面向雜草識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，科技進步使得除草技術(shù)逐步向精準變量噴灑發(fā)展，精準變量噴灑的實現(xiàn)有賴于較高的雜草識別率。而進行雜草識別時，傳統(tǒng)邊緣提取方法提取的邊緣存在缺口、抖動、傾斜、不連續(xù)、不完整等問題并對噪聲敏感，此外，分類算法的K值具有不確定性。因此，本文從兩方面對玉米田中的雜草識別加以研究:提出了一種基于圖論的邊緣提取方法進而解決邊緣提取不精確的問題，其次，利用主成分分析法對提取的特征進行降維并加以選擇，在此基礎(chǔ)上利用兩種分類算法并

2、取不同的K值進行實驗，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，通過實驗比較最終確定了各階段所用方法，即選用超綠色方法進行灰度化處理，選用中值濾波法進行濾波處理，選用OTSU法進行閾值分割。
　　(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算、閾值確定和邊緣確定三個階段。通過構(gòu)建無向帶權(quán)圖，采用無向圖中邊上的權(quán)值來描述像素間的相似性;將無向圖

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（像素）與垂直邊的上邊的節(jié)點（像素）確定為邊緣點。通過有無噪聲實驗將本文方法與Roberts算子、Sobel算子、Prewitt算子、LoG算子及Canny算子加以比較，實驗表明，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、傾斜、不連續(xù)、不完整等問題，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個特征參數(shù)，采用主成分分析法分析了這15個特征的相關(guān)性并進行數(shù)據(jù)降維，最終確定10個特征用于雜草識別。
　　(4)雜草識別實驗。運用基于局部均值的非參數(shù)分類方法(LM)與K-近質(zhì)心近鄰分類方法(KNCN)通過取不同的K值（K值為1～8）進行顏色特征識別(CFR)、

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