公共文化服务平台

共 7 条记录，以下是 1-7

全选清除导出

排序方式：

基于混合颜色空间和双次Otsu的黄瓜靶斑病图像分割被引量：7: 2016年; 为快速、准确地分割黄瓜叶部病害图像,提出一种基于混合颜色空间的双次Otsu算法。算法根据病害图像各部分的颜色特征,首先选取原始彩色图像的R分量进行初始Otsu分割和形态学相关操作,将R分量图分割为背景类和非背景类;然后选取非背景类图像的Cr分量进行第2次Otsu操作,将非背景区域分割为正常叶子类和病斑区域类,得到最终的分割结果。将该算法应用于黄瓜靶斑病图像的分割中,并与R_Otsu算法、H_Otsu算法以及图切割算法进行比较。试验结果表明:与对比算法相比,本算法在分割精度及处理速度2方面的综合分割性能最优,错分率均值和方差分别为2.12%和0.08%,平均处理时间<0.2s,算法对光照变化具有一定的鲁棒性。本研究算法可为自然光照条件下黄瓜病害图像实时、准确分割提供技术参考。; 吴娜李淼袁媛卞程飞陈雷; 关键词：黄瓜靶斑病图像分割

基于改进中值滤波的梨树病害彩色图像分割被引量：3: 2016年; 针对梨树叶部病害彩色图像分割准确率不高的问题,提出一种基于改进中值滤波与BP神经网络结合的图像分割方法。将彩色图像分解成R、G、B三个单通道灰度图像,分别应用改进后的中值滤波进行处理,处理完成后进行通道融合,得到滤波后的彩色图像;然后,使用标准图像的BP神经网络模型对滤波后的彩色图像像素点进行分类,重构分类结果得到病斑图像。实验结果表明,该方法可以较为准确地对梨树叶部病害彩色图像进行分割,平均分割准确率为89.07%。; 张冲李淼张健董俊高会议陈雷吴娜; 关键词：BP神经网络中值滤波彩色图像分割支持向量机

基于融合多特征图切割的作物病害图像自动分割被引量：9: 2014年; 为提高黄瓜叶部病害图像的分割性能,该文提出一种基于融合多特征图切割的病害图像自动分割方法。首先采用一种新的阈值化方法对原始病害图像的红色分量进行二值化处理;然后融合纹理、灰度、距离3个特征构建能量函数的边界项,描述像素间的相似性;再利用分割区域像素与区域边界像素的红色分量差值自动建立能量函数的区域项,反映像素归属于背景和目标的程度;最后运用最大流算法求解能量函数得到分割结果。将该方法应用于黄瓜3种病害(靶斑病、霜霉病和白粉病)叶部图像分割中,并与OTSU算法及半自动图切割算法的分割结果进行比较。试验结果表明,该方法的平均错分率为1.81%,低于其他2种算法,平均分割速度约为2.34 s并无大幅增加。该研究可为黄瓜病害的自动识别和诊断提供技术参考。; 吴娜李淼陈晟袁媛曾新华陈雷孙熊伟卞程飞; 关键词：作物病害图切割黄瓜

黄瓜病害图像分割评价方法试验研究被引量：1: 2014年; 为探讨作物病害图像分割评价方法,以简单背景的2种黄瓜病害(靶斑病和白粉病)图片为例,对常用的4种评价方法进行了研究。结果表明:4种评价方法中,前两种方法比较适合用于作物病害图像分割结果的评价。该研究为衡量作物病害病斑分割方法的性能提供一定依据。; 袁媛李淼吴娜陈晟孙雄伟; 关键词：黄瓜图像分割

水稻纹枯病图像识别处理方法研究被引量：22: 2016年; 为了实现水稻病害的自动检测,设计并实现了一种基于支持向量机的水稻纹枯病识别方法。首先利用R分量和中值滤波进行图像预处理,然后利用改进的图切割方法进行病斑分割,再提取病斑的颜色和纹理特征,最后利用支持向量机方法对水稻纹枯病进行分类识别。结果表明:识别准确率达到95%,能够满足实际应用的需求。本研究结果可以为水稻病害的自动识别提供参考依据。; 袁媛陈雷吴娜吴娜; 关键词：水稻纹枯病图像识别病害诊断支持向量机

基于显著和模糊检测的浅景深作物病害图像分割(英文)被引量：4: 2015年; 大多数现有的基于图像的作物病害诊断方法往往对输入图像的质量具有很高的要求,例如要求背景简单、大景深等等。因此这些方法的预处理过程中需要去除复杂背景,然而这个预处理较难获得理想的结果。此外,当作物病斑面积较小时,会使得获取的图像景深较浅,也导致了这些方法难以抽取精确的病斑区域。为了解决上述问题,该文提出一种利用目标检测来分割病斑图像的方法。首先,该方法对抽取的结构特征和颜色特征进行整合并对特征空间进行量化,从而得到作物病害图像的显著区域。该方法不需要进行去除复杂背景的预处理过程即可得到病斑区域的图像;同时,为了处理浅景深的病害图像,引入了模糊检测方法用以进一步过滤背景和模糊区域的图像。试验中利用多种黄瓜和水稻病害的图片,将该方法与阈值法、图切割法进行了对比,结果表明该方法在效率不明显降低时,其分割效果明显优于阈值法;在分割效果差异不大时,其运行效率明显高于图切割方法;同时,该方法能够对浅景深的作物病害图像的病斑区域进行有效的分割。; 陈雷袁媛吴娜吴娜李淼; 关键词：图像分割作物图像融合

基于可移动窗口和扩散距离的立体匹配算法被引量：1: 2014年; 自适应权重立体匹配算法需要评估像素对之间的相似度,不同于传统方法利用色彩差异、距离远近进行度量,引入"扩散距离"这种新的度量方式,能够顾及像素在特征空间中的全局分布。为了减少计算的复杂性和提高鲁棒性,代价聚合分为两个阶段:(1)针对每一个像素,从预先定义的9个窗口中选择最佳的;(2)如果像素对应的最佳窗口均方差低于某一阈值,则对其采用自适应权重的方法进行处理,其余像素则利用最佳窗口来计算。代价计算使用颜色和梯度信息,并通过加权中值滤波进行视差优化。运行结果在Middlebury网站上评估,测试集上平均误匹配像素百分比为5.63,低于传统自适应权重算法及其相关改进方法。; 卞程飞张健吴娜曾新华陈雷袁媛孙雄伟; 关键词：自适应权重

全选清除导出

共1页<1>

吴娜