HSI颜色空间中植物叶脉信息提取的研究

针对植物叶脉复杂多变导致叶脉信息提取困难的问题,提出在HSI颜色空间中提取叶脉信息的方法.该方法根据植物叶图像在HSI颜色空间中色度H的分布,把植物叶分为单色叶和对比色叶两类;然后利用色度分量H提取对比色叶的叶脉信息,对于单色叶则采用色度分量H和亮度分量I特征融合的方法提取.实验结果证明,该方法能有效提取各种类型的叶脉信息,为下一步植物叶的识别打下良好的基础.     

基于光纤锥视觉的植物叶片脉络提取研究

提出了一种基于光纤锥视觉的植物叶片检测方法,通过光纤锥与CCD 传感器耦合成像获取植物叶片图像。由于叶脉复杂多变的特点,因此采用3种叶脉提取的方法,即迭代阈值法、一维信息熵法和传统的自适应阈值分割法,并用这3种方法分别对两种树叶进行叶片脉络图像提取。利用 K-均值算法,针对叶片脉络图像的7个不变矩信息进行聚类,分析这3种阈值方法的优劣。实验结果表明,这3种方法都可以提取出比较理想的叶脉络和叶边缘信息,但迭代阈值法和自适应阈值法更有利于植物物种识别。     

基于eCognition软件的显微图像叶脉网络提取与优化

叶脉网络的提取及其性状参数的测算,可为植物叶脉生态学机理研究提供重要参考。以不同叶特性的6类树种(国槐、毛白杨、臭椿、洋白蜡、元宝枫和栾树)叶片为对象,基于e Cognition软件对叶脉显微图像进行多尺度分割,综合利用显微图像的光谱信息和几何信息构建提取知识库,并使用叶脉循环生长法对提取结果进行完善,增加叶脉网络的完整性。结果表明,叶脉提取的最优阈值分别为:尺度参数200,形状参数0. 7,紧凑度参数0. 3,亮度特征值230～280,光谱特征值180～230,几何特征值大于1. 5。叶脉密度测算的精度均达到了93%以上,对植物叶脉信息的快速提取具有较高的普适性。     

图像与L系统相结合的柑橘叶片形态特征重构研究

为了快速、逼真、有效地描述植物叶片的外在形态特征,提出了一种基于图像与L系统相结合的柑橘叶片形态重构的方法。该方法利用边缘检测的方法提取柑橘叶片的边缘以及叶脉的分布特征,以Harris计算与叶脉相关的特征点。最后用L系统和B样条曲线对柑橘叶片形态进行重构。通过实验表明,该方法能够快速、有效地描述出柑橘叶片的形态,降低柑橘叶片模型构建的复杂度。     

植物叶脉可视化造型研究

提出了植物叶脉可视化建模方法,包括植物叶的形态几何建模及植物叶脉的形状建模.植物叶的形态几何模型采用矩形形状变形;同时对植物叶脉的形状建模提出了多种构建方法.利用非线性多项式生成羽状叶序,提出了基于种子生长的随机迭代方法生成网状脉及基于叶片生长方法生成掌状脉序.方法简单易行,可控性好,易于构造各种不同类型的叶脉.通过给出的树叶模拟结果,表明其仿真效果较好.     

基于双向极角的植物叶凸包生成算法

为了描述和提取植物叶的形状特征,需要生成植物叶的凸包.首先,通过图像分割,获得植物叶原始图像的二值图像;其次,利用轮廓跟踪算法,获得植物叶轮廓的简单多边形;最后,利用基于双向极角的卷包裹法,生成植物叶的凸包.该算法计算复杂度为O(Nh).试验表明,算法满足图像旋转不变性要求,适用于多种不同形状的植物叶.     

基于模糊逻辑的植物叶片边缘检测方法

针对温室环境植物叶片边缘检测中,植物图像通常含有噪声、背景复杂且图像数据存在模糊性和不完整性问题,提出了基于模糊逻辑的植物叶片边缘检测方法.首先,根据邻域像素的统计特性及绿色植物和土壤背景的颜色差异性,利用线性函数定义噪声和边缘的隶属度函数;其次,采用Sugeno模糊模型进行模糊推理,以减少模糊规则数量;最后,利用模糊推理结果先进行模糊滤波后再进行模糊边缘检测.实验证明,提出的方法克服了常规算法未考虑叶片像素和背景像素的颜色差异而导致产生大量伪边缘的问题,在噪声环境中能有效提取自然背景下植物叶片边缘信息,可有效用于温室环境的植物叶片图像边缘检测.     

