基于间隙度的无人机林地航拍图像序列拼接方法

无人机林地航拍图像具有的分辨率高、数据量大、边缘丰富的特点,造成了特征点配准中误匹配率的增加,因此本文提出了一种新的无人机林地航拍图像序列拼接方法。分形中的间隙度可用于描述图像区域纹理的粗糙程度,本文首先利用间隙度特征选取图像中局部图像块作为候选区域查找特征点,减少了待配准的特征点数量,提高了特征点配准正确率;其次,采用全局拼接技术变换图像,减少传统拼接中矩阵连乘产生的误差的积累和传播。实验中选取了不同拍摄高度的两组图像序列,将本方法与传统的全局SURF特征方法和降采样图像拼接方法进行了对比,结果显示本方法可以有效拼接图像,同时不会损失原图像的精度信息,并从视觉效果和均方根误差两个角度证明了本文方法优于其他两种方法。      

基于深度信息的植株叶面积估算方法

为实现低成本无损精确测量植株叶片面积,提出了一种基于TOF深度相机的植株叶片三维重建测量面积的方法。首先,采用Kinect v2相机获取植株三维点云数据;其次,通过背景差法去除背景点云、通过基于搜索半径和邻域内点云数相结合法去除离群点,实现点云预处理;然后采用FPFH特征初始配准和ICP算法精确配准16个角度点云,通过欧氏聚类实现植株叶片分割;最后采用滚球算法重建叶片表面网格模型,统计网格数量求得叶片面积。与传统坐标纸法比较,本研究方法测量叶片面积误差平均百分比为2.54%,试验结果表明,本方法成本低精确度高,可以满足植株叶片面积的无损测量需求。     

植株自旋转多视角重建技术在小麦植株三维表型获取中的应用评估

基于多视角重建技术的作物三维表型高通量获取系统成本低、获取效率高,引起越来越多的关注。植物自旋转式拍摄平台易于搭建,但植物旋转过程中产生的抖动对点云三维重建和表型解析精度有一定影响。为评估旋转式多视角成像在小麦植株三维表型解析中的适用性,基于植物旋转设计了便携式小麦植株三维表型高通量采集系统,选取穗期不同品种的小麦植株作为实验样本进行点云重建,基于Hausdorff距离评价了重建点云的精度误差;并基于人工测量数据,对所提取的表型指标精度进行评价。结果表明,植物旋转式重建的点云与相机旋转式重建的点云有较高的一致性,点云精度差距基本控制在0.4 cm以下;获取的叶长、叶宽和株高的均根方误差分别为0.79、0.13和0.53 cm,平均绝对百分比误差分别为3.26%、7.63%和0.74%,表明该方式适合穗期的小麦植株表型重建,具有较高的点云重建和表型提取精度,并为小麦植株表型评价提供了一种低成本的解决方案。     

基于无人机遥感的作物表型参数获取和应用研究进展

作物表型参数是由基因和环境因素决定或影响的作物生理、生化特征和性状。通过获取不同环境、不同生长时期的作物表型信息,可直观了解作物生长状况,以及时调整栽培管理措施,保障作物高效生产。无人机搭载RGB相机、光谱相机、激光雷达等传感器,可充分发挥灵活性好、获取数据效率高、成本相对较低等优势,实现作物表型参数信息的高效获取,同时,快速发展的图像处理和识别分类技术又为无人机遥感获取的作物表型参数信息提供了有效的处理和分析方法,从而使得作物监测更加便捷、高效。本文总结了无人机遥感获取作物表型参数信息的流程与方法,概括了基于无人机遥感开展作物株高、冠层覆盖度、叶面积指数、水分胁迫、生物量、产量等表型参数研究的现状,并对无人机遥感技术在作物表型参数信息解析方面的应用前景进行了展望,以期为充分发挥该技术在农业生产中的作用提供参考。     

基于骨架提取和二叉树分析的玉米植株图像茎叶分割方法

对玉米植株图像的茎叶进行分割,为组分表型分析、植株对环境胁迫的响应等后续研究提供参数和依据。采用内布拉斯加大学林肯分校植物表型数据集中的玉米植株图像,自动进行玉米植株图像的裁剪和二值化;通过骨架细化算法建立植株的骨架模型,并设定阈值去除骨架中的毛刺;然后检测骨架上的端点和交叉点,采用二叉树分析骨架模型,最终确立各级节点及各个叶片,从而实现茎叶分割。结果表明,建立的玉米植株茎叶分割算法,具有处理速度快、易于理解等优点,为玉米等植物表型分析与育种等提供支持。     

