基于HSV空间颜色直方图的油菜叶片缺素诊断

为实现快速而准确的油菜缺素诊断,根据不同缺素导致叶片颜色的变化,提出一种基于HSV颜色空间的非均匀直方图量化和组合多个支撑向量机分类器的智能化油菜缺素分析与诊断方法。采用霍格兰配方配制营养液,并使用山崎配方无土栽培技术,模拟正常、缺氮、缺磷、缺钾、缺硼5类营养状况下的油菜生长条件,栽培了一批甘蓝型双低油菜新品种阳光2009,采集幼苗期5类油菜叶片图像建立缺素数据库。首先使用主动轮廓模型分割油菜叶片区域,然后提取分割后的油菜叶片区域的HSV颜色直方图特征,并采用非均匀量化表征不同缺素油菜叶片图像的颜色差异,最后利用一对多方案训练多个支持向量机（support vector machine,SVM）分类器实现不同缺素油菜叶片图像的分类识别。缺素分类试验结果表明,该方法能较准确地判别常见油菜的缺素类型,对5种缺素的总体识别率达到93%,为数字化和智能化的油菜营养分析与诊断提供了一条有效途径。     

基于MF-DFA特征和LS-SVM算法的刀具磨损状态识别

鉴于多重分形理论在精细刻画系统非线性现象和过程方面具有的独特优势,该文提出了基于多重分形去趋势波动分析和最小二乘支持向量机的刀具磨损状态识别方法。首先,用MF-DFA(multifractal detrended fluctuations analysis)方法处理去噪后的刀具磨损声发射信号,讨论其长程相关性和分形特性;然后,分析对比了不同磨损阶段下多重分形谱参数的变化,筛选出能灵敏表征刀具磨损状态的多重分形谱参数:分形维数最大值点对应的奇异指数α_0,多重分形谱谱宽△α和广义Hurst指数波动均值△h(q)作为特征量;最后,利用LS-SVM(least square support vector machine)算法并对比支持向量机和神经网络算法实现刀具磨损状态识别,结果表明LS-SVM算法识别率最高,平均识别准确率达97.78%,验证了本文所提方法的有效性。试验结果表明,提取的特征对刀具磨损状态的变化非常敏感,可以分离相近的磨损状态,为刀具状态监测提供一种参考方法。     

黄土区露天煤矿排土场重构土壤颗粒组成的多重分形特征

排土场复垦土壤是由人为方式通过不同重构工艺构成的复杂整体,其由不同颗粒组成、具有不规则形状的特性,其核心工作是重构一个适合植被生长的土壤结构。为了更好地对排土场重构土壤结构进行定量表征,该文通过引入土壤多重分形理论,对山西平朔矿区安太堡露天煤矿排土场4种重构土壤方案(含砾石黄土母质覆盖、含煤矸石黄土覆盖、全黄土母质覆盖、含料姜土黄土覆盖)的2 mm以下土壤粒径分布进行了多重分形参数计算,计算参数包括广义维数谱D(q)、多重分形奇异性指数α(q)以及多重分形谱函数f(α(q))等,并对不同分形参数之间的关系进行了计算。通过研究发现:该研究区大型露天煤矿排土场重构土壤颗粒组成具有明显的多重分形特征,D(0)、D(1)、D(1)/D(0)、Δα和Δf反映了土壤颗粒分布的非均匀质特征;该研究区黄土重构剖面的土壤粒径分布范围较小、测度集中程度较高、离散程度较小,土壤粒径组成非均匀性低;多重分形参数之间具有较好的相关性,可以简化选择D(0)、D(1)/D(0)和Δα或D(0)、D(1)和Δf 3个参数实现对黄土区重构土壤颗粒组成分布的定量表征;黄土重构剖面0～90 cm内土壤多重分形参数变化明显,黄土区表层土壤覆盖厚度应在90 cm以上,煤矸石和砾石对重构土壤颗粒的离散程度有一定的影响,应排弃在90 cm以下土层。该研究可为黄土区露天煤矿排土场土地复垦以及重构土壤质量的量化提供理论依据。     

基于模糊C均值聚类的作物病害叶片图像分割方法研究

为提高作物病害图像的分割效果,根据作物病害图像的特点,提出了一种基于模糊C均值聚类算法(FCM)的作物病害图像自适应分割方法.该方法将像素的灰度与其邻域均值作为FCM的输入特征,变换FCM的隶属度函数使其包含图像的局部邻域特性;通过聚类有效性验证分析和试验确定模糊C均值聚类算法(FCM)的最优聚类数、模糊加权指数.运用该方法对棉花病害叶片图像进行分割.结果表明:该方法能较好将病斑部分和正常部分分割开,平均分割误差率小于5%,对作物病害图像的分割处理非常有效.     

