基于机器视觉的杂草图像特征提取及识别研究_毕业设计论文

基于机器视觉的杂草图像特征提取及识别研究_毕业 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 论文 基于机器视觉的杂草图像特征提取及 识别研究 学生姓名: xxx 指导教师:xxx 所在院系:xxx 所学专业:xxx 研究方向:xxx xxx 大 学 xxx 年xxx 月 Based on machine vision image feature extraction and recognition weeds Name:xxx Tutor:xxx College:xxx Major:xxx Direction:xxx xxx University May xxx 基于机器视觉的杂草图像特征提取及识别研究 摘 要 杂草同农田作物争夺阳光和养分，严重影响了农作物的生长。为了达到除草的目的，人们开始喷洒大量的除草剂来进行除草。可是却忽略了除草剂的不当使用给人、畜以及环境造成的危害。本文从实际应用出发，设计了一个基于机器视觉的杂草图像特征提取及识别系统。系统的运行在参考了前人研究成果的基础上，不断进行对比试验和算法的改进，找出适合于机器视觉的杂草识别的可行性 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 。 本文对动态杂草图像的采集、处理和识别方法进行研究。采集来的图像经常会有模糊现象的发生，对模糊图像的恢复处理做了大量的研究试验，得出维纳滤波具有较好的恢复效果;绿色植物和土壤背景的分割试验中，提出了一种基于彩色图像的二值化方法，可以不经过彩色图像灰度化就能够直接把绿色植物与土壤背景分割开，和以往的分割方法相比处理速度快，分割效果好，更加满足实时性;杂草和作物的分割主要研究了行间杂草和作物的分割，参考国内外资料，并进行研究试验， 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 明运用位置特征识别法有很好的分割效果，寻找作物中心行采用了简单快速的像素位置直方图法，填充作物中心行采用了改进的扫描线算法，和其他填充方法相比减少了重复操作，节省了时间，满足实时处理的 要求 对教师党员的评价套管和固井爆破片与爆破装置仓库管理基本要求三甲医院都需要复审吗 ;分割后的图像为只含有杂草的二值图像，通常会有一些残余的叶片和颗粒的噪声，通过形态学滤波和扫描线填充算法去除噪声，试验结果表明扫描线算法去除噪声效果更好。 基于机器视觉的杂草图像特征提取及识别系统的硬件组成主要有计算机、采集卡、摄像头、实验平台。 本文从动态杂草识别的处理方法出发，在实验室内开展了一系列的试验和分析，对主要的问题和技术难点作了较为深入的研究, 设计实现了基于机器视觉的杂草图像特征提取及识别系统。 关键词 : 杂草识别;图像处理;机器视觉 - I - 基于机器视觉的杂草图像特征提取及识别研究 Based on machine vision image feature extraction and recognition weeds Abstract Weed contests sunlight and nutrient with crop, as a result, the growth of crop was seriously affected. People fall back on spraying a great deal of herbicide for weeding purpose, but they ignored misapplying of herbicide will only pollute the environment but also jeopardizes human and livestock. So it’s necessary to develop an intelligent weeding method. The paper designed a system of image feature extraction and recognition weeds on the basis of machine. In order to find a feasible dynamic weed identifying method we consulted predecessor for their research, at the same time, we did a lot of comparison experiments to improve the arithmetic. The paper studied mostly on the image collection, processing and identification. There will be a blur in moving pictures, so we have to do a lot of experiment to restore the blurry image; at last we find that wiener filter is a preferable method. We put forward a binary method based on color image in the experiment of separating green plants from soil background, the method can separate green plants from soil background without converting color image to gray level image, so the method is more fast, better segmentation effect comparing with traditional methods, and thus meet the request of real-time processing. The paper studied on the separation of row-space weed from crop, having consulted materials of home and abroad, we did a lot of experiment and find out that location character method has a good segmentation effect. We adopted pixel location histogram which is simple and fast in finding central crop row, and adopted improved scan beam arithmetic to fill central crop row. Comparing with other methods the method can reduce repeating operations, so it can save time to meet the requirement of real-time processing. Segmented image only contains weed, but there usually will are some remnants leaves and random noise, we dispose noise applying Mathematical Morphology method and scan beam arithmetic, results of the experiment showed that scan beam arithmetic is better in disposing noise than other methods. Based on machine vision image feature extraction and recognition weeds is made up of PC, image collection card, digital vidicon, experiment console. The paper designed and realized a system of dynamic weed identification based on processing method. A series of experiment and analyses are developed and carried out an in-depth study to some primary problem in the laboratory. Study of the paper offered academic and practical references for the designing of basing on machine vision image feature extraction and weed identification system in actual outdoor environment. Keywords : Weed Identification ; Image Processing; Computer Vision - II - 基于机器视觉的杂草图像特征提取及识别研究 目 录 摘 要 ................................................................................................................................................ I Abstract ............................................................................................................................................ II 1 前言 ............................................................................................................................................... 1 1.1 研究目的及意义 ................................................................................................................ 1 1.2 国内外研究动态和趋势 .................................................................................................... 