基于空频变换的木材缺陷图像分割

针对木材缺陷这一自然纹理型事物,为了提取出其缺陷目标部分,进行下一步的分析和识别,采用一种空频变换方法对缺陷图像进行分割。选取虫眼、死节、活节3类木材缺陷图像样本各50个,构造一组多通道的Gabor滤波器对缺陷图像进行滤波,并提取出图像的多方向Gabor能量特征。最后结合模糊聚类算法和数学形态学后处理操作对缺陷图像进行了成功的分割。实验结果表明,此方法对3种木材缺陷图像的平均分割正确率分别达到了95.81%、94.58%、96.52%,证明了该方法的有效性。     

基于模糊聚类的番茄目标快速识别算法

为准确而又快速地识别图像中的番茄目标,提出一种基于模糊聚类算法(fuzzy clustering means,简称FCM)的番茄目标识别方法,在目标函数中引入隶属度约束项,加快模糊聚类算法的收敛速度,快速分割番茄目标图像。为验证算法的有效性,利用多张番茄图像进行图像分割试验,并将本算法与FCM算法、Otsu算法的分割效果进行对比,结果表明,本算法对番茄目标的识别速度与识别准确率都得到了一定程度的提高。     

基于机器视觉的新生仔猪目标识别方法研究与实现

[目的]新生仔猪目标检测是母猪分娩监测的关键环节。[方法]通过自制图像采集器采集母猪分娩视频图像,机器视觉系统获取分娩图像信息,选取Canny算子对图像进行边缘检测,采用Otsu算法对图像进行二值变换,应用滑动平均算法和形态学开运算对二值图像滤波消噪,提取图像最大连通域,利用团序列检测算法对母猪目标进行分割,对分割后区域进行仔猪目标识别。[结果]试验结果表明,团序列检测算法能够准确分割出母猪目标,检测仔猪目标的正确率达到95.5%。[结论]提出一种能够有效识别新生仔猪目标的方法,为仔猪的出生预警提供了技术支撑。     

基于双阈值分割的苗期杂草识别算法

提出了一种基于双阈值分割的苗期杂草识别算法。首先通过2个阈值分割得到2幅分割图像,再结合形态学操作融合2幅分割图像后进行识别得到作物图像;参考现有除草剂喷洒方案将作物图像分为6行8列的子区域,根据每个子区域是否有作物像素点决定是否喷洒除草剂。结果表明,该方法基本上实现了苗期杂草的防治,并节省了45%左右的除草剂。     

基于超像素特征向量的果树冠层分割方法

针对无人机精确植保过程中,果树冠层区域颜色特征和杂草相似度较高、难以分割等问题,采用基于超像素特征向量的果树冠层分割方法,以消除不同杂草特征对树冠分离的干扰,减小农药喷雾区域,节省农药使用量.通过分析无人机采集合成的样本图像在HSV彩色空间上色调与饱和度的分布情况,选取合适的阈值范围,提取样本图像中包含果树冠层与杂草的绿色区域,将提取的绿色区域RGB图像转换生成Lab和HSV彩色空间模型下的图像,然后运用简单的线性迭代聚类(Simple linear iterative clustering,SLIC)超像素分割算法将RGB图像预设分割成250个超像素单元,结合超像素的分割信息与RGB图像、Lab图像、HSV图像以及灰度图,提取超像素单元的特征向量,随机选取25％的超像素样本的特征向量作为SVM分类器的训练集,利用SVM分类器对所有样本进行预测分类,实现果树冠层与杂草分割.将基于超像素特征向量的方法和基于光谱阈值、K-means聚类的2种方法进行对比分析,结果显示,基于超像素特征向量的方法在识别果树冠层位置方面生产者精度为90.83％,在提取果树冠层轮廓上F测度值为87.62％,总体分割性能优于后两种方法.说明,基于超像素特征向量的方法能够较为准确地分割果树冠层与杂草,为实现无人机在果园中精确植保提供重要支撑.     

基于机器视觉的成熟柑橘自动识别研究

针对自然生长状态下成熟柑橘图像的识别问题,采用2R-G-B色差分量,通过Ostu自适应阈值算法进行图像分割,用面积阈值的方法消除噪声来获取成熟柑橘图像的目标区域,然后利用最小二乘拟合方法拟合出目标区域的质心及半径等特征参数。结果显示,识别正确率在90%以上。     

基于近红外图像的杂草识别研究

利用近红外图像识别杂草,使用均值法和最大方差自动取阈值法去除土壤背景,利用作物和杂草的形态差异识别杂草。结果表明,利用近红外图像进行土壤背景分割,相对误差小于0.049 0;应用形态学方法可有效识别作物和杂草,识别精度为85.0%-98.8%。     

