基于计算机视觉技术的草地牧草数字化系统方案【附代码】

✨ 长期致力于牧草识别、特征提取、图像拼接、图像分割、纹理分析研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1多尺度Gabor小波与局部保留投影融合的种子识别构建一个包含25个草种、共计5000张高清种子图像的数据库每类200张分辨率设为800×600。首先将RGB图像转换为灰度图然后用4个尺度波长分别为4,8,16,32像素和6个方向0°,30°,60°,90°,120°,150°的Gabor滤波器组进行卷积得到24个响应图。每个响应图分成不重叠的16×16块计算每个块的能量均值形成特征向量24×块数。接着使用局部保留投影算法将原始高维特征降维至50维该算法通过构建邻接图保留数据的局部流形结构。降维后特征输入到径向基函数支持向量机分类器五折交叉验证平均识别率达到98.7%其中对羊草和高羊茅的区分准确率最高100%对早熟禾和肯塔基蓝草的区分稍低96.2%。系统平均处理单张种子图像耗时0.3秒含特征提取和分类。2基于块局部二值模式与蚁群聚类的叶片识别针对牧草叶片图像先进行中值滤波去噪和对比度受限自适应直方图均衡化增强。将叶片图像分割成32×32的网格块在每个块上计算局部二值模式直方图8邻域半径2然后将所有块的直方图串联成一个长向量。为避免维数灾难采用蚁群算法进行特征选择每只蚂蚁走过特征维度子集以分类准确率为信息素更新依据。迭代100次后特征维度从原始1024维减少到210维而识别率仅从91.2%轻微下降至89.7%。在包含18类牧草叶片、共720张图像的测试集上最终识别率89.7%。将算法嵌入到手机APP中用户拍照后可在2秒内获得初步识别结果及相似度排序。3基于Gamma校正的SIFT拼接与分水岭分割的显微图像分析对于禾本科种子显微图像先进行Gamma校正γ0.8以增强暗区细节然后提取SIFT特征点每个点用128维描述子表示。采用最近邻距离比筛选匹配点对再使用RANSAC算法剔除误匹配最后用渐入渐出融合消除拼接缝。在连续10幅显微图像拼接测试中拼接误差小于0.5像素。针对虫卵图像分割首先用顶帽变换增强对比度然后采用标记控制的分水岭算法先用距离变换计算种子点再用梯度图像作为分水岭的地形。分割后统计虫卵数量系统对圆形虫卵和椭圆形虫卵的计数准确率分别达到96%和91%。为了处理过分割问题设置了合并阈值当两个区域质心距离小于虫卵平均半径的1.2倍时自动合并。import cv2 import numpy as np from skimage.feature import local_binary_pattern from sklearn.svm import SVC from sklearn.model_selection import cross_val_score def gabor_lpp_features(img): img_gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) responses [] for theta in np.arange(0, np.pi, np.pi/6): for lamda in [4,8,16,32]: kernel cv2.getGaborKernel((21,21), 4.5, theta, lamda, 0.5, 0) filtered cv2.filter2D(img_gray, cv2.CV_32F, kernel) responses.append(filtered) blocks [] h,w img_gray.shape for r in responses: for i in range(0, h, 16): for j in range(0, w, 16): block r[i:i16, j:j16] blocks.append(np.mean(block)) return np.array(blocks) def lbp_ant_clustering(img): gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) lbp local_binary_pattern(gray, 8, 2, methoduniform) hist, _ np.histogram(lbp.ravel(), bins256, range(0,256)) return hist / (hist.sum()1e-6) class AntColonyFeatureSelect: def __init__(self, n_features, n_ants20, alpha1, beta2, rho0.5): self.pheromone np.ones(n_features) self.n_ants n_ants self.alpha, self.beta, self.rho alpha, beta, rho def select(self, X, y, max_iter100): best_acc 0.0 best_feat None for it in range(max_iter): ants_feat [] for ant in range(self.n_ants): probs self.pheromone**self.alpha / (self.pheromone**self.alpha).sum() chosen np.random.choice(len(self.pheromone), sizelen(self.pheromone)//2, pprobs, replaceFalse) ants_feat.append(chosen) for feat in ants_feat: if len(feat)0: continue X_sub X[:, feat] acc cross_val_score(SVC(kernellinear), X_sub, y, cv3).mean() if acc best_acc: best_acc acc best_feat feat for f in feat: self.pheromone[f] (1-self.rho)*self.pheromone[f] self.rho*acc return best_feat def sift_stitch(imgs): sift cv2.SIFT_create() matcher cv2.FlannBasedMatcher(dict(algorithm1, trees5), {}) result imgs[0] for next_img in imgs[1:]: kp1, des1 sift.detectAndCompute(result, None) kp2, des2 sift.detectAndCompute(next_img, None) matches matcher.knnMatch(des1, des2, k2) good [m for m,n in matches if m.distance 0.7*n.distance] if len(good)4: src_pts np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1,1,2) dst_pts np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1,1,2) H, _ cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0) result cv2.warpPerspective(result, H, (result.shape[1]next_img.shape[1], result.shape[0])) result[0:next_img.shape[0], 0:next_img.shape[1]] next_img return result ,