基于ExG因子的水稻病斑分割技术

为了监测水稻病害等级并及时做好预防,本文提出一种基于超绿超红算法(ExG+ExR)结合最大类间方差法(Nobuyuki Otsu,OTSU)分割水稻病斑区域。首先,针对传统阈值算法分割效果不佳的缺陷,利用加权平均值进行灰度处理,通过直方图均衡化改善图像质量,并且以自适应中值滤波保护图像细节,从而实现对图像的降噪及增强处理;其次,通过ExG+ExR结合OTSU依次从背景分割出水稻叶片和病斑区域;最后,本文提出的方法与复印称重法和KNN算法比较,在800×300图像中平均绝对准确率高达98.28%,并且只有1.53%的平均绝对误差率。对比结果表明,该算法能够有效分割水稻的病斑区域,为有效识别病害种类及等级奠定了基础。

MXG、EXG家族再添新丁——安捷伦发布新品信号发生器

不管是航空航天领域还是国防领域,对信号的质量都有着更高的要求。作为全球领先的测试测量公司以及通信电子公司,安捷伦近期在北京宣布推出了两款新型微波信号发生器——N5183B MXG和N5173B EXG。这两款信号发生器具备出色的相位噪声、输出功率和频率切换速度性能,并在规格、速度和成本等方面均具备一定的优势,引领业界信号发生器的先进水平,为军事领域提供更加强有力的保障。新的MXG和EXG。

基于机器视觉的水稻秧苗图像分割

水稻秧苗的识别是水稻插秧机自主导航系统的关键内容之一。针对插秧机机器视觉导航中稻田图像秧苗与背景分割问题,建立了基于RGB(红绿蓝)颜色空间的秧苗表面颜色模型。通过颜色特征对秧苗图像进行处理,使用Photoshop软件获取秧苗部分和背景R,G,B分量值;通过对G-R值与G-B值的分析统计,发现两者之间存在分界关系:各自的权重与各分量的乘积之和为某个定值;为方便分析,选取权值a,b为0.5,即Ex G因子,采用Otsu法获取定值最佳值,最大程度分割出目标和背景。与适合于大多数绿色作物的传统RGB法进行比较,并采用分割质量因子和算法运算时间作为评判标准,分析各算法的综合性能。试验发现,Ex G因子结合Otsu分割法分割效果相对理想、稳定性更高,而且耗时更短。

基于改进GrabCut算法的黄瓜植株图像分割

植物图像的自动分割是植物表型研究的热点问题,也是作物生长过程监测、病虫害识别等应用的核心技术之一。以黄瓜为对象,通过对图像中作物与背景特点的分析,选取EXG超绿分割和GrabCut算法进行试验研究;基于EXG超绿分割和GrabCut算法在黄瓜群体图像上的分割结果及这两种算法的优缺点,提出具有更高分割精度的改进算法。用室内室外不同生长时期的黄瓜植株图像进行试验,温室内图像和室外自然光照图像的平均分割精度分别达到96.56%和96.59%,均优于EXG超绿分割和GrabCut算法。同时表明,本文的改进算法适应性更强,具有较好的鲁棒性。

基于无人机遥感影像的玉米冠层温度提取及作物水分胁迫监测

针对当前无人机热红外遥感提取冠层温度不准确、监测作物水分胁迫状况精度不高的问题,该研究以不同水分处理的拔节期夏玉米为研究对象,利用无人机获取试验区域热红外和可见光图像资料,分别采用Otsu算法、EXG-Kmeans算法和Otsu-EXG-Kmeans算法获取冠层区域图像,并对提取结果进行精度评价,而后采用最优算法求得对应作物水分胁迫指数(Crop Water Stress Index,CWSI),通过分析CWSI同土壤含水率相关关系以及CWSI日平均变化趋势来监测玉米水分亏缺状况。结果表明:1)相比于其他方法,Otsu-EXG-Kmeans算法对冠层温度提取精度更高(用户精度为95.9%),提取的冠层温度更接近实测温度(r=0.788),可以准确获取图像冠层温度。2)相比于冠层温度,CWSI与土壤含水率的相关性更高(r=-0.738),CWSI日平均变化趋势更符合实际情况,可更加精确地监测玉米缺水状况。该研究为无人机遥感精准监测作物水分胁迫状况提供参考。

利用图像识别技术计算薇甘菊锈病的相对病斑面积

【目的】为了定量评估薇甘菊柄锈菌对薇甘菊的防控效果,研发一种基于图像识别技术的高效、准确的薇甘菊叶片相对病斑面积的计算方法。【方法】利用图像识别、网格法、复印称重法3种相对面积的计算方法,分别计算薇甘菊感染柄锈菌后的相对病斑面积,并结合以手动分割的结果作为标准,计算各方法的绝对准确率和绝对误差并作为评价指标,最终对3种相对病斑面积的计算方法开展系统、科学的评估。【结果】与网格法、复印称重法相比,基于超绿和超红算法分割病斑的图像识别方法能够准确、快速地计算出薇甘菊锈病病斑的相对面积,其绝准确率均值达到98%以上,绝对误差率均值仅有1.81%,处理一张4608×3456像素彩色图像只需要45.77 s。【结论】与传统的病斑面积计算方法相比,图像识别技术能够准确、快速地将病斑区域与健康区域分割,并准确地计算相对病斑面积。