隐马尔可夫模型下基于SIFT特征的局部遮挡目标识别

提出一种利用隐马尔可夫模型建立目标特征匹配库来识别图像中局部遮挡目标的新方法。该方法首先通过SIFT算法提取目标SIFT特征,然后采用隐马尔可夫模型对目标所有的SIFT特征进行训练,得到目标SIFT特征对应的模型输出概率范围,将该概率范围作为目标特征匹配库。在对图像中的目标进行识别时,利用目标特征匹配库可以把目标特征从图像所有特征中识别出来,即使目标遮挡比例为60%时,该方法仍能识别出目标。实验结果表明,新方法可以精准地识别出图像中被遮挡目标,能够很好地解决遮挡情况下的目标识别问题。与现有局部遮挡目标识别算法相比,新方法所取得的目标识别率均有所提高。     

改进分水岭算法在无人机遥感影像树冠分割中的应用

提出了一种基于NDVI植被指数计算的改进分水岭分割方法.利用该方法对原始无人机多光谱遥感影像进行波段甄选、NDVI指数计算、形态学滤波等预处理,得到树冠的显著性区域图像;再利用彩色向量空间梯度算法计算显著性区域图像的梯度,从显著性区域图像中提取树冠的顶点及其范围作为标记,加到梯度图像上;最后采用基于标记控制的分水岭算法对树冠层进行分割.结果表明,该算法能够有效去除输电线路等背景区域的影响,算法样本精度达到88.3%.     

基于高光谱成像的玉米螟无损检测最优波段的选取

为解决玉米茎秆虫害早期无损检测问题,以提供玉米虫害预测预警与精确喷药理论依据,利用高光谱成像技术,提出了分段混合距离方法,明确玉米茎杆玉米螟虫害无损检测的最优波段,提取单波段特征图像,分割虫孔,以实现对玉米螟的快速、准确、无损检测。首先通过对玉米茎杆高光谱图像的分析,根据玉米茎杆高光谱图像的玉米茎秆区域与背景区域各个波段的光谱反射率的差异,选取450nm的图像,利用阈值分割的方法,获得掩模图像。然后根据可见光波段530~600nm范围和近红外波段750~900 nm范围光谱相关性小的特点,应用混合距离作为测量参数,筛选最佳单波段、双波段组合,最终确定754.8 nm波段为最优波段。提取该波段的图像为特征图像,采用阈值分割与数学形态学方法对玉米螟虫孔进行分割,从而检测出玉米螟虫孔区域,判定玉米茎秆是否存在虫害。结果表明:通过对测试集和验证集中60个玉米螟玉米茎杆和40个正常玉米茎杆的检测分析,得出玉米螟的检测正确率为100%,正常玉米茎的检测正确率为90%,整体检测正确率为96%。说明所获得的最优波段可为开发玉米茎虫害多光谱成像检测仪提供参考。     

基于SVM的多光谱影像与SAR图像融合地物分类研究

多光谱遥感图像反映了不同地物的光谱信息,而SAR图像则反映了地表不同地物的后向散射强度信息。通过二者结合,可以实现优势信息互补,提高遥感影像分类的精度。多光谱影像与单波段单极化SAR图像融合分类有2种策略：一种是将SAR图像作为一个波段加入多光谱影像中进行分类;另一种先把多光谱影像与SAR图像融合,然后对融合后的图像进行分类。以成都市使用支持向量机分类方法对2种分类策略下的分类精度进行验证。结果表明,后者分类精度要高于前者,同时2种分类方法的分类精度都明显高于单独使用多光谱影像的分类精度。     

基于支持向量机分类的图像识别研究

提出了利用支持向量机（SVM）分类的方法对采集图像进行识别。采用计算机图像处理技术针对棉花苗期杂草图像进行分割,提取棉花与杂草的形状特征参数;选取最有效的特征数据组合输入SVM进行分类学习训练,实现杂草的有效识别。结果表明,使用该方法获得的图像识别效率较高,在同等条件下,速度优于人工神经网络。     

深度学习在大豆叶片图像数据管理中的识别与分类研究

[目的/意义]为了提高大豆叶片图像的分类精度与效率,进一步对大豆叶片图像进行存储与管理。[方法/过程]本文利用深度学习方法,针对肉眼观察准确率较低且不同人群分类结果差异较大的大豆叶片图像数据提出了一种自动分类方法。本研究首先对大豆叶片进行ROI感兴趣区域划分,进而利用分水岭分割方法对大豆叶片进行提取,最后通过深度学习高效精确的实现了大豆叶片的分类识别。[结果/结论]通过分析大豆叶片形态图像特点后,基于深度学习开展了对大豆叶片形态的分类识别的研究,达到了较高的识别准确率。     

