基于Android平台的立木胸径测量系统

本文提出了一种基于Android平台的立木胸径快速测量系统.首先,采用张正友标定法实现了相机自动标定功能,并根据标定结果完成立木图像畸变的矫正;然后,通过YCbCr色彩空间对MeanShift算法进行改进,缩短了图像处理耗时,并减弱了光照的影响;通过改进后的MeanShift算法增强了立木图像纹理与边缘信息,并结合GrabCut算法实现了立木图像的准确分割,提取了立木图像前景;最后,根据立木图像前景提取结果与摄影测量原理构建了立木胸径测量模型和深度提取模型,无需参照物即可实现基于移动端的立木胸径快速测量.本系统比算法改进前有效提高了立木胸径测量的速度,耗时缩短不低于80%,测量结果的最大误差不超过6%,可实现立木胸径的快速测量.     

基于智能手机与机器视觉技术的立木胸径测量方法

针对现有森林资源调查中立木胸径测量工作劳动强度大、效率低,先进设备操作复杂、成本高等问题,结合相机标定、三维重建、机器视觉和近景摄影测量等技术,探索基于智能手机与机器视觉技术的立木胸径测量方法。通过智能手机获取待测立木的图像信息,运用Lab颜色空间模型(Lab color model)和3×3算子对图像进行卷积运算,得到立木图像的视觉显著图; 结合HSV颜色模型(色调H,饱和度S,明度V)中的H分量增强图像中立木树干部分的颜色对比度,通过图像分割算法识别并获取自然环境下的目标立木轮廓区域; 通过一种改进的带有非线性畸变项的相机标定模型标定智能手机的相机内、外参数,并借助相机参数和二维图像信息进行三维世界坐标重建,从而实现树干1.3 m处胸径的测量。经验证,一定距离内胸径测量结果的相对误差小于2.50%。该方法测量精度较高,符合森林资源调查对胸径测量的精度要求,可应用于森林资源调查。     

基于运动恢复结构的多株立木因子测量方法

  目的  提出基于运动恢复结构的多株立木因子测量方法,以解决目前基于三维点云的立木因子测量方法获取立木树高和胸径存在效率低或成本高的问题。  方法  ①使用智能手机环绕包含多株立木的场景拍摄一段视频,并采用固定帧采样法和差异值哈希算法自动提取立木视频中的关键帧图像,然后,基于运动恢复结构(structure from motion,SfM)算法处理立木关键帧图像,从而获取立木场景的原始三维点云;②在对原始三维点云进行预处理及初步分割后,运用条件欧几里得聚类算法对多株立木三维点云进行分割,以提取单株立木三维点云;③对立木三维点云使用最值遍历法和椭圆拟合法实现立木树高和胸径的自动测量。  结果  与真实值相比,本研究方法测得的树高、胸径的平均相对误差分别为1.96%、3.19%,均方根误差分别为0.133 3 m、0.533 7 cm,相关系数分别为0.987 9、0.962 1。  结论  该方法具有较高的树高和胸径测量精度,提供了一种便捷、低成本的多株立木因子三维测量方法。图6表1参27     

基于计算机视觉的立木树干曲率自动测量方法

树干曲率的自动测量是智能立木整枝机作业的重要步骤.该文针对立木图像的特点,提出了一种基于计算机视觉的立木树干曲率自动测量方法.该方法包含4个主要步骤:利用阈值分割对树干图像进行提取,得到图像的粗分割;在中值滤波的基础上,利用拉普拉斯算子对图像进行边缘位置点的检测,从而得到准确而连续的边缘;利用数学形态学方法对树干边缘进行细化处理;以道格拉斯-普克法提取树干曲线上的特征点,对其进行曲线拟合并求得树干曲率.实验结果表明,该方法能比较准确地识别树干的弯曲度.      

立木枝杈点自动识别方法

立木整枝机器人在整枝作业过程中需要实时自动识别立木枝杈点并计算出其相对空间位置关系.该文给出了一种适用于立木整枝机器人的立木枝杈点识别新方法.该方法首先使用数学形态学方法对图像进行二值化处理,然后对二值图像进行骨架化处理,最后将骨架化后的图像与一个3×3的全1矩阵构成的模板进行卷积运算;卷积结果大于给定阈值3的像素点就是枝杈点位置.实验证明,该方法能够比较准确地检测到立木图像枝杈点并计算出枝杈点的位置.      

