针对自然条件下原木端面图像的分割问题,结合原木端面图像的特点,改进传统CV(Chan and Vese)模型,对演化曲线内部使用梯度进行拟合,同时融入局部图像拟合LIF(Local Image Fitting)模型,加入圆形先验知识,提出了基于圆形约束的改进活动...针对自然条件下原木端面图像的分割问题,结合原木端面图像的特点,改进传统CV(Chan and Vese)模型,对演化曲线内部使用梯度进行拟合,同时融入局部图像拟合LIF(Local Image Fitting)模型,加入圆形先验知识,提出了基于圆形约束的改进活动轮廓模型CV-LIF,将全局能量和局部能量结合到一起,共同约束轮廓线的演化。在对图像进行预分割的基础上,利用多水平集表示待分割区域,运用基于圆形约束的改进活动轮廓模型对每个水平集区域进行再分割,解决了复杂背景下多个原木端面分割不准确的问题。通过实验,分别对单个及多个原木端面图像进行分割,结果表明该方法可以较好地分割出图像中的原木端面,而且具有较好的抗噪性能,实现速度较快。展开更多
为分析果树在种植过程中病害的程度和种类,本文提出一种基于改进深度残差网络的果树叶片病害图像识别方法。该网络模型在传统残差神经网络的基础上,通过多尺寸的卷积核代替骨干网络中的7×7卷积核,既增加了网络的宽度,也增加了网络...为分析果树在种植过程中病害的程度和种类,本文提出一种基于改进深度残差网络的果树叶片病害图像识别方法。该网络模型在传统残差神经网络的基础上,通过多尺寸的卷积核代替骨干网络中的7×7卷积核,既增加了网络的宽度,也增加了网络对尺度的适应性。带泄露修正线性单元(Leaky ReLU)激活函数用于替换修正线性单元(Recitified Linear Unit,ReLU)激活函数,该函数以ReLU函数为基础,在函数的负半轴上引入一个非零斜率(Leaky),解决了ReLU函数引起的神经元死亡现象。在平均池化层和全连接层之间加入Dropout(按照一定的概率将神经网络单元暂时从网络中丢弃)操作,合理设置阈值,可以有效地防止卷积神经网络的过拟合。最后,引入SE注意力机制进一步提高网络模型的识别精度。在公共数据集Plant Village(植物村)的实验表明,改进的深度残差网络模型能够很好地识别果树叶片病害,平均准确率可达到99.4%。展开更多
在视频镜头分割处理中,SIFT(Scale-invariant feature transform)特征由于其具有尺度、旋转不变性等诸多优点而被广泛应用,但是SIFT特征提取复杂,计算量大,导致程序效率低下,很难满足实时性的要求。本文提出了一种基于SURF(Speeded Up R...在视频镜头分割处理中,SIFT(Scale-invariant feature transform)特征由于其具有尺度、旋转不变性等诸多优点而被广泛应用,但是SIFT特征提取复杂,计算量大,导致程序效率低下,很难满足实时性的要求。本文提出了一种基于SURF(Speeded Up Robust Features)和SIFT特征的视频镜头分割算法。首先对相关帧进行颜色直方图特征提取,然后通过一个自适应阈值判断是否为候选帧,如果不是,则融合SURF特征再进行复检。最后筛选出的候选帧再通过SIFT算法进行复选,去除误检帧,有效解决了SIFT特征低效率的问题。实验结果表明,对于切变镜头查全率为95%,查准率为93%,对于渐变镜头查全率为90%,查准率为76%,平均单帧运行时间为0.26s,本算法与SIFT、SURF等单一特征的算法相比,在高效性和准确性之间取得了平衡,并且它是鲁棒的。展开更多
文摘针对自然条件下原木端面图像的分割问题,结合原木端面图像的特点,改进传统CV(Chan and Vese)模型,对演化曲线内部使用梯度进行拟合,同时融入局部图像拟合LIF(Local Image Fitting)模型,加入圆形先验知识,提出了基于圆形约束的改进活动轮廓模型CV-LIF,将全局能量和局部能量结合到一起,共同约束轮廓线的演化。在对图像进行预分割的基础上,利用多水平集表示待分割区域,运用基于圆形约束的改进活动轮廓模型对每个水平集区域进行再分割,解决了复杂背景下多个原木端面分割不准确的问题。通过实验,分别对单个及多个原木端面图像进行分割,结果表明该方法可以较好地分割出图像中的原木端面,而且具有较好的抗噪性能,实现速度较快。
文摘为分析果树在种植过程中病害的程度和种类,本文提出一种基于改进深度残差网络的果树叶片病害图像识别方法。该网络模型在传统残差神经网络的基础上,通过多尺寸的卷积核代替骨干网络中的7×7卷积核,既增加了网络的宽度,也增加了网络对尺度的适应性。带泄露修正线性单元(Leaky ReLU)激活函数用于替换修正线性单元(Recitified Linear Unit,ReLU)激活函数,该函数以ReLU函数为基础,在函数的负半轴上引入一个非零斜率(Leaky),解决了ReLU函数引起的神经元死亡现象。在平均池化层和全连接层之间加入Dropout(按照一定的概率将神经网络单元暂时从网络中丢弃)操作,合理设置阈值,可以有效地防止卷积神经网络的过拟合。最后,引入SE注意力机制进一步提高网络模型的识别精度。在公共数据集Plant Village(植物村)的实验表明,改进的深度残差网络模型能够很好地识别果树叶片病害,平均准确率可达到99.4%。
