下载文档原格式
使用Matlab进行植物图像分析的方法研究植物图像分析是一门重要的研究领域，它可以帮助我们更好地理解植物的结构和生理特性。
近年来，随着计算机技术的不断发展，使用计算机视觉方法进行植物图像分析已成为一种较为常见的研究手段。
本文将介绍使用Matlab进行植物图像分析的方法研究，并探讨其在生态学、农业科学等领域的应用前景。
一、图像预处理图像预处理是植物图像分析的第一步，它的目的是消除图像中的噪声和不需要的信息，提高图像的质量。
在Matlab环境下，我们可以利用图像处理工具箱中提供的函数进行图像预处理。
例如，我们可以使用滤波器对图像进行平滑操作，可以使用阈值分割方法将图像分为背景和前景等。
二、特征提取特征提取是植物图像分析的核心，它的目的是从图像中提取出植物的形态和结构等特征。
在Matlab中，我们可以利用图像处理工具箱中的多种函数进行特征提取。
例如，我们可以使用形态学操作对植物的轮廓进行提取，可以使用边缘检测算法对植物的边缘进行提取，可以使用纹理分析方法对植物的纹理特征进行提取等。
三、机器学习方法机器学习方法在植物图像分析中扮演着重要的角色，它可以根据提取出的特征对植物进行分类和识别。
在Matlab中，我们可以利用机器学习工具箱中提供的函数进行机器学习算法的实现。
例如，我们可以使用支持向量机（SVM）算法对植物进行分类，可以使用卷积神经网络（CNN）对植物进行识别等。
通过机器学习方法，我们可以更加准确地对植物进行分类和识别，为后续的研究工作提供支持。
四、应用前景植物图像分析在生态学、农业科学等领域具有重要的应用前景。
在生态学中，通过对植物的图像分析，我们可以了解植物的空间分布状况、生态系统的稳定性等。
在农业科学中，通过对植物的图像分析，我们可以监测植物的生长状态、预测产量、研究植物的抗逆性等。
此外，植物图像分析还可以应用于植物病害的检测和预防、植物品种的鉴别和选育等方面。
总结：使用Matlab进行植物图像分析的方法研究有着广泛的应用前景。
图像处理实验报告实验名称基于Matlab 图像处理求植物叶片面积 实验目的1.用matlab 测试叶片面积与网格测面积对比，研究可用性。
2.学习用matlab 对图像进行背景去除、对比度处理、图像型学处理及中值滤波处理等。
3.学习用matlab 计算像素点的比例，利用已知参照物面积计算出要求的叶子面子。
实验原理实验通过手动网格法测叶子面积与matlab 处理计算叶子面积对比，研究matlab 测试叶子面积的可用性。
matlab 测面积所选择的图片是把植物叶片放置在旁边画有已知面积的小方格作为参照物的白纸上用手机拍取图像。
如此即将叶片信息转化为计算机可识别的图像信息。
由于数字图像都是由一个个像素点组成。
可以根据像素点比例和参照物面积求出植物叶片面积。
叶片面积计算公式如下：参照物像素数叶片像素数参照物面积叶片面积⨯=实验内容步骤1、网格测面积由于用excel 做30mm*30mm 网格及10mm*10mm 小方格打印出来实际面积变为29mm*28mm 网格及9mm*9mm 小方格（如下两图）故参照物面积为81mm 2，网格法测出叶子所占空格490，共有900网格，故叶子面积为442mm 2计算如下：4422829900490=⨯⨯=⨯=网格面积网格总个数叶子轮廓所占网格个数网格法测叶子面积2、matlab测面积（1）通过手机拍照如下保存为leaf..jpg和一张白色背景图background.jpg，通过matlab读取图像。
如图1（2）图像灰度处理由于手机拍摄的是彩色即rgb格式，为了进行下一步处理，需要先将图像转换为灰度图像。
灰度变换是图像增强的一种手段，是图形动态范围加大，对比度扩展，图形更清晰，特征更明显。
用rgb2gray函数。
处理后如图2图1 图2（3）用差分法进行图像分割图像差分法用imsubtract函数将一幅输入图像的像素值从另外一幅输入图像相应的像素值中减去，再将相应的像素值之差作为输出图像的对应的像素值。
第1篇一、实验目的本实验旨在研究温室杂草识别技术，通过数字图像处理方法，实现对温室中杂草的自动识别和分类，为温室杂草的精准管理提供技术支持。
二、实验背景温室杂草对农作物生长影响较大，不仅会与作物争夺养分、水分和阳光，还会导致病虫害的发生。