生物炭添加对盐渍土CT孔隙序列分形特征来源的影响

为了揭示生物炭改良土壤孔隙的复杂结构及其影响因素，以江苏滨海盐渍土为研究对象，采用添加生物炭改良盐渍土，设置0,2%,5%(占表层0—20 cm土重比)3个生物炭添加水平。每年10月在水稻收割后，采用塑料环刀取表层(0—20 cm)原状土，进行Micro-CT扫描获取土壤CT孔隙序列。基于多重分形去趋势波动分析理论，并结合数据重排，分析施加生物炭对CT孔隙序列多重分形特征及其来源的影响。结果表明，所有处理的CT孔隙序列的复杂度均随着年份增长；2%生物炭处理的CT孔隙序列的复杂程度较0和5%生物炭处理分别提高7.54%和5.28%;概率密度函数与长程相关性均影响CT孔隙序列的多重分形特征；孔隙和空间的长程相关性是主要影响因素；生物炭的添加促使孔隙分形特征更易受到土壤中生物微生物活动的影响。研究结果为定量化分析生物炭改良盐渍土孔隙结构提供了理论支持。     

岔巴沟流域三维地貌多重分形特征量化

流域三维地貌形态的科学量化研究是地貌学研究和流域土壤侵蚀模型研究中的热点问题之一。该文针对流域三维地貌所具有的明显各向异性和三维立体特征,根据多重分形理论,构建了基于GIS的流域三维地貌多重分形计算模型及其实现方法;并以此为基础,结合流域数字高程模型(DEM),计算分析了岔巴沟5个研究子流域的三维地貌多重分形谱及其主要参数,探讨了流域三维地貌多重分形特征及其流域地貌表征意义。研究结果表明,该文建立的基于GIS的流域三维地貌多重分形计算模型可实现流域三维地貌多重分形谱及其特征参数的直接量化;岔巴沟5个研究子流域的三维地貌具有显著的多重分形特征;流域三维地貌多重分形谱及其主要参数可以更加敏感、更加全面地对流域三维地貌的总体特征进行描述,能够分层次地刻画流域内部的精细结构,从而更加突出地表现异常局部地貌变化特征。该文研究成果为流域三维地貌复杂形态的科学准确量化研究提供了一种新思路和新方法。     

基于图像分块及重构的菠菜重叠叶片与杂草识别

针对重叠叶片在识别过程中存在识别率低、形状特征失效等问题,该研究提出一种基于图像分块及重构的方法,实现菠菜重叠叶片杂草识别。采用超绿模型将菠菜RGB图像进行灰度化得到绿色植被前景图像。针对重叠叶片形状特征失效问题,采用图像分块方式得到不同大小的图像块,并提取图像块中作物和杂草的颜色特征、局部二值模式(local binary pattern,LBP)纹理特征、分形盒维数共78维特征,构造支持向量机(support vector machine,SVM)分类器完成图像块的分类识别。该研究提出图像块边缘扩充和投票窗口机制得到重构图实现图像块分类结果可视化。试验结果表明,该研究提出的方法平均识别率达到83.78%,高于K最近邻法(K-Nearest neighbor,KNN)、决策树法等,可以实现重叠叶片的杂草识别,从而为智能除草机的研制提供理论依据。     

黄土高原坡度因子的多重分形谱特征

[目的] 有效科学量化地形因子,兼顾地物局部与整体的自相似性,总结黄土高原不同地貌区坡度地形因子的多重分形特点,为后续黄土高原地形因子相关研究提供参考。[方法] 选取黄土高原不同地区数字高程模型（DEM）数据,采用盒维数计算多重分形谱方法,检验各研究区坡度数据的多重分形特征,对坡度因子进行多重分形运算,计算坡度分形体的多重分形谱和多重分形特征参数。[结果] 最小坡度奇异指数变化范围在黄土塬区为（1.82～2.90）,山地区为（1.92～2.43）,变化幅度较大;黄土丘陵区和河谷平原区最小坡度奇异指数范围分别是（1.94～2.07）和（1.85～2.19）,变化范围较小,地形较为均一。最大坡度奇异指数所对应的多重分形谱值最大值为1.63,在河谷平原区,最小值为1.57,在黄土塬区坡度最小地貌单元在河谷平原区所占比例最大,在黄土塬区所占比例最小。[结论] 不同研究区的多重分形谱差异可以真实反映出地形复杂程度。与传统量化方法统计的结果对比,多重分形特征参数能够客观反映黄土高原不同地形区域的多重分形特征。     

