基于图像处理技术.docVIP

基于图像处理技术 4 华 中 科 技 大 学 硕 士 学 位 论 文 果对农业灌溉和施肥等方面都具有参考价值 [35] 。冠层大小是判断水稻中期生长状况 的一个关键因素，Singh 根据对水稻图像进行处理测量其冠层大小，从来用来判断水 稻中期的生长情况以及水稻产量的数学模型 [36] 。 图像处理技术在我国农业自动化领域的应用也有很多，从最近几年的一些相关 研究进展来看，主要体现在作物缺素症状识别，杂草识别、作物群体结构检测等方 面，针对于作物发育期进行自动检测的相关研究比较少。徐贵丽 [37] 等提取无图栽培 番茄营养元素亏缺叶片彩色图像的颜色特征，利用图像中不易被肉眼发现的颜色变 化来诊断作物是否缺乏某种或多种营养元素，及早判断和采取相应措施，以减少生 产损失。根据麦田图像色调（Hue）值与中后期麦田中小麦长势显著相关的特点，李 少昆等将图像处理技术与人工神经网络技术（ANN）相结合研究小麦群体绿色面积 和绿色叶面积特征的图像识别方法，对小麦苗情进行自动化快速诊断。该方法也可 用于稻谷等其他作物群体特征及病斑、株型、外观品质等类似目标的识别研究 [38] 。 毛文华等基于对苗期田间植物的位置特征进行的观测和研究，提出了基于计算机视 觉技术的算法 DBW，对苗期田间杂草进行分割和识别 [39] 。 利用数字图像对棉花发育期检测的技术在现有文献中尚未发现。目前的研究主 要集中在利用遥感数据对棉花的长势、面积、产量和生长信息等进行监测。李敏等 人以 CBERS01 和 HJ1B 卫星图像为信息源，选取棉花信息较为突出的时相，经几何 校正、掩膜、图像增强等预处理，在分析研究区典型地物光谱特征的基础上，采用 决策树分类方法提取棉花种植面积，分析棉花生长过程中植被指数的变化规律和棉 花长势的时空变化 [40] ；刘娇娣等人利用植被指数与棉花产量的关系建立了棉花遥感 估产模型，利用多时相遥感数据实现对棉花产量定量遥感预测。以新疆棉花各发育 期的不同卫星数据，构建相关植被指数，并与实际棉花产量进行回归分析，建立了 棉花单产的遥感估算模型，用来预测棉花产量 [41] 。陈燕利用高光谱仪对不同处理下 的棉花冠层进行多时相监测，获取棉花全生育期各种生长信息。基于光谱微分技术 和多种分析算法，研究棉花叶面积指数、生物量、覆盖度与高光谱数据的相关性， 筛选适宜的特征参数和植被指数，以建立棉花全生育期生长信息最佳定量模型 [42] 。3 华 中 科 技 大 学 硕 士 学 位 论 文 领域的时间也比国内早。1989 年 Slaughter D.C [24] 等就利用图像处理技术，设计了一 种田间环境下的水果自动摘取机器，虽然实验结果表明其识别率并不高，但这是较 早的将计算机视觉与农业自动化相结合的技术；1995 年，N.Ozer 将计算机视觉技术 应用到水果等级划分中，他将颜色、大小和形状等参数相结合，作为带分级水果的 特征向量，利用训练好的 BP 神经网络进行分类和判别 [25] 。通过实验可以证明其分级 正确率达到 85.1%。Heinemann 将形状特征和 HSV 颜色模型相结合对苹果进行检测， 实验结果表明用颜色模型进行识别的准确率达 100% [26] ，利用形状特征进行检测的准 确率达 92.3%。由于田间环境的复杂性，作物识别一直以来都是难点。如何将作物从 颜色、形状都十分接近的杂草以及背景中区分开来，对现有的图像处理技术是一项 挑战。Woebbecke [27] 通过对 RGB 颜色空间中不同通道的组合，构建不同的彩色图像 灰度化因子作为分类指标，如 (G-B)/(R-G)和 2G-R-G 等来区分作物和背景，取得了 良好的效果；Aitkenhead 等通过对叶片和杂草的一些形状特征参数，如紧密度、圆度、 伸长度、叶片形状以及粗糙程度进行描述和观察，发现两者之间有明显的差别，可 以用来作为作物和杂草的区分指标 [28] 。纹理特征作为一种重要的图像线索在作物识 别方面也得到了应用。Majumdar [29] 等设计了一种基于绿波段的纹理特征模型，利用 该模型对谷物进行分类的识别率可以达到 92%。虽然直接针对于作物发育期进行自 动识别的检测相关研究比较少，但是利用计算机视觉以及模式识别技术进行植物生 长情况监测也是近年来热门的研究课题之一。Trooien [30] 等利用滤波和分割等图像识 别技术对马铃薯叶片进行分割，根据分割后的叶片图像对马铃薯叶片面积进行了测 量，实验结果证明其测量结果具有相当高的精确度。Seginer I.等研究了西红柿叶子 与其生态因素之间的关系。他发现成熟的西红柿叶子运动状态、缺水状态与其 2 CO 吸 收率之间是呈线性相关的。因此他们利用计算机视觉和图像处理技术来分析和检测 植株叶片生长状况，进而分析出