温室作物的自动识别技术是进几年发展起来的计算机视觉与模式识别技术在作物生长领域应用的重要研究课题之一。温室中测量作物在各种环境下的生长状态参数非常重要,传统的方式通过破坏性的测量来获得作物在各时期的生长参数。针对这一问题,通过计算机视觉和图像融合的方法本文提出了基于图像融合技术的作物几何参数的测量方法,该方法对温室环境的控制和作物生长过程的仿真都有十分重要的意义。针对温室环境下背景复杂这一特点,提出了一种有效的将作物从温室环境背景图像中提取的方法,该方法是基于蚁群算法的模糊C均值聚类图像分割算法。蚁群算法是一种模拟群体智能的算法,在解决基于离散空间的问题时表现出良好的性能。本文对蚁群算法的原理及特征做了简要的介绍。针对模糊C均值(FCM)聚类算法聚类个数难于确定、搜索过程容易陷入局部最优的缺陷,把蚁群算法与FCM聚类算法有机结合,利用蚁群算法得到聚类中心和聚类个数,再将其作为模糊C均值聚类的初始聚类中心和聚类个数,解决了FCM聚类算法随机搜索聚类中心时容易陷入局部最优的缺点,将蚁群算法寻找的初始聚类中心和聚类个数代入FCM聚类算法中,实现了对作物目标的准确提取,提高算法的收敛速度,改进的算法融合了两者的优点。对分割后还存在干扰的图像再采用数学形态学滤波的方法,彻底的将背景去除,提高了图像的分割效果。在作物的生长状态参数测量中,对于形状复杂的平面目标,采用虚拟摄像机的方法求取目标的几何量,此方法将原来的透视投影变换简化成位似变换,利用位似变换的基本性质求出虚拟摄像机图像中目标几何量与实际目标几何量的关系,大大简化了计算过程。