基于视觉显著性和脉冲耦合神经网络的成熟桑葚图像分割

在现代农业技术中，机器视觉识别技术的应用不断扩展，尤其是在作物成熟度检测方面。桑葚作为一种营养价值高的浆果类水果，其成熟周期短，易腐烂，需要及时采摘。为了提高桑葚成熟度识别的效率和准确性，研究者们致力于开发新的图像处理技术。 本文介绍了一种结合视觉显著性和脉冲耦合神经网络（PCNN）的成熟桑葚图像分割方法。视觉显著性理论源于心理学和神经科学，它模拟了人类视觉系统如何选择性地关注场景中最有信息量的部分。在图像处理中，视觉显著性技术可以用来识别图像中的兴趣区域，从而为后续的图像分析提供重要的信息。 在桑葚图像分割的具体应用中，采集到的图像会被转换到Lab颜色空间中，利用空间颜色分量的算术平均值和高斯滤波值之间的差异构建一个频率调谐视觉显著图。这个显著图强调了图像中的显著区域，即可能是桑葚的区域，抑制了不重要的背景信息。 接下来，为了进一步提取桑葚目标的融合特征，需要提取原始图像在HSI颜色空间中的色调分量，并进行均衡化处理。然后将处理后的色调分量与视觉显著图进行融合。HSI颜色空间的优势在于将亮度（I）分量与颜色信息（H和S）分离，这使得图像处理时能更关注色彩信息，而不受亮度影响。 通过一种改进的分层阈值化PCNN模型进行目标分割和形态学处理。PCNN是一种模仿猫类视觉皮层神经元网络模型的算法，它通过神经元间的脉冲耦合来处理图像，能够有效地提取图像中的显著特征并进行分割。在桑葚图像分割中，这种方法不仅能够有效地分离出成熟桑葚，还能通过形态学处理进一步增强分割效果，以得到更准确的识别结果。 为了验证该方法的有效性，研究者们利用200余幅不同光照条件下的桑树挂果图像进行了试验。结果表明，该视觉显著性和脉冲耦合神经网络相结合的分割方法，在不同光照条件的复杂背景下仍能有效分割出成熟果实，其平均误分率仅为1.87%，远低于其他比较的分割方法，如结合频率调谐视觉显著性的OTSU方法、K-means聚类算法、基于Itti视觉显著性的PCNN方法和基于GBVS（graph-based visual saliency）视觉显著性的PCNN方法。 研究中提到的其他算法，例如OTSU方法是一种自适应阈值化的二值化方法，而K-means是一种聚类算法，用于图像分割时可以将图像像素点聚集成不同的区域。而Itti模型和GBVS模型则是基于视觉显著性的算法，旨在模拟人类视觉系统对图像中感兴趣区域的选择。 通过上述方法的应用，研究为成熟桑葚果实的智能化识别提供了参考，这对于提高桑葚果实的利用率和果农的经济效益具有重要的实际意义。未来的研究可以继续探索算法的优化，或者将该技术应用到其他植物果实的成熟度识别中，为智能农业的发展提供更多的技术支持。