基于颜色特征的玉米雄穗图像分割

合集下载

基于颜色分量与直方图的玉米苗期背景分割方法研究

ＺＨＯＵｏＩＸｉｌＧｕ，Ｓｕｉ
（ｌｇｌｌｒｎｖｒｔＪｉＣａｇｈｎ１０）ＪｉＡｃｔａＵｉｓｙｉｎｈｎｃｕ３１８ｉｎｒｕｕｌｅｉｌ１
Ａｂｓｒｃ：Ｓｉｃｇｏｎｄｓｇｎａｉｎｉｈｒｍｉｅａａｉｓｏｅｄｎｉｃｔｏｔｍａｚｅｄｉｔｇ．Ｉｈｓｐａｅ，ｔａｔｏｌｂａｋｒｕｅｍｅｔｔｏｓｔｅｐｅｓｎｄｂｓｃｆｗｅｄｉｅｔａｉｎａｉｅｓｅｌｉｆｎｇｓａｅｎｔｉｐｒ
摘要：对土壤背景进行有效分割是玉米苗期田间杂草识别的前提和基础。本研究利用颜色分量ＧＲ和ＧＢ与灰度直 — —
方图来实现玉米苗期图像与背景图像的分割，解决了玉米苗期田问杂草识别中受影响及环境适应性差等问题。通过对不
致玉米产量下降、质量降低。传统的除草剂除草作业
方式是全覆盖式喷洒，导致投入多、用药量大、玉米
软件来实现对玉米和杂草与土壤背景分割囝与该研究，
领域中较先进的２ — — 图像分割技术进行结合，为ＧＲＢ玉米杂草机器视觉系统的研制奠定基础。
ｔｅｐｏｌｍｆａｆｃｓａｄｅｖｒｎｎｔａａｔｂｌｔｎｗｅｄｉｅｔｆｃｔｏｉｅｓｅｉｇｓａｅＳｔｔｔｃｎａｙｉｆｖｇｔｔｏｈｒｂｅｏｆｅｔｎｎｉｏｍｅｄｐａｉｉｏｅｄｎｉａｉｎａｍａｚｅｄｎｔ．ａｉｉｓａｌｓｓｏｅｅａｉｎｙｉｔｇｓｃｌｒｎｂｃｇｏｎｄｃｌｒｏｉｅｓｅｌｎｍａｅｕｅｆｒｎｎｉｎｎｓｙｕｉｇ－ｎｄＧ－Ｂｏｂｅｈｅｈｌｏｏａｄａｋｕｏｏｍａｚｅｄｉｇｉｇｎｄｒｄｉｅｅｔｅｖｒｍｅｔ，ｂｓｎＧＲａｒｆｆｏｄｕｌｔｒｓｏｄｓｇｅｔｔｏｈｏｏｈａａｔｒｓｉＳｔｓｗｅｏｄｅｆｃ．ｅｍｎａｉｎｏｔｅｃｌｒｃｒｃｅｉｔＣ，ｉｈｏｄｇｏｆｅｔｆ

基于颜色均值显著点聚类的作物病害叶片图像分割方法

基于颜色均值显著点聚类的作物病害叶片图像分割方法作物病害的及时检测和治疗对于农业生产的发展非常重要。

由于病害叶片与健康叶片在颜色上的差异，基于颜色特征的图像分割方法成为了一种常用的手段。

然而，传统的全局阈值分割方法对于光照变化和背景噪声很敏感，易导致图像分割错误。

因此，本文提出了一种基于颜色均值显著点聚类的作物病害叶片图像分割方法。

首先，对于输入的RGB图像，将其转换为HSV空间，提取出色调和饱和度通道。

利用颜色均值算法计算出色调通道的显著点，并结合图像直方图分析确定聚类个数K。

然后，将显著点作为初始聚类中心，对于饱和度通道进行K-means聚类。

得到K个聚类中心，再对于色调通道进行K-means聚类，得到对应的K类像素。

将聚类后的像素重新组合成图像，得到初步的分割结果。

为了进一步提高分割精度，本文采用了基于区域的合并策略。

首先，将分割结果划分为若干个小区域，每个区域内的像素具有相同的颜色特征。

接下来，对于相邻的小区域，分别计算它们合并后的变化率和合并前的变化率。

当合并后的变化率小于合并前的变化率时，就将两个小区域进行合并。

最终得到了最终的分割结果。

experiments本文选取了几种典型的作物病害叶片图像进行了实验测试。

经过比较，本文的方法能够有效地对于叶片进行分割，且在大部分情况下能够得到较高的分割精度。

而且，本文的方法具有较强的鲁棒性，对于光照变化和背景噪声较强的图像也能够比较好地进行分割。

conclusion本文提出了一种基于颜色均值显著点聚类的作物病害叶片图像分割方法。

该方法首先通过颜色均值算法提取出色调通道的显著点，并利用K-means聚类算法进行像素分类。

此外，本文还采用了基于区域的合并策略，进一步提高了分割精度。

实验结果表明，本文的方法可以在大部分情况下得到较高的分割精度，并具有较强的鲁棒性。

【技术】基于机器视觉的玉米粒颜色的检测方法的研究

【关键字】技术河北农业大学现代科技学院本科毕业论文(设计)题目：基于机器视觉的玉米粒颜色的检测方法的研究学部：工学部专业班级：电子信息科学与技术1001学号：20学生姓名：冯亚娟指导教师姓名：张菊指导教师职称：讲师二〇一四年五月二十日摘要利用计算机视觉技术检测农作物籽粒外观特征并识别其品种，对提高农业生产自动化水平和农产品增值效益、加强我国农业在国际市场上的竞争优势具有重要意义。

