自然光照下田间绿色植物图像分割方法的研究
发布时间：2021-05-06 08:10
随着现代信息技术的不断发展,农业现代化、信息化已经成为目前我国农业发展的主要趋势。图像处理作为机器视觉的前提和基础,其重要性更是不言而喻。在自然光照条件下,田间作物图像存在反光和阴影,严重阻碍了田间机器人视觉技术的进一步应用。本文主要针对这一问题展开研究。第一步,本文在实验中,先提取原始绿色作物图像中作物和背景像素的三分量R、G、B值,并分别计算其R/G、G/B、B/R,以及传统的ExG、ExGR、CIVE、VEG、COM绿色作物提取索引值。然后,将这十一个分量进行主成分分析,分别获得两个主成分,并依据其主成分相关系数大小进行排序,选择前七个分量ExG、Ex GR、VEG、COM、R、G、B,作为Elman神经网络的输入向量进行绿色作物图像分割;并与传统绿色作物提取索引方法进行比较,实验结果表明主成分向量作为Elman输入更有利于绿色作物图像分割。第二步,针对一些轻微反光图像,则将R,G,B值转换为Lab空间中的L,a,b值,再利用神经网络进行分类;同时采用膨胀和侵蚀形态学运算消除孤立像素点或小区域,以利于与手工分割的图像进行统计评价。第三步,上述两步处理之后,仍有一些反光强烈或严重阴...
【文章来源】：内蒙古大学内蒙古自治区 211工程院校
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 选题背景与研究意义
1.1.1 选题背景
1.1.2 研究意义
1.2 国内外研究现状
1.3 本论文的主要内容和课题来源
1.3.1 本文的主要内容
1.3.2 课题来源
1.4 本章小结
第二章 图像分割方法
2.1 图像获取
2.2 图像分割的主要方法
2.2.1 阈值分割方法
2.2.2 边缘检测分割方法
2.2.3 分水岭分割方法
2.2.4 其他图像分割方法
2.3 田间图像的Indices图像分割方法
2.4 图像分割方法评估
2.5 本章小结
第三章 基于主成分分析的In-Elman分割方法
3.1 主成分分析方法
3.1.1 主成分分析的原理
3.1.2 主成分分析的实现
3.1.3 主成分分析结果
3.2 Elman神经网络原理及实现
3.2.1 Elman神经网络原理简介
3.2.2 Elman神经网络的学习方法选择
3.2.3 Elman神经网络的实现
3.3 In-Elman神经网络与Indices分割算法比较
3.4 本章小结
第四章 基于Lab颜色空间的Elman分割方法
4.1 颜色空间综述
4.1.1 RGB颜色空间
4.1.2 Lab空间
4.2 RGB空间值转换为Lab空间并分析
4.2.1 实现过程
4.2.2 结果和结论
4.3 形态学介绍
4.3.1 腐蚀
4.3.2 膨胀
4.4 RGB空间和Lab空间分割及评估
4.5 本章小结
第五章 彩色图像的纹理提取
5.1 差分纹理提取
5.2 提取纹理特征分量
5.3 纹理特征分量分析
5.3.1 对比度分析
5.3.2 角度方向二阶矩分析
5.3.3 熵的分析
5.3.4 平均值的分析
5.4 分割结果比较
5.5 实验结果讨论与结论
5.6 本章小结
第六章 结论与展望
6.1 工作总结
6.2 工作展望
参考文献
致谢
【参考文献】：
期刊论文
[1]基于主成分分析与神经网络的多响应参数优化[J]. 禹建丽,黄鸿琦,苗满香. 系统仿真学报. 2018(01)
[2]Non-uniform EWMA-PCA based cache size allocation scheme in Named Data Networks[J]. Narges MEHRAN,Naser MOVAHHEDINIA. Science China（Information Sciences）. 2018(01)
[3]基于LBP纹理特征的运动目标检测算法研究[J]. 顾玮. 办公自动化. 2017(24)
[4]基于LAB颜色空间的植物病变区域提取[J]. 符运阳,郭胜娜,王兵,王光光. 电子世界. 2017(20)
