基于无人机高清数码影像的水稻产量估算

目前常用的水稻产量估算方法以卫星遥感估产为主,卫星遥感估产的分辨率较低、缺乏机理性、误差较大。为了能够快速灵活地获取水稻冠层信息、提高分辨率、准确地估测水稻产量,利用无人机平台搭载高清数码相机,拍摄从抽穗期到成熟期的水稻冠层影像,首先应用中值滤波算法对RGB颜色空间下水稻冠层图像进行去噪,然后针对彩色水稻图像的颜色特征,将图像由RGB颜色空间转换到L*a*b*颜色空间,运用K均值聚类算法对水稻冠层图像进行聚类分析、图像分割,提取出水稻穗、获得水稻穗数量、代入水稻产量估算公式进行估产。试验区域共有18块水稻小区(长8m,宽5m),在水稻抽穗期到成熟期之间拍摄4次。试验记录的数据包括拍摄的时间、高度以及分辨率,同时还要在田间实测水稻穗的数量和水稻的产量,为后期评价和判断K均值聚类算法提取水稻穗的精度以及水稻产量估测的精度提供依据。对水稻产量的实测值与估测值、田间实测的水稻穗数量与图像中提取水稻穗数量进行对比分析。结果表明:对8月18日无人机拍摄的水稻冠层影像进行图像分割,提取出水稻穗的效果较好,估产的精度较高,产量估计均方根误差和平均绝对百分误差分别为9.08和22.8%,水稻穗数估计均方根误差和平均绝对百分误差分别为19.86和5.8%。说明利用无人机搭载数码相机能够快速、无损地获取水稻冠层信息,运用K均值聚类算法能够较为准确地将水稻穗从水稻冠层图像中分割出来,利用数字图像对水稻产量进行估算是可行的。     

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。     

覆膜玉米冠层图像分割方法

在弱光条件下,采用色调(H)和饱和度(S)颜色分量的K均值聚类分析结合相应色差运算方法,对覆膜玉米冠层图像进行分割,并将分割所得影像的二值图分别与超绿、超红和超绿-超红算法分割结果进行比较。结果表明,该方法更能精确反映玉米的冠层形状。将该方法得到的玉米冠层覆盖度计算结果与Samplepoint软件分析结果进行比较发现,前者均方根误差取值较小,仅为0.004 2,分割误差率低至3.37%,分割图像准确率高。综合分析表明,在弱光背景下,基于H和S颜色分量的K均值聚类分析结合色差运算的分割方法对覆膜玉米冠层的分割结果准确可靠。     

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SVM的棉田冠层图像分割方法研究

复杂环境下的棉田冠层图像由于成像环境光照不均、冠层阴影部分与土壤背景对比度低等因素给棉田冠层图像的准确分割带来了困难.在对上述问题进行研究后,提出了一种基于支持向量机(SVM)的图像分割方法.该方法首先以图像目标和背景两类像素的分割特征值构建样本数据集;运用训练好的SVM分类器对棉田冠层图像进行分割处理,最后使用数学形态学滤波方法对分割结果进行优化,获得棉田冠层图像的精确分割结果.实验结果表明,该方法可有效分割出棉田冠层区域,分割误分程度以及分割准确程度均优于常用分割方法.     

基于数码图像的甜菜氮素近地遥感监测模型

为定量研究利用数码图像进行甜菜冠层叶片氮含量(Leaf nitrogen content,LNC)时空变化监测的适宜性及准确性,以2014年内蒙古赤峰市松山区太平地镇田间试验为基础,在甜菜各生长阶段采集甜菜冠层数码图像,利用数字图像处理技术对图像进行分割并提取红光值(R)、绿光值(G)和蓝光值(B)。分析R/B、G/B等9个颜色参数与不同生育期冠层LNC的相关性,并研究冠层LNC随施氮量的变化规律,探寻适宜于甜菜氮素营养监测的关键生育时期及最佳颜色参数。分别利用支持向量机(Support vector machine,SVM)和BP人工神经网络(BackPropagation artificial neural network,BP-ANN)建立甜菜冠层LNC预测模型。研究结果表明,BP-ANN预测模型具有较高且较稳定的预测精度,其验证集的决定系数R~2和均方根误差RMSE分别为0.74和2.35,与SVM模型相比,BP-ANN模型的决定系数R~2提高了12.12%,均方根误差RMSE降低了8.09%。     

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。     

基于图像增强和α角度模型的K均值小麦冠层分割算法的改进

[目的]本文旨在克服光照不均引起的低对比度、反光、阴影、光斑及遮挡等对大田复杂背景下小麦冠层图像分割的干扰。[方法]设计了一种结合脉冲耦合神经网络(pulse coupled neural network,PCNN)与同态滤波的自适应图像增强和基于L*a*b*颜色空间α角度模型的K均值聚类分割算法。首先,将小麦冠层图像转换到HSI颜色空间,采用自适应算法对HSI空间的I分量进行增强处理,适当调节饱和度S分量,补偿光照强度分布不均,去除阴影及拉大对比度;其次,将增强处理后的图像映射到L*a*b*颜色空间,提取a*、b*分量建立α角度模型;最后,基于α进行K均值聚类分割处理。[结果]拔节前后光照强度不一、光照不均的冬小麦冠层图像的分割试验结果表明,该算法可一定程度避免基于L*a*b*颜色空间α角度分量K均值聚类的过分割现象;改善基于HSI空间H分量K均值聚类的欠分割缺陷,且对光斑、阴影遮挡、反光突出的图像分割更完整准确。[结论]本算法可为大田复杂背景下光照多变的作物冠层图像分割提供参考方法。