svm的自然环境下作物图像的分割(源码)
对自然环境条件下作物图像分割是对作物图像处理到图像分析的重要的一步。在作物图像分割的众多方法中，基于阈值的图像分割和基于ExG、ExR、ExGR与CIVE等颜色指数的图像分割是使用最普遍的方法，但传统的作物图像分割方法效果受自然环境的约束，处理不同自然环境下的作物图像的效果往往不好。为了提高自然环境下作物图像分割的准确率，本文基于支持向量机(Support Vector Machaines,SVM)，设计了对自然环境中的作物图像进行分割的方法，实现了该方法，利用测试图像比较了基于SVM的作物图像分割方法与传统的作物图像分割方法的优劣。结果表明，在自然环境下，基于支持向量机的分割方法优于传统的阈值分割法和颜色指数分割法，其分割结果更加准确。
目录
摘要 1
关键词 1
Abstract 1
Key words 1
1 绪论 1
1.1 研究背景和意义 2
1.2 图像分割技术发展状况 2
1.3 研究内容与研究路线 2
1.3.1 研究内容 2
1.3.2 研究路线 2
2 基于SVM的自然环境下的作物图像分割 3
2.1 SVM分类算法 3
2.2 训练样本的选取 4
2.3 特征的提取 5
2.3 特征的选取 6
2.3.1 两分类SVMRFE算法 6
2.4 SVM分类模型的训练和测试 7
2.4.1 核函数的选取和调参 7
2.5 图像的分割过程 8
3 与传统分割算法的比较和分析 8
3.1 评价指标 8
3.2 各分割方法的比较 9
3.2.1 光照充足条件下小麦图像的分割 9
3.2.2 光照偏弱条件下小麦图像的分割 12
3.2.3 光照强烈条件下小麦图像的分割 15
3.2.4 不同的图像分割方法的总结和分析 18
4 图像分割系统 18
4.1 开发环境和系统功能 18
4.2 自然环境条件下的图像分割系统效果图 19
5 总 *好棒文|www.hbsrm.com +Q: ￥351916072$
结与展望 20
致谢 20
参考文献 20
基于SVM的自然环境下作物图像的分割
引言
由于数码相机的普遍使用，数字图像在数据分析和研究中得到了普遍的应用，在数字图像中准确地将目标与背景区分开来是最基本和最具挑战性的任务。传统的作物图像分割方法在不变环境中的分割效果是比较令人满意的，但是，当作物所处的自然环境改变时，如光照强度、自然光的反射、作物阴影等因素常常会使得传统的作物图像分割方法达不到理想的效果。而基于SVM的自然环境下作物图像的分割方法通过包含各种自然环境的训练图像块，提取图像像素的特征，以此获得作物和背景的训练数据，并通过机器学习对训练数据进行训练，得到数据分类模型。基于此分类模型，对不同自然环境下的作物图像的像素实现“植物”和“土壤”的类别区分，以此获得理想的作物分割效果。
1 绪论
1.1 研究背景和意义
图像分割是将“目标”和“背景”分隔开，使得“目标”区域和“背景”区域具有明显的差异，而各自区域内部则具有一定的相似性。在农业信息化领域中，图像分割技术在其中起着关键作用。为了更好发挥农业信息化的作用，准确识别作物，最大限度降低错误率，是研究者需要解决的重大课题。作物所处的环境不稳定，时常受到不可控的自然环境因素的影响。如何分割包含上述因素的作物图像成为一个重要的研究项目，如果分割方式不恰当，就会造成图像分割不准确，为农业信息化后续工作造成困难。因此，研究自然环境下作物图像分割对推进农业信息化和发展农业信息技术具有重大意义。
1.2 图像分割技术发展状况
图像分割方法主要分为基于阈值的分割方法、基于颜色指数的分割方法、基于机器学习的分割方法[1]。
颜色指数分割是Woebbecke等[2]人于1995年提出的图像分割方法。颜色指数分割算法往往与阈值分割相结合，从而实现最终的图像分割效果。其中ExG、CIVE、ExR、ExGB、ExB等颜色指数最为常用也最具有代表性，主要用于提取图像的不同颜色对象。多年来，国内外研究学者不断地探索和研究颜色指数，使得更多的颜色指数用于图像分割。
基于阈值分割算法的原理是，数字图像中的“目标”和“背景”在灰度级上有较大的差异，通过设定一个灰度阈值使得图像的每个像素点被分类为“目标”像素和“背景”像素。一些研究学者在阈值分割方法研究中取得了很大的进展。刘琼和史诺将图像转换为Lab和YUV空间后，使用大津法、加模糊熵方法对其进行分割，将两种分割结果合并滤波得到最终的分割结果[3]。结果证明此种方法能够有效消除不确定因素的影响。
机器学习在图像分割中的应用越来越广泛。Zheng[4]等实现了均值漂移法和费希尔线性判别法对图像的分割。周俊等[5]提出了一种基于直推式支持向量机的图像分割方法，其中训练样本为人工获取的有标签样本与模糊聚类算法获取的无标签样本的总和。试验的结果证明，这种图像分割算法能够有效的去除固有的图像特征的差异性。
综合上述图像分割技术的研究情况，虽然在作物图像分割领域获得了较大进步，但在自然环境下对作物图像分割的研究很少。本课题旨在探讨一种适合于自然环境下农作物图像的分割技术，期望能够对在自然环境下的农作物图像获得较好的图像分割效果。
1.3 研究内容与研究路线
1.3.1 研究内容
为处理传统图像分割方法对自然环境下作物图像分割效果不好的难题。本文选取不同光照条件的小麦图像作为研究对象，分别使用传统的图像分割方法和基于SVM的图像分割方法对其进行分割。通过上述分割方法的分割结果与使用Photoshop等软件进行人工分割的结果进行比较分析，得出结论。本文具体研究内容如下：