[5]卷积神经网络基础下的深度学习算法与应用[J]. 陈思哲. 科技传播. 2017(18)
[6]抗噪形态学图像边缘检测算法的研究[J]. 朱地博,李春贵,张延丽. 信息技术. 2017(07)
[7]基于主成分分析与局部二值模式的高光谱图像分类[J]. 叶珍,白璘. 激光与光电子学进展. 2017(11)
[8]深度解析Lab颜色模式[J]. 李爽. 电脑知识与技术. 2017(19)
[9]PCA和Elman网络在移动学习策略分类中的应用[J]. 胡帅,程迎新,顾艳. 电子测量技术. 2016(05)
[10]基于深度卷积神经网络的快速图像分类算法[J]. 王华利,邹俊忠,张见,卫作臣,汪春梅. 计算机工程与应用. 2017(13)
博士论文
[1]图像局部特征的提取与描述方法研究[D]. 宋铁成.电子科技大学 2016
[2]水下图像增强与目标识别算法研究[D]. 侯国家.中国海洋大学 2015
[3]图像阈值分割关键技术研究[D]. 龙建武.吉林大学 2014
[4]数学形态学在图像边缘检测和机器视觉中的应用研究[D]. 黄海龙.东北大学 2013
[5]基于模糊理论及其扩展的图像分割研究及应用[D]. 张玲.山东大学 2012
[6]图像增强及其在视觉跟踪中的应用[D]. 陈一平.国防科学技术大学 2011
[7]图像边缘检测技术及其应用研究[D]. 曾俊.华中科技大学 2011
[8]一种新的纹理描述方法及其应用[D]. 徐琪.复旦大学 2011
[9]基于颜色和纹理特征的图像增强和分析算法[D]. Hassana Grema Kaganami（哈桑）.中南大学 2010
硕士论文
[1]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
[2]基于遗传算法与人工神经网络的加热炉建模方法研究[D]. 杨猛.中国科学技术大学 2017
[3]图像分割算法研究及其应用[D]. 林喜兰.江南大学 2016
[4]基于改进深层网络的视频人脸识别研究[D]. 李倩玉.合肥工业大学 2016
[5]主成分分析法研究及其在特征提取中的应用[D]. 陈佩.陕西师范大学 2014
[6]基于小波变换的遥感图像分割方法研究[D]. 李赐健.南昌航空大学 2013
[7]基于脉冲神经网络的图像分割研究[D]. 崔文博.西北师范大学 2013
[8]基于机器视觉的边缘检测算法研究与应用[D]. 张少伟.上海交通大学 2013
[9]图像阈值分割算法研究[D]. 谢鹏鹤.湘潭大学 2012
[10]基于数学形态学的医学图像分割方法研究[D]. 张艳.西南大学 2011
本文编号：3171576
【文章来源】：内蒙古大学内蒙古自治区 211工程院校
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 选题背景与研究意义
1.1.1 选题背景
1.1.2 研究意义
1.2 国内外研究现状
1.3 本论文的主要内容和课题来源
1.3.1 本文的主要内容
1.3.2 课题来源
1.4 本章小结
第二章 图像分割方法
2.1 图像获取
2.2 图像分割的主要方法
2.2.1 阈值分割方法
2.2.2 边缘检测分割方法
2.2.3 分水岭分割方法
2.2.4 其他图像分割方法
2.3 田间图像的Indices图像分割方法
2.4 图像分割方法评估
2.5 本章小结
第三章 基于主成分分析的In-Elman分割方法
3.1 主成分分析方法
3.1.1 主成分分析的原理
3.1.2 主成分分析的实现
3.1.3 主成分分析结果
3.2 Elman神经网络原理及实现
3.2.1 Elman神经网络原理简介
3.2.2 Elman神经网络的学习方法选择
3.2.3 Elman神经网络的实现
3.3 In-Elman神经网络与Indices分割算法比较
3.4 本章小结
第四章 基于Lab颜色空间的Elman分割方法
4.1 颜色空间综述
4.1.1 RGB颜色空间
4.1.2 Lab空间
4.2 RGB空间值转换为Lab空间并分析
4.2.1 实现过程
4.2.2 结果和结论
4.3 形态学介绍
