基于非线性尺度空间的图像局部特征的检测与匹配算法研究

本文以图像处理技术在军事中的应用为切入点,探讨了在图像中具有尺度不变性、抗遮挡、抗噪声干扰的SIFT图像特征、SURF图像特征提取算法,并对其进行特征提取试验仿真,通过对试验结果的分析,展示了非线性尺度空间局部特征算法的出色性能。这类从图像中提取出的特征点细节丰富、描述方式特别、消耗资源少。以一组图片特征提取的仿真试验结果数据比较两图像提取方法的优势与不足。试验表明两种方法均有优秀的适应性和鲁棒性,但SURF算法具有更优的实时性,更适宜应用于视频监控系统中的目标检测与跟踪。     

基于无人机影像匹配点云的苗圃单木冠层三维分割

近年来较多的树冠提取算法以激光雷达数据为基础,然而激光点云数据量大、冗余多而且采集成本高。本文基于无人机影像匹配点云提取单木树冠轮廓,研究一种成本可控、能够补充甚至部分替代激光雷达的小范围森林制图方案。以福建省三明市某林场内苗圃地作为研究对象,在稠密的无人机影像匹配点云中截取2个25 m×25 m的样地作为测试样本。预处理后,首先构建植被冠层高度模型,以局部最大值法探测树冠位置并标记为种子点;从这些种子点形成的初始区域开始生长,迭代计算直到全部的影像匹配点云归并完毕;最后,将算法提取的树冠轮廓导入Arc GIS中获取树冠轮廓矢量边界,并与手绘参考树冠叠加,利用F测度实现精度的评定。依此方案,在2个林分范围内的树冠提取F测度均达到了89%以上,单木冠幅提取的误差在0.14 m以内。结果表明,该方案简单有效、精度可靠,适用于小范围、高精度的植被制图。     

基于SfM的针叶林无人机影像树冠分割算法

利用无人机影像进行森林资源调查具有作业快速便捷、数据分辨率较高、影像细节丰富的特点,可较好地识别单木,获取树木位置、冠幅等信息。但是,厘米级的影像分辨率使基于光谱信息的传统分割算法在提取树冠时出现破碎化现象,产生过分割结果。同时,在非落叶季由于无人机影像难以观测到茂密林冠下层地形,故在地形起伏较大的林区难以实现基于树木冠层高度模型(CHM)的单木分割方法。针对上述问题,结合传统二维图像处理和SfM三维建模,提出了一种无需高度归一化的无人机影像树冠三维分割提取算法,首先利用SfM技术从高重叠航片建立三维表面模型,利用高程和图像信息检测初始树木位置,再采取kNN自适应邻域分水岭分割的方式对中心单木进行精确的树冠参数提取。在北京市百花山国家级自然保护区的落叶松林地进行了高分辨率无人机影像实验,采用正射影像目视解译结果和多种基于图像、点云的自动分割算法结果进行验证和评价。结果表明,本文方法对树木总体检出率在91%以上,冠幅提取精度在81%以上,优于传统的全局分水岭方法和其他树冠分割算法。     

基于改良SURF的多聚焦图像配准方法与模型

多聚焦图像配准是多聚焦图像融合、聚焦形貌恢复等应用必不可少的预处理步骤,配准精度决定了后续图像处理的精度。为解决常规方法配准精度较低的问题,本研究提出了一种基于改良SURF的多聚焦图像配准方法与模型。该方法通过黄金分割搜索对配准模型中唯一参数进行最优估计,以提高图像配准精度。实验结果表明,该方法的MSE均小于常规方法,NCC值更接近1,可以有效地提高多聚焦图像配准精度,能更好地应用于农业机械的智能自动驾驶、作业道路导航、工装作业状态监测等实际方面。     

