光谱指数测量中窄带图像的光强自适应分割方法

[目的]本文对作物冠层区域的光强自适应性分割算法进行了研究,旨在消除光谱指数测量过程中土壤背景的干扰,克服现有光谱检测方法对结构光的依赖性。[方法]采用加装窄带滤光片的2个相机组建测量系统,并对相机的几何安装参数进行标定;将窄带图像灰度直方图的波谷灰度值与最大灰度值的比值作为归一化阈值,实现窄带图像分割的光环境自适应性。在实现近红外窄带图像中土壤和冠层分割的基础上,通过几何变换推算出可见光波段窄带图像的冠层区域,从而实现可见光窄带图像的分割。[结果]在80～140 cm高度内,每隔10 cm设置1个测量高度,每个高度采集5组平均株高为25 cm的绿萝冠层窄带图像(770和660 nm),安装660 nm滤光片的相机在完成图像采集后,将滤光片换成770 nm重新拍摄5张照片,作为660 nm图像分割效果的参考图像。结果表明:660 nm图像的分割区域与参考图像的分割区域平均重合度大于99%。同时计算了光照度为10 000～26 000 lx时拍摄的50幅绿萝770 nm窄带图像的非归一化阈值和归一化阈值,其与光照度的相关系数分别为0.586 6和0.091 6。[结论]本文提出的基于归一化阈值的分割方法对光环境的变化具有很强的适应性,综合归一化阈值和几何变换可以实现窄带图像的分割,为构建消除土壤干扰的归一化植被指数(normalized difference vegetation index,NDVI)等光谱指数提供有效的基础数据。     

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。     

一种去除高光和阴影的桃蛀螟图像分割方法

[目的]经典的阈值分割方法(OSTU法)在桃蛀螟图像分割中会出现过度分割和错误分割.针对这种情况,提出一种去除高光和阴影的桃蛀螟图像分割方法.[方法]算法过程:第一,将图像从RGB颜色空间转换为YUV颜色空间,利用一个5次多项式转换亮度信息,去除高光.第二,将去除高光的图像在RBG颜色空间归一化,根据阈值找到图像的阴影区域.第三,利用贝叶斯公式计算每个像素的归属,实现图像分割.[结果]经过试验,取得了较好的图像分割效果.     

拍摄高度对大米图像质量影响的研究

[目的]探究拍摄高度对大米图像质量的影响。[方法]先对获取的大米图像进行分割,然后从分割图像中统计米粒数。在10种光照强度下,对3种拍摄高度进行试验。[结果]虽然从图像中统计的米粒数相同,但3种高度下大米图像的分割阈值存在差异。[结论]拍摄高度是大米图像中分割阈值的一个重要影响因素。     

遗传算法改进的KSW熵法计算黄瓜叶部角斑病密度

[目的]去除复杂背景影响,提高角斑病病斑分割精度和速度。[方法]首先对预处理后的b*通道图像采用大津法进行初分割,去除大部分背景和噪声。再对目标部位的灰度图,用基于遗传算法改进的KSW熵阈值分割法进行二次分割,得到病斑的二值图像,并计算病斑面积,最后与叶片面积做比得到病斑密度。[结果]该方法计算的病斑密度与方格板手动计算的结果的绝对误差约为0.02,而病斑的分割速度提高了45%以上。[结论]该方法为黄瓜角斑病病害程度自动诊断提供技术依据。     

基于高光谱技术的褐土土壤总氮含量的预测

[目的]对土壤营养元素进行准确测量是实施精细农业的基础。[方法]本文以169份山西典型褐土土壤为研究对象,采用高光谱成像技术获取近红外高光谱图像,并提取平均光谱曲线(A)、标准差曲线(S)和方差曲线(V)等统计参数。分别采用以平均光谱曲线(A)、平均光谱曲线的一阶导数(F)、A与F的乘积(A*F)、A与F的商(A/F)为基础的20种光谱预处理方法,结合偏最小二乘(PLS)方法建模,并对验证集进行验证。[结果]结果表明:平均光谱曲线随总氮含量先增加后减小,一阶导数曲线随总氮含量的增加而单调增加。使用一阶导数进行建模,可能能够获得更好的预测效果。建模效果最好的预处理方法为F与S的乘积(F*S),其次为A与F与S的乘积(A*F*S)。这两种预处理方法建立的PLS模型的RPDp在2.0以上,Rp2在0.8以上,可以对褐土土壤的总氮含量进行有效预测。[结论]本文研究结果可为近红外高光谱成像技术应用于褐土土壤其它营养成份的快速预测提供参考。     

行播作物农田图像边界提取研究

[目的]找寻一种适于行播作物农田图像边界提取的方法。[方法]依据农田图像的特点,通过试验对比确定适合于行播作物农田图像边界提取的方法。[结果]在分析农田图像特征的基础上,选择适宜的颜色特征2g-r-b作为彩色图像的分割特征。为了实时导航,应采用固定的分割阈值。选取0.11作为超绿特征的分割阈值效果比较理想。对分割后的图像进行了中值滤波和区域填充处理可去除噪声和孔洞的影响。[结论]处理后的图像效果基本能够满足要求。     

