下载文档原格式
基于深度强化学习模型的农业病虫害图像识别算法优化基于深度强化学习模型的农业病虫害图像识别算法优化引言农业病虫害是农田生产中常见的问题，对作物产量和质量产生了重大影响。
传统的农业病虫害图像识别算法主要基于特征工程和分类器的结合，存在识别效果不佳、泛化能力差、人工特征提取困难等问题。
随着深度学习技术的快速发展，深度强化学习模型作为一种新的算法方法，在农业病虫害图像识别中展现了强大的潜力。
本文将介绍基于深度强化学习模型的农业病虫害图像识别算法优化。
一、深度学习模型在农业病虫害图像识别中的应用深度学习模型是一种基于人工神经网络的机器学习方法，其通过多层非线性变换，实现了从原始数据到高层抽象特征的转换。
深度学习模型具有较强的学习能力和泛化能力，可以自动从原始图像数据中学习到更加有用的特征表示。
目前，深度学习模型在图像识别领域取得了巨大成功，被广泛应用于人脸识别、物体检测等任务。
在农业病虫害图像识别中，深度学习模型同样表现出了优异的性能。
传统的农业病虫害图像识别算法通常仅基于手工特征提取和分类器的结合，对于复杂的病虫害图像难以准确识别。
而深度学习模型可以通过大量的训练数据自动学习到更加有用的图像特征，从而提高病虫害图像的识别准确率和泛化能力。
二、深度强化学习模型在农业病虫害图像识别中的优化深度强化学习是深度学习和强化学习的结合，它不仅可以从大规模的图像数据中学习有用的特征表示，还可以通过与环境的交互来优化模型参数。
在农业病虫害图像识别中，深度强化学习模型可以通过自主决策和反馈机制来不断学习和优化，从而提高识别的准确性和鲁棒性。
深度强化学习模型的主要优化方法包括：增加网络层数、引入残差连接、使用增强学习算法等。
增加网络层数可以提高模型的表达能力，使得模型可以学习到更加丰富和复杂的特征表达。
引入残差连接可以解决深度神经网络训练过程中的梯度消失和梯度爆炸问题，提高网络的学习效率和泛化能力。
使用增强学习算法可以引入自主决策和反馈机制，使得模型可以根据环境的变化进行学习和优化。
人工智能中的图像识别算法在农业中的应用随着人工智能技术的快速发展，图像识别算法在各个领域的应用越来越广泛。
其中，在农业领域，人工智能中的图像识别算法正发挥着重要的作用。
本文将详细介绍人工智能中的图像识别算法在农业中的应用，并探讨其带来的优势和挑战。
农业作为人类生存和发展的基础产业，一直面临着很多问题，例如作物病害的防治、农作物生长状况的监测、果实的质量评估等。
这些问题需要耗费大量的人力和时间，而且人为因素可能导致判断的主观性和误差。
然而，人工智能中的图像识别算法为农业解决了这些问题提供了新的思路和技术手段。
首先，图像识别算法可以用于作物病害的识别和防治。
传统的作物病害监测需要人工巡视和观察，但由于人为的主观性和认知局限，很容易忽略一些微小的病菌或者病斑。
而利用人工智能中的图像识别算法，可以对植物的叶子、果实等进行高精度的扫描和分析，快速准确地识别出病害，并提供相应的治疗措施。
这一应用不仅可以提高病害的早期检测率，降低病害造成的损失，还能减少人工判断的误差，提高监测的效率。
其次，图像识别算法在农作物生长状况的监测中发挥着重要作用。
农作物的生长状态可以通过观察植株的叶面积、颜色等特征来判断，但传统的人工观测方式效率低下，并且难以量化。
而利用图像识别算法，可以通过拍摄农田的图像，对农作物进行形态特征的提取和分析，从而得出农作物的生长状况以及生长趋势。
