水稻冠层图像分割方法对比研究

水稻冠层信息在自动化管理上具有重要指导意义,但田间多变光照强度环境显著降低了水稻冠层图像分割和信息提取的精度。为降低光照强度的干扰,本文基于RGB、CIEL~*a~*b~*、HSV色彩空间和多色彩空间(包括RGB、CIEL~*a~*b~*和HSV色彩空间)构建水稻冠层图像的色彩特征组合,然后通过支持向量机(SVM)的线性核函数对水稻冠层图像进行分类识别,其分割方法分别定义为rgb-SVM、lab-SVM、hsv-SVM和Multi-SVM。同时,利用此方法对不同光照强度下的水稻冠层图像进行分割,并与常用的Ex GOtsu分割方法进行对比,比较不同方法的分割效果和光强稳健性。结果表明,rgb-SVM的分割效果优于Ex GOtsu方法,但对晴天条件下获取的水稻冠层图像的分割误差仍较大,光强稳健性低;lab-SVM和hsv-SVM分割方法的分割精确度较低,存在一定的欠分割现象;基于多色彩空间和支持向量机的Multi-SVM分割方法的分割效果最佳,该方法对不同光强下获取的水稻冠层图像的分割误差均控制在4.00%以内,具有较好的光强稳健性。因此,基于多色彩空间和支持向量机的Multi-SVM分割方法能够相对准确地将水稻像元从水稻冠层图像中分割出来,且对田间多变光强条件具有一定的稳健性,可为田间水稻生长发育监测和自动化管理提供一定的技术支持。     

基于机器视觉技术的尖椒冠层SPAD值测定仪的开发

为了快速准确地测量尖椒的冠层植被指数值,该文在理论分析的基础之上,开发了一套基于机器视觉技术的用于测量尖椒冠层SPAD(soil and plant analyzer development,SPAD)值的仪器。该仪器利用步进电机控制载有绿波段和近红外波段两片滤光片的转台,实现滤光片在CCD相机镜头前的切换,从而得到冠层的绿色波段图像和近红外波段图像。制作了近红外反射率在尖椒冠层和土壤背景之间的参照板,并以其为阈值结合冠层的近红外图像来分离尖椒冠层和土壤背景。通过建立图像灰度值和反射率之间的动态模型,计算作物冠层在相应波段的反射率,得到冠层植被指数,将作物冠层的SPAD值作为对比进行分析。经过试验建立该仪器测得的冠层植被指数GNDVI(green normalized difference vegetation index,GNDVI)值和冠层实际SPAD值之间的模型,结果表明两者之间具有较高的相关性,决定系数R2=0.8768。表明该仪器适用于尖椒冠层SPAD值的测定。     

基于逻辑回归算法的复杂背景棉田冠层图像自适应阈值分割

棉田冠层覆盖度是监测棉田棉花长势的重要指标,针对棉田复杂环境中冠层图像难以准确分割的问题,该文提出了一种基于逻辑回归算法的复杂背景棉田冠层图像自适应阈值分割方法。首先将棉田冠层图像像素分成叶片冠层和地表背景2类,在HSV颜色空间中分别提取两类像素的H通道值,在RGB颜色空间中分别提取绿色占比值(G/(G+R+B))作为颜色特征;再利用逻辑回归算法确定出各颜色特征的分割阈值,通过H通道分割阈值实现图像的初次分割;再对初次分割结果中的低亮像素使用逻辑回归算法计算出的超绿特征阈值进行低亮像素分割,同时采用绿色占比分割阈值对图像高亮像素及低亮像素分割结果整体实现二次分割,最后采用形态学滤波方法对分割结果进行优化。为评价该分割方法,利用从新疆棉花产区采集到的320幅棉田冠层图像进行试验。结果表明,该方法可在棉田复杂自然背景下,有效分割出棉田冠层区域,平均相对目标面积误差率仅为5.46%,总体平均匹配率达到93.07%;优于超绿特征OTSU分割方法(平均相对目标面积误差率11.78%,总体平均匹配率76.43%)、四分量分割方法(平均相对目标面积误差率24.11%,总体平均匹配率71.67%)、显著性分割方法(平均相对目标面积误差率36.92%,总体平均匹配率66.92%)。该方法的平均处理时间为4.63 s,相对于超绿特征OTSU法(3.84 s)和四分量分割法(2.56 s),耗时多一些,但与显著性分割法(6.25 s)对比,花费时间要少。研究结果可为棉田自然复杂环境下机器视觉技术监测棉花覆盖度提供一种有效途径。     