2 1.2.1 国外研究现状 ......................................................................................................... 2 1.2.2 国内研究现状 ......................................................................................................... 4 1.3 课题研究的主要内容 ........................................................................................................ 4 1.4 本章小结 ............................................................................................................................ 5 2 基于机器视觉的杂草图像特征提取及识别系统概述 ............................................................... 6 2.1 实验系统的整体结构 ........................................................................................................ 6 2.2 实验系统的组成 ................................................................................................................ 6 2.3 本章小结 ............................................................................................................................ 7 3 机器视觉的杂草图像的采集及图像恢复的研究 ..................................................................... 8 3.1 机器视觉的杂草图像的采集 ............................................................................................ 8 3.1.1 动态采集图像的数据格式及传输方式 ................................................................. 8 3.1.2 动态图像采集的软件系统 ..................................................................................... 8 3.2 动态模糊图像的恢复 ........................................................................................................ 9 3.2.1 图像恢复的基本知识 ............................................................................................. 9 3.2.2 匀速直线运动模糊下的点扩展函数 ................................................................... 10 3.2.3 逆滤波复原 ........................................................................................................... 12 3.2.4 维纳滤波复原 ....................................................................................................... 14 3.3 本章小结 .......................................................................................................................... 16 4 绿色植物与土壤背景实时分割的研究 ................................................................................... 17 4.1 图像分割概述 .................................................................................................................. 17 4.2 彩色图像灰度化 .............................................................................................................. 17 4.2.1 彩色图像的主要颜色模型 ................................................................................... 17 4.2.2 过绿特征分离绿色植物与土壤背景 ................................................................... 19 4.2.3 HIS方法分离绿色植物与土壤背景 ..................................................................... 19 4.3 二值处理和阈值分割方法 .............................................................................................. 21 4.3.1 动态阈值二值化方法 ........................................................................................... 21 4.3.2 颜色特征二值化方法 ........................................................................................... 22 4.3.3 两种二值方法的比较 ........................................................................................... 22 4.4 本章小结 .......................................................................................................................... 22 5 作物与行间杂草实时分割的研究 ............................................................................................. 24 5.1 作物与杂草动态识别概述 .............................................................................................. 24 - III - 基于机器视觉的杂草图像特征提取及识别研究 5.2 位置特征法分离作物和行间杂草 .................................................................................. 24 5.2.1 位置特征法的应用原理 ....................................................................................... 24 5.2.2 提取作物中心行 ................................................................................................... 24 5.2.3 填充作物行区域分割出杂草 ............................................................................... 25 5.3 杂草分离后二值图像滤波处理 ...................................................................................... 27 5.3.1 数学形态学方法滤除二值图像噪声 ................................................................... 28 5.3.2 扫描线算法滤除二值图像噪声 ........................................................................... 29 5.4 杂草面积和重心位置的获取 .......................................................................................... 30 5.5 本章小节 .......................................................................................................................... 31 32 6 结论与展望 ................................................................................................................................. 