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EXG因子的水稻秧苗图像分割

针对水稻稻田图像中秧苗和背景分割问题,采用基于最大类间方差法(OTSU法)的分割方法,成功地把水稻秧苗像素和背景像素分割开.首先用CCD相机获取水稻插秧机插秧作业后的水稻稻田图像,选择超绿特征因子(EXG因子)将水稻秧苗RGB彩色图像转化为灰度图像,使用OTSU法计算阈值,成功地将灰度图像转变为二值图像.又采用该方法分割了20幅水稻秧苗图像,结果表明,EXG因子可以对水稻秧苗图像有效分割.     

色差直方图特征改进 Otsu 的橡胶 缺素叶片图像分割研究

针对橡胶叶片颜色随缺素程度不断变化的特点,提出色差直方图特征改进最大类间方差法(Otsu)的橡胶缺素叶片图像分割方法。首先利用图像RGB三分量计算色差图像,保留更多的图像颜色空间信息;然后计算图像的色差直方图,并改进Otsu阈值分割算法;最后利用改进算法对缺素叶片图像进行分割。结果表明,改进算法在缺素叶片图像分割上优于传统Otsu算法。     

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。     

基于混合颜色空间和双次Otsu的黄瓜靶斑病图像分割

为快速、准确地分割黄瓜叶部病害图像,提出一种基于混合颜色空间的双次Otsu算法。算法根据病害图像各部分的颜色特征,首先选取原始彩色图像的R分量进行初始Otsu分割和形态学相关操作,将R分量图分割为背景类和非背景类;然后选取非背景类图像的Cr分量进行第2次Otsu操作,将非背景区域分割为正常叶子类和病斑区域类,得到最终的分割结果。将该算法应用于黄瓜靶斑病图像的分割中,并与R_Otsu算法、H_Otsu算法以及图切割算法进行比较。试验结果表明:与对比算法相比,本算法在分割精度及处理速度2方面的综合分割性能最优,错分率均值和方差分别为2.12%和0.08%,平均处理时间0.2s,算法对光照变化具有一定的鲁棒性。本研究算法可为自然光照条件下黄瓜病害图像实时、准确分割提供技术参考。     

基于MATLAB获取甜菜冠层图像信息的研究

采用数字图像处理技术对作物进行氮素营养诊断已经成为主要技术之一。由于应用数字图像技术进行营养诊断需要前期数据支持,本文研究了基于MATLAB的图像预处理方法,图像分割方法,对原始RGB图像进行了有效的提取。使用MATLAB编程,首先对原RGB图像应用中值滤波法对原图像进行去噪处理,再进行后续图像分割工作,采用Otsu阈值分割方法去除阴影图像,利用HIS颜色模型中H通道图像选取特定阈值进行土壤分割,利用YCbYr颜色模型中Cb通道,选取Cb通道特定阈值进行白板阈值分割,最后得到只含有绿叶的RGB图像,再利用MATLAB编程统计得到绿叶所有像素点的R、G、B平均值,为后续甜菜营养诊断提供数据支持,创造了可行的前提条件。     

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。     

自然环境下杨梅果实图像的分割方法研究

为解决自然环境下杨梅果实图像难以准确分割的问题,提出了一种基于同态滤波算法进行杨梅图像分割的方法。通过分析杨梅果实的颜色特征,基于RGB颜色空间采用R-G色差分量处理杨梅果实图像,并进行二值化,采用形态学及连通区域标注统计法,消除可能存在的图像噪声,从而去除树叶等大部分背景;然后通过计算区域最小外接矩形的长宽比来判断区域内是否还存在枝叶,以此考虑是否需要进一步分割。在进行下一步分割前,为了消除光照不均的影响,在HSV颜色空间中,采用同态滤波图像增强的方法对亮度V分量进行增强,实现光照补偿。最后,继续基于RGB颜色空间采用R-G色差分量,应用Otsu分割法来细分割剩余的枝叶等部分,实现杨梅果实图像的分割。结果表明:本研究算法能够有效地将杨梅从背景中分割出来,分割误差Af的均值仅为2.26%,与直接采用Otsu分割算法的分割误差Af的均值25.23%相比,降低22.97%。与没有同态滤波过程的图像分割算法的分割误差Af的均值18.12%相比,降低15.96%,从而验证本研究算法的有效性。     

基于FCM的彩色牛乳体细胞图象分割方法

图像分割是进行图像处理的基础,是图像工程技术中的1个重要问题.本文在分析了FCM算法的基础上,采用R和G 2个颜色值对彩色牛乳体细胞图像进行了分割,并与利用R、G和B 3个颜色值方法的进行了比较,实验结果表明,该方法不仅具有良好的分割效果,而且提高了分割速度.     

