基于顏色特征和改進Adaboost算法的麥穗識別的研究.pdf

1、小麥種植面積和生產數量世界上占據第一位，是不可或缺的糧食作物。在世界上，有三分之一的人口以小麥做為主要糧食，在我國，小麥產量是整個農業(yè)的基石，在國民經濟中也占據著舉足輕重的地位。而選擇合適的小麥品種并掌握其特性、準確預測小麥的分蘗率都對提高小麥產量有著重要的意義。傳統(tǒng)的方法要求育種專家付出巨大的勞動量。因此，實現小麥的自動識別具有重要的實際意義。
　　傳統(tǒng)的小麥產量預測方法主要有:田間人工判斷預測法、衛(wèi)星預測法、自然條件和需求關系

2、分析預測法、年景預測法等方法，這些預測方法雖然具有一定的準確度但是具有明顯的缺陷:人工判斷往往通過經驗來判斷結果，而個人經驗或多或少的差異導致預測存在偏差;衛(wèi)星預測使用衛(wèi)星遠距離拍攝，圖像拍攝面積大，數據量大，適合宏觀上的分析和歸納，對局部地區(qū)小麥的產量預測準確度低;利用氣候與供給關系分析以及年景法進行預測以先前經驗為基礎，偶然性大，精度低，可靠性低。
　　鑒于傳統(tǒng)方法所具有的諸多缺點，為了提供給育種專家更可靠、便捷、科學的數據，

3、本文提出將計算機多媒體技術應用在小麥產量預測當中，以數字圖像處理技術為基礎結合顏色特征、模式識別等領域的相關技術，研究小麥的顏色、形狀、紋理等特性，并設計分類器對小麥圖片進行計數識別。本文的主要工作如下:
　　1.色彩空間選擇。色彩空間包括RGB空間、YUV空間、HSV空間等，論文通過對處于乳熟期的麥穗所具有的顏色信息分析和實驗對比，提出了以HSV空間色調信息作為麥穗的主要顏色特征，實驗驗證了使用色調信息可以在很大程度上剔除小麥照

4、片中的背景。
　　2.根據麥田的環(huán)境情況，設計了樣本采集的方式和裝置。對圖像進行了預處理，并提出了一種基于HSV空間H分量的圖像灰度化方法。
　　3.設計了基于Adaboost麥穗識別算法，選取Haar特征并用積分圖進行計算，詳細描述了弱分類器的訓練過程以及最終構成級聯(lián)分類器的流程。最后通過實驗證明Adaboost算法在無遮擋的麥穗檢測上具有良好的識別能力。
　　4.Haar特征只能對形狀進行判斷，沒有考慮紋理特性，因