基于Retinex的自适应水域图像去雾算法

针对利用Retinex理论对水域雾天图像去雾时出现去雾不彻底、色彩失真等问题,提出一种基于Retinex的自适应水域图像去雾算法,通过分析水域雾天图像特征,提出水域雾气浓度划分标准,实现自适应去雾。将水域雾天图像由RGB颜色空间转到HSI颜色空间,对亮度(Intensity,I)分量进行拉伸变换以调节亮度平衡,再用改进的单尺度Retinex(singal scale Retinex,SSR)算法对I分量进行增强处理,初步提高图像清晰度;将增强处理后的图像转换回RGB颜色空间进行自适应伽马变换增强,进一步提高图像的清晰度及对比度;利用HSI颜色空间进行图像饱和度补偿及其他操作实现对水域雾天图像的色彩恢复。实验结果表明,该算法能有效进行自适应水域雾天图像去雾,色彩恢复真实,可得到细节清晰的高质量去雾图像。

基于遗传算法和深度神经网络的近红外高光谱检测猪肉新鲜度

为系统评估基于深度学习的智能辅助高光谱成像系统在猪肉新鲜度指标检测中的效果,采集了猪肉在4℃冷藏12 d中挥发性盐基氮(volatile basic nitrogen,TVB-N)、菌落总数(total viable count,TVC)以及900~2500 nm近红外光谱数据。基于Python的TensorFlow和Keras平台,对高光谱数据进行处理,建立了深度神经网络的定量检测模型。并利用遗传算法(GA)选择与猪肉新鲜度相关的特征光谱波段。结果表明,遗传算法选取波段对光谱模型的性能有明显提升。当光谱波段数达到35和50时,GA+ANN模型预测精度高于全波段的线性回归模型。TVC为预测指标的预测性能优于TVB-N,TVC测试集最佳R_(p)^(2)为0.877,RMSEP为0.575;预测TVB-N的最佳R_(p)^(2)为0.826,RMSEP为1.01。此外,通过研究还发现,遗传算法优选的近红外光谱波段与肉品的O-H,N-H,C=O等分子振动吸收带有较高的吻合度。本研究为处理近红外和高光谱数据提供了新的方法,也为猪肉及其他肉品新鲜度快速无损检测提供了技术参考。

基于近红外高光谱技术的杧果可溶性固形物含量无损检测

【目的】近红外高光谱成像技术(NIR-HSI)在水果内部品质的无损检测方面具有快速、准确和无损的特点。旨在利用NIR-HSI技术分析不同品种杧果的可溶性固形物含量,并探讨400~1000nm波段范围内的光谱差异和可溶性固形物含量的响应。【方法】选择贵妃杧果和台农1号杧果作为研究对象,使用NIR-HSI技术获取杧果样本的光谱数据。采用CARS-PLS模型分析可溶性固形物含量与各波段光谱反射率的相关系数。为了验证模型的性能,计算了建模R^(2)、斜率Slope、截距和RMSE等指标。【结果】得到CARS-PLS模型的性能指标:建模R^(2)为0.8806,斜率为0.8515,截距为12.208,RMSE为0.6366。这些指标表明该模型具有较高的建模拟合度和预测精度。【结论】应用NIR-HSI技术对杧果可溶性固形物含量进行检测具有可行性。为进一步研究不同水果可溶性固形物含量的高精度模型奠定了基础。通过NIR-HSI技术的应用,可以提供一种非破坏性且高效准确的方法,用于水果品质评估和检测。这对农产品质量控制和市场营销具有重要的意义。

基于改进Resnet18网络的火灾图像识别

针对传统卷积神经网络进行火灾图像识别时,准确率不高、特征难以提取、网络的平移不变性较弱等问题,对Resnet18网络进行改进,使其具有更高的性能和准确性.首先,在Resnet18网络的卷积层前插入空间变换网络(spatial transform networks,STN).对于连续多个相同大小的卷积层,只在第一个卷积层前添加STN,共添加5个,并且在全连接层后添加dropout层防止过拟合.然后,使用迁移学习(transfer learning,TL)的方法对火灾进行分类识别.实验结果表明,改进后的Resnet18网络准确率、召回率、F_(1)值和AUC值等各项指标性能优于Resnet18网络和其他深度学习识别算法,能够对火灾图像进行快速、准确地识别.