基于无人机多光谱影像特征的最佳波段组合研究

针对卫星遥感影像分辨率低、时间周期长、波段冗余信息多等问题,利用无人机多光谱数据获取便捷、成本低、周期短的优势,以玛纳斯河畔为研究区,使用固定翼无人机搭载Micro MCA12 Snap多光谱传感器获取高分辨率多光谱影像。通过对多光谱影像数据标准差及相关性进行分析排序,结合OIF方法得到原始波段最佳组合,使用多种植被及水体指数、主成分分析、灰度共生矩阵确定信息量最大的光谱特征与纹理特征波段,提出将光谱特征、纹理特征信息与最佳波段指数结合的方法来确定地物分类最佳波段组合。实验结果表明,针对Micro MCA12 Snap多光谱传感器,可选择波段1、6、11、NDVI、NDWI以及灰度共生矩阵中的Mean参量作为其地物分类的最佳波段组合。感兴趣区域内非监督IsoData分类精度从83.57%提升到89.80%,监督的SVM分类精度从95.58%提升到99.76%。研究结果可为无人机多光谱遥感最佳波段组合选择提供借鉴和参考。     

基于无人机遥感影像的农作物分类研究

本研究结合实际案例,在简单介绍研究区概况的基础上,深入探讨基于无人机遥感影像的农作物分类,并分析其结果。本研究借助无人机搭载数码相机的方式生成研究区域的RGB图像,相比于传统的只提取纹理特征的农作物分类方法,本研究有效地对比了两个不同时段的农作物DSM数据,使农作物的生长差异特征变得更为明显,并在农作物分类中有效运用了这一特征。仿真结果表明,在进行农作物分类时综合考虑农作物纹理、光谱、高度等多维特征,能够精准划分农作物种类,同时Kappa系数也能够维持较高的水平。     

基于神经网络算法的植保无人机硬件电路设计

针对现有的植保无人机操控较为复杂的现状,基于神经网络算法进行了硬件电路设计。植保无人机的主要组成包括控制结构、承力结构、升力结构和喷洒结构。为了提高多旋翼无人机的性能,采用BP神经网络对其控制系统进行设计,包括建立模型辨识控制器和逆模型控制器,以达到对多旋翼植保机辨识和控制的要求。为了验证该植保无人机的性能,对其进行控制性能和喷药试验。试验结果表明:植保无人机控制系统具有良好的自适应控制能力,喷药过程稳定,能够满足客户要求。     

基于改进蚁群算法的植保无人机路径规划方法

为了规划出更加高效的植保无人机路径,提出一种基于改进蚁群算法的植保无人机路径规划方法,该方法适用于多个具有复杂多边形边界与内部障碍物的三维作业区域。采用扫描方式生成水平面内的作业路径,经过离散化处理后,在三维地形曲面上插值,获得三维作业路径。在此基础上,建立作业路径生成算法,以三维作业路径总长度尽量短、作业路径数量尽量少为目标,对植保无人机作业航向进行寻优。改进蚁群算法通过附加记录作业路径进入点的机制,实现对三维作业路径的合理排序,生成总长度较短的转移路径。经过算例检验,针对同一作业区域规划出的三维作业路径与水平面内的作业路径的航向角存在较大差异,相差最大为92°,这说明考虑三维地形的必要性。算例中,将改进的蚁群算法与贪婪算法进行了对比,针对一系列相同的作业起点,改进的蚁群算法所得的转移路径总长度均较短,比贪婪算法所得结果缩短3%~28%;在未选定作业起点情况下,改进的蚁群算法与贪婪算法求得的转移路径总长度最小值分别为1661m与1763m,说明改进的蚁群算法具有良好的寻优能力。实例检验情况与算例所得结论基本一致。算例与实例中的作业区域边界与地形复杂,涵盖情况全面,表明本文提出的路径规划方法具有一定实用性。     