4.3.1 腐蚀
4.3.2 膨胀
4.4 RGB空间和Lab空间分割及评估
4.5 本章小结
第五章 彩色图像的纹理提取
5.1 差分纹理提取
5.2 提取纹理特征分量
5.3 纹理特征分量分析
5.3.1 对比度分析
5.3.2 角度方向二阶矩分析
5.3.3 熵的分析
5.3.4 平均值的分析
5.4 分割结果比较
5.5 实验结果讨论与结论
5.6 本章小结
第六章 结论与展望
6.1 工作总结
6.2 工作展望
参考文献
致谢
【参考文献】：
期刊论文
[1]基于主成分分析与神经网络的多响应参数优化[J]. 禹建丽,黄鸿琦,苗满香. 系统仿真学报. 2018(01)
[2]Non-uniform EWMA-PCA based cache size allocation scheme in Named Data Networks[J]. Narges MEHRAN,Naser MOVAHHEDINIA. Science China（Information Sciences）. 2018(01)
[3]基于LBP纹理特征的运动目标检测算法研究[J]. 顾玮. 办公自动化. 2017(24)
[4]基于LAB颜色空间的植物病变区域提取[J]. 符运阳,郭胜娜,王兵,王光光. 电子世界. 2017(20)
[5]卷积神经网络基础下的深度学习算法与应用[J]. 陈思哲. 科技传播. 2017(18)
[6]抗噪形态学图像边缘检测算法的研究[J]. 朱地博,李春贵,张延丽. 信息技术. 2017(07)
[7]基于主成分分析与局部二值模式的高光谱图像分类[J]. 叶珍,白璘. 激光与光电子学进展. 2017(11)
[8]深度解析Lab颜色模式[J]. 李爽. 电脑知识与技术. 2017(19)
[9]PCA和Elman网络在移动学习策略分类中的应用[J]. 胡帅,程迎新,顾艳. 电子测量技术. 2016(05)
[10]基于深度卷积神经网络的快速图像分类算法[J]. 王华利,邹俊忠,张见,卫作臣,汪春梅. 计算机工程与应用. 2017(13)
博士论文
[1]图像局部特征的提取与描述方法研究[D]. 宋铁成.电子科技大学 2016
[2]水下图像增强与目标识别算法研究[D]. 侯国家.中国海洋大学 2015
[3]图像阈值分割关键技术研究[D]. 龙建武.吉林大学 2014
[4]数学形态学在图像边缘检测和机器视觉中的应用研究[D]. 黄海龙.东北大学 2013
[5]基于模糊理论及其扩展的图像分割研究及应用[D]. 张玲.山东大学 2012
[6]图像增强及其在视觉跟踪中的应用[D]. 陈一平.国防科学技术大学 2011
[7]图像边缘检测技术及其应用研究[D]. 曾俊.华中科技大学 2011
[8]一种新的纹理描述方法及其应用[D]. 徐琪.复旦大学 2011
[9]基于颜色和纹理特征的图像增强和分析算法[D]. Hassana Grema Kaganami（哈桑）.中南大学 2010
硕士论文
[1]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
[2]基于遗传算法与人工神经网络的加热炉建模方法研究[D]. 杨猛.中国科学技术大学 2017
[3]图像分割算法研究及其应用[D]. 林喜兰.江南大学 2016
[4]基于改进深层网络的视频人脸识别研究[D]. 李倩玉.合肥工业大学 2016
[5]主成分分析法研究及其在特征提取中的应用[D]. 陈佩.陕西师范大学 2014
[6]基于小波变换的遥感图像分割方法研究[D]. 李赐健.南昌航空大学 2013
[7]基于脉冲神经网络的图像分割研究[D]. 崔文博.西北师范大学 2013
[8]基于机器视觉的边缘检测算法研究与应用[D]. 张少伟.上海交通大学 2013
[9]图像阈值分割算法研究[D]. 谢鹏鹤.湘潭大学 2012
[10]基于数学形态学的医学图像分割方法研究[D]. 张艳.西南大学 2011
本文编号：3171576
本文链接：https://www.wllwen.com/kejilunwen/nykj/3171576.html