6.1 结论 .................................................................................................................................. 32 6.2 展望 .................................................................................................................................. 32 参考文献 ......................................................................................................................................... 33 致谢 ................................................................................................................................................. 35 - IV - 基于机器视觉的杂草图像特征提取及识别研究 1 前言 1.1 研究目的及意义 杂草是生态系统中的一员,农田杂草是农业生态系统中的一个组成部分，它直接或间接的影响着农业生产，给经济作物带来很大的危害。杂草不仅与农作物争夺阳光、水分、肥料、还与作物争夺生存空间，不经过及时的处理，会阻碍作物生长，导致作物产量的下降，产品 [1]质量受损，甚至妨碍农作物收获，增加生产费用。据统计,目前世界上共有杂草近5万种,农田杂草8000多种，而危害主要粮食作物的约有250多种。在我国，杂草分布区域也十分广泛，据我国农业植保总站近年调查发现，我国农田杂草约1500多种，其中给农作物造成严重危害的杂草有17种;危害范围较广、危害较严重的主要杂草有31种;地域性杂草有 [2]24种;一般不对农作物造成较严重危害的次要杂草有183种。为了减轻草害，人们投入了大量的人力与物力。统计表明，美国每年因为杂草在64种农作物中造成的损失达75亿美元， [3]而每年用于化学除草的费用高达36亿美元，用于机械和其它除草的费用达26亿美元。我国用在除草上的劳动量也高达20-30亿个劳动日，即便如此，我国草害造成的粮食损失平均 [4]达13.4,，年损失粮食产量约17500kt。人们为了减轻杂草对农作物的危害以及造成的经济损失，经常采用的几种除草方法包括机械除草、化学除草、人力除草、静电除草，还有生物除草等。人力除草由于浪费人力，效率又低，现在很少被使用;机械除草虽然效率较高，对环境污染小，但需消耗大量的动力，造成土壤压实，对下茬作物的生长不利;静电除草能除掉部分杂草，但可能造成作物烧伤，甚至影响土壤结构，降低土壤的生产能力;生物除草是从分子生物学角度进行研究，利用动物、昆虫、病菌等方法防除某些杂草,但还没有真正应用于生产。目前应用最广泛的除草方法是化学除草，化学除草是利用化学农药(除草剂)进行防除杂草的方法，其主要特点是高效、省工，尤其是可以免去繁重的田间除草劳动，解放田间的劳动力，正因为化学除草具有其他除草方法所不具备的优点而被广泛应用。但是，在人们大量的使用除草剂防治草害的同时，也产生了许多不良影响，如污染农副产品及破坏生态平衡。人们从化学除草所带来的负面影响，已深刻认识到单纯依赖化学防治和“地毯式” [5]大量喷洒除草剂的错误做法。因此，想到应该采取一些有利的措施，既能有效的消除草害，提高粮食作物的产量，又能保护好人们的生存环境，达到可持续发展的目的，这就使得科学工作者对杂草控制新方法的研究成为了必然。 信息技术的发展对当今社会产生了巨大而深远的影响，作为信息处理主要手段的计算机视觉技术已经渗透到科学研究和工农业生产的各个领域。计算机视觉技术已经日趋成熟和完善，而计算机图像处理和图像分析是当前国际上正在发展的一门新兴学科，是人工智能领域 [6]中的一个极为重要的方面，也是智能应用的热点之一。随着计算机和图像处理技术的不断发展，农田智能除草技术将成为一个新的研究领域。智能除草是利用计算机视觉和图像处理技术识别出作物中的杂草并确定作物与杂草的位置和杂草的面积，从而在软件控制条件下进行动态的采集、处理、识别，来减少化学除草剂对环境的污染，进而达到除草自动化。这不仅能提高农业生产的科学水平、减少草害，而且对保护生态、实现农业的可持续发展有着十 - 1 - 基于机器视觉的杂草图像特征提取及识别研究 分重大的现实意义。 1.2 国内外研究动态和趋势 国外早在80年代就开始了利用计算机识别杂草的研究。杂草识别的研究经历了由实验室到户外田间，由静态到动态的发展过程。但是至今能够真正应用在田间的机器视觉的杂草识别还不成熟。系统的实现关键在于杂草的识别方法问题。近年来科学家们进行杂草识别的研究方法主要有:颜色特征分析法、形状特征分析法、纹理特征分析法、光谱分析法和位置特征分析法。 1.2.1 国外研究现状 1. 颜色特征分析法 颜色特征分析是用于杂草识别的重要方法。在大自然中，植物呈现绿色，土壤呈黄褐色，岩石和无生命的植物残渣呈淡黄色。根据植物和背景的颜色特征差异就可以将植物从复杂的土壤背景中分离出来。有些杂草的茎呈现褐色，根据杂草和作物的颜色差异能够将它们区分开。 [7]Tang等人，研究了在室外自然光照条件下，以人工分割的结果为导师信号，在HIS颜色空间中利用遗传算法进行了植物和背景的分割，以克服田间光照的巨大变化对分割性能的影响。 [8]Woebbecke 等人在土壤、作物残留物和光照变化的条件下,利用RGB颜色特征参数来识别杂草、土壤和作物残留物，发现用这些颜色特征参数可以将杂草、作物和背景分割，同样也不能有效识别杂草和作物种类,也不适于区别单子叶和双子叶植物。 [9]Elfaki利用作物和杂草的颜色特征识别杂草的方法。采用4个颜色特征参数，进行有选择的组合，再把这些组合作为输入分量输入到一个统计分类器和两个神经网络分类器，结果证明统计分类器的效果最好，对大豆和小麦的正确分类率为54%,62.2%。 2. 形状特征分析法 形状特征分析法是利用植物的叶片形状差异进行识别。基本形状特征包括面积、周长、长度和宽度等，根据这几个基本的形状特征组合出形状特征参数，利用这些组合后的形状特征参数对杂草和作物进行识别。 [10]Giles D.K.等人利用图像形状匹配函数来识别杂草种类，他们研究了3种草(筒麻、狐尾草和打碗花)和大豆苗在子叶生长期的形状。这种方法不受子叶的大小和方向的影响，但当叶子形状复杂和叶子数目较多时却无能为力。 [11]Guyer等人使用叶子的形状特征来识别植物的种类，他们获得八种植物的图像，使用紧密度(compactness)、惯性中心矩(central moment)和惯性的主轴中心矩(principal-axil moment)等参数能识别早期阶段生长的植物。 [12]2000年，Perez等人在最初提取的多项形状特征参数中筛选出了7项参数作为形状特征，应用贝叶斯统计分类器和K最近邻域分类器进行分类。 3. 纹理特征分析法 纹理是由很多细小的单元构成，从整体上能反应某种规律性，其灰度分布表现出某种周 - 2 - 基于机器视觉的杂草图像特征提取及识别研究 期性。仔细观察，会发现植物的叶片有着不同的纹理。因而可以利用叶面的纹理信息来识别作物和杂草。用于特征提取的纹理特征为:共生矩阵、方向行灰度级能量、方向滤波掩模和分形维数、局部极值等。 将图像纹理处理技术应用于彩色图像是Sheare (Shear S.A.,1990)首先提出的，对7种人工培育的植物进行识别，分别有色调、饱和度、亮度得出一个颜色共生矩阵，从每个颜色共 。 生矩阵中计算出11个纹理特征，共产生33个颜色纹理特征，用于植物识别的准确率达91, [13]Meyer 等人利用传统灰度共生矩阵产生4个纹理统计特征:角二阶矩〔angular second moment灰度共生矩阵元素值平方和〕、惯性矩(inertia对比度，表示图像的清晰度)、墒(entropy图像信息量的度量)和局部均匀性(local homogeneity逆差矩)。利用上述4种参数识别杂草和土壤背景物准确率可达93%。 [14]Burks等人利用颜色共生矩阵(color co-occurrence matrix)导出11种颜色纹理特征来识别5种杂草(筒麻、狐尾草葬、马唐和打碗花)和土壤背景，识别率可达93%。 4. 应用光谱分析的识别方法 光谱分析方法是根据物体对光的反射特性的不同，利用杂草、农作物和土壤背景的反射光谱的不同进行分析，达到识别杂草的目的。植物在生长过程中，由于植物叶面组织结构的不同，对一定波长的太阳光吸收和反射也有所不同，因此可利用这种特性来区分杂草、作物和土壤背景。 Brown等人运用分光辐射谱仪在自然光照条件下测定了棉田中的几种杂草在400 -900nm范围内的反射率，通过分析得到了440，530，650，730nm四个特征波长能够对杂草进行有效的识别。 N .Wang,N.zhang通过二级管分光计研究小麦和9种杂草的茎和叶以及土壤的光谱特性，选定5个波长值(496nm，546nm，614nm，676nm，752nm)作为输入变量的特征波长值，以此建立杂草识别的分类器模型，并设计了一种光学杂草识别传感器。田间的实验结果表明，当把选定的9种杂草作为杂草类，与小麦、土壤进行分类时，训练分类器时分类正确率分别为64.3%、98.3%、98.7%，验证分类器时分类正确率分别为62.5%、83.1%、79.5%;当杂草密度高于0.02Plants/cm时，训练和验证分类器时的分类正确率都高于70%。当杂草以单株形式出现于土壤背景时，其分类正确率降低到50%以下。在进行杂草密度的实验中，没有发现杂草和小麦之间的错误分类。 [15]Ahmad-U等人利用由物镜、6片滤光片、成像光谱仪组成的机器视觉系统识别田间杂草，田间杂草的识别准确率达到了91.4%。 Borregard等人运用成像光谱仪测定了马铃薯和甜菜以及几种杂草在670-1070nm范围内的反射率，选定694, 970, 856, 686, 726, 879, 978nm作为特征波长，马铃薯和杂草的识别率达到了94,，甜菜和杂草的识别率达到了87%。虽然利用光谱特征分析法在实时性方面具有很大的优势，但高光谱成像设备的成本却相当高。 5. 位置分布特征法 位置分布特征法是基于作物的规律性种植提出的一种快速识别作物和行间杂草的方法。利用这种方法可以计算出杂草在田间分布的密度，对于条播作物除草具有广泛的研究意义和价值。H.J.Olsen 曾经采用纵向统计灰度值的方法，提取作物行信息，从而达到识别的目的。 - 3 - 基于机器视觉的杂草图像特征提取及识别研究 B.L.Steward和L.F.Tian研究了自适应扫描算法来获取作物行间信息，能够实现对行间杂草的识别。 1.2.2 国内研究现状 国内，不少研究人员也对杂草识别的方法进行了研究，但尚处于开发阶段。 [16]莱阳农学院和吉林工业大学的纪寿文、王荣本、陈佳娟等作了“应用计算机图像处理技术识别玉米苗田间杂草的研究”，利用计算机图像处理技术分析了玉米苗期田间杂草的特征量，识别出了田间杂草并确定了杂草的位置和生长状况。