导读:本文包含了棉花图像论文开题报告文献综述及选题提纲参考文献，主要关键词:无人机,图像,颜色指数,棉花
棉花图像论文文献综述
王康丽[1]（2019）在《基于无人机可见光和热红外图像的棉花冠层信息识别》一文中研究指出近年来无人机凭借其低廉的价格、灵活的操作及高时空分辨率等优点被广泛的应用于农业监测领域。本试验利用无人机搭载普通光学相机在大田生产条件下采集不同密度处理的(1.5、3.3、5.1、6.9、8.7、10.5万株/公顷)棉花冠层图像,基于拼接好的图像进行颜色信息的提取和新的颜色指数的构建。在采集图像的同一天对棉花长势特征参数LAI、地上部生物量、PAR截获率进行获取。使用颜色指数建立棉花重要特征参数的模拟方程并进行验证。利用机载热红外成像相机对脱叶剂施用后的生理逆境胁迫下的棉田冠层温度进行监测,同时利用温度探头对棉花上部叶片进行监测,分析生理胁迫条件下棉花冠层温度及上部叶片温度的变化规律。试验结果如下:1.利用无人机搭载普通光学相机对棉花冠层信息进行提取并与棉花LAI之间做相关性分析,结果表明:两年间,对LAI估测效果最好的是bgr的指数模型(2017:R~2=0.605,RMSE=0.524;2018:R~2=0.5596,RMSE=0.469)。因此可以利用无人机数字图像中提取的颜色指数bgr快速的估测全生育内棉花LAI。2.利用无人机搭载普通光学相机对棉花冠层信息进行提取并与地上部生物量之间做相关性分析,结果表明:17个颜色指数中估测地上部生物量最好的模型是颜色指数的指数模型,其中bgr指数模型是17个颜色指数构建的模型中估测地上部生物量最好的,但颜色指数bgr的R~2比较小(2017:R~2=0.3516,2018:R~2=0.485)、RMSE比较高(2017:RMSE=3396.54,2018:RMSE=1529.23),因此对地上部生物量的估测不够准确。3.利用无人机搭载普通光学相机对棉花冠层信息进行提取并与棉花PAR截获率之间做相关性分析,结果表明:17个颜色指数中估测PAR截获率最好的是颜色指数的二次模型,其中b构建的二次方程模拟的PAR截获率是17个颜色指数中估测效果最好的(2017:R~2=0.7412,RMSE=0.125;2018:R~2=0.8674,RMSE=0.059)。因此可以利用无人机数字图像中提取的颜色指数b实现对PAR截获率的监测。4.利用无人机搭载热红外相机对脱叶剂处理后的棉田进行连续的监测,结果表明:在太阳辐射强度最大的中午前后,处理组与对照组冠层温差最大,是利用热红外成像监测的最佳时间。随着喷施脱叶剂天数增加,中午前后处理组与对照组的棉花冠层温度差逐渐增大后趋于平稳,此时棉花叶片已基本脱落,因此可以使用机载热红外成像技术监测脱叶效果。综上所述,从无人机搭载可见光相机获取的棉花冠层图像提取、构建的颜色指数可以很好的估测棉花LAI以及PAR截获率。利用无人机搭载的热成像相机对生理逆境条件下棉花的冠层温度可以进行很好的监测,为精准化农田管理打下基础。(本文来源于《中国农业科学院》期刊2019-06-01）
齐英兰[2]（2019）在《棉花图像采集中的椒盐噪声抑制》一文中研究指出为了消除大容量棉花纤维测试仪在图像采集过程中出现的椒盐噪声,改善试样棉花图像质量,提出一种自适应中值噪声抑制方法。该方法在噪声检测中采用了基于灰度阈值的二次判别,避免了噪声的漏检。在此基础上,根据噪声污染程度自动匹配滤波窗口尺寸,采用中值滤波原理去除椒盐噪声。仿真试验结果表明,自适应中值噪声抑制方法在有效消除噪声的同时,保护了棉花图像中杂质的边缘细节。同时,在70%的大噪声密度下峰值信噪比(PSNR)达到26.49,降噪耗时最优仅为5×5极值滤波法的13%,能够有效用于棉花图像椒盐噪声的消除。(本文来源于《上海纺织科技》期刊2019年05期）