基于激光视觉传达的光照变化复杂图形元素细节增强方法

复杂图形元素的细节增强会受到光照变化影响,导致人眼观测下图形细节的对比度与清晰度降低,因此提出基于激光视觉传达的光照变化复杂图形元素细节增强方法。该方法利用具有颜色恢复功能的多尺度视网膜算法对采集到的图形展开颜色校正,通过激光视觉传达方法将图形从RGB颜色空间转换到便于人眼观察的HIS颜色空间。采取自适应补偿法和限制对比度自适应直方图均衡化算法,对图形的饱和度I值和亮度S值展开增强,并将增强后的图像转换回RGB颜色空间。实验结果表明,该方法的颜色校正效果好、图形细节增强的稳定性强。

基于高光谱技术的枇杷总酚含量无损检测

为评估高光谱成像技术(hyperspectral imaging,HSI)用于冷藏过程中枇杷总酚含量(totally phenolic content,TPC)预测的可能性,在可见光/近红外波段(363~1026 nm)采集115个枇杷样本高光谱信息,通过福林酚法对样本TPC进行测定。再采用蒙特卡洛算法对异常样本进行剔除,竞争性自适应加权算法(competitive adaptive reweighted sampling,CARS)对特征波长进行提取,分别建立枇杷TPC的非线性迭代偏最小二乘法(nonlinear iterative partial least square,NIPALS)预测模型和简单偏最小二乘法(simple partial least square,SIMPLS)预测模型并进行验证。结果显示,CARS共提取到特征波段47条,占波长总数7.62%;在最佳主成分数时,CARS-NIPALS与CARS-SIMPLS的建模集决定系数R^(2)_(c)分别为0.9221、0.9160,预测集决定系数R^(2)_(p)分别为0.8166、0.8128,NIPALS与SIMPLS两种算法表现相似,HSI能对冷藏过程中的枇杷TPC进行有效预测。

中国和老挝跨境区域亚洲象生境时空变化及保护成效

中老跨境地区是生物多样性保护的重点区域,明晰边境地区跨境物种的生境分布格局及变化,对开展跨境合作及维持边境地区生物多样性具有重要意义。以云南勐腊、老挝北部三省为例,利用MaxEnt模型和HSI模型,结合野外监测的亚洲象活动点位,研究中老边境地区1985—2020年以来亚洲象的生境格局及变化特征,并评估跨境保护区保护成效。结果表明:(1)研究区内亚洲象生境面积约占85%,主要分布在东西两侧,中部区域的亚洲象生境主要位于中老跨境联合保护区内;1985—2020年,研究区内亚洲象生境面积减少了2.4%,其中最适生境减少最多(占4.51%);(2)1985年和2020年研究区亚洲象生境的冷热点区分布大致相似,冷点与热点区域面积各占约20%,并且热点区主要集中于低海拔地带;(3)联合保护区内90%的亚洲象生境受到了保护,其中约1/2是亚洲象适宜生境;1985—2020年,中老跨境联合保护区内亚洲象适宜生境面积增加了251.26 km^(2),保护区外的西侧区域存在大量亚洲象适宜生境,而部分亚洲象跨境活动通道的生境适宜性有所下降。因此,研究建议可将联合保护区以外西侧的大片亚洲象适宜生境纳入联合保护区进行管理,并对适宜性较低的跨境活动通道进行修复或拓展适宜性较高的潜在通道,为跨境象群的交流创造条件。研究结果有助于认识边境地区亚洲象的生境空间格局及其变化,为跨境保护工作的开展提供科学依据。

基于图像处理技术的水面漂浮物检测方法

文章提出一种基于图像处理技术的水面漂浮物检测方法,该方法通过分析和处理水面图像检测水面漂浮物。首先,对原图进行感兴趣区域提取和仿射变换,划分水面区域;其次,使用HSI(色调、饱和度、亮度)颜色空间对水面背景进行提取与去除,减小水面对后期图像处理的影响;最后,经过图像去噪、灰度图像增强、灰度化和阈值化处理、形态学处理、边缘提取和轮廓提取等步骤,实现对漂浮物的检测。其中,灰度增强采用了非线性映射函数提升漂浮物的灰度特征,以便更好地分离漂浮物。使用实际水域采集的图像对检测方法进行验证,结果表明,该检测方法在特定水域能较好地完成水面漂浮物的检测,准确率在90%以上。

New Lump Solution and Their Interactions with N-Solitons for a Shallow Water Wave Equation

By employing the Hirota’s bilinear method and different test functions, the breather solutions of HSI equation with different structures are obtained based on symbolic calculation with perturbation parameters. Some new lump solitons are found in the process of studying the degradation behavior of breather solutions. The interaction between lump solution and soliton solution is constructed in the form of lump solution, and the motion trajectory of lump is obtained. In addition, the theorem of lump solitons and N-solitons superposition is given and proved. The superposition formula of lump is derived from the theorem, and its spatial evolution behavior is given.

