图像是信息的主要载体。如何在大量且繁杂的信息中提取出足够而且准确的信息以供我们使用是实践中常常遇到的问题。在智能化机械的设计中,为了更多更准确地提取控制信息,必须加强对机器视觉图像信息的处理和分析。因此,机器视觉图像处理就成为信息处理中的一个重要内容。20世纪80年代以来,机器视觉得到了蓬勃发展,而图像中目标的提取与识别作为机器视觉图像处理重要研究方法和方向,有着巨大的发展和应用潜力。本文首先介绍了图像处理的概念、方法以及图像的数字化等基本知识,以机器视觉图像作为处理对象,提出了针对于不同特征目标提取与识别的系统方法,并以农作物图像作为应用实例进行了实验对比。系统包括对图像的预处理、不同目标的分类分析、颜色优势目标与一般目标的两种提取方法、图像匹配和目标识别测定等内容。其中,对具有颜色优势的目标提取应用了图像的RGB与HSV模式对比,并分别取各分量灰度图进行比较,针对不同目标的具体情况选取最适合的分量图进行阈值化处理,以提高处理结果的准确性,并最终以二值图像的形式进行图像匹配,以期识别该目标。而对于无颜色优势的一般目标,本文提出了两种模式分别对目标信息进行增加和提取,进行对比实验,选取最佳效果进行图像匹配与最终识别。另外,在图像的预处理过程中,本文尝试了平滑滤波的方法对图像进行消噪处理,这种处理过程对机器视觉图像尤其是对采集质量不佳的图像是十分必要的。本系统选用MATLAB作为开发平台对机器视觉图像进行目标提取识别算法程序开发,系统中各处理过程均给出了MATLAB代码程序以及处理结果对比。本课题研究的主要结论有:(1)对机器视觉图像中不同目标的提取识别处理应针对其不同特征选用相适宜的处理方法。对于部分目标的突显特征(如颜色等),应采用和设计针对性强的提取识别算法。(2)在花朵目标的进行识别过程中,考虑到在智能化农业机械的具体实用性,本课题提出了中心位置识别法,简化了算法程序,而且在运算结果中既舍弃了无关信息,又保留了实用性强的精确信息,为智能农业机械的机械操作(如自动授粉)提供了准确参数。(3)针对无突显特征的一般目标处理,本课题采用了基于图像匹配技术的提取识别算法。