基于SLIC和多尺度显著性的红枣图像分割算法

针对自然光条件下具有复杂背景的红枣图像,提出了1种新的图像分割方法。首先,该方法用简单线性迭代聚类(simple linear iterative clustering,SLIC)算法对图像进行超像素分割,并进行迭代合并处理,从而得到不同尺度的图层;其次,利用图像局部对比度估计和区域位置估计来获取相应的显著性图;最后,用K-means算法得到红枣图像聚类分割结果。结果表明,该方法能有效去除图像的复杂背景,消除红枣上光斑的影响,准确地将红枣图像从背景中分割出来。     

猪肉背最长肌切面图像背景去除研究

 去除猪肉图像背景常采用图像分割技术来实现。基于阈值分割理论,对特定条件下的猪肉图像,进行了不同的阈值分割方法的比较研究。通过实验比较,去除猪肉图像背景的有效方法是利用RGB图像的R分量和G分量差进行灰度化处理,再利用阈值分割法,能较好的把背景和肌肉区域分离。     

薏米视觉检测中图像采集环境的研究

[目的]优化薏米视觉检测中图像采集条件。[方法]在薏米视觉检测中通过图像采集设备采集薏米图像,以灰色、黑色、红色背景,在0～80 lx的光强区间,对采集后的图像进行阈值分割,采用阈值分割算法对图像进行处理。以分割图像薏米粒误差率为评价标准,分析了背景颜色、光照强度2个因素对薏米图像的影响,以确定薏米视觉检测中图像采集的最佳环境。[结果]较好的图像采集环境是黑色背景下50～60 lx的光照强度,其误差控制在6%,且在该光照区间旁光照强度上下浮动10 lx内误差也在10%内,这种环境能有效提高薏米图像的质量。[结论]优化薏米图像采集环境可大幅度降低图像噪声的影响,提高了薏米图像的质量。     

基于归一化植被指数的农田边界识别方法

农田边界识别对智能农机装备作业具有重要的指导性作用，为实现农田边界的精准识别，提出一种基于归一化植被指数的农田识别方法。由于农田图像地物信息复杂，普通RGB图像处理结果受环境影响较大，模型鲁棒性差，为解决这一问题，通过测绘无人机获取农田多光谱数据，基于不同区域归一化植被指数(NDVI)的差异，利用大津阈值分割法实现农田的有效分割。针对杂草和树木等过分割问题，通过计算联通区域的大小与长宽比的方法，在保证农田识别精度的情况下，减少其他因素干扰，最后通过Canny边缘检测算法提取农田边界。通过验证，本研究方法对农田的识别准确率达95%以上，可以为智能农机装备提供作业环境数据。     

基于诱虫板图像的温室番茄作物害虫识别与监测方法

[目的]本文旨在探索实时监测温室虫情和精准防控虫害的方法。[方法]设计了一种基于诱虫板图像背景均匀化的自适应分割方法,结合基于随机森林(random forest, RF)的图像识别算法识别4类温室番茄害虫(烟粉虱、潜叶蝇、果蝇和蚜虫)并计数。该方法首先提取诱虫板图像RGB(red-green-blue)颜色模型B分量和HSV(hue-saturation-value)颜色模型V分量,然后分别对2张图像分段调整背景灰度值得到均匀背景诱虫板灰度图像,再利用最大类间方差法确定阈值分割图像,经形态学处理后融合2张诱虫板二值图像,最后提取害虫区域的6个颜色特征、8个形状特征和6个纹理特征,训练随机森林以识别害虫并计数。[结果]对比分析Sauvola局部阈值法、Prewitt边缘分割法、k-means聚类法以及本文设计的自适应分割方法,结果表明基于背景均匀化的自适应分割方法效果最好,平均分割准确率为95.34%。对比分析7种特征向量组合下随机森林、C-SVC(C-support vector classification)和BP(back propagation)神经网络3种分类方法,结果表明综合颜色特征向量、形状特征向量和纹理特征向量作为输入的随机森林算法识别效果更好,对烟粉虱、潜叶蝇、果蝇和蚜虫的识别准确率分别为93.89%、90.71%、91.54%和90.40%。[结论]本文设计的方法能够实现诱虫板上4类害虫的识别和计数,可以为温室虫情监测与预警提供参考。     

基于无人机多光谱影像的冬小麦氮肥监测

[目的]研究无人机多光谱影像与土壤养分水平变化的关系。[方法]利用无人机搭载的多光谱传感器生成研究区50 m高的反射率正射影像,计算NDVI,GNDVI和SAVI指数值,调取作物感兴趣区进行研究。[结果]植被指数在小麦越冬期的不同长势小麦有明显差别。在其他外部条件一致的情况下,土壤N水平的变化对冬小麦越冬期长势影响较明显。[结论]无人机多光谱影像对冬小麦有较好的氮诊断潜力,可利用估测结果指导精准氮肥管理。     