基于颜色相似和位移一致的运动目标归并算法研究

基于运动学信息的目标检测无须依赖数据训练,但存在被分割为多个离散目标的情况,通过提取各离散目标的色度、饱和度、亮度信息,构建HSI颜色特征向量并定义相似度函数,在当前帧中根据HSI颜色特征相似度实现第一次目标归并。基于前后帧颜色特征向量建立上下文颜色相似矩阵,对于相似度高的目标,基于离散目标质心运动方向和距离进行位移一致性评价,实现第二次归并。实验结果表明,所消耗时间控制在30 ms左右,运动目标的检测正确率较未归并前提高了27个百分点,保证了运动目标检测的完整性。

基于最小二乘法的温室番茄垄间视觉导航路径检测

针对温室非结构作业环境和复杂背景下作业机器人路径识别检测问题开展研究。在HSI颜色空间分析番茄垄间道路图像在各分量的分布特性,提出了基于机器视觉的垄间加热管敏感区域提取方法,依据I分量直方图采用最大类间方差法进行图像自适应阈值分割,对分割后二值图像利用目标区域的边缘提取算法获得导航离散点簇。根据最小二乘法原理对导航离散点簇拟合得到2条加热管边缘线,在此基础上给出中心导航基准线检测算法,并针对光照不均和作物遮挡对导航路径检测进行了实验。实验表明,与Hough变换算法相比,该算法简单快速,对光照不均具有良好的鲁棒性,能够准确提取目标敏感区域的边缘信息,对不同遮盖率番茄垄间导航路径提取正确率达91.67%。

基于K-means聚类的植物叶片图像叶脉提取

植物的叶片是植物最基本、最主要的生命活动场所。叶脉的提取与分析对叶片和整株植物结构的分析有一定的应用价值。该文提出一种基于K-means聚类(clustering)的叶脉提取算法。该算法首先对叶片图像的HSI彩色空间中的I信息进行K-means聚类处理,根据聚类的结果提取叶片边界,并将叶片图像分为受光均匀和受光不均匀的2类。对于受光均匀的叶片图像在聚类结果中直接提取叶脉,而受光不均匀的叶片图像则需去除部分叶肉后再进行一次K-means聚类提取叶脉。结果表明:该算法能有效地降低叶脉提取的错分率。

基于HSI和LAB颜色空间的彩色图像分割

彩色图像分割一直是彩色图像处理与分析中最为困难的不可缺少的步骤,针对图像分割质量直接在很大程度上影响了图像后期分析的效果,提出了一种基于HSI和LAB颜色空间的彩色图像分割方法。该方法在HSI颜色空间用最优阈值方法进行阈值分割,在LAB颜色空间采用基于K均值聚类图像分割,然后将两次分割结果进行区域合并,最后进行加窗滤波消除噪声。对林区活立木真彩色图像进行分割的实验结果表明,该方法能够精准地将活立木从背景中提取出来。

基于HJ1A-HSI超光谱影像的耕地有机质遥感定量反演

以环境小卫星超光谱影像为主要数据源,在耕地有机质实测样本的支持下,开展光谱反射率及其变化形式与有机质的相关性分析,筛选耕地有机质响应的敏感波段与特征组合算法,利用多元回归分析方法,建立基于HSI影像的耕地有机质定量反演模型。研究结果表明,耕地有机质的HSI影像响应波段均位于可见光与近红外波段间,其中以540～860nm范围最佳,相关系数均在0.5左右;HSI反射率对数一阶微分预测模型精度最高,模型及其检验的决定系数都在0.7以上,均方根误差在0.2%左右,可用于顺义区耕地有机质全覆盖空间填图。因此,环境小卫星的超光谱影像对耕地有机质含量具有较好的光谱响应能力,其空间覆盖能力有助于开展县域尺度的耕地有机质遥感反演和空间填图。

基于改进的Sobel算子和色调信息的叶脉提取方法

植物的叶脉包含重要的植物生理信息,对叶脉的提取是植物建模和识别的关键。利用HSI彩色空间(color space)提取叶脉的算法,该文提出改进的Sobel算子和色调信息相结合的叶脉提取算法。改进的Sobel算子用于基本叶脉轮廓的提取,色调信息用于主叶脉提取,然后将两者提取的图像融合得到最终的叶脉图像。结果表明,该方法可弥补Sobel算子和HSI彩色空间提取叶脉的不足,能更准确地提取叶脉信息,尤其适合于颜色有变化或光照不均匀的植物叶子样本,为进一步对叶脉尺寸和形态的分析打下基础。

基于HSI颜色空间的棉花杂质高速实时检测方法

棉花杂质的有效检测和剔除对于棉花质量的控制具有重要意义.本文提出了一种实用的棉花杂质高速检测方法.该方法利用3D-LUT技术,有效解决了颜色空间转换的时间耗损问题.利用HSI颜色空间的色度和饱和度信息,对棉花中的杂质进行高效检测和定位.彩色运动补偿技术的应用,弥补了相机在硬件上进行空间参数校正的不足,降低了杂质的错误判别率.实验结果表明,该系统可以在10ms内完成80线棉流图像的采集、图像格式转换、杂质的检测和定位等全部过程.在棉流速度为18m/s,杂质大小为2×2mm^2的情况下,杂质识别正确率可达到95.4%.