基于这样的背景，本文选择我国广泛种植玉米等作物籽粒的静态图像作为研究东西，重点研究了这些作物籽粒的图像分割技术、形态结构特征提取和颜色检测方法，设计和开发了基于机器视觉的玉米粒颜色检测方法系统。

本文分析了玉米种子图像在彩色空间中的颜色信息，对彩色空间变换和图像文件格式转换进行了算法试验，为几何和颜色特征提取做了准备。

对图像格式转换、图像变换、图像直方图信息统计、图像增强、图像分割、形态学处理等一系列图像预处理算法进行了算法验证，经过对诸多算法的比较，设计了玉米种子图像预处理方案。

试验表明，该图像预处理方案能提供进行玉米种子有效特征提取的目标图像。

关键词：机器视觉；图像处理；玉米粒颜色检测；图像分割AbstractUsing computer vision technology to detect crop grain appearance characteristics and identify its species, the level of automation to improve agricultural production and agricultural value-added benefits to enhance our competitive edge in the international agricultural market is important .Based on this background, we choose our extensive planting of corn and other grain crops static image as the research object, focuses on these crops grain image segmentation, morphology and color detection feature extraction methods, the design and development of corn -based machine vision grain color detection system.Maize seeds were analyzed image color information in the color space, the color space conversion and image file format conversion method for a test, the geometric and color feature extraction made preparations. Image format conversion, image conversion, image histogram information statistics, image enhancement, image segmentation, morphological processing and a series of image preprocessing algorithm validation, by comparison to many algorithms designed corn seed image preprocessing program. Tests showed that the image pre-processing program can provide effective feature extraction of maize seed in the target image.Keywords: machine vision; Image processing; corn grain color detection; image segmentation目录1绪论1.1问题的提出如今，中国正成为世界机器视觉发展最活跃的地区之一，应用范围涵盖了工业、农业、医药、军事、航天、气象、天文、公安、交通、安全、科研等国民经济的各个行业。

基于Bayes与SVM的玉米彩色图像分割新算法

图像，然后经过Ｂｙｓ习，ａｅ学用学习好的Ｂｙｓ类器识别图ａ＝１２为样本类别，巧）ｉ，）Ｐ（为类别先验概率（已知）为图像像素值，（），ｐｌ为条件概率密度函数，（Ｐ）＝
图１ＢｙｓＶａｅ与ＳＭ数学模型
背景中分割出来，实质上图像分割问题就转化为玉米和土壤
背景的两类识别分类问题。贝叶斯公式（）１：
Ｐ珂ｌ：（）
Ｐ～，
本研究将ＢｙｓＳＭ技术相结合，出了一种基于ａｅ与Ｖ提ＢｙｓＳＭ的数学模型，ａｅ与Ｖ利用此模型解决彩色玉米图像分割问题，体算法流程如图１所示。首先输入彩色玉米ＲＢ具Ｇ
收稿日期：０ｔ２— ５２１一１０
式中：。］／＝ｘ为均值向量，＝Ｅ［一ｘ）一）为协 ∑。（／（］方差矩阵。
将式（）２代人式（）１并取对数得到判别函数式（）３ｇ（）＝ｌ［（ＩＰ巧）ｎｐｘ巧）（．］＝ｌ（Ｉ）＋ｎ巧）＝ｎｘ。１Ｐ（。ｐ
三ＰＩ）（）（Ｐ为的概率密度函数，Ｉ为各类后验Ｐ（）概率。贝叶斯分类规则为
如果Ｐ（，巧Ｉ）＞口， ∈珂ｌＰ（２Ｉ则）；
像中的每个像素得到目标和背景判别函数的值，ｒ／＂￣目标和背Ｊ景判别函数的差值进行ＳＭ训练，Ｖ最后让训练好的ＳＭ对Ｖ此差值进行识别，得到图像像素类别标签，根据标签得到图像

基于“深度学习”识别模型的玉米农田监测应用系统设计与实现

基于“深度学习”识别模型的玉米农田监测应用系统设计与实现阎妍;行鸿彦;刘刚;吴红军;吴慧;戴学飞;余培【摘要】为了精准判断玉米所处生长阶段,远程实时监测玉米长势,分析生长阶段与田间环境要素间的关系,本文提出深度局部关联神经网络,克服了玉米生长阶段识别中存在的多模态和模糊性问题,在Oxford VGGNet (VisualGeometry Group Net)模型中添加一个新的监督层,即局部关联损失层,提高深层特征的判别能力.基于所提的玉米生长阶段图片识别新算法,拓展环境要素监测功能,设计一套基于深度学习的玉米农田监测系统.系统由玉米农田监测装置和云端服务器组成,监测装置采集玉米图像、气象要素和田间位置数据,通过4G无线发送给云端服务器,云端服务器利用深度局部关联神经网络识别生长阶段,显示结果并存入数据库中.仿真试验表明,深度局部关联神经网络平均识别准确率达到92.53％,较VGGNet的87.21％和LSTM 的88.50％,准确率分别提高了5.32％和4.03％.实地测试结果表明,野外环境下系统准确率可达到91.43％,能够稳定地对农田玉米生长情况进行监测,具有重要的应用价值.【期刊名称】《气象科技》【年(卷),期】2019(047)004【总页数】10页(P571-580)【关键词】玉米农田监测;生长阶段识别;卷积神经网络;深度局部关联【作者】阎妍;行鸿彦;刘刚;吴红军;吴慧;戴学飞;余培【作者单位】南京信息工程大学气象灾害预报预警与评估协同创新中心,南京210044;南京信息工程大学江苏省气象探测与信息处理重点实验室,南京210044;南京信息工程大学气象灾害预报预警与评估协同创新中心,南京210044;南京信息工程大学江苏省气象探测与信息处理重点实验室,南京210044;南京信息工程大学气象灾害预报预警与评估协同创新中心,南京210044;南京信息工程大学江苏省气象探测与信息处理重点实验室,南京210044;南京信息工程大学气象灾害预报预警与评估协同创新中心,南京210044;南京信息工程大学江苏省气象探测与信息处理重点实验室,南京210044;南京信息工程大学气象灾害预报预警与评估协同创新中心,南京210044;南京信息工程大学江苏省气象探测与信息处理重点实验室,南京210044;南京信息工程大学气象灾害预报预警与评估协同创新中心,南京210044;南京信息工程大学江苏省气象探测与信息处理重点实验室,南京210044;江苏省无线电科学研究所有限公司,无锡214127;南京信息工程大学气象灾害预报预警与评估协同创新中心,南京210044;南京信息工程大学江苏省气象探测与信息处理重点实验室,南京210044【正文语种】中文【中图分类】S163引言我国作为农业大国有悠久的农耕文明，耕地面积广大，占世界耕地面积的16%。