基于图像优化分割技术的植物病虫害区域智能检测

在对植物病虫害区域进行智能检测的过程中,容易出现噪声干扰,导致传统的的植物病虫害区域智能检测方法由于对噪声特别敏感,易受到干扰,无法有效实现植物病虫害区域的智能检测,提出一种植物病虫害图像优化分割方法,将病虫害直方图划分为目标与背景两组,在两组数据的类间方差达到最大时,对最佳分割阈值进行计算,依据该阈值完成图像分割。采用一种新的概率模型对分割后各植物图像区域的杂波分布进行准确估计,完成对其的归一化处理。针对经归一化处理后植物病虫害区域的各个像素点,完成对噪声的检测。仿真实验结果表明,所提方法能够有效的完成植物图像背景与病虫害区域的分割,具有很高的性能。     

计算机视觉鸭蛋重量检测方法研究

为了实现鸭蛋重量的智能检测,提出基于计算机视觉鸭蛋重量检测方法。首先构造鸭蛋图像的灰度—梯度共生矩阵,根据最大熵原理求出最佳灰度和梯度分割阈值,实现二维阈值分割;其次采用数学形态学方法进行分割图像后处理,去除蛋壳表面存在的伪目标,统计鸭蛋区域像素点;最后利用多项式拟合方法建立面积与鸭蛋重量关系。试验表明,检测误差在±2g以内,平均误差为-0.13353 g,检测精度能够满足生产加工需求。     

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。     

基于数字图像处理技术的测树仪算法研究

针对支持新型测树仪立木非接触式胸径及树高测量的算法需要,从应用角度出发,基于摄像头和CMOS获取的立木树干数字图像结合数字图像处理技术,对预处理后的数字图像通过Roberts边缘检测算子进行边缘特征检测以及Hough变换对特征影像进行树干边缘直线提取,实现立木树干影像中树干像素宽度的自动获取;并依据激光测距传感器、倾角传感器等获取的距离、倾角参数,实现非接触条件下立木直径测量点离根颈高度测定、直径自动解算及树高测量。结果表明,以内蒙古旺业甸林场为试验区进行试验验证,胸径测量的平均绝对误差为-0.4cm,平均相对误差为-1.23%,相对误差标准偏差为0.049;在不同测量距离条件下的胸径测量平均相对误差基本在-1.00%~1.00%,不同坡度、坡向条件下胸径测量的平均相对误差6%。树高测量的平均绝对误差为0.493m,平均相对误差为4.82%,相对误差的标准偏差为0.072。     

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。     

自然光温室草莓叶片图像边缘提取的新多尺度分析算法

本研究提出了一种基于四级daubechies 5('db5')小波分解提取自然光温室中草莓叶片图像边缘的新算法。该算法对不同尺度的重建图像采用不同的分割和运算方法,以去除叶片目标边缘的外部背景和内部纹理干扰。这种方法有两个优势:一是从不同的尺度空间来获取相应映射区域的重建图像,可以为相应的各层空间区域提供不同的图像抽象特征。另一方面,在某个尺度空间中特定映射区域的某些图像特征难以获得,而其它尺度空间中特定映射区域的这种特征则容易得到。在本文中对不同尺度重建的图像处理时,主要采用Otsu阈值分割获得不同尺度重建图像得到相应空间位置的二值图像区域,并用canny分割不同尺度相应映射区域的重建图像获取相应空间位置的准确梯度的边缘,并通过不同尺度空间相应映射区域的两种分割的综合,得到精确完整的叶片边缘。但是由于草莓叶片图像各自不尽相同,自然光温室的光辐射和反射环境下叶片图像的局部非均匀照度,导致canny边缘提取会产生大量非叶片边缘的伪边缘,所以必须对在不同尺度之间相应的空间映射区域内的重建图像,进行分割处理和边缘提取处理,对其结果进行跨尺度的形态学和逻辑运算,用以避免叶片图像的canny伪边缘造成叶片的内部分割不完整碎片和叶片内部区域与叶片外部区域的粘连。为此,本研究将尺度重建叶片图像的canny伪边缘分为三类。第一类canny伪边缘是第一层小波分解重建的叶片图像边缘外部区域的canny伪边缘。第二类和第三类canny伪边缘在第三层小波分解重建图像的第一次Otsu分割的前景区域中。这两类映射区域中canny伪边缘都是映射第一层小波分解重建图像的相应空间区域的canny边缘,只是利用了第三层小波分解重建叶片图像的第一次Otsu分割的前景区域,通过分类划分该区域对canny伪边缘进行分类处理。其中第二类canny伪边缘的区域是通过以第三层小波分解重建图像的第一次Otsu分割得到的前景区域作为掩模,对第三层小波分解重建图像进行第二次Otsu分割获得的亮度突出的叶片图像边缘内部前景区域;第三类canny伪边缘的区域同样是通过以第三层小波分解重建图像的第一次Otsu分割得到的前景区域作为掩模,对第三层小波分解重建图像进行第二次Otsu分割获得的叶片图像边缘内部区域内灰度差异明显的背景区域。本文根据多尺度重建图像的区域类别划分,构造了针对这三种不同区域的纹理特征的不同处理方法,得到了完整的、无干扰的精确的叶片canny边缘。最后,对多尺度方法进行了简化,给出了温室草莓叶片自然光的有效分割算法。     

基于颜色均值显著点聚类的作物病害叶片图像分割方法

作物病害叶片图像分割是病害类型识别方法的一个重要步骤,其分割效果直接影响后续的识别结果。病害叶片图像的复杂多样性使得很多现有的图像分割方法不能有效应用于作物病害叶片图像分割中。针对复杂的自然病害叶片图像分割难题,提出一种基于颜色均值显著点聚类的作物病害叶片图像分割方法。该方法建立在HIS颜色空间,首先构造基于像素点HIS模型的带权无向图,然后计算病害叶片图像像素点的邻域的颜色均值,再计算该点前后两个邻域的颜色均值差作为该点的颜色跳跃度,当跳跃度大于设置的一个阈值时,该像素点为病斑点。结果表明,该算法具有较高的分割精确度和较好的抗噪声性能。     

