基于数字图像处理的玉米苗期田间杂草的识别研究

摘要

杂草的去除,对农田作物的生长是有益的。针对目前我国在杂草防治上主要靠大面积喷洒化学除草剂而带来的环境污染问题,结合数字图像处理与模式识别技术,研究田间情况下苗期玉米和杂草的识别,对实现除草剂的变量喷药、减少成本以及保护生态环境具有重要意义。在总结国内外相关研究的基础上,本文研究了田间自然光条件下图像的分割以及目标的识别,为田间杂草实时研究系统的开发进行了可行性研究。本文的主要内容如下:
　　 (1)对图像采集系统的搭建、试验对象及采集环境等进行分析与研究。根据试验对象及需达到的要求,搭建了图像采集系统、选择了合适的摄像高度和分辨率,在自然光条件下拍摄了玉米田间的杂草图像。为了更好地表征田间光照变化情况,试验中使用了数字式照度计进行测量。
　　 (2)在图像灰度化、去噪、图像分割、边缘检测、以及形态学运算等方面进行了图像处理基础算法的研究。通过对每个阶段算法的比较和分析,选出适用于玉米和杂草识别系统的图像处理算法。
　　 (3)针对田间环境的实际情况,对常用的RGB空间的各颜色指标进行分析,提出了一种自动分割图像的方法,并首次对图像分割的精度进行了表述。通过样本图像进行颜色指标的测定与分析,指出ExG-ExR+O这一方法对光强、土壤含水量、残茬覆盖、植物阴影的影响不敏感,能够较好地适应实际田间的变化环境,实现图像的自动分割,最佳分割精度达到96.57％。
　　 (4)提取了宽长比、圆形度、伸长度及7个不变矩共10个形状特征参数,输入支持向量机和BP神经网络分类器分别得到95％和90％的正确识别率。同时,试验指出7个不变矩能够有效识别玉米和杂草,准确率达95％。试验还对部分叶片遮挡问题进行了初步研究,指出对遮挡不严重的情况可以使用形态学运算进行分割。
　　 (5)提取了对比度、能量、同质性、相关性、均值、标准差、平滑度、三阶矩、一致性及熵共10个纹理特征参数,输入到支持向量机和BP神经网络分类器分别得到90％和80％的正确识别率。
　　 (6)对玉米和杂草的灰度图像进行小波二次分解,提取了一系列的小波能量比参数,指出能量比参数对单子叶和双子叶这2大类的正确识别率达到100％,对玉米和杂草这2类的正确识别率最高只有77.14％。
　　 (7)首次提取了单株玉米和杂草的分形维数作为特征参数进行分类试验。为了更准确地提取特征参数,使用了H分量进行图像分割。试验中,提取了玉米和杂草图像的3种分形维数,通过分析指出:Bouligand-Minkowski方法最佳,其中玉米和杂草的平均分形维数分别为1.204和1.079。利用支持向量机分类器进行识别,得到80％的正确识别率。
　　 (8)针对单一特征识别精度不高这一缺陷,提出了多种特征参数相结合的试验方法进行玉米和杂草的图像识别试验。在试验中首先使用主成分分析方法对原始的特征参数集进行降维处理,得到新的数据集,然后选用BP神经网络作为分类器进行识别试验。
　　 (9)对图像进行了动态模拟,并通过图像质量函数评价了各种参数得到的复原图像的质量。在运动条件下,首次提出了对叶片遮挡情况使用区域标记面积法快速识别玉米和杂草区域的方法。

目录

文摘

英文文摘

插图清单

插表清单

本文中使用的符号及意义

第1章 绪论

1.1 引言

1.1.1 农田杂草的危害以及去除方法

1.1.2 数字图像处理技术在农业中的应用

1.2 研究背景

1.2.1 背景和植物的分离研究

1.2.2 作物和杂草的识别研究

1.2.3 主要存在的问题

1.3 研究目标和技术路线

1.3.1 研究目标及内容

1.3.2 技术路线

第2章 图像的采集

2.1 引言

2.2 图像采集系统的搭建

2.3 图像的采集

2.3.1 采集对象及时间

2.3.2 拍摄高度和分辨率的选择

2.3.3 田间光照的测量及背景选择

2.4 小结

第3章 图像处理的基础算法研究

3.1 引言

3.2 图像灰度化

3.2.1 理论知识

3.2.2 试验结果分析

3.3 图像去噪

3.3.1 理论知识

3.3.2 试验结果分析

3.4 图像分割

3.4.1 理论知识

3.4.2 试验结果分析

3.5 边缘检测

3.5.1 理论知识

3.5.2 试验结果分析

3.6 形态学处理算法

3.6.1 理论知识

3.6.2 试验结果分析

3.7 区域标记算法

3.8 小结

第4章 RGB空间的颜色指标在图像自动分割中的应用

4.1 引言

4.2 材料和方法

4.2.1 图像获取

4.2.2 颜色值的统计分析

4.2.3 二值图像

4.2.4 分割精度

4.3 结果与讨论

4.3.1 单株植物的颜色指标图分析

4.3.2 多植物的颜色指标图分析

4.3.3 分割精度比较

4.3.4 时间的比较

4.4 小结

第5章 玉米和杂草图像的特征提取与识别试验

5.1 基于形状特征的识别研究

5.1.1 引言

5.1.2 试验材料与方法

5.1.3 试验结果与分析

5.2 基于纹理特征的识别研究

5.2.1 引言

5.2.2 材料与方法

5.2.3 试验结果与分析

5.3 基于小波能量参数的玉米和杂草的识别研究

5.3.1 引言

5.3.2 材料与方法

5.3.3 试验结果与分析

5.4 基于分形维数的玉米和杂草图像识别

5.4.1 引言

5.4.2 材料与试验方法

5.4.3 结果分析

5.5 小结

第6章 基于多特征的玉米和杂草图像识别

6.1 引言

6.2 材料与方法

6.2.1 特征提取

6.2.2 降维处理

6.3 试验结果与分析

6.3.1 形状与纹理参数识别

6.3.2 纹理与分形维数识别

6.3.3 所有参数识别

6.4 小结

第7章 动态图像恢复处理及识别研究

7.1 引言

7.2 材料与方法

7.2.1 图像采集与预处理

7.2.2 图像运动分析

7.2.3 图像质量评价函数

7.3 试验结果与分析

7.3.1 图像处理分析

7.3.2 图像质量评价

7.3.3 图像分割

7.3.4 图像识别

7.4 小结

第8章 结论与展望

8.1 结论

8.2 展望

参考文献

攻读博士期间发表学术论文

致谢

附录