【摘要】：為了實(shí)現(xiàn)自然光條件下棉花葉片的自動(dòng)、普適和精確分割,提出一種基于馬爾可夫隨機(jī)場(chǎng)最優(yōu)化模型的聯(lián)合分割算法.首先用非監(jiān)督的共同顯著性檢測(cè)算法為一組棉花苗葉片圖像中每幅圖像生成共同顯著性圖,這些顯著性圖被用來構(gòu)造馬爾科夫隨機(jī)場(chǎng)中的內(nèi)部圖像能量函數(shù);然后采用混合高斯模型對(duì)該組圖像全部顯著性圖的共同目標(biāo)(葉片)與單幅圖像中葉片的差異進(jìn)行建模,將其作為馬爾可夫隨機(jī)場(chǎng)最優(yōu)化模型的一個(gè)新的全局約束去構(gòu)造全局能量項(xiàng);最后通過標(biāo)準(zhǔn)圖割算法(Grabcut)和迭代使得能量函數(shù)最小化,以實(shí)現(xiàn)對(duì)棉花苗葉片圖像的分割.按不同天氣條件和不同背景拍攝600幅棉花苗葉片圖像構(gòu)建了數(shù)據(jù)庫,在該庫上的實(shí)驗(yàn)結(jié)果表明,該算法對(duì)于晴天、陰天和雨后圖像中目標(biāo)的平均正確分割率達(dá)到84.8%,87.7%和91.6%,比經(jīng)典的Grabcut分別提高了10.7%,3%和10%.
[Abstract]:In order to realize automatic, universal and accurate segmentation of cotton leaves under natural light, a joint segmentation algorithm based on Markov random field optimization model is proposed. Firstly, the unsupervised joint salience detection algorithm is used to generate a common salience map for each image in a group of cotton seedling leaf images, which are used to construct the internal image energy function in Markov random field. Then the mixed Gao Si model is used to model the differences between the common target (leaf) of all salient images and the leaves in a single image. It is used as a new global constraint of Markov random field optimization model to construct global energy term. Finally, the energy function is minimized by (Grabcut) and iteration to achieve the segmentation of cotton seedling leaf image. The database was constructed by taking 600 cotton seedling leaf images under different weather conditions and different backgrounds. The experimental results on the database show that the average correct segmentation rate of the target in the images of sunny, cloudy and rain days is 84.8%. 87.7% and 91.6%, 10.7% and 10% higher than the classical Grabcut, respectively.
【作者單位】： 甘肅農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院;中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所;
【基金】：國(guó)家自然科學(xué)基金(31501229,61461005)
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 魯曉磊;王芙蓉;黃本雄;;學(xué)習(xí)高階馬爾可夫隨機(jī)場(chǎng):評(píng)分匹配方法[J];計(jì)算機(jī)應(yīng)用;2008年10期

2 王文濤;陳聰;李子茂;;并行圖切割馬爾可夫隨機(jī)場(chǎng)算法設(shè)計(jì)[J];武漢大學(xué)學(xué)報(bào)(工學(xué)版);2010年01期

3 蔣永馨;金俁欣;王孝通;黃華;;基于馬爾可夫隨機(jī)場(chǎng)的運(yùn)動(dòng)目標(biāo)檢測(cè)[J];計(jì)算機(jī)工程與應(yīng)用;2010年15期

4 楚瀛;符楊;;馬爾可夫隨機(jī)場(chǎng)理論在目標(biāo)跟蹤中的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2011年28期

5 王琳;劉君;黎明;;應(yīng)用馬爾可夫隨機(jī)場(chǎng)的金屬疲勞斷口條帶分割[J];計(jì)算機(jī)工程與應(yīng)用;2012年03期

6 汪濤,莊新華,邢小良;線元馬爾可夫隨機(jī)場(chǎng)模型和重建[J];電子學(xué)報(bào);1992年07期

7 孫俊喜;王瑞;才華;郝德芳;;基于高斯—馬爾可夫隨機(jī)場(chǎng)模型的圖像修補(bǔ)方法研究[J];長(zhǎng)春理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年03期

8 薛永宏;張濤;陳榮利;安瑋;張寅生;;基于馬爾可夫隨機(jī)場(chǎng)的紅外有形目標(biāo)檢測(cè)算法(英文)[J];光子學(xué)報(bào);2013年10期