基于改进均值漂移算法的绿色作物图像分割方法

针对绿色农作物图像背景复杂且分割难的问题,提出一种基于改进均值漂移算法的分割方法。采用均值漂移算法对图像进行平滑和分割时,带宽的选择直接影响平滑和分割的结果。传统的均值漂移分割方法需要人为地设定空域带宽和值域带宽这2个参数。该文首先根据绿色作物图像的颜色特点,提取图像的颜色指数;然后采用均值漂移算法,将图像的颜色信息与空间信息结合起来,根据作物图像颜色分布的丰富程度定义自适应空域带宽,采用渐近积分均方差来获得自适应值域带宽,对图像进行平滑滤波;最后采用 Otsu 方法将平滑后的图像分成两部分：绿色部分和背景部分。试验结果表明,该方法能够有效地分割出绿色作物,并在分割性能上明显优于常规的颜色指数方法,作物图像的错分率均小于6.5%。     

基于水稻冠层植被指数的龟裂碱土盐碱化信息预测研究

土壤盐碱化是危及农业生产的重大生态环境问题,遥感技术可以通过植被冠层光谱来估测土壤的盐碱化程度。试验结果表明:土壤pH与ESP(exchangeable sodium saturation percentage)之间有极显著相关关系;随着生育期的推移,水稻冠层NDVI逐渐增大,RVI逐渐减小,孕穗期水稻冠层NDVI值最高,RVI值最低。从拔节期到乳熟期的水稻冠层NDVI和RVI与相应时期的土壤pH和ESP都有较好的相关性,而且随着作物生长期的延伸,NDVI估测土壤pH和ESP的准确性有增加的趋势;返青期和分蘖期相关性不稳定。NDVI和RVI对pH和ESP估测的精度无显著性差异,但NDVI对ESP的估测效果更好一些。所以,从拔节期到乳熟期,通过水稻冠层植被指数可以较准确地预测龟裂碱土的碱化程度。     

基于机器视觉的植物群体生长参数反演方法

为实现植物群生长参数在线无损检测,采用机器视觉技术捕获植物群冠层图像,通过RGB空间超绿色-超红色指标(excess green minus excess red,ExG-ExR)、超绿色指标(excess green,ExG)和归一化差异指标(normalized difference indices,NDI)3种指标分割植物群冠层图像,提取植物群图像特征参数:覆盖率、冠层幅长和冠层幅宽,并结合人工测量植物群体参数:茎秆高度、茎直径、叶面数量、坐果数量和叶面指数(leaf area index,LAI)(拟合值),建立植物群5个生长参数的5种反演模型分别为覆盖率反演模型、冠层幅宽反演模型、冠层幅长反演模型、回归方程反演模型和均值反演模型。结果表明:采用ExG-ExR分割的植物群冠层区域与人工提取区域重合度大于99.5%,识别率大于98.2%,分割性能优于ExG+Otsu和NDI+Otsu分割方法。采用120幅反演模型验证图验证反演模型性能,结果表明植物群冠层覆盖率反演模型反演5个植物群生长参数时,其反演值与测量值间相关性决定系数大于0.958,性能优于冠层幅宽和幅长反演模型,而回归方程和均值反演模型在反演植物群5个生长参数时,都仅有2个参数反演性能优于覆盖率反演模型。茎秆高度、叶面数量、茎直径、坐果数量和LAI的反演模型反演值与测量值间线性相关决定系数最高分别为0.979、0.976、0.979、0.965和0.973,标准误差(standard error,SE)分别为10.55 cm、1.37、0.213 mm、0.672和0.055,其对应的反演模型分别为均值反演模型、覆盖率反演模型、覆盖率反演模型、覆盖率反演模型和均值反演模型。通过机器视觉技术及反演模型能够在线无损准确反演植物群生长参数,为温室环境调控及精准肥水一体灌溉控制系统提供具有代表性意义的决策依据。     