基于图像处理的叶斑病分级方法的研究

针对目前植物病害染病程度判别中以目测为主,存在着主观随意的缺陷,开发出一种基于计算机图像处理技术的病害分级新方法.同时,分析了图像分割中存在的各影响因素,运用Otsu法提取出叶片区域;提出在HSI颜色空间下选择H分量分割病斑以减少光照变化和叶脉的干扰,使用Sobel算子检测病斑边缘,分割出病斑区域,并通过计算病斑面积占叶片面积的百分比给出病害的染病级别.研究表明,使用该方法对植物叶部病害严重度进行分级具有快速精确的特点.     

基于脉序骨架的小麦叶精细建模研究

为了实现小麦叶形态结构的三维可视化,基于小麦叶的脉序特征,提出了基于脉序骨架的小麦叶片三维几何建模方法。用B样条曲线表示小麦叶片和叶鞘上的叶脉曲线,用球B样条模拟叶片和叶鞘上的叶脉骨架,再连接已生成的叶脉骨架上相应的点生成叶片和叶鞘上叶脉之间的叶肉,建立了具有明显的叶脉分布和厚度的小麦叶几何模型。该方法可用于其它平行叶脉植物叶片的精细建模,具有较好的真实感。     

基于全卷积神经网络的植物叶片自动分割及表型解析

为提高植物叶片图像中形态参数提取的效率和准确率,以全卷积神经网络为基础,对模型构架和关键函数进行优化,通过有监督的学习方法实现植物叶片图像分割效果。模型在测试集上的平均召回率r为0.95,MIoU为0.94。在分割结果中提取植物叶片的形态学参数与人工提取结果高度相关,r~2>0.96。该研究实现了植物叶片图像高通量地分割,并且在分割结果中提取的植物叶片形态参数可以用于作物长势监测等相关研究。     

大豆叶片的特征提取方法研究

综合考虑了叶片的轮廓和叶脉信息,给出了一种新的确定叶片中轴的方法,并依此方法重新定义了描述叶片的各个重要特征。通过实例分析表明,新特征使得大豆叶片的识别准确高效,也证实了新的叶片中轴的确定方法是行之有效的。这一方法的提出为图像识别技术在植物叶片识别诊断中的进一步应用提供了借鉴。     

大豆叶片形态模拟模型建立方法的研究

叶片是大豆的重要器官之一,对大豆叶片结构模型的研究,有助于对大豆叶片功能的研究.为此,从大豆叶片轮廓的提取方法和模拟模型的建立方法两个方面进行讨论,提出了大豆叶片进行数字化处理的基本方法,应用L系统,成功地建立了大豆叶片结构模拟模型,解决了大豆生长模拟模型建立过程中的一个关键问题,对大豆植株模型的建立有着重要的指导意义.     

基于微环境因子的夏玉米叶水势软测量

叶水势是作物水分状况的最佳度量,是灌溉决策的重要依据。依据Penman-Monteith蒸腾算式计算或依据遥感数据反演的方法因机理算式复杂、待定参数多、可移植性差、测量成本高等原因,难以推广应用。因此,选取易于获取的作物微环境因子作为辅助变量,建立了基于RBF网络的夏玉米叶水势软测量模型,并进行了仿真研究。仿真结果表明,该方法简单实用,估算精度较高,是一种在线估算田间作物水分状况的有效措施。     

基于漫水填充算法的叶面积仪研制

叶片是植物进行光合和蒸腾作用的主要器官,叶片面积大小直接影响植物对光的利用效率。快速准确地测量叶面积能够有效提高植物光合和蒸腾作用研究的效率。测量叶面积的方法有很多种,其中以叶面积仪法最为广泛使用。但是国内现有叶面积仪开发的种类较少,误差比较大,且重复性较差。因此,提出一种基于漫水填充算法的手持式叶面积仪,并通过与传统方法测定不同形状叶面积进行比较。结果表明:该叶面积仪测量误差仅为0.55%,且多次测量变异性较小,最低变异系数仅为0.7%,平均变异系数为1.2%,测量效率高,适合推广使用。     

基于图像处理的植物叶特征提取研究现状

通过对植物叶特征的分析,可以确定植物的种类和生长状态,对于植物研究、指导生产等具有重要意义.传统的叶特征提取方法都是通过人的手工操作完成的,效率较低,而当前可以借助于图像处理技术对叶特征进行自动提取.为此,对基于图像处理的叶特征提取研究现状进行了综述,并对其做了展望.     