因此，及时识别和清除杂草对于提高农作物产量和品质具有重要意义。
随着数字图像处理技术的不断发展，利用图像处理技术实现温室杂草识别成为可能。
三、实验材料与设备1. 实验材料：温室杂草样本、农作物样本、彩色摄像机、温室环境2. 实验设备：计算机、MATLAB软件、数字图像处理软件四、实验方法1. 数据采集：在温室环境中，使用彩色摄像机采集杂草和农作物样本图像。
2. 图像预处理：对采集到的图像进行灰度化、滤波、二值化等预处理操作，以提高图像质量。
3. 特征提取：根据温室杂草和农作物的图像特征，提取相应的特征向量，如颜色特征、纹理特征、形状特征等。
4. 识别算法：采用机器学习算法，如支持向量机（SVM）、神经网络等，对提取的特征向量进行分类识别。
5. 结果分析：对识别结果进行统计分析，评估识别准确率和实时性。
五、实验步骤1. 数据采集：在温室中采集不同生长阶段的杂草和农作物样本图像，确保样本具有代表性。
2. 图像预处理：对采集到的图像进行灰度化、滤波、二值化等预处理操作，以提高图像质量。
3. 特征提取：根据温室杂草和农作物的图像特征，提取相应的特征向量，如颜色特征、纹理特征、形状特征等。
4. 识别算法：采用支持向量机（SVM）算法对提取的特征向量进行分类识别。
5. 结果分析：对识别结果进行统计分析，评估识别准确率和实时性。
六、实验结果与分析1. 图像预处理效果：经过预处理后的图像质量得到显著提高，有利于后续的特征提取和识别。
2. 特征提取效果：通过提取颜色、纹理、形状等特征，能够较好地区分杂草和农作物。
3. 识别算法效果：采用支持向量机（SVM）算法对特征向量进行分类识别，识别准确率达到90%以上。
matlab花卉识别代码一、前言花卉识别是计算机视觉领域中的一个重要研究方向，它可以应用于农业、园艺、生态环境保护等领域。
在花卉识别中，Matlab是一种常用的工具，它提供了丰富的图像处理和机器学习函数库，可以方便地实现花卉识别功能。
本文将介绍如何使用Matlab实现花卉识别功能。
二、图像处理1. 图像读取在Matlab中，可以使用imread函数读取图片文件。
例如：```matlabimg = imread('flower.jpg');```2. 图像预处理在进行花卉识别之前，需要对图像进行预处理。
常见的预处理方法包括灰度化、二值化、去噪等。
灰度化可以将彩色图像转换为灰度图像，简化后续处理过程。
可以使用rgb2gray函数实现：```matlabgray_img = rgb2gray(img);```二值化可以将灰度图像转换为黑白图像，使得目标物体更加突出。
可以使用imbinarize函数实现：```matlabbw_img = imbinarize(gray_img);```去噪可以消除图像中的噪声干扰，提高后续处理的准确性。
可以使用medfilt2函数实现：```matlabdenoise_img = medfilt2(bw_img);3. 特征提取特征提取是花卉识别的关键步骤，它可以从图像中提取出代表花卉特征的信息，用于后续分类。
常见的特征包括颜色、形状、纹理等。
颜色特征可以通过计算图像中各个像素点的颜色直方图得到。
可以使用imhist函数实现：```matlabcolor_hist = imhist(img);```形状特征可以通过计算图像中物体的轮廓得到。
可以使用bwboundaries函数实现：```matlabboundaries = bwboundaries(denoise_img);```纹理特征可以通过计算图像中物体的灰度共生矩阵得到。
可以使用graycomatrix函数实现：```matlabglcm = graycomatrix(gray_img);```三、机器学习1. 数据集准备在进行机器学习之前，需要准备好训练数据集和测试数据集。
MATLAB花卉识别代码1. 简介花卉识别是一项基于图像处理和机器学习的任务，目的是通过对花卉图像进行分析和特征提取，来自动识别花卉的种类。
MATLAB作为一种强大的数学计算和图像处理工具，提供了丰富的函数和工具箱，可以用于实现花卉识别算法。
