基于颜色特征进行农作物图像分类识别的应用研究综述

利用农作物自身的特征对农作物图像进行分类识别是计算机视觉技术在农业自动化应用中的重要前提条件。本文首先探讨了基于颜色特征的两种图像分类识别方法：统计直方图法和颜色参量的统计特征法，并分析比较了两类方法的特点，试图为以农作物颜色为特征的图像分类识别应用提供思路。最后综述了从分析农作物外在的颜色特征进行农作物图像分类识别的国内外最新研究方法和成果，以促进计算机视觉技术在我国农业领域的应用和发展。     

基于冠层颜色特征的大豆缺素症状识别研究

【目的】针对寒地大豆发生缺素症状时冠层颜色变化复杂性,建立基于冠层图像颜色特征的大豆缺素症状识别新方法。【方法】采用无土盆栽试验,以垦农18为供试大豆品种,设计缺氮、缺磷、缺钾3种营养状况,采集大豆缺素症状的冠层图像样本,利用图像灰度直方图结合主成分分析方法,提取大豆冠层图像的红光值R、绿光值G、蓝光值B,计算最佳颜色特征蓝光标准化值B/(R+G+B)和绿光标准化值G/(R+G+B),将其作为正则化模糊神经网络输入向量,并利用实数编码的遗传算法改进传统梯度下降学习算法,将其作为模糊神经网络的学习方法,同时应用传统梯度下降算法和改进梯度下降算法训练神经网络参数并比较。【结果】应用遗传计算改进的梯度下降学习算法计算时,迭代次数为277次,其各项计算指标均明显优于传统梯度下降算法,大豆缺素症状识别准确率达100%;而采用传统的多元线性回归方程和BP神经网络算法计算时,识别准确率分别为52.50%,68.33%。【结论】以大豆冠层图像颜色特征为基础,利用改进学习算法的神经网络模型,能够快速有效地挖掘出大豆缺素症状与颜色特征向量之间的模糊逻辑映射关系,为大豆缺素症状识别提供了一种快速且准确的方法。     

基于图像增强和α角度模型的K均值小麦冠层分割算法的改进

[目的]本文旨在克服光照不均引起的低对比度、反光、阴影、光斑及遮挡等对大田复杂背景下小麦冠层图像分割的干扰。[方法]设计了一种结合脉冲耦合神经网络(pulse coupled neural network,PCNN)与同态滤波的自适应图像增强和基于L*a*b*颜色空间α角度模型的K均值聚类分割算法。首先,将小麦冠层图像转换到HSI颜色空间,采用自适应算法对HSI空间的I分量进行增强处理,适当调节饱和度S分量,补偿光照强度分布不均,去除阴影及拉大对比度;其次,将增强处理后的图像映射到L*a*b*颜色空间,提取a*、b*分量建立α角度模型;最后,基于α进行K均值聚类分割处理。[结果]拔节前后光照强度不一、光照不均的冬小麦冠层图像的分割试验结果表明,该算法可一定程度避免基于L*a*b*颜色空间α角度分量K均值聚类的过分割现象;改善基于HSI空间H分量K均值聚类的欠分割缺陷,且对光斑、阴影遮挡、反光突出的图像分割更完整准确。[结论]本算法可为大田复杂背景下光照多变的作物冠层图像分割提供参考方法。     

