[发明专利]绿色作物特征提取方法以及农情信息检测视觉系统

说明书

技术领域

本发明涉及图像处理领域，尤其是涉及一种绿色作物特征提取方法以及农情信息检测视觉系统。

背景技术

目前在现代农业工程中，图像处理得到了越来越广泛的应用。例如对于精细农业中的自动远程感测和成像应用、作物生态评估、农药精确喷施和除草控制等，都需要对于所获取的相应彩色图像进行绿色作物识别，并相应地提取绿色作物特征，也即将绿色作物从非绿色的背景中分割出来，以便依据所提取出的绿色作物及其位姿信息进行进一步的精细农业自动化作业和管理、农业生态信息监测等应用处理。尤其在农业生态信息监测中，如在田间自然条件下采用无线传感器网络进行在线农情信息监测，作物生态环境的复杂性和土壤背景的复杂性都会影响绿色作物特征的图像提取。

彩色图像提取绿色作物特征的影响因素主要包括：土壤背景中的作物残留物（如干枯的根和茎等）、不同作物质材与土壤颜色的差异、交叠叶片的阴影、太阳光的入射角度、摄像头相对于作物叶片和太阳的角度，石块，以及土壤的干或湿等。目前虽然已经提出了一些绿色农作物的识别方法，然而基于上述影响因素的田间作物图像的绿色作物特征提取方法并没有令人满意的解决方案。

发明内容

为了解决上述问题，根据本发明的一个实施例，提供了一种绿色作物特征提取方法，包括：获取包含有绿色作物像素的待识别图像；确定所述待识别图像中的像素的六个参数值：红色值、绿色值、蓝色值、绿色减红色值、绿色减蓝色值和蓝色减红色值；基于所述六个参数值和Elman神经网络来提取所述待识别图像中的绿色作物像素，从而提取绿色作物特征。

根据本发明的另一个实施例，提供了一种农情信息检测视觉系统，包括：获取装置，用于获取包含有绿色作物像素的待识别图像；确定装置，用于确定所述待识别图像中的像素的六个参数值：红色值、绿色值、蓝色值、绿色减红色值、绿色减蓝色值和蓝色减红色值；以及提取装置，用于基于所述六个参数值和Elman神经网络来提取所述待识别图像中的绿色作物像素，从而提取绿色特征。

通过本发明实施例提供的方案，采用了新设计的六个输入参数并结合Elman神经网络，实现了从彩色图像复杂土壤背景中提取绿色作物特征，从而可应用于农情信息采集和检测中对实时性要求较低的场合。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了根据本发明一个实施例的绿色作物特征提取方法的示意性流程图。

图2示出了根据本发明一个实施形式的基于六个参数值和Elman神经网络来提取待识别图像中的绿色作物特征的流程图。

图3分别示出了在复杂土壤环境下使用GVFE方法和使用本发明实施例的方法的效果对比图。

图4示出了根据本发明一个实施例的农情信息检测视觉系统的示意结构图。

图5示出了根据本发明的一个实施形式的提取装置的示意性结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前，对于彩色图像中的绿色作物特征的提取，已公开了一些依赖于阈值的算法，如k均值聚类（k-means-based clustering），以用于将作物从非绿色的背景中分离，但是这些算法依赖于需要优化的阈值；再例如，采用归一化植物指数（normalized differencevegetation index，NDVI）、超绿（excess green index,ExG）、超绿减超红（excess greenminus excess red,ExG-ExR）等进行灰度化后还需进行二值化求阈值处理等。另外，还有如采用mean shift和BP神经网络、mean shift和Fisher判别规则进行绿色作物的分割，但这些算法均比较复杂，不利于实际应用的实现。尤其是由于实际应用中有较多影响因素，且关系复杂，诸如光照条件变化（太阳光的入射角度、摄像头相对于作物叶片和太阳的角度变化）、具有残留物的复杂的土壤背景、杂草和石头、阴影，以及湿的土壤背景等，在实际应用中使用现有的算法来进行绿色作物特提取仍需进一步改进。