基于颜色特征的绿色作物图像分割算法

绿色作物的识别是农业机械视觉系统的重要研究内容之一,该文采用RGB颜色系统,基于统计分析提出了一种绿色作物图像分割方法。从简单物体光照颜色模型方面,分析了RGB颜色空间中作物绿色“恒量”（Gvalue>Rvalue and Gvalue>Bvalue）的存在性,构建了作物图像分割相对错误率评估模型。并与传统颜色索引方法Excess Green (ExG)+auto-threshold进行了对比分析。试验结果表明,在正常光照条件下：1）采用的算法对田间不同作物-土壤组图像分割的相对错误率均有显著影响;其中,相对ExG+auto-threshold算法,采用RGB算法的结果图像中大多能保留油菜、大豆和甘蔗的形态学特征;2）采用的算法、光照变化以及算法与光照变化的交互作用均对室外美人蕉图像分割的相对错误率有显著影响;其中,相对ExG+auto-threshold算法,采用RGB算法的结果图像中大多能去除背景噪声。单因子方差分析进一步表明,光照变化对采用ExG+auto-threshold算法分割图像的阈值有显著影响。该文提出的RGB算法相对传统的ExG+auto-threshold绿色索引,对于早期生长的绿色作物是一种有效、简单的图像分割方法,对作物-土壤、光照变化不敏感。     

利用EOS-MODIS数据提取作物冠层温度研究

利用EOS-MODIS遥感数据，基于线性混合模型，提出了一种新的作物冠层温度反演方法。首先，利用EOS-MODIS数据提取了陆地表面温度LST和植被指数NDVI。然后，假定地表只有植被和裸地两种组分，通过植被指数温度VI-Ts方法来估算裸土的组分温度，作物冠层温度通过线性混合模型来求解。为了验证反演的地表温度和冠层温度的精度，把反演的地表温度与NASA MODIS地表温度产品进行差值运算，在差值图像中90%以上的像元灰度值分布在-1和1之间，像元灰度的平均值小于0.5；同时在河北固城农业气象试验站对冬小麦冠层温度进行同步观测，通过与反演的冠层温度进行比较，其误差在±1.5℃左右。结果表明，文中所提出的作物冠层温度反演方法精度较高，其结果能够满足有关作物生长模型以及土壤水分模型对输入参数的精度要求。     

基于多示例图的小麦叶部病害分割方法

图像分割是作物病害自动识别的难点之一,传统的基于阈值或聚类的分割方法分割精度较低,为了提高作物病害的分割效果,该文提出了一种基于多示例图的分割模型,将作物病害的分割问题转化为在多示例框架下图的分割问题,同时在对作物病害图像分割的过程中引入空间信息,采用像素点信息和邻域信息的融合值形成特征空间,通过在包空间的有效度量方式将多示例学习与图的分割方法有效结合进行小麦叶部病害图像的分割,从而更好地度量示例包的内部差异和示例包之间的差异,同时兼顾了图像的局部信息和全局信息,通过对小麦锈病和白斑病图像的分割试验表明,所提出的模型具有较好的鲁棒性,并且分割效果明显高于传统的分割方法。     

