糊C聚类算法可提高分割的运行效率。研究结果表明,与原有算法对比,错分率平均降低了1.05%,分割效率平均提高了13.82%。