基于SVM的棉田冠层图像分割方法研究

复杂环境下的棉田冠层图像由于成像环境光照不均、冠层阴影部分与土壤背景对比度低等因素给棉田冠层图像的准确分割带来了困难.在对上述问题进行研究后,提出了一种基于支持向量机(SVM)的图像分割方法.该方法首先以图像目标和背景两类像素的分割特征值构建样本数据集;运用训练好的SVM分类器对棉田冠层图像进行分割处理,最后使用数学形态学滤波方法对分割结果进行优化,获得棉田冠层图像的精确分割结果.实验结果表明,该方法可有效分割出棉田冠层区域,分割误分程度以及分割准确程度均优于常用分割方法.     

基于低空遥感的果树冠层信息提取方法研究

【目的】 果树冠层信息是反映果树生长状况的重要参数,准确提取果树的冠层信息对于果园的精细管理十分必要。【方法】 文章以苹果树和桃树为研究对象,利用无人机遥感获取果园影像数据,首先通过Mask R-CNN实例分割算法对果园果树冠层进行逐一分割,同时提取果树冠幅和冠层面积信息。然后利用果园正射影像结合QGIS软件,对果树冠层位置信息进行提取和可视化并通过目视解译对果树冠层参数信息提取结果进行评估。【结果】 当交并比为0.5时,模型检测分割结果最优,测试集语义分割精确度为66.3%,目标检测精确度达到63.9%。总体冠层面积实测值与模型预测面积之间的平均相对误差为12.44%,均方根误差为0.5 m²。冠幅实测值与模型预测的面积之间的平均相对误差为16.39%,均方根误差为0.39 m,在一定范围内验证了模型对冠层面积和冠幅信息提取的可靠性。【结论】 结合无人机遥感数据和Mask R-CNN实例分割算法可有效地将果树冠层分割出来,并且能够较为准确地提取果树冠层的相关参数信息,可为果园的精细管理提供一定的技术支撑。     

基于改进SLIC的光照干扰下茶树冠层图像分割

针对自然环境下获取农作物图像时极易受到光照干扰的问题,提出一种改进的简单线性迭代聚类(SLIC)方法,以[L~*,R,G-S,x,y]作为聚类向量对茶树冠层图像进行超像素分割,提取超像素块的R、G、B、H、S、V、L~*、a~*、b~*、熵、能量、对比度、逆差矩等13个图像特征参数;将超像素块分为正常区域、反光区域、背景3类,分别选择线性、多项式和RBF核函数的SVM进行分类,得到仅包含正常区域的茶树冠层图像,进而提取正常区域的图像特征参数。试验结果表明,在光照变化情况下,改进的SLIC与RBF-SVM结合得到的图像特征最为稳定。     

基于无人机影像阴影去除的苹果树冠层氮素含量遥感反演

【目的】去除无人机多光谱遥感影像中的阴影,以提高苹果树冠层氮素含量反演模型精度。【方法】以山东省栖霞市苹果园为试验区,利用2019年6月采集的无人机多光谱影像,分别基于归一化阴影指数（normalized shaded vegetation index,NSVI）和归一化冠层阴影指数（normalized difference canopy shadow index,NDCSI）去除果树冠层多光谱影像中的阴影,提取非阴影区域果树冠层光谱信息;通过相关性分析方法,将基于原始光谱影像和基于NSVI、NDCSI去除阴影后提取的光谱数据与实测叶片氮素含量进行相关性分析,分别筛选氮素含量的敏感波段并构建光谱参量;采用偏最小二乘（partial least square,PLS）及支持向量机（support vector machine,SVM）方法构建果树冠层氮素含量反演模型并进行精度检验。【结果】绿光波段和红光波段为果树冠层氮素含量反演的敏感波段;阴影削弱了果树冠层的光谱信息,去除阴影前后,冠层多光谱各波段光谱差异较大,在红边波段及近红外波段尤为明显;基于2个阴影指数去除阴影后构建的氮素反演模型精度均有提升,最优模型为基于NDCSI去除阴影后构建的支持向量机氮素含量反演模型,该模型建模集R²和RPD分别为0.774、1.828;验证集R²和RPD分别为0.723、1.819。【结论】基于NDCSI可有效去除无人机多光谱果树冠层影像中的阴影,提高氮素含量反演精度,为果园氮素精准管理提供了有效参考。     

