共查询到20条相似文献，搜索用时 62 毫秒
1.
为系统、全面地分析不同颜色指数对南方稻田图像分割的适应性,以分蘖期、拔节期稻田图像为研究对象,选择36种常用的颜色指数,采用Otsu阈值法开展基于颜色指数和阈值的图像分割研究,通过比较各颜色指数的分割结果,明确分蘖期和拔节期图像分割的主要干扰因素,筛选最适宜稻田图像分割的颜色指数。结果表明:水稻倒影、浮萍是分蘖期稻田图像分割的主要干扰因素,叶片镜面反射、浮萍和土壤阴影是拔节期稻田图像分割的主要干扰因素;组合指数COM2、MxEG、CIVE和GMR在分蘖期图像和拔节期图像均具有较好的分割精度。因此,基于颜色指数COM2、MxEG、CIVE、GMR和Otsu阈值的稻田图像分割方法对稻田图像分割的干扰要素具有较强的区分能力,分割精度较高,更适宜于南方稻田图像处理研究。 相似文献
2.
目的 通过无人机获取沙糖橘果园的遥感图像,快速提取果树分布位置,为果树的长势监测和产量预估提供参考。方法 以无人机拍摄的可见光遥感图像为研究对象,计算超红指数、超绿指数、超蓝指数、可见光波段差异植被指数、红绿比指数和蓝绿比指数6种可见光植被指数,使用双峰阈值法选取阈值进行果树的提取。在使用光谱指数进行识别的基础上,结合数字表面模型作为识别模型的输入变量,进行对比试验。结果 相比使用单一光谱指数,结合数字表面模型提高了果树和非果树像元的提取精度,6次波段融合后的总体精度均大于97%。超红指数与数字表面模型结合后的总体精度最高,为98.77%,Kappa系数为0.956 7,植被信息提取精度优于其他5种可见光植被指数与数字表面模型结合后的提取精度。结论 数字表面模型结合可见光植被指数的提取方法能够更深层次地挖掘遥感数据蕴含的信息量,为影像中色调相似地物的提取提供参考。 相似文献
3.
《湖北农业科学》2021,60(5)
以谷子为研究对象,采集谷子阴天、背景复杂有阴影、光照不均、露水雨水反光4类环境条件下的冠层图像,分别采用超绿分割、Lab空间K均值聚类分割和基于H分量的K均值聚类分割3种算法进行冠层提取,探究不同条件下谷子冠层提取的最优方法。对于阴天和背景复杂有阴影的谷子冠层图像,3种算法均可以较完整地提取,分割准确率均达到93%以上;对于光照不均的图像,超绿分割效果最差,基于Lab空间和基于H分量下的K均值聚类分割效果相对优异,分割准确率分别为93%和96%;对于露水雨水反光的图像,基于H分量的K均值聚类分割准确率最高,达到97%。基于H分量的K均值聚类算法对4种不同环境条件下获取的谷子冠层图像分割效果均较理想,为后续谷子生长自动监测提供了一定的参考价值。 相似文献
4.
《浙江大学学报(农业与生命科学版)》2017,(5)
在弱光条件下,采用色调(H)和饱和度(S)颜色分量的K均值聚类分析结合相应色差运算方法,对覆膜玉米冠层图像进行分割,并将分割所得影像的二值图分别与超绿、超红和超绿-超红算法分割结果进行比较。结果表明,该方法更能精确反映玉米的冠层形状。将该方法得到的玉米冠层覆盖度计算结果与Samplepoint软件分析结果进行比较发现,前者均方根误差取值较小,仅为0.004 2,分割误差率低至3.37%,分割图像准确率高。综合分析表明,在弱光背景下,基于H和S颜色分量的K均值聚类分析结合色差运算的分割方法对覆膜玉米冠层的分割结果准确可靠。 相似文献
5.
无人机可见光遥感具有经济成本低、起降方式灵活等优点,在监测苗期油菜缺苗和植株数量方面具有较好的应用前景。采用大疆Phantom 4 Pro V2.0四旋翼无人机获取油菜种植区的可见光影像,设置1个实验区和4个验证区,对比分析土壤、油菜苗、杂草等地物目标红（R）、绿（G）、蓝（B）波段的DN值,根据各波段DN值的正态分布特性和比值关系构建绿蓝红差异指数（green-blue-red difference index, GBRDI）。利用GBRDI对油菜种植区可见光影像进行计算,绘制不同地物的直方图,将其交点作为图像分割阈值对油菜苗植株进行提取,并与常见的过绿指数（excess green, ExG）、差异植被指数（visible-band difference vegetation index, VDVI）、归一化绿蓝差异指数 （normalized green-bule difference index, NGBDI）的提取结果进行对比。结果表明：相较于ExG、VDVI、NGBDI,GBRDI从杂草等背景地物中提取油菜苗效果更好,精度92.93%,完整性83.63%;在4个杂草长势复杂的验证区,GBRDI指数提取油菜苗的精度和完整性均比VDVI、ExG、NGBDI更高;GBRDI能快速准确地提取油菜苗,分离杂草和土壤等背景地物,可为油菜精细化耕作提供技术参考。 相似文献
6.