本文将介绍如何使用MATLAB编写一个简单的花卉识别代码，以实现对花卉图像进行分类和识别。
2. 数据集准备在进行花卉识别之前，我们需要准备一个用于训练和测试的数据集。
这个数据集应包含不同种类的花卉图片，并且每个图片都要有对应的标签（即花卉种类）。
可以从公开数据集中下载或者自行收集。
3. 图像预处理在进行特征提取之前，我们需要对图像进行一些预处理操作。
这些操作包括图像读取、大小调整、灰度化、去噪等。
首先，使用MATLAB中的imread函数读取图像文件，并使用imresize函数将图像调整到统一大小。
然后，可以使用rgb2gray函数将彩色图像转换为灰度图像，以简化后续的处理过程。
接下来，可以使用滤波器函数（如medfilt2）对图像进行去噪处理，以消除图像中的噪声干扰。
这样可以提高后续特征提取的准确性。
4. 特征提取特征提取是花卉识别中非常重要的一步，它将图像转换为一组数值型特征向量，用于描述花卉图像的关键信息。
常用的特征包括颜色直方图、纹理特征、形状特征等。
在MATLAB中，可以使用imhist函数计算图像的颜色直方图，并将其作为颜色特征。
对于纹理特征，可以使用graycomatrix函数计算灰度共生矩阵，并使用graycoprops函数提取统计特征（如对比度、相关性等）。
对于形状特征，可以使用形态学操作（如腐蚀、膨胀）来提取目标物体的轮廓，并计算其面积、周长等属性。
通过将这些不同类型的特征组合在一起，可以得到一个综合描述花卉图像的特征向量。
5. 训练模型在进行花卉识别之前，我们需要训练一个分类模型。
常用的分类算法包括支持向量机（SVM）、K近邻（KNN）、决策树等。
利用Matlab进行图像识别与处理的实践方法引言随着计算机技术的飞速发展，图像识别与处理成为了计算机视觉领域的重要研究方向。
而Matlab作为一种功能强大的数学软件工具，在图像识别与处理方面也有着广泛的应用。
本文将探讨利用Matlab进行图像识别与处理的实践方法，希望能为相关领域的研究者和从业者提供一些有益的参考。
一、图像读取与显示图像识别与处理的第一步是读取图像并进行显示。
在Matlab中，可以使用imread()函数来读取图像文件，并通过imshow()函数将图像显示出来。
例如，下面的代码可以读取名为"image.jpg"的图片，并在Matlab界面中显示出来。
```matlabimage = imread('image.jpg');imshow(image);```二、图像灰度化处理图像的灰度化处理是图像识别与处理的常见步骤。
通过将彩色图像转换为灰度图像，可以减少图像的复杂度，方便后续的处理工作。
在Matlab中，可以使用rgb2gray()函数将彩色图像转换为灰度图像。
下面的代码给出了一个实例：```matlabgray_image = rgb2gray(image);imshow(gray_image);```三、图像二值化处理在某些情况下，我们需要将图像转换为二值图像，以便更好地处理图像中的目标物体。
Matlab提供了多种二值化处理方法，其中最常用的是基于阈值的方法。
通过将图像中的像素值与设定的阈值进行比较，可以将像素值大于阈值的设置为白色（255），像素值小于等于阈值的设置为黑色（0）。
```matlabthreshold = 128;binary_image = imbinarize(gray_image, threshold);imshow(binary_image);```四、图像滤波处理图像中常常存在一些噪声，这会影响到后续的图像识别和处理结果。
MATLAB图像处理技术在农业病虫害识别中的应用分析作者：梁晓彤徐践来源：《南方农业·下旬》2017年第07期摘要目前，图像处理技术的应用与研究都有了很大进展，其应用也已经渗透到农业生产的各个领域。
在农业生产中，病虫害一直是困扰农作物生长的基本问题。
因此研究农作物病虫草害的自动检测与识别，开发智能化控制系统，准确地获取植物受害的病因、病种及受害程度是保证农业生产可持续发展的重要环节。
借助MATLAB工具针对农业病虫害的图像进行识别和处理，研究基于图像处理技术的农业病虫害识别算法。