基于改进蝙蝠算法和圆柱坐标系的农业无人机航迹规划

针对传统蝙蝠算法全局搜索能力不足的问题,提出一种改进蝙蝠算法(IBA-FCS),通过设计脉冲变频策略、自适应局部搜索策略和变异机制,有效提升了算法的全局搜索能力。基于经典测试函数的寻优结果表明,与粒子群算法、传统蝙蝠算法和其他改进蝙蝠算法相比,IBA-FCS算法具有更好的寻优性能。针对农业无人机的航迹规划问题,结合山地果园飞行环境的三维地形数据,构建了农业无人机安全航迹规划模型,设计了多因素约束的飞行成本函数;同时,将航迹规划模型的求解空间由笛卡尔坐标系变换到圆柱坐标系,进一步提升IBA-FCS算法的寻优效率,从而获取更好的航迹规划方案。仿真实验结果表明,在具有不同数量障碍物的多个飞行任务中,IBA-FCS算法较传统蝙蝠算法的飞行成本函数适应度平均下降20.3355%,并且基于圆柱坐标系的IBA-FCS算法求解的飞行成本函数适应度较基于笛卡尔坐标系的规划结果平均下降4.6127%。实地场景实验结果表明,基于IBA-FCS算法的规划方案能够收敛于最优航迹,进一步验证了山地果园静态障碍环境下应用改进蝙蝠算法和圆柱坐标系进行农业无人机安全航迹规划的可行性和有效性。     

基于纹理特征与植被指数融合的水稻含水量无人机遥感监测

含水量是表征水稻生理和健康状况的关键参数,精确预测水稻含水量对于水稻育种和大田精准管理具有重要意义。目前,利用无人机搭载光谱图像传感器监测作物生长的研究主要集中在利用植被指数评估作物在单一或者几个生育期的生长参数,针对作物含水量监测的研究非常有限。本研究主要利用多旋翼无人机低空遥感平台获取不同生育期水稻冠层的RGB图像和多光谱图像,通过提取植被指数和纹理特征,分析水稻的动态生长变化,并构建了基于随机森林回归方法的含水量预测模型。试验结果表明：（1）从无人机图像提取的植被指数、纹理特征以及地面测量的含水量都能用于监测水稻生长,并且这些参数随水稻生长呈现出了相似的动态变化趋势;（2）与RGB图像相比,多光谱图像评估水稻含水量具有更高的潜力,其中归一化光谱指数NDSI_771,611实现了更好的预测精度（R²=0.68,RMSEP=0.039,rRMSE =5.24%）;（3）融合植被指数和纹理特征能够进一步改善含水量的预测结果（R²=0.86,RMSEP=0.026,rRMSE=3.51%）,预测误差RMSEP分别减小了16.13%和18.75%。上述结果表明,基于无人机遥感技术监测水稻含水量是可行的,可为农田精准灌溉和田间管理决策提供新思路。     

基于改进ORB的害虫图像特征匹配方法

引入BRISK算法思想,提出改进的BRRB算法(BRISK and ORB)。首先采用ORB算法中的特征检测算法oFAST检测到图像中的特征点,用改进的Harris角点响应函数对特征点加入尺度信息;最后用BRISK算法对特征点进行均匀采样,并生成具有尺度不变性的二进制特征描述符。将采集到的200张害虫样本数据划分为50组,分别进行图像配准实验。实验结果表明,BRRB算法的平均匹配精准度达到了约95%,比原算法提升了约73%;平均计算速度约为47.8 ms;在综合性能实验中,改进后算法的平均匹配精度比传统算法高出了0.6个百分点,在光照不变性上比传统算法高出了1.9个百分点。改进后算法有效的解决了ORB不具备尺度不变性的缺陷,并且保留了原算法在计算速度上的高效性和对旋转、光照的不变性,使害虫图像的匹配工作更加精准,为农作物害虫识别和防治工作提供技术支持。     

