基于分散样本图像的区域秸秆覆盖率估算研究

摘要

秸秆还田可减少由焚烧秸秆产生的环境污染及资源浪费，是农业上保护水土肥力的一种重要措施，在环保和农业可持续发展中起到了很大作用。由于晾干的秸秆和土地的颜色相差甚微，秸秆还田作业面积大，用遥感或航拍获取的图像辨识度差，不能用于统计农机手的整个作业面积的秸秆覆盖率，而通过传统的人工测量费时费力。因此，在对单块秸秆覆盖地块图像进行覆盖率检测后，应用基于耕向性的近邻算法对区域地块进行覆盖率的估算。 课题研究主要包括分散图像的秸秆识别及覆盖率计算和区域秸秆覆盖率的估算及系统实现。在分散图像的识别及覆盖率计算部分，介绍了SVM图像分类理论基础，将在自然光下采集的粉碎秸秆图像作为分散样本图像，提出了能量光谱归一化（ESN）的图像预处理方法对图像进行预处理，用SVM算法进行秸秆和土地的分类，并对参数进行了探索性研究，用形态学图像处理算法得到准确的图像覆盖率，仿真过程借助MATLAB数学工具箱实现。在区域秸秆覆盖率的估算部分，提出了基于耕向性思想的K-近邻（KNN）算法，利用得到的分散图像的秸秆覆盖率和其位置信息作为覆盖率和位置信息已知的地块，进行周围其它未知地块覆盖率的估算，将结果进行比较和统计，得到包含这些分散样本在内的指定区域的各地块秸秆覆盖率，系统通过Visual Studio2017环境进行C#编程实现。 试验结果表明，采用SVM算法对经过ESN处理后的粉碎秸秆图像分类，具有很好的识别效果，用形态学思想对图像进一步处理后计算得到的覆盖率准确度高，且用经过训练过程得到的训练集对所有经过ESN处理的图像进行SVM预测，结果不受光照影响，效率高。通过验证方案得出，基于耕向性的KNN算法适合区域秸秆覆盖率的估算研究，满足分散性密度和耕向性条件的情况下，估算结果误差小于5%。使用区域秸秆覆盖率估算研究系统可以快速、方便地实现估算结果。

目录

第一个书签之前

摘 要

Abstract

第1章 绪 论

1.1 课题研究的背景和意义

1.2 国内外研究现状

1.2.1 基于图像处理的秸秆覆盖率估算研究现状

1.2.2 人工神经网络法研究现状

1.2.3 SVM技术研究现状

1.2.4 区域秸秆覆盖率研究现状

1.2.5 KNN算法研究内容及现状

1.3 研究的主要内容

1.4 论文的章节安排

第2章 SVM图像分类理论基础

2.1 统计学习概述

2.1.1 VC维与推广性的界

2.1.2 结构风险最小化原则

2.2 SVM基本思想

2.2.1 线性可分情况

2.2.2 软间隔分类

2.2.3 线性不可分情况

2.4 本章小结

第3章 基于SVM的分散图像秸秆识别及覆盖率检测

3.1 分散图像预处理

3.1.1 基于灰度均衡化的秸秆提取

3.1.2 图像ESN预处理

3.2 SVM秸秆图像分类

3.2.1 训练样本选择

3.2.2 特征提取

3.2.3 样本训练

3.2.4预测分类

3.2.5 SVM分类过程

3.2.6 图像梯形失真校正

3.3 覆盖率的计算

3.3.1 形态学图像处理

3.3.2 分散图像覆盖率计算

3.4 本章小结

第4章 基于KNN的区域秸秆覆盖率估算思想

4.1 区域秸秆覆盖模拟框体

4.2 KNN算法思想

4.3 KNN分类过程

4.3.1 样本预处理和选取

4.3.2 特征选择

4.3.3 传统K值选取

4.3.4 特征权重值选取

4.3.5 改进的K值选取

4.3.6 基于耕向性的KNN特征加权

4.3.7 基于耕向性的KNN分类

4.4 本章小结

第5章 区域秸秆覆盖率估算系统设计与实现

5.1 秸秆覆盖率检测系统概述

5.1.1 秸秆覆盖率检测系统框图

5.1.2 服务器传输

5.1.3 系统的特点

5.2 需求分析

5.3 方案设计

5.3.1 总体思路

5.3.2 界面设计

5.3.3 模块划分

5.4 功能模块设计与实现

5.4.1 地块框架的搭建

5.4.1 Dis值、权重值输入

5.4.2 分类过程

5.5 软件操作说明

5.5.1 地块划分

5.5.2 样本输入

5.5.3 KNN参数设置

5.5.4 覆盖率估算系统实现

5.6 本章小结

结 论

参考文献

攻读硕士学位期间所发表的论文

致 谢