基于超像素的绿色作物图像分割算法研究
发布时间：2022-01-08 16:06
由于光照和田间环境的复杂性等因素的影响,绿色作物表面存在高光、阴影等区域,导致农业机器人视觉导航系统对绿色作物垄线识别能力下降,不能完成其后续导航参数提取等进一步工作。本文主要针对这一问题进行研究,以实际拍摄的玉米、甘蓝、蚕豆绿色作物图像作为研究对象,采用颜色因子法、阈值法以及机器学习的方法实现不同光照条件下的绿色作物图像分割,并应用客观评价法对本文所采用方法进行分割结果评估。本研究的内容和结论有:1)绿色作物图像的获取与分类。为确定不同光照环境下作物图像的共同特征,本文在已有研究基础上提出基于作物图像灰度直方图的分类方法。实验结果发现,通过混合使用绿色作物图像灰度直方图的均值、方差、偏度、峰度统计学参量,可将本文所定义的图像数据集依据不同光照条件完成分类。与手动分类方法对比,实验结果表明本文方法平均分类误差率（Mean Error Rate,MER）为3.30%,可实现绿色作物图像的自动分类。2)正常光照条件下的绿色作物图像分割。针对光照正常条件下,绿色作物图像颜色特征比较明显的特点,本文采用传统的颜色因子法,并结合阈值、中值滤波及形态学操作以获得最优分割结果。由于图像背景的复杂性对...
【文章来源】：内蒙古大学内蒙古自治区 211工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
作物原图经中值滤波处理后的结果
内蒙古大学硕士学位论文21按从小到大的顺序排列，取像素值中值作为该中心区域的像素值，滤波过程如图3.5所示。在图3.5中，假设标粗的窗口为正在进行滤波操作的窗口，在箭头左侧图中，可以按从小到大排列中心像素周围的9个像素：{3，9，11，12，13，21，32，56，67}，则中值为13，所以将中心像素设为13，一次中值滤波操作即完成，结果为图3.5箭头右侧图。由上述滤波过程可知，中值滤波可以消除比较大或比较小的像素，从可以去掉孤立的噪声点。但在滤波时，中值滤波会对整个图像进行操作，故会改变所有的像素值，导致图像失真[43]。图3.6所示的图像即为在原图上进行中值滤波后的结果，与图3.2（a）相比，可以看出其颜色特征已经发生变化。图3.6作物原图经中值滤波处理后的结果Figure3.6Resultoftheoriginalcropimageaftermedianfilteringoperation因此，本文将中值滤波操作放在颜色因子灰度化之后，不影响颜色特征。在对图3.2（c）使用中值滤波后，再进行Otsu阈值分割，其结果如图3.7所示。其中，与3.3（b）比较可见，大量的孤立的噪声点被去掉。图3.7中值滤波操作结果Figure3.7Resultprocessedbymedianfilteringoperation
基于超像素的绿色作物分割算法研究22即使如此，在图3.7的背景中仍然有许多小面积区域没有去除，这些区域超出了中值滤波所能去除的孤立点大校因此，本文在图3.7的基础上，采取形态学操作[32]，去除小面积区域。本文通过调用Matlab中的bwareaopen(Bw,P,CONN)函数实现。其中，Bw为二值化图像，P为连通区域参数，CONN为邻域取值方法，默认为8。经过反复实验对比，P选择为112，即可去除连通值小于112的区域，CONN取默认值。通过该方法，最终分割的结果如图3.8所示。可见，在保留作物部分的完整性条件下，其结果基本去除掉了小面积区域的背景点。图3.8作物图像分割结果Figure3.8Cropimagesegmentationresult但将作物原图（即图3.2（a））与图3.8对比可见，虽然存在背景的一些杂草（如图3.8中椭圆标记区域所示），但作物整体被保留了下来。为方便后面对分割结果评价，这里将中值滤波以及去除小面积区域的形态学操作简称为MF-BO（MedianFilter-BwareaOpen）操作。