这不仅可以帮助农民及时了解农作物的生长情况，也可为科学家提供大量的生长数据，用于分析和预测农作物产量，提高农作物的质量和产量。
此外，图像识别算法还可以应用于果实的质量评估。
对于农产品质量的评估，传统的方式往往依赖于经验和肉眼判断，这样存在过于主观的问题。
而利用图像识别算法，可以对果实的外形、颜色以及纹理进行高精度的识别和分析，快速评估果实的成熟度和品质。
这种非接触式的评估方式不仅提高了评估的准确性，还大大缩短了评估的时间，提高了农产品的产销效率。
然而，人工智能中的图像识别算法在农业领域的应用还面临着一些挑战。
基于最近邻有向图的遥感图像快速分割算法
崔宾阁;孟翱翔
【期刊名称】《计算机科学》
【年(卷),期】2013(040)010
【摘要】针对现有的区域生长算法没有考虑到区域之间最近邻关系的有向性这一问题,提出了基于最近邻有向图的遥感图像快速分割算法.首先使用分水岭算法对遥感图像进行初次分割,然后在分割得到的区域对象基础上建立最近邻有向图.在区域生长过程中,沿着有向边形成的路径合并相邻的区域对象.当所有合并完成后重构区域对象的最近邻有向图,进行下一轮合并,直至区域数目不再变化.该方法避免了每次合并一个区域对象就重新计算新的邻居关系,从而降低了计算复杂度.实验结果表明,该方法分割结果比较合理,与其他几种方法相比运行效率明显提高.
【总页数】5页(P274-278)
【作者】崔宾阁;孟翱翔
【作者单位】山东科技大学信息科学与工程学院青岛 266510 ;国家海洋局第一海洋研究所青岛 266061;山东科技大学信息科学与工程学院青岛 266510
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于有向图构造的卫星遥感图像认证算法 [J], 易小伟;马恒太;郑昌文;胡晓惠;郑刚
2.基于阈值分割的K-最近邻规则的磁共振脑图像分割算法的研究 [J], 付宜利;高文朋;王树国
3.全色遥感图像中城区的快速模糊分割算法 [J], 陈雁;万寿红;龚育昌
4.基于K-最近邻规则的磁共振颅脑图像分割算法的应用研究 [J],
5.基于小波域三重MRF分割算法的遥感图像分割分析 [J], 张汉中
因版权原因，仅展示原文概要，查看原文内容请购买。
基于ComVI和双阈值OTSU算法的农作物图像识别
龚立雄
【期刊名称】《排灌机械工程学报》
【年(卷),期】2014(000)004
【摘要】针对农作物图像中依附泥土和杂质噪声呈现不规则性和复杂性特点，提
出了一种基于植被指标合成双阈值OTSU算法的农田作物图像识别方法．该方法
根据农作物充分显露和部分被遮盖2类图片特点，将图像识别过程分为3个阶段：首先利用植被指标合成获取农作物图像灰度图，然后根据双阈值OTSU自适应算
法进行二值化处理与图像分割，再进行正常的形态学运算，将3个阶段所分割的
图像叠加形成最终的农作物与土壤识别图像，并将该算法与双阈值迭代设定法进行了对比．试验研究表明该算法克服了传统灰度图算法和阈值迭代算法的缺点，能有效提取和识别过渡区域的边缘，图像识别的准确率为92.7％以上．最后，采用Visual Basic 2010和Matlab 2012软件设计了农作物图像识别系统，从应用角度实现了图像识别的可视化与自动化．
【总页数】6页(P363-368)
【作者】龚立雄
【作者单位】重庆理工大学机械工程学院，重庆400054
【正文语种】中文
