基于小波變換的雜草圖像邊緣檢測.pdf

1、隨著除草劑廣泛應用于除草中，雖然減輕了人工勞動量，但也帶來成本增加、作物品質(zhì)和農(nóng)業(yè)生態(tài)環(huán)境的污染等問題。本文利用計算機圖像處理技術和小波分析工具對小麥田間常見雜草進行邊緣檢測，為雜草識別的實現(xiàn)打下基礎。 針對田間攝取圖像時的隨機擾動，圖像中含有的噪音，為了提高識別效果，本文對所獲得的圖像進行一些前期的預處理。首先要把用照相機獲得的真彩色圖像狄度化，然后用中值濾波法對灰度圖像濾波，去除了高斯白噪聲對圖像的影響。為了使農(nóng)作物雜草等綠

2、色植物和土壤背景分離，采用閾值分割按灰度級分為若干部分，本文中為了減少計算量，將雜草圖像變成僅含有目標和少量高頻噪聲的二值圖像。 本文重點就幾種經(jīng)典的圖像邊緣檢測微分算子作了分析和優(yōu)缺點對比，基于這些算子都是在原始圖像上(時域)進行的，不能在頻域上對信號分析，作者利用小波分析的“自適應性”和“數(shù)學顯微鏡性質(zhì)”對圖像檢測邊緣算法進行研究。第一種算法是基于B樣條函數(shù)的多尺度分析和數(shù)學形態(tài)學理論，選擇2階B樣條小波作為小波基函數(shù)，對雜

3、草圖像進行Mallat快速變換，為了避免濾掉弱的邊緣，本文把B樣條小波邊緣檢測算法和數(shù)學形態(tài)學邊緣檢測算法進行融合，最后得到了綜合各個尺度特征的理想邊緣。第二種算法是小波分析模極大值邊緣檢測方法，根據(jù)李氏指數(shù)與小波變換關系，采用小波模極大值在不同尺度下傳播的特性，檢測出圖像在水平和垂直方向的極大值，然后利用模糊算法構造相應的隸屬函數(shù)，提取弱邊緣信息，最后得到不同尺度下的邊緣圖像，仿真結果表明這種方法可檢測出弱邊緣。第三種算法是基于小波包