基于地形特征的无人机遥感梯田影像边缘提取方法

梯田具有蓄水固沙的作用,是旱作农业区重点建设的高产稳产农田设施,为粮食增产、农民增收提供了有力保障。因仅基于影像数据采用边缘提取方法进行梯田区域分割效果不理想,及时准确地掌握梯田信息较为困难。无人机遥感技术的不断发展为高精度梯田地形信息的获取提供了新方法。本研究以甘肃省榆中县为例,首先从数字高程模型DEM数据中提取坡度,将正射影像与坡度数据融合,并通过基于Canny算子的粗边缘提取方法和基于多尺度分割的精细边缘提取方法,对比分析坡度对无人机遥感梯田影像边缘提取的影响。试验结果表明,正射影像和坡度融合的提取效果均优于单一的正射影像数据提取效果,粗边缘提取方法中正射影像和坡度融合的数据源精度平均提高了23.97%,精细边缘提取方法中正射影像和坡度融合的数据源精度平均提高了17.84%。研究表明,在无人机遥感梯田影像边缘提取中加入一定的地形特征,可以取得更好的边缘提取效果。     

基于HSV与形状特征融合的花椒图像识别

光照条件变化会对花椒目标识别率产生影响,关系到机器视觉技术能否有效应用于生产现场的花椒采摘。通过对HSV特性图像识别技术的分析,提出HSV和形状特征融合的花椒识别算法。该算法采用同态滤波方法对光照进行补偿,解决因为光照不均匀而导致的花椒识别率低的问题,最后利用花椒圆度特征,排除树枝及树叶等的干扰,实现花椒的准确识别。利用同态滤波方法对光照进行补偿,对于光照不强或者发生遮挡的花椒图像有较大改善,通过试验得出其平均识别率达到94.0%,比单独采用HSV特性识别时,在顺光,背光和遮阴条件下,识别率分别提高4%,13%和21%,此外在遮阴条件下运行时间缩短14.6%。为遮阴条件下提高花椒识别率提供一种方法。     

基于5G的无人机图传及在植保无人机的应用展望

5G技术与无人机图传的结合,有助于提高图传的画质和传输速率,推进无人机在多个行业的深入应用,并且运用在植保无人机上,还能促进植保无人机对靶喷洒技术的发展.通过梳理无人机图传的几种方式,分析5G无人机图传的优势,综述国内外5G无人机图传和植保无人机对靶喷洒的研究现状,指出5G信号不稳定、图传系统功能单一、5G无人机图传在...     

采用优化特征子集选取和改进SVR的养殖禽舍温度预测算法

为提高养殖禽舍温度预测算精度,降低数据冗余度和差异性对预测结果的影响,提出一种基于智能优化特征子集选取和模糊聚类改进SVR（Support Vector Regression）的温度预测模型。首先,构建最优特征子集选取模型,通过设计最优特征子集选取指标,以降低特征之间冗余度和数据维度;采用改进的离散灰狼算法对特征子集选取模型进行求解,以实现最优特征子集选取。其次,建立模糊聚类改进SVR预测机制,通过设计多度量核FCM（Fuzzy C-means）算法,以实现数据样本自动分类;提出与数据样本分类相对应的SVR预测算法,并采用灰狼算法对SVR参数进行优化,最大程度降低样本数据差异性对预测精度的影响。最后,融合最优特征子集选取和模糊聚类改进SVR预测机制,以实现养殖禽舍温度高精度预测。仿真结果表明,该算法实现不同季节条件下养殖禽舍温度的高精度预测,相比于其他预测算法,预测精度提高约23.7%~37.8%。所提养殖禽舍温度预测算法具有良好的预测性能,具有一定的推广应用价值。     

