隨著現(xiàn)代信息技術(shù)的不斷發(fā)展,農(nóng)業(yè)現(xiàn)代化、信息化已經(jīng)成為目前我國(guó)農(nóng)業(yè)發(fā)展的主要趨勢(shì)。圖像處理作為機(jī)器視覺(jué)的前提和基礎(chǔ),其重要性更是不言而喻。在自然光照條件下,田間作物圖像存在反光和陰影,嚴(yán)重阻礙了田間機(jī)器人視覺(jué)技術(shù)的進(jìn)一步應(yīng)用。本文主要針對(duì)這一問(wèn)題展開(kāi)研究。第一步,本文在實(shí)驗(yàn)中,先提取原始綠色作物圖像中作物和背景像素的三分量R、G、B值,并分別計(jì)算其R/G、G/B、B/R,以及傳統(tǒng)的ExG、ExGR、CIVE、VEG、COM綠色作物提取索引值。然后,將這十一個(gè)分量進(jìn)行主成分分析,分別獲得兩個(gè)主成分,并依據(jù)其主成分相關(guān)系數(shù)大小進(jìn)行排序,選擇前七個(gè)分量ExG、Ex GR、VEG、COM、R、G、B,作為Elman神經(jīng)網(wǎng)絡(luò)的輸入向量進(jìn)行綠色作物圖像分割;并與傳統(tǒng)綠色作物提取索引方法進(jìn)行比較,實(shí)驗(yàn)結(jié)果表明主成分向量作為Elman輸入更有利于綠色作物圖像分割。第二步,針對(duì)一些輕微反光圖像,則將R,G,B值轉(zhuǎn)換為L(zhǎng)ab空間中的L,a,b值,再利用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類;同時(shí)采用膨脹和侵蝕形態(tài)學(xué)運(yùn)算消除孤立像素點(diǎn)或小區(qū)域,以利于與手工分割的圖像進(jìn)行統(tǒng)計(jì)評(píng)價(jià)。第三步,上述兩步處理之后,仍有一些反光強(qiáng)烈或嚴(yán)重陰... 

【文章來(lái)源】：內(nèi)蒙古大學(xué)內(nèi)蒙古自治區(qū) 211工程院校

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 選題背景與研究意義
        1.1.1 選題背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本論文的主要內(nèi)容和課題來(lái)源
        1.3.1 本文的主要內(nèi)容
        1.3.2 課題來(lái)源
    1.4 本章小結(jié)
第二章 圖像分割方法
    2.1 圖像獲取
    2.2 圖像分割的主要方法
        2.2.1 閾值分割方法
        2.2.2 邊緣檢測(cè)分割方法
        2.2.3 分水嶺分割方法
        2.2.4 其他圖像分割方法
    2.3 田間圖像的Indices圖像分割方法
    2.4 圖像分割方法評(píng)估
    2.5 本章小結(jié)
第三章 基于主成分分析的In-Elman分割方法
    3.1 主成分分析方法
        3.1.1 主成分分析的原理
        3.1.2 主成分分析的實(shí)現(xiàn)
        3.1.3 主成分分析結(jié)果
    3.2 Elman神經(jīng)網(wǎng)絡(luò)原理及實(shí)現(xiàn)
        3.2.1 Elman神經(jīng)網(wǎng)絡(luò)原理簡(jiǎn)介
        3.2.2 Elman神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法選擇
        3.2.3 Elman神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)
    3.3 In-Elman神經(jīng)網(wǎng)絡(luò)與Indices分割算法比較
    3.4 本章小結(jié)
第四章 基于Lab顏色空間的Elman分割方法
    4.1 顏色空間綜述
        4.1.1 RGB顏色空間
        4.1.2 Lab空間
    4.2 RGB空間值轉(zhuǎn)換為L(zhǎng)ab空間并分析
        4.2.1 實(shí)現(xiàn)過(guò)程
        4.2.2 結(jié)果和結(jié)論
    4.3 形態(tài)學(xué)介紹
        4.3.1 腐蝕
        4.3.2 膨脹
    4.4 RGB空間和Lab空間分割及評(píng)估
    4.5 本章小結(jié)
第五章 彩色圖像的紋理提取
    5.1 差分紋理提取
    5.2 提取紋理特征分量
    5.3 紋理特征分量分析
        5.3.1 對(duì)比度分析
        5.3.2 角度方向二階矩分析
        5.3.3 熵的分析
        5.3.4 平均值的分析
    5.4 分割結(jié)果比較
    5.5 實(shí)驗(yàn)結(jié)果討論與結(jié)論
    5.6 本章小結(jié)
第六章 結(jié)論與展望
    6.1 工作總結(jié)
    6.2 工作展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于主成分分析與神經(jīng)網(wǎng)絡(luò)的多響應(yīng)參數(shù)優(yōu)化[J]. 禹建麗,黃鴻琦,苗滿香.  系統(tǒng)仿真學(xué)報(bào). 2018(01)
[2]Non-uniform EWMA-PCA based cache size allocation scheme in Named Data Networks[J]. Narges MEHRAN,Naser MOVAHHEDINIA.  Science China（Information Sciences）. 2018(01)
[3]基于LBP紋理特征的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[J]. 顧瑋.  辦公自動(dòng)化. 2017(24)
[4]基于LAB顏色空間的植物病變區(qū)域提取[J]. 符運(yùn)陽(yáng),郭勝娜,王兵,王光光.  電子世界. 2017(20)
[5]卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)下的深度學(xué)習(xí)算法與應(yīng)用[J]. 陳思哲.  科技傳播. 2017(18)
[6]抗噪形態(tài)學(xué)圖像邊緣檢測(cè)算法的研究[J]. 朱地博,李春貴,張延麗.  信息技術(shù). 2017(07)
[7]基于主成分分析與局部二值模式的高光譜圖像分類[J]. 葉珍,白璘.  激光與光電子學(xué)進(jìn)展. 2017(11)
[8]深度解析Lab顏色模式[J]. 李爽.  電腦知識(shí)與技術(shù). 2017(19)
[9]PCA和Elman網(wǎng)絡(luò)在移動(dòng)學(xué)習(xí)策略分類中的應(yīng)用[J]. 胡帥,程迎新,顧艷.  電子測(cè)量技術(shù). 2016(05)
[10]基于深度卷積神經(jīng)網(wǎng)絡(luò)的快速圖像分類算法[J]. 王華利,鄒俊忠,張見(jiàn),衛(wèi)作臣,汪春梅.  計(jì)算機(jī)工程與應(yīng)用. 2017(13)