基于图像提取技术计算夏玉米覆盖度和反演叶面积指数的精度评价

如何将农作物从复杂动态变化的农田场景中准确提取出来,是作物分割方法后续提取覆盖度或反演叶面积指数准确与否的关键。本文以郑州、泰安和固城站2011年和2012年生长季的夏玉米为研究对象,利用在线式图像自动传输装置实时获取户外不同光照强度以及真实农田复杂背景下的夏玉米群体动态图像,在对原始图像进行几何校正的基础上,采用AP-HI、ExG、ExGR和CIVE4种作物分割方法提取夏玉米覆盖度和反演叶面积指数,通过对比试验定量评价每种作物分割方法对农田复杂背景的适应能力和精度,并从中选取适合农田复杂环境下夏玉米冠层图像覆盖度和叶面积指数的有效提取方法。结果表明：光照强度变化以及植物阴影、植物残渣等复杂背景对作物分割算法的精确性影响较大,AP-HI方法在光照适应性和对抗复杂环境两个方面均优于其它方法,相对误差在0.2以下,高于目估法测量的精度;通过对比分析发现,利用4种作物分割方法通过冠层孔隙率估算不同生长期夏玉米LAI,AP-HI反演模型最优,其估算的LAI与实际测得的LAI值比较的相关系数最高,为0.89~0.96,均方根误差最小,为0.47~0.75。综合考虑模型的精度和稳定性认为,基于AP-HI方法反演叶面积指数的方法具有一定应用优势。     

基于玉米冠层原位监测的全生育期叶色建模及其应用

针对田间玉米冠层叶色变化难以定量描述问题,该文利用田问原位冠层监测系统,在摄像机自动曝光模式下连续采集多个玉米品种的冠层图像,揭示了复杂天气条件对图像和玉米冠层颜色的影响.利用概率密度统计分析方法分别计算玉米6个关键生育期的冠层亮度-色度分布,并针对冠层色度具有明确变化趋势且分离度较高的冠层亮度区间,建立了全生育期玉米冠层叶色模型.进而,基于该模型建立了适合不同玉米生育期的冠层图像自动分割方法,将玉米全生育期的冠层图像分割精度提升到82.6％,并揭示了不同品种玉米在叶片发育过程中冠层叶色与叶龄的相关性,利用登海605和农大108的冠层叶色预测出的生育期叶龄均方根误差RMSE (root mean squared error,RMSE)分别为1.14和1.41叶.试验结果表明,该文建立的玉米冠层叶色模型能够较好描述玉米关键生育期的冠层叶色变化规律,对玉米冠层图像分割、生育期估计、玉米品种表型鉴定具有重要意义.     

复杂背景下甜瓜果实分割算法

为解决复杂背景下甜瓜果实与背景图像分割的问题,该文提出了一种融合颜色特征和纹理特征的图像分割算法。首先,把采集到的甜瓜果实图像从RGB色彩空间分别转换到CIELAB和HSV色彩空间,应用a*b*分量建立角度模型,根据甜瓜果实的颜色特点选取阈值并对图像作二值化处理;为降低光照分布不均匀对图像分割的影响,采用HSV空间的HS颜色分量对果实图像进行阈值分割。在以上2种色彩空间分割的基础上,融合角度模型分割和HS阈值分割的结果,得到基于颜色特征的分割结果。然后,再按照图像的纹理特征对图像进行分割处理,融合按照颜色特征和纹理特征的分割结果。最后,为解决分割结果中的分割误差和边缘毛刺问题,以颜色特征分割的果实区域为限定条件,对按照融合特征分割的果实区域进行约束性区域生长,得到最终的图像分割结果。为了对该文提出算法的分割效果进行检验,采用超绿阈值分割算法和归一化差异指数算法(NDI)对试验图像进行分割,3种算法的平均检出率分别为83.24%、43.12%、99.09%。对比3种分割算法的检出率和误检率,可以看出,该文提出的算法试验结果明显优于超绿阈值分割算法和归一化差异指数(NDI)分割算法。     

