基于亮度校正与分区域特征点聚类的秧苗行线识别研究
发布时间：2021-04-16 12:48
随着农业机械的智能化发展,插秧机的精准自动导航技术成为国内外大量学者的研究热点。与卫星导航相比较,机器视觉拥有成本低、对农业规模与操作者技术要求低、适用性更佳等优点,使其使用门槛和对土地规模要求低,契合我国的国情和农业现状,一度被认为是今后导航技术的重要发展方向。作为插秧机视觉导航系统中的关键技术,秧苗行线提取的准确度直接影响了插秧机自主行走的精度。但田间相机所获图像的视觉特性易受光照影响,使得秧苗行线提取准确度降低。为提高插秧机视觉导航系统对光照的适应性,本课题对复杂光照环境下水稻秧苗行线提取技术进行了深入的研究。主要研究内容如下:（1）水稻秧苗图像处理的基本理论分析分析RGB和HSV两种色彩空间模型各分量的相关性和光照色彩特性,确定复杂环境下非均匀光照图像处理的色彩空间模型;研究光照分量提取方法,比较分析变分框架Retinex、双边滤波和快速引导滤波算法的光照分量提取效果和算法复杂度,选择边缘保持性能好、算法复杂度低的快速引导滤波算法进行光照分量的提取。（2）基于亮度分区自适应Gamma的图像亮度校正算法研究研究传统自适应Gamma的图像亮度校正算法对秧苗图像的适应性,针对其不足,...
【文章来源】：安徽农业大学安徽省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
RGB色彩立方体示意图Fig.2-1RGBcolorcubediagram
庹盏母扇牛?伊炼刃畔⒂隦、G、B呈非线性相关，故使用RGB色彩空间模型无法准确获取图像的亮度信息。2.1.2HSV彩色模型尽管RGB色彩空间模型能够较好的体现出一幅图像的色彩信息，但是该色彩空间无法准确的提供各颜色分量的具体百分比值，此外不能通俗地认为单幅彩色图像是由三幅单色图混合而成[43-44]。通过对RGB色彩空间的重新排列计算而得到HSV(Hue,Saturation,Value)色彩空间，其中，图像的颜色属性是由色调分量直接决定，亮度分量是经过对三个颜色分量进行比较而得，饱和度分量与人类颜色感知形式相对应。图二-4HSV模型示意图Fig.2-4HSVmodeldiagramHSV色彩空间是种较为直观的颜色模型，其示意图如图2-4所示，该模型中的参数分别为：色调、饱和度和亮度[45]。色调（Hue,H）能够体现所有颜色，其值域为0°到360°，以红色为起点逆时针方向转动，红色为0°，绿色为120°，蓝色为240°；饱和度（Saturation，S）体现图像色彩的鲜艳程度，表示颜色接近光谱色的程度，其值域为[0,1]；亮度（Value，V）体现人类眼睛所能感觉到的光照强度，其值域为[0,1]，其中0表示黑色，1表示白色，二者之间皆为灰度过渡值。为分析复杂环境下非均匀光照图像的光照情况，利用式(2-1)-(2-5)将图2-2(a)中的RGB秧苗图像转换到HSV色彩空间，如图2-5(a)所示，且H、S、V分量图像分别如图2-5(b)-(d)所示。统计H、S、V分量的直方图如图2-6所示，采用Minitab软件对H、S、V三分量进行统计分析发现：H分量与S分量的相关系数为0.031，H分量与V
13(c)S分量图(c)Scomponentimage(d)V分量图(d)Vcomponentimage图二-5HSV分量图Fig.2-5HSVcomponentimage图二-6HSV分量分布图Fig.2-6HSVcomponentdistribution鉴于HSV色彩空间三分量的无关性，适合处理易受光照变化影响的图像，这一特性正好符合水田图像光照的复杂性。且V分量代表图像的明暗程度，与图像本身的颜色信息相关性小，能够很好地表示图像中各像素点的亮度信息，故本研究基于HSV色彩空间模型进行非均匀光照图像的亮度校正。2.2光照分量提取方法选择2.2.1变分框架RetinexRetinex理论[46-48]的基本思想是入射光决定了一幅图像中所有像素点的动态范围大小，而物体颜色是由物体表面的反射属性决定，与光照情况无关。基于变分框架的0100200300400500600700800050100150200250像素点个数分量值H分量V分量S分量
