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。     

基于机器视觉的水稻秧苗图像分割

水稻秧苗的识别是水稻插秧机自主导航系统的关键内容之一。针对插秧机机器视觉导航中稻田图像秧苗与背景分割问题,建立了基于RGB（红绿蓝）颜色空间的秧苗表面颜色模型。通过颜色特征对秧苗图像进行处理,使用Photoshop软件获取秧苗部分和背景R,G,B分量值;通过对G R值与G B值的分析统计,发现两者之间存在分界关系：各自的权重与各分量的乘积之和为某个定值;为方便分析,选取权值a,b为05,即ExG因子,采用Otsu法获取定值最佳值,最大程度分割出目标和背景。与适合于大多数绿色作物的传统RGB法进行比较,并采用分割质量因子和算法运算时间作为评判标准,分析各算法的综合性能。试验发现,ExG因子结合Otsu分割法分割效果相对理想、稳定性更高,而且耗时更短。     

基于图像处理的秧苗均匀度合格率检测

插秧机试验鉴定时要人工测定插秧前秧苗培育均匀度,为提高鉴定效率,本研究提出基于图像分割和形态学操作的秧苗均匀度合格率自动检测方法.首先将获取的秧苗根茎部图像在2G-R-B颜色空间进行灰度化处理,阈值分割后进行形态学操作,完成面积阈值和形状阈值的二次分割,得到只含有水稻秧苗的二值化图像;其次根据移距和秧苗深度确定取样方格...     

基于模糊数学的公路路面裂痕检测技术

根据公路路面实际裂痕灰度值比背景灰度值低,而路面非背景和非裂痕像素灰度值比背景灰度值高或低很多,设计了一种基于模糊数学的公路路面裂痕检测的新技术.首先使用改进的基于乘性模型的灰度校正算法对原始图像进行预处理,接着根据OTSU最大类间方差法计算得到原图像前景与背景的最佳阈值作为渡越点,构造一个新的模糊隶属度函数对预处理后的图像进行模糊处理,然后用Sobel算子对模糊后的图像边缘检测判断得到含有裂痕信息的区域,最后用图像分割算法区域分割出含有裂痕信息的图像子块.实验证明,新提出的方法在处理速度和检测准确性方面基本能够满足实际需要,能实时、自动检测出模糊图像的裂痕.     

牧草图像快速分割方法及比较分析

针对北方典型牧草植物-苜蓿图像,采用多种常用的灰度化方法,并对其中的超绿法和Cr色彩法进行了改进,结合灰度图的特点,选用了单阀值分割和基于欧式距离的聚类分割方法将图像二值化,实现了苜蓿与背景的分离提取.利用大量的图像样本,对图像的分割准确率进行了统计分析和比较研究,得到了常用算法的定量评价和分割效果,得到了针对苜蓿图像的有效分割方法,为进一步实现牧草自动识别提供了依据.     

基于机器视觉的田间水稻苗列识别算法的研究

利用YUV色彩空间模型,以完全查表法对水稻秧苗列图像进行灰度化,通过基于傅里叶变换指导生成图像形态学运算的结构元素,提出一种结合傅里叶变换进行膨胀和腐蚀的方法,提取秧苗列轮廓,采用改良的逆投影变换对苗列图像进行垂直俯视投影,得到实际田间苗列位置,进而利用苗列实际走向信息,实现机器视觉导航系统跟踪苗列行进。对摄像机不同角度获取的苗列图像的处理结果表明,在容许识别定位误差小于50像素点、角度偏差小于6°的前提下,对苗列中心线识别与提取导航基准线的准确率为95.2%,可较好地实现田间自然环境下秧苗图像背景分割和苗列中心线提取。     

基于颜色指数与阈值法的稻田图像分割

为系统、全面地分析不同颜色指数对南方稻田图像分割的适应性,以分蘖期、拔节期稻田图像为研究对象,选择36种常用的颜色指数,采用Otsu阈值法开展基于颜色指数和阈值的图像分割研究,通过比较各颜色指数的分割结果,明确分蘖期和拔节期图像分割的主要干扰因素,筛选最适宜稻田图像分割的颜色指数。结果表明：水稻倒影、浮萍是分蘖期稻田图像分割的主要干扰因素,叶片镜面反射、浮萍和土壤阴影是拔节期稻田图像分割的主要干扰因素;组合指数COM2、MxEG、CIVE和GMR在分蘖期图像和拔节期图像均具有较好的分割精度。因此,基于颜色指数COM2、MxEG、CIVE、GMR和Otsu阈值的稻田图像分割方法对稻田图像分割的干扰要素具有较强的区分能力,分割精度较高,更适宜于南方稻田图像处理研究。     

