论文部分内容阅读
小麦种植面积和生产数量世界上占据第一位,是不可或缺的粮食作物。在世界上,有三分之一的人口以小麦做为主要粮食,在我国,小麦产量是整个农业的基石,在国民经济中也占据着举足轻重的地位。而选择合适的小麦品种并掌握其特性、准确预测小麦的分蘖率都对提高小麦产量有着重要的意义。传统的方法要求育种专家付出巨大的劳动量。因此,实现小麦的自动识别具有重要的实际意义。传统的小麦产量预测方法主要有:田间人工判断预测法、卫星预测法、自然条件和需求关系分析预测法、年景预测法等方法,这些预测方法虽然具有一定的准确度但是具有明显的缺陷:人工判断往往通过经验来判断结果,而个人经验或多或少的差异导致预测存在偏差;卫星预测使用卫星远距离拍摄,图像拍摄面积大,数据量大,适合宏观上的分析和归纳,对局部地区小麦的产量预测准确度低;利用气候与供给关系分析以及年景法进行预测以先前经验为基础,偶然性大,精度低,可靠性低。鉴于传统方法所具有的诸多缺点,为了提供给育种专家更可靠、便捷、科学的数据,本文提出将计算机多媒体技术应用在小麦产量预测当中,以数字图像处理技术为基础结合颜色特征、模式识别等领域的相关技术,研究小麦的颜色、形状、纹理等特性,并设计分类器对小麦图片进行计数识别。本文的主要工作如下:1.色彩空间选择。色彩空间包括RGB空间、YUV空间、HSV空间等,论文通过对处于乳熟期的麦穗所具有的颜色信息分析和实验对比,提出了以HSV空间色调信息作为麦穗的主要颜色特征,实验验证了使用色调信息可以在很大程度上剔除小麦照片中的背景。2.根据麦田的环境情况,设计了样本采集的方式和装置。对图像进行了预处理,并提出了一种基于HSV空间H分量的图像灰度化方法。3.设计了基于Adaboost麦穗识别算法,选取Haar特征并用积分图进行计算,详细描述了弱分类器的训练过程以及最终构成级联分类器的流程。最后通过实验证明Adaboost算法在无遮挡的麦穗检测上具有良好的识别能力。4.Haar特征只能对形状进行判断,没有考虑纹理特性,因此无法识别被遮挡麦穗。本文对Adaboost算法进行了改进,以综合纹理、形状的LBP特征来取代Haar特征,并结合麦穗的颜色进行麦穗检测。实验证明多尺度的LBP特征能更有效地描述形状和纹理信息,改进算法不仅提高了算法的检测速度,而且在麦穗遮挡,倾斜等情况下也可以进行检测,算法提高了检测能力,降低误检率。