大田环境下的小麦图像识别(源码)
摘要：田间杂草会与农作物产生竞争，争夺资源，而且一旦不及时控制，很可能会形成灾祸，降低农作物的质量、产量。传统的农药喷洒方式经常是全面覆盖式，不仅浪费了人力、物力，还常常对周遭的环境造成极大的污染。因此，田间杂草的有效去除有益于促进作物生长，保护生态环境。计算机图像处理是当今计算机学科的研究热点，研究方法的进步也不断促进计算机图形处理技术与其他学科间的融合。基于图像处理技术的小麦田间杂草识别方法的研究，有助于农药喷洒的精确定位，节约生产成本，有效提高杂草去除效率和农业生产效率，对生态环境保护意义重大。
目录
摘要4
关键词4
Abstract4
Key words4
引言4
1 研究背景5
1.1 国内外研究现状5
1.1.1 国外研究现状5
1.2.2 国内研究现状5
1.2 研究内容和方法6
1.1.1 研究内容6
1.2.2 研究方法6
2 图像预处理7
2.1 亮度增强7
2.1.1 RGB模型7
2.1.2 HSI模型8
2.1.2 RGB模型和HSI模型互相转换9
2.1.2借助HSI模型的亮度增强10
2.2 对比度增强10
2.3 降噪11
2.3.1 自适应中值滤波11
2.3.2 K邻域平均法13
2.3.3 小结14
3 背景分离14
3.1 图像灰度14
3.1.1 超绿法灰度化14
3.2 图像分割15
3.2.1 迭代法15
3.2.2 最大类间方差法16
3.2.3 均匀性度量法17
3.2.4 分水岭18
3.2.5 小结20
4杂草定位20
4.1 作物行特征法20
4.2 改进的作物行特征法22
5结论与展望23
5.1 结论23
5.2 展望23
致谢24
参考文献25
*好棒文|www.hbsrm.com +Q: ￥3^5`1^9`1^6^0`7^2$
大田环境下的小麦图像识别
引言
采集小麦图像，对样本图像进行预处理，采用不同类型的图像分割方法进行图像分割处理，通过对比分析不同分割方法的分割效果及性能，找寻一种能够迅速准确的分割杂草与背景的识别算法，使用该算法实现作物与杂草的分离，进而实现杂草的准确定位。
1 研究背景
1．1 国内外研究现状
虽然现在的机器视觉已经有了相对来说成熟的理论系统，但是，基于机器视觉的田间杂草的图像识别技术还是一个全新待扩展的研究领域。从二十世纪八十年代到如今，基于机器视觉的杂草识别系统，从室内扩展至田间、从非实时发展到实时。但目前为止，只有部分基于机器视觉的系统实现了田间杂草的实时识别。[1]
1．1．1 国外研究现状
1986年，GuyerD.E.等[2]就将机器视觉与图像处理相结合，利用复杂度、伸长度、中心矩和主轴矩等叶片的形状特征参数来识别不同的植物，在1993年建立了基于植物形状特征的知识库[3]。1993年，他们将提取的17项定量的形状特征进行组合，得到了13项定性的形状特征。1995年，zhang N.等[4]使用了多参数组合的系统识别了小麦田间的4种杂草。
1995年，WoebbeckeD.M.等[5]研究了利用整株植物冠层的形状特征初始不变中心矩、周长厚度、参数圆度、朝向比、伸长度来识别田间的两种单子叶杂草和八种双子叶杂草的可行性，并在实验中发现，利用形状特征识别单子叶植物和双子叶植物的效果较好，准确率可达到60%到80%之间，其中识别单双子叶最好的形状特征是朝向比和初始不变中心矩。2000年，Perez等人[6]在最初提取的多项形状特征参数中筛选出了7项，应用了贝叶斯统计分类器和K最近邻域分类器进行分类。
1990年，shearer等人[7]在彩色纹理特征的基础上，以七种人工培育的植物作为研究对象，由图像的色调、饱和度、亮度信息得出三个彩色共生矩阵，从这之中计算出若干个纹理特征，其中的33个彩色纹理特征用于植物识别，准确率高达91%。1999年，Tang等人[8]采用Gbaor小波变换提取出植物的纹理信息，利用人工神经网络分类器将研究对象分为两类，识别准确率达到了100%。