支持向量机和最大类间方差法结合的水稻冠层图像分割方法

针对田间多变光照强度给水稻冠层图像分割带来的难题,探讨了一种基于支持向量机(SVM)和最大类间方差法(OTSU法)相结合的水稻冠层图像分割算法。首先,从不同光强条件下的水稻冠层图像中采集代表性水稻和背景像元构建训练图像S1和S2,通过分析水稻S1和背景S2两类图像在RGB色彩空间中R、G、B色彩特征值的分布频率,rgb(标准化RGB)色彩空间中r、g、b色彩特征值的分布频率,CIE L*a*b*色彩空间中L*、a*、b*色彩特征值的分布频率,以及HSV色彩空间中H、S、V色彩特征值的分布频率,筛选出具有明显双峰特征的g、a*、b*和S作为关键色彩特征;然后,在由g、a*、b*和S色彩特征构成的多维色彩空间中采用支持向量机学习算法获得分隔水稻和背景像元的优化超平面Z(Z=0.421g+0.753 a*+0.152 b*+0.051S+0.085);最后,计算水稻冠层图像中每一像元的Z值,并用最大类间方差法计算分割阈值Z_t,从而实现水稻冠层图像分割。为了评价该分割方法,以90幅不同光强(阴天、多云和晴天)条件下采集到的田间水稻冠层图像作为测试图像,并以常用的ExGOTSU分割方法作为对比,分析该分割方法的分割精度和光强稳健性。结果表明,Ex GOTSU方法的精确度显著受光强条件影响,随着光强强度的提高而显著降低,光强稳健性差;该研究所提分割方法对阴天、多云和晴天条件下水稻冠层图像的分割误差为7.30%、8.72%和8.98%,分割精确度较高,且具有良好的光强稳健性。因此,该基于支持向量机和最大类间方差法相结合的水稻冠层图像分割方法具有较高的分割精度和光强稳健性,可为田间多变光照条件下水稻冠层图像精准分割提供技术参考。     

基于二维熵的农业图像目标分割

农业图像的目标分割是在农业领域应用机器视觉技术的基础,采用阈值法进行图像的目标分割,能够克服一些图像缺陷。首先将彩色数字图像转换成像素灰度级分布与其邻域平均像素灰度级分布所构成的二维灰度图,再根据图像分割后的最大熵计算分割阈值,然后由计算出的阈值分割农业田间图像,分割的结果显示,二维熵法分割农业田间图像的效果很好,分割质量的优秀率达到了98%。     

基于改进OTSU算法的快速作物图像分割

针对OTSU算法时间复杂度高、实时性差等缺点,结合粒子群算法(particle swarm optimization,简称PSO)提出了一种新的自适应动态参数控制PSO+OTSU算法。通过自适应动态调整惯性权重因子和学习因子,让处在不同位置的粒子做自己最擅长的事情,从而达到算法满足实时性的目的。通过研究自然农田环境下作物图像,提出了一种改进超绿作物图像灰度化方法。结果表明,提出的自适应算法比标准PSO+OTSU算法运行时间缩短了12.7%,错分率方差缩小了26.3%,具有更好的实时性和稳定性。最后在不同光照、不同复杂背景、不同作物植株条件下进行验证试验,都取得了很好的分割效果,说明改进算法同时具有很强的健壮性。     

基于分水岭算法的绿色作物与背景分割研究

分水岭算法作为彩色图像分割手段的一种方法,具有运算简单,性能优良,能较好提取运动对象轮廓和准确得到运动物体边缘等优点。应用分水岭算法研究了绿色作物及其背景的分割,首先通过数码相机拍摄的一幅640×480田间青菜真彩色图像,在matlab中采用分水岭分割算法处理图像后提取其绿色分量,再用数学形态学闭运算处理后可以较好地分割绿色作物与背景。针对结果中存在的过分割现象,采用先计算图像的形态学梯度,再用分水岭算法分割可以使结果得到有效改善。     

高分辨率遥感图像均值调整法分割技术研究

遥感图像分割是将以像元为基础的图像转化为以对象为基础的过程，因此，遥感图像分割是遥感图像高级分析的基础,对于中、低分辨率遥感图像来说，单个像元的面积较大，且混合像元现象严重，图像分割会产生较大的误差．高分辨率遥感图像单个像元的面积较小，分割后图像上单个对象内含若干像元，便于分析和提取信息．以高分辨率遥感图像QuickBird和IKONOS为研究对象，采用均值调整法对图像进行分割和精度检验．结果表明：采用均值调整法进行高分辨率遥感图像分割具有较好的效果，图像分割的速度和精度均较高．     

