基于顏色特征和改進(jìn)Adaboost算法的麥穗識(shí)別的研究.pdf

1、小麥種植面積和生產(chǎn)數(shù)量世界上占據(jù)第一位，是不可或缺的糧食作物。在世界上，有三分之一的人口以小麥做為主要糧食，在我國(guó)，小麥產(chǎn)量是整個(gè)農(nóng)業(yè)的基石，在國(guó)民經(jīng)濟(jì)中也占據(jù)著舉足輕重的地位。而選擇合適的小麥品種并掌握其特性、準(zhǔn)確預(yù)測(cè)小麥的分蘗率都對(duì)提高小麥產(chǎn)量有著重要的意義。傳統(tǒng)的方法要求育種專家付出巨大的勞動(dòng)量。因此，實(shí)現(xiàn)小麥的自動(dòng)識(shí)別具有重要的實(shí)際意義。
　　傳統(tǒng)的小麥產(chǎn)量預(yù)測(cè)方法主要有:田間人工判斷預(yù)測(cè)法、衛(wèi)星預(yù)測(cè)法、自然條件和需求關(guān)系

2、分析預(yù)測(cè)法、年景預(yù)測(cè)法等方法，這些預(yù)測(cè)方法雖然具有一定的準(zhǔn)確度但是具有明顯的缺陷:人工判斷往往通過(guò)經(jīng)驗(yàn)來(lái)判斷結(jié)果，而個(gè)人經(jīng)驗(yàn)或多或少的差異導(dǎo)致預(yù)測(cè)存在偏差;衛(wèi)星預(yù)測(cè)使用衛(wèi)星遠(yuǎn)距離拍攝，圖像拍攝面積大，數(shù)據(jù)量大，適合宏觀上的分析和歸納，對(duì)局部地區(qū)小麥的產(chǎn)量預(yù)測(cè)準(zhǔn)確度低;利用氣候與供給關(guān)系分析以及年景法進(jìn)行預(yù)測(cè)以先前經(jīng)驗(yàn)為基礎(chǔ)，偶然性大，精度低，可靠性低。
　　鑒于傳統(tǒng)方法所具有的諸多缺點(diǎn)，為了提供給育種專家更可靠、便捷、科學(xué)的數(shù)據(jù)，

3、本文提出將計(jì)算機(jī)多媒體技術(shù)應(yīng)用在小麥產(chǎn)量預(yù)測(cè)當(dāng)中，以數(shù)字圖像處理技術(shù)為基礎(chǔ)結(jié)合顏色特征、模式識(shí)別等領(lǐng)域的相關(guān)技術(shù)，研究小麥的顏色、形狀、紋理等特性，并設(shè)計(jì)分類器對(duì)小麥圖片進(jìn)行計(jì)數(shù)識(shí)別。本文的主要工作如下:
　　1.色彩空間選擇。色彩空間包括RGB空間、YUV空間、HSV空間等，論文通過(guò)對(duì)處于乳熟期的麥穗所具有的顏色信息分析和實(shí)驗(yàn)對(duì)比，提出了以HSV空間色調(diào)信息作為麥穗的主要顏色特征，實(shí)驗(yàn)驗(yàn)證了使用色調(diào)信息可以在很大程度上剔除小麥照

4、片中的背景。
　　2.根據(jù)麥田的環(huán)境情況，設(shè)計(jì)了樣本采集的方式和裝置。對(duì)圖像進(jìn)行了預(yù)處理，并提出了一種基于HSV空間H分量的圖像灰度化方法。
　　3.設(shè)計(jì)了基于Adaboost麥穗識(shí)別算法，選取Haar特征并用積分圖進(jìn)行計(jì)算，詳細(xì)描述了弱分類器的訓(xùn)練過(guò)程以及最終構(gòu)成級(jí)聯(lián)分類器的流程。最后通過(guò)實(shí)驗(yàn)證明Adaboost算法在無(wú)遮擋的麥穗檢測(cè)上具有良好的識(shí)別能力。
　　4.Haar特征只能對(duì)形狀進(jìn)行判斷，沒(méi)有考慮紋理特性，因