基于MERSI和ETM＋遥感图像融合的湿地苇田识别研究

采用Gram—Schmidt变换和像素级融合方法,将不同空间分辨率的MERSI影像与ETM＋影像进行融合,用于识别盘锦湿地苇田,并对融合结果进行了主观和客观评价。结果表明：采用Gram-Schmidt变换融合方法保留了MERSI影像的多光谱特性。提高了影像的空间细节。对空间分辨率之比（达1：9）较高的影像融合进行了分析,能够满足湿地苇田识别的应用目的。     

油菜氮素的多光谱图像估算模型研究

 【目的】充分利用可见光、近红外多谱段图像的反射强度分布信息进行油菜氮素诊断,实现对油菜氮素水平的定量估算,为油菜营养的科学管理提供理论依据和技术支撑。【方法】利用多光谱CCD获取不同氮素水平的油菜冠层图像,采用中值滤波法对图像进行预处理;通过二维最大信息熵阈值分割法对多光谱图像进行背景分割;对多光谱图像的均值和比值、差值融合特征进行提取。【结果】通过相关分析,发现ARV1、AVS560、ADV1、AVS660、g等特征在整个生长期与油菜氮素的相关性均较高,考虑到多光谱变量间存在的多重共线性影响,利用逐步回归法建立了不同生长期油菜氮素的多光谱图像特征预测模型。【结论】初步探明了不同生育时期油菜氮素的多光谱图像特征,实现了采用多光谱图像技术对油菜氮素水平的定量估算。     

基于无人机多光谱遥感图像的玉米田间杂草识别

【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法（support vector machines-feature recursive elimination,SVM-RFE）和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支持向量机总体精度为89.13%—91.94%,Kappa>0.79,随机森林总体精度为89.27%—90.95%,Kappa>0.79。【结论】SVM-RFE算法对数据降维效果优于Relief算法,支持向量机（SVM）模型对区域冠层尺度下玉米与杂草的分类效果最好。     

基于小波融合的泉州市QuickBird影像绿地信息提取

以2006年泉州市部分QuickBird多光谱影像与全色影像为实验区数据基础，在遥感软件ERDASIMAGINE9．2平台支持下，应用小波融合算法及融合规则实现QuickBird融合处理，在此基础上进行归一化植被指数（NDVI）运算，通过人机交互式提取得到实验区5种主要的绿地类型：公园绿地、生产绿地、防护绿地、附属绿地及其他绿地．结果表明：1）QuickBird多光谱影像、全色影像的信息熵分别为3．975，4．162，而QuickBird融合影像的信息熵为7．251，明显高于前两者，融合后空间信息更丰富；2）QuickBird融合影像的平均梯度是3．328，多光谱影像、全色影像分别是1．552，2．965，融合影像纹理特征更明显；3）QuickBird融合影像与多光谱影像的偏差是0．0359，全色影像的偏差为0．0562，均接近于0，小波融合影像较好地保持了源图像的光谱特性；4）绿地信息分类提取的精度为89．6％，趋近90％．     

Using Deep Learning for Soybean Pest and Disease Classification in Farmland

To accurately identify soybean pests and diseases, in this paper, a kind of deep convolution network model was used to determine whether or not a soybean crop possessed pests and diseases. The proposed deep convolution network could learn the highdimensional feature representation of images by using their depth. An inception module was used to construct a neural network. In the inception module, multiscale convolution kernels were used to extract the distributed characteristics of soybean pests and diseases at different scales and to perform cascade fusion. The model then trained the SoftMax classifier in a uniformed framework. This realized the model of soybean pests and diseases so as to verify the effectiveness of this method. In this study, 800 images of soybean leaf images were taken as the experimental objects. Of these 800 images, 400 were selected for network training, and the remaining 400 images were used for the network test. Furthermore, the classical convolutional neural network was optimized. The accuracies before and after optimization were 96.25% and 95.81%, respectively, in terms of extracting image features. This type of research might be applied to achieve a degree of automation in agricultural field management.     

基于多光谱图像的水稻穗颈瘟严重度识别研究

为实时获取作物病害程度信息,研究了水稻穗颈瘟的多图像分割方法,并利用分割结果来估测穗颈瘟的发病程度.由于图像中背景复杂,从获取的多光谱图像中提取IR、R、G分量,难以将水稻穗颈从背景中分割出来.采用IR-G和2IR-R-G分割方法将水稻穗预从图像中分离出来,31幅图像中水稻穗颈灰度值与病情指数呈极显著线性相关,由此建立了水稻穗颈瘟严重度的多光谱图像预测模型,实现了对水稻水稻穗颈瘟的快速、准确、非破坏性检测.