1996年，visser等[9]使用自主研发的传感器感知场景反射光的荧光性以此来区分作物和杂草。1998年，Bi11er等人[10]使用光电传感系统“Detectspray”找到土壤中的植物，还有能够感知在蓝、绿、红和近红外光四种不同波长环境中的反射率系统，从而识别杂草。
1999年，Ningwang等人[11]通过分光光度计探寻了小麦、杂草、土壤三者的光谱特性，选择了5个波长值（9种杂草、土壤、小麦）作为特征波长值的输入变量，建立分类器模型来识别杂草，同时设计了一种光学传感器，实验结果表明：当把选定的5个波长值进行分类时，正确率分别为62. 5%、83. 1%、79. 5%；当杂草密度大于0.02plants/cm2时，正确率高于70%；当单株杂草出现的时候，其分类正确率便降低到了50%以下。2001年，Feyaerts等[12]用物镜、滤光片、成像光谱仪组成了机器视觉系统，用该系统识别田间杂草，其准确率达到了91.4%。
综上可以看出这项技术在国外起步早，研究的方向也颇为广泛，技术也相对成熟。
1．1．2 国内研究现状
基于机器视觉的杂草识别技术研究在国外方面非常热门，很早就开始起步研究，例如国际上的ASAE、SPEI、精准农业等方面的会议中，都对讨论该技术展开了专题讨论。然而在我国，这方面的研究起步较晚，仍然处于不断探索的阶段。
2001年，相阿荣等人[13]基于颜色以及形状特征研究了从作为背景的土壤中识别杂草的方法。2002年，龙满生等[14]以玉米苗期的杂草为研究对象，分析了不同的颜色指标对分割背景可行性的影响并提出应用形状特征来识别玉米和杂草的方法。2002年，刘敏等[15]引入分形维数概念，用其来表征微观杂草叶子纹理和宏观杂草丛纹理的粗糙程度，实现了田间作物和杂草一定程度的区分，但是拘泥于自然的光照条件。对比传统的纹理特征方法，应用分形维数收获更优的结果，同时时间复杂度也大大降低。2003年，张健钦等人[16]应用了机器视觉的理论和方法开发了同时具备图像采集模块（用于测量叶面积）、图像处理模块、数据库模块（用来存放叶面积数据）等功能的软件系统，该系统的研究对象可以是静态的叶片，也可为活体原位叶面积测量。
目录
摘要4
关键词4
Abstract4
Key words4
引言4
1 研究背景5
1.1 国内外研究现状5
1.1.1 国外研究现状5
1.2.2 国内研究现状5
1.2 研究内容和方法6
1.1.1 研究内容6
1.2.2 研究方法6
2 图像预处理7
2.1 亮度增强7
2.1.1 RGB模型7
2.1.2 HSI模型8
2.1.2 RGB模型和HSI模型互相转换9
2.1.2借助HSI模型的亮度增强10
2.2 对比度增强10
2.3 降噪11
2.3.1 自适应中值滤波11
2.3.2 K邻域平均法13
2.3.3 小结14
3 背景分离14
3.1 图像灰度14
3.1.1 超绿法灰度化14
3.2 图像分割15
3.2.1 迭代法15
3.2.2 最大类间方差法16
3.2.3 均匀性度量法17
3.2.4 分水岭18
3.2.5 小结20
4杂草定位20
4.1 作物行特征法20
4.2 改进的作物行特征法22
5结论与展望23
5.1 结论23
5.2 展望23
致谢24
参考文献25
*好棒文|www.hbsrm.com +Q: ￥3^5`1^9`1^6^0`7^2$
大田环境下的小麦图像识别
引言
采集小麦图像，对样本图像进行预处理，采用不同类型的图像分割方法进行图像分割处理，通过对比分析不同分割方法的分割效果及性能，找寻一种能够迅速准确的分割杂草与背景的识别算法，使用该算法实现作物与杂草的分离，进而实现杂草的准确定位。
1 研究背景
1．1 国内外研究现状
虽然现在的机器视觉已经有了相对来说成熟的理论系统，但是，基于机器视觉的田间杂草的图像识别技术还是一个全新待扩展的研究领域。从二十世纪八十年代到如今，基于机器视觉的杂草识别系统，从室内扩展至田间、从非实时发展到实时。但目前为止，只有部分基于机器视觉的系统实现了田间杂草的实时识别。[1]