基于图像分割的玉米粒数高通量估算方法

摘要：设计了一种高通量玉米粒计数的方法，首先针对玉米穗分割对边界进行跟踪，根据方向变化幅度寻找“凹点”，然后根据边界的方向对“凹点”两两连接进行图像分割；其次提出了改进的支持向量机分类算法的玉米粒识别，除了颜色信息外还将图像中的梯度信息加入分类的自变量中，避免了玉米粒的连通现象；最后通过面积对玉米粒粒数进行估算。

结果表明，该方法精确度较高，准确率达到了96.4%；实现了高通量处理，解决了随机摆放的玉米穗粘连分割与高通量条件下图像模糊玉米子粒难以识别的问题。

关键词：图像分割；高通量；最大类间方差法；边界跟踪算法中图分类号：s2；tp339 文献标识码：a 文章编号：0439-8114（2016）12-3185-04 doi：10.14088/ki.issn0439-8114.2016.12.047以重量包装计量方式转变为以计粒定量方式使包装单位更适合大田栽培[1]。

在传送剥皮后的玉米棒过程中，快速定量测定玉米产量是提高玉米机械智能化水平的重要因素。

在计量过程中，快速对不规则摆放的玉米分割以及对单个玉米粒的快速识别统计是研究的重点。

针对玉米粒计数，研究者已经提出过各种方法，例如采用线阵扫描方式获得玉米果穗表面360°展开图[2]，再利用一定算法将各个玉米粒完全分割开来[5-13]，最后计数。

这种方式需要获得玉米果穗表面360°展开图，因此硬件设施比较复杂，而且需要每个玉米果穗单一的通过摄像通道，效率较低。

针对上述问题，本研究提出了一种玉米粒计数的新方法，首先获取大量随机摆放的玉米果穗图像，将粘连的玉米果穗进行分割，记录每一个玉米穗的边缘信息；然后将每个玉米穗从图像中分离出来单独处理。

由于对于单个玉米穗而言，玉米粒大小基本稳定，可以借助面积来直接估计玉米粒粒数，而不需要将所有粘连的玉米粒进行分割。

1 试验设计试验过程中相机分辨率、图像采集平台背景色以及光照条件都会影响到试验图像的质量，导致结果不准确。

基于HSV空间的玉米果穗性状的检测

湖南农业大学学报(自然科学版) 2017, 43(1):112–116. DOI:10.13331/ki.jhau.2017.01.020 Journal of Hunan Agricultural University (Natural Sciences)投稿网址：基于HSV 空间的玉米果穗性状的检测李伟1，胡艳侠1，吕岑2(1.长安大学信息工程学院，陕西西安 710064；2.陕西科技大学信息工程学院，陕西西安 710021)摘要：为高效检测玉米果穗性状，建立了基于HSV(色调、饱和度、明度值)空间的玉米果穗性状的检测方法：使用机器视觉技术采集绿色背景玉米果穗图像，用HSV 直方图阈值算法去除绿色背景，用FFT 滤波器去除尖锐边缘和噪声，运用粒子滤波分离单一图像中的多个玉米果穗图像，并采用形态学腐蚀方法，经过4次迭代腐蚀，得到玉米果穗中间3行；检测玉米果穗的大小、形状、纹理和颜色4个特征的性状。

随机检测67张玉米果穗样本图像的结果表明，果穗大小和形状特征检测的准确率为100%，果穗颜色和纹理特征检测的准确率分别为98.55%和96.25%，平均每果穗检测时间为0.1 s 。