利用无人机可见光遥感影像提取棉花苗情信息

为提高棉花苗情信息获取的时效性和精确性,该文提出了基于可见光遥感影像的棉花苗情提取方法。首先,利用自主搭建的低空无人机平台获取棉花3~4叶期高分辨率遥感影像,结合颜色特征分析和Otsu自适应阈值法实现棉花目标的识别和分割。同时,采用网格法去除杂草干扰后,提取棉花的形态特征构建基于SVM的棉株计数模型。最后,基于该模型提取棉花出苗率、冠层覆盖度及棉花长势均匀性信息,并绘制棉花出苗率、冠层覆盖度的空间分布图。结果显示,模型的测试准确率为97.17%。将模型应用于整幅影像,计算的棉花出苗率为64.89%,与真实值误差仅为0.89%。同时基于冠层覆盖度、变异系数分析了棉花长势均匀情况。该文提出的方法实现了大面积棉田苗情的快速监测,研究成果可为因苗管理的精细农业提供技术支持。     

基于高斯HI颜色算法的大田油菜图像分割

针对自然条件下光照条件变化给大田油菜图像分割带来的问题,该文研究了油菜图像的高斯HI颜色分割算法,为作物生长发育周期的自动识别提供前期准备。已有统计结果表明,在仅保留绿色作物的图像中,不同色调值的像素数量服从高斯分布。该文将去掉背景信息的样本数据从RGB颜色模型转换至HSI颜色模型后,统计各个光强的所有像素对应的色调值,并计算其期望值和方差,依次得出所有强度所对应色调值的期望值和方差,建立出油菜作物色调强度查找表(hue intensity-look up table)。在此基础上,计算每个像素的色调值和期望值之间的差值,若差值小于阈值,则像素被分割为作物,否则为背景。为了在高斯HI颜色分割算法中确定合适的阈值,该研究选取了45幅不同天气状况(晴天、阴天和雨天)不同发育阶段(苗期、三叶期和四叶期)的油菜图像作为样本,探讨阈值的选取与分割结果的关系。结果表明阈值在[2.4,2.6]内分割效果最佳,油菜目标的形状特征完整度最好。为了对图像分割结果进行评价,分别利用高斯HI颜色模型、CIVE(color index of vegetation extraction)、EXG-EXR(excess green-excess red)、EXG(excess green)和VEG(vegetation)算法对15幅不同天气状况的图像进行分割。从视觉效果上来看,高斯HI算法仅需少量样本,即可达到满意分割效果。与其他方法相比,高斯HI颜色分割算法的误分割率(misclassification error,ME)仅为1.8%,相对目标面积误差(relative object area error,RAE)仅为3.6%,均优于其他4种算法的试验结果。在分割结果稳定性上,高斯HI颜色算法表现最好,其ME和RAE值的标准差最低,分别为0.7%和4.5%。试验结果表明,高斯HI颜色算法能取得较好的分割效果,而且对光照条件变化并不敏感,同时,能够充分保留油菜形状特征的完整性,为后期油菜生长发育周期的自动识别提供可靠数据。     

基于数码相机图像的甜菜冠层氮素营养监测

为探究数码相机监测甜菜冠层叶片氮素的可行性,2014年于内蒙古赤峰市松山区太平地镇采用不同种植方案设计了田间试验。利用数码相机获取甜菜冠层数字图像,基于灰度值的阈值分割方法提取冠层图像的红光值(R)、绿光值(G)和蓝光值(B),交互调优R、G、B单色分量权重,提出三原色权值调优方法,并挖掘出适宜于表征甜菜冠层LNC(leaf nitrogen content)的基础调优参数BOP(basic optimal parameter)和归一化调优参数NOP(normalized optimal parameter)。结果表明:采用常规方法选取的敏感颜色参数G/R、NRI(R/(R+G+B))与冠层LNC的相关系数分别为0.80和0.79,三原色权值调优方法确定的调优参数BOP、NOP与冠层LNC的相关系数分别为0.83和0.84,算法优化后提高了颜色参数与冠层LNC的相关性。对比常规参数和调优参数对冠层LNC的预测精度,结果显示调优参数BOP、NOP建立模型的预测精度均高于常规参数G/R、NRI,BOP预测模型的决定系数R2和均方根误差RMSE(root mean square error)分别为0.69和2.65,NOP预测模型的R2和RMSE分别为0.68和2.73。该研究表明,在大田自然光照条件下,借助数码相机实时、准确监测甜菜氮素营养丰缺水平具有较高的可行性,数字图像处理技术在作物营养无损诊断中存在很大的应用潜力。     