通过图像处理技术实现昆虫种类自动识别，弥补了传统的给予文字描述的昆虫识别及昆虫学家人工识别方法的不足，能够给用户提供更为实时、准确的昆虫识别结果。
关键词 MATLAB；图像处理技术；农业病虫害；图像识别中图分类号：TP391.4 文献标志码：B DOI：10.19415/ki.1673-890x.2017.21.0651 研究背景及意义我国自古就是农业大国，农业始终是支撑国民经济建设与发展的最重要的产品。
在农业生产中，病虫害一直是影响农作物生长的重要问题。
病虫害是引起作物减产低产的重要原因之一，及时发现并控制害虫数量，对确保作物的生长具有重要作用。
在长期以来的防治害虫实践中，人们一直在探索并研究着各种防治的方法，经过不断的改进和发展，逐步形成了目前普遍采用的5类基本防治方法，即植物检疫、农业防治、生物防治、化学防治和物理机械防治。
这5类防治方法各具优点，但同时也存在着一定的局限性。
如通常这些传统的防治方法都需要投入较大的人力、物力、财力，且易受到地域、季节等限制，还会对人畜，环境产生较大的副作用。
由于不能准确地监测出植物病害，所以农业生产者盲目地施用大量的农药和化肥来防治病虫害的不断发生，这样不仅浪费了财力、物力和人力，而且没有起到很好的防治作用，影响了农产品的品质和产量，也破坏了生态环境。
所以，及时，准确地监测害虫的信息，确定出害虫的位置，种类和分布情况等，是首先要解决的问题。
目录摘要 (1)英文摘要 (2)1 引言 (2)1.1 选题背景及意义 (3)1.2 国内外研究的进展 (3)1.2.1 树叶识别的研究进展 (3)1.2.2 神经网络的研究进展 (4)1.3 论文的主要内容与组织结构 (4)1.3.1 论文的主要内容 (4)1.3.2 组织结构 (4)2 树叶图像预处理 (4)2.1 图像采集 (4)2.2 图像裁剪 (5)2.3 图像平滑 (6)2.4 图像分割 (8)2.4.1 最大类间方差法 (8)2.4.2 matlab实现及效果图 (8)2.5 边缘检测 (9)3 树叶图像特征提取 (11)4 基于神经网络的树叶识别 (13)4.1 BP网络基本理论 (13)4.2 隐含层数的选取 (13)4.3 节点数的选取 (13)4.4 BP网络的建立 (14)4.5 树叶识别 (14)4.6 GUI界面设计 (14)4.7 结果分析 (16)5 总结与展望 (16)5.1 总结论文的主要工作 (16)5.2 展望论文的不足 (16)参考文献 (16)致谢 (17)基于神经网络的树叶识别系统研究机电与信息工程学院电子信息工程曹文君（20903031002）指导老师：吕军（助教）摘要：植物是生物圈的重要组成部分，其中，叶片是植物的一个重要特征，不同的植物叶片在叶形及叶脉等外部特征上都不尽相同，这就使我们能够很好地利用植物叶片的特征来对植物分类。
过去这类工作是由人工完成，不但工作量大，而且工作效率比较低。
随着数字图像处理技术的快速发展，我们可以有效地借助计算机进行辅助操作，这样可以提高识别的准确性，从而提升了工作效率。
本文重点工作有：应用数字图像处理技术对采集到的叶片做图像预处理；提出了基于BP神经网络的方法进行树叶的识别，并构造了一个基于神经网络的集成分类器模型。
最后，对本系统进行了仿真测试，取得了较好的结果。
关键词：图像处理；神经网络；集成分类器Recognition System of Leaf Images Based onNeuronal NetworkCao Wenjun Director：Lv Jun（A ssistant）(School of Mechanical Electrical and Information Engineering ,Huangshan University , Huangshan,China, 245041)Abstract：The plant is an important component of the biosphere ,and a leaf is a key character of the plant ,different plant may be different in leaf type as well as the leaf vein ,and this enables us