面向雜草識(shí)別的圖像分割方法研究.pdf

1、生態(tài)農(nóng)業(yè)是農(nóng)業(yè)發(fā)展的新趨勢(shì)，科技進(jìn)步使得除草技術(shù)逐步向精準(zhǔn)變量噴灑發(fā)展，精準(zhǔn)變量噴灑的實(shí)現(xiàn)有賴于較高的雜草識(shí)別率。而進(jìn)行雜草識(shí)別時(shí)，傳統(tǒng)邊緣提取方法提取的邊緣存在缺口、抖動(dòng)、傾斜、不連續(xù)、不完整等問(wèn)題并對(duì)噪聲敏感，此外，分類(lèi)算法的K值具有不確定性。因此，本文從兩方面對(duì)玉米田中的雜草識(shí)別加以研究:提出了一種基于圖論的邊緣提取方法進(jìn)而解決邊緣提取不精確的問(wèn)題，其次，利用主成分分析法對(duì)提取的特征進(jìn)行降維并加以選擇，在此基礎(chǔ)上利用兩種分類(lèi)算法并

2、取不同的K值進(jìn)行實(shí)驗(yàn)，確定合適的K值。主要工作及結(jié)論如下:
　　(1)圖像預(yù)處理與閡值分割方法的確定。本文以玉米及綠藜的葉片為例，通過(guò)實(shí)驗(yàn)比較最終確定了各階段所用方法，即選用超綠色方法進(jìn)行灰度化處理，選用中值濾波法進(jìn)行濾波處理，選用OTSU法進(jìn)行閾值分割。
　　(2)提出一種基于圖論的邊緣提取方法。該方法包括像素間相似性計(jì)算、閾值確定和邊緣確定三個(gè)階段。通過(guò)構(gòu)建無(wú)向帶權(quán)圖，采用無(wú)向圖中邊上的權(quán)值來(lái)描述像素間的相似性;將無(wú)向圖

3、中所有邊上的權(quán)值的均值確定為閡值，該閾值為全局閾值，能夠代表整幅圖像的全部信息，彌補(bǔ)了直接給定閾值的主觀性;將權(quán)值小于閾值的水平邊的左節(jié)點(diǎn)（像素）與垂直邊的上邊的節(jié)點(diǎn)（像素）確定為邊緣點(diǎn)。通過(guò)有無(wú)噪聲實(shí)驗(yàn)將本文方法與Roberts算子、Sobel算子、Prewitt算子、LoG算子及Canny算子加以比較，實(shí)驗(yàn)表明，本文方法能夠克服上述五種邊緣算子的不足，例如，提取的邊緣存在缺口、抖動(dòng)、傾斜、不連續(xù)、不完整等問(wèn)題，且抗噪性能優(yōu)于上述五種

4、算子。最后，利用此方法精確地提取雜草及作物的邊緣。
　　(3)特征的提取與選擇。針對(duì)玉米、苣荬菜、綠藜、蘿藦、龍葵、打碗花等植物從顏色、形狀與紋理三方面提取了共15個(gè)特征參數(shù)，采用主成分分析法分析了這15個(gè)特征的相關(guān)性并進(jìn)行數(shù)據(jù)降維，最終確定10個(gè)特征用于雜草識(shí)別。
　　(4)雜草識(shí)別實(shí)驗(yàn)。運(yùn)用基于局部均值的非參數(shù)分類(lèi)方法(LM)與K-近質(zhì)心近鄰分類(lèi)方法(KNCN)通過(guò)取不同的K值（K值為1～8）進(jìn)行顏色特征識(shí)別(CFR)、

5、形狀特征識(shí)別(SFR)、紋理特征識(shí)別(TFR)與綜合特征識(shí)別實(shí)驗(yàn)(CSTFR)。實(shí)驗(yàn)表明，隨著K值的增加，CSTFR的總體識(shí)別率明顯高于CFR、SFR、TFR的總體識(shí)別率，且K=1時(shí)， CFR、SFR、TFR與CSTFR的總體識(shí)別率均為最高，分別為85.56％，86.67％，86.67％，88.89％。最終，按CSTFR總體識(shí)別率高與運(yùn)行時(shí)間短為依據(jù)，選取KNCN算法，并確定K=1用于雜草識(shí)別。
　　本研究為玉米田中雜草識(shí)別提供了