基于颜色和纹理特征的大田麦穗识别技术研究
发布时间：2021-06-27 07:08
小麦作为我国重要的粮食作物,其产量预测方法也有很多,单位面积穗数统计是估产的重要组成部分,本文研究对象为成熟期小麦,此时小麦接近收割,为整个生长周期的最后阶段,排除受其他（天气、虫害）小概率减产条件影响,对此时麦田图像自动计数,进而进行产量评估接近收获产量,较人工评估更准确快捷。针对自然条件下麦田图像背景中有部分杂草,麦穗变黄与茎叶土地从颜色角度不易区分,如何有效分离背景识别小麦成为本文研究重点.为解决小麦拍摄图像背景噪声大,本文以2018年5月底商丘农科院基地监控采集的200张麦田图像人工挑取30幅作为研究对象对采集图像进行预处理使图像得到增强后,先利用颜色特征分离杂草,再利用纹理特征进行麦穗识别,最后基于角点进行麦穗计数。对大田图像中杂草采取基于hsv颜色空间下h通值,经阈值法分割,并对分割效果进行评价,得出杂草分割准确率97.8%;再利用纹理特征对去除杂草的图像进行麦穗识别,将图片网格化划分小像素块,提取不同类别（小麦、茎叶、土地）基于灰度共生矩阵的四个纹理特征值进行分析,利用改进的k-means算法对纹理特征值聚类识别麦穗;通过形态学处理提取麦穗骨架,基于Harris角点检测计...
【文章来源】：河南农业大学河南省
【文章页数】：43 页
【学位级别】：硕士
【部分图文】：
图１研究技术路线图??Ｆｉｇ．１?Ｔｈｅ?ｒｅｓｅａｒｃｈ?ｔｅｃｈｎｏｌｏｇｙ?ｒｏａｄｍａｐ??
３材料准备??３．?１图像获取与人工标记??３．?１．?１图像获取方式??本文的实验材料来自商丘农科院实验基地中监控采集的麦田图像，试验选用的小麦品种为矮抗??「）８，侦爪常规方ａ进行耕作１间苽溉施肥．采ｎ］可幵降监拉扱像义对试验炼地的支ｍ进？ｔ数据采??集（摄像头距离麦田８０ｃｍ，拍摄角度与麦田垂直，每个小时采集一幅图像，在夜间不进行采集），??通过传输到服务器存储设备进行图像进行转码储存，其中采集图片格式为ｊｐｅｇ，分辨率为??１２８０＊１０２４，采集装置见图２。??????服￥器存储??Ｗ可升降览?ｉｓ§??控择像头??图２大田麦穗图像的获取设备??Ｆｉｇ．２?Ｆｉｅｌｄ?ｗｈｅａｔ?ｅａｒ?ｉｍａｇｅ?ａｃｑｕｉｓｉｔｉｏｎ?ｅｑｕｉｐｍｅｎｔ??本文选用图像为２０１８年５－６月期间大田真实环境下成熟期小麦，田间宥部分杂草，从２００张??图片中人工挑选３０幅作为研究对象，删除了曝光率不足、光照强度过大、极端天气卜等无法识別??的阁片，选用的部分图片见图３．??９??