基于图像特征点粒子群聚类算法的麦田作物行检测

为了快速准确地提取麦田作物行中心线,提出了基于图像特征点粒子群聚类算法的麦田作物行检测。首先,对自然光照下获取的彩色图像运用"过绿颜色因子图像灰度化"、"Otsu图像二值化"、"左右边缘中间线检测提取作物行特征点算法"3步对图像进行预处理。然后,根据农田作物行中心线周围区域的特征点到该直线的距离均小于某一距离阈值的特征,运用粒子群优化算法对每一作物行的特征点分别进行聚类。最后,对每一类的特征点用最小二乘法进行直线拟合获取麦田作物行中心线。试验结果表明,该算法可以对作物断行、杂草、土块等复杂农田环境下的图像进行有效地作物行检测,识别率达95%,识别误差小于3°。与标准Hough算法相比,运行速率提升了一倍。该文可为实现农业机器人田间作业提供参考。     

改进Otsu算法与ELM融合的自然场景棉桃自适应分割方法

针对动态行进过程中拍摄的自然棉田场景图像的棉桃分割问题,提出了一种改进的自适应优化分割方法。首先利用改进的Otsu分割算法定位棉桃区域,对棉桃和背景区域像素点的RGB值分别采样;将样本用于训练ELM(extreme learning machine)分类模型;把图像分割转化为像素分类问题,用分类模型对棉桃图像进行像素分类以实现棉桃图像的分割。对晴天和阴天场景下自然棉田的图像进行了算法验证,能正确分割棉桃并定位棉桃位置,实现了非结构光环境下对棉桃的无监督的采样和分割定位,每幅图像的平均分割时间为0.58 s,晴天和阴天状况下棉桃的平均识别率分别达到94.18%和97.56%。将该算法与经典分类算法SVM(support vector machine)和BP在增加纹理特征和采用RGB特征的情况下进行对比,并分析了该算法在分割速度和识别率上都有较大优势的原因。试验证明该算法在棉桃分割中有很好的实时性、准确性和适应性,可为智能采棉机的棉桃识别算法提供参考。     

基于改进全卷积网络的棉田冠层图像分割方法

针对传统的全卷积网络分割精度低、效果差等问题,该文提出一种结合条件随机场的改进全卷积网络棉田冠层图像分割方法。首先通过提取和学习图像特征对全卷积网络进行训练以优化其分割性能,得到初步分割结果和训练后的全卷积网络模型;接着将初步分割结果以像素和像素对应的分类向量形式输入到条件随机场中,同时结合像素间相对关系构建能量函数再进行训练,对初步分割结果进行优化得到训练后的条件随机场模型;进而通过验证过程对全卷积网络和条件随机场模型参数进一步调优,得到最优的全卷积网络和条件随机场;最后结合最优的全卷积网络和条件随机场实现棉田冠层图像分割并进行试验。试验结果表明:该方法的平均像素准确率为83.24%,平均交并比为71.02%,平均速度达到0.33 s/幅,与传统的全卷积网络分割性能相比分别提升了16.22和12.1个百分点,改进效果明显;与Zoom-out和CRFas RNN(conditional random fields as recurrent neural networks)分割方法进行对比,平均像素准确率分别提升了4.56和1.69个百分点,平均交并比分别提升了7.23和0.83个百分点;与逻辑回归方法和SVM(support vector machine)方法进行对比,平均像素准确率分别提升了3.29和4.01个百分点,平均交并比分别提升了2.69和3.55个百分点。该文方法在背景复杂、光照条件复杂等环境下可以准确分割出冠层目标区域,鲁棒性较好,可为棉花生长状态自动化监测提供参考。