张美娜,冯爱晶,周建峰,吕晓兰[3]（2019）在《基于无人机采集的视觉与光谱图像预测棉花产量（英文）》一文中研究指出为了高效管理农田,该文提出了一种应用低空遥感视觉与光谱图像预测棉花产量的方法。盛花期前的棉花图像由无人机遥感平台在距地面50m的飞行高度下采集,采集的局部图像通过拼接处理得到棉花地的全景RGB图像与CIR(color-infrared,彩色红外)图像。基于全景图像提取并计算了色度、植株覆盖率与归一化植被指数(normalized difference vegetationindex,NDVI)3个特征参数,用于构建棉花产量的预测模型。包括产量与特征参数的原始数据集随机分为训练集(90%)与测试集(10%)。训练集数据首先基于产量概率分布特征去除了10%的离群值,然后通过均值滤波器滤波,处理后的数据用于构建预测模型。通过SAS软件对比分析了单变量、双变量以及叁变量构建的线性回归模型,预测模型由P值、决定系数R2、每0.4 hm2面积下估计值与真实值之间的平均绝对误差百分比(mean absolute percentage error,MAPE)这3个参数进行评估。试验结果表明,单变量、双变量以及叁变量构建的共7个线性回归模型,其P值均小于0.05,则7个线性回归模型均具有统计学意义(5%显着性水平)。其中,由叁变量构建的多元线性回归模型具有最大的决定系数R2=0.9 773,因此适应性最优。基于测试集验证模型精度,试验结果表明,采用多元线性回归模型进行产量估计,估计值与实际值之间的平均绝对误差百分比为4.0%。因此,无人机搭载图像传感器采集提取视觉与光谱特征能够有效用于作物产量的预测。(本文来源于《农业工程学报》期刊2019年05期）
雷亚平,韩迎春,杨北方,王康丽,王国平[4]（2018）在《利用无人机数字图像监测不同棉花品种叶面积指数》一文中研究指出叶面积指数是表征作物光合作用能力大小的重要参数。本文利用无人机数码相机获取9个棉花品种全生育期冠层数字图像,基于归一化绿-红差值指数Normalized green-red difference index,NGRDI、可见光大气阻抗植被指数(Visible atmospherically resistant index,VARI)、过绿指数(Excess green index,ExG)、过绿减过红植被指数(Excess green minus excess red index,ExGR)和绿叶植被指数(Green leaf index,GLI)5种常用的可见光颜色指数,通过多阈值分割,提取小区中心部位植被覆盖指数,研究不同植被覆盖指数反映棉花叶面积指数的差异。通过设置相机不同曝光时间筛选出在自动曝光下表现较稳定的基于颜色指数的植被覆盖指数GLI、NGRDI与ExG。然后研究了棉花叶面积指数以及基于GLI、NGRDI与ExG的植被覆盖指数变化规律,以及两者的相关性。结果表明:叶面积指数随播种后时间的增加先增大后减小,花铃期叶面积指数达到峰值;基于ExG、GLI、NGRDI的3种植被覆盖指数在生育期内都呈现开口向下的二次曲线;叶面积指数与基于NGRDI、ExG的植被覆盖指数呈显着线性相关,尤其是在吐絮期前,决定系数(R~2)分别为0.913、0.912,基于NGRDI的估测效果显着好于ExG。利用基于NGRDI的植被覆盖指数预测试验田叶面积指数并形成分布图。因此,利用无人机搭载普通数码相机获取棉田叶面积指数是可行的,该方法可为指导生产管理提供参考。(本文来源于《中国棉花》期刊2018年12期）
龙金辉[5]（2018）在《融合同态滤波与马尔可夫随机场的棉花图像分割》一文中研究指出对机器人图像处理系统中的图像进行准确分割具有重要实用价值,提出融合同态滤波与马尔可夫随机场的图像分割算法。(1)将读入的图像从RGB模式转换到HSI模式,进行同态滤波处理以凸显图像细节与目标区域;(2)将同态滤波后的RGB模式彩色图像转换成灰度图像;(3)将利用了图像区域信息的马尔可夫随机场模型以及对图像中的少量模糊和不确定点具有良好适应性的约束聚类方法相结合,对图像进行分割;(4)在分割图像的基础上通过对连通区域面积阈值的设定以获取目标区域。选取不同角度与光照采集的图像,使用本研究算法进行分割试验,并分别与OTSU算法、模糊聚类图像分割算法和马尔可夫随机场图像分割算法进行比较,结果表明,本研究算法对图像进行分割的效果更好。(本文来源于《江苏农业科学》期刊2018年20期）
毋立芳,汪敏贵,付亨,简萌[6]（2018）在《深度目标检测与图像分类相结合的棉花发育期自动识别方法》一文中研究指出提出了一种深度目标检测与图像分类相结合的棉花发育期自动识别方法,首先观察和分析棉花各个发育期图像存在的不同特征,然后通过基于深度学习的图像分类实现对棉花叁真叶期、五真叶期和现蕾期的自动识别,并通过深度目标检测自动检测图像中的花朵和棉絮,最后综合2种算法的结果,实现对棉花完整发育期的自动识别。将所提方法用新疆乌兰乌苏农业气象站提供的2016年部分观察数据进行训练,再用农业气象站提供的2016年的其他数据和2017年的全部数据集进行测试,算法对棉花发育期的识别准确率分别可达80.52%和75.48%,表明所提方法可为棉花作物远程观测提供一种可行的解决方案。(本文来源于《中国科技论文》期刊2018年20期）