【参考文献】：
期刊论文
[1]基于YCbCr颜色空间的Retinex低照度图像增强方法研究[J]. 田会娟,蔡敏鹏,关涛,胡阳. 光子学报. 2020(02)
[2]基于亮度分区模糊融合的高动态范围成像算法[J]. 刘颖,王凤伟,刘卫华,艾达,李芸,杨凡超. 计算机应用. 2020(01)
[3]基于分区域特征点聚类的秧苗行中心线提取[J]. 廖娟,汪鹞,尹俊楠,张顺,刘路,朱德泉. 农业机械学报. 2019(11)
[4]水稻插秧机自动作业系统设计与试验[J]. 何杰,朱金光,张智刚,罗锡文,高阳,胡炼. 农业机械学报. 2019(03)
[5]基于光照-反射成像模型和形态学操作的多谱段图像增强算法[J]. 王殿伟,韩鹏飞,范九伦,刘颖,许志杰,王晶. 物理学报. 2018(21)
[6]野生动物监测光照自适应Retinex图像增强算法[J]. 张军国,程浙安,胡春鹤,陈宸,鲍伟东. 农业工程学报. 2018(15)
[7]插秧机导航路径跟踪改进纯追踪算法[J]. 李革,王宇,郭刘粉,童俊华,何勇. 农业机械学报. 2018(05)
[8]水稻栽植机械化技术研究进展[J]. 李泽华,马旭,李秀昊,陈林涛,李宏伟,袁志成. 农业机械学报. 2018(05)
[9]结合HSV空间的水面图像特征水岸线检测[J]. 彭明阳,王建华,闻祥鑫,丛晓奕. 中国图象图形学报. 2018(04)
[10]北斗高精度位置服务在精准农业中的应用[J]. 王海涛,张丹. 测绘通报. 2017(S2)
硕士论文
[1]基于机器视觉的农机导航算法研究[D]. 陈艳.广西科技大学 2019
[2]低照度全景图像增强算法研究[D]. 韩鹏飞.西安邮电大学 2019
[3]基于机器视觉的农业机械路径导航技术研究[D]. 杨官坤.西安电子科技大学 2019
[4]自主行走高速水稻插秧机自动转向控制系统研究[D]. 朱广月.安徽农业大学 2018
[5]分区自适应色调映射算法研究[D]. 李玉静.河南理工大学 2017
[6]拖拉机自动导航系统关键技术研究[D]. 贾全.中国农业机械化科学研究院 2013
[7]水田除草机器人视觉导航路径与参数获取方法研究[D]. 黄小刚.华南理工大学 2013
本文编号：3141460
【文章来源】：安徽农业大学安徽省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
RGB色彩立方体示意图Fig.2-1RGBcolorcubediagram
庹盏母扇牛?伊炼刃畔⒂隦、G、B呈非线性相关，故使用RGB色彩空间模型无法准确获取图像的亮度信息。2.1.2HSV彩色模型尽管RGB色彩空间模型能够较好的体现出一幅图像的色彩信息，但是该色彩空间无法准确的提供各颜色分量的具体百分比值，此外不能通俗地认为单幅彩色图像是由三幅单色图混合而成[43-44]。通过对RGB色彩空间的重新排列计算而得到HSV(Hue,Saturation,Value)色彩空间，其中，图像的颜色属性是由色调分量直接决定，亮度分量是经过对三个颜色分量进行比较而得，饱和度分量与人类颜色感知形式相对应。图二-4HSV模型示意图Fig.2-4HSVmodeldiagramHSV色彩空间是种较为直观的颜色模型，其示意图如图2-4所示，该模型中的参数分别为：色调、饱和度和亮度[45]。色调（Hue,H）能够体现所有颜色，其值域为0°到360°，以红色为起点逆时针方向转动，红色为0°，绿色为120°，蓝色为240°；饱和度（Saturation，S）体现图像色彩的鲜艳程度，表示颜色接近光谱色的程度，其值域为[0,1]；亮度（Value，V）体现人类眼睛所能感觉到的光照强度，其值域为[0,1]，其中0表示黑色，1表示白色，二者之间皆为灰度过渡值。为分析复杂环境下非均匀光照图像的光照情况，利用式(2-1)-(2-5)将图2-2(a)中的RGB秧苗图像转换到HSV色彩空间，如图2-5(a)所示，且H、S、V分量图像分别如图2-5(b)-(d)所示。统计H、S、V分量的直方图如图2-6所示，采用Minitab软件对H、S、V三分量进行统计分析发现：H分量与S分量的相关系数为0.031，H分量与V
