温室植物病害图像处理技术中图像分割方法的研究

为了准确地得到植物受害病因及病种受害程度,提高温室病害防治的智能化,深入研究了植物病害图像处理中图像分割的方法。通过对温室黄瓜霜霉病和炭疽病的处理研究,探索出了新的多区域双峰法去除背景的方法,并利用边缘检测技术和阈值分割技术在正常部位和病害部位实现了图像的有效分割。     

利用G/R分量比值图分割水稻植株图像

在非实验室的环境下,利用水稻作物植株的RGB彩色图像计算的R分量与G分量的比值图分割水稻植株.比值图中水稻植株与周围环境的差异比较大,利用这一特点,用阈值分割的方法对图像进行分割,提取水稻植株,结果比较理想.对于大量图片水稻植株的提取,使用迭代的方法自动选择最佳的分割阈值,分割成功率较高.     

A multistep approach to classify full canopy and leafless trees in bottomland hardwoods using very high-resolution imagery

The distribution of leafless and full-canopy trees in fall is essential in understanding the phenological and morphological characteristics of forests and those are critical baseline information for several scientific questions and management scenarios. The rapid progress of very high-resolution satellite-borne sensors provides a feasible solution to fast and accurately map tree coverage during the growing season. However, less attention has been paid to the leaf-off seasons. One biggest challenge with classification on fall imagery is the potential confusion among different land features, as evidenced by the no significant difference between bare land and leafless trees from t-test and transformed divergence (TD) analysis results. We proposed an integrative approach to classifying leafless and full-canopy trees on fall imagery of 0.46-m WorldView-2 (WV-2). We adopted a two-step classification approach by first removing the non-forest area from the WV-2 imagery with the mask layer generated from the publicly available summer imagery of 1-m National Agriculture Imagery Program imagery via object-based image analysis. Two classification methods, namely decision tree (DT) and nearest neighborhood (NN), were employed to classify full canopy and leafless trees in the masked WV-2 imagery. DT performed slightly better than NN regarding higher overall accuracy and fewer feature requirements.     

基于生猪外形特征图像的瘦肉率估测方法

为实现生猪瘦肉率的快速无损检测,以机器视觉为主要技术,通过生猪的外形特征图像进行瘦肉率估测,为饲养者与收购者提供生猪品级的决策依据。采用MATLAB为开发工具,通过图形用户界面(graphical user interface,GUI)实现软件操作界面,以生猪的侧面及背面图像为研究对象,利用图像处理技术从目标中提取体长、体高、胸深、腹长、臀宽、腰宽等数据,以这些体尺的比例(胸深体高比、臀宽体长比、臀宽腰宽比、腹长体长比)为参数,通过径向基函数(radial basis function,RBF)神经网络进行瘦肉率估测。该文分别对7组生猪外形图像进行处理,4项比例指标的平均估测准确率分别为92.90%、92.44%、95.17%、96.51%,瘦肉率的平均估测准确率为94.35%。结果表明,该文所构造的基于生猪外形特征图像的瘦肉率估测方法工作效率高,成本低,可用于估测生猪瘦肉率。     

中小型果品企业商业模式选择机制及启示——以张家港市万家乐果品有限公司为例

我国果品企业普遍存在规模较小、资源有限的特征,具有天然的弱质性。张家港市万家乐果品有限公司作为中小型果品企业的一个典型代表,利用其完善的商业模式有效地回避了自身的劣势,集中资源和能力为特定客户提供优质的梨果产品,在当地果品市场上获得了经济和社会的双重效益。中小型果品企业为避免退出市场并获得成功,可以选择识别和开发当地的"利基"市场,并将特定客户的需求和产品供给进行匹配。通过案例分析,为具备条件的中小型果品企业的商业模式选择提供了思路。     

Classification of soil types using geographic object-based image analysis and random forests

There is increasing interest in developing automatic procedures to segment landscapes into soil spatial entities that replace conventional, expensive manual procedures for delineating and classifying soils. Geographic object-based image analysis (GEOBIA) partitions remote sensing imagery or digital elevation models into homogeneous image objects based on image segmentation. We used an object-based methodology for the detailed delineation and classification of soil types using digital maps of topography and vegetation as soil covariates, based on the Random Forests (RF) classifier. We compared the object-based method's results with those of a pixel-based classification using the same classifier. We used 18 digital elevation model derivatives and 5 remote sensing indices that were related to vegetation cover and soil. Using 171 soil profiles with their associated environmental variable values, the RF method was used to identify the most important soil type predictors for use in the segmentation process. A stack of raster-geodatasets corresponding to the selected predictors was segmented using a multi-resolution segmentation algorithm, which resulted in homogeneous objects related to soil types. These objects were further classified as soil types using the same method, RF. We also conducted a pixel-based classification using the same classifier and soil profiles, and the resulting maps were assessed in terms of their accuracy using 30% of the soil profiles for validation. We found that GEOBIA was an effective method for soil type mapping, and was superior to the pixel-based approach. The optimized object-based soil map had an overall accuracy of 58%, which was 10% higher than that of the optimized pixel-based map.     