面向用户视觉心理的实木板材压缩感知聚类分选

实木板材外观特性影响着消费者对产品的喜好,在一定程度上决定着产品的价格和销量。实木板材表面的颜色与纹理存在随机性与相异性,因此采用统计特征进行分选具有一定的局限性。针对板材表面特点,本文提出了面向用户视觉特征的板材分选方法。该方法将用户的视觉喜好转化为对颜色和纹理的量化分析,然后挖掘样本数据所表达的特征及状态信息完成样本优选,最后利用压缩感知分类器进行信息整合及板材分选。颜色方面,提取L*a*b*颜色空间下的9个特征,通过区间整合得出颜色分选范围;纹理方面,提取基于人类视觉心理的Tamura纹理特征6个参量和基本统计特征。由于Tamura特征的6个参量对应于心理学角度上纹理的6种属性,这些特征可以将用户视觉心理和基本统计信息相融合,更为准确、完整地表达板材表面的视觉特性。此外,通过遗传非线性映射算法对两类纹理的训练样本进行优选,提高了后期的分选精度。最后,针对用户视觉需求,设计了板材表面压缩感知分类器,构建由L*a*b*颜色特征、Tamura纹理特征和基本统计特征组成的过完备字典,通过求解最小l1范数的方法,找出测试样本的特征数据与过完备字典中相匹配的类别向量,完成分类。实验结果表明该方法的识别精度为90.56%,方法具有实用性。      

基于计算机视觉的实木表面智能化分选系统设计

设计一种集实木传送、图像定位与采集、实木板材表面识别与分选的智能系统,系统通过传送带运送实木板材,CCD摄像头获取板材图像,在触摸屏工控机TPC700-9190T上应用MFC与OpenCV编写分选程序对板材图像进行分析,识别结果通过STM32单片机控制电磁阀完成实木板材的分类。在图像定位与识别算法中,采用积分投影算法确定板材边界,动态采集板材表面图像;在颜色分类方面,利用L*a*b*空间颜色分量的均值、方差和斜度3个低阶矩表达颜色;在缺陷检测方面,提出了基于纹理填充的缺陷分割方法,通过获取纹理掩膜图像,然后利用板材背景颜色淡化纹理,最后应用加权阈值法完成缺陷分割,分割后计算缺陷面积、边缘灰度均值、内部灰度均值和长宽比等特征表达缺陷信息;在纹理识别方面,提出了基于Contourlet变换的纹理特征提取方法,通过对纹理图像进行Contourlet变换3层分解,得到1个低频子带、6个中频子带和8个高频子带,分别计算低频和中频系数矩阵的均值和方差,并与高频系数矩阵的能量组成22个特征表达纹理信息;最后设计SVM分类器,分别对颜色、缺陷和纹理进行识别。采用300个柞木样本进行实验,板材传送速度在小于1.5 m/s范围内,颜色识别准确率为100%;活节、死结和裂纹识别准确率分别为92.2%、95.6%和93.3%;直纹、弯纹识别准确率分别为93.9%、92.8%。实验结果表明,分选系统具有实时、高效、准确的特点。      

基于图像处理和特征优选的玉米品质识别

为实现玉米籽粒的品种识别与品质评估,根据籽粒图像特征参数较多、参数间有一定相关性的特点,采集原始图像并进行必要的预处理,提取图像的颜色特征、形状特征及纹理特征共30个;以主成分分析法对指标集进行精简,在保证识别精度的前提下去除冗余信息,降低图像计算复杂度,使特征集精简为10个;以支持向量机进行分类识别,结果证实品种平均识别率为93.3%,不合格粒平均识别率为94.5%,识别精度较高,可满足玉米籽粒的无损识别、分类、检测及评估需求。     

基于光谱特征参数的果树树种的遥感识别

本研究通过对南疆盆地主栽5种果树(苹果、香梨、核桃、红枣、杏)的冠层光谱数据进行特征参量的选取,旨在提高林果树种的树种分类精度并筛选出用于这5种树种的冠层光谱树种识别的有效特征参量,从而为完善高光谱果树树种识别研究中大量数据处理的方法提供参考依据。试验采用美国PP Systems公司生产的UniSpec-SC(单通道)便携式光谱分析仪对不同树种的冠层进行光谱测量,利用逐步判别分析法对高光谱数据进行树种识别与有效特征参量的选择。结果表明,采用特征参量进行树种识别的总分类精度可达到86.67%,明显高于全波段参与下的72.00%。逐步判别分析法入选的有效特征参量为蓝边面积、蓝边斜率、黄边面积、近红外平台、红边面积、蓝边位置、黄边位置、红边位置。     