关键词：玉米果穗；图像处理；HSV 颜色空间；二阶矩；最小外接矩形中图分类号：TP274+.3 文献标志码：A 文章编号：1007-1032(2017)01-0112-05Traits detection of corn ear based on HSV color spaceLI Wei 1，HU Yanxia 1，LÜ Cen 2(rmation Engineering College, Chang’an University, Xi’an 710064, China; rmation Engineering College, Shaanxi University of Science and Technology, Xi’an 710021, China)Abstract : In order to meet the high efficient detection of the corn ear quality, a detection method of traits for corn ear were presented based on hue, saturation, value (HSV) color space. Firstly, the corn ear images with green background were acquired by using the machine vision technology, and then remove the green background using HSV histogram threshold algorithm, as well as filtrate sharp edges and noise using FFT filter. The particle filter was used to separate corns in an image. After four iteration corrosion by the corrosion morphology method, the 3 row between the ear of corn was obtained . The size, shape, texture and color characteristics were detected for corn ear. Using this method tested the 67 images of corn ear, the test results show that the testing accuracy of corn ear size and shape feature was 100%, while the ear color and the texture feature detection accuracy rate was 98.55% and 96.25%, respectively. The average detection time of one corn was 0.1 s.Keywords : image processing; corn ear; HSV color space; second moment; the minimum circumscribed rectangle收稿日期：2016–03–16 修回日期：2016–11–05基金项目：国家自然科学基金项目(211024140375) 作者简介：李伟(1981— )，男，陕西咸阳人，博士研究生，副教授，主要从事光电检测、基于图像处理的道路检测研究，235240274@基于计算机视觉技术的玉米果穗性状的检测，可以去除过小、霉变、畸形、破损果穗，大幅度提高玉米果穗的精选效率[1]。

基于颜色和纹理特征的异常玉米种穗分类识别方法

基于颜色和纹理特征的异常玉米种穗分类识别方法作者：李颀王康强华马琳来源：《江苏农业学报》2020年第01期摘要：针对玉米选种过程中异常种穗的外观缺陷难以准确识别的问题，以玉米种穗为研究对象，通过计算机视觉技术快速识别杂色、缺粒、虫蛀、籽粒杂乱4种异常种穗。

选择单目视觉采集装置，采集任意姿态玉米种穗图像，利用凹点匹配算法分割粘连玉米种穗;采用HSV和CLBP（完全局部二值模式）方法提取玉米种穗的颜色和纹理特征，利用匹配得分融合算法融合玉米种穗的颜色和纹理特征，建立玉米种穗分类模型，利用SVM实现4种异常玉米种穗的快速分类。

试验结果表明，该方法相对于传统玉米种穗检测技术能快速有效识别出4种异常玉米种穗，对杂色、缺粒、虫蛀、籽粒雜乱玉米种穗的识别正确率分别达到了96.0%、94.7%、93.6%和95.3%，玉米种穗在有粘连和无粘连情况下平均识别速度分别为每穗1.180 s和0.985 s，能够满足异常种穗分类识别的需求。

关键词：玉米种穗;计算机视觉;颜色特征;纹理特征;分类识别中图分类号：S126;TP391.41文献标识码：A文章编号：1000-4440（2020）01-0024-08Abstract：This study aims at the problem that it is difficult to accurately identify the appearance defects of abnormal corn ears during corn selection. Taking the whole corn ear as the research object， the four kinds of abnormal corn ears（variegated corn ear， missing corn ear， worm-eatencorn ears and untidy corn ears） were quickly identified by computer vision technology. The monocular visual image acquisition device was selected to collect the image of the corn ear in arbitrary posture， and the pit matching algorithm was used to complete the rapid segmentation of the cohesive corn ear. The HSV color model and complete local binary pattern（CLBP） method were used to extract color and texture features of corn ear， and the matching score fusion algorithm was used to fuse the color and texture features of corn ear. At the same time， an abnormal corn ears classification model was established. Finally， the rapid classification of four abnormal corn ears was achieved by support vector machine（SVM）. The experimental results showed that this method could quickly and effectively identify four abnormal corn ears compared with traditional corn ear measurement technology. The correct recognition rate of this method was 96.0%， 94.7%， 93.6% and 95.3% for the variegated corn ears， missing corn ears， worm-eaten corn ears and untidy corn ears. The average recognition speed of maize seed ear in the presence of adhesion and non-adhesion was 1.180 seconds per ear and 0.985 seconds per ear. This method can provide a basis for the identification of abnormal ears during the intelligent corn ear sorting process.Key words：corn ears;computer vision;color features;texture features;classification and recognition异常玉米种穗是制约玉米产量和质量的重要因素，目前玉米种穗的检测主要由人工完成。

一种基于卷积神经网络的玉米制种果穗图像初级分类方法[发明专利]

专利名称：一种基于卷积神经网络的玉米制种果穗图像初级分类方法
专利类型：发明专利
发明人：马钦,崔雪莲,朱德海,郭浩,刘哲,张秦川,杨玲
申请号：CN201810344463.8
申请日：20180417
公开号：CN108549910A
公开日：
20180918
专利内容由知识产权出版社提供
摘要：本发明提供一种基于卷积神经网络的玉米制种果穗图像初级分类方法，包括：获取玉米果穗图像原始训练样本集和测试样本集；通过迁移学习方法，利用AlexNet卷积神经网络，根据判别得到每一果穗测试样本的所属类型及每一测试样本的实际所属类型，确定判别结果的准确率；若准确率在预设范围外，根据扩增果穗训练样本集，优化AlexNet卷积神经网络，得到第二卷积神经网络，并重新判别所述测试样本集中每一测试样本所属类型。

本发明通过从隐含层自主学习果穗图像由颜色、边等低层到角点、形状等高层特征的方式，避免了人工提取果穗图像特征的繁琐与片面，使卷积神经网络具有自主选取图像特征并进行学习、识别能力，对于玉米制种果穗初级自动化穗选提供了方法。