to use the plant leaf to carry on the classification of the plant .In the past ,this kind of work was by completes artificially ,the work load was also very heavy ,moreover the working efficiency was relatively quite low .Along with the computer image processing technology's fast development ,we can use the computer to help us with this work ,then enhance the recognition accuracy and promote the working efficiency .The main work of this article includes :use digital image processing technology to pretreat the leaf image ;propose method based on BP neural network recognition of the leaves ,besides ,constructed a model based on neural network ensemble classifier .Finally carried on the experiment test to this system ,hen get to the good result .Key Words：image processing；neural network；ensemble classifier1 引言1.1选题背景及意义大千世界，植物是普遍存在于自然界的。
基于MATLAB数字图像处理杂草识别基于数字图像处理的杂草识别班级：信息5班组员：李辉李少杰李港深胡欣阳学号：04141394 04141395 04141393 0414139 指导教师：蔡利梅组员分工：李辉：部分程序，查找资料李少杰：实验报告，PPT，演讲李港深：部分程序，实验报告胡欣阳：部分程序，实验报告摘要杂草同农田作物争夺阳光和养分，严重影响了农作物的生长。
为了达到除草的目的，人们开始喷洒大量的除草剂来进行除草。
可是却忽略了除草剂的不当使用给人、畜以及环境造成的危害。
本文从实际应用出发，设计了一个基于数字图像处理的杂草图像特征提取及识别设计方案。
运行在参考了前人研究成果的基础上，不断将算法改进，找出适合于MATLAB杂草识别的可行性方法。
本文对杂草图像的处理和识别方法进行研究。
采集来的图像经常会有模糊现象的发生，对模糊图像的恢复处理做了大量的研究试验，得出维纳滤波具有较好的恢复效果；绿色植物和土壤背景的分割试验中，提出了一种基于彩色图像的二值化方法，可以不经过彩色图像灰度化就能够直接把绿色植物与土壤背景分割开，和以往的分割方法相比处理速度快，分割效果好，更加满足实时性；杂草和作物的分割主要研究了行间杂草和作物的分割，参考国内外资料，并进行研究试验，表明运用位置特征识别法有很好的分割效果，寻找作物中心行采用了简单快速的像素位置直方图法，采用了区域生长，和其他方法相比减少了重复操作，节省了时间，满足实时处理的要求；分割后的图像为只含有杂草的二值图像，通常会有一些残余的叶片和颗粒的噪声，通过形态学滤波或中值滤波去除噪声。
1、研究目的及意义杂草是生态系统中的一员,农田杂草是农业生态系统中的一个组成部分，它直接或间接的影响着农业生产，给经济作物带来很大的危害。
杂草不仅与农作物争夺阳光、水分、肥料、还与作物争夺生存空间，不经过及时的处理，会阻碍作物生长，导致作物产量的下降，产品质量受损，甚至妨碍农作物收获，增加生产费用[1]。
据统计,目前世界上共有杂草近5万种,农田杂草8000多种，而危害主要粮食作物的约有250多种。