1．1．1 国外研究现状
1986年，GuyerD.E.等[2]就将机器视觉与图像处理相结合，利用复杂度、伸长度、中心矩和主轴矩等叶片的形状特征参数来识别不同的植物，在1993年建立了基于植物形状特征的知识库[3]。1993年，他们将提取的17项定量的形状特征进行组合，得到了13项定性的形状特征。1995年，zhang N.等[4]使用了多参数组合的系统识别了小麦田间的4种杂草。
1995年，WoebbeckeD.M.等[5]研究了利用整株植物冠层的形状特征初始不变中心矩、周长厚度、参数圆度、朝向比、伸长度来识别田间的两种单子叶杂草和八种双子叶杂草的可行性，并在实验中发现，利用形状特征识别单子叶植物和双子叶植物的效果较好，准确率可达到60%到80%之间，其中识别单双子叶最好的形状特征是朝向比和初始不变中心矩。2000年，Perez等人[6]在最初提取的多项形状特征参数中筛选出了7项，应用了贝叶斯统计分类器和K最近邻域分类器进行分类。
1990年，shearer等人[7]在彩色纹理特征的基础上，以七种人工培育的植物作为研究对象，由图像的色调、饱和度、亮度信息得出三个彩色共生矩阵，从这之中计算出若干个纹理特征，其中的33个彩色纹理特征用于植物识别，准确率高达91%。1999年，Tang等人[8]采用Gbaor小波变换提取出植物的纹理信息，利用人工神经网络分类器将研究对象分为两类，识别准确率达到了100%。
1996年，visser等[9]使用自主研发的传感器感知场景反射光的荧光性以此来区分作物和杂草。1998年，Bi11er等人[10]使用光电传感系统“Detectspray”找到土壤中的植物，还有能够感知在蓝、绿、红和近红外光四种不同波长环境中的反射率系统，从而识别杂草。
1999年，Ningwang等人[11]通过分光光度计探寻了小麦、杂草、土壤三者的光谱特性，选择了5个波长值（9种杂草、土壤、小麦）作为特征波长值的输入变量，建立分类器模型来识别杂草，同时设计了一种光学传感器，实验结果表明：当把选定的5个波长值进行分类时，正确率分别为62. 5%、83. 1%、79. 5%；当杂草密度大于0.02plants/cm2时，正确率高于70%；当单株杂草出现的时候，其分类正确率便降低到了50%以下。2001年，Feyaerts等[12]用物镜、滤光片、成像光谱仪组成了机器视觉系统，用该系统识别田间杂草，其准确率达到了91.4%。
综上可以看出这项技术在国外起步早，研究的方向也颇为广泛，技术也相对成熟。
1．1．2 国内研究现状
基于机器视觉的杂草识别技术研究在国外方面非常热门，很早就开始起步研究，例如国际上的ASAE、SPEI、精准农业等方面的会议中，都对讨论该技术展开了专题讨论。然而在我国，这方面的研究起步较晚，仍然处于不断探索的阶段。
2001年，相阿荣等人[13]基于颜色以及形状特征研究了从作为背景的土壤中识别杂草的方法。2002年，龙满生等[14]以玉米苗期的杂草为研究对象，分析了不同的颜色指标对分割背景可行性的影响并提出应用形状特征来识别玉米和杂草的方法。2002年，刘敏等[15]引入分形维数概念，用其来表征微观杂草叶子纹理和宏观杂草丛纹理的粗糙程度，实现了田间作物和杂草一定程度的区分，但是拘泥于自然的光照条件。对比传统的纹理特征方法，应用分形维数收获更优的结果，同时时间复杂度也大大降低。2003年，张健钦等人[16]应用了机器视觉的理论和方法开发了同时具备图像采集模块（用于测量叶面积）、图像处理模块、数据库模块（用来存放叶面积数据）等功能的软件系统，该系统的研究对象可以是静态的叶片，也可为活体原位叶面积测量。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/2272.html