申请人：中国农业大学
地址：100193 北京市海淀区圆明园西路2号
国籍：CN
代理机构：北京路浩知识产权代理有限公司
更多信息请下载全文后查看。

基于HSI空间的玉米雄穗识别算法

基于HSI空间的玉米雄穗识别算法茅正冲;孙雅慧【摘要】提出了一种基于色度饱和度亮度HSI(空间)和学习矢量量化(LVQ)神经网络的玉米雄穗识别算法,可以有效提高玉米雄穗的识别准确率.将玉米田间图像由三原色(RGB)颜色空间转换到HSI颜色空间并提取其H分量图;对H分量图进行二值化处理、中值滤波、连通域面积去噪、形态学处理和生成矩形框框出连通域.在识别阈值分割算法之后加入再确认步骤,将识别出的候选玉米雄穗进行颜色、形态特征提取,并将上述特征输入训练好的LVQ神经网络进一步确认,得到的分割结果有效地提高了玉米雄穗识别的准确性,准确性达96.9％.【期刊名称】《传感器与微系统》【年(卷),期】2018(037)009【总页数】3页(P117-119)【关键词】玉米雄穗;色彩空间;阈值分割;神经网络【作者】茅正冲;孙雅慧【作者单位】江南大学物联网工程学院,江苏无锡214122;江南大学物联网工程学院,江苏无锡214122【正文语种】中文【中图分类】TN911.730 引言通过准确地观测玉米发育期信息，可以科学地指导农民合理地进行去雄，进而有效地提高产量[1]。

长期以来农业气象观测以及传统的农作物农情信息的提取存在耗费人力、实时性不足等问题，对现代农业以及数字农情的建设不利。

图像识别技术作为计算机视觉技术领域的重要课题之一，在自动化农业领域受到广泛关注。

本文利用计算机视觉技术对复杂环境下的玉米雄穗进行识别研究。

针对在复杂的自然光照条件下，田间玉米分布十分密集、玉米雄穗与叶片之间颜色在三原色(red green blue,RGB)彩色空间下差异不明显，且会对样本图像有遮挡导致识别率低下的问题，本文首先将图像从RGB彩色空间转换到HSI色彩空间[2]并分别提取H,S,I分量图，发现H分量图中，玉米雄穗能够明显地区分于叶片。

对H分量图进行二值化处理、中值滤波、连通域面积去噪、形态学处理、生成矩形框框出连通域后，能够对玉米雄穗目标进行识别。

基于颜色均值显著点聚类的作物病害叶片图像分割方法

基于颜色均值显著点聚类的作物病害叶片图像分割方法
作物病害叶片图像分割是农业领域中一个重要的问题，准确的叶片分割能够帮助农业
专家快速诊断植物病害，采取相应的措施，从而提高作物产量和品质。

本文提出了一种基
于颜色均值显著点聚类的作物病害叶片图像分割方法，该方法通过计算叶片图像的颜色均
值和颜色差异，利用聚类算法将叶片分割为不同的区域。

将RGB彩色图像转换为Lab颜色空间，Lab颜色空间具有对人眼不敏感的性质，能更好地反映颜色信息。

然后，计算图像中每个像素点的颜色均值，颜色均值可以表示该像素点
的颜色特征。

接着，计算每个像素点与相邻像素点之间的颜色差异，颜色差异可以表示像
素点之间的颜色相似性。

根据颜色均值和颜色差异，构建一个颜色特征矩阵。

然后，采用K-means算法对颜色特征矩阵进行聚类，将叶片图像分割为若干个颜色相
似的区域。

K-means算法是一种常用的聚类算法，它通过不断迭代更新聚类中心的位置，
将样本分配到最近的聚类中心。

在本文中，选择K值为2，即将叶片图像分割为前景和背
景两个区域。

根据聚类结果，将属于前景的区域合并起来，得到叶片的分割结果。

为了提高分割结
果的准确性，可以进一步应用形态学操作来去除图像中的噪点和孤立点。

实验结果表明，基于颜色均值显著点聚类的作物病害叶片图像分割方法能够有效地将
叶片图像分割为前景和背景两个区域，达到较好的分割效果。

与传统的图像分割方法相比，该方法具有简单、快速、准确等优点，适用于大规模的作物病害叶片图像分割任务。

基于颜色均值显著点聚类的作物病害叶片图像分割方法

基于颜色均值显著点聚类的作物病害叶片图像分割方法
作物病害是影响农作物产量和品质的重要因素之一，而叶片图像分割是病害诊断和监测的关键步骤。

随着计算机视觉和图像处理技术的不断发展，基于颜色均值显著点聚类的作物病害叶片图像分割方法逐渐成为研究的热点之一。

本文就基于颜色均值显著点聚类的作物病害叶片图像分割方法进行了综述和分析，旨在为作物病害叶片图像分割方法研究提供一定的参考和借鉴。

一、背景介绍
1. 颜色特征提取
对作物病害叶片图像进行颜色特征提取，可以通过颜色空间转换将RGB颜色空间转换为Lab颜色空间，然后提取叶片图像的a、b通道作为颜色特征。

