共查询到18条相似文献，搜索用时 843 毫秒
1.
基于多光谱图像融合和形态重构的图像分割方法 总被引：1，自引：1，他引：0
一些成熟的瓜果果实在单一的光谱图像中,果与叶的灰度值只存在微小差异,常用的图像分割方法不足以把果与叶区分开,为此,提出一种基于多光谱图像融合的形态学重构分割方法.首先,采集同一目标的可见光彩色图像和近红外图像,对此多光谱图像分别采用主成分分析(PCA)、小波变换以及可见光图像H分量与近红外图像NIR的算术组合(NIR/H)等方式进行融合处理:然后,对融合图像进行形态学重构分水岭分割.多幅苹果和番茄图像的同标提取试验结果表明,对可见光图像和近红外图像的PCA和小波变换融合图像进行形态学重构分水岭分割,可以得到较好的分割效果,尤其是小波变换融合图像的形态学重构分水岭分割效果更具有自适应性. 相似文献
2.
对土壤背景进行有效分割是玉米苗期田间杂草识别的前提和基础。本研究利用颜色分量G-R和G-B与灰度直方图来实现玉米苗期图像与背景图像的分割,解决了玉米苗期田间杂草识别中受影响及环境适应性差等问题。通过对不同环境下苗期玉米图像的植被颜色和背景颜色分量的统计分析表明,采用G-R和G-B双阈值颜色特征分割,进行土壤背景分离取得了很好的效果。 相似文献
3.
玉米拔节期冠层叶绿素含量多光谱图像检测 总被引：2，自引：2，他引：0
为了探索大田玉米冠层叶片叶绿素指标的快速检测方法。采用自主研发的2-CCD多光谱图像成像系统采集了大田玉米拔节期冠层图像,并同步获取了样本叶绿素含量指标SPAD值。对多光谱图像进行了平滑滤波,并基于HSI颜色空间实现了冠层图像的分割。提取了玉米冠层可见光(blue(B),green(G),red(R);400~700 nm)和近红外(near-infrared,NIR,760~1 000 nm)4个波段平均灰度值并计算了平均灰度值计算比值植被指数(RVI,ratio vegetation index)、归一化植被指数(NDVI,normalized difference vegetation index)、修改型二次土壤调节植被指数(MSAVI2,modified soil-adjusted vegetation index)等8种常见植被指数作为图像检测参数。分析了这12个检测参数与叶绿素指标之间的相关性,讨论了图像检测参数的多种组合,建立了叶绿素指标的多元线性回归分析(MLRA,multiple linear regression analysis)模型。研究结果表明:R、G、B波段的平均灰度值与叶绿素指标成较高负相关,相关系数分别为-0.73,-0.71和-0.71,植被指数中相关性较好的是NDVI、MSAVI2和RVI,相关系数分别为0.83、0.81和-0.81。基于这6个参数组合建立的叶绿素指标估算模型拟合度最好,其建模集决定系数为0.79,验证集决定系数为0.71,研究结果为无损检测玉米拔节期叶绿素含量提供了支持。 相似文献
4.
基于图像分块及重构的菠菜重叠叶片与杂草识别 总被引：5，自引：4，他引：1
针对重叠叶片在识别过程中存在识别率低、形状特征失效等问题,该研究提出一种基于图像分块及重构的方法,实现菠菜重叠叶片杂草识别。采用超绿模型将菠菜RGB图像进行灰度化得到绿色植被前景图像。针对重叠叶片形状特征失效问题,采用图像分块方式得到不同大小的图像块,并提取图像块中作物和杂草的颜色特征、局部二值模式(local binary pattern,LBP)纹理特征、分形盒维数共78维特征,构造支持向量机(support vector machine,SVM)分类器完成图像块的分类识别。该研究提出图像块边缘扩充和投票窗口机制得到重构图实现图像块分类结果可视化。试验结果表明,该研究提出的方法平均识别率达到83.78%,高于K最近邻法(K-Nearest neighbor,KNN)、决策树法等,可以实现重叠叶片的杂草识别,从而为智能除草机的研制提供理论依据。 相似文献
5.
6.
基于颜色特征的棉田绿色杂草图像识别方法 总被引：9，自引：5，他引：4
为实现棉田精确喷洒除草剂的自动化作业,该文基于颜色特征开展棉田中绿色杂草与棉苗的自动识别研究。利用苗期棉花茎秆呈暗红色的特点,首先使用Otsu法对所获图像的超红特征灰度图像和超绿特征灰度图像进行动态阈值分割,分别获取棉苗茎秆和绿色植物的二值图像。然后从棉苗茎秆二值图像中提取棉苗茎秆坐标,将棉苗茎秆与绿色植物二值图像进行位置信息融合,确定绿色植物二值图像中的棉苗区域,从而识别出各个绿色杂草区域并确定其区域质心和面积。通过15幅棉田绿色杂草图像进行试验表明,在棉苗茎秆不被叶片遮挡以及棉苗和杂草间不出现重叠的情况下,绿色杂草可以完全识别,棉苗的识别率可达到74%以上。 相似文献
7.