张智韬,边江,韩文霆,付秋萍,陈硕博[7]（2018）在《无人机热红外图像计算冠层温度特征数诊断棉花水分胁迫》一文中研究指出针对当前无人机热红外遥感诊断作物水分胁迫状况精度不高的问题,该文以4种水分处理的花铃期棉花为试验对象,利用六旋翼无人机搭载热红外传感器,连续5 d采集中午13点的棉花冠层高分辨率热红外影像,通过Canny边缘检测算法将热红外图像中的土壤背景有效剔除,应用温度直方图验证剔除效果,然后计算棉花冠层温度特征数,包括冠层温度标准差(standard deviation of canopy temperature,CTSD)和冠层温度变异系数(canopy temperature coefficient of variation,CTCV);分别研究棉花冠层温度特征数与棉花叶片气孔导度Gs、蒸腾速率Tr、水分胁迫指数(crop water stress index,CWSI)和土壤体积含水率(soil volumetric water content,SWC)的相关关系,并分析冠层温度特征数对诊断棉花水分胁迫的适用性。研究结果表明:棉花冠层温度特征数与表征棉花水分胁迫的生理指标和物理指标都具有较高的相关性,最大的决定系数R2为0.884;棉花冠层温度标准差CTSD和变异系数CTCV与Gs、Tr、CWSI、SWC的决定系数R2分别为0.884、0.625、0.673、0.550和0.853、0.583、0.620、0.520,冠层温度标准差CTSD对作物水分胁迫的敏感程度更高,可以作为诊断作物水分胁迫的新指标。该研究提出冠层温度特征数的计算方法仅需要无人机热红外影像数据,相比其他诊断作物水分胁迫状况的温度指标具有较大的应用潜力。(本文来源于《农业工程学报》期刊2018年15期）
樊海风[8]（2018）在《基于机器视觉的棉花图像分割与定位技术研究》一文中研究指出几年来,随着棉花产业的发展,如何降低植棉成本,提高采棉效率与品质,是广大棉花科研工作者的研究重点。传统的机械采棉棉花含杂率高,品质等级较低,作业成本高,因此,智能型采棉机是未来采棉机械的发展方向。本文针对采棉机的应用环境,提出一种智能采摘方案:利用双目视觉系统作为采棉机的“眼睛”,完成棉花的定位识别工作,并把采摘点的位置信息传递给机械手,完成智能化采摘。在棉花目标识别方面,本文首先分析了棉花实际环境中的主要分割问题,进而提出了叁种适宜的分割算法:基于Otsu算法的自适应阈值图像分割、基于改进的BP神经网络算法以及极限学习机。通过叁种算法的图像分割实验,分析总结出以下规律:(1)在复杂自然环境中,存在许多背景区域的灰度信息与棉花类似,而由于遮挡原因,一些棉花区域的亮度信息较低,采用阈值分割的方法很难从背景区域中完全分割出棉花。(2)在BP神经网络算法和极限学习机的训练过程中,RGB和OHTA颜色空间下的特征值对不同区域的分割效果各有优劣。(3)和BP神经网络相比,极限学习机在分割性能接近的情况下实时性更优秀。因此,本文提出基于极限学习机的图像分割算法,以RGB和OHTA颜色空间下的特征分量以及图像的平均亮度作为网络模型的输入,实现在自然环境下棉花区域的准确分割。在视觉定位系统上,根据课题需求选择了平行双目立体视觉系统,介绍了双目视觉系统的理论模型,分析阐述了相机标定的计算原理,采用基于平面标定板的相机标定方法完成双目相机的立体标定。在立体匹配上,分析总结了目前常用匹配方法的优点,结合本文的采摘情况,提出了基于棉花分割信息的区域匹配方法,该方法利用了图像的分割信息,实现了棉花采摘点的快速匹配,实时性好的同时误匹配率低。最后为了提高定位系统的精度,本文分析总结了平行双目立体视觉系统下测量误差的主要影响因素,并建立测量结果的误差模型,提出误差补偿的思想,采用BP神经网络模型预测定位系统的测量误差,并通过学习样本数据得到测量误差的预测模型,对测量数据进行误差补偿,分析对比原始测量数据与修正后测量结果的精度,验证了误差补偿方法在提高定位系统精度上的可行性。(本文来源于《重庆大学》期刊2018-05-01）