2. 显著点检测
接下来，利用颜色特征对叶片图像进行显著点检测，通过计算颜色均值和方差来确定叶片图像中的显著点，这些显著点往往对应着叶片病害的部位。

3. 聚类分割
利用显著点进行聚类分割，将叶片图像分割成病害部位和健康部位，从而实现作物病害叶片的图像分割和诊断。

通过以上步骤，基于颜色均值显著点聚类的作物病害叶片图像分割方法能够对叶片图像进行有效地分割，具有一定的实用价值和应用前景。

三、研究进展与展望
目前，基于颜色均值显著点聚类的作物病害叶片图像分割方法在作物病害领域的研究中取得了一定的进展，但也存在一些问题和挑战。

对于不同作物和不同病害类型的叶片图像，需要设计不同的颜色特征提取和显著点聚类算法，以实现更加准确和稳定的图像分割效果。

未来，可以通过引入深度学习和机器学习等技术，进一步提升作物病害叶片图像分割方法的性能和效果。

结合实时监测系统，将基于颜色均值显著点聚类的方法应用到作物病害的实时监测和诊断中，为农业生产提供更加智能和高效的作物病害管理方案。

基于颜色均值显著点聚类的作物病害叶片图像分割方法

基于颜色均值显著点聚类的作物病害叶片图像分割方法1. 引言1.1 背景介绍作物病害叶片图像分割是农业领域中的重要问题，准确地分割出病害部分对于病害诊断和治理具有重要意义。

随着数字图像处理技术的发展，基于颜色均值显著点聚类的方法在作物病害叶片图像分割方面得到了广泛应用。

传统的作物病害叶片图像分割方法往往有局限性，如对图像复杂度高、背景干扰大的情况处理效果不佳等。

而基于颜色均值显著点聚类的方法能够有效地提取图像中的病害部分，利用颜色信息和聚类算法将显著点聚合在一起，从而实现对病害部分的准确定位和分割。

本文旨在探讨基于颜色均值显著点聚类的作物病害叶片图像分割方法，并通过实验设计和结果分析验证该方法的有效性。

通过方法改进与优化，进一步提高分割的准确性和稳定性，为作物病害的自动诊断和治理提供更为可靠的技术支持。

1.2 研究意义作物病害叶片图像分割在农业中具有重要的应用意义。

通过准确地将作物叶片图像中的病害区域与健康区域进行分割，可以及时有效地检测和诊断病害，为农业生产提供帮助。

病害叶片图像分割技术可以帮助农民快速准确地判断作物的病情，采取相应的防治措施，减少病害对农作物产量和质量的影响，提高农作物的生产效率和品质。

基于颜色均值显著点聚类的作物病害叶片图像分割方法具有很高的研究价值和实际应用前景。

通过颜色均值的显著点聚类分析，在叶片图像中可以准确地区分出病害区域和健康区域，为后续的病害诊断和防治提供重要依据。

该方法的研究对于提高作物病害诊断的准确性和效率具有重要意义，有助于推动农业科技的发展，提高农业生产的智能化水平。

研究基于颜色均值显著点聚类的作物病害叶片图像分割方法具有非常重要的实践意义和社会意义。

1.3 研究目的本研究的目的是基于颜色均值显著点聚类的方法，实现对作物病害叶片图像的准确分割。

通过研究分析叶片图像中病害和健康区域的颜色特征，以及显著点聚类算法在图像分割中的应用，旨在提高作物病害检测和诊断的精准度和效率。

基于超体素聚类和局部特征的玉米植株点云雄穗分割

差异计算边权值，并采用谱聚类方法将植株点云分解为多个超体素子区域；随后结合主成分分析方法和点
云直线特征提取植株顶部的子区域；最后利用玉米植株点云的平面局部特征在顶部子区域中识别雄穗点云。
对 3 种点云密度的 15 株成熟期玉米植株点云进行测试，采用 F1 分数作为分割精度判别指标，试验结果与手
动分割真值相比，当点云密度为 0.8、1.3 和 1.9 个点/cm 时，雄穗点云分割的平均 F1 分数分别为 0.763、0.875
（1. 沈阳农业大学信息与电气工程学院，辽宁沈阳 110866；2. 辽宁省农业信息化工程技术研究中心，辽宁沈阳 110866；3. 北京派得伟业科技发展有限公司，北京 100097）
摘要：针对当前三维点云处理方法在玉米植株点云中识别雄穗相对困难的问题，提出一种基于超体素聚
类和局部特征的玉米植株点云雄穗分割方法。首先通过边连接操作建立玉米植株点云无向图，利用法向量
2021 年 3 月第 3 卷第 1 期
智慧农业（中英文）Smart Agriculture
Байду номын сангаас
Mar. 2021 Vol. 3, No. 1
doi：10.12133/j.smartag.2021.3.1.202102-SA001
基于超体素聚类和局部特征的玉米植株点云雄穗分割
朱超 1，2，吴凡 1，2，刘长斌 3，赵健翔 1，2，林丽丽 1，2，田雪莹 1，2，苗腾 1，2*
和 0.889，分割精度随点云密度增加而增高。结果表明，本研究提出的基于超体素聚类和局部特征的玉米植
株点云雄穗分割方法具备在玉米植株点云中提取雄穗的能力，可为玉米高通量表型检测、玉米三维重建等
研究和应用提供技术支持。