13(c)S分量图(c)Scomponentimage(d)V分量图(d)Vcomponentimage图二-5HSV分量图Fig.2-5HSVcomponentimage图二-6HSV分量分布图Fig.2-6HSVcomponentdistribution鉴于HSV色彩空间三分量的无关性，适合处理易受光照变化影响的图像，这一特性正好符合水田图像光照的复杂性。且V分量代表图像的明暗程度，与图像本身的颜色信息相关性小，能够很好地表示图像中各像素点的亮度信息，故本研究基于HSV色彩空间模型进行非均匀光照图像的亮度校正。2.2光照分量提取方法选择2.2.1变分框架RetinexRetinex理论[46-48]的基本思想是入射光决定了一幅图像中所有像素点的动态范围大小，而物体颜色是由物体表面的反射属性决定，与光照情况无关。基于变分框架的0100200300400500600700800050100150200250像素点个数分量值H分量V分量S分量
【参考文献】：
期刊论文
[1]基于YCbCr颜色空间的Retinex低照度图像增强方法研究[J]. 田会娟,蔡敏鹏,关涛,胡阳. 光子学报. 2020(02)
[2]基于亮度分区模糊融合的高动态范围成像算法[J]. 刘颖,王凤伟,刘卫华,艾达,李芸,杨凡超. 计算机应用. 2020(01)
[3]基于分区域特征点聚类的秧苗行中心线提取[J]. 廖娟,汪鹞,尹俊楠,张顺,刘路,朱德泉. 农业机械学报. 2019(11)
[4]水稻插秧机自动作业系统设计与试验[J]. 何杰,朱金光,张智刚,罗锡文,高阳,胡炼. 农业机械学报. 2019(03)
[5]基于光照-反射成像模型和形态学操作的多谱段图像增强算法[J]. 王殿伟,韩鹏飞,范九伦,刘颖,许志杰,王晶. 物理学报. 2018(21)
[6]野生动物监测光照自适应Retinex图像增强算法[J]. 张军国,程浙安,胡春鹤,陈宸,鲍伟东. 农业工程学报. 2018(15)
[7]插秧机导航路径跟踪改进纯追踪算法[J]. 李革,王宇,郭刘粉,童俊华,何勇. 农业机械学报. 2018(05)
[8]水稻栽植机械化技术研究进展[J]. 李泽华,马旭,李秀昊,陈林涛,李宏伟,袁志成. 农业机械学报. 2018(05)
[9]结合HSV空间的水面图像特征水岸线检测[J]. 彭明阳,王建华,闻祥鑫,丛晓奕. 中国图象图形学报. 2018(04)
[10]北斗高精度位置服务在精准农业中的应用[J]. 王海涛,张丹. 测绘通报. 2017(S2)
硕士论文
[1]基于机器视觉的农机导航算法研究[D]. 陈艳.广西科技大学 2019
[2]低照度全景图像增强算法研究[D]. 韩鹏飞.西安邮电大学 2019
[3]基于机器视觉的农业机械路径导航技术研究[D]. 杨官坤.西安电子科技大学 2019
[4]自主行走高速水稻插秧机自动转向控制系统研究[D]. 朱广月.安徽农业大学 2018
[5]分区自适应色调映射算法研究[D]. 李玉静.河南理工大学 2017
[6]拖拉机自动导航系统关键技术研究[D]. 贾全.中国农业机械化科学研究院 2013
[7]水田除草机器人视觉导航路径与参数获取方法研究[D]. 黄小刚.华南理工大学 2013
本文编号：3141460
本文链接：https://www.wllwen.com/nykjlw/nygclw/3141460.html