农作物图像特征提取技术及其在病害诊断中的应用

农作物生殖生长时期的生理生态性状,可通过其冠层图像表现型特征呈现出来,为解决农作物冠层图像特征难以提取的问题,以北方寒地大豆为研究对象,将数字图像处理技术与多维特征选取机制相结合,研究了农作物冠层图像特征提取技术,并应用在大豆叶部病害诊断中。首先计算农作物冠层器官形状和颜色多维特征指标,然后利用主成分分析技术筛选有效特征参数,最后完成农作物病斑害图像特征提取及诊断方法。其仿真实验中病害种类诊断准确率为97.5%。该方法实现了农作物冠层图像特征提取及信息处理过程,为大田农作物全面系统地开展生长过程监测及病害防治提供重要理论支持。     

基于改进颜色特征的小麦病害图像识别技术研究

[目的]介绍一种根据小麦病害图像的颜色特征进行病害识别的方法。[方法]首先对小麦叶部图像进行预处理,利用小波变换进行病害部位增强和去噪;然后基于病害部位的非绿特征进行图像分割,得到只包含病害像素的图像;对病害图像颜色进行统计,得到R、G、B分量的均值,并用相对于绿色分量的均值比作为颜色特征值;最后通过分析样本图像得到每种病害的特征值范围,利用颜色特征值对未知样本进行病害识别。[结果]采用该方法对小麦叶锈病、条锈病、白粉病进行识别,平均准确率达到98%。[结论]为小麦病害的诊断与诊治提供了理论依据。     

基于可见光谱色彩指标Otsu 法的水稻冠层图像分割

水稻冠层数字图像分析技术在水稻生长监测、氮营养诊断及产量预测上具有应用潜力,而水稻像元精确分割、提取是水稻冠层数字图像分析结果准确、稳定、可靠的前提。最大类间方差法(Otsu法)具备分割质量稳定、自适应强的特性,分割效果较好,是一种常用的阈值分割方法。通过提取计算水稻冠层图像9种图像色彩指标R、G、B、CIEL*a*b*色彩空间的L*、a*、b*分量、HSV色彩空间的H分量、绿度叶片指数(GLD)以及植被指数(VIGreen),并以各种图像色彩指标的Otsu法对水稻冠层图像进行分割,比较其图像分割效果。结果表明,水稻和土壤像元的a*、b*、GLD、VIGreen色彩指标双峰性明显,且重叠性小,可作为分割水稻与土壤背景的候选图像色彩指标;基于a*、GLD、VIGreen色彩指标的Otsu法的分割精度较高,且基于a*色彩指标的Otsu法对水稻冠层图像分割效果的信噪比最大、误差率最低,其次是基于VIGreen色彩指标的Otsu法;基于CIEL*a*b*色彩空间的a*色彩指标是Otsu法的水稻冠层图像分割中较优的图像色彩指标。     

基于机器视觉技术的烤烟鲜烟叶成熟度检测

为准确判定烟叶采收成熟度,以不同成熟度中部烟叶为材料,利用机器视觉技术提取不同成熟度烟叶图像的颜色和纹理特征值,采用主成分分析法对3个颜色特征值(色调、饱和度、亮度)和5个纹理特征值(角二阶矩、相关度、熵、对比度、逆差距)进行优化,利用BP神经网络建立烟叶成熟度检测模型。结果表明,采用前4个主成分可综合反映3个颜色特征值和5个纹理特征值的分级信息,实现了参数的优化;在图像信息主成分因子数为4,中间节点数为16时,该识别模型最佳,模型平均识别率为93.67%,表明基于机器视觉技术对烤烟鲜烟叶成熟度的检测是可行的。     

