發(fā)布時間：2022-01-08 16:06

　　由于光照和田間環(huán)境的復雜性等因素的影響,綠色作物表面存在高光、陰影等區(qū)域,導致農業(yè)機器人視覺導航系統(tǒng)對綠色作物壟線識別能力下降,不能完成其后續(xù)導航參數(shù)提取等進一步工作。本文主要針對這一問題進行研究,以實際拍攝的玉米、甘藍、蠶豆綠色作物圖像作為研究對象,采用顏色因子法、閾值法以及機器學習的方法實現(xiàn)不同光照條件下的綠色作物圖像分割,并應用客觀評價法對本文所采用方法進行分割結果評估。本研究的內容和結論有:1)綠色作物圖像的獲取與分類。為確定不同光照環(huán)境下作物圖像的共同特征,本文在已有研究基礎上提出基于作物圖像灰度直方圖的分類方法。實驗結果發(fā)現(xiàn),通過混合使用綠色作物圖像灰度直方圖的均值、方差、偏度、峰度統(tǒng)計學參量,可將本文所定義的圖像數(shù)據(jù)集依據(jù)不同光照條件完成分類。與手動分類方法對比,實驗結果表明本文方法平均分類誤差率（Mean Error Rate,MER）為3.30%,可實現(xiàn)綠色作物圖像的自動分類。2)正常光照條件下的綠色作物圖像分割。針對光照正常條件下,綠色作物圖像顏色特征比較明顯的特點,本文采用傳統(tǒng)的顏色因子法,并結合閾值、中值濾波及形態(tài)學操作以獲得最優(yōu)分割結果。由于圖像背景的復雜性對... 

【文章來源】：內蒙古大學內蒙古自治區(qū) 211工程院校

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

作物原圖經(jīng)中值濾波處理后的結果

內蒙古大學碩士學位論文21按從小到大的順序排列，取像素值中值作為該中心區(qū)域的像素值，濾波過程如圖3.5所示。在圖3.5中，假設標粗的窗口為正在進行濾波操作的窗口，在箭頭左側圖中，可以按從小到大排列中心像素周圍的9個像素：{3，9，11，12，13，21，32，56，67}，則中值為13，所以將中心像素設為13，一次中值濾波操作即完成，結果為圖3.5箭頭右側圖。由上述濾波過程可知，中值濾波可以消除比較大或比較小的像素，從可以去掉孤立的噪聲點。但在濾波時，中值濾波會對整個圖像進行操作，故會改變所有的像素值，導致圖像失真[43]。圖3.6所示的圖像即為在原圖上進行中值濾波后的結果，與圖3.2（a）相比，可以看出其顏色特征已經(jīng)發(fā)生變化。圖3.6作物原圖經(jīng)中值濾波處理后的結果Figure3.6Resultoftheoriginalcropimageaftermedianfilteringoperation因此，本文將中值濾波操作放在顏色因子灰度化之后，不影響顏色特征。在對圖3.2（c）使用中值濾波后，再進行Otsu閾值分割，其結果如圖3.7所示。其中，與3.3（b）比較可見，大量的孤立的噪聲點被去掉。圖3.7中值濾波操作結果Figure3.7Resultprocessedbymedianfilteringoperation

基于超像素的綠色作物分割算法研究22即使如此，在圖3.7的背景中仍然有許多小面積區(qū)域沒有去除，這些區(qū)域超出了中值濾波所能去除的孤立點大校因此，本文在圖3.7的基礎上，采取形態(tài)學操作[32]，去除小面積區(qū)域。本文通過調用Matlab中的bwareaopen(Bw,P,CONN)函數(shù)實現(xiàn)。其中，Bw為二值化圖像，P為連通區(qū)域參數(shù)，CONN為鄰域取值方法，默認為8。經(jīng)過反復實驗對比，P選擇為112，即可去除連通值小于112的區(qū)域，CONN取默認值。通過該方法，最終分割的結果如圖3.8所示�？梢�，在保留作物部分的完整性條件下，其結果基本去除掉了小面積區(qū)域的背景點。圖3.8作物圖像分割結果Figure3.8Cropimagesegmentationresult但將作物原圖（即圖3.2（a））與圖3.8對比可見，雖然存在背景的一些雜草（如圖3.8中橢圓標記區(qū)域所示），但作物整體被保留了下來。為方便后面對分割結果評價，這里將中值濾波以及去除小面積區(qū)域的形態(tài)學操作簡稱為MF-BO（MedianFilter-BwareaOpen）操作。圖3.3和圖3.4所取閾值如表3-1所示。其中，為了對應灰度化后的圖像方便進行二值化處理，表3-1所有的閾值都已經(jīng)歸一化到區(qū)間[0,1]。映射公式如式（3-17）所示。其中，為當前遍歷的灰度級所對應的灰度值，為圖像總的灰度級（這里為256），即為當前歸一化后的閾值，即表3-1中的閾值。=11(3-17)由表3-1可知，在兩類顏色因子的灰度圖中，Kapur閾值法均要比Otsu閾值法要大。對比圖3.3和圖3.4的二值化結果可以得出，Kapur閾值法在分割該類圖時，作物部分會出現(xiàn)欠分割現(xiàn)象；而對于ExG和MExG灰度圖上進行Otsu閾值處理得到的分割結果，其分割效果（如圖3.3所示）反而較好，雖然背景噪聲較多，但能夠保留作物原始信息。

【參考文獻】：
期刊論文
[1]基于SLIC超像素的茶葉嫩芽圖像分割方法研究[J]. 夏華鹍,方夢瑞,黃濤,呂軍.  西昌學院學報(自然科學版). 2019(04)
[2]簡析智能機器人在農業(yè)自動化領域的應用[J]. 王子彬.  南方農機. 2020(01)
[3]信息化推動農業(yè)現(xiàn)代化發(fā)展的模式及策略研究[J]. 李雄,李鵬,潘虎.  安徽農業(yè)科學. 2019(24)
[4]計算機與信息技術在農業(yè)上的應用探究[J]. 趙耀,付紅杰.  現(xiàn)代農業(yè)研究. 2019(12)
[5]物聯(lián)網(wǎng)背景下農業(yè)信息化建設的現(xiàn)狀、問題與對策研究[J]. 郝炘,李建華,牛明雷,王俊偉,李平安,李華.  農學學報. 2019(11)
[6]基于偏微分中值濾波的巡檢圖像去噪研究[J]. 黃晶晶,張明海.  光電技術應用. 2019(05)
[7]基于級聯(lián)卷積神經(jīng)網(wǎng)絡的作物病害葉片分割[J]. 王振,張善文,趙保平.  計算機工程與應用. 2020(15)
[8]基于多顏色空間的麥田監(jiān)控圖像分割技術研究[J]. 董曉輝,尹飛.  農業(yè)工程技術. 2015(30)
[9]超像素分割算法研究綜述[J]. 王春瑤,陳俊周,李煒.  計算機應用研究. 2014(01)
[10]一種結合多特征的SVM圖像分割方法[J]. 鄧曉飛,徐蔚鴻.  計算機工程與科學. 2013(02)

博士論文
[1]圖像直方圖特征及其應用研究[D]. 汪啟偉.中國科學技術大學 2014

碩士論文
[1]自然光照下田間綠色植物圖像分割方法的研究[D]. 錢金磊.內蒙古大學 2018
[2]不同光照條件下農田圖像分割方法的研究[D]. 陳曉倩.西北農林科技大學 2017



本文編號：3576861