摘要 本文介绍了一种基于计算机视觉的快速植物识别算法，能够快速正确地将植物从复杂的土壤背景中识别出来，从而满足实时地为后续变量控制提供信号的要求。利用AOI测试工具，采集了不同土壤、作物残留物以及各种光照条件下植物的图像进行处理，通过提取图像中每一个像素的R、G、B三个分量值计算出（2G－R－B）过绿颜色特征值，将彩色图像转变成灰度图像显示。
关键词 计算机视觉；图像处理；AOI；作物识别；像素
1 概述
借助于计算机视觉技术的智能化，能快速识别出植物，判断其覆盖率，并确定其位置，有针对性地采取措施。这不仅能能降低投入，而且对我国温室精确种植和设施农业着重要的经济意义和实际价值。随着计算机软硬件性能价格比的提高，特别是近十年来计算机技术在各个领域的渗透，利用计算机视觉技术来取得植物特征并作进一步分析已经变得切实可行[1]。
本文针对温室大棚采集的杂草图像进行研究，实现了一种快速植物特征提取与识别算法，能够满足实时地为后续变量控制提供信号的要求，为进一步的研究工作打下了一定的基础。
2 图像处理
2.1 图像分割
利用CCD彩色摄像机获取的图像，通过图像采集卡将获取的图像以真彩色24位位图的格式存储。真彩色24位位图在存储格式上是以３个字节表示图像中的一个像素点。这三个字节分别存储像素点的R、G、B颜色分量值。三个值根据RGB颜色坐标系统（见图1）合成这个像素点的颜色值。目的一是为了获得更多的信息量，二是为了减少图像解压缩的过程，加快处理速度。
图像分割是由图像处理到图像分析的关键步骤，也是一种基本的计算机视觉技术。随后的图像处理，诸如特征提取和对象识别，都依赖于图像分割的质量。图像分割就是指把图像分成各具特性的区域并提取感兴趣目标的技术和过程[2]。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，现己提出的分割算法大都是针对具体参考文献：
[1] 应义斌，饶秀勤. 机器视觉技术在农产品品质自动识别中的
应用[J]. 农业工程学报，2000，16(1)：4～17.
[2] 何东健，杨青等. 实用图像处理技术[M]. 西安：陕西科学技术出版社，1998.
[3] Fu K S，Mui J K. A survey on image segmentation[J]. Pattern Recog， 1981, 13(2): 3～16.
[4] 霍宏涛，林小竹，何薇等. 数字图像处理[M]. 北京：北京理工大学出版社，2002.
[5] M S, El-Faki, N Zhang, et al. Factors affecting color-based weed detection[J]. Transactions of the ASAE, 2000, 43(4):1001～1009.
转贴于 范文论文吧 http://www.fwlw8.com
