基于热红外图像处理技术的农作物冠层识别方法研究

为解决农作物冠层热红外图像边缘灰度级分布不均且噪声较大,而传统图像分割方法难以实现其目标区域有效识别的难题,以苗期红小豆冠层热红外图像为研究对象,将模糊神经网络和仿射变换有机结合,提出了基于热红外图像处理技术的农作物冠层识别模型。首先利用五层线性归一化模糊神经网络的自适应特性,选取高斯隶属度函数,自动计算冠层可见光图像识别的推理规则,有效地分割了可见光图像中的冠层区域。通过分析3种分割指标和熵,定量评价可见光图像冠层分割质量。网络迭代38次时,误差精度为0.000952,该算法平均有效识别率为96.13%,获取可见光冠层图像的像元信息熵值范围为2.4544~5.1987,与标准算法所得冠层图像的像元信息熵仅相差0.2459。然后以取得可见光图像的冠层有效区域为参考图像,采用仿射变换算法,调整优选平移、旋转、缩放等图像变换因子,配准原始热红外图像,提出了基于仿射变换的冠层热红外图像识别方法。对于初始温度范围值在16.35~19.92℃的农作物热红外图像,计算选取旋转幅度为1.0和缩放因子为0.9时,作为异源图像的最优配准参数,获取目标图像的最大温差为3.17℃,相对于原图像的平均温度值由18.711℃下降至17.790℃,进而实现了基于热红外图像处理技术的农作物冠层识别。最后以熵的互信息作为监督指标,对农作物冠层热红外图像识别方法进行评价。提出的冠层热红外图像识别方法,所获取的目标图像与初始热红外图像的平均互信息为4.3687,标准目标图像和初始热红外图像的平均互信息为3.9818,二者仅相差0.4869。同时,两种冠层热红外图像的平均温度差值为0.25℃,高效消除了原始热红外图像的背景噪声。结果表明本研究方法的有效性和实用性,能够为应用热红外图像反映农作物生理生态信息特征指标参数提供技术借鉴。

基于数码相机图像的水稻冠层识别方法

采用数码相机获取水稻冠层的图像,提取图像中红(R)、绿(G)、蓝(B)三通道的色值,依据水稻冠层在可见光范围内的光谱反射规律,设置3个简单的判断条件,以决策树的形式,逐步剔除图像中的非冠层部分,从而达到识别水稻冠层的目的。与人工目视解译的结果进行对比验证,该方法的冠层识别准确率为91.91%,分别比支持向量机方法、最大似然法和神经网络方法高1.56、5.56和15.65个百分点;合计准确率为90.58%,Kappa系数为0.79,其数值低于支持向量机方法(91.55%,0.81),但均高于最大似然法(89.35%,0.77)和神经网络方法(83.48%,0.66)。该方法识别精度较高,计算简便,显示出在水稻冠层识别上有较大的应用潜力。