基于颜色特征的玉米雄穗图像分割

基于颜色特征的玉米雄穗图像分割茅正冲;刘永娟【摘要】提出了一种基于颜色特征的玉米雄穗分割方法.利用侧抑制网络与二维Otsu结合的分割方法对玉米雄穗图像的YCbCr颜色空间的Cr分量进行分割,再利用相同方法对玉米雄穗图像的超绿特征图像进行分割,取两个分割结果的交集,去除小面积的连通域,得到玉米雄穗的分割图.为了验证算法的有效性,选用了不同生长环境的玉米雄穗图像,分别利用本文方法、二维Otsu和基于侧抑制的二维Otsu方法进行了比较实验.结果表明:该方法有很好的抗干扰性,对生长环境有很强的鲁棒性.%Corn tassel segmentation method based on color features is proposed.An algorithm based on two-dimensional Otsu algorithm and the lateral inhibition network is used to segment Cr component of corn tassel image in YCbCr color space,the same segment method is used again to segment super-green image of corn tassel image,taking the same part of Cr segmentation image and super-green segmentation image as corn tassel segmentation image,remove the small area connected domain and get the corn tassel segmentation image.In order to verify the effectiveness of the proposed algorithm,the corn tassel images in different growth environment is selected to carry out comparative experiment,the proposed method,2D Otsu and 2D Otsu method based on lateralinhibition.Experimental results show that this method has good immunity and it is robust to the growth environment.【期刊名称】《传感器与微系统》【年(卷),期】2017(036)002【总页数】4页(P131-133,137)【关键词】玉米雄穗;图像分割;侧抑制网络;二维Otsu【作者】茅正冲;刘永娟【作者单位】江南大学轻工过程先进控制教育部重点实验室,江苏无锡214122;江南大学轻工过程先进控制教育部重点实验室,江苏无锡214122【正文语种】中文【中图分类】TP391玉米抽雄期标志着玉米由营养生长转向生殖生长，是决定玉米产量最关键的时期。

一种基于RGB颜色分量的枝干图像分割方法

一种基于RGB颜色分量的枝干图像分割方法李艳文;胡浩波;丁乙;陈欧;贾宇航【摘要】On the basis of the RGB color space, aiming at the recognition of fruit tree branches, a method for threshold segmenta⁃tion of color image applied to the recognition of fruit tree branches is proposed. By analyzing the relationship between every two components of the three base color components RGB, the linear relationship between every two componentsof the three base color components is obtained, and then the concept of chromatic aberration ring is put forward, and the chromatic aberration ring of the images of the fruit tree branches is set up, the connection between the linear expressions of the base color components is obtained. Furthermore, the image segmentation threshold range formula is drawn. A par ameter μ to adjust threshold is introduced, which makes it possible to adjust the threshold value according to the real condition of the orchard in real⁃time. The experimental verifica⁃tion shows that this method can execute the fast segmentation and recognition of the branches in the color images of fruit tree bran⁃ches under the natural light.%在RGB色彩空间的基础上，以苹果枝干识别为目标，提出了一种用于枝干识别的彩色图像阈值分割的方法。

彩色图像分割技术在农作物测量系统中的应用

首都师范大学硕士学位论文彩色图像分割技术在农作物测量系统中的应用姓名：郭楠申请学位级别：硕士专业：计算机应用技术指导教师：葛庆平20050401彩色图像分割技术在农作物测量系统中的心用摘要农业是国民经济的基础，提高农业生产效率和农业自动化生产程度是农业现代化的根本途径，计算机视觉技术可以对农业现代化的发展起到积极的促进作用。

本系统运用计算机视觉和图像处理技术摄取作物生长发育不同阶段的图像，在计算机中进行各种处理和测量，最终获取作物的形态信息和数据，显示于计算机屏幕并存储于多媒体数据库中。

在此系统中，将作物（目标）从照片中提取出来是～个关键的问题，也是一个典型的图像分割问题。

由于作物图像为彩色照片，因此考虑利用彩色图像分割技术进行图像分割。

针对典型的作物图像，分析了３组典型的用于彩色图像分割的彩色模型共９个特征量。

这三组彩色模型分别为：ＨＳＩ模型、ＨＳＶ模型和１１１２１３模型。

实验结果表明，特征量Ｈ（ＨＳＶ）对于作物图像有较好的分割效果。

根据这一实验结果，利用特征量Ｈ（ＨＳｖ）进行图像分割，但通过实验发现利用该特征量分割后，在叶片前端较细处未能正确分割。

为了解决这一问题，又实验＿『两种分割算法。

为了验证这３个算法的有效性并比较它们的分割效果，设计了一个分割算法的评价实验。

算法评价实验的结果表明，３个算法中采用二维阈值的方法具有最好的分割稳定性和执行效率，最适用于该农作物测量系统。

在系统中实现了这个算法，实际应用表明二维阈值的分割方法较好的解决了作物图像的分割问题。

此外，由于该测量系统还保存作物的颜色信息，所以在进行颜色测量前，需要对数码照片进行颜色校正。

对室外拍摄的照片进行分析，太阳光的光谱变化是导致偏色的主要原因，因此，针对不同时刻阳光造成的偏色，试验了４种颜色校正算法，试验结果表明，基于灰块标定物的曲线法具有最好的校正效果。

