面向田间图像的偏微分方程智能预处理方法研究

Nowadays, the automated job management is the only way to improve the farming efficiency. In the machine-vision-based automation management, the decision-making process base on the current field images, and the accuracy of the process always depends on the pre-processing methods. As the techniques are so important for the machine-vision based robots, in the research, we will develop some new and intelligent partial differential equation (PDE) based techniques to deal with the field images. Main achievements of the research include:.(1) To locate the crops from a field image, we will put forward a new type of PDE-based regularization. The smoothing method should be smart enough to avoid of the interference of the reflected light of water, the crops mirrors and shadows. .(2) To extract the shape of a weed leaf, we will formulate a new class PDE-based filter. As the reflected light and the shadows of the crops always project on the leaves, what we need is to figure out a new kind of diffusion to prevent such interferences. .(3) To extract the texture features of spike, we will propose a new PDE-based decomposition model. The new technique can accurately extract the textures of spikes from such field images..(4) To extract the lines of the crops from a row-cropped image, we will contribute two new PDE-based regularization methods to smooth such images. One is to handle straight-line crops, and another to non-straight-line crops..In this research, the new PDE-based methods will work in a better way to regularize or decompose the field images. It will offer some promising techniques not only for theoretical references, but also for the application references to machine-vision based agricultural robots.

田间自动化管理是提高农业耕种效率的必由之路。在基于机器视觉的田间管理系统中，田间信息的获取是通过分析和理解田间图像来完成的，其中田间图像的预处理方法在很大程度上决定着田间信息获取的准确性。本项目拟在获取若干类田间信息的研究背景下，对水稻等田间图像进行智能化预处理研究，探索合适的偏微分方程（PDE）图像正则化和分解方法，为基于机器视觉的田间自动管理系统提供更有效更智能的技术支持。主要研究内容包括：为定位植株而需要的预处理方法研究；为提取杂草叶形而需要的预处理方法研究；为提取稻穗特征而需要的图像分解方法研究；以及为提取条播作物行位置而需要的预处理方法研究。研究成果不仅在理论上为PDE图像处理提供研究参考，而且在农业实际应用上为基于机器视觉的田间自动管理系统提供技术参考。

本项目在农业田间图像的预处理方法, 目标探测, 模式识别, 数据压缩等领域上进行研究工作，获得了如下研究成果:.(1)提出了一种能对K-Means方法加速的方法. 该方法基于量化误差向量(QEV)的概念. 实验表明, 用QEV能有效地加速K-Means色彩量化方法, 同时, 量化效果比其他方法好得多, 与K-Means效果相当. 在相同量化效果上, 可比原有的K-Means色彩量化方法平均加速50-200倍. 该方法可以用于生成高质量的色彩量化结果, 比如用于Gif编码, 数据压缩, 图像分割等领域..(2)发现了K-Means图形演化过程与PDE图像处理的相似性. 据此相似性, 提出一种PDE色彩量化方法. 该方法是从离散过程中导出PDE演化模型, 与其他PDE模型的建立方法(直接地实验观察法, 能量泛函法; 耦合法; 已有PDE过程的组合法)不同. 并且从数学角度上, 得出新PDE模型的稳定性条件. 该方法提出并演示了获得PDE模型的一种新路径. .(3)对植株定位方法进行了研究, 提出一种用轮廓差分概念来检测直线型作物的位置. 该方法针对噪声和模糊降质背景鲁棒, 无需滤波, 反模糊, 量化, 边缘提取等操作, 可以直接从场景图中探测直线目标. 在有噪声,模糊等降质条件下, 比传统的霍夫变换更有效. 该方法在农业, 军事, 工业等领域上可有较大的潜在应用..(4)对圆形目标的自动探测进行了研究, 针对田间果实等目标的形状, 提出用轮廓差分进行探测的方法. 该方法涉及的参数不多, 对噪声和模糊降质背景鲁棒, 无需各种预处理等操作, 比传统的圆霍夫变换方法更可靠. 该方法在农业, 军事, 工业等领域有较大的潜在应用..(5)行条播作物提取的研究. 给出了一种用灭点信息来引导的PDE扩散方法, 用于条播作物的行提取. 跟其他常规PDE模型相比, 我们的方法基于全局信息, 而不是局部小窗口范围内的信息, 具有较智能的处理图像的优势. 实验结果也表明提取的作物行更清晰, 质量更优..(6)其他研究. 给出了一种基于力场的图像形变和编辑方法. 获得了一种计算简单但有效的图像置乱方法, 适用于图像加密, 该方法在诸如保护移动支付码的领域上有较大的应用价值.