图3.3和图3.4所取阈值如表3-1所示。其中，为了对应灰度化后的图像方便进行二值化处理，表3-1所有的阈值都已经归一化到区间[0,1]。映射公式如式（3-17）所示。其中，为当前遍历的灰度级所对应的灰度值，为图像总的灰度级（这里为256），即为当前归一化后的阈值，即表3-1中的阈值。=11(3-17)由表3-1可知，在两类颜色因子的灰度图中，Kapur阈值法均要比Otsu阈值法要大。对比图3.3和图3.4的二值化结果可以得出，Kapur阈值法在分割该类图时，作物部分会出现欠分割现象；而对于ExG和MExG灰度图上进行Otsu阈值处理得到的分割结果，其分割效果（如图3.3所示）反而较好，虽然背景噪声较多，但能够保留作物原始信息。
【参考文献】：
期刊论文
[1]基于SLIC超像素的茶叶嫩芽图像分割方法研究[J]. 夏华鹍,方梦瑞,黄涛,吕军. 西昌学院学报(自然科学版). 2019(04)
[2]简析智能机器人在农业自动化领域的应用[J]. 王子彬. 南方农机. 2020(01)
[3]信息化推动农业现代化发展的模式及策略研究[J]. 李雄,李鹏,潘虎. 安徽农业科学. 2019(24)
[4]计算机与信息技术在农业上的应用探究[J]. 赵耀,付红杰. 现代农业研究. 2019(12)
[5]物联网背景下农业信息化建设的现状、问题与对策研究[J]. 郝炘,李建华,牛明雷,王俊伟,李平安,李华. 农学学报. 2019(11)
[6]基于偏微分中值滤波的巡检图像去噪研究[J]. 黄晶晶,张明海. 光电技术应用. 2019(05)
[7]基于级联卷积神经网络的作物病害叶片分割[J]. 王振,张善文,赵保平. 计算机工程与应用. 2020(15)
[8]基于多颜色空间的麦田监控图像分割技术研究[J]. 董晓辉,尹飞. 农业工程技术. 2015(30)
[9]超像素分割算法研究综述[J]. 王春瑶,陈俊周,李炜. 计算机应用研究. 2014(01)
[10]一种结合多特征的SVM图像分割方法[J]. 邓晓飞,徐蔚鸿. 计算机工程与科学. 2013(02)
博士论文
[1]图像直方图特征及其应用研究[D]. 汪启伟.中国科学技术大学 2014
硕士论文
[1]自然光照下田间绿色植物图像分割方法的研究[D]. 钱金磊.内蒙古大学 2018
[2]不同光照条件下农田图像分割方法的研究[D]. 陈晓倩.西北农林科技大学 2017
本文编号：3576861
【文章来源】：内蒙古大学内蒙古自治区 211工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
作物原图经中值滤波处理后的结果
内蒙古大学硕士学位论文21按从小到大的顺序排列，取像素值中值作为该中心区域的像素值，滤波过程如图3.5所示。在图3.5中，假设标粗的窗口为正在进行滤波操作的窗口，在箭头左侧图中，可以按从小到大排列中心像素周围的9个像素：{3，9，11，12，13，21，32，56，67}，则中值为13，所以将中心像素设为13，一次中值滤波操作即完成，结果为图3.5箭头右侧图。由上述滤波过程可知，中值滤波可以消除比较大或比较小的像素，从可以去掉孤立的噪声点。但在滤波时，中值滤波会对整个图像进行操作，故会改变所有的像素值，导致图像失真[43]。图3.6所示的图像即为在原图上进行中值滤波后的结果，与图3.2（a）相比，可以看出其颜色特征已经发生变化。图3.6作物原图经中值滤波处理后的结果Figure3.6Resultoftheoriginalcropimageaftermedianfilteringoperation因此，本文将中值滤波操作放在颜色因子灰度化之后，不影响颜色特征。在对图3.2（c）使用中值滤波后，再进行Otsu阈值分割，其结果如图3.7所示。其中，与3.3（b）比较可见，大量的孤立的噪声点被去掉。图3.7中值滤波操作结果Figure3.7Resultprocessedbymedianfilteringoperation
