顯著性檢測方法及其在黃瓜病害圖像分割中的應(yīng)用研究.pdf

1、最近幾年，圖像顯著性檢測是計算機視覺領(lǐng)域研究的熱點。圖像顯著性檢測的目的是能夠?qū)D像中感興趣的目標區(qū)域自動地檢測出來。對目標區(qū)域的檢測精度與檢測效率將直接影響到后續(xù)目標識別的性能。本文圍繞如何提高顯著性檢測算法的精度和檢測效率展開相關(guān)的理論方法研究，并將提出的顯著性檢測算法在黃瓜病害圖像處理中進行了應(yīng)用研究。論文的主要研究工作如下:
　　(1)提出了一種基于先驗信息和雙權(quán)重的顯著性檢測算法(Saliency detectional

2、gorithm based on prior information and double weights,PIDWSD)。PIDWSD算法主要是為了解決上下文感知顯著性檢測算法(Context-Aware saliency detection，CA)中存在的邊緣丟失及檢測精度不高的問題。PIDWSD算法首先使用超像素將圖像分塊，以獲得良好的目標邊緣;其次，引入高斯權(quán)重和歐氏距離權(quán)重，以獲取精細化的顯著圖;接著，引入中心先驗和非顯著關(guān)聯(lián)

3、先驗，以去除背景中的干擾信息;最后，通過非線性作用函數(shù)Sigmoid對得到的顯著圖進行調(diào)整優(yōu)化。在Berkeley和MSRA1000數(shù)據(jù)庫上進行測試。與其它顯著性檢測算法相比，該方法不僅能很好地解決邊緣丟失問題，檢測精度達到93％，而且具有較低的算法時間復(fù)雜度。
　　(2)提出了一種融合流形排序和能量方程的顯著性檢測算法(Saliencydetection algorithm combining manifold ranking

4、and energy equation, MREESD)。該算法主要是為了解決傳統(tǒng)顯著性檢測算法檢測精度不高且顯著種子選取魯棒性不足的問題。首先，使用超像素方法將圖像分塊，提出了一種新的超像素間權(quán)重計算方法和顯著種子選取方法，以增強算法的魯棒性;其次，通過流形排序計算，以獲取較優(yōu)的顯著圖;為使得顯著圖更加精確，利用能量方程對得到的顯著圖進行平滑調(diào)整;對調(diào)整后的顯著圖進行閾值分割，將得到的二值圖像與原圖像進行掩碼運算，得到最終分割結(jié)果。在

5、MSRA1000圖像顯著性檢測數(shù)據(jù)庫上進行測試，準確率-召回率曲線顯示在相同召回率下準確率高于其它算法，并且具有較高的F-measure值。最后，將MREESD同PIDWSD進行了實驗對比，從實驗結(jié)果中看出，MREESD算法具有更強的魯棒性。
　　(3)作物病害圖像分割精度對病害自動識別效果具有關(guān)鍵作用。針對復(fù)雜背景下黃瓜葉部病害分割精度不高的問題，本文將顯著性檢測應(yīng)用于自然環(huán)境的黃瓜葉部病害的圖像處理中。首先，通過顯著性檢測算法

6、提取出黃瓜病害葉片;其次，利用超綠特征對病害葉片進行處理，以擴大綠色正常部分和非綠色病斑部分的灰度差距，通過閾值分割出病斑;最后，利用形態(tài)學(xué)膨脹操作對得到的病斑進行處理，以獲取更加飽滿的病斑。實驗結(jié)果表明，本文所提的算法在提取出的病斑上更加精確，錯分率均低于5％。通過對黃瓜典型的四種病害進行分析，提取病害特征;最后，采用BP神經(jīng)網(wǎng)絡(luò)分類器對黃瓜病害進行分類識別，識別率達到83％以上，從而驗證了本文所提的顯著性檢測算法在病害圖像處理中的可