研究中采用直方图双峰法滤除了土壤背景，根据投影面积、叶长、叶宽识别出了杂草，并且根据杂草投影面积确定出了杂草密度。实验结果表明，此方法可识别出玉米苗期田间细长的单子叶杂草。但是，不适用于玉米的植株比杂草矮小的情况和叶片比较宽大的双子叶杂草的识别。此方法识别处理的时间较长。 [17]中国农业的大学的相阿荣等人研究了利用颜色特征从土壤背景中识别杂草的方法和形状特征识别杂草的方法。 [18]西北农林科技大学的龙满生等人以玉米苗期杂草为研究对象，分析了不同的颜色指标分割土壤背景的可行性，并对分割后的图像从形状上提取有效的特征，能识别出阔叶杂草、窄叶杂草和玉米苗。 [19]刘敏等人把分形维数引入自然光照条件下田间杂草图像纹理的分析中，用分形维数来表征微观杂草叶子纹理和宏观杂草丛纹理的粗糙程度，取得了一定的区分识别效果，与传统的纹理分析方法相比，该方法在时间复杂度和识别效果上具有明显的优势。 [20]吉林工业大学的陈晓光应用图像处理技术对蔬菜苗的生长阶段进行判断。 [21]中国农业大学的毛文华等人以小麦田作物为研究对象，利用位置特征，识别出行间杂草，并利用光谱特征识别作物与杂草的方法，通过作物和杂草的定性分析，运用筛选的特征波长识别小麦和杂草的正确识别率可以达到100,。 [22]江苏大学的潘颖等人以茄科类作物和杂草为研究对象，针对茄科类作物和杂草的形状特征、纹理特征作为模式识别的输入特征，采用神经网络的方法进行学习和训练，对茄子、青椒、干金子、马唐、凹齿苋的识别率分别为 96,，94,，100,，96,和94,。 从我国杂草识别的研究现状看，研究内容主要针对静态图像的采集、处理与识别，而现实中杂草识别应具有动态实时性。因此，从农田应用的角度出发，对于机器视觉的杂草识别还需要不断的深入研究，找出适合于动态实时性的识别方法。 1.3 课题研究的主要内容 本课题以大豆作物为研究对象，以实现杂草的动态采集、处理、识别为目的，在总结国内外研究成果的基础上，结合已有的杂草识别理论和方法，研究适合机器视觉的杂草实时处理与识别的方法，并在实验室现有的实验平台上进行图像的采集、处理及识别试验。通过不同方法的对比实验，提高处理与识别速度，并为农田机器视觉的杂草识别提供良好的理论基础。研究内容如下: 1. 图像的采集:在实验室内，利用大恒卡提供的库函数运用VC语言进行二次开发采 - 4 - 基于机器视觉的杂草图像特征提取及识别研究 集模拟田间环境的图像。 2. 动态模糊图像的恢复处理:采集来的图像经常会有模糊现象发生，根据模糊产生的原因，找到适当的点扩展函数，对逆滤波复原和维纳滤波复原进行对比试验，寻找最佳复原方法。 3. 绿色植物与背景分离的研究。在此研究试验中采用了两种方法进行了分离试验。一是利用超绿法进行图像灰度化，再采用动态阈值方法进行分割;另一种是直接对彩色图像进行二值化处理达到分割的目的。但是考虑到动态试验的实时性，要求减少计算量，速度快的特点。比较两种方法，选择出适合于动态处理的最佳方法。 4. 作物同行间杂草分离的研究。根据作物成行排列，而大部分杂草分布于作物行与行之间的特点，采取一种快速有效的分离作物与行间杂草的方法。并通过试验能找到适合于实 理的提取作物行和填充作物行的简单快捷的算法。 时处 5. 去除二值图像噪声的研究。为了减少二值图像中由于噪声的干扰带来的影响，使用形态学滤波和扫描线算法去除噪声，找出适合于处理二值图像噪声的最佳滤波方法。 1.4 本章小结 本章主要阐述了课题的研究目的、意义和国内外在杂草识别方面的研究现状。农田杂草是不可忽视的问题，它对农作物有很大的危害，除草成为农作物生长过程中必不可少的一步，智能除草方式有待进一步提高。多年来，国内外在杂草识别方面主要是利用植物的形状、纹理、颜色、光谱特性，位置特性对杂草识别进行了大量的研究，取得了很多研究成果。但这些研究大部分基于杂草的静态处理与识别，本课题着眼于豆田杂草，提出了适合于杂草动态采集、处理、识别的研究内容。 - 5 - 基于机器视觉的杂草图像特征提取及识别研究 2 基于机器视觉的杂草图像特征提取及识别系统概述 2.1 实验系统的整体结构 为了更好的在现实生活中实现杂草的动态识别，在总结前人研究理论的基础上，本系统在实验室内模拟户外环境(实验台上的传送带可以以不同的速度运行)，尝试采用不同算法进行对比试验，并经过不断的改进和完善，能够实现实验室内进行动态系统的运行。 本实验系统实现了从杂草图像采集、处理、识别的一系列过程，通过软件接口与单片机等硬件相连，使得整个系统能够顺利运行。下面是系统的组成结构图: 基于机器视觉的杂草图像特征提取及识别系统 图图图 像像像 采分识 集 割 别 图2-1系统整体结构框图 2.2 实验系统的组成 计算机视觉是现代科学的前沿，很多动态识别与检测系统都离不开它的支持。它利用摄像头(相当于人的眼睛)采集图像，与主机相连的图像采集卡将图像采集到内存或屏幕，也是将电信号转化成数字信号的过程。本课题的实验系统主要由摄像头、图像采集卡、光源、计算机、由动力设备带动的传送带的实验台等构成，控制箱可以调节传送带的运行速度、方向和传送带的运行与停止，可以调节摄像头的上下左右的位置。把从田间采集来的带有残茬的土壤和植物放到实验平台上，让传送带运转起来，模拟户外的环境进行动态采集。 1. 摄像头 本系统采用日本松下WV,CP410系列彩色数字摄像机，采用1/3英寸高清晰度行间CCD图像传感器，其最小照度0.08勒，水平清晰度570行，扫描方式为2:1隔行扫描。摄像头属于图像捕捉设备，它将采集来的视频信号通过置于计算机内部的图像采集卡输入计算机的缓存中，等待计算机发出指令进行处理。 2. 图像采集卡 - 6 - 基于机器视觉的杂草图像特征提取及识别研究 图像采集卡是摄像头与计算机的接口，它的功能是将采集来的模拟信号转换成数字信号。而且还能够把摄像机采集来的图像信息进行解码转化为能在计算机中进行存储和处理的图像数据格式，是最常用的图像数字化设备。本实验系统采用中国大恒有限公司生产的DH-CG300彩色视频图像采集卡。图像最大采集分辨率768×576×24bit。它具有使用灵活、集成度高、功耗低等特点。在进行采集传输时基本不占用CPU时间，并可将图像直接传送到计算机内存或显存，因此图像处理可以直接在内存中进行，图像处理的速度随CPU速度的不断提高而得到提高，因而使得对主机内存的图像进行实时处理成为可能。DH-CG300正因为具有多方面的优越性，使其成为实验系统中不可缺少的组成部分。 3. 计算机 实验系统中，对计算机的性能指标具有更高的要求，为满足处理实时性，要求计算机在 的CPU具有较高的处理速度;因为动态动态识别需要处理大量的图片，对内存的要求也相应较高。基于这两方面原因，本实验采用联想Y460,具有1G内存，500G硬盘空间来满足图像的采集、处理与动态识别。 4. 动态实验平台 此实验平台由传送带和控制器组成。利用控制器的各个不同的按钮，可控制传送带以不同的速度前进或者后退;同时还可以控制摄像头的升降和左右移动。通过控制器的控制作用能够更好的进行动态实验。 2.3 本章小结 本章从实验系统的组成进行了介绍，从结构上系统可以对杂草图像的实时采集、处理和动态识别的功能。实验系统的硬件部分包括摄像头、采集卡、计算机、实验平台、控制器组成。并详细介绍了各组成部件的型号和类型以及用途。 - 7 - 基于机器视觉的杂草图像特征提取及识别研究 3 机器视觉的杂草图像的采集及图像恢复的研究 3.1 机器视觉的杂草图像的采集 图3-1 动态采集工作原理图 上图为采集的工作原理图，视频图像经过多路切换器，A/D解码将数据输送到数据缓冲器。经裁剪、比例压缩及数据格式转换后，由内部RISC控制图形覆盖与数据传输，数据目标位置由二次开发后的软件确定，可以是显存，也可以是计算机内存。 3.1.1 动态采集图像的数据格式及传输方式 对于不同类型的数据图像，所采用的数据存储格式也相应不同。本课题所用的采集卡支持RGB8888、RGB888、RGB565、RGB555和256色模式。在此采用图像处理中最常用的RGB888格式，R、G、B是组成一幅图像画面的三种基本的颜色分量，数字图像是由若干个像素排列而成，每个像素实际也就是一个矩阵单元，那么每一像素都是R、G、B三种基色的组合，每一基色占用一个字节的空间，也就是说RGB888格式的一个像素要用到三个字节的空间存储。 图像采集显示模式可以分为场方式和帧方式两种。场方式分为奇场和偶场，奇场表示只传送奇数行的数据;同样偶场只负责传送偶数行的数据。帧方式，即奇、偶场的图像数据交叉存放，组成一幅完整的图像。同时在帧方式采集中，图像的存储方式也可有场方式，即一幅图像上半部分为偶场图像，下半部分为奇场图像，图像的数据是连续的。在本课题中采用帧方式，并设定连续帧的采集方式，这样有利于动态连续采集的操作，提高所采集图像的分辨率。 3.1.2 动态图像采集的软件系统 动态图像采集的软件系统是在大恒卡提供的开发包基础上进行的二次开发。在Microsoft的32位Windows操作系统中，图像采集卡应用接口库直接操作图像卡并提供了应用接口。在编制应用程序时，可以直接调用这些库函数来实现所需功能。应用接口库包含文件CGVideo.h，动态链接库CGVideo.dll和静态链接库CGVideo.lib。使用VC编程时，应在程序中调用相关的包含文件(.h)，并将静态链接库(.lib)文件加入到工程文件中，动态库必须放在相应的工作路径或WINDOWS系统路径下。本课题的动态采集系统所用到的函数如下: - 8 - 基于机器视觉的杂草图像特征提取及识别研究 1. BeginCG300();//打开图像采集卡 2. CG300Capture();//采集/冻结图像 3. CG300SepDispWindow();//设置图像显示窗口 4. CG300CaptureToMem();//将图像采集到内存中 CG300ReadFromMem();//从内存中读取所采集的图像 5. 6. EndCG300();//关闭图像采集卡 图像采集卡的开始操作和初始化参数的设置在应用程序初始化中完成，结束操作在应用程序退出前执行。图像采集卡所采集的图像数据，不占用计算机的CPU的时间，支持实时处理。采集图像到屏幕和到内存的操作在同一时刻只能选择其一执行，不能同时进行。 3.2 动态模糊图像的恢复 3.2.1 图像恢复的基本知识 图像在形成、传输和记录过程中，受到多种因素的影响，图像的质量会有所下降，表现为图像模糊、失真、有噪声等，这即是图像的退化。那么为了使退化图像能够恢复本来的面目，就要使用图像恢复这一过程来实现。图像恢复又称为图像复原，其主要目的是使模糊的图像变得更加清晰，有利于进行特征提取以及动态识别的操作。在机器视觉的杂草动态识别过程中，由于运动可能会造成图像的模糊，会给特征的提取和动态识别带来影响，因此需要对图像进行恢复操作。 图像复原技术是通过利用图像退化现象的某种先验知识将图像的退化过程模型化，并根 [23]据此模型采取与之相反的处理策略，而得到同原始图像尽可能接近的复原图像。由图像复原技术的定义可知，图像复原处理主要是依靠图像退化模型来进行的，在进行处理前必须了解图像退化的原因。引起退化的原因很多，如大气湍流效应、传感器特性的非线性、光学系统的像差、成像设备与物体之间的相对运动等。