改进Otsu法的冠层图像分割及银杏叶面积指数估测

基于Otsu法对冠层图像临界处分割不准确的缺点,结合类间方差以及类内聚度对阈值选取及图像分割效果的影响,提出了一种改进阈值选取算法。利用银杏冠层图像分割实例进行比较,同时进一步拟合了图像信息与叶面积指数间模型,结果表明:(1)该改进法较传统Otsu法可得到更好的分割效果;(2)以分割得到的前景像素比值作为自变量,叶面积指数为因变量,拟合得到的模型能较好的描述冠层图像信息与叶面积指数间的关系;(3)提出了一种即时无损并快速可靠的叶面积指数估测方法。     

改进Otsu法的冠层图像分割及银杏叶面积指数估测1）

基于Otsu法对冠层图像临界处分割不准确的缺点,结合类间方差以及类内聚度对阈值选取及图像分割效果的影响,提出了一种改进阈值选取算法。利用银杏冠层图像分割实例进行比较,同时进一步拟合了图像信息与叶面积指数间模型,结果表明：（1）该改进法较传统Otsu法可得到更好的分割效果;（2）以分割得到的前景像素比值作为自变量,叶面积指数为因变量,拟合得到的模型能较好的描述冠层图像信息与叶面积指数间的关系;（3）提出了一种即时无损并快速可靠的叶面积指数估测方法。     

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。     

基于图像分割的玉米粒数高通量估算方法

设计了一种高通量玉米粒计数的方法,首先针对玉米穗分割对边界进行跟踪,根据方向变化幅度寻找"凹点",然后根据边界的方向对"凹点"两两连接进行图像分割;其次提出了改进的支持向量机分类算法的玉米粒识别,除了颜色信息外还将图像中的梯度信息加入分类的自变量中,避免了玉米粒的连通现象;最后通过面积对玉米粒粒数进行估算。结果表明,该方法精确度较高,准确率达到了96.4%;实现了高通量处理,解决了随机摆放的玉米穗粘连分割与高通量条件下图像模糊玉米子粒难以识别的问题。     

基于统计直方图k-means聚类的水稻冠层图像分割

针对现有k-means聚类图像分割方法存在对初始聚类中心敏感、易错分割以及运行时效低等问题,提出了一种基于统计直方图k-means聚类的水稻冠层图像分割方法.该方法首先根据图像直方图蕴含的像素数量先验信息,选择像素数量差异较大的像素值作为水稻冠层图像的初始聚类中心;然后再利用图像直方图中像素值与图像像素数量的先验对应关...     

基于动态阈值的树木年轮图像分割方法研究

根据树木年轮图像的特点,提出了一种基于直方图变化特征的椭圆分块和最大类间方差法的树木年轮图像自适应分割方法。并运用该方法对落叶松的年轮图像进行分割,结果表明,该方法对树木年轮图像的分割效果非常理想。     

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。     

1种基于Otsu算法的植物病害叶片图像分割方法

植物叶片图像分割是植物分类和植物病害检测中的一个关键步骤,旨在把叶片图像分成各具特性的区域并提取出感兴趣的部分。在分析自然场景下植物叶片图像几种分割方法的优缺点的基础上,基于Otsu算法,提出了1种叶片图像分割方法,并进行分割算法试验。结果表明,该叶片图像分割方法对叶片中目标(叶片或病斑)-背景类的图像具有较好的分割效果。     

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。     

两种计算机图像分割技术对比研究

随着计算机的飞速发展,计算机的图像处理广泛应用于各行各业,图像分割是一种基本的图像处理技术。图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。从图像分割的基本定义,图像分割的技术分类,图像分割的方法几方面对其进行了初步探讨,并重点针对农田植物与土壤对比比较强烈的情况,为将其背景与植物分离,对阈值分割法中的双峰算法,最大类间方差法进行了详细的对比研究。     