在我国，杂草分布区域也十分广泛，据我国农业植保总站近年调查发现，我国农田杂草约1500多种，其中给农作物造成严重危害的杂草有17种；危害范围较广、危害较严重的主要杂草有31种；地域性杂草有24种；一般不对农作物造成较严重危害的次要杂草有183种[2]。
为了减轻草害，人们投入了大量的人力与物力。
统计表明，美国每年因为杂草在64种农作物中造成的损失达75亿美元，而每年用于化学除草的费用高达36亿美元，用于机械和其它除草的费用达26亿美元[3]。
我国用在除草上的劳动量也高达20-30亿个劳动日，即便如此，我国草害造成的粮食损失平均达13.4％，年损失粮食产量约17500kt[4]。
人们为了减轻杂草对农作物的危害以及造成的经济损失，经常采用的几种除草方法包括机械除草、化学除草、人力除草、静电除草，还有生物除草等。
人力除草由于浪费人力，效率又低，现在很少被使用；机械除草虽然效率较高，对环境污染小，但需消耗大量的动力，造成土壤压实，对下茬作物的生长不利；静电除草能除掉部分杂草，但可能造成作物烧伤，甚至影响土壤结构，降低土壤的生产能力；生物除草是从分子生物学角度进行研究，利用动物、昆虫、病菌等方法防除某些杂草,但还没有真正应用于生产。
目前应用最广泛的除草方法是化学除草，化学除草是利用化学农药（除草剂）进行防除杂草的方法，其主要特点是高效、省工，尤其是可以免去繁重的田间除草劳动，解放田间的劳动力，正因为化学除草具有其他除草方法所不具备的优点而被广泛应用。
但是，在人们大量的使用除草剂防治草害的同时，也产生了许多不良影响，如污染农副产品及破坏生态平衡。
人们从化学除草所带来的负面影响，已深刻认识到单纯依赖化学防治和“地毯式”大量喷洒除草剂的错误做法[5]。
因此，想到应该采取一些有利的措施，既能有效的消除草害，提高粮食作物的产量，又能保护好人们的生存环境，达到可持续发展的目的，这就使得科学工作者对杂草控制新方法的研究成为了必然。
针对这种情况，通过研究，我们利用图像处理技术来识别杂草并确定杂草的位置和类别，从而为作物田间精确喷洒除草剂的自动化作业提供理论与技术支持。
2、杂草识别的研究方法主要有：颜色特征分析法、形状特征分析法、纹理特征分析法、光谱分析法和位置特征分析法与区域生长法。
1.颜色特征分析法颜色特征分析法是用于杂草识别的重要方法。
在大自然中，植物呈现绿色，土壤呈黄褐色，岩石和无生命的植物残渣呈淡黄色。
根据植物和背景的颜色特征差异就可以将植物从复杂的土壤背景中分离出来。
有些杂草的茎呈现褐色，根据杂草和作物的颜色差异能够将它们区分开。
2. 形状特征分析法形状特征分析法是利用植物的叶片形状差异进行识别。
基本形状特征包括面积、周长、长度和宽度等，根据这几个基状匹配函数来识别杂草种类，他们研究了3种草(筒麻、狐尾草和打碗花)和大豆苗在子叶生长期的形状。
这种方法不受子叶的大小和方向的影响，但当叶子形状复杂和叶子数目较多时却无能为力。
3. 纹理特征分析法纹理是由很多细小的单元构成，从整体上能反应某种规律性，其灰度分布表现出某种周期性。
仔细观察，会发现植物的叶片有着不同的纹理。
因而可以利用叶面的纹理信息来识别作物和杂草。
用于特征提取的纹理特征为：共生矩阵、方向行灰度级能量、方向滤波掩模和分形维数、局部极值等。
4. 光谱分析的识别方法光谱分析方法是根据物体对光的反射特性的不同，利用杂草、农作物和土壤背景的反射光谱的不同进行分析，达到识别杂草的目的。
植物在生长过程中，由于植物叶面组织结构的不同，对一定波长的太阳光吸收和反射也有所不同，因此可利用这种特性来区分杂草、作物和土壤背景。
5. 位置分布特征法位置分布特征法是基于作物的规律性种植提出的一种快速识别作物和行间杂草的方法。
利用这种方法可以计算出杂草在田间分布的密度，对于条播作物除草具有广泛的研究意义和价值。
H.J.Olsen 曾经采用纵向统计灰度值的方法，提取作物行信息，从而达到识别的目的。
6.区域生长法区域生长法是指将成组的像素或区域发展成更大区域的过程。
从种子点的集合开始，从这些点的区域增长是通过将与每个种子点有相似属性像强度、灰度级、纹理颜色等的相邻像素合并到此区域。
3、课题研究的主要内容：本课题以农作物为研究对象，以实现杂草的采集、处理、识别为目的，在总结前人研究成果的基础上，结合已有的杂草识别理论和方法，研究适合基于MATLAB数字图像处理的杂草实时处理与识别的方法，并在MATLAB平台上进行图像的采集、处理及识别测试。
