论文部分内容阅读
由于受到天气、温度和光照等因素的影响,智能农业机器人感知环境信息时会存在一定的不确定性。为进一步提高智能农业机器人的环境感知能力,需对不同光照条件下的农田图像进行分割。本研究以西北农林科技大学北校区试验田三叶期至五叶期玉米农田图像为研究对象,采用颜色因子法,结合阈值分割法和机器学习法实现了不同光照条件下的农田图像分割,并通过主观评价法和客观评价法完成算法分析及验证。本研究的主要内容和结论有:(1)农田图像的获取及分类。为实现获取农田图像的自动化分类,提出了基于数学统计学知识分析农田图像直方图的方法。实验发现,不同光照条件下农田图像R,G,B颜色通道对应的直方图,其均值指标和偏度指标在任何区间上均没有重合,可作为农田图像自动分类的标准。与人工分类方法对比后发现,本文方法分类误差率最大为10.52%,说明采用上述方法可实现农田图像的自动分类。(2)光照充足或光照偏弱条件下的农田图像分割。针对光照充足条件下农田图像颜色特征较为明显的特点,主要采用直方图均值法和大津法实现了农田图像的分割;针对光照偏弱导致农田图像颜色和形状特征不显著的特性,主要采用无监督学习中的模糊C均值聚类算法(FCM)实现了农田图像的分割。最后完成两类实验结果的剖析比较。由于光照充足和光照偏弱条件下农田图像分割目标十分复杂,因此主要采用了主观评价法分析实验结果。实验发现,两类农田图像分割结果平均主观质量分数分别为4.26和4.06,则根据CCIR500五级评分质量尺度和妨碍尺度说明,采用本文方法图像分割质量较好,可实现复杂农田图像的分割。(3)光照偏强条件下的农田图像分割。针对光照偏强导致大量高光点对图像分割精度干扰的问题,本文提出采用改进的简单线性迭代聚类算法(SLIC)完成图像预处理提取超像素,提取特征向量并通过曲线进行初步筛选,然后建立分类器实现农田图像的分类。分类器主要选择贝叶斯和支持向量机(SVM)。实验发现,改进的SLIC在不影响图像预处理结果的前提下可缩短运行时间;SVM总体分类精度优于贝叶斯,平均总体分类精度可达到94.83%,说明采用SVM可有效实现含大量高光点简单农田图像分割。以农田图像自动分类为研究基础,本文基本完成了不同光照条件下的农田图像分割,为提高智能农业机器人感知环境信息能力提供了有力的保障。