【中图分类】S126;TP391.41
【相关文献】
1.基于改进Otsu算法的磨粒图像识别技术研究 [J], 刘德鹏;刘新海;张雪枫
2.基于深度学习航拍图像识别的农作物病虫害研究 [J], 钟城; 沈涛; 张婧祎; 马千里
3.基于CNN的农作物病虫害图像识别模型 [J], 史冰莹; 李佳琦; 张磊; 李健
4.基于卷积神经网络的农作物图像识别方法研究 [J], 李妍
5.基于改进VGG网络的农作物病害图像识别 [J], 岳有军;李雪松;赵辉;王红君
因版权原因，仅展示原文概要，查看原文内容请购买。
图像识别算法在农业领域中的应用案例分析引言随着人工智能技术的发展，图像识别算法在农业领域中的应用日益广泛。
图像识别算法是通过利用计算机视觉技术，对图像进行处理和分析，从而实现对图像中物体的识别和分类。
在农业领域，图像识别算法可以帮助农民提高农作物的生产效率、监测农田的状况、预测病虫害等。
本文将以几个案例来分析图像识别算法在农业领域中的应用。
案例一：作物病虫害的识别与预测作物病虫害是影响农作物产量和质量的主要因素之一。
传统的方法通常需要农民通过观察植物叶片上的病斑或虫卵来判断是否存在病虫害，并采取相应的防治措施。
然而，这种方法存在主观性和时间成本高的问题。
借助图像识别算法，农民可以通过拍摄农田或植物叶片的图像，上传到相应的软件平台，通过算法对图像进行分析，准确判断病虫害类型，并给出相应的防治建议。
例如，某农民田间发现一些陌生的虫子，他可以通过将虫子的图像上传到图像识别算法平台进行识别。
算法通过对虫子的特征进行提取和分析，可以判断这是一种害虫还是有益的昆虫，并给出相应的处理方案。
对于病虫害的预测，图像识别算法还可以通过对大量历史数据的分析，识别出病虫害爆发的潜在迹象，提醒农民及时采取防治措施，避免产量损失。
案例二：土壤质量评估土壤是农作物生长的基础，土壤质量直接关系到作物的生长和产量。
传统的土壤质量评估方法需要进行大量的采样和实验室分析，费时费力。
图像识别算法可以通过分析农田的空中图像，准确评估土壤的质量。
例如，在一片农田中，通过无人机拍摄的航拍图像，可以获取整个农田的景象。
图像识别算法可以通过对图像进行处理和分析，识别出土壤的颜色和纹理等特征，进而评估土壤的肥力、湿度、有机质含量等指标。
农民可以根据评估结果，有针对性地进行土壤改良和施肥措施，提高农作物的生长效果。
案例三：农作物生长情况监测农民需要密切关注农作物的生长情况，并及时采取措施来保障作物的健康生长。
传统的方法往往需要农民亲临农田进行观察和记录，费时费力。
一种融合语义距离的最近邻图像标注方法
吴伟;高光来;聂建云
【期刊名称】《计算机科学》
【年(卷),期】2015(042)001
【摘要】传统的基于最近邻的图像标注方法效果不佳,主要原因在于提取图像视觉特征时,损失了很多有价值的信息.提出了一种改进的最近邻分类模型.首先利用距离测度学习方法,引入图像的语义类别信息进行训练,生成新的语义距离;然后利用该距离对每一类图像进行聚类,生成多个类内的聚类中心;最后通过计算图像到各个聚类中心的语义距离来构建最近邻分类模型.在构建最近邻分类模型的整个过程中,都使用训练得到的语义距离来计算,这可以有效减少相同图像类内的变动和不同图像类之间的相似所造成的语义鸿沟.在ImageCLEF2012图像标注数据库上进行了实验,将本方法与传统分类模型和最新的方法进行了比较,验证了本方法的有效性.