基于时间序列红外图像的玉米叶面积指数连续监测

针对受田间变化光照影响冠层图像参数计算的精度及自动化程度仍然不高的问题,该文提出了一种基于冠层顶视单角度红外图像序列的玉米叶面积指数(leaf area index,LAI)获取方法。首先,在玉米整个生育期内获取冠层顶部垂直向下红外图像序列,针对冠层图像背景分割易受田间变化光照影响,提出了一种基于绿色植物"红边"现象和冠层图像背景正态分布模型的分割方法,方法计算简便精度高于支持向量机分割。在冠层参数解析阶段,根据玉米叶片球形分布假设,简化了顶视冠层图像的叶片投影函数(G函数),利用Beer-Lambert定律推导了图像冠层孔隙度计算叶面积指数的方法。试验结果表明:该方法与间接测量原理的商业化设备测量值具有较高的相关性,叶面积指数测量的决定系数为0.94。方法应用于2个不同年代品种冠层结构动态变化监测,能够准确反映冠层结构差异,建立了冠层孔隙度与植株干质量(R2=0.95,R2=0.94)植株鲜质量(R2=0.96,R2=0.89)的关系模型,该方法简化了玉米冠层结构参数测量过程,可为田间环境下冠层参数的自动连续监测提供了解决方案。     

基于改进C-V模型的棉花叶片目标提取方法

为解决自然条件下棉花叶片因其轮廓几何边缘长势不均匀所导致的叶片目标提取不精准问题,提出一种基于改进C-V模型的棉花病害叶部目标提取方法。在传统C-V模型的基础上,将长度惩罚项和符号距离函数的约束能量项引入能量模型中,以达到对演化曲线长度变化的约束目的,从而完成对整幅图像目标特征的提取。本研究算法先对待分割的图像设置初始曲线,并利用高斯滤波算子对待分割图像进行平滑滤波处理,然后根据图像全局灰度信息和局部二值匹配信息建立能量方程,根据其离散化形式,对水平集函数进行演化,并从中提取演化曲线,最后根据水平集函数演化过程所满足的终止条件,输出图像分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:本研究算法对于晴天、阴天和雨天图像中目标(棉花叶片)轮廓提取准确率分别达到82.23%、82.73%和84.60%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像目标特征轮廓实现准确提取。     

基于RGB线性组合模型的柑橘果实为害状识别

为了准确识别柑橘果实病虫害,提高柑橘生产信息化水平,本研究提出了最优RGB线性组合颜色模型来进行目标识别。首先在具有代表性的几幅图像中选取为害状区域与正常区域的点若干,统计这些样本点的R、G、B值及其均值,设计为害状区域与正常区域灰度差最大线性规划目标函数并求解,建立识别模型。最后利用识别模型结合阈值分割法对采集的96幅柑橘果实图像进行处理,发现识别正确率、误检率、漏检率分别81.25%,14.58%,4.17%,识别效果良好。与2R-G-B模型,G-B模型和R-B模型相比,本方法为害状区域与正常区域灰度差最大,故识别正确率最高,误检率、漏检率最低。试验结果表明：RGB线性组合模型法可用于柑橘果实病虫害的识别。     

基于空间特征谱聚类算法的含噪苹果图像优化分割

为了减少噪声对苹果采摘机器人的目标识别所带来的影响,对含噪苹果图像的分割方法进行了研究。该研究设计一种针对噪声具有鲁棒性的苹果图像分割方法,首先计算苹果图像的三维空间特征点的紧致性函数,用以构造邻近点的相似矩阵实现苹果图像的去噪效果;再利用离群点矩阵拆分并由其他剩余列向量线性表示,对相似矩阵进行离群点调优实现聚类优化,进而提出基于空间特征的谱聚类含噪苹果图像分割的优化算法,旨在提高分割算法的效率和识别准确率。通过对两幅苹果图像添加不同程度的高斯和椒盐噪声（方差分别为0.01、0.05和0.1的高斯噪声和概率为0.01、0.05和0.1的椒盐噪声）进行试验,分别求出谱聚类方法、基于空间特征的谱聚类方法和该文优化方法的苹果目标图像的分割图,并计算三类方法的分割准确率。该文优化方法对于单个苹果受不同噪声影响下的分割准确率均在99%以上,对于重叠苹果的分割准确率均在98%以上,对于所选取的30幅苹果图在方差为0.05的高斯噪声和概率为0.01的椒盐噪声影响下的平均分割准确率为99.014%。结果表明：谱聚类方法受噪声的影响较大;基于空间特征的谱聚类方法的分割效果受噪声的影响较小,但在边界区域仍然有很多错分的像素;优化方法在边界区域的分割要优于基于空间特征的谱聚类方法;在设定的试验条件下,其分割结果准确率相对于基于空间特征的谱聚类方法和传统的谱聚类方法可分别提高5%～6%和9%～25%。在分割效率方面,该文优化方法的分割时间低于传统的谱聚类算法,且与基于空间特征谱聚类方法接近。研究结果为苹果采摘机器人的快速目标识别提供参考。