基于多旋翼大疆无人机的土地利用正射遥感影像的快速获取方法研究

针对常规无人机航拍系统价格高、操作复杂、灵活性差等特点,对基于多旋翼DJ无人机的土地利用正射遥感影像的快速低成本获取方法进行了研究,主要包括:无人机遥感影像的获取、鱼眼影像的镜头校正、影像匹配、影像拼接、精度评价、影像质量分析、效率分析。通过该研究,得到了利用多旋翼DJ无人机快速获取土地利用正射遥感影像的技术方法。利用该技术方法,在成都市新都区清流镇,获取到覆盖地面646 063 m~2的正射遥感影像,其影像分辨率在10 cm以内,相邻影像接边最大误差在0.60 m内,线误差和面误差均在1%以内。该影像质量好,且土地利用信息清楚而精细,农作物的类型和长势也可识别。该技术方法具有成本低、效率高、易学易用、灵活方便的优点,在平原和坝区具有极大的推广应用价值,适合点多、分散、面积小的坝区。     

基于角点匹配图像拼接方法的改进

在图像拼接领域,同时提高图像拼接的质量和速度是比较困难的。为了解决这个问题,本研究对图像拼接中的特征匹配和图像融合这2个关键部分进行了改进。在特征匹配方面,传统的用于提纯出匹配特征点的方法是使用RANSAC算法。为了解决其在不匹配点比例较大时提纯效率较低的缺点,本研究提出了一种使用聚类法预提纯特征点再用RANSAC算法精确提纯的方法,在图像融合时,使用了最佳路径法与亮度权重函数相结合的方法,以达到消重影并使拼接结果图像自然的目的。试验证明,经过对图像拼接以上2部分的改进算法效率有极大的提高,并能有效地去除重影使拼接图像更加自然。     

基于可见光波段的无人机超低空遥感图像处理

【目的】探讨低成本的可见光超低空农业遥感平台提取与分析农情信息的可行性,为农用无人机精准施药与农情监测提供技术支持。【方法】以仅包含红光、蓝光和绿光的超低空可见光农田遥感图像为研究对象:首先利用张氏校正法获取相机的畸变矩阵,并校正图像;然后提取与分析图像的可见光植被指数;最后通过分析超低空可见光农田图像中植被与非植被的光谱特性,对可见光超低空遥感图像进行植被信息提取。【结果】获得的农田植被提取图像很好地区分了植被与非植被。【结论】基于可见光的超低空遥感农业信息获取系统应用具有可行性,可为构造低成本的可见光低空遥感监测系统提供参考。     

基于改进语义分割模型的无人机多光谱图像杂草分割

杂草与作物争夺肥料、阳光等养分,从而影响作物生长,快速有效地清除杂草危害对提高作物的产量和品质具有重要意义。传统的杂草防治方法常采取大面积喷洒除草剂等措施,无法满足智慧农业的精细化管理要求,精确、可靠的杂草检测是智能除草的关键。在卷积神经网络模型PANet的基础上进行改进,把原始特征提取网络ResNet替换为DenseNet-121,采用FPA模块提供像素级注意力信息,通过金字塔结构增加感受野。以无人机多光谱糖菜杂草图像为研究对象,分别构建近红外790 nm、红色690 nm和归一化植被指数NDVI的训练数据集进行网络训练。发现PANet的训练精度为97.38%,测试精度为93.41%;采用3通道（近红外790 nm+红色690 nm+NDVI）训练的模型F₁值最高为0.872。结果表明,该方法可以实现无人机多光谱图像杂草的有效分割,可为农田杂草精确检测和农作物生长状况监测提供参考和借鉴。     

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。     

基于无人机平台和图像分析的田间作物检测

为高效、精准、及时地获取农作物的空间分布及其面积,建立了基于无人机平台和图像分析的大田作物检测方法:采用小型四旋翼无人机搭载高性能数码相机获取作物图像后,通过图元分割和目视解译获得目标样本,提取其21维颜色特征和3维纹理特征,采用BP神经网络分类器和像素累加法进行作物种类识别和面积测量。试验结果表明,系统对小麦、油菜、蚕豆和大蒜的平均识别率达86%,面积测量的平均相对误差约为9.62%。     

利用无人机高分辨率影像进行树木高度提取

无人机遥感技术在树木参数获取中具有重要作用。为探讨利用无人机高分辨率影像提取树高的可行性,本文选择邱集煤矿矿区森林公园为研究区,采用Pix4D软件对无人机采集的高分辨率影像进行处理,生成研究区正射影像和三维点云;利用最大类间方差法将三维点云分割为树木点云及树下地面点云两部分,由此提取树木顶端高度和地面平均高度,并将地面平均高度视为树木根部的高度,得到树木高度。研究表明:最大类间方差法能够准确分割树木点云和地面点云;利用无人机高分辨率影像进行树高提取是可行的,树木高度测量绝对误差小于80cm、相对误差绝对值最大为16.2%、标准误差为36.3cm;同时,树冠的形状会对树高测量造成影响,阔卵形树冠的法国梧桐和圆锥形树冠的圆柏高度标准误差分别为29.2和50.9cm,两者树高测量值与真实值决定系数分别为0.9920和0.8894,阔卵形树冠的法国梧桐测高精度明显高于圆锥形树冠的圆柏测高精度。