计算机工程与科学
計算機工程與科學
계산궤공정여과학
COMPUTER ENGINEERING & SCIENCE
2011年
4期
98-101
,共4页
SOFM%杂草识别%图像分割%超绿特征
SOFM%雜草識彆%圖像分割%超綠特徵
SOFM%잡초식별%도상분할%초록특정
针对在杂草图像分割方面存在使用阈值分割需要选择分割阈值、图像分割精度不高等不足,本文结合超绿特征分割算法和SOFM网络,构造出一种杂草图像识别模型--G-SOFM空间聚类模型.该方法是一种无监督学习方式,不需要指定阈值,利用网络自组织、自竞争的特性,实现对杂草图像的分割.在对图像进行超绿特征处理之后,使用超绿特征的灰度和归一化两个特征向量,实现SOFM空间聚类.实验结果表明,改进的G-SOFM方法相比其他三种杂草图像分割算法的分割结果都有一定的提高,分别比HIS阈值分割、超绿特征分割、双阈值分割提高28%、20%、21%.本算法结合后期形态学去噪后,识别正确率可达94%.
針對在雜草圖像分割方麵存在使用閾值分割需要選擇分割閾值、圖像分割精度不高等不足,本文結閤超綠特徵分割算法和SOFM網絡,構造齣一種雜草圖像識彆模型--G-SOFM空間聚類模型.該方法是一種無鑑督學習方式,不需要指定閾值,利用網絡自組織、自競爭的特性,實現對雜草圖像的分割.在對圖像進行超綠特徵處理之後,使用超綠特徵的灰度和歸一化兩箇特徵嚮量,實現SOFM空間聚類.實驗結果錶明,改進的G-SOFM方法相比其他三種雜草圖像分割算法的分割結果都有一定的提高,分彆比HIS閾值分割、超綠特徵分割、雙閾值分割提高28%、20%、21%.本算法結閤後期形態學去譟後,識彆正確率可達94%.
침대재잡초도상분할방면존재사용역치분할수요선택분할역치、도상분할정도불고등불족,본문결합초록특정분할산법화SOFM망락,구조출일충잡초도상식별모형--G-SOFM공간취류모형.해방법시일충무감독학습방식,불수요지정역치,이용망락자조직、자경쟁적특성,실현대잡초도상적분할.재대도상진행초록특정처리지후,사용초록특정적회도화귀일화량개특정향량,실현SOFM공간취류.실험결과표명,개진적G-SOFM방법상비기타삼충잡초도상분할산법적분할결과도유일정적제고,분별비HIS역치분할、초록특정분할、쌍역치분할제고28%、20%、21%.본산법결합후기형태학거조후,식별정학솔가체94%.
