国内外相关研究现状及发展趋势

 1、国内研究状况

随着图像数字技术的成熟，图像作为人类感知外部世界更丰富更直接的信息载体，正成为越来越重要的研究对象。人们利用计算机、图像获取设备模拟人的视觉来采集图像并进行数字信号转换以通过计算机实现对图像的传输、处理与理解等视觉信息处理的全部过程。

计算机图像识别技术已应用于医学辅助诊断、气象观测、资源调查，灾害监测中的航拍和卫星图像解释，工业机器人的手眼系统，工业产品的检测与筛选，军事上的精确制导等诸多领域。计算机图像识别技术始于20世纪50年代的统计模式识别，当时主要集中在对二维图像分析与识别上[1]。

在计算机视觉和模式识别领域，图像识别技术由于其广泛的应用价值，得到了国内外学者的广泛关注。2005年，王克如等人围绕作物病虫草害的快速诊断[2]，将作物病虫草害识别的专家知识与数字图像处理、神经网络结合，综合运用人工智能和网络技术，研究实现了作物病虫草害的远程图像识别与诊断，图像预处理方面，针对作物病虫草害的图像特点，分析、比较了病虫草害图像的增强处理方法，提出了对彩色图像先进行反色运算，再通过RGB通道分离，得到增强图像的新方法，与传统图像增强算法相比，此法简单易行，运算量小，并具有较强的消除噪声能力；图像分割方面，根据病害图像特点，提出通过H分量图像灰度分析来确定闽值对灰度图像分割的方法[3]，分割精度明显高于传统的自动阈值分割结果;对病害彩色图像分割时，用HIS颜色系统中的H分量图像分割效果最好，其次是RGB颜色系统中的红色分量图像所做的分割。

计算机图像识别技术在农业上的应用研究，始于70年代末期，主要进行的是植物种类的鉴别、农产品品质检测与分级等。随着计算机软硬件技术、图像处理技术的迅速发展，它在农业上的应用研究有了较大的进展。目前该领域研究是国际农业工程领域中的热门课题，发达国家在农业生产及农业现代方面己开始应用计算机视觉系统，如作物的生长状态信息监测、农业种子资源管理、农业昆虫的自动识别、植物病理研究、遗传细胞工程研究等[4]。机器视觉技术包括图像获取、图像处理与模式识别等，用机器视觉可模拟人眼对农作物进行可见光谱的近距离摄影，然后运用人工智能、数字图像等技术对图像信息进行分析，获得研究对象所需信息。

 

2、国外目前研究状况

国外关于图像识别在农作物当中的研究比较前沿，早在上世纪80年代已开始对图像识别技术进行验证。

Umetani (1981)对识别形状最基本的图像特征进行了讨论；Pavlidis (1982 )提出结构分析法与外形轮廓曲线检测法两种形状识别模式[5]。Meyer (1987)等人利用相互垂直的两个相机获取作物图像的二维信息，利用由两个二维图像构造三维图像的坐标变换方程，对图像处理获取的特征点变换到三维坐标空间中。并在三维空间中求取作物节点间距、叶柄长度、茎杆直径、叶片倾斜角等；对于叶片面积的测量采用三角形逼近的方法，即把叶片与叶柄相连的一端为顶点，向叶片轮廓作射线将叶片进行细分，相邻两条射线与叶片边缘有两个交点，利用此三点可在三维空间中求取其对应三角形的面积，将所求得的所有三角形的面积相加即为所求叶片的近似面积。利用土壤与植物图像对比度的差异作为土壤干湿的判断依据。但对光源不均、叶片重叠未给出很好的分割方法；对于植物图像与土壤的分离，黑白图像并不能完全区分作物与土壤，若采用光谱图像则成本较高[6]。

2003年，Sena等人从玉米植株顶部垂直向下拍照，获取玉米最上部展开叶片图像，提出了一种图像处理新算法，能识别被玉米螟为害过的上部叶片，正确识别率达94.7%[7]。2006年，Berra等人利用图像处理测得的投影面积、叶长、叶宽等形状描述参数[8]，对苗期的玉米和杂草进行识别，确定杂草的分布密度，为精确喷洒除草剂提供依据。但简单地把水平扫描的最大叶片长度定义为最大叶长，把垂直扫描的最大叶片宽度定义为最大叶宽，没有考虑图像中叶片的位置取向，误差较大。