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。