基于无人机和地面数字影像的水稻氮素营养诊断研究

选用扫描仪和无人机平台获取水稻叶片和冠层的数字图像,运用数字图像处理技术研究不同氮素营养水平水稻叶片和冠层的综合特征信息,从而应用于水稻的氮素营养诊断。结果表明:1)通过叶片叶绿素a含量和扫描叶片颜色参量之间的相关性分析,得到可用于诊断水稻氮素营养水平的叶片颜色特征参量B、b、b/(r+g)、b/r、b/g。通过叶片的颜色、形状综合特征信息与YIQ电视信号彩色坐标系统的参量建立氮素营养的识别模型,4个不同氮素水平的正确识别率分别为:N0(0 kg N.hm-2)74.9%,N1(60 kgN.hm-2)52%,N2(90 kg N.hm-2)84.7%,N3(120 kg N.hm-2)75%;2)无人机获取的田间冠层图像识别水稻氮素营养水平的综合特征参量是G、B、b、g、b/(r+g)、b/r、b/g、H、S、DGCI,选择相同的CB参量建立冠层氮素营养的识别模型,4个不同氮素水平的正确识别率为:N0(0 kg N.hm-2)91.6%,N1(60 kgN.hm-2)70.83%,N2(90 kg N.hm-2)86.7%,N3(120 kg N.hm-2)95%。初步研究表明基于综合特征的氮素诊断模型区分效果比较好,利用叶片扫描图像和无人机识别与诊断田间水稻氮素是可行的。     

田间水稻冠层图像分割算法的研究

水稻氮素状况是评价水稻长势、估测产量与品质的重要参考指标,对水稻氮素的精确诊断与高效管 理具有重要意义。用计算机图像处理技术能够精准、简便、实时无损地检测水稻的营养信息,在精准农业中得到 广泛应用。其中,水稻冠层分割的准确度和速度直接影响了模型的性能和效率。分析了3 种典型田间背景下水稻 图像的RGB 颜色通道特点,并从图像边缘、颜色、区域等方面对水稻冠层部分进行分割,提出了基于G-R 颜色 通道的最大类间方差分割方法,并与其他方法进行了时间开销和分割效果的对比。结果表明,该方法的分割成功 率达92.5%,时间开销最小。     

基于超像素特征向量的果树冠层分割方法

针对无人机精确植保过程中,果树冠层区域颜色特征和杂草相似度较高、难以分割等问题,采用基于超像素特征向量的果树冠层分割方法,以消除不同杂草特征对树冠分离的干扰,减小农药喷雾区域,节省农药使用量.通过分析无人机采集合成的样本图像在HSV彩色空间上色调与饱和度的分布情况,选取合适的阈值范围,提取样本图像中包含果树冠层与杂草的...     

基于图像处理的土壤颜色判别方法研究

基于土壤颜色定量化测定的重要性,利用图像处理技术设计一种简单而准确的土壤颜色测定方法。为验证该方法的可行性,以江西省6种母质发育水稻土为试验对象,分别采用目测比色法和改进后的方法进行土壤颜色测定,结果表明:不同母质发育水稻土R、G、B值区间分别为166.4～177.6、146.1～153.5和96.1～124.2。同一种土壤犁底层R值均显著大于其耕作层土壤R值;同一土壤采用目测比色法测得的颜色类型数均大于改进后的方法测得的颜色类型数,12种土样采用改进后的方法测定的颜色类型数平均值为1.4,而采用目测比色法得到的颜色类型数平均值为4.6,故与传统目测比色法相比,改进后的方法能显著提高土壤颜色判别的准确性。上述结果佐证改进后的方法克服了目测比色法测定过程中因为观察者个体视觉差异带来的误差问题,提高了颜色测定的准确性,同时又具备其简单易行的优点。     

Otsu分割与区域标记相结合的菠萝图像分割研究

以菠萝为研究对象,提出了一种结合最大类间方差(Otsu)阈值分割和区域面积标记的菠萝果实图像分割方法,并针对生长环境下和实验室环境下的菠萝图像进行分析研究,结果表明,该方法能够较好地实现对成熟菠萝果实与背景的分离,比单独采用阈值分割效果好。     

Effects of nitrogen nutrition on the spectral reflectance characteristics of rice leaf and canopy

