农田蛾类图像分割方法研究

介绍了已有的农田蛾类昆虫检测装置和相关研究技术.在已有技术的基础上,介绍了图像的预处理和杂质点的消除方法.在对提取的图像进行分割时,首先介绍使用Otsu方法来对图像进行分割,接着采用sobel算子提取蛾类对象的边缘,以边缘像素为种子点,使用区域生长来对蛾类图像进行分割.通过比较这两种分割方法可知,使用区域生长方法对蛾类图像分割的效果较好.     

农田地块图像分割技术研究

农田地块图像包含的目标区域多，不同地物间信息相互影响和干扰明显，农田地块图像的分割提取非常困难。利用基于边界和基于区域两种图像分割方法对高空拍摄的农田地块图像进行处理和实验。实验结果表明，利用微分算子的图像边界分割算法虽然能够有效识别出农田地块的边缘，但是对噪声有放大作用；而利用阈值法的图像区域分割算法可以很好地消除农田地块图像的噪声影响。     

植株点云超体聚类分割方法

针对传统的超体聚类分割对植株存在过分割率高、实时性差的问题,提出一种融合显著性特征图的超体聚类分割方法。首先,采用Kinect V2实时获取目标植株的彩色图像和深度图像,将RGB彩色空间图像转换为CIELab彩色空间图像,计算每个像素的显著性特征值,获取彩色特征图,并融合亮度特征图和方向特征图构建显著性特征图;然后,将显著性特征图和深度图像同步对齐,获得显著性点云,八叉树网格初始化点云,并通过Mean-Shift算法获取满足概率密度阈值的网格点云,取最大概率密度点作为种子点,基于点对之间的欧氏距离和特征相似度作为区域生长相似性准则,生成超体素块;最后,通过LCCP算法对显著性点云进行聚类分割。实验结果表明,改进的显著性超体聚类分割方法可以大幅提高目标前景分割的准确性和快速性,有效克服背景噪声和离群点。     

自然环境下重叠果实图像识别算法与试验

针对非结构化自然环境中光照变化和对象重叠特征等外界因素给图像处理带来的难题,提出了一种自然环境下重叠果实的图像识别与边界分割的组合优化算法。该组合优化算法首先对原始图像进行噪声滤波处理,然后利用Sobel算子以及改进算子的最大类方差法(OTSU)来辨识重叠果实目标;接着采用K-means算法对重叠目标的像素进行聚类得到单个目标位置,再结合边缘检测结果的连通域分析及区域生长获得单个目标边界的大致区域;最后利用基于限制区域的分水岭算法,得到目标的精确边界。为了验证所提算法的有效性和适应性,进行了试验研究。试验结果表明:所提出的组合优化算法不仅可以在自然环境下从重叠物体图像背景中识别出重叠目标,而且还可以从重叠目标中分割出单个目标的精确边界。     

基于视差图像的重叠果实图像分割算法

为解决自动采摘视觉系统中重叠果实的分割问题,提出了基于视差图像的果实分割算法。采用双目立体视觉系统获取图像对,对图像对进行预处理和校正,通过图像对的立体匹配来获取视差图像,最后对视差图像进行分割。该算法将分割的依据和信息从二维图像的颜色、形状、纹理等扩展到三维空间的深度,对空间距离不同的目标具有较好的分割效果。实验表明,对获取的视差图像进行基于区域的分割时,其区域间灰度对比度为0.98,目标计数一致性达到0.90;进行基于边缘的分割时,其边缘检测误差为5.74%,因此,该方法对重叠果实区域的分割是有效的。     

改进加权FCM用于裂纹蛋2D图像分割的研究

解决裂纹鸡蛋图像灰度直方图目标与背景区域分布模糊、图像分割效果差的问题.通过将包含空间信息的二维直方图和改进特征加权FCM算法有机结合,迭代寻求最佳聚类有效性函数和加权矩阵,实现鸡蛋图像缺陷分割.同时,对经典FCM和改进特征加权FCM算法的性能进行了分析比较.结果表明:提出的算法更接近于真实聚类中心,目标函数值亦得到改善;二维直方图的改进特征加权模糊聚类算法更好地提取了裂纹鸡蛋图像的细节信息,图像分割效果好.     

基于动态网格和分区域聚类的玉米苗带识别算法研究

针对基于计算机视觉的玉米苗带中心线提取受自然环境干扰严重的问题,提出基于6×6动态网格与分区域特征点聚类的玉米行定位算法。首先将获取的玉米苗带图像进行像素归一化,采用改进的过绿特征和最大类间方差法分割玉米苗带与土壤背景,得到二值图像;然后通过动态网格扫描二值图像,获取候选玉米苗带特征点,并对候选玉米苗带特征点采用分区域聚类算法,得到玉米苗带特征点;最后通过最小二乘法对特征点进行线性拟合得到玉米苗带中心识别线。田间试验表明,该算法具有较好的抗干扰性能,能够很好的适应较为复杂的田间环境。玉米苗带识别准确率为93.4%,处理一幅分辨率为1 920像素×1 024像素的图像平均耗时320 ms。     