ＩＨＩＨ??图４麦田原图（左）与人工手动标记图（右）对比??Ｆｉｇ．?４?Ｗｈｅａｔ?ｆｉｅＩｄ?ｏｒｉｇｉｎａＩ?ｉｍａｇｅ?（Ｉ?ｅｆｔ）?ｃｏｍｐａｒｅｄ?ｗｉｔｈ?ｍａｎｕａＩ?ｍａｒｋ?ｉｍａｇｅ?（ｒｉｇｈｔ）??３．?２图像预处理??３．?２．?１图像预处理方法理论基础??不管我们采用何种装置取获取图像，会在图像生成、变换和传输过程中产生的噪声，使得图像??变模糊、图像质ｆｉ下降、图像特征＂＂被淹没，得到的图像跟原图像有差异，影响我们对图片的分??析和理解。所以，需要将图片中＋需要的特征进行衰减，有选择的突出感兴趣的特征，从而提高图??像可懂性。图像增强目标有两点：？是提高阁像清晰度，改善视觉效果；：是转换图像变成适合机??器或人分析处理的形式，从而获得图片中更多有用的信息。预处理的［彳的是削弱最好是去除我们不??感兴趣的信息，佝往往只能通过对原图像在？定的条件Ｋ变换后更突出。图像增强方法常用存两类：??频率域法和空间域法ｕ频率域是通过将阁像在？定域内做某种变换，Ｍ终再变换冋来，这种变换间??有一定系数，通过对系数不同操丨１：，实现增强效果。空间域法是在灰度映射变换的甚础上，对像素??点直接操作，具存速度快、操作简中－的优点》对于不同类型的阁片以及感兴趣区域不同，采取不Ｎ??的、存选择的预处理方法。本章对茇田图像处理使用：个：间域法，采用中值滤波器法去除背景噪声点、??通过直方图均衡化使麦田图像得到增强２个环甘。??１．中值滤波器去除图像噪点??滤波可以突出图像特征进一步对阁像去除Ｔ－扰：：４］，在交间域的范Ｈ彳内其可分非线性滤波和线??性滤波两类，非线性滤波中的中值滤波对阁像中心和周围Ｗ较大灰度差别的阁像釕
【参考文献】：
期刊论文
[1]基于图形处理器的形态学重建系统[J]. 何希,吴炎桃,邸臻炜,陈佳. 计算机应用. 2019(07)
[2]一种改进的方向加权中值滤波算法[J]. 江巨浪,辛倩,朱柱. 安庆师范大学学报(自然科学版). 2019(01)
[3]基于中值滤波器的红外图像噪声处理的改进方法[J]. 刘智嘉,夏寅辉,杨德振,林昱,徐长彬. 激光与红外. 2019(03)
[4]基于数学形态学和灰度矩的高温亚像素边缘检测[J]. 柯洁. 工具技术. 2019(03)
[5]基于形态学多尺度多结构的熔池图像边缘检测[J]. 刘晓刚,闫红方,张荣. 热加工工艺. 2019(05)
[6]基于随机森林回归的玉米单产估测[J]. 王鹏新,齐璇,李俐,王蕾,许连香. 农业机械学报. 2019(07)
[7]一种融合深度基于灰度共生矩阵的感知模型[J]. 叶鹏,王永芳,夏雨蒙,安平. 计算机科学. 2019(03)
[8]基于自由纹理的决策滤波算法[J]. 陈家益,战荫伟,曹会英,吴兴达,李小飞. 南京邮电大学学报(自然科学版). 2019(01)
[9]灰度共生矩阵下的遥感图像分类处理[J]. 王超阳. 电脑知识与技术. 2019(05)
[10]基于改进K-means聚类算法的大田麦穗自动计数[J]. 刘哲,黄文准,王利平. 农业工程学报. 2019(03)
硕士论文
[1]基于机器视觉的苹果特征选择和分类识别系统[D]. 侯大军.江苏大学 2010
本文编号：3252382
【文章来源】：河南农业大学河南省
【文章页数】：43 页
【学位级别】：硕士
【部分图文】：
图１研究技术路线图??Ｆｉｇ．１?Ｔｈｅ?ｒｅｓｅａｒｃｈ?ｔｅｃｈｎｏｌｏｇｙ?ｒｏａｄｍａｐ??
３材料准备??３．?１图像获取与人工标记??３．?１．?１图像获取方式??本文的实验材料来自商丘农科院实验基地中监控采集的麦田图像，试验选用的小麦品种为矮抗??「）８，侦爪常规方ａ进行耕作１间苽溉施肥．采ｎ］可幵降监拉扱像义对试验炼地的支ｍ进？ｔ数据采??集（摄像头距离麦田８０ｃｍ，拍摄角度与麦田垂直，每个小时采集一幅图像，在夜间不进行采集），??通过传输到服务器存储设备进行图像进行转码储存，其中采集图片格式为ｊｐｅｇ，分辨率为??１２８０＊１０２４，采集装置见图２。??????服￥器存储??Ｗ可升降览?ｉｓ§??控择像头??图２大田麦穗图像的获取设备??Ｆｉｇ．２?Ｆｉｅｌｄ?ｗｈｅａｔ?ｅａｒ?ｉｍａｇｅ?ａｃｑｕｉｓｉｔｉｏｎ?ｅｑｕｉｐｍｅｎｔ??本文选用图像为２０１８年５－６月期间大田真实环境下成熟期小麦，田间宥部分杂草，从２００张??图片中人工挑选３０幅作为研究对象，删除了曝光率不足、光照强度过大、极端天气卜等无法识別??的阁片，选用的部分图片见图３．??９??