基于果实品质性状和SSR标记的李种质资源聚类

采用25个果实性状指标和19对SSR引物对四川栽培的19份李种质资源进行主成分分析和聚类分析,并以欧式距离、前3个主成分和遗传相似性为基础,分别作系统聚类、三维排序图和UPGMA聚类。结果表明:19份李种质25个果实性状指标的平均变异系数为54.71%,其中果皮红绿色差值a*值的变异系数最大,为436.14%,果核侧径的变异系数最小,为9.99%;系统聚类可将李果实分为深色系大果型和浅色系小果型;主成分分析中,前3个主成分累计贡献率为73.27%,第1主成分(果重因子)的贡献率为49.45%,第2主成分(果形与色泽因子)的贡献率为14.21%,第3主成分(营养因子)的贡献率为9.62%;以主成分PC1、PC2和PC3向量为轴的三维排序图清晰地展示出各种质在果实性状上的相对差异;SSR标记显示供试材料的遗传多样性丰富,UPGMA聚类与系统聚类和主成分三维排序的结果基本一致。     

云南野生茄科砧木资源农艺性状调查与4种土传病害抗病鉴定

【目的】调查统计云南野生茄科砧木资源的农艺性状,筛选具有抗番茄青枯病、溃疡病、枯萎病和茄子黄萎病的材料,为茄科抗病优良砧木的收集和利用提供理论依据。【方法】对云南野生茄科砧木进行主要农艺性状及田间常见病虫害调查,筛选出优良砧木,并与对照（自交系番茄5号）进行番茄青枯病、溃疡病、枯萎病和茄子黄萎病的抗性鉴定比较,利用主成分分析法及聚类热图对资源属间关系进行分析。【结果】根据形态特性及主成分分析、聚类分析结果,可将材料归属为茄科的3个属,其中茄属材料17份,皆为直立型,主茎颜色主要为绿色,株高为82.42~292.29 cm,叶型均为长卵圆形,叶色为绿色和深绿色,花冠颜色以白色为主,果面皆有光泽,果色多数为橘红色,单果重在1.61~433.54 g;番茄属材料7份,生长习性以无限生长型为主,株型以半蔓性为主,叶片类型有普通叶型、复细叶型和薯叶型,叶片均为羽状复叶,花序类型为单式花序,花色皆为黄色,果实以中果型为主,果形有圆形、扁圆形和长圆形;辣椒属材料5份,株型有半直立型和直立型,主茎颜色绿色为主,叶形以长卵圆形为主,花冠颜色皆为白色,成熟果色红色,果面光滑有光泽,果顶形状以钝圆形为主。主成分分析得出前3个主成分能反映所测15项农艺性状的绝大部分信息,累积贡献率为82.758%。所有材料中7份抗病性、生长势、适应性均较好,且在相近苗期,砧木与接穗茎的粗度一致,茎叶无皮刺;5份具有优良的果实性状。7份优良材料中,对青枯病表现免疫的3份,高抗2份;对溃疡病免疫的2份,高抗资源3份;对枯萎病没有表现免疫和高抗的资源,抗病2份;对茄子黄萎病免疫的3份,高抗1份;S-11免疫青枯病、溃疡病和黄萎病3种病害。【结论】29份野生茄科资源属于3个属,其中7份砧木材料表现优良,2份（S-7和S-11）免疫青枯病和溃疡病,1份（S-11）免疫番茄青枯病、溃疡病和黄萎病,可为茄科蔬菜抗性基因的开发利用提供材料,且部分茄科砧木资源具有应用于生产的价值。     

基于无人机图像的小麦主要生育时期LAI估算

LAI是表征作物生长状况的重要指标之一。为了快速无损监测小麦LAI，设置了3个密度和4个氮肥水平以形成不同的小麦生长群体，利用无人机搭载的RGB相机获取田间图像，并同步取样测定LAI。在小麦越冬期、返青期、拔节期、开花期和灌浆期选取R、G、B构建的9种颜色特征指数，与实测的LAI进行相关性分析。结果表明，在小麦生长前期（越冬期、返青期），颜色指数与LAI的相关性均较弱，而到了生育后期（拔节期、开花期、灌浆期），所有颜色指数与LAI的相关性均达到了极显著水平。选出常用的指数、线性、对数、多项式和幂函数等模型中R2最大的作为最终的估算模型，用以估算拔节期、开花期、灌浆期这三个时期的小麦LAI。通过实测的LAI对估算模型的验证，模型可靠且准确率较高。上述结果为作物田间LAI快速测量提供了新的手段。     