基于视觉注意模型的苗期油菜田间杂草检测 总被引：3，自引：0，他引：3
提出了基于视觉注意模型的苗期油菜/杂草图像检测方法。针对苗期油菜大田环境,获取油菜/杂草RGB原始图像。根据原始图像颜色分布特点改进Itti模型,生成系列特征显著图,结合区域生长算法分割出感兴趣区域。针对该区域提取形状和纹理特征参数作为支持向量机输入量,判别出所有油菜区域,最后融合原始图像和油菜区域获取最终株间杂草区域。结果表明:与局部迭代阈值法和最大类间方差法相比,本研究提出的图像分割方法更优,正确分割目标概率、错误分割目标概率及漏分割目标概率分别为92.46%、3.26%及7.54%;针对形状、纹理、综合特征及精选特征四类特征参数集,径向基-支持向量机的识别率分别为96.00%、94.29%、100.00%及96.00%。 相似文献
7.
通过田间试验分析了16种常用图像特征指数在不同受渍时长下的变化特征及其与小麦叶绿素的相关关系,并建立了基于图像特征指数衰减量的小麦叶绿素灾损估算模型。结果显示,红光(R)、红光标准化值(NRI)、绿-红差值指数(GMR)、超红指数(EXR)、植被颜色指数(CIVE)、Woebbecke指数(WI)随渍水时间的增加极显著上升,而绿光标准化值(NGI)、归一化绿红差值指数(NGRDI)、超绿指数(EXG)、绿红比值指数(GRVI)则极显著下降;且这10个图像特征指数均与小麦叶绿素呈极显著的相关关系,相关系数的最大绝对值达到0.98;基于图像指数衰减量建立的叶绿素减少量的估算模型均以二次多项式为最优模型,且以NGRDI、CIVE、EXG、NGI和GRVI指数衰减量构建的估算模型精度较高,R2均达到0.99以上。由此可以看出,基于数字图像技术可以有效估算小麦叶绿素含量,进行小麦渍害监测,且NGRDI、CIVE、EXG、NGI和GRVI可作为灾损图像指数来反映小麦叶绿素的受渍程度。 相似文献
8.
针对北方典型牧草植物-苜蓿图像,采用多种常用的灰度化方法,并对其中的超绿法和Cr色彩法进行了改进,结合灰度图的特点,选用了单阀值分割和基于欧式距离的聚类分割方法将图像二值化,实现了苜蓿与背景的分离提取.利用大量的图像样本,对图像的分割准确率进行了统计分析和比较研究,得到了常用算法的定量评价和分割效果,得到了针对苜蓿图像的有效分割方法,为进一步实现牧草自动识别提供了依据. 相似文献
9.
基于邻域直方图的玉米田绿色植物图像分割方法 总被引：1，自引：0，他引：1
为了准确分割绿色植物与土壤背景,克服田间环境的复杂性,比如植物阴影、残渣的存在和光照强度变化等外界因素带来的影响,采用图像处理和支持向量机方法,以超绿特征(2G-R-B)灰度图像为研究对象,以像素点邻域组成的灰度直方图特征作为输入特征向量,通过试验选出最佳训练参数和最优邻域窗口模型。实验表明,该方法适应不同光照强度,并且可以减小噪声、植物阴影和残渣对图像分割带来的影响,得到完整的分割图像。 相似文献
10.
水稻冠层数字图像分析技术在水稻生长监测、氮营养诊断及产量预测上具有应用潜力,而水稻像元精确分割、提取是水稻冠层数字图像分析结果准确、稳定、可靠的前提。最大类间方差法(Otsu法)具备分割质量稳定、自适应强的特性,分割效果较好,是一种常用的阈值分割方法。通过提取计算水稻冠层图像9种图像色彩指标R、G、B、CIEL*a*b*色彩空间的L*、a*、b*分量、HSV色彩空间的H分量、绿度叶片指数(GLD)以及植被指数(VIGreen),并以各种图像色彩指标的Otsu法对水稻冠层图像进行分割,比较其图像分割效果。结果表明,水稻和土壤像元的a*、b*、GLD、VIGreen色彩指标双峰性明显,且重叠性小,可作为分割水稻与土壤背景的候选图像色彩指标;基于a*、GLD、VIGreen色彩指标的Otsu法的分割精度较高,且基于a*色彩指标的Otsu法对水稻冠层图像分割效果的信噪比最大、误差率最低,其次是基于VIGreen色彩指标的Otsu法;基于CIEL*a*b*色彩空间的a*色彩指标是Otsu法的水稻冠层图像分割中较优的图像色彩指标。 相似文献
11.