该农作物测量系统将采用此算法校正偏色照片。

关键词：图像分割、颜色校正、阈值、聚类彩也｜生｜像分割技术订・采作物测量系统中的心用ＡｂｓｔｒａｃｔＡｇｒｉｃｕｌｔｕｒｅｉｓｔｈｅｆｏｕｎｄａｔｉｏｎｏｆｏｕｒｎａｔｉｏｎａｌｅｃｏｎｏｍｙ，ａｎｄｔｈｅｉｍｐｒｏｖｅｍｅｎｔｉｎｔｈｅｅｆｆｉｄｅｎｃｙｏｆａｇｒｉｃｕｌｔｕｒａｌｐｒｏｄｕｃｔｉｏｎａｎｄｔｈｅｅｘｔｅｎｔｏｆａｇｒｉｃｕｌｔｕｒａｌａｕｔｏｍａｔｉｏｎａｒｅｔｈｅｂａｓｅｓｏｆｍｏｄｅｍａｇｒｉｃｕｌｔｕｒｅ．Ｔｈｅｔｅｃｈｎｏｌｏｇｙｏｆｃｏｍｐｕｔｅｒｖｉｓｉｏｎｉｓｃｏｎｄｕｃｉｖｅｔｏｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｍｏｄｅｍａ鲥ｃｕｌｔｕｒｅ．Ｔｈｅｐｌａｎｔｍｅａｓｕｒｅｍｅｎｔｓｙｓｔｅｍｃｏｎｔａｉｎｓｃａｐｔｕｒｉｎｇｉｍａｇｅｏｆｐｌａｎｔｓ，ｐｒｏｃｅｓｓｉｎｇｉｍａｇｅ，ｍｅａｓｕｒｉｎｇｐｌａｎｔｓａｎｄｆｉｎａｌｌｙｄｉｓｐｌａｙｔｈｅｒｅｓｕｌｔｏｎｔｈｅｓｃｒｅｅｎａｎｄｓｔｏｒｅｄａｔａｉｎｔｈｅｄａｔａｂａｓｅ．Ｈｏｗｔｏｅｘｔｒａｃｔｔｈｅｔａｒｇｅｔ－ｐｌａｎｔｆｒｏｍｉｍａｇｅｉｓｔｈｅｍａｉｎｐｒｏｂｌｅｍｔｏｂｅｓｏｌｖｅｄｉｎｔｈｉｓｐａｐｅｒ．Ｍａｎｙｔｙｐｉｃａｌｃｏｌｏｒｍｏｄｅｌｓａｒｅａｎａｌｙｚｅｄｂａｓｅｄｏｎｐｌａｎｔｉｍａｇｅ，ｆｏｒｉｎｓｔａｎｃｅＨＩＳ，ＨＳＶ，１１１２１３．ＡｃｃｏｒｄｉｎｇｔｏｅｘｐｅｒｉｍｅｎｔｒｅｓｕＲｔｈｅＨｖａｌｕｅｉｎＨＳＶｉｓｔｈｅｍｏｓｔｅｆｆｅｃｔｉｖｅｆｅａｔｕｒｅ．ＯｎｔｈｅｂａｓｉｓｏｆｔｈｅｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｆｅａｔｕｒｅＨｉｎＨＳＶｉｓｕｓｅｄｔｏｓｅｇｍｅｎｔｔｈｅｃａｎｎｏｔｂｅｓｅｇｍｅｎｔｅｄｃｏｒｒｅｃｔｌｙ．ｉｍａｇｅ，ｂｕｔｔｈｅｒｅｓｕｌｔｓｈｏｗｓｔｈａｔｔｈｅｔｉｐｐａｒｔｏｆｔｈｅｌｅａｆＴｈｅｒｅｆｏｒｅａｎｏｔｈｅｒ２ｍｅｔｈｏｄｓａｒｅｐｒｏｐｏｓｅｄ．Ａｎｅｖａｌｕａｔｉｏｎｅｘｐｅｒｉｍｅｎｔｉｓｄｅｓｉｇｎｅｄｔｏｍｅｔｈｏｄｓ．Ｔｈｅｏｕｔｃｏｍｅｏｆｅｖａｌｕａｔｉｏｎｅｘｐｅｒｉｍｅｎｔｉｎｄｉｃａｔｅｓｖｅｒｉｆｙｔｈｅｅｆｆｅｃｔｏｆｔｈｅｓｅ３ｔｈａｔ２Ｄｔｈｒｅｓｈｏｌｄｉｓｔｈｅｍｏｓｔｅｆｆｅｃｔｉｖｅａｎｄｓｔａｂｌｅｍｅｔｈｏｄａｎｄｉｔｃａｎａｐｐｌｙｔｏｔｈｅｓｙｓｔｅｍ．Ｆｕｒｔｈｅｒｍｏｒｅ，２Ｄｔｈｒｅｓｈｏｌｄａｌｇｏｒｉｔｈｍｉｓｉｍｐｌｅｍｅｎｔｅｄａｎｄｔｈｉｓｍｅｔｈｏｄｉｓｗｏｒｋｉｎｇｅｆｆｉｃｉｅｎｔｌｙｉｎｔｈｅｓｙｓｔｅｍ．Ｉｎａｄｄｉｔｉｏｎ，ｉｎｏｒｄｅｒｔｏｏｂｔａｉｎａｃｃｕｒａｔｅｃｏｌｏｒｉｎｆｏｒｍａｔｉｏｎ，ｓｏｍｅｃｏｌｏｒｃｏｒｒｅｃｔｉｏｎｍｅｔｈｏｄｓｗｈｉｃｈａｒｅｕｓｅｄｔｏｓｏｌｖｅｃｏｌｏｒｄｉｆｆｅｒｅｎｃｅｃａｕｓｅｄｂｙｓｕｎｌｉｇｈｔａｌｅｔｅｓｔｅｄ．ｍｅｔｈｏｄｉｓｔｈｅｂｅｓｔｏｎｅ．Ａｃｃｏｒｄｉｎｇ幻ｔｈｅｅｘｐｅｒｉｍｅｎｔｓｒｅｓｕｌｔ，ｃｕｒｖｅＫｅｙｗｏｒｄｓ：ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ，ｃｏｌｏｒｃｏｒｒｅｃｔｉｏｎ，ｔｈｒｅｓｈｏｌｄ，ｄｕｓｔｅｒ声明本人声明所呈交的论文是我个人在导师指导Ｆ进行的研究工作及取得的研究成果。