在本实验中主要涉及的是动态运行时摄像头与被摄目标之间产生相对位移从而导致了图像的模糊，清楚此退化原因后，我们将在此建立一定的退化模型，选择出最有效的图像恢复方法。 图3-2为图像退化的一般模型，此模型对于大多数的退化过程具有通用性。在模型中，退化过程被模型化为一个系统(或算子)，原始图像在经过其退化作用后与h(x,y)f(x,y) 一个加性噪声n(x,y)相叠加而产生出最终的退化图像g(x,y)。表达式如下: g(x,y),H[f(x,y)]，n(x,y) (3-1) - 9 - 基于机器视觉的杂草图像特征提取及识别研究 图3-2 图像退化的一般模型 图像复原技术的分类方法很多，那么在给定模型的条件下，图像复原技术可以分为无约束和有约束两大类。图像复原的一般模型如图3-3所示。退化后的图像在与复原滤g(x,y) '波器相卷积后得到了复原出的图像。 m(x,y)f(x,y) 图3-3 图像复原的一般模型 (3-2) n,g,Hf 逆滤波方法属于无约束复原;维纳滤波属于有约束复原。下面本实验将采用这两种复原方法进行对比试验。 3.2.2 匀速直线运动模糊下的点扩展函数 实验进行时，摄像头与被摄目标之间存在相对运动，往往造成图像的模糊。其中匀速直线运动所造成的模糊图像的恢复问题更具有一般性和普遍意义。首先摄像头不动，而图像f(x,y)发生平面运动。和分别是在和方向上相应的随时间变化的运动参xx(t)y(t)y00 数，T是采集时间长度，n(x,y)是加性噪声，实际采集到的由于运动而造成的模糊图像g(x,y)为: - 10 - 基于机器视觉的杂草图像特征提取及识别研究 T (3-3) g(x,y),f[x,x0(t),y,y0(t)]dt，n(x,y),0 这是动态模糊图像的一个基本模型。 先考虑没有噪声的情况。设噪声，式由(3-3)可得出的傅立叶变换为: n(x,y),0 ，，??,juxvy2π(，) G(u,v),g(x,y)edxdy??,,?? ，,，,T,j2,(ux，vy) ,[f[x,x(t),y,y(t)]dt]edxdy00,,,,,,,0 改变积分顺序，可表示为: T，,，,,j2,(ux，vy) (3-4) G(u,v),[f[x,x(t),y,y(t)dt]edxdy]dt00,,,0,,,, 外层括号内的积分项是置换函数的傅立叶变换。利用二维傅立叶f[x,x(t),y,y(t)]00变换的性质得到表达式: T2[()()],,，juxtvyt00 (3-5) G(u,v),F(u,v)edt,0 T2[()()],,，juxtvyt00t(3-5)根据与无关得出。令，因此可表示为: F(u,v)H(u,v),edt,0 (3-6) G(u,v),F(u,v)H(u,v) 如果图像的运动在和方向上是匀速直线运动，其速率为(v,v)=,(a/T,b/T)xyxy则()=,代入(3-5)式后得到退化函数: (at/T,bt/T)x(t),y(t)00 T,j,(ua，vb)H(u,v),sin[,(ua，vb)]e (3-7) (ua，vb), 如果当前图像只在方向作匀速直线运动，即;，当时， xt,Tx(t),at/Ty(t),000f(x,y)在水平方向的移动距离为，就是模糊长度。此时得出: aa T,j,uaH(u,v),sin(,ua)e (3-8) ua, 退化函数是要进行图像复原的关键的一步。了解了退化函数后，接下来就可以利用两种 复原方法对由于匀速直线运动而造成的动态模糊图像进行复原操作。 - 11 - 基于机器视觉的杂草图像特征提取及识别研究 3.2.3 逆滤波复原 逆滤波复原是一种最简单的复原方式，退化系统的传递函数被颠倒过来，以产生一幅恢 [24]复后的图像。 其中、、、分别是、、G(u,v)F(u,v)H(u,v)N(u,v)g(x,y)f(x,y) 、的二维傅立叶变换，而、、、分别表示退h(x,y)n(x,y)g(x,y)f(x,y)h(x,y)n(x,y)化图像、原始图像、退化因子和加性噪声。它的主要原理:首先要了解退化函数，H(u,v)然后利用退化函数和退化图像的傅里叶变换来计算原始图像的傅里叶变换估计(G(u,v)) ˆ: F(u,v) G(u,v)ˆ, (3-9) F(u,v)H(u,v) 公式(3-9)即是所说的逆滤波。此公式是在没有任何噪声的情况下成立，但实际中被观测到的图像都带有噪声，因此(3-9)式应该变成(3-10)式才成立。其中为加性N(u,v)噪声。 N(u,v)ˆF(u,v)+, (3-10) F(u,v)H(u,v) 由公式(3-10)可得到: ,N(u,v)F(u,v),F(u,v), (3-11) H(u,v) 由(3-11)式可知，如果已知、、就可以得到，将G(u,v)H(u,v)N(u,v)F(u,v)F(u,v)进行傅立叶反变换，就能得到f(x,y)，也就是我们所要的复原图像。 以上过程是逆滤波算法的基本处理过程。从式(3-11)我们可以看出，当很小H(u,v)时，N(u,v)/H(u,v)会变的很大，这相当于把噪声放大了很多，使得复原图像的效果很差。另外，如果H(u,v)有零点，那么在H(u,v)零点处，N(u,v)/H(u,v)会变得无穷大，所以图像在这些点处无法正确复原。采用逆滤波复原法消除运动模糊，过程如下: - 12 - 基于机器视觉的杂草图像特征提取及识别研究 1. 求模糊图像的傅立叶变换; G(u,v) 2. 观察目标运动的水平方向和垂直方向的移动距离a和b,确定退化传递函数 ; H(u,v) ˆ 计算复原图像的傅立叶变换; 3.F(u,v) ˆ4. 对执行傅立叶逆变换，得到复原图像。 F(u,v) 如图3-4所示:逆滤波对于未加入噪声时的图像能够进行复原，但必须精确设置复原点扩散函数的结果，图3-4(b)的复原点扩散函数与模糊原图像的点扩散函数的参数相同，因此复原效果好。如果估计运动参数时不准确，复原结果会受到影响。而带有噪声的运动图片经过逆滤波复原后，复原结果明显下降，如图3-4(d)。 - 13 - 基于机器视觉的杂草图像特征提取及识别研究 (a)没有噪声的模糊图片 (b)逆滤波复原图片 (c)带有噪音的模糊图片 (d) 逆滤波复原图片 图3-4 逆滤波复原对比图 3.2.4 维纳滤波复原 1967年Helstrom对逆滤波复原法进行了改进，提出了维纳滤波复原法，也称维纳滤波器。 它是利用一个复数量与它的共轭的乘积等于复数量幅度的平方。维纳滤波的基本思想， ˆ既是求出原图像f(x,y)和复员图像的平均二乘误差为最小时的复员法。误差计算f(x,y) 为: 22ˆe,E{(f,f)} (3-12) 可由下式表示: ，，,H(u,v),,F(u,v),,G(u,v) (3-13) 2,,H(u,v)，P(u,v)P(u,v)nf，， - 14 - 基于机器视觉的杂草图像特征提取及识别研究 ，，,H(u,v),,F(u,v),,G(u,v) (3-14) 2,,,H(u,v)，，， 公式(3-14)为(3-13)的变型公式:其中常量,即噪声和信号的P(u,v)/P(u,v),nf 功率之比。分别表示噪声和原图像的功率谱， 表示成像系统传递P(u,v),P(u,v)H(u,v)nf 函数的共轭复数。采用维纳滤波器的复原过程步骤如下: H(u,v) 1. 计算图像的二维离散傅立叶变换得到; g(x,y)G(u,v) 计算点扩展函数的二维离散傅立叶变换; 2.h(x,y) 3. 估算图像的功率谱密度和噪声谱密度; PPfn , 4. 由公式(3-13)计算图像的估计值; F(u,v) ,, 5. 计算的傅立叶逆变换，得到恢复后的图像。 F(u,v)f(x,y) 采用维纳滤波对动态模糊图像进行恢复，通常我们并不知道信号和噪声的功率，但可,以用一个常量来代替。当,0时，维纳滤波器就转化为标准的逆滤波器。当不等于0时，,,虽然能抑制了噪声的扩大，但复原的模型没有去卷积滤波器精确，造成复原的失真。越大，,抑制噪声效果越好，但复原不准确，从现象上看复原后的图像比较模糊。越小，复原越准,确，然而噪声抑制效果不好。所以的选取原则是:噪声大，适当增加，噪声小适当减,,,小。一般取0.1,0.001之间，视具体情况而定。与逆滤波相比较，维纳滤波对噪声能起到一定的自动抑制作用。在带有噪声的动态模糊图像的复原中，维纳滤波效果较好。如图3-5为带有噪声的动态模糊图像经过逆滤波和维纳滤波恢复后的对比图，维纳滤波复原结果明显好于逆滤波。 - 15 - 基于机器视觉的杂草图像特征提取及识别研究 原始图片 (b)带有随机噪音的模糊图片 (a) (c)维纳滤波复原图片 (d)逆滤波复原图片 图3-5 逆滤波与维纳滤波复原对比图片 3.3 本章小结 本章主要对机器视觉的杂草图像的采集以及图像预处理中图像复原作了详细的论述。图像的采集中叙述了图像采集的传输方式和工作原理。并能够编制相应的软件进行图像的采集。对由于运动产生的模糊图像采用了逆滤波和维纳滤波复原方法进行对比试验，得出维纳滤波能够更好的抑制噪声，恢复效果较好。 - 16 - 基于机器视觉的杂草图像特征提取及识别研究 4 绿色植物与土壤背景实时分割的研究 4.1 图像分割概述 图像分割是图像处理当中最重要的部分，也是一种基本的计算机视觉技术。它根据某种同一性把一整幅图像划分为若干子区域，每一区域对应于某一物体或物体的一部分。进行图像分割的最终目的是为了对景物或物体进行描述，而许多不同种类的图像或景物部分都可作为据以分割的分片，并且有许多不同的方法可从图像中提取这些部分。 图像分割分为灰度图像分割和彩色图像分割，它们的大部分算法在分割思想上是一致的，只是彩色图像要比灰度图像包含着更多的信息，而且具有多种彩色空间表达方式。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，现已提出的分割算法大都是针对具体问题的，并没有一种适合所有图像的通用分割算法。那么彩色图像分割算法的关键就在于利用丰富的彩色信息达到图像分割的目的。 本课题中的图像分割，主要是去除杂草图像中的土壤背景(含有作物残茬等)。为了将绿色植物与土壤有效的分割，需要对原始图像数据进行变换，从而得到最能反映分类本质的特征。对于彩色图像分割的问题，首先要选择好合适的彩色空间，然后充分利用彩色图像所包含的丰富的色彩信息，选择适当的特征，使目标和背景能依据特征上的差别进行区分，利用这个颜色特征将彩色图像转变成灰度图像，再确定阈值将灰度图像二值化。 4.2 彩色图像灰度化 绿色植物同土壤背景分割，可以根据RGB和HIS颜色模型将彩色图像转换成灰度图像，比较二者的灰度化结果，找出分割效果好，适合于实时处理的方法。 4.2.1 彩色图像的主要颜色模型 彩色模型(也称彩色空间或彩色系统)的用途是在某些标准下用通常可接受的方式简化彩色 规范 编程规范下载gsp规范下载钢格栅规范下载警徽规范下载建设厅规范下载 。本质上，彩色模型是坐标系统和子空间的规范。位于系统中的每种颜色都由单个点来表示。 现在所用的大多数彩色模型都是面向硬件的或是面向应用的。在图像处理中，实际中最通用的面向硬件的模型是RGB(红、绿、篮)模型。HIS(色调、亮度、饱和度)模型更符合人们描述和解释颜色的方式。还有CMY、 CMYK， XYZ等模型在实际当中不太常用的彩色模型。因为目前的绿色植物与背景的实时分割中多采用RGB和HIS这两种模型，下面对RGB模型和HIS模型加以介绍。 