基于图像处理和支持向量机的粉碎性秸秆覆盖率的图像识别方法研究

针对秸秆还田后的秸秆细碎、在自然光照下与土壤颜色差别很小导致秸秆覆盖率检测精度低的问题,提出了一种基于灰度变换函数与支持向量机(SVM)算法相结合的秸秆覆盖率图像识别方法。首先对在自然光下拍照获取的粉碎秸秆的彩色图像进行灰度变换处理,然后应用SVM算法对其进行秸秆图像分类,最后应用形态学图像处理算法得到准确的图像覆盖率。结果表明,对5个不同地块的秸秆图像进行灰度变换处理后,利用SVM训练文件直接预测得到的秸秆覆盖率与田间实际测量结果的最大误差率为3.20%,最小误差率为1.00%,分类时间小于2 s。可见,采用此方法检测粉碎秸秆的还田覆盖率具有很好的识别效果,并且用经过训练后的结果对所有图像进行SVM预测,不受光照的影响,效率高,分类速度快。

结合Kalman滤波和LBP纹理的CAMShift改进算法

针对传统CAMShift算法,在颜色相似干扰、目标快速运动等复杂背景中跟踪目标丢失的问题,提出一种结合Kalman滤波和LBP纹理的CAMShift改进算法。为了验证提出算法的合理性,使用农田作业机械安装的摄像头实现图像的动态采集,选取图像中的特定目标作为目标模板,采用Kalman滤波器预测下一帧特定目标的位置区域,用改进LBP算法的纹理特征与色彩概率分布图进行相与运算,将得到的结果应用到特定目标跟踪中。实验结果表明,改进后的算法在跟踪特定目标方面具有较高的准确性和鲁棒性。

基于Kalman滤波的CAMShift目标跟踪算法

针对传统的CAMShift算法跟踪目标丢失的问题,提出一种基于Kalman滤波的CAMShift目标跟踪算法。为验证改进后算法,可用安装摄像头的农田作业设备采集图像,并对图像中的特定目标进行跟踪。该算法用Kalman滤波器预测下一帧特定目标的位置,统计候选目标的直方图并进行反向投影,将得到的色彩概率分布图跟踪特定目标的特征。实验表明,改进后的算法在目标快速运动的情况下仍然取得较好的跟踪效果,具有较好的稳定性。