[目的]针对小麦生长早期植被指数易受土壤背景干扰的问题，提出了一种基于窄带光谱图像分析的小麦植被指数测量方法。[方法]构建了多镜头结构的窄带光谱图像获取装置，实时获取656和770 nm的田间小麦窄带光谱图像。运用简单线性聚类(simple linear iterative clustering, SLIC)和VGG16(visual geometry group network 16)全卷积神经网络对小麦近红外窄带光谱图像进行超像素聚类和分类，把交并比(Qseg)、综合评价指标(F值)、精度(Precision)作为分割精度评价指标，分析传统阈值分割方法和本研究方法去土壤背景干扰的性能差异。去除土壤背景后的窄带光谱图像采用太阳光免白板标定方法计算植被指数，并与GreenSeeker RT200的实测数据进行对比分析，定性定量评价本研究方法去除土壤背景干扰的性能。[结果]试验共采集12个小麦品种、2个施氮水平、24块种植小区图像，Qseg、Precision和F值的平均值分别为90.41%、80.82%和72.73%,分割性能均优于传统的阈值... 相似文献
12.
为减少大田环境下光照不足对小麦图像分割的影响,以及提升小麦图像中偏黄叶片的提取效果,提出了将白平衡调整、局部同态滤波预处理和基于概率潜在语义分析(PLSA)模型的颜色命名算法相结合用于小麦图像分割的方法。首先,对大田采集的小麦图像进行白平衡调整,得到准确无偏色的图像;然后对光照不足的图像在HSI彩色模型下对亮度分量I进行局部同态滤波处理,以减少光照不足对图像的影响;最后在RGB彩色模型下基于PLSA模型构建的颜色名RGB值字典,提取图像中绿色和黄色像素点对应区域作为目标区域。结果表明,经白平衡调整后F1值提高1.61个百分点;光照不足图像经局部同态滤波处理后F1值提高12.43个百分点,分割效果明显提升;所提方法对绿色、叶片偏黄及光照不足的小麦图像分割的F1值分别为96.39%、97.29%和96.22%,均达到了较好的分割效果;所提方法与K-means聚类算法相比,虽点状噪音和细小孔洞相对较多,但在分割叶片偏黄小麦上F1值提高4.42%,整体分割效果较好,且稳定性强。 相似文献
13.
PEG6000模拟干旱胁迫处理在筛选油菜抗(耐)旱材料中的应用初析 总被引：3，自引：0，他引：3
采用20%、22%、24%、26%四种浓度的PEG6000,对大田试验中表现不同抗(耐)旱的油菜甘、芥种间杂交后代材料进行发芽试验,分析PEG6000模拟干旱胁迫发芽试验筛选油菜抗(耐)旱材料的效果。结果表明:在油菜抗(耐)旱材料筛选中,种子处理的PEG6000浓度以22%~24%为宜,发芽时间以4~8 d为宜。在PEG6000处理浓度低于22%时,发芽指数可作为一个必要的参考指标。 相似文献
14.
利用多重分形理论中的基于sum容量测度、max容量测度和min容量测度的多重分形谱分割方法,分别对油菜菌核病害、白斑病害、油菜潜叶蝇虫害叶片图像进行识别与分割。结果表明:基于多重分形理论的油菜病虫害叶片图像分割优于传统的阈值分割,基于C均值聚类的分割以及传统区域分割,主要在于能够清晰地分割出病虫害叶片边缘轮廓,准确定位病虫斑区域,同时还能保留较多细节,具有局部性强、准确性高的特点。相比而言,基于max和min容量测度的分割优于基于sum容量测度的分割。 相似文献
15.
