论文部分内容阅读
叶片是植物进行光合作用和蒸腾作用的主要器官，叶片的很多信息直接反映了作物的生长状况，这些信息对于农作物的生长监控具有非常重要的作用。本研究以棉花叶片作为研究对象，在国家“863计划”(2006011022053)和国家自然科学基金(30360047)的资助下，基于机器视觉理论和技术，结合常规农学测量数据，系统研究了棉花单叶数字图像的图像获取、降噪和分割方法、棉花叶片几何形态特征计算方法和氮素含量计算方法的模型，避免了长时的农学实验和测量过程，为农业生产快速提供了大量参考信息。本文主要研究内容包括：1．研究图像的拍摄方式。通过实验制定了利用暗箱获取棉花单叶数字图像的拍摄方式，避免了不同环境下，图像色彩差异过大，计算氮素含量色彩标准不统一的问题。2．研究图像降噪的方法。通过邻域平均法和中值滤波的降噪原理和对棉花单叶数字图像的应用结果比较，研究利用何种滤波方法既能够有效去除噪声，同时不改变图像叶片的颜色值。3．本研究中图像分割方法采用阈值分割，研究了阈值的确定的原理和方法。通过分析图像直方图的特点，在静态的RGB分割、动态G分量分割、静态rgb分割、静态rgb和动态I分割、动态G分量和静态H值分割这五种分割的选择效果和时间耗费的比较后，最终确定了适合本研究的分割方法。4．研究了利用图像特征和图像标记方法计算叶片的几何和形状特征值的技术和方法。设计了结构体和数组进行图像中有效数据的筛选，综合利用了链码方法、像素面积法等方法计算叶片的面积、周长、高度、宽度、直径、圆形度、矩形度、叶形比等。5．研究了利用神经网络建立图像颜色模型和叶片氮素含量的方法。通过比较线性网络、BP网络和RBF网络在六种输入向量下建立的网络的大量样本的训练结果和预测结果，选择最佳神经网络方案。并且研究了适合本研究的神经网络的传递算法的改进，以提高结果的精度。主要研究结果如下：1．实验证明了基于动态G分量和静态H分量的图像分割方法非常适合本研究，兼顾了分割效果和时间耗费。2．计算出叶片周长、面积、高度、宽度、直径、叶形比、圆形度、矩形度和氮素含量9个对作物具有非常重要的农学指标，其中面积、高度和宽度和直径以及叶形比精确度非常高。利用RBF网络，选择(B，H，G-R，G／R)作为神经网络输入向量，建立了颜色信息和氮素含量之间的数学模型，利用该模型对30个棉花单叶数字图像进行预测，得到的结果与农学常规测量值之间的相关系数也达到极显著水平(r=0.8674**)。3．利用研究得到的相关算法，结合具体编程环境，实现了棉花单叶数字图像处理系统。本研究证明了机器视觉技术能够较为精确的快速得到农学指标，利用该信息能够提前对作物生长进行有目的的调控，对农业现代化的发展起到积极的促进作用。