针对自然场景下获取的叶片病斑图像,提出利用图像显著性检测与模糊C均值聚类方法相结合的叶片病斑区域提取方法。首先,利用SLIC(simple linear iterative clustering)方法结合马尔科夫吸收链进行图像显著性检测,获取显著图,实现符合视...针对自然场景下获取的叶片病斑图像,提出利用图像显著性检测与模糊C均值聚类方法相结合的叶片病斑区域提取方法。首先,利用SLIC(simple linear iterative clustering)方法结合马尔科夫吸收链进行图像显著性检测,获取显著图,实现符合视觉特征的显著区域检测;其次,利用模糊C均值聚类算法对显著图进行分割,进而获取二值化后的叶斑图像;最后,结合原始图像获取最终叶片病斑区域。试验结果表明,叶片病斑区域提取比较准确,满足病斑进一步处理和分析的要求。展开更多
基于模糊 C 均值（FCM）聚类算法将金刚石砂轮表面检测数据划分成金刚石和结合剂两个类别，以数据的质心初始化聚类中心，用迭代的方法分别求出相应的最优聚类中心和隶属度矩阵，通过选取合适的隶属度阈值以及两个聚类中心的欧氏距离阈...基于模糊 C 均值（FCM）聚类算法将金刚石砂轮表面检测数据划分成金刚石和结合剂两个类别，以数据的质心初始化聚类中心，用迭代的方法分别求出相应的最优聚类中心和隶属度矩阵，通过选取合适的隶属度阈值以及两个聚类中心的欧氏距离阈值来区分金刚石和结合剂，确定磨粒边缘。为验证方法的可行性，对多组数据进行检测，并用模拟的砂轮表面形貌对此方法进行了评定，评定结果与设定值误差不超过2.0%。展开更多
文摘针对自然场景下获取的叶片病斑图像,提出利用图像显著性检测与模糊C均值聚类方法相结合的叶片病斑区域提取方法。首先,利用SLIC(simple linear iterative clustering)方法结合马尔科夫吸收链进行图像显著性检测,获取显著图,实现符合视觉特征的显著区域检测;其次,利用模糊C均值聚类算法对显著图进行分割,进而获取二值化后的叶斑图像;最后,结合原始图像获取最终叶片病斑区域。试验结果表明,叶片病斑区域提取比较准确,满足病斑进一步处理和分析的要求。
文摘基于模糊 C 均值（FCM）聚类算法将金刚石砂轮表面检测数据划分成金刚石和结合剂两个类别，以数据的质心初始化聚类中心，用迭代的方法分别求出相应的最优聚类中心和隶属度矩阵，通过选取合适的隶属度阈值以及两个聚类中心的欧氏距离阈值来区分金刚石和结合剂，确定磨粒边缘。为验证方法的可行性，对多组数据进行检测，并用模拟的砂轮表面形貌对此方法进行了评定，评定结果与设定值误差不超过2.0%。