ＩＨＩＨ??图４麦田原图（左）与人工手动标记图（右）对比??Ｆｉｇ．?４?Ｗｈｅａｔ?ｆｉｅＩｄ?ｏｒｉｇｉｎａＩ?ｉｍａｇｅ?（Ｉ?ｅｆｔ）?ｃｏｍｐａｒｅｄ?ｗｉｔｈ?ｍａｎｕａＩ?ｍａｒｋ?ｉｍａｇｅ?（ｒｉｇｈｔ）??３．?２图像预处理??３．?２．?１图像预处理方法理论基础??不管我们采用何种装置取获取图像，会在图像生成、变换和传输过程中产生的噪声，使得图像??变模糊、图像质ｆｉ下降、图像特征＂＂被淹没，得到的图像跟原图像有差异，影响我们对图片的分??析和理解。所以，需要将图片中＋需要的特征进行衰减，有选择的突出感兴趣的特征，从而提高图??像可懂性。图像增强目标有两点：？是提高阁像清晰度，改善视觉效果；：是转换图像变成适合机??器或人分析处理的形式，从而获得图片中更多有用的信息。预处理的［彳的是削弱最好是去除我们不??感兴趣的信息，佝往往只能通过对原图像在？定的条件Ｋ变换后更突出。图像增强方法常用存两类：??频率域法和空间域法ｕ频率域是通过将阁像在？定域内做某种变换，Ｍ终再变换冋来，这种变换间??有一定系数，通过对系数不同操丨１：，实现增强效果。空间域法是在灰度映射变换的甚础上，对像素??点直接操作，具存速度快、操作简中－的优点》对于不同类型的阁片以及感兴趣区域不同，采取不Ｎ??的、存选择的预处理方法。本章对茇田图像处理使用：个：间域法，采用中值滤波器法去除背景噪声点、??通过直方图均衡化使麦田图像得到增强２个环甘。??１．中值滤波器去除图像噪点??滤波可以突出图像特征进一步对阁像去除Ｔ－扰：：４］，在交间域的范Ｈ彳内其可分非线性滤波和线??性滤波两类，非线性滤波中的中值滤波对阁像中心和周围Ｗ较大灰度差别的阁像釕
【参考文献】：
期刊论文
[1]基于图形处理器的形态学重建系统[J]. 何希,吴炎桃,邸臻炜,陈佳. 计算机应用. 2019(07)
[2]一种改进的方向加权中值滤波算法[J]. 江巨浪,辛倩,朱柱. 安庆师范大学学报(自然科学版). 2019(01)
[3]基于中值滤波器的红外图像噪声处理的改进方法[J]. 刘智嘉,夏寅辉,杨德振,林昱,徐长彬. 激光与红外. 2019(03)
[4]基于数学形态学和灰度矩的高温亚像素边缘检测[J]. 柯洁. 工具技术. 2019(03)
[5]基于形态学多尺度多结构的熔池图像边缘检测[J]. 刘晓刚,闫红方,张荣. 热加工工艺. 2019(05)
[6]基于随机森林回归的玉米单产估测[J]. 王鹏新,齐璇,李俐,王蕾,许连香. 农业机械学报. 2019(07)
[7]一种融合深度基于灰度共生矩阵的感知模型[J]. 叶鹏,王永芳,夏雨蒙,安平. 计算机科学. 2019(03)
[8]基于自由纹理的决策滤波算法[J]. 陈家益,战荫伟,曹会英,吴兴达,李小飞. 南京邮电大学学报(自然科学版). 2019(01)
[9]灰度共生矩阵下的遥感图像分类处理[J]. 王超阳. 电脑知识与技术. 2019(05)
[10]基于改进K-means聚类算法的大田麦穗自动计数[J]. 刘哲,黄文准,王利平. 农业工程学报. 2019(03)
硕士论文
[1]基于机器视觉的苹果特征选择和分类识别系统[D]. 侯大军.江苏大学 2010
本文编号：3252382
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3252382.html