基于无人机多光谱影像的矮林芳樟叶片含水率与叶水势反演

叶片含水率和叶水势反映植物组织中水分的状态,是衡量植物水分供应和水分利用效率的重要指标。为探究基于不同高度下无人机多光谱影像反演叶片含水率和叶水势模型的差异,本研究在3个飞行高度处理F30、F60、F100 (30、60、100m)下采集多光谱影像数据,通过使用6种光谱反射率+经验植被指数的组合与地面实测数据进行相关性分析,获得不同飞行高度下的光谱反射率+经验植被指数组合与叶片含水率和叶水势的反演模型及其决定系数,以决定系数为依据分别构建支持向量机（SVM）、随机森林（RF）和径向基神经网络（RBFNN）模型,分析不同飞行高度无人机多光谱影像反演芳樟叶片含水率和叶水势的精度。结果发现：3个飞行高度下,基于RF模型的反演精度均高于SVM模型和RBFNN模型。F30处理对叶片含水率与叶水势反演效果均优于F60和F100处理。F30处理对叶片含水率反演的敏感光谱反射率+植被指数组合为红光波段反射率（R）、红边1波段反射率（RE1）、红边2波段反射率（RE2）、近红外波段反射率（NIR）、增强型植被指数（EVI）、土壤调节植被指数（SAVI）。RF模型训练集的R2、RMSE、MRE分别为0.845、0.548%、0.712%;测试集的R2、RMSE、MRE分别为0.832、0.683%、0897%。对叶水势反演的敏感光谱反射率+植被指数组合为R、RE2、NIR、EVI、SAVI、花青素反射指数（ARI）。RF模型训练集的R2、RMSE、MRE分别为0.814、0.073MPa、3.550%;测试集的R2、RMSE、MRE分别为0.806、0.095MPa、4.250%。研究结果表明飞行高度30m与RF方法分别为反演叶片含水率和叶水势的最优光谱获取高度与最优模型构建方法。本研究可为基于无人机平台的矮林芳樟水分监测提供技术支持,并可为筛选无人机多光谱波段与经验植被指数、实现植物长势参数快速估测提供应用参考。     

不同灌水定额对北疆苜蓿叶面积指数和产量的影响

【目的】研究紫花苜蓿在浅埋式滴灌条件下,不同灌水定额对叶面积指数生长特性和产量的影响及二者之间相互关系。【方法】通过开展大田试验,共设置5个水分处理,依次为300 m3/hm2(T1)、375 m3/hm2(T2)、450m3/hm2(T3)、525 m3/hm2(T4)、600 m3/hm2(T5),采用植物冠层分析仪测量了不同灌水定额的紫花苜蓿叶面积指数和产量,分析相互关系,运用回归分析法拟合生长模型并进行验证。【结果】紫花苜蓿叶面积指数随着灌水定额的增大而增大,生长规律呈现先快后慢,倒"L"型趋势,2茬末期均出现衰败现象,第2茬受天气转冷因素表现更加明显。灌水定额525 m3/hm2以上叶面积指数没有明显提高,对应T4处理产量最高,叶面积指数、产量、灌水定额三者相互之间均存在显著相关性,建立三者之间相互单因素回归分析方程,拟合度较高。WUE随着灌水定额的增大呈现单侧下降趋势。【结论】运用浅埋式滴灌技术开展紫花苜蓿灌溉试验,适宜的灌水量可以改善紫花苜蓿生长状态,提高作物产量,达到节水增效的目的。     

灌溉柑橘园中叶片湿润传感器校准方法研究

叶片湿润时间是植物病害模型的重要输入变量之一,它与许多叶部病原菌的侵染有关,影响病原侵染和发育速率。叶片湿润传感器可以实现对其实时、自动化监测,而由于叶片湿润时间受到环境和植物交互效应的影响,需要在灌溉环境下的柑橘园中进行校准。以生长季的柑橘为试验材料研究校准方法。叶片湿润传感器角度为30°,采用移液枪向传感器滴水和使用灌溉设施向传感器喷灌2种方法来确定传感器的干湿阈值;比较了柑橘冠层不同位置的传感器监测效果,并研究了有雨和无雨条件下对传感器监测效果的影响,最后通过神经网络模型验证阈值的合理性。结果表明：叶片湿润传感器在灌溉环境下干湿阈值为270 mV,此时传感器的监测效果最好,误差在2 h以内,通过与神经网络模型预测结果对比,证实此阈值下传感器监测效果良好;位于柑橘冠层底部位置的传感器监测准确率最高,可达0.95;传感器在无雨条件下监测效果优于有雨条件。该叶片湿润传感器校准方法可以用于灌溉柑橘园叶片湿润时间监测,符合柑橘病害预警系统的要求。