排序方式: 共有12条查询结果,搜索用时 15 毫秒
1.
紫色土彩色图像的H阈值分割 总被引:1,自引:0,他引:1
【目的】将研究对象紫色土自然断面图像从复杂背景中分割出来,以消除复杂背景的影响,为对紫色土视觉图像进一步分析处理、识别打下基础。【方法】通过对紫色土自然断面图像统计分析,证明它的H域有良好的聚集特征,且在95%和97%置信点近似于正态分布;因此,根据正态分布确定紫色土壤自然断面的H阈值,分割紫色土壤自然断面图像。【结果】用获得的二值分割图像与原图像计算哈达玛积,分割提取出了完整的紫色土自然断面区域图像。【结论】算法分析及仿真实验显示:相对于对比算法,新的算法分割速度更快,分割提取出的紫色土自然断面图像更完整;该算法有效。 相似文献
2.
【目的】自然环境下机器视觉采集的土壤图像存在阴影,而阴影检测是后续亮度归一化和土种识别的重要预处理工作,基于此提出算法对机器采集的土壤图像进行阴影检测。【方法】首先,对图像的L分量和I分量的密度峰值集进行优化截断对齐,通过高斯平滑获取主峰值点,得到基于L分量和I分量的2因素密度峰值,作为改进模糊C均值(FCM)的自适应初始聚类中心;然后,引入拉伸因子对数据进行拉伸,提升数据差异;最后,定义基于全局密度和类面积的吸引权重,重构FCM优化模型,实现基于FCM的土壤图像自适应阴影检测。【结果】提出的算法检测的阴影区域和非阴影区域的平均亮度标准差分别为25.988 0,27.981 4,比对比算法降低了1.04%~32.23%;提出的算法平均迭代次数和平均运行时间分别为3次和1.515 8 s。【结论】提出的算法可实现自然环境下土壤图像阴影检测,具有检测精度高、时间花销小的特点。研究结果为土壤图像阴影检测提供了参考。 相似文献
3.
【目的】为减小土壤图像成像环境条件差异对机器视觉识别土种精度的影响,提出对野外自然环境下采集的土壤图像可控光照增强。【方法】首先,用非对称广义高斯曲线拟合土壤图像V分量直方图,并在拟合曲线中引入目标迁移量,完成图像亮度迁移,实现土壤图像全局亮度可控增强;然后,利用全局和局部信息估计图像在局部区域上的光照权重,引入目标亮度,根据权重确定局部增量,并将局部增量叠加到原始V分量,实现基于局部增量的土壤图像亮度增强;再利用sigmoid曲线,将非对称广义高斯曲线亮度迁移获得全局亮度增强结果与基于局部增量的亮度增强结果融合,获得土壤图像的亮度可控增强。最后,根据色比不变性原理,分别对原始土壤图像R、G、B分量进行颜色校正。【结果】仿真实验表明:土壤图像从低亮度向高亮度迁移时,增强图像与目标图像在V分量上各对应像素的亮度差异均值为10.5267,与目标图像亮度均值差异为0.2451;从高亮度向低亮度迁移时,各对应像素的亮度差异均值为10.7430,与目标图像亮度均值差异为0.2721;本文所提算法在亮度控制上较其他算法具有更高的精度;主观质量评价表明,以原图亮度为基准,[-30,30]为土壤图像有... 相似文献
4.
<正> 当今新技术革命的核心是信息,而我们迎接这场革命的对策的核心也是信息,信息已成为中国现在最时新的话题。所谓信息,是指包括一定内容的消息、情报和知识,是客观事物状态、特征及其运动的陈述。信息不是物质,它只是事物属性的表现形势,是一事物的属性在另一种事物上的再现。 相似文献
5.
图像在相同条件下表征土壤特征会提高土壤图像识别土种的精度。对自然环境下机器视觉采集的土壤图像亮度可控增强,将不同光照条件采集的土壤图像转换为近似于该土壤在某些特定光照条件下采集的具有一定亮度的真实土壤图像,能消除或减弱光照对后续土壤图像土种识别的影响。因此,应用Sigmoid曲线对土壤图像亮度(Y)分量的累积概率密度(cumulative distribution function, cdf)曲线拟合;然后,构建目标亮度逼近优化模型,迁移拟合的Sigmoid曲线逼近目标亮度;再依据像素的邻域信息对相同亮度的像素排序、迁移,实现土壤图像的亮度可控增强;最后,利用高斯卷积核提取色调(U)、饱和度(V)分量的低频分量,并基于色比不变性原理与原始土壤图像的邻域信息对增强土壤图像的U、V分量高低频分别增强,完成颜色校正,并融合增强亮度分量,获得增强的彩色土壤图像。实验结果表明,提出算法对完全重合的亮度不同成对真实土壤图像做有目标增强实验,增强后的土壤图像与真实目标土壤图像对应像素Y、U、V分量差的标准差均值分别为14.313 7、1.323 2、2.110 5,峰值信噪比均值为29.820 9;... 相似文献
6.