RGB颜色模型 1. 任何物体反射光所形成的彩色图像经彩色摄像机输入到计算机后，均被分解成红(R)、绿(G)、篮(B)三个分量，这是国际照明委员会(the International Commissian on Illumination, 简称CIE)1931年规定的标准色系。这个模型基于笛卡儿坐标系统，(如图4-1所示)所有颜色值都归一化从而形成了一个单位立方体，即所有的R、G、B的值都在[0，1]内取值。在 - 17 - 基于机器视觉的杂草图像特征提取及识别研究 这个模型中，原点对应黑色，离原点最远的点对应白色。从黑到白的灰度值分布在从原点到离原点最远点的连线上，而立方体内其余各点对应不同的颜色，可用从该点到原点的矢量来表示。 G 绿 黄(0,1,0)(1,1,0) 青 白(0,1,1)(1,1,1) R 黑 红 (0,0,0)(1,0,0) 蓝 品红 (0,0,1)(1,0,1) B 图 4-1 RGB颜色系统模型 2. HIS颜色模型 HIS颜色模型系统直接采用了彩色特性意义上的三个量:色度、亮度、饱和度来描述它。亮度I是色彩明亮度的概念，色度是光波混合中与主波长有关的属性，表示观察者接收的主要颜色，是描述纯色的属性(纯黄色、红色)，饱和度给出一种纯色被白光稀释的程度的度量。亮度是一个主观的描述子 ，实际上它不可测量。色调和饱和度一起称为彩色。 HIS颜色模型可在彩色模型中从携带的彩色信息(色调和饱和度)里消去强度分量的影响，对于开发基于彩色描述的图像处理方法是一个理想的工具，这种彩色描述对于人来说是直观的、自然的。HIS模型中的颜色分量也可定义在如图4-2中所示的三角形中。对其中的任意一个色点P，其H的值对应指向该点的矢量与R轴的夹角。这个点S与指向该点的矢量长成正比，越长越饱和。在这个模型中，I的值是沿1根通过三角形中心并垂直于三角形平面的直线来测量的。 图 4-2 HIS颜色三角形 3. 两种模型的转换 HIS模型和RGB模型可以相互转换。下面是将RGB转换到HIS的计算公式: R，G，BI, (4-1) 3 - 18 - 基于机器视觉的杂草图像特征提取及识别研究 3S,1,[min(R,G,B)] (4-2) R，G，B ,,,,RGB2,,0,10,,,,90，tan，255/360 G,B,,,,，，GB3,,,,, ,,,,RGB2,,0,100,,,,90，tan，180，255/360 (4-3) H,G,B,,,,GB3(,),,,, 255 G,B 4.2.2 过绿特征分离绿色植物与土壤背景 人们通过视觉所看到的每种物体的颜色都是由它的反射光谱的特性和光源特性所决定的。RGB颜色模型是用红、绿、篮三种基本原色的混合比例来定义不同的色彩，因此对于有生命的绿色植物、带有残茬的土壤和无残茬的土壤所呈现的不同颜色就可以用三原色的不同组合来区分。其中过绿分量2G-R-B组合被证明能够有效的区分绿色植物和土壤背景，这种方法提出针对自然光线下获取的图像背景与绿色植物呈现明显的区别，而且在室内光照强度相对比较稳定的条件下，由于它在杂草与土壤背景之间的反差很大，因而同样可以用于杂草图像的背景分割。利用过绿分量将彩色图像转成灰度图像计算简单，满足动态实时处理的要求。但缺点是对光照强度和倾斜角度的变化敏感，将绿色植物与背景的分割不完全，而且伴随的噪声较多，仍然需要采用二值方法作进一步分割处理。如图4-3中(b)为经过绿特征灰度化后的图像。 4.2.3 HIS方法分离绿色植物与土壤背景 在分离绿色植物和土壤背景的试验中，除了使用RGB颜色模型外，HIS颜色模型也是我们经常用到的。它更加接近人们对颜色的感知。通过对图像的色度图像进行观察、分析，发现色度图像的目标和背景的亮度分布较为均匀，且有较明显的区别，受光照条件的影响较少，所以在很多研究中经常选择色度分量为颜色特征进行目标与背景的分割。为了得到H分量，我们需对RGB模式进行转换得到HIS模式。依据公式(4-3)转换后，得到如图4-3中(c)为含色度分量的图像。 - 19 - 基于机器视觉的杂草图像特征提取及识别研究 (a)原始图像 (b)含2*G-R-B的灰度图像 (c)含色度分量的图像 图4-3灰度图像对比图 从图4-3中的原始图像经过RGB颜色模型和HIS颜色模型分别处理得到的灰度图像可以看出，两种方法都可以分辩出绿色植物和土壤背景，但是含有色度图像的灰度图的目标和背景对比度明显小于含有2G-R-B分量的灰度图，差异越小，对二值化处理越不利。因此，如果选择灰度变换方法来分割绿色植物与土壤背景，选择过绿分量分割效果更好。 - 20 - 基于机器视觉的杂草图像特征提取及识别研究 4.3 二值处理和阈值分割方法 彩色图像经过2G-R-B的灰度变换后，绿色植物和背景已经呈现明显差异，但是从图像中会看到部分残留物的痕迹，有些由于受到光照强度等不同因素的影响，绿色植物与背景的分割效果不是很好。要把绿色植物从土壤背景中完全分离出来，就需要通过阈值分割对图像进行二值处理。因此在二值处理过程中，选择恰当的阈值分割方法是很关键的。常用的阈值分割方法有:全局阈值法、局部阈值法和动态阈值法。 1. 全局阈值法:采用阈值确定边界的最简单做法是在整个图像中将灰度阈值的值设置为常数。如果背景的灰度值在整个图像中可合理地看作为恒定，而且所有物体与背景都具有几乎相同的对比度，那么，只要选择了正确的阈值，使用一个固定全局阈值一般会有较好的分割效果。 2. 局部阈值法:由当前像素灰度值与该像素周围点局部灰度特征来确定像素的阈值。例如可以将原图像划分为一些不相交的小块，将各块图像的灰度均值作为该块图像阈值，在局部上采用上面的整体阈值法。 3. 动态阈值法:阈值的选择不仅取决于该像素及周围像素的灰度值，而且还与该像素的坐标位置有关。例如我们可以在局部上统计该区域灰度值分布特征，根据统计结果来确定不同的局部阈值。 这三种阈值方法都在图像分割中经常用到，但每一种阈值方法都有一定的适用范围，本试验中运用了两种二值处理方法，一种是可将灰度图像变换为二值图像的动态阈值法;另一种为利用彩色图像颜色特征的二值化方法。 4.3.1 动态阈值二值化方法 动态阈值二值化方法是针对灰度图像的二值化方法。在杂草动态识别中，这种方法在灰 [25]度图像二值化方法中的分割效果最好。当图像中有阴影、光照不均匀、各处的对比度不同、突发噪声、背景灰度变化等，只使用一个固定的全局阈值不能够对整幅图像进行分割，而动态阈值法以光在物体表面的反射率特性为依据，它完全根据图像的画面来判断，不受背景光 [26]的影响，因此成为必不可少的阈值分割方法。动态阈值分割法的工作原理是:首先将图像分解成一系列子图像，这些子图像可以互相重叠也可以只相接。如果子图像比较小，则由阴影或对比度空间变化等带来的问题就会比较小。然后可对每个子图像计算一个阈值，此时阈值可用任一种固定阈值法选取。通过对这些子图像所得阈值的插值就可得到对图像中每个像素进行分割所需的阈值。这里对应每个像素的阈值合起来组成图像上的一个曲面，也可叫阈 [27]值曲面。具体步骤如下: 1. 将整幅图像分成一系列互相之间有50,重叠的子图像; 2. 做出每个子图像的直方图; 3. 检测各个子图像的直方图是否为双峰，如果是可采用阈值选取方法确定子图像的阈值，否则不进行处理; 4. 根据对直方图为双峰的子图像得到的阈值，通过插值得到所有子图像的阈值; 5. 根据各子图像的阈值，再通过插值得到所有像素的阈值，然后对图像进行分割。 - 21 - 基于机器视觉的杂草图像特征提取及识别研究 4.3.2 颜色特征二值化方法 由于分割要在灰度和二值空间内进行，而考虑到把彩色图像转换为灰度图像会损失一部分信息，因此使用了颜色特征二值化方法，这种二值化方法可以直接对彩色图像进行处理。所采集来的图像不必经过灰度变换，就可以利用其颜色特征R、G、B三种基本原色，把目标物从土壤背景中分离出来。其工作原理是利用三基色分量R、G和B，绿色植物的G分量总是大于R和B分量;而土壤和其他残留物则不存在这样的颜色特征，这种方法是针对绿色植物所特有的颜色特征提出的二值化方法。采集一帧彩色图像，对彩色图像的每一像素操作，如果像素的G分量既大于R分量，同时又大于B分量，就可将像素的R、G、B值都赋为255，除此之外的其他像素的R、G、B值均赋为0。这就很容易的将彩色图像转换为二值图像。经过多次试验表明这种方法操作简单，处理速度快，而且噪声少，更加适合机器视觉的杂草图像的处理。 4.3.3 两种二值方法的比较 实验中采用了两种二值化方法对绿色植物和背景进行分离，从图中可知动态阈值二值化和颜色特征二值化都有较好的处理效果，但从运行速度相比较而言，动态阈值二值化要首先将彩色图像通过过绿特征法转换成灰度图像才能进行二值化，这就需要耗费一定的时间;而颜色特征二值化可以直接对彩色图像进行二值处理，处理速度快，节省了时间，这对实时处理来说是非常必要的。从处理后噪声的多少来说，颜色特征二值化方法的噪声明显小于前者，处理后的图像更加清晰。因此本系统选定颜色特征二值化作为分离绿色植物与背景的二值处理方法。图4-4为两种二值化方法的对比图: 4.4 本章小结 本章主要以绿色植物和土壤背景分割为主线索，简要介绍了两种基本模型RGB和HIS,并利用两种模型对彩色图像进行灰度化分割，经试验表明利用过绿分量得到的灰度图像，绿色植物与背景对比度明显大于含有色度分量灰度图。对图像分割采用的二值处理方法，通过对动态阈值二值化方法和颜色特征二值化方法进行对比试验，得到后者可以直接对彩色图像进行分割，这种方法处理速度快，适合于动态处理的实时性，因此本课题选择了颜色特征二值化为分离绿色植物和土壤背景的二值化方法。 - 22 - 基于机器视觉的杂草图像特征提取及识别研究 (a)原始图像 (b)动态阈值法二值化后的图片 (c)颜色特征直接二值化的图片 图4-4 二值化方法对比图 - 23 - 基于机器视觉的杂草图像特征提取及识别研究 5 作物与行间杂草实时分割的研究 5.1 作物与杂草动态识别概述 绿色植物与土壤背景的分割，实现了杂草动态识别的第一步，接下来的工作是杂草同作物的分离。国内外科学家也已经对此展开了大量的研究工作。动态识别杂草的方法很多，例如形状特征法、纹理特征法和光谱分析法等。利用形状特征法和纹理特征法要进行大量的试验进行特征参数的提取工作，在处理时又要通过神经网络算法对采集的图像进行特征提取和对比，尽管在试验研究中可以达到动态识别的目的，但是由于计算量相当大，降低了处理速度从而不利于田间的实时处理，特别是当行内作物与杂草的叶片呈现交叠现象时，就更给动态识别带来了很大的难度。光谱分析法能够满足处理速度，目前却因为其采用的仪器昂贵而很少被用于田间的杂草动态识别。动态识别杂草的目的是为了有效的解决杂草问题，减少对人畜以及周围环境的危害，因此Slaughter等人提出在作物苗期，利用作物和杂草位置特征的差异来确定喷洒药物范围具有一定的应用价值。 5.2 位置特征法分离作物和行间杂草 5.2.1 位置特征法的应用原理 大多数农田作物都是规律性成行排列的，而杂草的生长却不存在规律性，它们可以随意生长并具有簇生性，它即可能生长在作物行与行之间的区域，也可能生长在作物行中。Brian等人通过试验得出了行间杂草的数量与总杂草数量具有线性相关性，通过对行间杂草密度的动态识别能够有效的得出总杂草密度。