基于透射光和反射光图像同位分割的小麦品种识别方法研究

为提高基于机器视觉的小麦品种识别准确性,本文通过透射光和反射光同位图像分割对种子颜色特征参数进行了优化提取.采用透射光图像辅助反射光图像分割的方式从种子图像中分割出胚部区域,并分别提取小麦整粒、种胚、胚乳区域的颜色特征参数.以济麦22、济麦44、京麦9、京麦11共4个品种种子作为研究对象,利用HALCON机器视觉软件获...     

水果采摘机器人视觉系统的目标提取

在田间对作物的果实图像进行实时、准确地目标识别提取，是采摘机器人视觉系统的关键技术，而目标提取的实质是图像分割。大部分水(蔬)果处于采摘期时，表面颜色与背景颜色存在较大差异。而同一品种果实表面颜色相近，体现为在色彩空间果实表面颜色和背景颜色存在着不同的分布特性。根据这一特性，提出了一种基于色彩空间参照表的适用于水果采摘机器人视觉系统果实目标提取的图像分割算法。该算法先由果实样本图像建立色彩空间参照表，再根据色彩空间参照表采用一种类似于“卷积”的方法进行图像分割。与现有其他方法比较，本方法基于彩色的信息处理，可将背景除去得更干净；对背景不做分割处理、无复杂运算，有利于机器人实时图像处理。采用该算法分别对草莓、橙子、西红柿的图像在L^*n^*6^*，Hsv，YCbCr色彩模型下进行了实验，结果显示该算法在这些色彩模型下均可取得理想的图像分割效果。     

混合颜色特征下番茄叶霉病病斑双层K-means聚类分割方法

提出了混合颜色特征下双层K-means聚类分割方法,首先在I分量将图像像素采用K-means聚类分割方法聚为4类;取聚类中心最大的2种像素的a*b*分量,进行第2次K-means聚类,得到病斑图像。对采集的21幅病害图片的试验结果表明,该方法分割结果的平均重合系数为97.53%,平均假阳性率为1.22%,平均假阴性率为3.52%。该研究可为进一步病害特征提取识别与病害程度诊断研究提供技术参考。     

基于多特征融合和稀疏表示的农业害虫图像识别方法

【目的】在农业害虫测报中,常常需要从大量的昆虫中识别出几种重要的测报害虫。目前基于图像的农业害虫识别研究,大部分是在有限种类有限样本量基础上进行的农业害虫识别。本研究为了从大量的水稻昆虫图像中识别出9种水稻测报害虫,尝试提出了一种基于多特征融合和稀疏表示的农业害虫图像识别方法。【方法】首先,为了获得最优的农业害虫识别模型,将所有图像进行旋转使昆虫头朝上,按照1﹕2长宽比裁剪图像,使昆虫居中并占据图像大部分区域,将图像进行等比例缩放至统一尺寸48×96像素。提取所有昆虫的HSV颜色特征、局部特征中的HOG特征、Gabor特征和LBP特征。然后,利用单一特征和融合特征分别对训练样本构建过完备字典,字典中的每一个列向量表示一个训练样本,且满足同一类训练样本均在同一个子空间中;应用过完备字典对测试图像进行多特征稀疏表示,通过求解l1范数意义下的优化问题获取稀疏解,使得除测试样本所在的类别外其他的训练样本的系数都是零或接近零的数值。最后,计算稀疏集中指数阈值,用于判断测试样本的有效性,如果测试样本的稀疏集中指数大于该阈值,则认为最小残差所对应的类别即为测试样本的类别,否则认为该测试样本为非测报昆虫。同时,利用相同的特征和训练样本训练SVM分类器对测试样本进行测试,与稀疏表示害虫识别模型进行比较。【结果】利用单一特征训练的稀疏表示害虫识别模型中,基于HOG特征的稀疏表示识别模型获得了9种测报害虫较高的识别率和较低的误检率,分别为87.0%和7.5%;利用颜色特征分别与3种局部特征进行结合获得的稀疏表示识别模型,测试结果表明,基于颜色和HOG特征的稀疏表示识别模型获得了最高的识别率和最低的误检率,分别为90.1%和5.2%;将颜色、HOG和Gabor 3个特征结合获得的稀疏表示识别模型,识别率下降为83.5%,误检率上升为10.3%。利用同样的特征或特征融合训练得到的支持向量机分类器,识别率均低于对应特征获得的稀疏表示识别模型的识别率,而误检率均高于对应特征训练的稀疏表示害虫识别模型的误检率。【结论】基于颜色和HOG融合特征的稀疏表示识别模型获得了较高的农业害虫识别率和较低的误检率;通过稀疏集中指数阈值,有效地排除了非测报昆虫,实现了从大量的农业昆虫中自动识别出需要测报的害虫。     