CBERS-02B HR与CCD影像图像融合应用及评价——以陕西省西乡县土地利用分类为例 总被引：3，自引：1，他引：2
对CBERS-02B星高分辨率HR图像的应用潜力和精度进行了初步评价.以陕西省南部西乡县作为研究区,对HR图像进行辐射和彩色增强;采用多种算法对HR和CCD图像进行融合处理,从定性和定量两方面对融合前后的图像做了全面的评价;基于融合前后的影像进行了土地利用分类和精度对比评价.结果表明,HR和CCD图像的融合,使两者的优势得以互补,其中比值变换融合法在图像空间细节和光谱特征保留上具有一定的优势.融合后的图像明显提高了土地利用信息的提取精度,在国土资源调查与生态环境监测中具有广阔的应用前景. 相似文献
8.
皮棉表面多类异性纤维的高光谱图像检测 总被引：3，自引：2，他引：1
为了考察高光谱成像技术检测多类异性纤维共存时的性能,也为其今后用于商业化皮棉质量评价,或在线皮棉杂质分拣提供研究基础,试验采集丙纶丝和毛发共存的样本高光谱图像。依据单一异性纤维分割的最佳波段图像,获得灰度平均和小波变换后融合图像。通过对比小波变换融合图像,灰度平均图像,以及全波段下主成分和独立成分得分图像,获得用于目标分割的最佳图像。采用最优特征集和分类树判别方法,判别最佳图像分割后的连通区域,剔除噪声点和假阳性。依据目标判定原则,训练集和独立验证集的异性纤维识别率分别为84.09%和75.86%。结果表 相似文献
9.
四种用于雷达遥感图像融合的空间分量提取方法 总被引：1，自引：0，他引：1
使用光学多光谱遥感图像对雷达图像进行空间增强,需要从光学多光谱图像中提取其空间分量。提取空间分量的基本方法有两种：主成分分析(PCA)和IHS变换法,PCA法可以对多光谱图像的所有波段进行分析,得到的第一主成分PC-1代表原始多光谱图像的空间信息,而IHS法只能输入多光谱图像的3个波段,经IHS变换得到的I分量代表原图像的空间信息;将用两种方法提取的PC-1和I分量直接与雷达遥感图像融合,发现PCA法的空间增强效果更为显著,而IHS法的色调保持效果更好。将PC-1和I分量分别进行0～255线性拉伸,然后与雷达遥感图像融合,发现二者对雷达图像的空间增强效果都显著增加,而色调保持水平均有所下降,但PCA法的空间增强效果仍然优于IHS法,而IHS法的色调保持水平仍然优于PCA法。该项研究为用户进行雷达图像融合提供了四种可供选择的提取空间分量的方法。 相似文献
10.
基于图像和光谱信息融合的红茶萎凋程度量化判别 总被引：6，自引：4，他引：2
为了实现对红茶萎凋程度量化判别,该研究提出了一种将图像和光谱信息融合后分别与线性判别分析法和偏最小二乘法结合的技术,进行工夫红茶萎凋程度定性判别及儿茶素与氨基酸比值定量预测研究。通过对图像进行主成分分析,筛选出5个特征波长和对应的光谱特征值,基于灰度共生矩阵提取5个特征波长图像的纹理特征值,并采用连续投影算法优选出14个纹理特征值,然后分别以光谱和纹理特征值融合数据建立红茶萎凋程度的线性判别模型和儿茶素与氨基酸比值的偏最小二乘预测模型。结果表明:采用所研究的方法和建立的模型对工夫红茶萎凋程度判别准确率达到94.64%,儿茶素与氨基酸比值预测相关系数为0.8765,预测均方根误差为0.434,预测结果较好。证明应用这两种方法能实现对红茶萎凋程度量化判别。 相似文献
11.
基于多光谱图像和数据挖掘的多特征杂草识别方法 总被引：11，自引：10，他引：1
为满足变量喷洒对杂草识别正确率的要求,提出一种基于多光谱图像和数据挖掘的杂草多特征识别方法。首先对多光谱成像仪获取的玉米与杂草图像从CIR转换到Lab颜色空间,用K-means聚类算法将图像分为土壤和绿色植物,随后用形态学处理提取出植物叶片图像,在此基础上提取叶片形状、纹理及分形维数3类特征,并基于C4.5算法对杂草分别进行单特征和多特征组合的分类识别。试验结果表明,多特征识别率比单特征识别率高,3类特征组合后的识别率最高达到96.3%。为验证该文提出方法的有效性,将C4.5算法与BP算法以及SVM算法进行比较,试验结果表明C4.5算法的平均识别率高于另2种算法,该文提出的田间杂草快速识别方法是有效可行的。该文为玉米苗期精确喷洒除草剂提供技术依据。 相似文献
12.