基于无人机遥感图像的松材线虫病监测技术研究

为实现对林区松材线虫病害病情的有效监控,提出基于超绿特征因子与最大类间方差法(ExG+Otsu)相结合的图像分割算法以及遥感全景图的病害程度分析方法。以小型无人机为飞行平台完成林区遥感影像采集,通过对林区图像中松材线虫病害松木地理信息的有效提取,在无人机遥感影像图中对病害松木的病害程度做出具体分析。经过对比,该方法识别精度达到90.4%,为林区开展松材线虫病防治工作提供了可靠的判别依据。

基于模糊理论的树冠图像边缘检测算法研究

介绍了一种变量施药的靶标识别方法,采用T-S模糊模型,根据绿色植物和背景颜色的特征值(R、G、B)差异性,采用超绿指标[Excess green,ExG]来区别靶标与背景的隶属度,定义了噪声和边缘隶属度函数,根据模糊推理结果,对植物叶片图像去除噪声后再进行边缘检测,可有效检测图像边缘。降低算法的复杂度,提高了效率,在抗噪性能方面能有效地避免噪声的干扰、节约时间、运算速度快。

复杂背景黄瓜叶部病害图像分割方法

针对具有复杂背景的黄瓜病害图像,设计了一种图像分割方法。该方法首先结合超G和OTSU方法去除彩色图像中的大部分背景,尽可能保留图像中的绿色部分信息;然后根据病害图像RGB模型中红色分量自动建立数据项,并且设定相邻像素间红色分量差值的函数作为平滑项,以上述数据项和平滑项构建基于阈值预处理的图切割算法。利用该方法对4种黄瓜病害(霜霉病、白粉病、靶斑病和炭疽病)彩色图像进行分割。结果表明,该方法能够较为准确地将病斑区域从彩色图像中提取出来,算法的平均正确识别率达到90%以上;平均运行速度为2.12 s,能够满足实时图像分割的要求。

基于色彩与高斯模型的油菜图像根系分割

利用图像处理技术从甘蓝型油菜植株中识别出油菜根部及根部肿瘤等信息,进而分析甘蓝型油菜植株的根肿病程度。从原图像中提取出目标是解决实际问题的关键步骤,因此从复杂背景的甘蓝型油菜植株图像中分割出根部区域是准确识别其病害程度的关键。提出以EXG过绿颜色分割算法与高斯YCbCr颜色算法相结合的分割方法。首先通过EXG过绿颜色分割方法分离出绿色的茎叶部分,其次将RGB颜色空间转换到YCbCr颜色空间,利用高斯模型判断根的像素点,因此分割出甘蓝型油菜植株的根部区域,进一步利用数学形态学方法将得到的根部二值图进行膨胀与腐蚀的去燥操作,最终完成图像分割。利用该方法对不同拍摄环境且背景复杂的10幅油菜植株图像进行分割,为验证该方法的有效性,分别采用EXG过绿颜色算法与K-Means聚类算法作对比实验。实验结果表明,该算法的误差率均低于10%,10幅图像的平均误差率为6.984%。所做研究的方法能较准确的分割出甘蓝型油菜植株的根部区域,为后期识别甘蓝型油菜根肿病程度的研究提供参考。

海康威视网络数字相机在植被物候监测的应用初探

物候相机是物候网建设的重要观测设备,本文开展了对比Hikvision相机(中国)和StarDot相机(美国)的物候指标提取性能的实验研究。研究表明:两款相机的NDVI最为一致,其中,从StarDot提取的生长季长度等于人眼识别长度,与从Hikvision中提取值仅相差1天;两者的GCC和EXG受油菜花季特殊的黄花覆盖及StarDot中的固定白平衡设置存在差异;而两者的EVI均不能够有效反映出油菜的生长节律。Hikvision相机在我国的物候网观测中可以起到替代作用。

基于倾斜影像颜色信息的建筑物点云提取

针对建筑物点云提取不完整问题,笔者采用一种组合方法从影像密集匹配获得的多视图像(MVS)点云中提取建筑物点云。首先运用布料模拟滤波(CSF)算法进行地面点滤波,去除MVS点云中的地面点;然后根据MVS点云的颜色信息,利用过绿指数(EXG)和植被密集成块特性将植被点云剔除;最后使用密度聚类从剩余的点云中分割出建筑物点云。结果表明采用该方法提取建筑物点云的正确性为98.06%,完整性为98.20%,质量为96.34%。相较于使用单波段阈值分割剔除植被点的组合方法,该方法在建筑物完整性和质量上提升超过26%。

基于MRFO的茶叶嫩芽图像分割方法

针对名优茶早期嫩芽检测问题,提出一种基于魔鬼鱼觅食优化(MRFO)的颜色因子与阈值的嫩芽图像分割算法。首先,利用MRFO优化算法训练得到ExG系数,用ExG对嫩芽RGB彩图进行灰度化,并归一化处理得到灰度图;然后,利用Otsu进行图像阈值计算;最后,对阈值进行偏移校正,获得最佳阈值。正视图和斜视图试验结果显示,此算法能突出嫩芽与老叶像素值的差异,很好地检测出茶叶嫩芽,Jaccard,Dice,Bfscore平均值分别为57.25%,72.35%,80.215%。