因此本课题中采用了位置特征法对于大豆作物与垄间杂草作相应的分离试验，为下一步动态模拟喷洒研究的进行打下了基础。 位置特征法动态识别杂草的基本原理是:首先根据采集的图片确定所含作物行数，再根据作物成行排列的规律性找出每一作物行的中心行，利用区域填充将作物中心行的连通区域填充，剩下未被填充区域即为杂草区域。这就实现了作物同行间杂草的分离。 5.2.2 提取作物中心行 提取作物中心行是位置特征法动态识别作物和杂草的关键，因此，国外的研究中，已经提出了很多种提取作物中心行的方法。比如:带通滤波器(Bandpass Filter)、霍夫变换(Hough Transform)以及像素位置直方图统计。由于在几种提取作物中心行的方法中，像素位置直方图法计算简单，消耗时间短，速度快，恰好满足实时性要求，因此本课题选用了像素位置直方图统计方法来提取作物中心行。 像素位置直方图法:彩色图像经过处理变成二值图像后，黑色像素点区域为背景区域，而白色像素点区域代表作物和杂草区，按照从左到右的顺序纵向统计白色像素点的总数，得到每一列植物像素总数，从而得到绿色植物像素分布的直方图，如图5-1所示，经过低通滤波后得到的蓝色曲线f(x),直方图曲线中的每个波峰位置所对应的x坐标就代表作物中心 - 24 - 基于机器视觉的杂草图像特征提取及识别研究 行。从像素位置直方图中可以看出，有几个波峰就代表有几个作物行。 H,1 (5-1) x,0,1,2,...W,1f(x),f(x,y),y,0 其中代表获取图像的高度，代表图像的宽度,代表点处的灰度值。f(x,y)(x,y)HW 提取作物中心行步骤如下: 1. 根据采集来的图像确定作物行的个数n; 2. 对二值化后的图像按照从左到右的顺序统计每一列的白色像素总数; 在进行纵向的像素数统计的同时，还要与前一列的像素总数进行比较，直到此列的3. 像素总数小于前一列的像素总数时，停止计算。证明此列为此作物行的中心行; 4. 根据不同时期作物行宽的不同，利用下面提到的扫描线种子填充法对作物行进行填充; 5. 2-4步骤重复操作n-1次，陆续找到其他的作物中心行。 图5-1 像素位置直方图 5.2.3 填充作物行区域分割出杂草 将区域的边界表示转换为区域内部像素表示的过程称为区域填充。区域填充是计算机图形学中的一个基本问题之一，在计算机辅助设计、真实感图形显示、图像分析等领域有着广泛的应用。填充方式的选择和填充效率的提高是两个十分重要的问题。区域填充分为两类，一类是多边形填充，一类是种子填充，因为本试验中用到了种子填充法，下面介绍种子填充的基本概念和是几种常用的种子填充算法的原理: - 25 - 基于机器视觉的杂草图像特征提取及识别研究 图5-2动态识别作物中心行的二值化图片 种子填充 在填充时先给出区域内的一点，称为种子点，并赋予指定颜色，然后将该颜色扩散到整个区域的过程叫做种子填充。种子填充算法的突出优点是能对具有任意复杂边界的区域进行填充。 1. 递归种子填充算法 形式上是一种最简捷的种子填充算法，在被填充的区域中预先设置一个种子像素，然后以该像素为起点，按四向算法或八向算法搜索下一个像素，由此出发蔓延直到找到区域内所有像素。这种填充算法的形式相对简单，但是种子点的找寻比较困难，而且存在递归调用，有的像素可能被访问多次，没有考虑像素之间的相关性，每个像素都可能多次入栈，因此效 [28]率较低，对于面积较大的区域几乎无法使用，当填充的区域面积较大时，由于所占用的栈空间太大，因此使填充不能完成，甚至会出现系统崩溃。 2. 扫描线种子填充算法 1979年Smith提出了扫描线种子填充算法。它的基本思想是用一系列平行直线去切割轮廓线，通常有成对的交点出现，每对交点就代表扫描线与轮廓线的一个相交区间。这种算法充分利用了像素的相关性，每一条连续未被填充的扫描线只取与多边形相交区间最左边的像素进栈，从而栈空间大大减少。扫描线种子填充算法是一种能对任意复杂边界进行有效填充的实用算法。对扫描线填充算法的定义如下: (1) 栈顶像素出栈; (2) 填充出栈像素所在扫描行的连续像素段，直到遇到边界为止; (3) 在区间中检查与当前扫描线相邻的上下两条扫描线的有关像素是否全为边界像素或已填充的像素，若存在非边界，未填充的像素，则把每一区间的最左像素取作种子像素入栈。 由定义可见，在填充算法当中，填充完当前扫描线像素之后，需对其上、下两条扫描线进行扫描，这样就会导致每条扫描线重复扫描，有些甚至被扫描3次，这样算法所花费的时间增加了许多。 - 26 - 基于机器视觉的杂草图像特征提取及识别研究 3. 改进的扫描线填充算法 其基本思想是:首先选定一个种子像素，该种子像素所在扫描线将填充区域划分为上、下两部分，利用深度优先搜索的思想，分别对上、下两部分进行填充，对上部分，每次搜索当前扫描线的上一条扫描线的有关像素，若存在非边界、未填充的像素，则把每一区间的最左像素取作种子入栈，直至上半部分区域填充完毕;再用同样的方法处理下半部分，只是把搜索当前填充扫描线的上一条扫描线改为下一条扫描线，这样避免了扫描线的大量重复扫描，除第一条种子扫描线及扫描线与多边形有多个相交区间时的扫描线会被重复外，其他扫描线只被扫描一次，从而提高了填充速度。 种子像素入栈，当栈非空时重复执行: (1) 种子像素出栈，并求出种子所在扫描线与多边形的左交点left，右交点right; (2) 对区间[left, right]进行填充; (3) 搜索该扫描线的上一条扫描线是否全为边界像素或已填充的像素，若存在非边界，未填充像素，则把与多边形相交的每一区间的最左像素入栈，直至多边形的上半部分处理完毕;种子像素入栈，当栈非空时重复执行; 由上面三种种子填充方法，对40张图片进行填充处理后，发现处理后的结果几乎相同，没有明显的差异，但是从三种算法的运行速度上，递归种子填充算法所用平均时间185ms,扫描线种子填充算法处理平均时间64ms，改进后的扫描线种子填充算法所用平均时间紧为20ms。可见改进后的扫描线填充算法运行速度最快，避免了重复扫描现象的发生，为了满足动态实时处理的要求，本文中选用了改进后的扫描线填充算法来填充作物行区域。图5-3为利用改进后的扫描线填充算法填充作物行后的图片。 图5-3去除作物行后的杂草图片 5.3 杂草分离后二值图像滤波处理 经过作物行的滤除操作后，二值图像中会存在一些颗粒的点状噪声，如果不进行去除，将会对杂草面积的计算产生影响。因此需要对杂草分离后的二值图像作去噪声处理。去除噪声时，真彩图像、灰度图像和二值图像的方法不尽相同，二值图像的噪声去除多采用删除噪声点的方法。本试验中运用了两种去噪方法对二值图像进行滤除噪声的处理工作。 - 27 - 基于机器视觉的杂草图像特征提取及识别研究 5.3.1 数学形态学方法滤除二值图像噪声 数学形态学(Mathmatical Morphology)是分析几何形状和结构的数学方法，是建立在集合代数基础上的，用集合论方法定量描述几何结构的科学。1985年后，数学形态学逐渐成为分析图像几何特征的工具。数学形态学是由一组形态学的代数运算子组成的。最基本的形态学运算有:腐蚀(Erosion)、膨胀(Dilation)、开运算(Opening)和闭运算(Closing)。用这些算子及其组合来进行图像形状和结构的分析及处理，包括图像分割、特征提取、边界检测、图像滤波、图像增强等方面的工作。 开运算是图像先进行腐蚀运算再进行膨胀的过程，开运算一般使对象的轮廓变得光滑，断开狭窄的间断和消除细小的鸿沟，消除小的空洞，并填补轮廓线中的断裂。腐蚀运算可以处理二值图像中消除不相关的细节，而膨胀运算可以将裂缝桥接起来。 下面是腐蚀、膨胀和开运算的表达公式: ,2z和是中的集合，代表一个二值图像为结构元素，为的映射，集合被ABBBBAB膨胀定义为: ,,,,,,, (5-2) ABz|(B):A,,z,, 对于中的集合和，使用对进行腐蚀，定义为 ABBAz ,,A,B,z|(B),A (5-3) z 使用结构元素对集合进行开运算，即是先用对进行腐蚀，再对结果进行膨BABAB胀表示为: (5-4) A,B,(A,B),B 经过二值处理后得到的图像包含杂草、残留的细碎叶片和少量的孤立噪声点，采用数学形态学中的开运算可以去除二值图像中的残留的细碎叶片和孤立噪声点，只保留我们感兴趣的杂草区域对图像起到了平滑作用，使得对于杂草面积的计算更加精确。 如图5-4，数学形态学的开运算去除了图像中颗粒点噪声，但是还会有少许的残余叶片没有处理掉。而且开运算要经过多次腐蚀和膨胀操作，影响运行的速度，所以本试验系统没有选用数学形态学方法作为二值图像的去躁方法。 - 28 - 基于机器视觉的杂草图像特征提取及识别研究 图5-4用数学形态学方法去除图像的噪声 5.3.2 扫描线算法滤除二值图像噪声 由于要考虑到图像实现去噪处理的效率问题，本文采用了扫描线算法来去除二值图像的噪声。前面的章节已经介绍了扫描线算法的基本概念，这里不加以介绍。下面是利用扫描线算法去除二值图像噪声的具体步骤: 1. 对图像进行按行扫描; 2. 将图像中连续的白色区域定义为一个piece，一个连续的piece定义为一个area; 3. 当area不再连续并且面积大于某一已经定义的常数值R时即清除这个area，而当area不再延续但是面积小于R时填充所有的piece并且清除area。 扫描线算法用来记录一个区域的轮廓，进而来判断一个区域的面积。通过记录每一行白色区域的起点和终点来存储白色区域的范围和计算白色区域的面积，而白色块面积采用计算连通的白色区域的面积得到。每行白色区域和总白色块面积采用结构体来存储。如果面积小于R则立即清除和删除相关资源。该算法通过一行一行的检测避免了重复检测的情况，并且能够进行快速的填充,从而在噪声处理中满足了实时性的要求。如图5-5为经过扫描线算法去除二值图像噪声的图像。 - 29 - 基于机器视觉的杂草图像特征提取及识别研究 图5-5 扫描线算法去除图像的噪声 5.4 杂草面积和重心位置的获取 经过去除作物行和去除噪声后的图像仅剩下杂草图像，为了对杂草进行定点，仅仅将杂草从背景中分割出来是远远不够的。一个可行的办法是运用图像统计学的有关理论，将杂草图像的一些重要信息定量地统计处理，然后再根据摄像机的成像变换公式将图像信息还原成目标在真实世界中的信息。计算杂草的面积和重心位置。 定义二值图像中目标物的面积为，目标的大小为,对于二值图像b(x,y)AM，N ,1，它的面积A可以通过对属于这个图形的像素数进行计数来求出。 b(x,y) 1. 区域面积的计算 M,1N,1 (5-5) A,b(x,y),,x,0y,0 2. 区域重心的计算 由于杂草在图像中总是要占据一定的位置，通常不只一个单一的像素，所以一般通过重心确定杂草图像的精确位置，再进行劳作。区域重心是一种全局描述符，区域重心的坐标是根据所有属于区域的点计算出来的: MN1 (5-6) m,xb(x,y),,MN,,11xy MN1 (5-7) n,yb(x,y),,MN,,11yy - 30 - 基于机器视觉的杂草图像特征提取及识别研究 5.5 本章小节 本章介绍了利用位置特征法分离大豆作物和行间杂草。 针对行间杂草的动态识别，使用像素位置直方图统计法提取作物中心行，运用改进的扫描线种子填充算法填充作物行区域，剩下区域为杂草区，再利用扫描线算法去除分割后的二值图像噪声，主要是一些颗粒噪声和一些处理过程中残留下来的细碎叶片。