农田图像的统计迭代分割方法研究

论文摘要

传统农业工作方式强度高、效率低、较易发生农业事故,如农药中毒、皮肤晒伤病变等。农业机械自动导航的出现有效解决了这些问题,而导航过程中视觉方式的路径检测以其使用灵活、信息量丰富、不限定外部环境(即只需要找到农田或果园中预先存在的路径特征就可以,如垄、田间地头等)等优点成为导航中的主导方式。在视觉探测路径的过程中,图像分割是关键,本文在研究适合农田处理的统计图像处理算法的基础上,对农田图像进行了分割。此外农业机械自动导航的出现,也适应了精细农业发展的需要,起到环境保护的作用。以往采用的农田分割算法不能很好的去除农田断垄、杂草、阴影及光照改变等噪声影响,使得对后续导航线提取算法要求很高,加上导航线算法计算过程复杂,如Hough变换等,使得整个农田处理过程鲁棒性下降。针对农田图像分割目的主要是检测大尺度作物行,将统计迭代算法Meanshift和支持向量机应用于农田图像分割,为了提高算法实时性分别将两种统计迭代算法和小波多分辨率分析相结合。为了给农田彩色模型的选取提供理论依据,从颜色混合角度出发分析了几个常用的模型。最后将农田图像分割中采用的各种典型分割算法和本文提出的基于小波多分辨率分解的快速Meanshift算法以及基于小波多分辨率分解的各种支持向量机算法进行了实验对比研究。本文的主要研究成果如下：1)基于农田结构特点,首次提出了在图像分割中只应用小波多分辨率分解的低分辨率图像。不仅保留了农田待检测信息,并有助于断垄、杂草、小的阴影等高频干扰的去除,还大大减少了算法程序运行时间。2)提出了分块选种子点的快速Meanshift算法,并应用于农田图像分割。改进Meanshift算法具有良好的去除干扰的能力,作为统计迭代算法唯一的缺点就是执行速度慢。为了提高速度,达到实时导航要求,除了采用小波多分辨率分解外,还依据农田特点,选取具有明显特征的种子点,只对种子点进行该算法,节省了运行时间。由于农田结构整体的统一性,还可将农田图像沿垂直于行的方向分块,使每次迭代运算只在一块中进行,有效减少了每次迭代运算参与像素的数量,进一步减少了运行时间。改进Meanshift算法的应用有效克服的断垄、杂草或阴影的干扰。3)依据农田结构提出了长方形有权重的均值计算模板。这种模板的应用充分考虑了农田作物行颜色空间分布的特点,在行方向上的像素点更具有和当前点相似的特性,这种模版的采用有效克服了断垄、行间杂草的影响。4)提出了将图像均值和图像方差信息融合后代表农田图像特征,作为支持向量机的输入,使得行宽信息最大程度保留下来,有利于后续导航线的提取。5)首次将支持向量机相关算法应用于农田图像分割,有效克服了农田图像中断垄、杂草、阴影、光照变化等干扰。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 图像导航算法研究的意义
• 1.2 农田自动导航历史
• 1.3 农田视觉导航算法研究现状
• 1.3.1 农田视觉导航算法国外研究现状
• 1.3.2 农田视觉导航算法国内研究现状
• 1.4 本文的研究内容
• 1.5 本章小结
• 第二章 彩色模型的选择研究
• 2.1 引言
• 2.2 RGB和CMY彩色模型及农田适应性分析
• 2.2.1 RGB彩色模型及农田适应性分析
• 2.2.2 CMY彩色模型
• 2.3 LAB彩色模型及农田适应性分析
• 2.4 HIS彩色模型及农田适应性分析
• 2.5 实验结果与分析
• 2.6 本章小结
• 第三章 小波多分辨率特性的应用
• 3.1 引言
• 3.2 小波多分辨率理论概述
• 3.2.1 尺度函数
• 3.2.2 小波函数
• 3.2.3 离散小波变换
• 3.2.4 Mallat小波
• 3.3 小波多分辨率在农田图像处理中的应用
• 3.3.1 小波变换对图像噪声的去除
• 3.3.2 农田图像的噪声去除和数据量减少
• 3.4 本章小结
• 第四章 基于Meanshift算法的农田图像分割
• 4.1 引言
• 4.2 Meanshift算法研究
• 4.2.1 Meanshift算法简介
• 4.2.2 高斯核迭代速度的讨论
• 4.2.3 高斯核迭代速度的提高
• 4.3 新快速MeanShift算法的提出及应用
• 4.4 本章小结
• 第五章 基于支持向量机的农田图像分割研究
• 5.1 引言
• 5.2 支持向量机基本理论
• 5.2.1 线性支持向量机
• 5.2.2 线性支持向量回归机
• 5.2.3 多类分类问题
• 5.2.4 决策函数优劣的度量指标
• 5.3 农田输入特征的选择
• 5.4 线性支持向量机的具体应用
• 5.4.1 基于坐标及灰度值的农田图像分割及实验分析
• 5.4.2 基于灰度值、平均值及方差的农田图像分割及实验分析
• 5.5 支持向量回归机的应用及实验分析
• 5.6 本章小结
• 第六章 分割效果实验对比研究
• 6.1 农田图像阈值分割
• 6.1.1 固定阈值农田图像分割
• 6.1.2 最大类间方差阈值农田图像分割
• 6.1.3 基于顶帽运算的局部阈值分割
• 6.1.4 基于自适应阈值的分割
• 6.2 农田图像K-均值分割
• 6.3 基于小波多分辨率分解的Meanshift分割
• 6.4 基于小波多分辨率分解的支持向量机分割
• 6.5 实验结果对比分析
• 6.5.1 实验对象
• 6.5.2 实验结果分析
• 第七章 总结与展望
• 7.1 研究总结
• 7.2 主要创新工作
• 7.3 展望
• 参考文献
• 致谢
• 攻读学位期间的科研工作和发表的学术论文
• 一、发表的论文
• 二、主持和参与的科研项目