一种高分辨率遥感影像阴影去除方法

基于阴影属性提出了一种全自动彩色影像阴影去除算法。首先将影像变换到HSI空间,依据阴影区域亮度值低和饱和度高的特性,结合小区域去除和数学形态学处理,得到精确的阴影区域。然后,分别对I、H、S分量图上各个独立阴影区域与其邻近的非阴影区域进行匹配补偿,再反变换回RGB空间,完成阴影去除操作。实验结果表明,该方法能在不改变非阴影区域信息的情况下,有效地去除阴影的影响。

基于高斯HI颜色算法的大田油菜图像分割

针对自然条件下光照条件变化给大田油菜图像分割带来的问题,该文研究了油菜图像的高斯HI颜色分割算法,为作物生长发育周期的自动识别提供前期准备。已有统计结果表明,在仅保留绿色作物的图像中,不同色调值的像素数量服从高斯分布。该文将去掉背景信息的样本数据从RGB颜色模型转换至HSI颜色模型后,统计各个光强的所有像素对应的色调值,并计算其期望值和方差,依次得出所有强度所对应色调值的期望值和方差,建立出油菜作物色调强度查找表(hue intensity-look up table)。在此基础上,计算每个像素的色调值和期望值之间的差值,若差值小于阈值,则像素被分割为作物,否则为背景。为了在高斯HI颜色分割算法中确定合适的阈值,该研究选取了45幅不同天气状况(晴天、阴天和雨天)不同发育阶段(苗期、三叶期和四叶期)的油菜图像作为样本,探讨阈值的选取与分割结果的关系。结果表明阈值在[2.4,2.6]内分割效果最佳,油菜目标的形状特征完整度最好。为了对图像分割结果进行评价,分别利用高斯HI颜色模型、CIVE(color index of vegetation extraction)、EXG-EXR(excess green-excess red)、EXG(excess green)和VEG(vegetation)算法对15幅不同天气状况的图像进行分割。从视觉效果上来看,高斯HI算法仅需少量样本,即可达到满意分割效果。与其他方法相比,高斯HI颜色分割算法的误分割率(misclassification error,ME)仅为1.8%,相对目标面积误差(relative object area error,RAE)仅为3.6%,均优于其他4种算法的试验结果。在分割结果稳定性上,高斯HI颜色算法表现最好,其ME和RAE值的标准差最低,分别为0.7%和4.5%。试验结果表明,高斯HI颜色算法能取得较好的分割效果,而且对光照条件变化并不敏感,同时,能够充分保留油菜形状特征的完整性,为后期油菜生长发育周期的自动识别提供可靠数据。

电网巡检图像中绝缘子的识别

为提高电网巡检时绝缘子故障诊断的效率,提出一种从巡检图像中识别绝缘子的方法。首先将绝缘子彩色图像从RGB空间转换到HSI空间,提取出S分量,然后基于形态学算法改进最佳熵阈值分割算法分割S分量图,再利用图像的灰度信息复原图像并滤波,最后分别计算绝缘子和背景区域的形状特征值,设计分类决策条件。结果表明,该方法能准确识别绝缘子。

利用Hyperion数据进行环境星HSI红边参数真实性检验

针对我国新发射运行的HJ-1A星HSI数据,利用高光谱分辨率的Hyperion数据进行了HJ-1A星HSI的光谱模拟,提取了红谷位置、红边位置、红边斜率和红边振幅等4个主要的红边参数,对真实与模拟环境星HSI数据的红边参数进行了对比分析,从而以Hyperion数据为参照检验了环境星HSI红边参数的真实性。研究结果显示,环境星HSI与模拟HSI的红边范围光谱反射率平均相关系数为0.946,标准差为0.011,为极显著相关,两种数据在红边范围内的光谱反射率变化高度一致;4个红边参数的相关系数分别为0.414,0.543,0.808和0.802,并且随植被覆盖度的变化呈现出明显的规律性,模拟与真实红边参数差值标准差分别为5.75,1.86,5.7e-4和0.024,认为环境星HSI的红边参数可以较好反映该区域植被变化所造成的红边光谱特征差异。