复杂背景与天气条件下的棉花叶片图像分割方法 总被引：4，自引：0，他引：4
为实现自然条件下棉花叶片的精准分割,提出一种粒子群(Particle swarm optimization,PSO)优化算法和K-means聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在RGB颜色空间模式下采用二维卷积滤波进行去噪预处理,并将预处理后的彩色图像从RGB转换到目标与背景差异性最大的Q分量、超G分量、a*分量;随后在K均值聚类的一维数据空间中,利用PSO算法向全局像素解的子空间搜寻,通过迭代搜寻得到全局最优解,确定最佳聚类中心点,改善K均值聚类的收敛效果;最后,对像素进行聚类划分,从而得到棉花叶片分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:该算法对于晴天、阴天和雨天图像中目标(棉花叶片)分割准确率分别达到92.39%、93.55%、88.09%,总体平均分割精度为91.34%,并与传统K均值算法比较,总体平均分割精度提高了5.41%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像实现准确分割,为棉花叶片的特征提取与病虫害识别等后续处理提供支持。 相似文献
16.
大田经济作物在我国占有重要地位,其性状研究在机械化生产收获过程中至关重要,直接影响到生产效率和产品质量,数字图像技术的引入不仅为其性状研究带来高效的解决方案,更显示出广阔的应用前景。综合分析了近年来不断改进的图像分割方法,将其分成传统分割方法和结合特定工具的图像分割算法两大类,重点介绍了传统分割方法中基于阈值的分割方法和基于边缘检测的分割方法两种流行算法,结合特定理论工具的图像分割算法中的小波分析变换、遗传算法、主动轮廓模型、聚类算法、深度学习方法等 6 种方法,并对各大类算法中使用的各种图像分割方法进行归纳总结,列举其在油菜、棉花、大豆和花生等经济作物性状研究中的应用,同时对遗传算法、主动轮廓模型、聚类算法和深度学习中的 Fast R-CNN 算法添加技术框架图。最后对图像分割技术在大田经济作物中应用存在的主要问题进行分析并提出展望。 相似文献
17.
针对卫星遥感影像难以准确提取局部地区植被物候的问题,本研究以兰州植物园草坪草、连翘、牡丹、黄刺玫和香荚蒾等5种植被为研究对象,基于多时相无人机影像,提出了一种局部地区植被春季物候期估算方法。首先利用无人机获取的多时相兰州植物园植被影像,分析各植被超绿指数(ExG)、超绿超红差分指数(ExGR)、绿叶指数(GLI)和植被因子指数(VEG)等植被指数的时序变化特征,并进行一元三次多项式拟合,使用导数法提取各植被的发芽期、开花期、结果期等春季物候期,然后与人工观测物候资料进行比较,明确不同植被指数下物候期的估算精度。结果表明：除草坪草的发芽期和结果期以及牡丹的发芽期,4种植被指数估算得到的物候期基本一致,但其和实际物候期均存在不同程度的误差;发芽期估算误差最大的是黄刺玫,平均提前27 d,最小的是香荚蒾,平均推迟8 d;开花期估算误差较大的是草坪草和牡丹,平均误差均在20 d以上,最小的是连翘和香荚蒾;结果期估算误差最大的是香荚蒾,平均提前35 d,最小的是牡丹,平均提前5 d。基于ExG指数估算的开花期和结果期与实际观测期一致性最好,均方根差分别为14.01 d和17.28 d,而VEG指... 相似文献
18.
19.
基于像元二分法的冬小麦植被覆盖度提取模型 总被引：2，自引：0，他引：2
【目的】快速准确提取冬小麦返青期植被覆盖度信息。【方法】利用无人机获取田间冬小麦可见光图像,提取图像中4种常见可见光植被指数;在像元二分法原理的基础上,分别构建基于差异植被指数(Visible-band difference vegetation index,VDVI)、过绿指数(Excess green,EXG)、归一化绿蓝差异指数(Normalized green-blue difference index,NGBDI)和归一化绿红差异指数(Normalized green-red difference index,NGRDI)的植被覆盖度提取模型,采用支持向量机(Support vector machine,SVM)监督分类结果作为真值对各模型进行精度验证。【结果】4种模型中,利用VDVI植被覆盖度提取模型获取的植被覆盖度精度最高,提取效果较好。与监督分类结果对比,4种植被覆盖度提取模型的提取误差(EF)分别为3.36%、15.68%、8.74%和15.46%,R2分别为0.946 1、0.934 4、0.695 3和0.746 0,均方根误差(RMSE)分别为0.021 9、0.059 5、0.042 0和0.055 9。【结论】采用可见光植被指数结合像元二分法构建植被覆盖度提取模型实现了冬小麦返青期植被覆盖度准确快速提取,为植被覆盖度提取提供了一种新途径,可为无人机遥感监测提供参考。 相似文献
20.
基于可见光植被指数的乌海市矿山排土场坡面植被覆盖信息提取研究 总被引：1，自引：0，他引：1