基于机器视觉的白籽南瓜种子几何特征识别方法

针对瓜类砧木定向播种装备缺乏,人工播种效率低、育苗质量差等问题,提出基于机器视觉的白籽南瓜种子几何特征的识别方法。选取京欣砧2号南瓜种子为研究对象,利用工业相机采集种子的原始图像,通过灰度化、均值滤波、动态阈值处理得到种子的灰度值、种子轮廓等形态特征,根据轮廓区域的方向和纵横比拟合最佳椭圆,并获得种子几何中心坐标和长短轴数据,以沿种子长轴方向的轮廓端点与几何中心点的最大距离来判断芽点方向,再以几何中心点为基准运用三角函数计算种子芽点所在位置,并开展试验验证。试验结果表明,利用该方法可以有效地判断出芽点位置和角度信息,芽点识别准确率为98.85%,芽点角度平均偏差为1.53°,25粒种子识别平均耗时为0.092 s。

基于主动轮廓模型的玉米种子高光谱图像分类

提出将主动轮廓模型(Active contour model,ACM)应用于玉米种子的高光谱图像分割中。首先,通过高光谱成像系统获取9个品种共432粒玉米种子的高光谱反射图像,利用基于主动轮廓模型的图像分割法对玉米种子高光谱图像提取目标区域轮廓,得到单波段下每粒玉米种子12个形状特征参数,然后通过主成分分析法(Principal component analysis,PCA)对特征数据降维,结合波段间的相关性选出12个最优波段,最后利用误差反向传播(Back propagation,BP)神经网络模型进行建模分类,与传统的阈值分割法相比,取得了更好的分类效果。研究结果为高光谱图像目标轮廓提取提供了一种新方法。

一种基于图像轮廓线的稻种模糊模式识别方法

该文对二值图像轮廓线的提取 ,提出了一种简捷的算法。在对稻种轮廓线大量试验分析的基础上 ,确定了以轮廓线中心到轮廓线距离最大的线段为参考 ,12个方向上的线段长度和轮廓线长度组成特征向量。对模糊模式识别中的欧几里德距离算法提出了两种改进方法 ,并根据最大隶属度原则 ,实现稻种的模糊模式识别。试验结果表明 :改进后的算法对浙 85 2、Z94 - 35、广陆矮 4号三类种粒的正确识别率分别达到 79.89% ,89.6 3%和 93.2 7%。该方法同样适用于果品、机械工件等对象的模糊模式识别。同时该特征参数的确定方法中已经考虑了对象放置方向和放置面的随意性 ,并将对象按统一方向和统一面识别 。

结合影像和LiDAR点云数据的水体轮廓线提取方法

从遥感影像中提取水体的传统方法在阴影处和水体浑浊处存在一定局限;机载激光雷达(LiDAR)获取点云数据时水体受阴影和浑浊的影响小,因此使用点云数据提取水体比使用影像数据更加稳健;但点云数据的分辨率低,所提取的轮廓线精度不高。为了提高水体边缘轮廓线的精确度,提出一种高分辨率影像与点云数据相结合的水体轮廓线提取方法。实验结果表明,该方法所提取的水体轮廓线定位精确、细节完好,水体提取准确率达到98.6%。

基于形态学运算的种子轮廓自动获取方法

为解决传统手工初始化种子轮廓影响肝脏分割算法稳定性的问题,提出了一种基于形态学运算的自动种子轮廓获取方法.根据序列CT图像中肝脏的灰度特性和结构特性,利用线性灰度变换、阈值滤波、中值滤波及对比度增强对肝脏CT图像进行预处理操作,进而通过形态学腐蚀运算快速准确获取肝脏自动分割需要的种子轮廓.实验结果表明,该自动种子轮廓获取方法可以快速、准确地定位出肝内种子轮廓,保证种子轮廓不会因操作人员不同而发生位置变化.