基于H分量K-Means多种环境条件下谷子冠层图像提取

以谷子为研究对象,采集谷子阴天、背景复杂有阴影、光照不均、露水雨水反光4类环境条件下的冠层图像,分别采用超绿分割、Lab空间K均值聚类分割和基于H分量的K均值聚类分割3种算法进行冠层提取,探究不同条件下谷子冠层提取的最优方法。对于阴天和背景复杂有阴影的谷子冠层图像,3种算法均可以较完整地提取,分割准确率均达到93%以上;对于光照不均的图像,超绿分割效果最差,基于Lab空间和基于H分量下的K均值聚类分割效果相对优异,分割准确率分别为93%和96%;对于露水雨水反光的图像,基于H分量的K均值聚类分割准确率最高,达到97%。基于H分量的K均值聚类算法对4种不同环境条件下获取的谷子冠层图像分割效果均较理想,为后续谷子生长自动监测提供了一定的参考价值。     

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Lab颜色空间下的小麦赤霉病图像分割

针对智能识别小麦赤霉病方法中分割患病麦穗图像效果不佳的问题,运用中值滤波方法对患赤霉病麦穗图像进行降噪预处理,采用基于阈值的最大类间方差算法(OTSU)、基于聚类的k-means算法在RGB、HSV和Lab颜色空间中对小麦扬花期到黄熟期感染赤霉病的麦穗图像进行分割,提取出麦穗的病害部分。采用试验田环境下扬花期到黄熟期200张患赤霉病的麦穗图像进行分割试验,结果表明:将图像从RGB颜色空间转化为Lab颜色空间并对a分量采用最大类间方差算法(OTSU)进行分割的效果最佳,误分率仅有1.11%。     

基于OpenCV的畸形马铃薯识别方法

为了研发基于OpenCV自动识别畸形马铃薯的计算机视觉系统,首先采集了93个的马铃薯样本图像,对其进行HSV颜色空间转换、颜色分割、中值滤波和轮廓提取,有效分割出马铃薯的边界轮廓;然后对其轮廓进行二维傅里叶变换,提取70个样本构成的训练集;采用广泛运用于计算机视觉领域的图像预处理及特征提取方法提取10个傅里叶幅度值,利用其构建并训练SVM分类器;最后通过训练好的SVM分类器对未知形状的23个马铃薯进行识别。结果表明:基于OpenCV的畸形马铃薯识别方法能正确判断马铃薯是否为畸形,识别准确率约为95.6%;其中,畸形马铃薯的识别率达到100%。这表明发展计算机视觉系统在自动检测和分类畸形农产品中有较大应用潜力。     

基于无人机影像的高郁闭度杉木纯林树冠参数提取

  目的  冠幅是树冠结构的重要特征因子，直接影响树木的生产力和生命力，郁闭度是反映森林冠层结构与密度以及评价森林经营管理采伐强度的重要指标之一。利用无人机可以云下飞行，易于获取图像，精度高，低成本等优势，研究无人机影像上提取树冠参数的方法，使无人机影像提取林木树冠参数的操作系统化，实现精准高效的森林资源清查和监测。  方法  以福建将乐林场杉木人工纯林为研究对象，采用四旋翼无人机影像为数据源，基于面向对象分类的方法，将杉木纯林的树冠参数从无人机影像中提取出来。面向对象分类的方法需要先利用ESP工具选取最优分割尺度，然后根据影像的分割结果将树冠对象聚为一类，进而统计每个树冠对象栅格像素个数计算出树冠冠幅面积以及林分郁闭度。  结果  面向对象分类有效地对高郁闭度林分进行了树冠的提取。在分割尺度为70时，单木树冠分割效果最好，树冠被单独分割出来，但也存在一定的过分割以及未分割的问题，以至于部分单木的丢失。分割结束后，对分割对象进行特征空间的优化，选取适当的分类特征，最终将研究区分为树冠和林隙两类。通过统计每个对象栅格点数，计算得出的林分因子包括林分郁闭度，树冠面积。以地面实测数据作为参考，冠幅面积提取精度为0.829 1，林分郁闭度测量精度为0.973 1。  结论  研究结果表明，基于无人机高分辨率影像的树冠参数提取在高郁闭度林分同样适用，能有效提高森林资源调查的效率并且能够满足森林资源调查的精度。      

基于清晰度的茶叶嫩芽聚类分割方法

针对自然环境下茶叶嫩芽图像分割易出现过分割和欠分割等问题,提出一种基于清晰度评价和颜色聚类级联的嫩芽图像分割方法,并结合Tenengrad梯度评价和滑动分割获取清晰度较高的图像区域,然后在RGB、HSV、Lab、YCbCr颜色模型下进行聚类分割。结果表明,选取Tenengrad梯度值的上四分位数作为清晰度初选阈值,漏选率为25%;在HSV颜色模型下,利用K-means聚类方法完成嫩芽图像分割,晴天和阴天环境下嫩芽图像分割精度分别为72.48%和77.83%,较直接K-means分割方法相比,假阳性率分别减少5.19%和2.03%。该方法能够实现自然环境下茶叶嫩芽图像的有效分割,减少欠分割和过分割,为茶叶智能采摘提供理论参考。