最后计算出杂草图像的面积和重心位置。 - 31 - 基于机器视觉的杂草图像特征提取及识别研究 6 结论与展望 6.1 结论 机器视觉的杂草动态识别已经成为现代农业中的一个重要的研究课题。利用图像处理技术和计算机视觉技术的机器视觉的杂草动态识别是农业智能化发展的前提，为了达到农业除草自动化，尽量减轻除草工作给人们带来的大量劳作，本课题研究设计了一个机器视觉的杂草动态识别系统，通过理论分析、算法研究和大量的试验，得出以下主要结论: 机器视觉的杂草图像的采集。采集系统包括摄像头、图像采集卡、计算机和显示器。1. 采集实验装置为带有传送带的试验平台。通过调解控制箱上按钮，控制传送带的运行速度，传送带可向前和后两个方向运动。将带有土壤的作物和杂草模拟田间的结构放置到试验平台上。摄像头通过电缆线与计算机主机相连接。采集卡为大恒公司DH-CG300采集卡，通过大恒卡自带的软件开发包函数进行二次开发，能够实现图像的采集。 2. 动态模糊图像的恢复处理。对于运动产生的动态模糊图像，首先根据图像模糊的原因确定点扩展函数，再选用维纳滤波复原法对图像进行恢复。维纳滤波对噪声能起到一定的自动抑制作用。 3. 绿色植物和土壤背景的分割。提出了一种新的二值化方法颜色特征二值化法。这种方法可以直接对彩色图像进行二值处理，更适合于绿色植物和土壤背景的分割，处理速度快，节省了时间，这对实时处理来说是非常必要的。从处理后噪声的多少来说，此方法处理后的图像噪声少，效果更好。 4. 作物和杂草的分割主要研究作物同行间杂草的分割。本文采用了位置特征法，利用像素位置直方图法找出作物中心行，运用种子填充算法对与中心行相连通的作物行区域进行填充，剩下的区域即为杂草区域。由于种子填充算法具有重复操作性，因此提出了使用改进的扫描线种子填充算法，节省了时间，满足了实时性的要求。 5. 杂草与作物分割后的二值图像噪声的处理。本文首次采用了扫描线算法来去除二值图像的噪声，试验表明，扫描线算法去除二值图像的噪声节省了时间，处理效果要好于以往用的形态学滤波。 6.2 展望 本文对机器视觉的杂草动态识别进行了研究，在试验过程中取得了一定的成绩，但要实现室外农田杂草的实时动态识别，仍然要做出进一步的研究工作: 1. 对作物与行内杂草的实时动态识别进行研究，利用光谱特征法分析作物与杂草的光谱的差异，并结合图像处理中相应的方法，来实现行内杂草的动态识别工作。 2. 图像处理后输出的结果，结合现有的农业生产的系统或者开发一个相关系统，把杂草动态识别系统真正的运用到农业生产中，提高农业产品的产出量，减少农户的工作量。 - 32 - 基于机器视觉的杂草图像特征提取及识别研究 参考文献 [1] 郭振东(田杂草的危害及防除，2003，河南农业出版社，P9-32( [2] 贾永红(字图像处理，2004， 武汉大学出版社，P98-105( 佐玺，王金开等(计算机在杂草科学中的应用及展望，2000，杂草科学，(3)[3] 魏守辉， P7-10( [4] 李介古，施朋飞，刘重庆(图像处理技术，1988，上海交大出版社，P115-116( [5] 何东健，杨青等(实用图像处理技术，1998，陕西科学技术出版社， P23-25( [6] 刘振恒(应用图像处理技术动态识别田间杂草方法的研究，2004，农机化研究， (2) P185-187( [7] Tang.L， B.L.Steward， et al， Color image segmentation with genetic algorithm for in field weed sensing(Transaction of the ASAE( 2000( 43(4)P1019-1027( [8] Woebbecke D. M.， G. E. Meyer， K. Von Bargen， et al， Shape features for identifying young weeds using image analysis， Transactions of the ASAE， 1995， 38 (1) P71-281( [9] Elfaki M.S.， N.Zhang， D.E.Peterson. Weed detection using color machine vision， ASAE Paper， 1997， P97-3134( [10] Giles D.K.， D.C.Slaughter. Precison band spraying with machine-vision guidance and adjustable yaw nozzles， Transactions of the ASAE， 1997，40(1) P29-36( [11] Guyer， D .E.，G. E. Miles. L. D. Gaultney， and M. M. Schreiber，Application of machine vision to shape analysis in leaf and plant identification， Transactions of ASAE， 1993， 36(1)P163-171( [12] Perez A.J.，F.Lopez，J.V.Benlloch，et al， Color and shape analysis techniques for weed detection in cereal fields，Computers and electronics in agriculture， 2000， (25)P197-212( [13] Meyer GE.，T. Mehta，M.F. Kocher， et al， Textural imaging and discriminant analysis for distinguishing weeds for spot spraying， Transactions of the ASAE， 1998， 1(4) P189-119( [14] Burks T. F， S. A.Shearer， F.A.Payne， Classification of weed species using color texture features and discriminant analysis， Transactions of ASAE， 2000，43 (2) P41-448( [15] Ahmad-U， Kondo-N， Arima-S， Monta-M， Mohri-K， Weed detection in lawn field using machine vision， Utilization of textural features in segmentedarea， Journal of the Japanese Society of Agricultural Machinery， 1999， 61(2) P61-69( [16] 纪寿文，王荣本，陈佳娟，赵学笃，应用计算机图像处理技术动态识别玉米苗期田间杂 草的研究，2000，农业工程学报，17(2)P154-155( [17] 相阿荣，王一鸣， 利用色度法识别杂草和土壤背景物， 中国农业大学学报， 2000， 5(4) 98-100( [18] 龙满生，玉米苗期杂草动态识别的机器视觉研究，2002，2001，西北农林科技大学硕士 学位论文，P36-78( [19] 刘敏，基于分形的田间杂草图像分析与动态识别的研究，2002，北京工业大学硕士论文， P16-36( - 33 - 基于机器视觉的杂草图像特征提取及识别研究 [20] 吕朝辉，陈晓光等， 2001， 机器视觉田间植物检测与识别技术， 吉林工业大学自然 科学学报，(3)P90-94( [21] 章毓晋， 1999， 图像处理与分析， 清华大学出版社，P2-93( [22] 姚敏，2006， 数字图像处理， 机械工业出版社， P7-105( 数字图像处理学Visual C++实现，2002，北京希望电子出版社，P172-179( [23] 郎锐， [24] 龚建伟，熊光明， Visual C++/Turbo C串口通信编程实践，2005，电子工业出版社，P26-19( [25] 贾云得，机器视觉， 北京科学出版社，2000P，31-36( [26] 余正生， 马立庄， 彭群生，1999， 任意区域的边界扫描转换，工程图学学报， (1)P2-77( [27] 李孙荣，杂草及其防治，1991，北京农业大学出版社，P90-95( 李淘渊， 1998， 扫描线种子填充算法的问题及改进，广西大学学报(自然科[28] 李桂清， 学版)，(9)P07-212( - 34 - 基于机器视觉的杂草图像特征提取及识别研究 致谢 转眼四年的本科生学习生涯就要结束了。回顾在xxx 大学的四年学习中，学校老师们给予了我学习、研究和生活方方面面的悉心指导，他们的热情、鼓励和关心，让我在求学的路上逐步成长。由衷感谢各位老师在学业指导及各方面所给予我的帮助，我也从他们的言传身教中学到了为人品质和道德情操。在此，我对全体老师对我的培养、教育、关心表示诚挚的感谢，希望他们在今后的工作中一帆风顺 在此我衷心地感谢我的指导老师xxx 教授，他求实严紧的学风、为人正直的品行，在毕业设计的学习阶段，给与了我无私的关心和帮助，我为有这样一位优秀的指导教师，而感到骄傲。因此我在这里深深的感谢xxx 老师对我在学习上的指导、生活上的关心。 其次感谢所有帮助过我的同学朋友们，大学这几年是我人生中非常重要的一段时光，无论在技术上、在生活中他们都给了我无微不至的帮助，是他们陪我度过了快乐的毕业设计时光。 最后诚挚的感谢各位老师审阅本人的毕业设计与论文 - 35 - 其它参考文献 [1]刘丽.初探绿色会计在我国的实践.财会,2010,(12):127 [2]崔茂海,辛鑫,刘刚.构建绿色会计体系问题必要性探究.鸡西大学学报,2008,(06):73-74 [3]王宝军.建立我国绿色会计体系的若干建议.商场现代化,2011(04):127 [4]杨相鼎,欧阳佳佳,李黎.论我国绿色会计发展的必要性及构建设想.经济师,2011,(05):60-61 [4]张森芳.绿色会计存在问题与发展对策的探讨.财会天地,2011,(05):87-88 [5]邵芳.绿色会计在我国应用的必要性与可行性.金融财会,2010,(09):180 [6]沈亚东,马印.浅谈绿色会计.山西财经大学学报,2008,(11):53 [7]李才昌.浅析绿色会计在我国的建立和发展.赤峰学院学报,2011,(01):87-89 [8]李淑红.浅析我国的绿色会计问题.当代经济,2009,(02):136-137 [9]郑明彪.浅析新时期绿色会计信息披露存在的问题与对策.湖北经济学院学报,2008,(10):76-78 [10]戴洋,孙照龙.我国环境会计面临的困境及对策研究.商业经济,2010,(04):96-97 [11]侯晓斌.我国绿色会计有关问题的思考.沈阳工程学院学 -363 报,2011,(07):362 [12]陈灵子.我国实施绿色会计的必要性与对策研究.西安工程大学学报,2011,(02):87-88 [13]陈卓,张家立.绿色会计的发展对策(财会探析,2009,(07):178