基于可见光光谱的幼龄沉香图像分割与特征提取研究

为促进数字图像处理技术在珍贵树种营养分析中的高效应用，以幼龄沉香为研究对象，运用大津法与K-Means算法分别对试验获取的幼龄沉香可见光图像进行分割，对2种分割算法进行比较研究。基于图像分割结果，提取R、G、B等8种颜色特征并进行主成分分析，同时计算沉香图像的最小外接矩形的矩形度RE。结果表明，1）大津法与K-Means算法均可实现对多张幼龄沉香可见光图像的分割，大津法较K-Means算法分割速度快，但分割精度小于K-Means算法，在具体分割时应根据实际需要对2种算法进行选择。2）提取的8种颜色特征的3个主成分累计贡献率可达到99%，可作为颜色特征；最小外接矩形的矩形度RE能够表达沉香轮廓内面积CA与最小外接矩形面积LA的比值，可作为形状特征，将这种特征因子用于构建沉香微量元素含量预测模型，有利于缩短建模时间并提高模型的精度。综上所述，研究结果可促进数字图像处理技术在珍贵树种营养诊断中的进一步发展，为精准林业提供参考。     

Modeling leaf color dynamics of winter wheat in relation to growth stages and nitrogen rates

The objective of this work was to develop a model for simulating the leaf color dynamics of winter wheat in relation to crop growth stages and leaf positions under different nitrogen (N) rates. RGB (red, green and blue) data of each main stem leaf were collected throughout two crop growing seasons for two winter wheat cultivars under different N rates. A color model for simulating the leaf color dynamics of winter wheat was developed using the collected RGB values. The results indicated that leaf color changes went through three distinct stages, including early development stage (ES), early maturity stage (MS) and early senescence stage (SS), with respective color characteristics of light green, dark green and yellow for the three stages. In the ES stage, the R and G colors gradually decreased from their initial values to steady values, but the B value generally remained unchanged. RGB values remained steady in the MS, but all three gradually increased to steady values in the SS. Different linear functions were used to simulate the dynamics of RGB values in time and space. A cultivar parameter of leaf color matrix (M_RGB) and a nitrogen impact factor (FN) were added to the color model to quantify their respective effects. The model was validated with an independent experimental dataset. RMSEs (root mean square errors) between the observed and simulated RGB values ranged between 7.0 and 10.0, and relative RMSEs (RRMSEs) ranged between 7 and 9%. In addition, the model was used to render wheat leaves in three-dimensional space (3D). The 3D visualizations of leaves were in good agreement with the observed leaf color dynamics in winter wheat. The developed color model could provide a solid foundation for simulating dynamic crop growth and development in space and time.