基于支持向量机的分割方法的实现
分别对光照强烈、光照充足、光照偏弱条件下的小麦图像样本进行特征提取、特征选择，采用支持向量机，对作物与背景的数据进行训练，并对测试图像的像素实现“作物”与“背景”的类别区分，从而实现对作物图像的分割。
目录
摘要 1
关键词 1
Abstract 1
Key words 1
1 绪论 1
1.1 研究背景和意义 2
1.2 图像分割技术发展状况 2
1.3 研究内容与研究路线 2
1.3.1 研究内容 2
1.3.2 研究路线 2
2 基于SVM的自然环境下的作物图像分割 3
2.1 SVM分类算法 3
2.2 训练样本的选取 4
2.3 特征的提取 5
2.3 特征的选取 6
2.3.1 两分类SVMRFE算法 6
2.4 SVM分类模型的训练和测试 7
2.4.1 核函数的选取和调参 7
2.5 图像的分割过程 8
3 与传统分割算法的比较和分析 8
3.1 评价指标 8
3.2 各分割方法的比较 9
3.2.1 光照充足条件下小麦图像的分割 9
3.2.2 光照偏弱条件下小麦图像的分割 12
3.2.3 光照强烈条件下小麦图像的分割 15
3.2.4 不同的图像分割方法的总结和分析 18
4 图像分割系统 18
4.1 开发环境和系统功能 18
4.2 自然环境条件下的图像分割系统效果图 19
5 总 *好棒文|www.hbsrm.com +Q: ￥351916072$
结与展望 20
致谢 20
参考文献 20
基于SVM的自然环境下作物图像的分割
引言
由于数码相机的普遍使用，数字图像在数据分析和研究中得到了普遍的应用，在数字图像中准确地将目标与背景区分开来是最基本和最具挑战性的任务。传统的作物图像分割方法在不变环境中的分割效果是比较令人满意的，但是，当作物所处的自然环境改变时，如光照强度、自然光的反射、作物阴影等因素常常会使得传统的作物图像分割方法达不到理想的效果。而基于SVM的自然环境下作物图像的分割方法通过包含各种自然环境的训练图像块，提取图像像素的特征，以此获得作物和背景的训练数据，并通过机器学习对训练数据进行训练，得到数据分类模型。基于此分类模型，对不同自然环境下的作物图像的像素实现“植物”和“土壤”的类别区分，以此获得理想的作物分割效果。
1 绪论
1.1 研究背景和意义
图像分割是将“目标”和“背景”分隔开，使得“目标”区域和“背景”区域具有明显的差异，而各自区域内部则具有一定的相似性。在农业信息化领域中，图像分割技术在其中起着关键作用。为了更好发挥农业信息化的作用，准确识别作物，最大限度降低错误率，是研究者需要解决的重大课题。作物所处的环境不稳定，时常受到不可控的自然环境因素的影响。如何分割包含上述因素的作物图像成为一个重要的研究项目，如果分割方式不恰当，就会造成图像分割不准确，为农业信息化后续工作造成困难。因此，研究自然环境下作物图像分割对推进农业信息化和发展农业信息技术具有重大意义。
1.2 图像分割技术发展状况
图像分割方法主要分为基于阈值的分割方法、基于颜色指数的分割方法、基于机器学习的分割方法[1]。
颜色指数分割是Woebbecke等[2]人于1995年提出的图像分割方法。颜色指数分割算法往往与阈值分割相结合，从而实现最终的图像分割效果。其中ExG、CIVE、ExR、ExGB、ExB等颜色指数最为常用也最具有代表性，主要用于提取图像的不同颜色对象。多年来，国内外研究学者不断地探索和研究颜色指数，使得更多的颜色指数用于图像分割。
基于阈值分割算法的原理是，数字图像中的“目标”和“背景”在灰度级上有较大的差异，通过设定一个灰度阈值使得图像的每个像素点被分类为“目标”像素和“背景”像素。一些研究学者在阈值分割方法研究中取得了很大的进展。刘琼和史诺将图像转换为Lab和YUV空间后，使用大津法、加模糊熵方法对其进行分割，将两种分割结果合并滤波得到最终的分割结果[3]。结果证明此种方法能够有效消除不确定因素的影响。
机器学习在图像分割中的应用越来越广泛。Zheng[4]等实现了均值漂移法和费希尔线性判别法对图像的分割。周俊等[5]提出了一种基于直推式支持向量机的图像分割方法，其中训练样本为人工获取的有标签样本与模糊聚类算法获取的无标签样本的总和。试验的结果证明，这种图像分割算法能够有效的去除固有的图像特征的差异性。
综合上述图像分割技术的研究情况，虽然在作物图像分割领域获得了较大进步，但在自然环境下对作物图像分割的研究很少。本课题旨在探讨一种适合于自然环境下农作物图像的分割技术，期望能够对在自然环境下的农作物图像获得较好的图像分割效果。
1.3 研究内容与研究路线
1.3.1 研究内容
为处理传统图像分割方法对自然环境下作物图像分割效果不好的难题。本文选取不同光照条件的小麦图像作为研究对象，分别使用传统的图像分割方法和基于SVM的图像分割方法对其进行分割。通过上述分割方法的分割结果与使用Photoshop等软件进行人工分割的结果进行比较分析，得出结论。本文具体研究内容如下：
基于支持向量机的分割方法的实现
分别对光照强烈、光照充足、光照偏弱条件下的小麦图像样本进行特征提取、特征选择，采用支持向量机，对作物与背景的数据进行训练，并对测试图像的像素实现“作物”与“背景”的类别区分，从而实现对作物图像的分割。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1680.html