【总页数】6页(P297-302)
【作者】吴伟;高光来;聂建云
【作者单位】内蒙古大学计算机学院呼和浩特010021;内蒙古大学计算机学院呼和浩特010021;加拿大蒙特利尔大学计算机系蒙特利尔
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种基于自适应最近邻的聚类融合方法 [J], 黄少滨;李建;刘刚
2.基于语义距离的K-最近邻分类方法 [J], 杨立;左春;王裕国
3.一种基于融合的词袋模型和大裕度最近邻分类算法的图像识别方法 [J], 杨亦波;王斌;王剑锋
4.基于CNN和加权贝叶斯的最近邻图像标注方法 [J], 王琳;张素兰;杨海峰
5.VTC-KSVD:一种融合视觉特征与标签一致性的多标签图像标注方法 [J], 张菊莉;贺占庄;戴涛;张君毅
因版权原因，仅展示原文概要，查看原文内容请购买。
基于图像处理与分析的农作物智能识别技术研究随着科技的不断发展，农业领域也开展了许多新的技术和方法，其中基于图像处理与分析的农作物智能识别技术是一项十分重要的技术。
其通过数字图像处理技术对农田进行图像分析，实现对农作物的智能识别、分类和分析，为农业生产提供了巨大的便利。
一、农作物智能识别技术的意义农作物智能识别技术的研究意义非常重大。
首先，农作物智能识别技术能够提高农业生产的效率和质量，从而提高农民的生产收益和农业生产的整体水平。
其次，农作物智能识别技术是一项环保技术，能够减少化肥、农药的使用以及环境污染，从而保护我们的生态环境。
同时也有助于从食品安全的角度来管理，对于食品溯源有利。
第三，该技术有利于相关学科的研究，对于在数字图像处理、机器学习、遥感等领域的研究有积极的促进作用。
二、农作物智能识别技术的基本原理和方法目前常用的农作物智能识别技术的方法主要有两种：一是基于传统图像处理技术，常见的方法有Canny边缘检测、图像分割、形态学处理等；另外一种是基于深度学习的方法，其主要的深度学习架构通常使用卷积神经网络(Convolutional Neural Network，CNN)。
基于传统图像处理技术的图像分析方法，主要是利用图像的灰度、颜色、形态等特征，通过对这些特征进行分析和处理，进而实现对农作物的智能识别和分类。
其中，Canny边缘检测是一种常用的边缘检测算法，通过寻找图像中明显的变化来区分出图像中不同物体的轮廓。
而图像分割算法可以根据图像中不同部分特征的不同来将图像分为不同的区域，然后通过形态学处理来进一步区分出不同种类的农作物。
而基于深度学习的农作物智能识别技术，则利用卷积神经网络对图像进行处理和识别。
该方法通过卷积层、池化层来自动进行特征提取及抽象，进而进行农作物识别和分类。
三、农作物智能识别技术的应用现状目前，农作物智能识别技术已经在农业生产的多领域得到了广泛的应用。
例如，在农作物分类方面，该技术能够对不同类型的农作物进行自动分类、识别，从而实现智能化种植、管理；在农业生产监测方面，该技术可以对农作物的生长状况、病虫害的发生情况等进行监测；在农村智慧化建设中，该技术也可以被应用在农业的信息化管理工作中，如农业图像识别系统、农田监测系统等。
最近邻算法在图像分类中的应用随着计算机技术的不断发展，图像分类已经成为人工智能领域的热点问题之一。
在大规模的数字图像数据处理中，准确地识别含义，分类图像是一项非常具有挑战性的任务。
近年来，最近邻算法在图像分类领域中发挥越来越重要的作用。
最近邻算法是一种基于相似度度量的算法，其基本思想是把一个新的未知样本和已有的训练样本进行比较，将新的样本分配到与之最为相似的已有样本所在的类别。
在图像分类中，最近邻算法主要是通过比较不同图像的颜色、纹理、形状等特征信息，来判断它们之间的相似程度，从而实现图像分类。
在实际应用中，最近邻算法主要具备以下几个优点：1. 简单直观：最近邻算法是一个基于距离度量的方法，它不需要事先假定数据的数据分布或所属类别的概率分布。
这使得算法具有很强的可解释性和直观性。
2. 适用性广泛：最近邻算法可以在任何数据类型和任何特征集上应用。
只要可以定义距离度量，都可以使用最近邻算法进行分类。
3. 计算效率高：最近邻算法提供了一个非常高效的搜索方法。
只需要对训练样本进行一次扫描，就可以完成分类任务。
最近邻算法的缺点也是显而易见的，主要有以下几种：1. 计算复杂度高：在大规模数据集中，计算测试样本与所有训练样本的距离是时间和资源开销比较大的。
