基于k-means分割和迁移学习的番茄病理识别

针对有背景干扰的番茄病理叶片,将k-means分割与迁移学习相结合,提出一种基于k-means分割和迁移学习的方法对番茄病害叶片进行识别。首先对原始图像进行一系列预处理,再将处理后的图像进行k-means分割,得到叶片边缘的最小矩阵图像,之后进行去噪处理,简化突出图像特征,再根据预处理后的图像特点,优化改进迁移的VGG16网络结构,构建CNN模型对预处理后图像进行识别。结果显示,通过分割后训练方式平均精度提升了0.37百分点,通过冻结迁移的VGG16网络第1个卷积模块并修改全连接层的方法提升了5.4%左右。因此本研究认为通过分割、冻结VGG16第1个卷积层模块的参数并修改全连接层可以提升番茄病理识别率。

基于K-means和GVF Snake模型的纤维图像分割

在纤维图像自动识别系统中,分割出完整连续的纤维是纤维特征分析的必要前提.针对纤维图像的背景和前景灰度区别不大、光照不均对图像的影响等特征,提出融合K-means和GVF(Gradient Vector Flow)Snake模型的纤维图像分割算法.该算法以提取完整连续的纤维轮廓为标准,利用K-means聚类分割结果为GVF Snake模型的初始轮廓线,并对得到的存在毛刺的轮廓结果采用轮廓跟踪去除毛刺,从而得到完整连续的单根纤维图像.该算法不仅能有效解决传统图像分割方法对纤维图像分割的不连续问题,而且能有效抑制纤维图像中噪声的影响.

机器人采摘苹果果实的K-means和GA-RBF-LMS神经网络识别

为进一步提升苹果果实的识别精度和速度,从而提高苹果采摘机器人的采摘效率。提出一种基于K-means聚类分割和基于遗传算法(genetic algorithm,GA)、最小均方差算法(least mean square,LMS)优化的径向基(radial basis function,RBF)神经网络相结合的苹果识别方法。首先将采集到的苹果图像在Lab颜色空间下利用K-means聚类算法对其进行分割,分别提取分割图像的RGB、HSI颜色特征分量和圆方差、致密度、周长平方面积比、Hu不变矩形状特征分量。将提取的16个特征作为神经网络的输入,对RBF神经网络进行训练,以得到苹果果实的识别模型。针对RBF神经网络学习率低、过拟合等不足,引入遗传算法对RBF隐层神经元个数和连接权值进行优化,采取二者混合编码同时进化的优化方式,最后再利用LMS对连接权值进一步学习,建立新的神经网络优化模型(GA-RBF-LMS),以提高神经网络的运行效率和识别精度。为了获得更精确的网络模型,在训练过程中,苹果果实连同树枝、树叶一块训练;得到的模型在识别过程中,可一定程度上避免枝叶遮挡对果实识别的影响。为了更好地验证新方法,分别与传统的BP(back propagation)和RBF神经网络、GA-RBF优化模型比较,结果表明,该文算法对于遮挡、重叠果实的识别率达95.38%、96.17%,总体识别率达96.95%;从训练时间看,该文算法虽耗时较长,用150个样本进行训练平均耗时4.412 s,但训练成功率可达100%,且节省了人工尝试构造网络结构造成的时间浪费;从识别时间看,该文算法识别179个苹果的时间为1.75 s。可见GA-RBF-LMS网络模型在运行效率和识别精度较优。研究结果为苹果采摘机器人快速、精准识别果实提供参考。

基于K-means和Harris角点检测的麦苗识别研究

为解决小麦基本苗人工田间调查方法效率低、费时费力的问题,在小麦苗期研究了以不同移动设备、拍摄角度、拍摄时期等获取小麦1~4叶期的图像对识别麦苗个数的影响,通过设置标志物对要识别的一米双行区域进行定位和分割,利用图像处理技术对目标区域进行精确裁剪与矫正;在此基础上,对比了4类图像分割方法对麦苗图像分割结果的影响,并利用图像聚分割算法对图像进行自动分割形成不同的连通区域,对提取到具有粘连的小麦连通域进行空洞填充与叶端角点屏蔽,采用Harris角点检测算法对处理后的麦苗茎基部端点进行识别,依据麦茎与麦苗一一对应的关系计算出一米双行区域内的小麦基本苗数目。结果表明:不同的移动设备不影响麦苗识别精度,麦苗图像拍摄的最佳角度为俯拍45°,K-means聚类分割算法对小麦基本苗的分割效果最好。不同的拍摄时期,随着小麦叶片的增多,麦苗识别精度逐渐降低,在1~2叶期的识别精度大于0.97,R2为0.99,在3~4叶期的识别精度大于0.95,R2为0.93,说明利用K-means的麦苗图像快速分割,并结合Harris角点检测的方法应用于大田小麦基本苗的快速、精确、智能化监测识别是可行的。

