一种基于支持向量机的棉花图像分割算法

提出一种基于支持向量机的棉花图像分割算法。将棉花图像分成目标与背景2类。在OHTA颜色空间下提取各类样本像素值,利用支持向量机(SVM)训练带有类别信息的样本。运用最大类间方差(Otsu)法对图像进行预处理,采用训练好的SVM分类器对预处理后的棉花图像进行分割,并使用区域标记法去噪。实验结果表明,该算法可以有效地分割出复杂背景下的棉花,分割准确率达92.3%,分割速度、分割准确率优于直接使用SVM分割图像的方法,分割精度、稳定性优于阈值分割法。

基于支持向量机的水稻稻瘟病图像分割研究

水稻稻瘟病图像的分割是水稻稻瘟病自动分析与识别的关键环节,其分割效果直接影响后续处理。提出一种基于支持向量机的水稻稻瘟病病害彩色图像分割方法。首先选取叶子正常部分的像素点以及颜色相对复杂的病斑像素点作为负训练样本和正训练样本,提取像素R、G、B彩色分量作为特征向量,对支持向量机进行训练,然后在RGB空间利用训练好的支持向量机对待分割图像的所有像素点进行分类,实现水稻稻瘟病彩色图像的分割。为了获得最佳的分割效果,采用网格搜索法对径向基核函数下的不同核参数分割效果和性能进行比较与分析,确定最佳模型参数。利用此模型进行水稻稻瘟病图像分割实验,获得较好的分割精度,结果优于最大类间方差分割算法。

基于白平衡算法的图像色度学分割

受外界光照环境的影响,采集得到的图像存在色彩偏移的问题。为此,利用白平衡算法对其进行校正。按图像特性调整红、绿、蓝三色的强度,以修正外部光线所造成的误差。采用色度学的图像处理方法,使检测结果更稳健。对二值图像做边界跟踪处理,并使用直方图进行分割。实验结果表明,该方法的分割准确率较高。

基于RGB模型的燃气火焰检测的图像处理方法

火焰图像识别现在已有较为成熟的方法和实现手段,然而大多数方法都是针对脉动强烈,且主色为红色的火焰的。而高炉煤气火焰的特征为焰色淡蓝,且基本无脉动。因此,传统的火焰检测方法不适用于高炉煤气火焰的检测。文中针对高炉煤气火焰的特点,提出了一套基于蓝色色彩的图像处理的检测方法。摄像头采用全光谱摄像机,保证取得完整的燃气火焰视频。在后期的处理上,首先使用背景差分法过滤掉与火焰不相关的背景信号;然后利用火焰的颜色信息对图像进行滤波增强,主要是增强火焰的蓝色分量的信息;最后用O tsu法确定阈值对图像进行二值化处理。这种方法的特点是利用了燃气火焰的颜色特征,对其RGB 3个通道图像分别进行不同的处理;同时利用其脉动小的特征对其进行背景分割。模拟实验结果表明,该方法可以准确地分割出燃气火焰的图像,从而提高了识别此类火焰的准确率。

尿沉渣有形成分优化分割技术的研究

在对尿沉渣有形成分进行处理时,往往会受到某些细胞图像出现重叠、粘连以及在采集图像时光源问题的影响,使彩色细胞图像出现色彩偏移的现象,为了弥补现阶段尿沉渣在处理技术上的不足,本文展开了关于优化分割技术的研究,以色度学的图像处理为基础,白平衡算法为核心,采用RGB向量空间分割法进行尿沉渣图像的处理。

支持向量机和最大类间方差法结合的水稻冠层图像分割方法

针对田间多变光照强度给水稻冠层图像分割带来的难题,探讨了一种基于支持向量机(SVM)和最大类间方差法(OTSU法)相结合的水稻冠层图像分割算法。首先,从不同光强条件下的水稻冠层图像中采集代表性水稻和背景像元构建训练图像S1和S2,通过分析水稻S1和背景S2两类图像在RGB色彩空间中R、G、B色彩特征值的分布频率,rgb(标准化RGB)色彩空间中r、g、b色彩特征值的分布频率,CIE L*a*b*色彩空间中L*、a*、b*色彩特征值的分布频率,以及HSV色彩空间中H、S、V色彩特征值的分布频率,筛选出具有明显双峰特征的g、a*、b*和S作为关键色彩特征;然后,在由g、a*、b*和S色彩特征构成的多维色彩空间中采用支持向量机学习算法获得分隔水稻和背景像元的优化超平面Z(Z=0.421g+0.753 a*+0.152 b*+0.051S+0.085);最后,计算水稻冠层图像中每一像元的Z值,并用最大类间方差法计算分割阈值Z_t,从而实现水稻冠层图像分割。为了评价该分割方法,以90幅不同光强(阴天、多云和晴天)条件下采集到的田间水稻冠层图像作为测试图像,并以常用的ExG&OTSU分割方法作为对比,分析该分割方法的分割精度和光强稳健性。结果表明,Ex G&OTSU方法的精确度显著受光强条件影响,随着光强强度的提高而显著降低,光强稳健性差;该研究所提分割方法对阴天、多云和晴天条件下水稻冠层图像的分割误差为7.30%、8.72%和8.98%,分割精确度较高,且具有良好的光强稳健性。因此,该基于支持向量机和最大类间方差法相结合的水稻冠层图像分割方法具有较高的分割精度和光强稳健性,可为田间多变光照条件下水稻冠层图像精准分割提供技术参考。