在农业生产中,常常需要统计一些类圆颗粒的数量,如测定谷物及油料作物的千粒重。传统人工计数的方法费时费力,无法达到快速计数的要求,而光电管计数的方法在对不同大小的颗粒计数时需要更换部件,通用性不高,设备的维护和保养也比较麻烦。针对上述问题,本文提出一种基于光照分类和支持向量机的重叠颗粒识别计数方法,以大豆种子颗粒为实验对象,利用图像处理技术实现对颗粒的快速分割计数。　　 针对图像分割效果易受光照条件及外部环境影响的问题,本文提出一种基于光照分类的智能图像分割方法。首先,依据大豆图像在两种光照条件下的颜色特征,利用最小欧氏距离分类器对光照条件进行顺光和背光的识别,然后对两种光照条件下的图像分别提取H分量和(2R-G-B)分量作为各自的分割参数,利用改进的二维最大类间方差法进行分割。实验结果表明,采用这种分而治之的方法,较传统基于单一颜色分量的分割,有效地降低了光照条件的改变对分割效果的影响,提高了分割的准确性。　　 颗粒物的重叠是采用图像处理方法来分割和计数的难点。针对图像中的重叠颗粒,本文根据颗粒所具有的形状特性,提出一种基于支持向量机的重叠颗粒类型识别和分割的方法,用来解决重叠颗粒的分离计数问题。首先,对图像中的复杂重叠颗粒,建立三种模型:串粘连、并粘连和两层重叠,提取它们的特征参数,建立特征数据库。然后,利用支持向量机训练学习,识别待测样本区域中的各种重叠类型。最后,针对上述三种重叠类型,利用各区域的凹陷区特性,分别建立分割规则,构造各自的最佳分离线,实现对深度粘连以及两层重叠颗粒的分割。实验结果验证了上述方法的有效性。　　 本文结合机器视觉技术和图像处理技术,实现了重叠颗粒的识别和计数,对不同光照条件下的图像分割问题进行了有益的探索,为复杂重叠颗粒的分割计数研究提供了一个新的思路,对提高农产品检测的自动化水平具有较好的理论意义和实用价值。