基于减法直方图算法的土壤图像阴影检测

自然环境下机器视觉采集的土壤图像存在阴影,土壤图像阴影检测将消除或者减弱阴影对后一步的子图分割及土种识别的影响.为了提高土壤图像阴影和非阴影的区分度,实现阴影检测,重构了比率(α?)特征,并通过高斯平滑分别获得亮度(I)和比率(α?)特征直方图的2个主峰值点,缩小分割阈值搜索区间以减少减法直方图求高保留率点(F?)的次数;再引入拉伸因子对2个特征的保留直方图拉伸,增大阴影和非阴影保留率差异,以获取其高保留率点F?;最后,在搜索区间构建亮度(I)和比率(α?)特征的64等份中位点及其对应F?的2条折线的交点,即亮度(I)和比率(α?)特征的F?值相等点,获得交点对应的亮度(I)和比率(α?)特征值为阴影检测阈值,分割土壤图像阴影和非阴影.仿真实验显示:本文算法相较于对比实验具有更好的分割精度,能自适应检测土壤图像阴影,算法是有效的.     

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PSO和视觉显著性的棉花图像分割算法

针对自然光条件下具有复杂背景的棉花图像,提出了1种新的图像分割方法。首先,利用粒子群优化(PSO)算法进行聚类预处理,去除图像中较暗区域;其次,利用简单线性迭代聚类(SLIC)算法构建超像素,并用1种改进的方法检测每个超像素在图像中的独特性和分布情况权值,利用检测结果逐像素计算显著度获得整幅图像的显著图;最后,利用连通域面积去噪方法得到棉花图像分割结果。结果表明,该方法能有效去除图像的复杂背景,消除强光和阴影影响,准确地将棉花图像从背景中分割出来,效果较理想。     

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。     

基于冠层温度棉花水分胁迫指数与高光谱植被指数的关系

[目的]用红外热图像提取棉花水分胁迫指数(CWSI),并用高光谱遥感植被指数对棉花的CWSI进行遥感估算,为红外热图像和高光谱遥感监测作物水分状况提供科学依据.[方法]通过Fluke热像仪和ASD非成像高光谱仪,分别获取棉花2品种4水平水分处理5个关键生育时期冠层的红外热图像和高光谱数据;对红外热图像进行技术处理,基于Jones定义的作物水分胁迫指数CWSI公式,计算CWSI;与高光谱数据转换得到的4种高光谱植被指数进行回归分析.[结果]CWSI与4种高光谱植被指数均达到了1;极显著的线性相关关系;其中红边归一化植被指数RENDVI与CWSI呈最高的线性负相关关系,利用它们的相关模型方程,估算CWSI,实测值与估算值之间呈极显著的线性相关(r=0.8399**,n=30,α=l;).[结论]红外热图像与高光谱遥感技术的结合,可以精确地对棉花水分胁迫指数CWSI进行遥感估算,更好的诊断棉花水分状况.     

自然背景下的梅花图像分割算法研究

针对梅花数据的特点,提出一种基于自然背景下的梅花花朵分割算法TC(Texture Color)。该算法综合运用了分形纹理和颜色2种特征,有效分割背景图像中的干扰物,实现梅花图像分割。首先,采用双毯子方法计算图像的局部分形维数图,并对分形维数图采用大津阈值分割去除背景中大部分的干扰物;然后,利用颜色特征对剩余的干扰物进行有效分割。在采用颜色特征进行分割时,改进了色度直方图累加算法,并融合了饱和度特征,取得了很好的分割效果。在分割过程中,算法还采取了形态学操作、去噪和填充等处理技术,得到最终的分割结果。对9种梅花图像（每种20幅,共180幅）进行了分割实验,采用误分率对实验结果进行评价,并分别和2RGB模型分割方法、GrabCut算法进行了实验对比。实验结果表明:TC算法平均误分率控制在3%之内,比2RGB模型分割方法更加有效,并且该算法所耗费的时间比GrabCut算法要少很多而且无需人工交互。因此,本文提出的TC算法针对梅花图像的分割是非常有效的。      

基于高光谱图像的新疆红富士苹果颜色分级研究

[目的]以新疆红富士苹果为研究对象,探讨应用高光谱图像技术对其着色面积进行的研究方法.[方法]对852/713双波段比图像作阈值分割,以及形态学开运算去除果梗区域,提取色调H灰度图像对应去除果梗的二值图像像素值为1的累计频度值,依据AdaBoost算法将15个BP神经网络弱分类器训练组成强分类器,对苹果的着色面积进行分类.[结果]采用AdaBoost_NN对苹果着色面积的分级与人工分级一致率达到97.7;.其中45个优等果有2个被错分为一等果,27个等外果有1个被错分为二等果.[结论]利用高光谱图像技术提取的特征波长图像能够很好的对苹果着色面积进行分级,为今后多光谱成像技术在线分析苹果品质奠定研究基础.