2. 算法存储空间大：该算法需要将所有的训练样本存储在内存中，并且对于每个测试样例，都要使用训练集中的所有样本进行比较，因此需要较大的存储空间。
3. 对异常值敏感：最近邻算法非常容易受到各种异常值的影响。
例如，在含有噪声的数据中，最近邻算法的分类效果会受到非常大的影响。
为了克服最近邻算法的缺点，现代的图像分类研究中，往往会使用一些改进的算法来提高分类准确率。
例如，可以使用K最近邻算法或核最近邻算法来优化计算或提高准确率。
总之，最近邻算法作为一种基于相似度度量的算法，在图像分类领域中应用十分广泛。
虽然它存在很多缺点，但在特定情况下，仍然可以发挥出良好的分类效果。
基于图像处理与计算机视觉技术的农作物病虫害识别与监测农作物病虫害是农业生产中常见的问题，它们给农作物的生长发育和产量带来了很大的威胁。
然而，传统的农作物病虫害监测方法往往需要专业知识和大量的人力资源，效率低下且易于出现误判。
而基于图像处理与计算机视觉技术的农作物病虫害识别与监测方法具有非常广阔的应用前景。
首先，利用图像处理技术可以轻松地获取和处理农作物的图像数据。
通过智能手机或者无人机等设备，农民可以方便地对农田中的农作物进行拍照，获取大量的农作物图像。
然后，利用图像处理技术对这些图像进行预处理，包括去噪、增强和分割等操作，以提高后续病虫害识别的准确性。
其次，计算机视觉技术可以实现对农作物病虫害的自动识别与分类。
通过训练深度学习模型，可以利用大量的农作物图像数据进行病虫害的识别与分类训练。
这些深度学习模型可以学习病虫害的特征，从而能够准确地判断农作物是否受到病虫害的侵害。
同时，基于图像处理和计算机视觉技术的方法还可以实现不同病虫害的区分与鉴别，对农民提供更加精准的预警和防治建议。
此外，基于图像处理与计算机视觉技术的农作物病虫害监测还具有实时性和扩展性的特点。
通过搭建远程监测系统，农民可以随时随地通过智能手机或者电脑等终端获取农作物状况，及时发现和处理病虫害问题。
同时，基于云计算的农作物病虫害监测系统还可以实现大规模数据的处理和分析，提高病虫害识别与监测的效率和准确性。
然而，基于图像处理与计算机视觉技术的农作物病虫害识别与监测也面临一些挑战。
首先是图像数据的质量和多样性问题。
由于环境和光照等因素的影响，农作物图像往往存在噪声和失真等问题，这对病虫害识别算法的准确性提出了挑战。
同时，不同农作物和不同病虫害之间的差异也增加了病虫害识别的难度。
其次是数据获取和处理的问题。
农作物图像数据的获取和处理需要耗费大量的时间和成本，如何快速高效地处理这些数据也是一个需要解决的问题。
综上所述，基于图像处理与计算机视觉技术的农作物病虫害识别与监测在农业领域具有重要的意义和应用前景。
第12卷 第11期2007年11月中国图象图形学报Journa l o f I m age and G raphicsV o.l 12,N o .11N ov .,2007基金项目:国家自然科学基金项目(60574029)收稿日期:2006-04-13;改回日期:2007-05-25第一作者简介:张志斌(1974~ ),男。
现为华南农业大学工程学院电器化与自动化专业博士研究生。
主要研究方向为图像处理与模式识别。
E-m ai:l Pearl 740@t o m.co m基于良序子集的最近邻垄行图像识别算法张志斌 罗锡文 王在满(华南农业大学南方农业机械与装备关键技术省部共建教育部重点实验室,广州 510642)摘 要 根据田间作物垄点像素矩阵特点,基于行向量目标像素良序子集,先进行垄点子集预处理,然后运用最近邻判别准则搜寻每个垄点像素的最近邻点。
通过设置最近邻搜索方向角和最近邻阈值,对断垄和较大面积的杂草等噪声影响进行控制。
实验结果表明,与传统的最近邻算法比较,该算法的准确性和鲁棒性均得到提高,时间复杂度较小,对农田视觉导航实际应用有一定价值。
