基于3种不同颜色空间的作物行提取方法比较研究

作物行检测是精准农业和自动导航的关键。为研究不同颜色空间作物行提取方法克服光照条件变化影响的性能，综合比较不同方法的优劣情况，选取归一化RGB颜色空间提取ExG分量方法(ExG分量法)、HSV颜色空间提取H分量方法(H分量法)、CIE-Lab颜色空间提取a分量方法(a分量法)3种方法，分别在阴天和晴天2种光照条件下进行了详细分析和比较。结果表明，ExG分量法和a分量法在阴天和晴天环境都具有可行性且基本能够满足实际需求；H分量法仅在阴天环境下具有可行性且基本能够满足实际需求，在晴天环境下无法完全准确分离作物和土壤。分析得出，阴天环境下综合比较优劣结果为a分量法>H分量法>ExG分量法，晴天环境下综合比较优劣结果为a分量法>ExG分量法。     

基于HSI颜色空间的植物叶片病斑提取方法

为了提高病斑图像的分割精度,提出了1种在色调-饱和度-强度(hue-saturation-intensity,HIS)颜色空间中植物叶片病斑提取的方法。使用高精度光学设备采集样本图片,用中值滤波对图像进行平滑处理,去除干扰;将图像由红绿蓝(RGB)颜色空间转换到HSI颜色空间,对色调(hue,H)、饱和度(saturation,S)分量阈值分割去除绿色像素,提取植物叶片病斑区域。结果表明,基于HIS颜色空间的植物叶片病斑提取方法是有效可行的。     

果园自然环境下采摘机器人路径识别方法

果园自然环境下光照条件是不同的,而不同的光照条件又会对采摘机器人的路径导航产生不同影响,针对此环境,本研究提出了一种根据光照度进行分类并使用不同算法提取道路中心线的方法。首先对图像亮度分量和光照度进行研究,并将光照度划分为低光照、正常光照和高光照3个等级。在低光照条件下通过分离出S通道,然后利用K-means与Ncut算法对其进行分割,在正常光照条件下采用Otsu算法对S通道进行分割,在高光照条件下则通过K-means与Ncut算法对Cg、Cb与Cr通道进行差分运算后的图像进行分割。将分割后的图像进行边缘检测并提取道路轮廓,并通过最小二乘法实现道路中心线的获取。最后选用150张不同光照条件下的图像进行了静态试验验证,并通过课题组自行研制的采摘机器人进行了动态试验验证,静态试验验证结果表明,3种光照条件下图像分割区域与道路真实区域的平均重合度为96.74%、平均分割误差为2.01%、平均道路中心线平均偏差为2.71像素,平均耗时为0.182 s;动态试验验证结果表明,3种光照条件下的平均横向偏移距离为3.1 cm。表明,该方法在不同光照条件下具有较高的精度和实时性,能够满足采摘机器人在自然光照条件下的路径识别及导航需求。     

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C-V模型在YCbCr空间下的羊体图像分割

针对羊体图像背景复杂、分割难以及不同光照条件干扰羊体图像的问题,采用一种基于YCbCr空间改进C-V主动轮廓模型的分割方法,对具有复杂背景的羊体图像分割进行研究。结果表明:1)根据羊体图像的颜色特点,对羊体图像进行从RGB空间到YCbCr空间的转换能克服拍摄环境中光照对羊体的影响;2)利用手动勾画羊体的粗略轮廓构造预处理水平集,对其内部、外部以及边界进行划分后可以演化羊体图像的轮廓。试验证明改进C-V模型能对复杂背景下的羊体图像进行准确分割,分割结果能够应用到后续羊体测量点的识别中。     