基于支持向量机的水稻稻瘟病图像分割研究

水稻稻瘟病图像的分割是水稻稻瘟病自动分析与识别的关键环节,其分割效果直接影响后续处理。提出一种基于支持向量机的水稻稻瘟病病害彩色图像分割方法。首先选取叶子正常部分的像素点以及颜色相对复杂的病斑像素点作为负训练样本和正训练样本,提取像素R、G、B彩色分量作为特征向量,对支持向量机进行训练,然后在RGB空间利用训练好的支持向量机对待分割图像的所有像素点进行分类,实现水稻稻瘟病彩色图像的分割。为了获得最佳的分割效果,采用网格搜索法对径向基核函数下的不同核参数分割效果和性能进行比较与分析,确定最佳模型参数。利用此模型进行水稻稻瘟病图像分割实验,获得较好的分割精度,结果优于最大类间方差分割算法。     

复杂背景与天气条件下的棉花叶片图像分割方法

为实现自然条件下棉花叶片的精准分割,提出一种粒子群(Particle swarm optimization,PSO)优化算法和K-means聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在RGB颜色空间模式下采用二维卷积滤波进行去噪预处理,并将预处理后的彩色图像从RGB转换到目标与背景差异性最大的Q分量、超G分量、a*分量;随后在K均值聚类的一维数据空间中,利用PSO算法向全局像素解的子空间搜寻,通过迭代搜寻得到全局最优解,确定最佳聚类中心点,改善K均值聚类的收敛效果;最后,对像素进行聚类划分,从而得到棉花叶片分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:该算法对于晴天、阴天和雨天图像中目标(棉花叶片)分割准确率分别达到92.39%、93.55%、88.09%,总体平均分割精度为91.34%,并与传统K均值算法比较,总体平均分割精度提高了5.41%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像实现准确分割,为棉花叶片的特征提取与病虫害识别等后续处理提供支持。     

基于机器视觉金鱼游动方向监测算法的研究

针对金鱼游动方向自动监测,提出了一种基于机器视觉金鱼游动方向的监测算法。金鱼图像首先通过阈值分割得到分割图像,然后通过分割图像或者腐蚀后的分割图像提取金鱼的像素点,再分别使用最小二乘法拟合一次、二次曲线从而得到金鱼的游动方向。15幅金鱼图像的实验表明在室内单条金鱼监测中通过分割图像提取像素后一次曲线拟合得到的结果最好,仅6.67%的误差。     

大米外观品质检测中图像采集条件的研究

为优化图像采集条件,提高图像采集质量,改善大米外观品质的检测效果,对光照强度和拍摄角度2个主要因素进行了研究,并以大米分割图像中统计的米粒数与实际拍摄的米粒数的比值作为衡量大米图像质量的评价标准,对在各种光照强度和拍摄角度的条件下采集的大米图像质量进行了分析比对。结果表明,在黑色背景下选择90°的拍摄角度和光照强度为40～50lx进行图像采集的效果较好。     

基于多光谱图像的水稻穗颈瘟严重度识别研究

为实时获取作物病害程度信息,研究了水稻穗颈瘟的多图像分割方法,并利用分割结果来估测穗颈瘟的发病程度.由于图像中背景复杂,从获取的多光谱图像中提取IR、R、G分量,难以将水稻穗颈从背景中分割出来.采用IR-G和2IR-R-G分割方法将水稻穗预从图像中分离出来,31幅图像中水稻穗颈灰度值与病情指数呈极显著线性相关,由此建立了水稻穗颈瘟严重度的多光谱图像预测模型,实现了对水稻水稻穗颈瘟的快速、准确、非破坏性检测.     

利用GIS与TM数据资料集成技术估算中国南方早稻面积--以龙游县为例

提出利用 GIS与 TM数据集成技术估算中国南方丘陵山地早稻种植面积的方法 .该方法首先利用 ARC/INFO对土地利用现状图进行数字化 ,建立拓朴关系后将其转化为栅格 ,然后进行投影变换 ,使土地利用现状图、行政图、TM数据具有相同的坐标 ,最后利用土地现状图 ,提取水田分布图 ,对水田分布图进行分类估算早稻种植面积 .不同方法比较结果表明 :非监督分类法不能用于提取丘陵山区的水稻种植面积 ;只用 TM资料估算龙游县早稻面积 ,与统计数据相比 ,平行六面体分类法、最大似然分类法分别达到 82 .83 %和 59.95% ;而用 GIS与 TM数据资料集成技术对水田分布图进行分类估算早稻面积 ,平行六面体分类法、最大似然分类法的估算精度分别达到 93 .98%和 60 .65% ,所以利用平行六面体分类法对南方丘陵山地早稻种植面积估算是可行的 .