牛肉大理石花纹计盒维和信息维的测定

对牛肉大理石花纹几何特征进行定量描述，是牛肉大理石花纹等级自动判定系统的关键技术。通过对牛肉大理石花纹图像分形特征的分析及分形维数的测定，试图以分形维对牛肉大理石花纹的分布特征进行定量描述。作者以中国及美国牛肉分级系统中的大理石花纹标准图版为研究对象，通过图像预处理，将其转化为二值数字图像，然后根据变粗视化程度的像素点覆盖法，编写出计盒维和信息维的测定程序，计算出上述每一幅图像在不同标尺下的非空盒个数及信息量，再根据标尺与非空盒个数及信息量的关系，分析图像的分形特征；通过回归分析的方法，测定出图像的计盒维数和信息维数。试验结果显示，在一定的标度范围内，牛肉大理石花纹标准图像具有分形性，并且显示出多重分形特征；图像的计盒维数和信息维数均呈现出随着牛肉大理石花纹等级的增加而增大的变化趋势。     

机械压实对复垦土壤粒径分布多重分形特征的影响

在高潜水位矿区复垦施工现场,运用多重分形理论研究不同碾压次数下复垦土壤粒径分布特征,以阐明机械压实对复垦土壤粒径分布非均匀性和异质性的影响。结果表明:机械碾压在46.8%~99.9%程度上解释0~20和20~40 cm土层土壤粒径分布特征的变化,随着碾压次数增加,复垦土壤颗粒呈细粒化趋势,容量维D(0)随之减小,表征粒径分布范围减小;奇异谱对称性Δf随之增加,表征粒径分布不对称性增加;信息维D(1)、信息维/容量维D(1)/D(0)、关联维D(2)和奇异谱谱宽Δα随之波动变化,表征粒径分布集中程度、局部密集程度和均匀性波动变化。研究发现D(1)和D(1)/D(0),D(2)和Δα相关系数分别0.767(P0.01)和-0.488(P0.05),在表征复垦土壤粒径分布集中程度和均匀性上具有相似作用,多重分形参数可多角度描述机械碾压过程中土壤粒径分布的细微差别,其中D(0)、Δα和Δf能够灵敏反映复垦土壤紧实度变化,这为深入研究复垦土壤压实问题提供一种精确分析方法。     

基于注意力机制及多尺度特征融合的番茄叶片缺素图像分类方法

针对番茄早期缺素性状不明显及各生长期特征差异较大所导致的特征区域尺寸不一致、难提取、难辩别等问题，提出了一种基于注意力机制及多尺度特征融合卷积神经网络的番茄叶片缺素图像分类方法（Multi-Scale Feature Fusion Convolutional Neural Networks Based On Atte ntion Mechanism，MSFF-AM-CNNs）。首先根据番茄叶片缺素特点提出了多尺度特征融合结构（Multi-Scale Feature Fusion Module，MSFF Module）；其次在DenseNet基础上，结合浅层网络主要提取纹理、细节特征，深层网络主要提取轮廓、形状特征的特点分别提出具有针对性的特征提取方法，通过不同形式引入注意力机制及多尺度特征融合结构，使全局多尺度信息融合多个特征通道、选择性地强调信息特征并达到对特征精准定位的功能；同时引入Focal Loss函数以减少易分类样本的权重。试验结果表明，MSFF-AM-CNNs的平均召回率、平均F1得分、平均准确率较原模型DenseNet-121均大幅提升，其中缺氮和缺钾叶片的准确率分别提高了8.06和6.14个百分点，召回率分别提高了6.31和5.00个百分点，F1得分分别提高了7.25和5.55个百分点，平均识别准确率可达95.92%，具有较高的识别准确率及广泛的适用性，能够满足番茄叶片缺素图像的高精度分类需求，可为植物叶片缺素识别提供参考。     