水稻插秧机视觉导航基准线识别研究

针对水稻插秧机视觉导航的基准线提取问题,探索采用基于垂直投影法为基础的识别算法识别水稻稻田图像导航基准线。首先人工读取稻田图像中秧苗、水、秸秆残茬、泡沫和泥的R、G、B像素值,绘制RGB、HSI、I1I2I3颜色空间的各颜色分量灰度直方图,分析差异,选取正交彩色空间的I3颜色分量灰度值分割图像;用最大类间方差法求取分割阈值,成功地把秧苗和背景分割开得到二值图像;在分割后的二值图像上添加掩膜,去除图像上部左、右角断垄秧苗图像,提高基准线识别精度;采用垂直投影法提取定位点,经过分析判断后用稳健回归法拟合成直线,该直线作为水稻插秧机自主行走的导航基准线。将20幅稻田图像采用该算法提取基准线,并与人工提取的基准线进行比较。结果表明:单幅图像最小平均误差率为0.78%,20幅图像均误差率为2.33%,说明该方法具有一定的可行性,能够为水稻插秧机自主行走提供导航信息。     

自然光照环境下基于人工蜂群算法的农业移动机器人视觉导航线提取

为了解决常规农业移动机器人导航基准线提取方法存在识别速度慢、检测精度低以及对光照变化敏感等问题,提出1种自然光照环境下基于人工蜂群算法的视觉导航路径提取方法。首先,将视觉传感器获取的作物图像进行灰度化处理,通过图像熵对灰度图像质量进行估计,当光照条件变化时,在线调整摄像机曝光时间,使获取的图像质量达到最佳状态,以提高后续图像处理对光照变化的适应能力。然后,采用类间最大方差法对图像进行分割,将作物信息与土壤背景分离,运用形态学滤波方法消除分割图像中的杂草噪声。最后,对图像顶部和底部分别进行灰度垂直投影,获取作物行区域并提取作物行特征点,利用人工蜂群算法搜索2个特征点,使其构成的直线所含目标点数最多,并将这条直线作为作物行中心线,进而得到导航路径。结果表明,在不同光照度条件下,基于图像熵的曝光时间调整方法可以有效降低光照度变化对后续图像处理的影响;基于人工蜂群算法的导航基准线提取方法可以快速有效地识别作物行与导航路径,处理1幅640×480像素的图像平均耗时76.4 ms,与传统导航基准线提取方法(Hough变换算法、最小二乘法)相比,人工蜂群算法具有检测速度快、准确性高的特点。本研究提高了应用于田间作业的农业移动机器人导航路径识别精度。     

基于视觉注意机制的黄绿色苹果图像分割

针对近色背景黄、绿色苹果图像难以分割的问题,设计了一种基于视觉注意机制的分割方法。首先基于RGB(Red,Green,Blue)采集图像将R-B、2R-G-B色差分量分别作为黄、绿色苹果图像的颜色特征分量,采用基于频率调谐的显著检测模型(Frequency-tuned salient region detection,FT)算法提取以光线正常区域为主的显著图,然后通过基于标记的分水岭算法处理原图像,再用FT算法提取以高亮区域为主的显著图,将2部分显著图分别进行自适应阈值分割,去除小面积等操作获取其二值图像,最后将2个二值图像合并,由此获得黄色和绿色苹果的果实区域。最后进行本研究方法效果图的主观判断和基于分割误差(Af)、假阳性率(FPR)、假阴性率(FNR) 3个评价指标的定量分析。结果表明该方法能更有效地分割出黄、绿色苹果果实,Af、FPR、FNR分别为8. 1%、10. 56%和10. 18%。     

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RGB与HSV颜色空间的水稻齐穗后叶片SPAD值估测方法研究