龙金辉,朱真峰[9]（2018）在《融合马尔可夫随机场与量子粒子群聚类的棉花图像分割算法》一文中研究指出【目的】提高采摘机器人棉花图像处理系统中的图像分割准确率。【方法】提出融合马尔可夫随机场与量子粒子群聚类的图像分割算法。步骤:将读入的RGB模式彩色图像转换成灰度图像;利用本算法分割图像;通过对连通区域面积阈值的设定获取目标区域。使用本算法分割不同角度采集的棉花正面图像与棉花侧面图像,并采用分割精度、峰值信噪比,分别与Otsu算法、模糊聚类图像分割算法、量子粒子群图像分割算法和马尔可夫随机场图像分割算法进行效果比较。【结果】本算法分割精度、峰值信噪比平均值分别为98.94%、77.48dB,与Otsu算法、模糊聚类图像分割算法、量子粒子群图像分割算法、马尔科夫随机场图像分割算法相比,分割精度、峰值信噪比分别提高2.47~4.56百分点、9.81~13.11 dB。【结论】本算法处理棉花图像具有更高的分割精度以及峰值信噪比。(本文来源于《棉花学报》期刊2018年02期）
李凯,张建华,冯全,孔繁涛,韩书庆[10]（2018）在《复杂背景与天气条件下的棉花叶片图像分割方法》一文中研究指出为实现自然条件下棉花叶片的精准分割,提出一种粒子群(Particle swarm optimization,PSO)优化算法和K-means聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在RGB颜色空间模式下采用二维卷积滤波进行去噪预处理,并将预处理后的彩色图像从RGB转换到目标与背景差异性最大的Q分量、超G分量、a*分量;随后在K均值聚类的一维数据空间中,利用PSO算法向全局像素解的子空间搜寻,通过迭代搜寻得到全局最优解,确定最佳聚类中心点,改善K均值聚类的收敛效果;最后,对像素进行聚类划分,从而得到棉花叶片分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:该算法对于晴天、阴天和雨天图像中目标(棉花叶片)分割准确率分别达到92.39%、93.55%、88.09%,总体平均分割精度为91.34%,并与传统K均值算法比较,总体平均分割精度提高了5.41%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像实现准确分割,为棉花叶片的特征提取与病虫害识别等后续处理提供支持。(本文来源于《中国农业大学学报》期刊2018年02期）
棉花图像论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了消除大容量棉花纤维测试仪在图像采集过程中出现的椒盐噪声,改善试样棉花图像质量,提出一种自适应中值噪声抑制方法。该方法在噪声检测中采用了基于灰度阈值的二次判别,避免了噪声的漏检。在此基础上,根据噪声污染程度自动匹配滤波窗口尺寸,采用中值滤波原理去除椒盐噪声。仿真试验结果表明,自适应中值噪声抑制方法在有效消除噪声的同时,保护了棉花图像中杂质的边缘细节。同时,在70%的大噪声密度下峰值信噪比(PSNR)达到26.49,降噪耗时最优仅为5×5极值滤波法的13%,能够有效用于棉花图像椒盐噪声的消除。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
棉花图像论文参考文献
[1].王康丽.基于无人机可见光和热红外图像的棉花冠层信息识别[D].中国农业科学院.2019
[2].齐英兰.棉花图像采集中的椒盐噪声抑制[J].上海纺织科技.2019
[3].张美娜,冯爱晶,周建峰,吕晓兰.基于无人机采集的视觉与光谱图像预测棉花产量（英文）[J].农业工程学报.2019
[4].雷亚平,韩迎春,杨北方,王康丽,王国平.利用无人机数字图像监测不同棉花品种叶面积指数[J].中国棉花.2018
[5].龙金辉.融合同态滤波与马尔可夫随机场的棉花图像分割[J].江苏农业科学.2018
[6].毋立芳,汪敏贵,付亨,简萌.深度目标检测与图像分类相结合的棉花发育期自动识别方法[J].中国科技论文.2018
[7].张智韬,边江,韩文霆,付秋萍,陈硕博.无人机热红外图像计算冠层温度特征数诊断棉花水分胁迫[J].农业工程学报.2018
[8].樊海风.基于机器视觉的棉花图像分割与定位技术研究[D].重庆大学.2018
[9].龙金辉,朱真峰.融合马尔可夫随机场与量子粒子群聚类的棉花图像分割算法[J].棉花学报.2018
[10].李凯,张建华,冯全,孔繁涛,韩书庆.复杂背景与天气条件下的棉花叶片图像分割方法[J].中国农业大学学报.2018