利用融合高度与单目图像特征的支持向量机模型识别杂草 总被引：8，自引：6，他引：2
除草是保证农作物高产的必要工作。针对机械化除草和智能喷药中存在的杂草识别问题,以2~5叶苗期玉米及杂草为研究对象,进行了融合高度特征与单目图像特征的杂草识别方法研究。首先从单目图像中提取16个形态特征和2个纹理特征;然后基于双目图像,提出了针对植株的高度特征提取方法,所得高度特征与实际测量值间误差在±12 mm以内;利用max-min ant system算法对形态特征进行优化选择,将形态特征减少到6个,有效减少数据量62.5%,并与纹理和高度特征进行融合;将2~5叶玉米幼苗的可除草期划分为3个阶段,分别构建融合高度特征与单目图像特征的SVM识别模型,并与相应不含高度特征模型进行对比。经测试,3个阶段模型的识别准确率分别为96.67%,100%,98.33%;平均识别准确率达98.33%。不含高度特征模型的识别准确率分别为93.33%,91.67%,95%;平均识别准确率为93.33%。结果表明,融合高度特征与单目图像特征的SVM识别模型优于不含高度特征模型,平均识别准确率提高了5百分点。该方法实现了高准确率的杂草识别,研究结果为农业精确除草的发展提供参考。 相似文献
13.
区域杂草的识别有利于植保作业中的除草剂精准喷施。现有图像处理技术主要针对行间和株间杂草,而传统的图像采集与分析设备对苗期麦田杂草的识别存在一定局限性,难以满足非人工的区域性喷洒农药等作业需求。由于麦田区域中的麦苗和杂草具有形态和颜色区分度差的特点,传统的图像识别方法难以有效识别。针对此问题,该文提出利用剪切波变换对无人机麦田区域图像中杂草进行识别。该方法利用其自身的方向敏感性以及在纹理识别中的方向无关性,根据麦田区域图像在杂草较多的部分叶片纹理杂乱,反之则纹理相对规则的特点,处理得到不同尺度和不同方向下小麦与杂草的剪切波系数。然后针对小麦和杂草剪切波系数的不同特征,对剪切波系数矩阵进行归一化处理,同时对其均值和方差进行了统计分析,得到麦苗和杂草剪切波系数图中竖直锥第二尺度所有系数均值的区分值约为0.07,第二尺度各个方向的均方差均值的区分值约为0.08。通过对含杂草麦苗区域图像以及麦苗区域图像的验证,准确率为69.2%,效果优于传统的灰度共生矩阵方法。此外,该文对无人机拍摄区域图采用分块的方法,实现了对非麦苗区域的有效标识。由此可见,剪切波变换方法能够为基于低空植保无人机喷洒农药中的区域杂草识别提供参考。 相似文献
14.
减少化学产品(化肥、农药等)的用量，是精确农业的主要目标之一。人们力图通过图像分析，测量田间一些地块的杂草和作物的比例并确定杂草的位置，但是在彩色图像里，作物叶子和杂草叶子的交叉给计算机区分它们带来了困难。文中针对两种不同情况，提出了两种不同的识别方法。一种方法是针对没有作物叶子和杂草叶子交叉的情况，另一种方法是针对有某些交叉的情况提出的。前一种方法计算时间短，后一种方法需要大量计算。还提出在图像分割过程中，用不同特征法和两步法进行区域合并的模式，其不同特征包括：区域像素各颜色成分的平均值，区域边界的比值和区域的形状。 相似文献
15.