对供应商的评价是企业供应中的首要问题。本文在建立供应关系数据仓库的基础上,挖掘和优化供应商评价指标体系。应用“温度计,洋葱头”算法建立供应商评价的隶属函数,以定义供应商评价的目标变量——供应商评价指数,和建立挖掘供应商评价的支持向量机模型。最后介绍了一个实例。 相似文献
7.
针对机器视觉野外自然条件下采集土壤图像包含阴影、空洞、缝隙对土种识别可能产生影响,和土壤图像采集、标记成本高,样本量小的问题,提出一种基于土壤子图选择的土种识别方法。该方法以局部阴影最小化及空间距离最大化为准则,构造最优化模型;并基于最大最小距离算法思想,迭代更新距离矩阵求解优化模型,获得选择子图中心点,构建土壤子图数据集。实验结果显示:土壤子图选择算法构建的数据集在三个不同深度ResNet模型下训练、识别测试,均有较好的训练、识别精度;在土壤子图选择α参数为1、子图尺寸为224时,在浅层网络ResNet-18下能达到最佳测试结果,训练的网络模型在验证集识别准确率为92.48%,测试集识别准确率为92.95%,相较于土壤原图数据集的最佳土种识别结果提升46.65%;利用最小外接矩阵能加速相较于不使用加速,子图选择算法提升运算速度38.88%。基于子图选择的土种识别大幅度提升土种识别准确率,证明算法是有效的。 相似文献
8.
[目的]由于光照及土壤心土自然断口凹凸的影响,机器视觉采集终端获取的土壤图像中存在阴影,为避免对后续土种识别造成干扰,研究对土壤图像进行阴影检测的方法.[方法]通过对土壤彩色图像HSI颜色空间阴影与非阴影分析,发现阴影与非阴影分别在色调(H)和亮度(I)分量具有一定的分离特性;首先,为了增大分离特性用于土壤图像阴影检测... 相似文献
9.
【目的】从野外采集的紫色土机器视觉彩色图像往往具有复杂背景,需要研究从中分割提取紫色土区域图像,为紫色土视觉图像识别打下基础。【方法】首先,引入闵可夫斯基距离重新定义 SLIC 算法的颜色空间距离,实现 SLIC 算法改进,利用改进 SLIC算法实现对紫色土彩色图像的超像素初分割;然后,重构基于a 分量的度量anew拉伸紫色土与背景差异,利用重构anew定义超像素之间的相似度,并根据类间方差最大准则建立优化模型,优化超像素之间相似度的合并阈值,根据阈值从初分割图像中心超像素开始由内而外合并紫色土超像素;最后,提出填充算法来填充紫色土区域内部空洞,获得最终分割提取的紫色土区域图像。【结果】仿真实验图像结果显示:提出的算法从具有复杂背景的野外采集的紫色土机器视觉彩色图像中,分割提取紫色土区域图像是有效的;对有不同阴影覆盖的视觉图像样本的分割提取也具有有效性;仿真实验定量分析的数据结果显示:提出的算法相对于用来对比的阈值分割算法、聚类分割算法、已有的改进 SLIC算法在杰卡德系数评价指标上有一定程度的提高。【结论】提出的算法对从紫色土机器视觉彩色图像中完整分割提取紫色土区域图像,能实现自适应分割,算法是有效的。 相似文献
10.
针对S.Stoeva提出的基于相同样本及网络输出的模糊神经网络模型,通过对基于极大-极小模糊算子的模糊神经网络模型的研究,证明了其与S.Stoeva提出的网络模型的等价性.在此基础上提出了依赖于模糊逻辑神经元输出的调整模糊权值的模糊反向传播学习算法,并进一步研究了其收敛性.最后以汽轮发电机组的状态监测为例进行仿真分析.结果表明:在网络输入神经元满足样本输出介于样本输入的极大与极小之间时,所提出的模糊反向传播学习算法是收敛的. 相似文献