基于图像颜色与形状特征的幼龄沉香全氮含量预测

为了促进数字图像处理技术在林木营养诊断中的应用,实现对林木生长状态及养分含量的实时监测,本研究以濒危珍贵树种沉香为对象,构建了3种基于图像颜色特征与形状特征的幼龄沉香全氮含量预测模型,为幼龄林木的营养诊断提供了理论依据。首先,根据边界距离与设定误差的大小确定最佳K值,运用改进的K-Means算法提取前景图像。然后,分离前景图像的R、G、B三通道并分别计算均值,根据图像颜色空间转换公式,将图像分别转换到HIS、Lab颜色空间下,得到色调(H)、饱和度(S)、明度(I)、亮度(L)、红到绿通道(a)、黄到蓝通道(b),共计获得9种颜色特征。寻找前景图像的最小外接矩形,计算前景图像的面积(CA),前景图像最小外接矩形的面积(RA)、周长(RC)以及矩形度(RD),共计获得4种形状特征。最后,分别对颜色特征、形状特征、颜色特征+形状特征进行主成分分析,以获得的3类主成分为自变量构建幼龄沉香全氮含量预测模型,同时对构建的3种模型精度进行检验。结果表明,改善K值选取方式可以降低K-Means聚类分割算法的不确定性,增强算法的分割效率,可以实现对沉香可见光图像的精准分割。本研究构建的3种幼龄沉香全氮含量模型预测能力良好,其中基于单图像参数构建的模型精度基本一致,但基于形状特征构建的模型使用参数更少,相对建模效率更高;双图像参数模型较单图像参数模型的使用参数更多,但拟合度更好、精度更高,在实际应用中可根据不同需要进行选择。本研究运用了不同图像特征构建全氮模型,更好地实现了对幼龄林木全氮含量的无损估测,为精准林业提供了一定的参考。

基于图像处理的荧光显微神经丝运动跟踪研究

神经丝蛋白质是具有细长突起的细胞中突起部分的重要组成单位,通过跟踪神经丝蛋白质,可以研究医学神经退行性方面的疾病.针对人工手动跟踪神经丝蛋白质效率低、主观性强等问题,提出了一种基于图像处理技术的神经丝蛋白质自动跟踪的全新方法.该项目构建了适应于视频中荧光显微下神经丝蛋白质运动目标检测的图像采集软件系统,通过MATLAB拆分视频获得每一帧神经丝蛋白质图像,研究了适合于该图像的预处理方法.采用间隙统计法对神经丝蛋白质图片进行分析处理,使用K-means聚类分割算法逐次收敛出不同类别的对象.利用主动轮廓模型将初始轮廓迭代收敛为神经丝蛋白质的轮廓.通过每一帧蛋白质的位置坐标,得到神经丝蛋白质的运动路径,从而达到跟踪的目的.系统能够有效的提取出视频中的神经丝蛋白质,实现实时跟踪,减少了运算时间,提高了跟踪精度.

基于星载SAR影像的苏北地区海岸线提取研究

介绍了K-means聚类分割法和形态学处理,并对比了几种边缘算子;针对Prewitt算子和Roberts算子在像素点邻近区域内受噪声影响较大、边缘检测效果不佳的问题,选用Canny算子提取海岸线。首先对SAR影像进行K-means算法、形态学处理,再采用Canny算子提取海岸线。与其他边缘提取算法相比,该方法提取的海岸线连续性较好,平滑度也十分优秀,与真实的海岸线吻合度较高。

基于残差神经网络的烟草病害识别研究

针对非专业人员对烟草病害识别的不准确性及传统识别方法的不足,以五种常见的烟草病害为研究对象,提出基于SVM和ResNet的图像处理方法来诊断病害。通过对病害图像进行对比度增强、颜色空间转换等预处理,采用Kmeans聚类算法分割病斑区域并提取其13维特征。利用传统的机器学习方法SVM识别烟草病害的效果并不理想,本研究通过构造恒等残差块和卷积残差块来搭建20层的ResNet模型,经过训练自动得到相关特征参数并进行识别。实验结果表明SVM识别的平均准确率为50.23%,而ResNet模型识别的平均准确率为89.50%。残差神经网络具有较高的识别精度,本研究可为烟草病害的诊断提供参考。