基于支持向量机的葡萄病害图像识别方法

应用计算机图像处理技术和支持向量机识别方法研究了葡萄叶部病害的识别，以提高识别的准确性和效率。首先对采集到的葡萄病害彩色图像采用矢量中值滤波法去除噪声，然后采用统计模式识别方法和数学形态学对病叶图像进行了分割。最后提取了葡萄病叶彩色图像的纹理特征、病斑的形状特征和颜色特征，并用支持向量机的模式识别方法来识别葡萄病害。试验结果表明：支持向量机识别方法能获得比神经网络方法更好的识别性能；综合形状特征和纹理特征的支持向量机识别方法对葡萄病害的正确识别率优于只用形状特征或纹理特征的病种识别，综合颜色特征和纹理特征     

番茄缺素叶片的图像特征提取和优化选择研究

在基于计算机视觉技术对无土栽培番茄营养元素缺乏智能识别研究中,对不易被肉眼判别的缺氮和缺钾初期叶片进行图像特征的提取和优化选择研究，以提高识别的准确率。提出了应用相对差值百分率直方图提取缺素叶片的颜色特征，应用差分算子提取纹理的时域特征、应用傅里叶变换提取纹理的频域特征、应用小波包提取纹理的时频特征等的新方法，并新提出从颜色和纹理时域、频域、时频域等多个角度集成提取缺素叶片图像的有效特征，利用遗传算法对提取的众多特征项进行优化选择，以使诊断识别用的信息分类能力最优。试验表明，该方法识别的准确率较高，达到95%～92.5%，而且可以比肉眼识别提前6～10 d。     

基于改进K-means聚类算法的大田麦穗自动计数

单位种植面积的小麦麦穗数量是评估小麦产量和小麦种植密度的一个重要参量。为了实现高效、自动地麦穗计数,该文提出了基于改进K-means的小麦麦穗计数方法。该方法建立从图像低层颜色特征到图像中包含麦穗的一个直接分类关系,从而不需要再对图像进行分割或检测。以颜色特征聚类为基础的这种方法能够估计麦穗在空间局部区域中数量,并且在不需要训练的情况下更具有可扩展性。统计试验结果表明,该文算法能够适应不同光照环境,麦穗计数的准确率达到94.69%,超过了传统基于图像颜色特征和纹理特征分割的麦穗计数方法 93.1%的准确率。     

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。     

基于变分法和剪切波耦合算法的蝗虫切片保纹理图像降噪

保纹理降噪在农业领域图像处理中具有非常重要的作用。现有降噪方法由于无法正确识别纹理和噪声导致降噪效果不理想。针对该问题,该文提出多尺度插值小波框架下的变分法和剪切波变换耦合降噪方法,其中变分法可以识别图像中的主要目标物轮廓,但把纹理识别为噪声;而剪切波变换可识别图像中的纹理细节,但也容易把噪声当作纹理。耦合方法首先对图像进行错切变换,实现图像中纹理区域的降噪,然后通过变分法消除剪切波变换中误将噪声作为纹理重构出现的人工伪影。耦合方法结合了2种方法的优点,使图像降噪效果得到提高。最后以蝗虫切片图像的降噪为例进行数值验证,相对于变分法,峰值信噪比PSNR提高了6.37%;相对于剪切波,PSNR提高了5.90%,数值结果表明了该方法的有效性。     

基于无人机和卫星遥感影像的制种玉米田识别纹理特征尺度优选

制种玉米田在高空间分辨率遥感影像上呈现的明显条带状纹理,是有效区分光谱值相近的大田玉米和制种玉米的重要信息.该文在新疆维吾尔自治区奇台县玉米种植区以高空间分辨率的无人机遥感影像为数据源,针对制种玉米识别的纹理特征计算尺度问题,首先采用最近邻内插法对制种玉米和大田玉米样本田块的无人机影像进行重采样,得到不同分辨率的样本;然后用融合Uniform-LBP(local binary pattern)和GLCM(gray level co-occurrence matrix)方法得到提取玉米田块纹理特征合理GLCM参数,其中方向参数为0°、45°、90°和135°这4个方向上的纹理特征值的平均值、距离为5~7像元、灰度级为8;通过多尺度对比分析,得到最适宜区分制种玉米与大田玉米的纹理辨率为0.6~0.9m.最后采用奇台县的0.7m分辨率的Kompsat-3遥感影像进行验证,在多时相EVI(enhanced vegetation index)光谱信息识别玉米的基础上,利用本文确定的纹理分析方法,通过决策树建立规则识别制种玉米,识别精度达90.9%.通过该文的研究,可为高空间分辨率遥感制种玉米田监管提供支撑.