基于ComⅥ和双阈值OTSU算法的农作物图像识别

针对农作物图像中依附泥土和杂质噪声呈现不规则性和复杂性特点,提出了一种基于植被指标合成双阈值OTSU算法的农田作物图像识别方法.该方法根据农作物充分显露和部分被遮盖2类图片特点,将图像识别过程分为3个阶段：首先利用植被指标合成获取农作物图像灰度图,然后根据双阈值OTSU自适应算法进行二值化处理与图像分割,再进行正常的形态学运算,将3个阶段所分割的图像叠加形成最终的农作物与土壤识别图像,并将该算法与双阈值迭代设定法进行了对比.试验研究表明该算法克服了传统灰度图算法和阈值迭代算法的缺点,能有效提取和识别过渡区域的边缘,图像识别的准确率为92.7%以上.最后,采用Visual Basic2010和Matlab 2012软件设计了农作物图像识别系统,从应用角度实现了图像识别的可视化与自动化.     

基于改进GrabCut算法的黄瓜植株图像分割

植物图像的自动分割是植物表型研究的热点问题,也是作物生长过程监测、病虫害识别等应用的核心技术之一.以黄瓜为对象,通过对图像中作物与背景特点的分析,选取EXG超绿分割和GrabCut算法进行试验研究;基于EXG超绿分割和GrabCut算法在黄瓜群体图像上的分割结果及这两种算法的优缺点,提出具有更高分割精度的改进算法.用室...     

AVIRIS高光谱数据空-谱特征在植被分类中的对比分析

植被分类是高光谱影像分类中的特定应用问题,光谱特征和空间特征是植被分类中常用的两类特征,比较这两类特征的性能,对实际植被分类应用中选择合适的特征类型或两者的有效结合具有指导意义。用主成分分析（PCA）提取光谱特征时,常选择前几个主成分（PCs）作为光谱特征,虽然它们包含较大的信息量但并不能保证较高的类别可分性和分类正确率,针对这一问题本研究提出了一种混合特征提取方法,对高光谱影像在PCA的基础上用改进的基于分散矩阵的特征选择方法选出具有较高类别可分性的PCs用于后续分类。利用一景AVIRIS高光谱植被影像,从分类精度的角度,首先比较了所提出的混合特征提取方法和原始PCA、独立主成分分析（ICA）及线性判别分析（LDA）3种常用子空间特征提取方法在高光谱影像植被分类中的性能。试验结果表明所提出的混合特征提取方法在研究中数据集1和2上均获得了最高的总体分类正确率,分别为82.7%和86.5%。与原始PCA相比,本研究提出的混合特征提取方法的总体分类正确率,在数据集1和2上分别提高了1.5%和2.5%。由此阐明了所提出的混合特征提取方法在高光谱植被分类中的有效性。对光谱特征和空间特征在高光谱影像植被分类性能的比较中,总体上空间特征获得的分类正确率比光谱特征高,特别是Gabor特征,在两个数据集上均获得了最高的总体分类正确率分别为95.5%和96.7%。由此表明空间特征较光谱特征在高光谱影像植被分类中更具优势。本研究结果为后续改进空-谱特征方法及其两者有效结合,进一步提高植被分类正确率提供了参考。     

基于边缘检测的数字图像拼接实现研究

图像拼接在天文图像处理、日常照片扩展、大型图像的获得等方面应用极其广泛,是地理、人文、科技发展的重要标志.本文采用基于特征的图像拼接算法,利用Canny算子进行边缘检测提取数字图像特征,通过图像预处理(去噪,边缘提取,直方图处理等)、图像配准、图像重构融合等操作,在Matlab平台下实现两幅大小一样、光照条件一致的灰度...     

基于改进AdaBoost算法对环柄菇毒性判别研究

使用改进的AdaBoost算法,根据环柄菇的特征对其毒性进行判别,提高环柄菇毒性的判别速度和准确性.首先通过计算数据集的初始权值分布,根据权值分布对训练集进行学习,得到弱分类器,根据弱分类器的分类结果,将错误的样本权值加大,同时计算出各个样本特征的权值,并删去权值系数小于规定值的特征;计算每个弱分类器在训练集上的误差率...