基于超像素的绿色作物分割算法研究22即使如此，在图3.7的背景中仍然有许多小面积区域没有去除，这些区域超出了中值滤波所能去除的孤立点大校因此，本文在图3.7的基础上，采取形态学操作[32]，去除小面积区域。本文通过调用Matlab中的bwareaopen(Bw,P,CONN)函数实现。其中，Bw为二值化图像，P为连通区域参数，CONN为邻域取值方法，默认为8。经过反复实验对比，P选择为112，即可去除连通值小于112的区域，CONN取默认值。通过该方法，最终分割的结果如图3.8所示。可见，在保留作物部分的完整性条件下，其结果基本去除掉了小面积区域的背景点。图3.8作物图像分割结果Figure3.8Cropimagesegmentationresult但将作物原图（即图3.2（a））与图3.8对比可见，虽然存在背景的一些杂草（如图3.8中椭圆标记区域所示），但作物整体被保留了下来。为方便后面对分割结果评价，这里将中值滤波以及去除小面积区域的形态学操作简称为MF-BO（MedianFilter-BwareaOpen）操作。图3.3和图3.4所取阈值如表3-1所示。其中，为了对应灰度化后的图像方便进行二值化处理，表3-1所有的阈值都已经归一化到区间[0,1]。映射公式如式（3-17）所示。其中，为当前遍历的灰度级所对应的灰度值，为图像总的灰度级（这里为256），即为当前归一化后的阈值，即表3-1中的阈值。=11(3-17)由表3-1可知，在两类颜色因子的灰度图中，Kapur阈值法均要比Otsu阈值法要大。对比图3.3和图3.4的二值化结果可以得出，Kapur阈值法在分割该类图时，作物部分会出现欠分割现象；而对于ExG和MExG灰度图上进行Otsu阈值处理得到的分割结果，其分割效果（如图3.3所示）反而较好，虽然背景噪声较多，但能够保留作物原始信息。
【参考文献】：
期刊论文
[1]基于SLIC超像素的茶叶嫩芽图像分割方法研究[J]. 夏华鹍,方梦瑞,黄涛,吕军. 西昌学院学报(自然科学版). 2019(04)
[2]简析智能机器人在农业自动化领域的应用[J]. 王子彬. 南方农机. 2020(01)
[3]信息化推动农业现代化发展的模式及策略研究[J]. 李雄,李鹏,潘虎. 安徽农业科学. 2019(24)
[4]计算机与信息技术在农业上的应用探究[J]. 赵耀,付红杰. 现代农业研究. 2019(12)
[5]物联网背景下农业信息化建设的现状、问题与对策研究[J]. 郝炘,李建华,牛明雷,王俊伟,李平安,李华. 农学学报. 2019(11)
[6]基于偏微分中值滤波的巡检图像去噪研究[J]. 黄晶晶,张明海. 光电技术应用. 2019(05)
[7]基于级联卷积神经网络的作物病害叶片分割[J]. 王振,张善文,赵保平. 计算机工程与应用. 2020(15)
[8]基于多颜色空间的麦田监控图像分割技术研究[J]. 董晓辉,尹飞. 农业工程技术. 2015(30)
[9]超像素分割算法研究综述[J]. 王春瑶,陈俊周,李炜. 计算机应用研究. 2014(01)
[10]一种结合多特征的SVM图像分割方法[J]. 邓晓飞,徐蔚鸿. 计算机工程与科学. 2013(02)
博士论文
[1]图像直方图特征及其应用研究[D]. 汪启伟.中国科学技术大学 2014
硕士论文
[1]自然光照下田间绿色植物图像分割方法的研究[D]. 钱金磊.内蒙古大学 2018
[2]不同光照条件下农田图像分割方法的研究[D]. 陈晓倩.西北农林科技大学 2017
本文编号：3576861
本文链接：https://www.wllwen.com/guanlilunwen/lindaojc/3576861.html