博士論文
[1]圖像局部特征的提取與描述方法研究[D]. 宋鐵成.電子科技大學(xué) 2016
[2]水下圖像增強(qiáng)與目標(biāo)識(shí)別算法研究[D]. 侯國(guó)家.中國(guó)海洋大學(xué) 2015
[3]圖像閾值分割關(guān)鍵技術(shù)研究[D]. 龍建武.吉林大學(xué) 2014
[4]數(shù)學(xué)形態(tài)學(xué)在圖像邊緣檢測(cè)和機(jī)器視覺(jué)中的應(yīng)用研究[D]. 黃海龍.東北大學(xué) 2013
[5]基于模糊理論及其擴(kuò)展的圖像分割研究及應(yīng)用[D]. 張玲.山東大學(xué) 2012
[6]圖像增強(qiáng)及其在視覺(jué)跟蹤中的應(yīng)用[D]. 陳一平.國(guó)防科學(xué)技術(shù)大學(xué) 2011
[7]圖像邊緣檢測(cè)技術(shù)及其應(yīng)用研究[D]. 曾俊.華中科技大學(xué) 2011
[8]一種新的紋理描述方法及其應(yīng)用[D]. 徐琪.復(fù)旦大學(xué) 2011
[9]基于顏色和紋理特征的圖像增強(qiáng)和分析算法[D]. Hassana Grema Kaganami（哈桑）.中南大學(xué) 2010

碩士論文
[1]不同光照條件下農(nóng)田圖像分割方法的研究[D]. 陳曉倩.西北農(nóng)林科技大學(xué) 2017
[2]基于遺傳算法與人工神經(jīng)網(wǎng)絡(luò)的加熱爐建模方法研究[D]. 楊猛.中國(guó)科學(xué)技術(shù)大學(xué) 2017
[3]圖像分割算法研究及其應(yīng)用[D]. 林喜蘭.江南大學(xué) 2016
[4]基于改進(jìn)深層網(wǎng)絡(luò)的視頻人臉識(shí)別研究[D]. 李倩玉.合肥工業(yè)大學(xué) 2016
[5]主成分分析法研究及其在特征提取中的應(yīng)用[D]. 陳佩.陜西師范大學(xué) 2014
[6]基于小波變換的遙感圖像分割方法研究[D]. 李賜健.南昌航空大學(xué) 2013
[7]基于脈沖神經(jīng)網(wǎng)絡(luò)的圖像分割研究[D]. 崔文博.西北師范大學(xué) 2013
[8]基于機(jī)器視覺(jué)的邊緣檢測(cè)算法研究與應(yīng)用[D]. 張少偉.上海交通大學(xué) 2013
[9]圖像閾值分割算法研究[D]. 謝鵬鶴.湘潭大學(xué) 2012
[10]基于數(shù)學(xué)形態(tài)學(xué)的醫(yī)學(xué)圖像分割方法研究[D]. 張艷.西南大學(xué) 2011



本文編號(hào)：3171576