基于高光谱成像技术的糯玉米种子分类研究

为了快速、准确、无损地对糯玉米种子分类,采用可见-近红外(400～1000 nm)高光谱成像仪对5种糯玉米种子进行数据采集,使用一阶中心差分联合SG平滑对糯玉米种子的原始光谱数据进行预处理去噪,通过自优化竞争性自适应重加权采样算法筛选出56个重要的特征波段,同时采用灰度共生矩阵和Sobel算子提取糯玉米种子的相关性、能量、同致性、相关熵、灰度熵和梯度熵等6种纹理特征,将光谱特征与纹理特征融合后构建支持向量机分类模型,分别用350个训练样本、150个测试样本和50个预测样本对模型进行训练、测试和预测分类,相应得到了准确率为98.50%、95.92%和94.00%的最佳结果,表明利用高光谱成像技术对糯玉米种子分类是可行的。     

基于灰度分布信息的鲟鱼声呐图像分析研究

为证实灰度信息在声呐图像中的重要价值,并获得有利于声呐图像目标分割的最佳增益值,研究了不同声呐增益值下,鲟鱼声呐图像灰度分布的形态差异,并基于灰度直方图分布信息的最大熵阈值分割算法对俄罗斯鲟（ Acipenser gueldenstaedti Brandt ）目标进行了分割,根据分割结果得到了最佳声呐增益值,即Gain＝15 dB。充分说明了在较优的声呐增益值下获取的声呐图像,即使目标形状发生严重变形时,利用其灰度直方图分布信息也能进行很好的目标分割,从而为解决鲟鱼声呐图像目标识别以及跟踪提供参考依据。     

基于灰度-梯度共生矩阵的木材表面缺陷分割方法

根据木材表面缺陷图像的特点，提出了基于灰度-梯度共生矩阵模型和最大熵原理的木材缺陷图像自动阈值化技术。并且利用形态学运算对分割后的二值图像进行后期处理。经实验验证，该方法提取的木材表面缺陷图像效果良好：     

基于图像轮廓处理及匹配的木节剔除和修复技术

采用计算机图像处理技术实现板材缺陷(木节)的剔除和修复时,首先对含有木节的板材进行图像处理,通过灰度化和滤波去除噪声,再采用二值化阈值法将木节从板材图像中提取出来,对提取出的木节图像进行膨胀、腐蚀、边缘检测等处理,提取出木节的轮廓边界.根据缺陷的横向和纵向跨度确定出修补中心点及修补半径.为了实现补块与剔除区域边缘的图像匹配,提出了基于灰度的环形块匹配算法.从剔除区域取一窄圆环,并将其等分为几个小块,按顺时针对各小块进行编号,计算出各环形小块的平均灰度值,用各小块的平均灰度值代替单个元素进行与数据库中补块的各小块灰度值进行匹配,并选相似度最大者为匹配补块,这一算法能快速有效地找到匹配补块及匹配位置.该方法有助于实现木材缺陷的自动检测和自动修复,对提高板材的利用率具有现实意义.     

基于扫描图像RGB分析的生物质炭吸附特性研究

以花生壳和玉米秸秆为原料,利用自主研发的无轴螺旋连续热解装置在300、400、500℃的热解温度下反应10 min制备生物质炭,对生物质炭进行工业分析和热值测量,分析其组成成分和热值;开展了生物质炭亚甲基蓝吸附与碘吸附特性研究,结合扫描仪和取色软件获取生物质炭的RGB数据并进行灰度转化,探究生物质炭的吸附特性与RGB值、灰度的相关关系。结果表明:随着热解温度的升高,生物质炭中挥发分的含量降低,固定碳和灰分的含量升高,热值升高;较低热解温度的生物质炭的吸附效果优于较高温度热解的生物质炭;生物质炭的吸附值与R、G、B值均随着热解温度的升高而降低,两者之间存在强正相关关系,相关系数r为0.582~0.944;生物质炭的灰度与吸附值存在强正相关关系,相关系数r为0.685~0.977。     

基于优化地貌特征和纹理信息的黄土高原沟缘线提取方法

沟缘线是黄土高原地区的典型特征线,其提取结果是构建地表空间分布式水土流失过程模型的基础。本文提出了基于优化地貌特征和纹理信息的面向对象沟缘线自动提取方法,即通过构建适宜的地形因子和纹理信息,利用地物的几何结构、地形纹理和相邻像元差异性的关系,采用面向对象多尺度分割技术,基于决策树分类的方法提取沟缘线。选取沟缘线发育典型的黄土高原地区,以1∶10 000的DEM为数据源,确定了最优的分割参数和分类特征。相对于人工识别的沟缘线,该方法提取的结果在4个像元缓冲范围内为90%,绝对误差均值为2～3个像元,最大误差为4～6个像元。通过与基于坡面形态特征及汇水过程特点的提取算法进行对比,可知该方法克服了传统从形态特征出发的自动提取结果出现大量噪声的缺陷,提高了沟缘线提取精度,位置准确性增强,为黄土高原大范围宏观地貌分异研究提供了有效的方法和途径。     

檀香树干受咖啡豹蠹蛾危害区域的分割与分类

为了实现海南省北部县市檀香受咖啡豹蠹蛾(Zeuzera coffeae Nietner)虫害的自动识别,使用林内传感器传回的图像信息,提出一种空域与频域相结合的背景去除方法,并提取出虫害区域与健康区域。该方法首先提取出檀香树的前景部分,使用2G-B-R因子去除枝叶及边缘,在L*a*b*系统中选择合适的通道,使用Otus法和形态学运算剔除排泄物区域,并成功分割出虫害和健康区域。通过2种区域的图像在纹理方面表现出的不同,提取筛选出3种受外界因素影响比较小的特征,并在此基础上利用差异扩大法提出了"多纹理特征"的概念。使用Logistic二分类法对提取出的纹理特征及其组合、多纹理特征及其组合、主成分分析后的特征进行分类并分析,结果证明通过扩大差异得到的多纹理特征分类效果要好于单纹理特征,且使用"熵值均值-相关性均值"得到的分类精度最高,并使用系统聚类以及K-means聚类方法验证得到相同的结论,证明了所提方法的科学性。     

光学影像纹理信息在林业领域的最新应用进展

随着光学卫星影像空间分辨率的不断提高,影像纹理特征的重要性日益凸显。然而,纹理是一个非常复杂的空间属性,会随着太阳/观测角度、地形、感兴趣目标及其所处环境的不同而发生显著的变化。此外,不同纹理变量的选择及相应输入参数的设置,如窗口大小、像元间距、方向以及量化等级等都可能在一定程度上决定着影像纹理的利用价值。如何有效利用纹理量及其优化组合是一个值得深入探讨的问题。鉴于此,本文首先全面回顾了影像纹理特征在森林分类、森林结构参数反演以及森林生物量与碳储量的遥感估算等方面的最新研究与应用,并从不同角度肯定了光学影像纹理在林业遥感领域的应用潜力。此外,从纹理变量及其4大输入参数的选择和最优变量组合的判别方面,总结并剖析了当前研究领域中所存在的关键问题,权衡利弊并给出了相应的建议,为相关研究人员将影像纹理信息更有效地应用于林业领域提供参考。      

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.