论文部分内容阅读
基于机器视觉的紫色土识别技术,可以帮助农业生产一线的“科技人员和农户”科学地辨识土壤种类,对农业生产有积极的指导作用。由于野外实际采集的紫色土图像数据,不可避免地包含种植物、地衣苔藓和杂草等杂乱背景干扰,严重影响紫色土识别精确率。因此,如何从含杂乱背景的图像中有效分割提取出干净的紫色土图像区域进行识别,是进一步深入分析紫色土图像数据的基础。本文主要针对紫色土图像的H颜色分量展开研究,利用H颜色分量的分布特性对实际野外采集的紫色土图像进行分割,有效提取出便于识别的紫色土区域。本文具体研究内容如下:(1)分析紫色土在HSV颜色空间的聚集特性,通过实验对比紫色土在HSV各通道的分布,实验结果表明:紫色土在H分量中聚集明显,而在S分量和V分量中不聚集。(2)研究紫色土H域正态分布检验特性,求取H阈值对紫色土图像进行初步分割。并针对初步分割结果中的孤立点、小土块和空洞,设计了边界识别、提取以及区域填充算法进行修复。其中,在边界识别算法中,本文设计的边界识别模板能有效识别边界、清除孤立点;在边界提取、区域填充算法中,本文采用堆栈技术改进了算法的填充效果。(3)进一步研究紫色土H域分布的广义高斯分布、混合高斯分布以及混合广义高斯分布特性。针对紫色土H分量广义高斯分布拟合研究,本文采用便于求导的非线性函数拟合带形状参数?的复杂函数,能实现?参数的快速求取。针对紫色土H分量混合广义高斯分布的拟合研究,本文设计了精度更高的紫色土H阈值分割算法;同时,采用分段分析和分段分割处理的方法优化了H分量分布跨0点问题。(4)为了验证本文算法的准确性和鲁棒性,设计实验并与传统基于极值的分割算法、基于膨胀与腐蚀的空洞清除算法进行了对比,实验结果表明:基于近似正态分布的分割算法比基于极值的阈值分割算法更为准确与稳定;改进后的基于混合广义高斯分布的H阈值分割算法比基于近似正态分布的H阈值分割算法鲁棒性更高;采用本文边界识别、提取、空洞填充算法比基于膨胀与腐蚀的空洞清除算法效果更好,能从视觉图像中分割、提取出更完整的紫色土区域图像。