基于机器视觉的石榴品质自动分级方法

采用人工检测的石榴外观品质等级分级方法存在准确率和效率低的问题，提出一种基于机器视觉的石榴品质分级方法。首先，采用机器视觉系统采集石榴样本图像，进行去噪处理与获取掩模图像；其次，提取去噪图像的红、绿、蓝分量，用蓝色分量减去红、绿色分量得到色差图像，并对色差图像进行阈值分割；然后，对分割图像采用数学形态学处理获得连通的疑似缺陷区域的边界，提取纹理特征并根据缺陷与非缺陷区域纹理特征的不同来标记缺陷区域；最后，将缺陷面积与总面积之比和缺陷数目作为划分等级的依据，对石榴品质等级进行划分。试验结果表明：本方法总体分级准确率达到92.9%，能够高效、准确地识别石榴表面缺陷并进行品质分级，为实现自动分级的产业化提供思路。     

基于深度学习的无人机水田图像语义分割方法

为高效获取水田信息提高精准农业应用水平,提出一种基于深度学习的无人机水田图像语义分割方法。首先,采集无人机水田图像并制作一套高分辨率水田数据集,使用双边滤波去除图像噪声;然后,通过调整编码器获取更为细致的田块边界特征信息;最后,改进解码器融合更多浅层特征并采用深度可分离卷积解耦图像深度信息与空间信息,获得改进网络结构的DeepLabv3+模型。试验结果显示,改进模型的像素精度和平均交并比分别为96.04%和85.90%,与原始模型相比提升2.09%和4.66%;与典型的UNet、SegNet和PSPNet语义分割模型相比,各项指标均有不同程度的提高。本文方法能够实现准确、高效的水田分割,为进一步获取水田边界定位信息和构建高精度农田地图提供重要基础。     

基于M-LP特征加权聚类的果树冠层图像分割方法

针对背景和杂草干扰下的果树图像冠层提取问题，提出了一种基于M-SP特征加权聚类的冠层分割算法。首先，将采集的原始图像由RGB颜色空间转换到HSI颜色空间，计算果树与背景区域在H、S分量上的马氏距离，构造马氏距离相似度矩阵〖WTHX〗M〖WTBX〗；其次，提取图像像素的垂直位置作为空间特征〖WTHX〗P〖WTBZ〗，在HSI空间内的I分量上，利用最大熵算法提取图像的阴影区域，并进行掩膜处理，将获取的阴影区域作为空间特征的加权区域L，从而构造阴影位置加权的空间特征〖WTHX〗L〖WTBX〗P；最后，对获取的M-LP特征矩阵进行归一化处理，分别进行上背景、下背景、果树冠层、杂草4个类别的K means聚类，最终完成图像分割。为验证算法的有效性，在采集的果树图像上进行了分割试验，结果表明，基于M-LP特征的聚类方法能有效解决重度杂草干扰条件下果树冠层被漏分的问题。采用精确率、召回率和F1值3个评价指标对分割结果进行定量评价，选取不同杂草干扰程度（轻微、中等、较强）和时间段（早晨、中午、傍晚）的果树图像，分别以传统K-means和GMM聚类算法作为对比进行试验，结果表明，相对于未经过特征提取的普通聚类分割方法，本文算法对于不同杂草干扰程度和不同拍摄时间段下的果树冠层分割表现出一定的鲁棒性，平均精确率为87.1%，平均召回率为87.7%，平均F1值为87.1%。分割和验证结果表明，在进行有效图像特征提取的基础上，结合少量标注作为先验知识的无监督分割方法可以准确分割出果树冠层区域。     

小波变换在农田图像边缘检测中的应用

为了给农业机器人田间行走提供准确导航方向线,以农田景物为研究对象,提出用紧支撑双正交小波变换检测图像中的边缘,并改进了传统的小波算法。运用此方法,在计算机上对图像做边缘提取的实验。实验结果表明,该方法能够得到连续、光滑、单像素宽边缘链图像。程序的单幅图像处理平均效率为0.12s,不仅证明了该算法能够达到实时检测、自主导航的要求,而且也表明这种边缘提取方法是有效和可行的。     

基于方向一致性特征的小麦条锈病与白粉病识别方法

针对小麦条锈病、白粉病这2种病斑颜色特征相近、形状特征不明显,但在方向分布的一致性上却存在较大差别这一特点,提出了一种方向一致性描述方法。通过不同的方向核与图像卷积得到多个方向图和边缘,对每个方向图依据边缘图进行统计得到图像的方向分布直方图;并计算方向分布直方图的标准差,作为图像方向分布的一致性特征。该方法能够较好地抑制噪声影响,得到的结果符合图像的实际分布情况。利用该方法对小麦病斑进行特征提取,并应用于小麦条锈病与白粉病的病斑识别实验中。实验结果表明,所提出的方向一致性特征使条锈病与白粉病的区别度较大,准确识别率达到99%。     