关键词 良序集 最近邻法 垄行识别 视觉导航中图法分类号:TP391.4 文献标识码:A 文章编号:1006-8961(2007)11-2048-04A N ew A l gorith m for Identifyi ng the Crop Ro w Image Basedon Subsets and N earest N ei ghbor R uleZ HANG Zh-i b i n ,L UO X -i w en,WANG Za-i m ang(K e y La boratory of K e y T e chnolo gy on Agric u ltura lM achine and E qu i p m en t(S ou t h Ch ina Ag ri cult ura l Un iversit y ),M i n ist ry of Education,P.R.Ch i na,Guangzh ou 510640)Abstrac t T he conv enti ona l nearest neighbo r(CNN )classifiers prov i de a si m ple approach w ith good robustness ,w hich i s guaranteed to converge to a resu lt ,bu t it has so m e sho rtcom i ngs such as a i m l ess search i ng ,much ti m e consumpti on ,and an unexpected i n fecti on by no ises and so on .In t h is paper ,a ne w approach to detect crop rows was propo sed ,wh i ch w as based on the we l-l orde red subsets of the ob j ective i n row vec t o rs o f i m age m atri x.A nd the nearest ne i ghbor search ang l e and the nearest ne i ghbor d i stance w hich are cons i de red i m portant contro l factors were e mbedded i n t he b i ned w it h the inherent property o f crop pi x els ,the nearest neighbo r query can be li m ited i n a s m all su itab le range .The exper i m enta l resu lts i ndicate the a l go rith m w as of good robustness and accuracy co m pared w it h the CNN,and it could avo i d the i m pact o f w eeds w it h s m a ll ti m e consumpti on .K eywords w e l-l ordered ,nearest ne i ghbor rule ,crop row s i ndentifi ca tion ,m achi ne v isi on nav i gation1 引 言垄线识别是农田视觉导航技术的重要内容和方法,传统的识别算法中,统计直方图、H ough 变换和聚类处理等都各有其优点,但都存在垄线识别困难的问题。
采用H ough 变换找垄线[1]时,由于H ough 变换是利用空间转换形成点线对偶关系检测垄线,虽然鲁棒性较高,但累加器峰值本身在背景较复杂时存在阈值确定不易、重复线段多等问题,同时,算法的计算代价较高。
直方图处理技术是利用垄行灰度值相近和聚集的特点运用统计方法识别垄线[2],目前都还只在室内进行,对杂草等噪声影响较敏感,垄线识别准确率不高,难以应用于野外较复杂的农田环境。
基于灰度或距离的聚类算法用于垄线识别,理论上可以实现,但还需在去噪和降低运算量上进行技术改进。
本质上,聚类和直方图算法都是基于灰度或距离的经验误差最小,没有考虑期望风险第11期张志斌等:基于良序子集的最近邻垄行图像识别算法2049最小,忽略了垄行点的空间位置关系,而垄点空间的近邻性、连续性和垄间隙一致性是其重要的特征信息。
由于传统的最近邻法直接和简洁,具有良好鲁棒性和收敛性,已广泛应用于模式分类器设计中[3],尤其对低维数据,其具有计算成本低和实时性好等特点[4]。
但处理高维数据时,传统的最近邻算法存在邻搜索范围大、盲目搜索和计算量大[5~7]等缺点。
因此,针对田间垄行图像矩阵目标点集特点,提出了基于良序子集的最近邻搜索垄线识别算法。
通过设置最近邻搜索控制角和最近邻阈值,使最近邻搜索被限制在一定角度范围内进行,算法的去噪能力、准确性都得到了提高,同时改善了算法的时间复杂度。
