论文部分内容阅读
杂草识别分为图像采集、图像分割、模式识别、后续处理四个阶段,本文以杂草识别中的图像特征和算法为研究对象,结合杂草图像的特点优化图像特征改善算法,从而提高了自然条件下田间杂草图像的识别效果,这对提高自动除草设备实用化图像处理技术水平具有重要的理论意义和实际价值。主要研究内容为:(1)在分离植被区域和背景区域的图像分割中,对于播种前植被只包括杂草的情况研究了用于红色杂草识别的颜色特征。对于需要后续模式识别区分作物和杂草的情况,研究了光照引起的颜色失真,提出基于二维直方图的分割方法,新方法能更好的保留叶片的连通性和较好的修复叶片上的分割误差。在分析了植被和背景的分布概率后,通过Bayes理论评价分割效果,将颜色特征和分割阈值等价为颜色空间中的一个分割面,再通过遗传算法优化得到新的分割特征-149R+218G-73B。在茄科作物及其伴生杂草的实验中,现有最广泛使用的超绿特征的分割误差为理论最小分割误差的2.47倍,而新的分割特征降低为1.47倍。在棉田杂草图像的识别中,超绿特征和G特征的分割精度为84.69%和75.01%,而新的分割特征提高为91.67%。(2)对于以区分作物和杂草为目的的模式识别,使用宽长比、伸长率、圆满度和圆度四种形状特征通过建立模糊识别器识别青椒和牛筋草、波斯婆婆纳、泽漆三种杂草,对于单株植株叶片相互遮盖不严重时取得了较好的效果。为选择识别特征,建立了同时考虑识别率和处理时间的评价模型并对宽长比、伸长率、圆满度和圆度四种形状特征进行选择,得出对于实验中的图像宽长比和圆度的组合效果最好。针对枝叶覆盖严重的情况,在棉田杂草的识别中以植株为研究对象,提出基于骨架长度和叶片面积比的识别算法。新算法受分割精度的影响小,不同分割结果在模式识别中都能得到较高的精度。若使用本课题优化后提出的新分割特征-149R+218G-73B的分割结果进行识别,作物和杂草的识别率分别达到82.77%和59.69%,而现有杂草识别算法无法在该情况下有效识别杂草。由于以植株为研究对象,不需考虑叶片相互覆盖的情况,因此基于形态学特征描述植株形态的识别方法具备更广泛的实用性。(3)提取喷洒参数的后续处理中,在使用数学模型描述喷洒效果后,引入遗传算法确定喷洒参数。新方法确定的喷洒参数提高了喷洒效果,图像中作物和杂草分布越复杂喷洒效果的改善程度越显著。本课题以开发杂草识别实用设备为目的,优化图像特征、改进算法,从而提高了识别效果。在分析杂草识别特点的基础上建立了一套从图像采集到喷洒参数确定的完整算法,将利用图像处理技术识别杂草进一步推向实用化。