通过计算机视觉技术对齐穗期至成熟期的水稻叶片图像进行分割,提取水稻叶片图像在RGB和HSV颜色空间中的6种颜色特征参数,计算典型的18种颜色分量,分析了颜色特征参数和颜色分量与水稻叶片SPAD值之间的相关关系;然后,采用线性回归分析方法,分别建立了基于RGB颜色空间和基于RGB与HSV颜色空间的SPAD值的估测模型,并采用逐步回归方法,分别建立了基于颜色特征参数和颜色分量的SPAD值的估测模型。结果表明:RGB颜色空间和HSV颜色空间均与水稻叶片的SPAD值有极显著的相关关系,以HSV颜色空间与水稻叶片SPAD值的相关关系更为密切;颜色特征参数H与SPAD值之间的相关关系最密切,其次是S、R、V;颜色分量r/b与SPAD值之间的相关关系最密切,其次是R-B、b、r;在建立的水稻叶片SPAD值的4个估测模型中,以基于颜色分量的逐步回归模型的拟合效果最好。因此,综合RGB和HSV颜色空间中图像颜色信息的分析应用,有利于提高水稻叶片SPAD值的图像反演精度。     

基于RGB与HSV颜色空间的水稻齐穗后叶片SPAD值估测方法研究

通过计算机视觉技术对齐穗期至成熟期的水稻叶片图像进行分割,提取水稻叶片图像在RGB和HSV颜色空间中的6种颜色特征参数,计算典型的18种颜色分量,分析了颜色特征参数和颜色分量与水稻叶片SPAD值之间的相关关系;然后,采用线性回归分析方法,分别建立了基于RGB颜色空间和基于RGB与HSV颜色空间的SPAD值的估测模型,并采用逐步回归方法,分别建立了基于颜色特征参数和颜色分量的SPAD值的估测模型。结果表明:RGB颜色空间和HSV颜色空间均与水稻叶片的SPAD值有极显著的相关关系,以HSV颜色空间与水稻叶片SPAD值的相关关系更为密切;颜色特征参数H与SPAD值之间的相关关系最密切,其次是S、R、V;颜色分量r/b与SPAD值之间的相关关系最密切,其次是R-B、b、r;在建立的水稻叶片SPAD值的4个估测模型中,以基于颜色分量的逐步回归模型的拟合效果最好。因此,综合RGB和HSV颜色空间中图像颜色信息的分析应用,有利于提高水稻叶片SPAD值的图像反演精度。     

自然环境下基于Lab空间的成熟苹果图像分割

为了提高自然环境下成熟苹果图像的分割质量,通过对自然环境成熟苹果颜色特征的分析,提出一种在Lab颜色空间的苹果图像分割算法。首先对图像进行均值滤波预处理以消除噪声的影响,然后把图像从RGB空间转换到Lab空间并提取a分量,最后进行K-means分割。结果表明,基于Lab空间中a分量的K-means分割能有效地把苹果从图像中提取出来。     

基于Matlab7.0的大豆苗期土壤背景与杂草分割算法

解决大豆苗期图像中的土壤背景分割是大豆田间杂草识别的前提和基础.为了解决大豆苗期田间杂草识别中受光照影响及环境适应性差等问题,通过对400幅不同环境下苗期大豆图像的植被颜色和背景颜色分量的统计分析,得出用3基色红(R)绿(G)蓝(B)合成的同一像素点,绿色植被图像的颜色分量G值都大于R和B值,而背景则恰恰相反.研究表明,采用G-R和G-B双阈值颜色特征分割进行土壤背景分离取得了很好的效果,此方法较2G-R-B颜色特征分割法对绿色植物和土壤背景的分离更为有效,可广泛应用于处于各种农作物田间杂草识别及其它绿色植被分割中受光照变化影响较大的领域.     

基于颜色分量与直方图的玉米苗期背景分割方法研究

对土壤背景进行有效分割是玉米苗期田间杂草识别的前提和基础。本研究利用颜色分量G-R和G-B与灰度直方图来实现玉米苗期图像与背景图像的分割,解决了玉米苗期田间杂草识别中受影响及环境适应性差等问题。通过对不同环境下苗期玉米图像的植被颜色和背景颜色分量的统计分析表明,采用G-R和G-B双阈值颜色特征分割,进行土壤背景分离取得了很好的效果。     