2 作物垄行分割2.1 垄行图像的特征分割图像分割是图像理解和图像识别的重要方法,因大多数作物生长期间叶茎均为绿色,土壤背景为非绿色,所以本研究将彩色图像的绿色成分作为特征,通过(2G )B )R )[2]灰度加强处理,得到作物垄行的分割图像,并把背景灰度值设定为1,目标点集灰度值设定为0,得到二值化的图像。
如图1为1幅田间采集的图像,图2是分割后用二值化方法处理的结果,从图中可以看出处理后保持了作物垄信息。
图1 作物垄行图F ig .1 O r i g i nal crop row s i mage图2 二值化后垄行图F ig .2 B i nary i m age o f the orig i nal i m age2.2 目标子集的表示一般情况下,农业机械装置沿着垄行行走,其纵向中心线与垄线方向夹角小于90b 。
这样,在视觉系统的图像矩阵各行中,目标点的横坐标是其重要的特征信息。
若把各行目标点的横坐标(像素坐标下)定义为点集,则各元素是有序的,近邻的点构成良序子集。
设垄行图像宽度为w,高度为h,则第i 行目标集R i 为若干个良序子集的并集。
R i =G j=nj=1C ij(1)其中,n 为子集数,C ij 为第i 行第j 个连续子集。
式(1)中,一般各子集(垄点或噪声集子)容易聚集成类。
因此,可根据垄宽先验知识设置距离阈值d t ,顺次距离小于d t 的子集属于某一类。
为综合类中各子集信息,尽可能减小误差,取其中心坐标为该垄点位置坐标,则第i 行第k 类中心坐标可表示为o ik =1ENkj=1R ijEN kj=1S kij(2)其中,S kij 、R ij 分别为第i 行k 类第j 个连续子集元素坐标和与子集元素个数,N k 为该类子集个数。
设阈值d t 为2,运用式(2)对图2的处理结果如图3所示,显然噪声影响较大。
图3 式(2)的处理结果F i g.3 P rocessed i m age from the i m age i nF i g .2by perfor m i ng fo r mu l a 2在运行式(2)形成的矩阵时,若每行有n 个点,则顺次计算的次数为n -1,时间复杂度为O ((n -1)h);但若采用聚类法进行模式分类,则在聚类过程为趋于经验误差最小,要遍历两两间距离计算,使系统的时间复杂度变得较大,为O (n!h )。
3 传统最近邻判别原则式(2)只是从图像矩阵行向量中提取了含垄行信息的最近邻点区域中心点列(含有噪声),这些点列在纵向上形成作物的垄行,因此,除了第1行和最2050 中国图象图形学报第12卷末行向量外,其他各行向量垄点在纵向上均有上最近邻点和下最近邻点(暂不考虑断垄现象)。
则通过寻找各点最近邻点来确定垄行就成为可能。
最近邻准则[8]如下:假定有c 个类别X 1,X 2,,,X c ,每类有N i 个样本,定义类的判别函数为g i (x )=m in k x -x k i ,k =1,2,,,N i(3)其中,x ki 表示X i 类中第k 个样本,则按照式(3)决策规则如下:若g j (x )=m i n i g i (x ),i =1,2,,,c则决策x I X j依据最近邻准则,对式(2)形成的目标点矩阵进行处理,则每个目标点总能找到它的下最近邻点;但是,如果有断垄出现,垄间存在噪声,则最近邻寻找会被误导,最终产生跟踪误差。
为节省系统计算时间,在实际处理过程中,总是根据垄宽先验知识设置最近邻阈值d 0,把大于此阈值的点排除在外。
如图4所示,最近邻阈值d 0<5时,采用传统最近邻准则处理结果,尽管保留了垄结构信息,但垄间的噪声没有滤掉。
图4 传统最近邻搜索结果F i g.4 P rocessed i m age from the i m age i n F i g .2by CNN4 最近邻搜索方向的控制由于田间环境的复杂性[10](杂草、光照等影响),实际图像垄点集矩阵中,纵向上各个垄行点列分布总是不连续的,最近邻距离也呈随机性;横向上又有杂草等随机噪声的影响。
设系统从图像矩阵的上端第1行开始扫描,为不失一般性,定义:如果在某个垄点缺失下最近邻点,则该点为断垄始点,对应缺失上最近邻点为断垄终点,两者间距离d 为断垄距离,图5为断垄和噪声并存的示意图,实点为噪声点,圆圈为垄点,可见,当有噪声存在,断垄距离d 较大时,搜索方向角度范围大小直接影响最近邻搜索结果。