通过不同方法的对比实验，提高处理与识别速度，并为农田机器视觉的杂草识别提供良好的理论基础。
研究内容如下：1．图像的采集；2．杂草与背景分离的研究设计。
分析颜色特征，然后依据颜色特征将彩色图像转化成灰度图像；然后利用阈值分割中的迭代运算进行了分离试验；3．农作物与杂草分离的研究设计。
利用农作物大部分杂草分布于作物之间的特点，采取区域生长法分离农作物与杂草；4．得到的图像有明显的杂质，先将图像进行二值化，然后再通过形态学滤波法滤除杂质，得到结果。
4、杂草图像特征提取及识别系统概述实验系统的整体结构：本实验系统实现了从杂草图像采集、处理、识别的一系列过程，通过软件接口与单片机等硬件相连，使得整个系统能够顺利运行。
下面是系统的组成结构图：系统整体结构框图实验系统流程图：5.杂草与土壤背景实时分割的研究1.图像分割概述：图像分割是图像处理当中最重要的部分，也是一种基本的计算机视觉技术。
它根据某种同一性把一整幅图像划分为若干子区域，每一区域对应于某一物体或物体的一部分。
进行图像分割的最终目的是为了对景物或物体进行描述，而许多不同种类的图像或景物部分都可作为据以分割的分片，并且有许多不同的方法可从图像中提取这些部分。
图像分割分为灰度图像分割和彩色图像分割，它们的大部分算法在分割思想上是一致的，只是彩色图像要比灰度图像包含着更多的信息，而且具有多种彩色空间表达方式。
尽管人们在图像分割方面做了许多研究工作，但由于没有通用的分割理论，现已提出的分割算法大都是针对具体问题的，并没有一种适合所有图像的通用分割算法。
那么彩色图像分割算法的关键就在于利用丰富的彩色信息达到图像分割的目的。
本课题中的图像分割，主要是去除杂草图像中的土壤背景。
为了将绿色植物与土壤有效的分割，需要对原始图像数据进行变换，从而得到最能反映分类本质的特征。
对于彩色图像分割的问题，首先要选择好合适的方法，利用这个颜色特征将彩色图像转变成灰度图像，再确定阈值将灰度图像二值化。
2.阈值分割方法：利用上述颜色特征组合将彩色图像转化成灰度图像，然后根据图像中要提取的杂草区与背景区在灰度特性上的差异把图像视为具有不同灰度级的区域组合，通过选取阈值将杂草区域从背景中分离出来。
采用阈值法分割阈值的选取至关重要，如果阈值选得过高，则过多的目标点将被误分为背景，阈值选的过低，则目标点不能完全分离出.这将影响分割后二值图像目标大小和形状，甚至使目标丢失。
因此，本书中采用迭代法求取最佳阈值的分割算法，具体步骤如下:1.求出图像中最大和最小灰度值S1和Sh，令初始阈值为：2.根据阈值Tk将灰度图像分成目标和背景两部分（第一次分割时Tk=T0），然后求出目标和背景两部分的平均灰度值S1和S2：式中：S（i，j）为图像上（i,j）点的灰度值；N(i,j)为（i，j）点的权重系数，一般来说N（i,j）=1或者0；3.求出新的阈值：4.如果Tk=Tk+1,则算法结束；否者k→k+1,转步骤2继续执行。
3．区域生长：区域生长是指从图像的某个位置开始，使每块区域变大，直到被比较的像素与区域像素具有显著差异为止。
具体实现时，在每个要分割的区域内确定一个种子点，判断种子像素周围邻域是否具有与种子像素相似的像素，若有，就将新的像素包含到区域内，并作为新的种子继续生长，直到没有满足条件的像素点时为止。
区域生长实现分割有下列三个关键技术，不同的算法主要区别在于这三点的不同。
1.种子点的选取。
通常选择待提取区域的具有代表性的点，可以是单个像素也可以是包括若干个像素的子区域，可根据具体问题利用先验知识来选择。
2.生长准则的确定（相似性准则）。
一般根据图像的特点，采用与种子点的距离度量（彩色、灰度、梯度等量之间的距离）。
3.区域停止生长的条件。
可以采用区域大小、迭代次数或区域饱和等条件。
4、形态学滤波：数学形态学是由一组形态学的代数运算子组成的，它的基本运算有4个：膨胀（或扩张）、腐蚀（或侵蚀）、开启和闭合，它们在二值图像和灰度图像中各有特点。
基于这些基本运算还可推导和组合成各种数学形态学实用算法，用它们可以进行图像形状和结构的分析及处理，包括图像分割、特征抽取、边缘检测、图像滤波、图像增强和恢复等。