基于二维阈值向量的木材表面缺陷分割方法

根据木材表面缺陷图像的自身特点,提出了基于灰度—梯度二维阈值向量的缺陷区域分割方法。该方法以灰度—梯度共生矩阵为模型,通过计算基于灰度—梯度共生矩阵的二维熵并使边缘区域的熵最大化来选择二维阈值向量。该方法不仅利用了图像的灰度信息,也利用了图像的梯度信息。采用形态学运算对分割后的二值图像进行分割后处理,试验表明,分割效果良好。     

基于计算机视觉技术的砀山酥梨果梗识别

针对酥梨果梗计算机视觉检测方法的普适性问题,提出了一种利用像素点分析法识别果梗的算法。将酥梨图像进行二值化、滤波、形态学运算等预处理后,用Sobel算子提取酥梨图像边缘,再由一阶矩特征计算图像形心。选定形心为参考原点,建立图像的笛卡尔坐标系;从Y轴负方向开始,逆时针分别按15°和10°形心角对轮廓边缘点进行区域分块;统计分块区域内的像素点特征,并依此特征识别果梗。结果表明,对于无果梗的酥梨,15°和10°均能精确识别出来;有果梗的酥梨,15°较10°的识别率高,且含果梗区域的像素特征较其他区域的有很大突变。总体上果梗识别正确率可达97%,一定程度上可以满足酥梨果梗识别的需要。     

一种基于粗糙集理论的神经网络图像分割方法

神经网络用于分割图像时需要大量的训练数据,由于数据量大,计算速度相当慢,不适合实时数据处理.基于此,将粗糙集理论与神经网络相结合,提出基于粗糙集的神经网络图像分割方法.利用粗糙集理论中的约简的计算方法,从图像属性中获取精简的规则,根据这些规则构造神经网络各层的神经元个数,并根据粗糙集理论中的属性重要性来修正神经网络的权值.实验结果表明,该方法抗噪能力强,提高了精度,在大大缩短网络训练时间的同时改善了分割效果,满足图像处理的实时性要求.     

基于空频变换的木材缺陷图像分割

针对木材缺陷这一自然纹理型事物,为了提取出其缺陷目标部分,进行下一步的分析和识别,采用一种空频变换方法对缺陷图像进行分割。选取虫眼、死节、活节3类木材缺陷图像样本各50个,构造一组多通道的Gabor滤波器对缺陷图像进行滤波,并提取出图像的多方向Gabor能量特征。最后结合模糊聚类算法和数学形态学后处理操作对缺陷图像进行了成功的分割。实验结果表明,此方法对3种木材缺陷图像的平均分割正确率分别达到了95.81%、94.58%、96.52%,证明了该方法的有效性。     

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。     

基于整枝抚育目的的立木枝干自动识别研究

为了适应我国人工工业用材林自动化整枝抚育的需要，该文提出一种用于工业用材林自动整枝的立木枝干动态识别系统框架，对人工林侧柏的枝干进行了数字图像采集及处理，利用计算机视觉、图像处理、小波分析技术对图像进行压缩、滤波、分割、消噪及边缘特征提取.同时提出了一种立木枝干计算机自动识别算法，提取立木图像枝干形状、尺寸、弯曲度及相对空间位置关系基本生长特征，即利用模式识别技术验算其与特征数据库的匹配情况，从而达到立木枝干自动识别的目的，为后续的自动识别研究提供了依据.      

基于智能手机单目视觉的多株立木高度提取方法

  目的  提出一种智能手机单目视觉下的多株立木高度提取方法。  方法  该方法以智能手机为采集设备,利用Graph Cut 算法对输入的立木图像进行分割定位,实现单幅图像中多株立木轮廓的自动获取;再通过智能手机相机对摄像头进行标定,从而基于几何相似法获取智能手机相机图像的深度信息。在不同角度下拍摄标靶,进行深度提取模型的精度优化,进而确定信息提取的最优方位。同时,结合高精度陀螺仪获取相机俯视角,根据提取的深度信息和相机俯视角实现非接触条件下的多株立木高度测量。  结果  使用型号为MI 2S的小米智能手机为试验设备,在本方法中的立木高度测量模型具有良好的稳定性,并且试验中最高相对误差为2.45%,树高测量精度可达97.55%。  结论  基于智能手机单目视觉下的立木高度提取方法精确度高、操作简便,能够有效满足国家森林资源二类调查中对于树高测量精度的要求。      

多重分形理论在原木图像处理中的应用

用计算机断层扫描技术对木材进行无损检测,采用多重分形频谱分析方法对原木CT图像进行边缘检测.首先计算图像各像素点的H(o)lder指数α(x,y),然后估计出其多重分形频谱f(α)的值,对图像的像素点进行分类；根据多重分形理论,找出图像的边缘点.结果表明:多重分形频谱分析方法对木材CT图像的边缘检测具有良好的效果,并具...