一种基于区域生长的CT序列图像分割算法

提出一种基于区域生长的CT序列图像的分割算法。在第一张待分割目标区域中选取一个种子点,利用四领域的生长规则对种子点进行区域生长,得到一组点集,将这个点集投影到下一张CT图像中,得到一组新的点集,再提取该点集的轮廓,最后对该轮廓上的点进行四领域的区域生长,分割出最终的目标区域。实验结果表明,该分割算法不仅适用于简单的图像分割问题,而且对于背景复杂、光照不均匀的图像也能取得较好的分割效果。

使用线段表实现线段编码与种子填充快速算法

在图像处理中常用水平线段集表示区域,提出了一种采用线段表结构来表示区域,并给出使用线段表改进传统像素标记与种子填充算法的快速算法。该算法中,线段表的每个表项对应一条水平线段,它包含L、xL、xR、y和F5个参数,即表示上下线段连通关系的标记,左、右端点的x坐标,线段的y坐标与表示线段特征或类型的标志。具有相同标记的线段表表项构成连通区域。以线段表为基础,水平与垂直方向的连通检测可分别进行,水平方向可通过行程编码实现,垂直方向则通过比较上下线段的端点坐标来确定。线段编码是像素标记的改进,由行程编码、线段标记、统一标记与标记排序4个步骤组成。采用线段表结构后,线段编码中利用桶排序,种子填充新算法中,利用队列结构并避免重复扫描来提高效率,与轮廓填充算法相比较效率都可提高近一倍。

图像配准中的一种特定区域轮廓提取算法

多模态医学图像的配准在医学诊断和治疗计划中起着重要的作用,特定区域轮廓提取是图像配准的重要基础,常规的轮廓提取算法不能满足多模态图像配准的要求。提出了一种用于多模态医学图像处理的特定区域轮廓提取算法。该方法首先对图像进行预处理,去除噪音,对图像进行平滑,采用Canny算子进行边缘提取之后,提出了延伸权的概念,并采用一种新的基于延伸权概念的边缘连接算法对边缘结果进行连接,最后采用填充算法获得特定的辅助区域并在该区域的基础上向外或者向内获取特定区域的轮廓。实验结果表明,该方法能够满足多模态图像配准的要求。

基于轮廓特征的稻种芽谷检测方法

根据机器视觉检测杂交水稻种子质量的要求,针对单粒、静态稻种图像进行芽谷分析识别。对金优402、汕优10、中优207和加优99品种的稻种采集了黑、白背景,A、B两面共4×400幅图像,每幅图像提取出16个稻种轮廓特征参数,经主成分分析降维后作为网络输入,对网络结构进行优化并充分训练后分别建立了各品种的两层人工神经网络。网络对测试集正常稻种的识别准确率均超过95%,对芽谷的识别准确率在85%至90%之间。

脑胶质瘤病理切片中对细胞核轮廓化处理的研究

阐述了有关脑胶质瘤切片中的肿瘤细胞核的提取和轮廓化处理过程中的几个关键问题 ,处理过程中避免对采集到的图像进行灰度化处理 ,直接对彩色图进行区域分割和链码跟踪 ,充分利用和保留了原图的色彩信息。在区域分割中使用种子生长法 ,尽可能使细胞核和背景分开 ,在链码跟踪算法中引入逻辑运算的字位并行处理 ,实现多个样本点同时运算 。

引入区域种子的多运动目标分割算法

针对智能监控系统中对多个运动目标进行图像分割这一问题,提出一种引入区域种子的多运动目标分割算法.算法首先利用背景减算法获得包含多个运动目标的前景图像,再利用四叉树分解方法获得与前景图像对应的稀疏矩阵,通过稀疏矩阵中数值的分布情况,计算出包含运动目标的区域种子点,从这些种子点出发,利用主动轮廓模型进行并行目标轮廓提取,最终完成多运动目标图像分割.实验结果证明本文算法能有效分割出前景图像中多个运动目标,分割结果与人眼视觉的判断相近,并行轮廓提取使算法具有良好的实时性.

一种快速有效的交互式医学序列图像分割方法

提出了一种结合Live-Wire算法、种子填充以及轮廓插值的序列医学图像分割算法。该方法首先将病灶组织形状变化较大的断层图像作为关键层,然后综合应用Live-Wire算法和种子填充对关键层中病灶区域进行分割,最后利用轮廓插值技术对中间的过渡图像进行自动分割。实验表明这种算法能快速有效地从序列医学图像中分割出感兴趣的物体。

基于密度等高线的原型初始化方法

对于FCM类算法而言,种子的初始化是保证算法不陷入局部最优值和减少计算时间的关键.本文中提出根据密度分布特性的密度等高线来确定种子的选取不仅可以确定种子的个数,同时可以加快FCM算法的执行.