遥感技术使大面积监测植物长势及估测化学组成有了可能,高分辩力地物光谱仪应用于简单、快速、非破坏性地估测植物冠层化学组成的前景正引起越来越多的关注．本文通过田间试验及室内分析研究了氮肥水平对水稻叶片及冠层反射光谱特性的影响,氮素营养对从可见光至近红外较大范围水稻反射光谱特性有较大影响,随着氮素营养水平的提高,叶片及冠层可见光波段的光谱反射率下降,而近红外波段则增加,经两样本ｔ检验统计分析,在５４０,６８０ｎｍ和７４０～１０７０ｎｍ波段处对氮素营养水平最为敏感,而且各氮营养水平之间的反射率呈显著或极显著的差异．水稻叶片氮含量与冠层和叶片光谱变量呈极显著或显著的相关性,这表明利用光谱测试简单、快速、非破坏性地估测水稻氮素营养水平是可行的．     

基于最大类间方差法的黄瓜病害叶片分割

以黄瓜病害叶片为研究对象,采用直方图阈值分割法去除背景,分别采用最大类间方差法(Otsu)和边缘检测法来分割黄瓜叶片中的病害部位,对比这2种方法的分割效果。最后,对已有的最大类间方差法进行了改进,对病害叶片图像的红色分量进行了病斑分割。结果表明,边缘检测法分割出来的病斑部位轮廓具有不完整性,而最大类间方差法的分割效果较好。采用最大类间方差法对黄瓜病害叶片分割取得了较理想的效果,为后续病害识别奠定了基础。     

基于无人机可见光影像的毛竹林郁闭度估测方法

【目的】由于毛竹Phyllostachys edulis的生长特点和经营特点,使得毛竹林郁闭度在毛竹林经营中尤为重要,只有保持适宜毛竹生长的郁闭度,才能提高毛竹生产力。研究无人机可见光影像的毛竹林郁闭度估测方法,可实现实时快速获取毛竹林的郁闭度。【方法】以普通旋翼无人机可见光毛竹林影像为研究对象,基于像元的阈值分类、像元的监督分类、多尺度分割的阈值分类、多尺度分割的监督分类等4种方法,选取不同钩梢和郁闭度的样地36个,利用现有软件和MATLAB编程,对各样地的毛竹林竹冠区域进行快速提取,进而估算林分郁闭度,对比目视解译的郁闭度真值计算各方法的估算精度,利用单因素方差分析比较4种方法在不同钩梢和不同郁闭度下估算郁闭度的表现。【结果】基于像元的阈值分类、基于像元的监督分类、基于多尺度分割的阈值分类、基于多尺度分割的监督分类等4种方法的郁闭度估算总体精度依次为91.81%、92.96%、93.47%、98.86%,郁闭度估测值绝对误差依次为0.038、0.030、0.024、0.004。钩梢和郁闭度等对提取结果没有显著影响。【结论】基于多尺度分割的监督分类方法总体精度最高,估算绝对误差最小,...     

基于冠层颜色特征的大豆缺素症状识别研究

【目的】针对寒地大豆发生缺素症状时冠层颜色变化复杂性,建立基于冠层图像颜色特征的大豆缺素症状识别新方法。【方法】采用无土盆栽试验,以垦农18为供试大豆品种,设计缺氮、缺磷、缺钾3种营养状况,采集大豆缺素症状的冠层图像样本,利用图像灰度直方图结合主成分分析方法,提取大豆冠层图像的红光值R、绿光值G、蓝光值B,计算最佳颜色特征蓝光标准化值B/(R+G+B)和绿光标准化值G/(R+G+B),将其作为正则化模糊神经网络输入向量,并利用实数编码的遗传算法改进传统梯度下降学习算法,将其作为模糊神经网络的学习方法,同时应用传统梯度下降算法和改进梯度下降算法训练神经网络参数并比较。【结果】应用遗传计算改进的梯度下降学习算法计算时,迭代次数为277次,其各项计算指标均明显优于传统梯度下降算法,大豆缺素症状识别准确率达100%;而采用传统的多元线性回归方程和BP神经网络算法计算时,识别准确率分别为52.50%,68.33%。【结论】以大豆冠层图像颜色特征为基础,利用改进学习算法的神经网络模型,能够快速有效地挖掘出大豆缺素症状与颜色特征向量之间的模糊逻辑映射关系,为大豆缺素症状识别提供了一种快速且准确的方法。