视觉显著性与PCNN：提升桑葚图像智能识别的高效分割策略

该篇论文《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》发表于农业工程学报，旨在解决农业机器人在自然采摘环境下识别成熟桑葚时所面临的挑战。作者贺付亮、郭永彩、高潮和陈静合作，提出了一种创新的图像分割方法，利用视觉显著性理论和脉冲耦合神经网络（PCNN）模型。 首先，论文将采集的桑葚图像转换到Lab颜色空间，通过计算空间颜色分量的算术平均值和高斯滤波值的差异，构建出具有频率调谐特性的视觉显著图。这一步骤有助于突出桑葚在复杂背景中的显著特征，提高目标检测的准确性。 接着，研究人员在HSI颜色空间中提取色调分量，并进行均衡化处理，然后将其与视觉显著图融合，形成融合特征表示，进一步增强目标特征的表达能力。这种方法强调了色彩信息和显著性特征的综合运用。 在分割阶段，论文采用了改进的分层阈值化脉冲耦合神经网络模型，结合形态学处理，对融合特征进行处理，实现了成熟桑葚的精确分割。实验结果显示，该方法在不同光照条件下，能够有效地分割出成熟果实，其平均误分率仅为1.87%，远优于其他方法，如结合频率调谐视觉显著性的OTSU法（17.73%）、K-means聚类算法（10.69%）、基于Itti视觉显著性的PCNN分割方法（7.34%）和基于GBVS视觉显著性的PCNN分割方法（5.83%）。 这篇研究对于提升农业机器在采摘环境中的智能化识别能力，特别是在处理小目标、杂散分布和复杂背景下的桑葚果实识别具有重要意义。论文的关键词包括图像分割、机器视觉、模型、桑葚、视觉显著性、频率调谐和脉冲耦合神经网络，为相关领域的研究者提供了有价值的参考和实践指导。