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。     

基于RGB植被指数的大田油菜图像分割定量评价

以自然光下大田油菜幼苗图像为研究对象,运用超红指数ExR、超绿指数ExG、超绿超红差分指数ExGR、归一化植被指数NDI、植被提取颜色指数CIVE、植被指数组合COM等6种常用植被指数和阈值算法分割具有阴影区域的大田油菜图像,同时试验中引入定量评价标准客观评价常用RGB空间植被指数的分割效果。结果表明:定性分析中COM指数优于其他5种植被指数,能够减少阴影带来的分割影响,并在局部叶片分割试验中保留完整叶片轮廓;定量分析中COM指数提供最佳分割精度、灵敏度和特指度分别为94.1%、97.2%、90.9%,其相应标准差为1.1、1.3和0.06。     

基于无人机RGB影像的苗期油菜识别

无人机可见光遥感具有经济成本低、起降方式灵活等优点,在监测苗期油菜缺苗和植株数量方面具有较好的应用前景。采用大疆Phantom 4 Pro V2.0四旋翼无人机获取油菜种植区的可见光影像,设置1个实验区和4个验证区,对比分析土壤、油菜苗、杂草等地物目标红（R）、绿（G）、蓝（B）波段的DN值,根据各波段DN值的正态分布特性和比值关系构建绿蓝红差异指数（green-blue-red difference index, GBRDI）。利用GBRDI对油菜种植区可见光影像进行计算,绘制不同地物的直方图,将其交点作为图像分割阈值对油菜苗植株进行提取,并与常见的过绿指数（excess green, ExG）、差异植被指数（visible-band difference vegetation index, VDVI）、归一化绿蓝差异指数 （normalized green-bule difference index, NGBDI）的提取结果进行对比。结果表明：相较于ExG、VDVI、NGBDI,GBRDI从杂草等背景地物中提取油菜苗效果更好,精度92.93%,完整性83.63%;在4个杂草长势复杂的验证区,GBRDI指数提取油菜苗的精度和完整性均比VDVI、ExG、NGBDI更高;GBRDI能快速准确地提取油菜苗,分离杂草和土壤等背景地物,可为油菜精细化耕作提供技术参考。     

基于无人机的田间地膜识别算法研究

为了满足基于机器视觉的田间地膜智能识别要求,对垂直拍摄的6叶期单垄单行烟田图像进行研究,分析图像中地膜、烟苗和土壤的RGB和HSV分量的直方图,发现B分量和V分量采用阈值分割法能分割出地膜。对地膜图像进行手动阈值分割、迭代阈值分割、大律法分割和基于遗传算法的最大熵值法等分割算法比较,发现迭代阈值分割算法目标识别率最高,为71%,且处理过程用时较短。通过对无人机不同飞行高度下地膜识别情况分析,发现50 m飞行高度下的地膜识别率最高,为80.06%,地膜识别面积为246.83 m²,地膜覆盖率为30.12%。该研究为残膜的智能识别提供方法和参考。     

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。     

RGB与HSI色彩空间下预测叶绿素相对含量的研究

为探明RGB与HSI两种色彩空间下水稻叶色图像参数与叶绿素相对含量(SPAD)之间的关系,应用支持向量机的方法预测水稻叶片的SPAD值,为快速精准获取植物SPAD值提供理论基础,同时为科学施肥提供理论指导。水稻田间试验于2015—2017年在江西农业大学农学试验站和江西省成新农场进行,供试水稻品种为金优458(JY458)、中早35(ZZ35)和两优培九(LYP9),每个水稻品种均设计4组不同的氮素水平。通过对获取的水稻图像进行叶色参数提取以及叶绿素仪测量的SPAD值来分析水稻叶色图像参数与SPAD值之间的关系,并用支持向量机的方法建立相关模型预测SPAD值。结果显示,较RGB色彩空间下三种水稻品种在HSI色彩空间上预测值的均方根误差分别减少了0.067 5(JY458)、0.020 0(ZZ35)和0.154 2(LYP9),平均相对误差比RGB色彩空间下分别减少了0.084 2(JY458)、0.133 5(ZZ35)和0.238 2百分点(LYP9)。水稻叶片在两种不同色彩空间下的叶色图像参数和水稻叶片SPAD值之间存在显著性相关(P<0.05),利用改进的网格搜索算法优化支持向量机的方法建立水稻叶片SPAD值预测模型,其预测结果误差小,为快速准确无损获取植物SPAD值的预测提供了一种新方法。     

基于阈值分割的单板穿孔缺陷识别算法研究

单板穿孔缺陷会影响其胶合过程的质量，是单板分选过程中主要的识别目标。基于图像处理技术的图像分割算法将穿孔缺陷区域与背景区域准确地分开是自动分选的重要前提。本研究提出一种基于阈值分割的单板穿孔缺陷识别方法，首先基于彩色图像的RGB空间将采集的图像转换为灰度图并输出R分量灰度图，采用二维中值滤波处理滤除非线性噪声，最后采用阈值分割和连通域处理相结合的方法将背景与目标区域分离。结果表明，遗传算法的最大熵阈值法选取的阈值和试验时间均优于其余3种（迭代阈值法、大津阈值法、最大熵阈值法）算法，结合连通域处理方法可以有效提取单板中的穿孔区域。