9 仲興榮,肖圣兵;基于高斯-馬爾可夫隨機(jī)場(chǎng)模型的運(yùn)動(dòng)目標(biāo)自動(dòng)分割[J];蘇州大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年03期

10 王彩鳳;馬超;廖福成;;高階馬爾可夫隨機(jī)場(chǎng)下目標(biāo)識(shí)別模型的建立[J];計(jì)算機(jī)工程與應(yīng)用;2013年19期

相關(guān)會(huì)議論文 前6條

1 李曉燕;葉龍;王京玲;;基于馬爾可夫隨機(jī)場(chǎng)的紋理合成[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

2 杜馨瑜;李永杰;堯德中;;一種新的小波域高斯-馬爾可夫隨機(jī)場(chǎng)混合金字塔模型[A];中國(guó)生物醫(yī)學(xué)工程進(jìn)展——2007中國(guó)生物醫(yī)學(xué)工程聯(lián)合學(xué)術(shù)年會(huì)論文集（上冊(cè)）[C];2007年

3 胡陽漣;趙鳳群;戴芳;張輝;;一種基于馬爾可夫隨機(jī)場(chǎng)的快速圖像分割算法[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國(guó)第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

4 徐戈;黃志強(qiáng);;基于置信度傳播的MSTAR圖像的分割算法[A];2009年通信理論與信號(hào)處理學(xué)術(shù)年會(huì)論文集[C];2009年

5 魏波;李曉峰;李在銘;;在運(yùn)動(dòng)場(chǎng)景中檢測(cè)運(yùn)動(dòng)目標(biāo)[A];第九屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-99）論文集[C];1999年

6 鄭海紅;曾平;;估值與去噪相結(jié)合的逆半調(diào)算法[A];全國(guó)第13屆計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)（CAD/CG）學(xué)術(shù)會(huì)議論文集[C];2004年

相關(guān)博士學(xué)位論文 前3條

1 張?bào)K祥;小波變換和馬爾可夫隨機(jī)場(chǎng)在圖像處理中的應(yīng)用研究[D];天津大學(xué);2007年

2 張印輝;多尺度馬爾可夫隨機(jī)場(chǎng)圖像分割方法研究[D];昆明理工大學(xué);2010年

3 高如新;2.1維簡(jiǎn)約圖的表達(dá)、計(jì)算與應(yīng)用[D];華中科技大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 羅欣;馬爾可夫隨機(jī)場(chǎng)的小波域圖像建模及應(yīng)用研究[D];長(zhǎng)安大學(xué);2015年

2 亓玉佩;高階乘冪法應(yīng)用于基于馬爾可夫隨機(jī)場(chǎng)的肺部4D CT圖像配準(zhǔn)方法研究[D];山東大學(xué);2017年

3 石嶺;基于馬爾可夫隨機(jī)場(chǎng)的木材表面紋理分類方法的研究[D];東北林業(yè)大學(xué);2006年

4 王瑞;基于馬爾可夫隨機(jī)場(chǎng)的非紋理圖像修補(bǔ)技術(shù)研究[D];長(zhǎng)春理工大學(xué);2009年

5 王琳;基于馬爾可夫隨機(jī)場(chǎng)的金屬疲勞斷口圖像的紋理分割[D];南昌航空大學(xué);2011年

6 賈越;基于馬爾可夫隨機(jī)場(chǎng)算法的水下圖像深度提取[D];中國(guó)海洋大學(xué);2014年

7 林芬華;基于馬爾可夫隨機(jī)場(chǎng)的膝關(guān)節(jié)磁共振圖像分割方法的研究[D];合肥工業(yè)大學(xué);2010年

8 徐步玉;基于馬爾可夫隨機(jī)場(chǎng)的運(yùn)動(dòng)目標(biāo)檢測(cè)方法研究[D];合肥工業(yè)大學(xué);2011年

9 劉一舟;基于馬爾可夫隨機(jī)場(chǎng)的超聲圖像降噪分析[D];武漢大學(xué);2005年

10 殷文龍;馬爾可夫隨機(jī)場(chǎng)在視網(wǎng)膜血管分割中的應(yīng)用[D];云南大學(xué);2015年

，

本文編號(hào)：2359388