基于机器视觉的大田环境小麦麦穗计数方法

基于机器视觉技术研究了一种低成本、针对局部小范围的小麦麦穗计数方法。通过部署的田间摄像头采集大田环境下小麦麦穗低分辨率群体图像,实现了复杂大田环境下小麦麦穗图像的降噪增强处理;提取麦穗的颜色、纹理特征,采用SVM学习的方法,精确提取小麦麦穗轮廓,同时构建麦穗特征数据库,对麦穗的二值图像细化得到麦穗骨架;最后通过计算麦穗骨架的数量以及麦穗骨架有效交点的数量,即可得到图像中麦穗的数量。经过2014年5月和2015年5月在方城县赵河镇示范区的试验测试,以小麦麦穗图像640像素×480像素（约250穗）为例,小麦麦穗计数平均耗时1.7 s,准确率达到93.1%,满足大田环境下小麦麦穗计数要求,可以为小麦估产提供可靠的参考数据。     

农情监测多旋翼无人机系统开发及性能评估

现代农业要求农业生产者实时、准确、全面地了解农作物的生长环境和生长状态。与传统的人工田间调查方式相比,无人机是一种高效的农田信息获取平台。本研究将自主研发的八旋翼无人机与农田信息采集设备进行整合,形成了一套用于农情监测的无人机系统,实现了无人机按照预设航线自动巡航并采集农田遥感图像、地理位置信息以及环境照度信息。经测试,在飞行中,图像采集设备能够稳定维持垂直对地的姿态并进行拍摄,采集的数据能够拼接成完整的农田正射影遥感图像。测试结果表明研发的无人机系统能够满足低空农情监测作业要求。与商业化产品相比,该系统避免了因任务设备与飞机独立工作而导致重拍、漏拍的情况,实现了无人机与任务设备高效协同作业。     

差分百分率直方图法提取缺素叶片纹理特征

针对基于计算机视觉技术对无土栽培番茄缺乏营养元素智能识别研究中，如何提取缺素叶片纹理特征问题，提出了差分百分率直方图法。特征有效性不受叶片大小、形状差异和叶片图像中叶片周边白色背景的影响，实验验证该方法能较好地提取出缺素叶片纹理特征，最后利用K－的邻模式识别法进行模式识别，识别的准确率在80％以上。     

基于超像素暗通道和改进导向滤波的农业图像去雾方法

针对传统暗通道先验算法运算速度慢以及适用性差的问题,提出了一种基于超像素级暗通道先验和自适应容差机制改进导向滤波算法的农业图像去雾方法。首先利用超像素分割获得具有一致颜色和亮度属性的超像素块并估计不规则区域块的透射率,引入导向滤波算法并利用自适应平滑参数细化透射率得到更为细致的边缘信息,加入自适应容差机制,使其能够根据图像明亮区域的变化和雾霾的浓度对透射率进行自适应补偿修正,得到最优透射率。最后对局部大气光估计和适应性调整,根据大气散射模型得到质量更高的复原图像。试验以6幅农业场景图像为例进行去雾研究,采用主观和客观评价指标评价去雾结果,与传统去雾算法相比,本文方法恢复的图像色彩更真实,细节更丰富,并且在一定像素范围内具有较高的实时性,可为农情信息解析提供研究基础。     

基于小波变换的农田景物边缘检测

依据农田景的图像的基本特点，提出零点反对称紧支撑二进小波检测图像中的边缘。运用此方法在计算机上对图像边缘提取，得到了连续、光滑、单像素宽的边缘链图像。表明这种边缘提取方法有效、可行。     

基于改进Sobel算法的叶片图像边缘检测

采用数字图像处理技术对叶片图像进行边缘检测,主要研究了基于Sobel算子的叶片边缘的检测方法。在对图像进行灰度化和滤波去噪等预处理的基础上,增加了6个方向模板对Sobel算子进行改进。试验证明,该方法有效解决了Sobel算子边缘检测时边缘过粗的问题,得到的边缘较细,精确度提高了13.6%。     

水稻病害图像预处理及其特征提取方法研究

采用计算机数字图像处理技术对水稻病害进行智能识别,并以叶鞘腐败病为例,研究了水稻病害智能识别图像预处理和特征提取的方法。试验中,利用灰度变换和中值滤波法有效去除了噪声,增强了图像;利用不同算子对病害进行边缘检测,准确地提取了病斑的几何特征,实现了病害图像目标分割。这一研究成果为特征参数的提取及最终病害确定打下基础。     

基于影像与坡度数据融合的梯田田块分割方法

梯田在很大程度上开发了坡耕地的农业生长潜力,具有蓄水、保土作用。由于梯田数量、面积等分布信息较难准确获得,使其定量研究难以深入展开。随着无人机技术的不断发展,高精度梯田地形信息的获取成为可能。本文基于无人机正射影像并结合坡度数据,通过Canny边缘检测算子对梯田的粗轮廓进行提取,结合梯田的结构特性,对梯田中的伪边缘进行剔除;再通过对梯田边缘强度叠加和边缘连接;最后利用区域生长算法对梯田进行分割。该方法有效解决了梯田形状不规则、田面堆积物干扰、图像光谱特征复杂等问题。与手工标注的梯田样区田块数据的对比结果表明,本文算法对梯田区的提取总精度可达84.9%,可为梯田区的快速制图提供解决方案。