基于多特征融合和深度置信网络的稻田苗期杂草识别 总被引：9，自引：4，他引：5
杂草的准确识别是田间杂草精准防控管理的前提,机器视觉技术是实现杂草准确识别的有效手段。该文以水稻苗期杂草为研究对象,采集稻田自然背景下和不同光照条件下的6种杂草图像共928幅,包括空心莲子草、丁香蓼、鳢肠、野慈姑、稗草和千金子。采用1.1G-R颜色因子将杂草RGB图像进行灰度化,选择自动阈值自动分割得到杂草前景二值图像,通过腐蚀膨胀形态学操作进行叶片内部孔洞填充,应用面积滤波去除其他干扰目标,最后将杂草二值图像与RGB图像进行掩膜运算得到去除背景的杂草图像;提取杂草图像的颜色特征、形状特征和纹理特征共101维特征,并对其进行归一化处理。在双隐含层和单隐含层的深度置信网络(deep belief networks,DBN)结构基础上,对DBN隐含层节点数选择方法进行研究。针对双隐含层DBN节点数,选择恒值型、升值型和降值型3种节点组合方式进行优化研究,当网络结构为101-210-55-6时杂草识别率为83.55%;通过对单隐含层节点参数优化得到网络结构为101-200-6时杂草识别率达到91.13%。以同一测试样本的运行时间值作为模型的测试时间对3种不同模型进行耗时测试,SVM模型、BP模型和DBN模型测试结果分别为0.029 7、0.030 6和0.034 1 s,试验结果表明基于多特征融合的DBN模型的识别精度最高,且耗时较其他2种模型相差不大,可满足实时检测的速度要求,所以在实际应用中应优先选择基于多特征融合的DBN模型。该研究可为稻田杂草识别与药剂选择性喷施提供参考。 相似文献
16.
基于机器视觉的株间机械除草装置的作物识别与定位方法 总被引：15，自引：11，他引：4
株间机械除草技术可进一步减少化学除草剂的使用,有利于环境保护和农业可持续发展.为实现智能化的株间机械除草装置自主避让作物并进入株间区域,该研究提出了一种株间机械除草装置的作物识别与定位方法.利用2G-R-B方法将作物RGB彩色图像进行灰度化,再选用Ostu法二值化、连续腐蚀和连续膨胀等方法对图像进行了初步处理.根据行像素累加曲线和曲线的标准偏差扫描线获得作物行区域信息,以作物行区域为处理对象,利用列像素累加曲线、曲线标准偏差和正弦波曲线拟合识别出作物,并结合二值图像中绿色植物连通域的质心获得作物位置信息.试验结果表明,该方法可以正确识别出作物并提供准确的定位信息,能适应不同天气状况、不同种类的作物,棉苗正确识别率为95.8%,生菜苗正确识别率为100%,该方法为株间机械除草装置避苗和除草自动控制提供了基本条件. 相似文献
17.
Improvement of intra-row mechanical weed control is important to reduce the reliance on herbicides in arable crops and vegetables. Covering weeds by soil is an important weed control mechanism of weed harrows. A shallow post-emergence harrow cultivation controls weeds but also damages the crop to some extent. This paper explores how plants get covered by soil and how a plant’s resistance against being covered is related to its height, flexibility and shape of leaves. Seedlings of two contrasting species were sown in bins filled with a sandy soil and harrowed by a small model harrow in the laboratory. Covering selectivity (percentage covered ryegrass/percentage covered garden cress) could be influenced by soil moisture content, working depth and working speed. Differences in covering were related to spatial patterns of plant downward bending and soil surface level upheaval. These patterns are associated with soil failure patterns near tines and soil flow patterns, connected with different effects of plant height and plant flexibility. This study indicates that relationships between weed control and crop covering may not only depend on weed and crop characteristics but also on soil conditions and implement settings. As less than 10% of the covered plants were buried deeper than 15 mm, covering would mainly cause growth reduction and little killing. Limited burial depth may be an important cause for limited weed control effectiveness of harrowing. 相似文献
18.
基于称重式蒸渗仪及多种传感器的作物表型及蒸散监测系统研制 总被引：1，自引：1，他引：0
作物蒸散量测量与估算在农业方面有着重要作用,而当前对于作物蒸散量的估算主要以试验的方式进行,有一定局限性,且测量面积小,与实际应用还有一定距离。针对以上问题,该文在已有24座小型称重式蒸渗仪基础上,集成RGB成像传感器、多光谱成像传感器和二维激光扫描仪于一体,配合龙门架进行移动控制,构建称重式蒸渗仪植物表型监测系统,实现18 m~2植物生长过程中的RGB、红(668 nm)、绿(560 nm)、蓝(475 nm)、红边(717 nm)、近红外(840 nm)图像信息和植株高度信息的自动监测。最后通过试验,在已设定好的常用速度下,系统单趟运行用时142 s,可采集28组RGB、多光谱图像及所有植株高度信息,速度相对误差在1.8%～6.0%之间。通过对获取的夏玉米多光谱图像和激光扫描仪数据信息分析,系统能够可靠获取归一化差异植被指数等作物指数及植株高度信息。并结合气象站数据,对冬小麦主要耗水期的RGB图像进行分析,对其蒸散量进行了估计,与蒸渗仪获取的实际蒸散量对比,其平均相对误差为16.62%。该系统为大面积作物蒸散量的实时监测和精确诊断以及作物生长状况研究提供有效技术与装备支撑。 相似文献