论文部分内容阅读
随着计算机视觉技术的迅速发展,其在农业方面得到了非常广泛的应用。水稻叶片冠层作为水稻作物光合作用、蒸腾作用的主要器官,是其作物管理、特征参数估算的重要参数,在产量品质估计、田间管理等方面具有重要的价值。本文运用数字图像处理技术,将颜色特征和形状特征的分割与识别技术运用到水稻冠层图像的自动识别中,实现了水稻叶片冠层图像的准确提取。本文主要研究内容分为四个部分:绿色植物目标与背景的分割方法研究;非粘连情况下的杂草去除;粘连情况下的杂草识别与去除;基于轮廓曲率的杂草识别方法。首先,根据绿色植物目标与背景颜色上的差异,本文对目前常用的几种颜色特征因子进行实验验证,并对比分析实验结果,选择基于颜色分量运算与色域压缩的背景分割方法,该方法能够很好的分离绿色植物目标与背景。然后,在水稻叶片与杂草非粘连的情况下,本文采用面积过滤法滤除背景中白色杂点以及水稻叶片间的黑色小孔洞,为了保留与绿色植物目标分离的小面积水稻叶片,本文引入了基于形状特征的识别方法。其次,针对水稻叶片与单片近圆形杂草的识别,本文提出了凹点检测与Hough变换相结合的识别方法,首先运用凹点检测算法,通过算法参数的调节检测出水稻叶片与杂草交叠处的凹点,对边缘图像进行Hough变换处理检测到近圆形区域即杂草,这样根据有效凹点与检测到的近圆形区域即能得到属于杂草的具体区域,把此区域置为背景黑色,即去除了杂草区域。实验结果表明,该方法的识别准确率可以保持在90%以上。最后,针对多片杂草交叠生长的情况,本文提出了基于二值图像轮廓曲率的杂草识别方法,该方法首先根据轮廓曲率分布确定窗宽范围以及曲率取值范围,然后根据检测到的有效杂草区域的窗口端点及两端点之间的轮廓线确定具体杂草区域,将该区域置为背景黑色,即可去除掉图中的杂草区域。实验结果表明,该方法的识别准确率可以保持在87%以上。