基于蚁群算法的稻种轮廓自适应提取方法

针对传统轮廓提取方法自适应能力不强的问题,提出一种基于蚁群算法的稻种轮廓提取方法。将数字图像看作一个二维网格,以稻种轮廓为蚂蚁要寻找的食物,以梯度与方向作为启发信息,蚂蚁在启发信息与信息素强度的共同引导下搜索真实轮廓。为了加快算法的收敛速度,增强蚁群的搜索能力,定义了合理的启发信息与信息素更新机制,并研究了算法中初始参数之间的关系与规律。最后,用两种光照条件下采集的图像测试该算法。实验结果表明,该算法具有并行性、鲁棒性,自适应能力较强,提取的轮廓较准确。

水法提取薜荔籽果胶工艺的优化

采用水提法从薜荔籽中提取果胶。以果胶的提取率为指标,通过单因素及旋转回归试验得到回归方程,并对方程进行了响应曲面和等高线分析。分析表明,最佳工艺条件为:液固比28∶1(mL/g)、温度65℃、提取时间60min,该条件下,果胶得率可以达到6.50%,总乳糖醛酸含量为93.34%。

一种基于LiDAR点云的建筑物提取方法

从机载雷达点云数据中快速准确提取建筑物是当前研究的难点和热点。在对现有建筑物点云提取方法充分研究和分析的基础上,本文提出了一种基于Li DAR点云的建筑物提取方法。首先根据建筑物的几何特性提取初始建筑物轮廓点;然后构建局部协方差矩阵计算点云分布特征,剔除非建筑物轮廓点;最后利用DBSCAN聚类算法对建筑物轮廓点聚类,以聚类结果为基础构建缓冲区,以缓冲区内所有建筑物轮廓点为初始种子点,采用圆柱体邻域进行多种子点区域增长,实现建筑物点云的提取。通过两组试验,共5组数据验证本文算法的性能。试验结果表明,该方法能够准确、有效地提取多层复杂的建筑物点云,效率高,且具有一定的适用性。

基于差分法和轮廓填充的运动目标检测方法

针对当前计算机视觉领域的运动目标检测存在残缺不全的问题,提出一种基于差分法和轮廓填充的检测新方法。利用帧间差分法提取运动视频前景,绘制帧差结果的最小外接圆,并对其进行填充得到帧差目标;同时利用背景消除法对相同的运动视频进行前景提取,并填充其结果轮廓,得到背景差目标;对帧差目标和背景差目标进行与运算即可得到真正的运动目标。试验采用行人和烟雾视频作为测试样本,结果表明该方法计算简便,准确率分别达94.42%和93.88%,可实现对运动目标的有效提取。

基于岩块轮廓属性的爆堆图像自适应分割方法

针对爆堆岩块图像中因粘连、堆叠、边缘模糊等造成的错误分割问题,提出基于岩块轮廓属性的爆堆图像自适应分割方法。首先对爆堆图像进行预处理,然后采用Phansalkar方法进行二值分割,并采用形态学优化和面积滤波去除噪点,再利用爆堆岩块的轮廓坚实度和迭代腐蚀相结合的方法来标记种子点,最后基于标记的种子点利用分水岭算法对图像进行分割。将该方法用于爆堆图像分割,种子点标记结果表明基于岩块轮廓坚实度的种子点标记方法可避免部分噪点的影响,提高对爆堆岩块标记效率。分割结果表明该方法获得的面积累计曲线与人工分割的面积累计曲线高度相似,3个特征面积参数的最大相对误差仅为4.32%,对于100 cm 2以上的岩块,分割准确率为98.33%。相较于其他用于岩块分割的分水岭改进方法有效地减小了错误分割的可能,实现了基于岩块灰度特征和轮廓特征的爆堆图像高精度自适应分割。

三角网格分割中种子点的优化采样算法

三角网格分割是三维模型处理中一项重要的工作,通过VSA(variational shape approximation)方法分割的结果可以用于轮廓线的生成、模型重建等工作,但由于其种子点选取的随机性,直接通过VSA方法进行不同类型的网格划分会存在划分粒度、划分策略不确定的问题。文章针对三维模型轮廓线提取,基于VSA方法,提出一种三角网格分割中种子点的优化采样算法,通过优化种子点的位置和数量,提升分割效果,生成质量较高的轮廓线。通过对多个模型进行试验表明,利用文中提供的种子点优化采样方法,可以保证在种子点数量尽可能少的情况下,重建质量较高的模型。

基于LiDAR点云数据的水体轮廓线提取方法研究

提出一种基于机载激光雷达点云数据提取水体轮廓线的方法。采用双层格网模式提取较窄的水体;以朝向水体的边界点作为拟合轮廓线的关键点提取更精确的轮廓线。实验表明,该方法可以较好地提取水体轮廓线。