随着农业机械的智能化发展,插秧机的精准自动导航技术成为国内外大量学者的研究热点。与卫星导航相比较,机器视觉拥有成本低、对农业规模与操作者技术要求低、适用性更佳等优点,使其使用门槛和对土地规模要求低,契合我国的国情和农业现状,一度被认为是今后导航技术的重要发展方向。作为插秧机视觉导航系统中的关键技术,秧苗行线提取的准确度直接影响了插秧机自主行走的精度。但田间相机所获图像的视觉特性易受光照影响,使得秧苗行线提取准确度降低。为提高插秧机视觉导航系统对光照的适应性,本课题对复杂光照环境下水稻秧苗行线提取技术进行了深入的研究。主要研究内容如下:(1)水稻秧苗图像处理的基本理论分析分析RGB和HSV两种色彩空间模型各分量的相关性和光照色彩特性,确定复杂环境下非均匀光照图像处理的色彩空间模型;研究光照分量提取方法,比较分析变分框架Retinex、双边滤波和快速引导滤波算法的光照分量提取效果和算法复杂度,选择边缘保持性能好、算法复杂度低的快速引导滤波算法进行光照分量的提取。(2)基于亮度分区自适应Gamma的图像亮度校正算法研究研究传统自适应Gamma的图像亮度校正算法对秧苗图像的适应性,针对其不足,提出一种基于亮度分区自适应Gamma的图像亮度校正算法。在HSV色彩空间模型中提取图像亮度分量,计算分区阈值,基于阈值实现低亮度、正常亮度和高亮度的图像亮度分区;在光照-反射成像模型的理论基础上,采用快速引导滤波算法获取全图像的光照分量;构建分区自适应的Gamma校正函数,依据光照信息分布特点自适应调节校正参数,实现亮度自适应校正与色彩饱和度恢复,试验结果表明该算法能够有效改善光照不均匀对秧苗信息分割造成的影响。(3)基于分区域特征点聚类的秧苗行线提取算法研究对校正后的水稻秧苗行像素点进行垂直投影,分析秧苗图像特点;采用超绿特征因子和Otsu自适应阈值分割秧苗像素,基于秧苗图像特点进行分区域特征点提取和聚类;并选用最小二乘法、标准Hough算法和随机Hough算法对聚类后的秧苗特征点进行直线拟合并做出对比试验分析,试验结果表明该算法具有耗时短、准确度高等优点,可为插秧机自主行走提供可靠的导航信息。