基于多光谱图像机器视觉的棉田杂草识别研究

摘要

利用机器视觉技术识别田间杂草是当今的研究热点和未来除草技术的发展趋势。本研究以棉花及棉田四种恶性杂草为研究对象，运用机器视觉技术，利用多光谱图像来实现土壤背景分割、特征提取、模式识别。本文的研究工作主要包括以下几个方面： (1)土壤背景分割。使用近红外图像和红光图像建立二维直方图，以总分割误差值作为指标选择分割直线进行背景分割。利用Fisher法实现降维处理，然后通过最大类间方差法(oust法)进行分割，并将分割结果与使用单独近红外图像或红光图像分割结果进行比较，发现Fisher法分割效果最好。 (2)识别特征参数的提取。试验中通过细化算法和骨架算法分别提取整株植物的细化和骨架长度，以细化长度与叶片面积比、骨架长度与叶片面积比两个特征参数，作为棉花和杂草的识别参数。提取了整株的三个多光谱特征参数：IR均值、CIR均值和IR/R均值，作为单双子叶杂草的识别参数。提取叶片的宽长比、圆满度、圆度三个形状特征和标准偏差、平滑度两个纹理特征，作为识别单双子叶杂草各自之间种类的识别参数。 (3)利用统计模式识别中基于有限样本和结构风险最小化原则的支持向量机建立了棉花和杂草的模式识别分类器。实验中使用径向基核函数建立四个支持向量机模型，在模型参数选择中，采用网格搜索法来选择最优的尺度参数。和惩罚参数℃最终的识别精度为：棉花：98％；狗尾草：92％；牛筋草：84％；刺儿菜：82％；马齿苋：80％。比使用形状特征的单识别器的平均识别精度提高12％以上。 本研究实现棉田杂草的识别，为后续精确施药技术提供了研究基础，具有较重要的学术意义和实用价值。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究目的和意义

1.2国内外研究现状

1.2.1颜色识别

1.2.2形状识别

1.2.3纹理识别

1.2.4光谱识别

1.3研究思路和内容

第二章图像的获取与分割

2.1图像获取

2.1.1试验装置的构建

2.2.2图像获取方法

2.2图像分割

2.2.1现有的杂草图像分割算法

2.2.2基于多光谱图像二维直方图分割

2.2.3 Fisher线性判别

2.2.4分割后处理

2.3本章小结

第三章植物整株形态学特征提取

3.1数学形态学

3.1.1腐蚀和膨胀

3.1.2开操作和闭操作

3.1.3区域填充

3.1.4 细化

3.1.5骨架化

3.2形态特征参数提取

3.2.1特征1：T/A

3.2.2特征2：S/A

3.3试验结果与分析

3.4本章小结

第四章杂草整株多光谱特征提取

4.1 理论依据

4.2多光谱特征提取

4.2.1特征1：IR均值

4.2.2特征2：CIR均值

4.2.3特征3：IR/R均值

4.3试验结果与分析

4.4本章小结

第五章杂草叶片形状，纹理特征提取

5.1形状特征提取

5.1.1形状特征

5.1.2试验结果与分析

5.2纹理特征提取

5.2.1纹理特征

5.2.2试验结果与分析

5.3本章小结

第六章棉花杂草模式识别

6.1模式识别概述

6.2支持向量机的理论基础

6.3基于支持向量机的棉田杂草识别模型

6.3.1识别器一

6.3.2识别器二

6.3.3识别器三

6.3.4识别器四

6.4算法组合及对比试验

6.4.1算法组合

6.4.2对比试验

6.5本章小结

第七章结论与展望

7.1结论

7.2创新点

7.3后续工作展望

参考文献

致谢

在读期间发表的论文及参与课题