基于PLSA和颜色命名的小麦图像分割方法

为减少大田环境下光照不足对小麦图像分割的影响,以及提升小麦图像中偏黄叶片的提取效果,提出了将白平衡调整、局部同态滤波预处理和基于概率潜在语义分析(PLSA)模型的颜色命名算法相结合用于小麦图像分割的方法。首先,对大田采集的小麦图像进行白平衡调整,得到准确无偏色的图像;然后对光照不足的图像在HSI彩色模型下对亮度分量I进行局部同态滤波处理,以减少光照不足对图像的影响;最后在RGB彩色模型下基于PLSA模型构建的颜色名RGB值字典,提取图像中绿色和黄色像素点对应区域作为目标区域。结果表明,经白平衡调整后F1值提高1.61个百分点;光照不足图像经局部同态滤波处理后F1值提高12.43个百分点,分割效果明显提升;所提方法对绿色、叶片偏黄及光照不足的小麦图像分割的F1值分别为96.39%、97.29%和96.22%,均达到了较好的分割效果;所提方法与K-means聚类算法相比,虽点状噪音和细小孔洞相对较多,但在分割叶片偏黄小麦上F1值提高4.42%,整体分割效果较好,且稳定性强。     

基于脉冲耦合神经网络的植物叶片病斑分割

为了提高植物病斑图像的分割精度与效果,提出了1种基于脉冲耦合神经网络的植物叶片病斑分割方法。首先利用最大熵机制原理在RGB(红、绿、蓝颜色模型)、HSV(色调、饱和度、亮度颜色模型)空间中选出熵值最大的分量作为处理对象,再利用脉冲耦合神经网络(PCNN)模型,进行病斑的二值分割,最后对病斑部分进行彩色还原。通过与传统的最大类间方差法(OSTU)进行对比试验表明,该方法分割处理效果比较理想,鲁棒性好,分割准确率高。     

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。     

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...     

施药机器人对行施药系统的设计与试验

【目的】设计一种能在作物行间自主导航的施药机器人,实现移动机器人在温室中自动行走并均匀施药。【方法】针对导航路径识别受光线变化影响较大的问题,在Kinect摄像机获取的彩色图像中选取了HIS空间,并对K-means算法的聚类中心和聚类数目的选取进行了优化,随后采用改进的K-means算法对与光照信息无关的H、S分量联合分割,获得完整道路信息,并采用Candy算子检测边缘及改进的Hough变化方法拟合导航路径。采用模糊控制方法通过实时调整转角和转向,对车体行走偏移进行矫正。同时,为满足不同农作物的施药需求,在喷药系统上选用了自整定模糊PID控制算法。【结果】该系统可有效适应不同光照条件,提取作物行中心线平均耗时12.36 ms,导航偏差不超过5 cm,植株叶片正面的上、中、下层覆盖率分别为63.26%、50.89%和75.82%,单位面积(1 cm~2)雾滴数平均为55、42和78个。【结论】本系统可以满足温室移动机器人自主施药防治病虫害的需求。     

基于颜色差异性的植物叶片病害图像分割方法

针对植物叶部病害图像的复杂性,结合植物叶部病害彩色图像的特点,提出了一种基于颜色差异性的植物叶部病害彩色图像分割方法。对采集的植物叶部病害图像,利用GrabCut算法对其进行背景分割,去除田间复杂环境背景;对其采用中值滤波和图像锐化处理,以尽可能保留图像的病害区域和边缘细节;再对处理后的图像,分别转换到基于生理特性的Lab颜色空间和YUV空间,结合Otsu方法,分别对图像的Lab灰度图及YUV空间的单通道灰度图进行二次分割;对二次分割的两幅图进行与操作,将其转换到RGB空间,即可得到最终的分割结果。利用该方法对常见的大豆、玉米、油菜、黄瓜等多种植物常见的多种叶部病害彩色图像进行了分割试验。结果表明,该方法取得了比较精确的分割图像,并且在抗噪性能、边缘细节保护和分割效率等方面也有很好的效果。