基于分形理论及图像纹理分析的水稻产量预测方法研究

《基于分形理论及图像纹理分析的水稻产量预测方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、南京农业大学博士学位论文基于分形理论及图像纹理分析的水稻产量预测方法研究姓名：龚红菊申请学位级别：博士专业：农业机械化工程指导教师：姬长英20081201摘要基于分形理论及图像纹理分析的水稻产量预测方法研究估产是精确农业领域的一个重要研究内容，目前，国内外相关方面的研究报导很多，有的估产方法已达到实际应用阶段。但在目前的众多估产方法中，有的方法存在人力、物力投入过大的不足，有的方法存在基础数据收集复杂的不足，使估产方法难于在农村基层组织推广使用。所以研究简单、实用、投入相对较少的产量精确预测方法意义重大。本文在分析现有估产方法的基础上，提出了基于纹理分析、分形理论建

2、立水稻产量精确预测数学模型的研究思路及实验方案。目前产量测量方法主要分为：传统的田问实地抽样调查法，遥感估产和作物环境模型。传统的田间实地抽样方法费时、费力，效率低下；作物环境模型中的气象预报模型和农学预报模型需要大量的气象资料和农学特征参数，存在模型资料获取难度较大的问题。分形理论和纹理分析方法对于解决具有微观上杂乱无序，但宏观上有序的物体具有明显优势。因此本研究基于分形理论和图像纹理分析方法，以成熟期水稻作为主要研究对象，结合图像处理技术，用数学统计理论建立水稻穗头、田间平方米产量的数学模型，为实现田间精确预测产量解决了关键技术．主要研究内容和取得的结论归纳如下

3、：1、提出了一个全新的产量预测思路与实现方法。在总结了目前产量预测方法的优点与不足后，提出了以成熟期水稻图像为主要研究对象，通过对图像进行分析、处理，来预测产量。这一思路，在目前产量预测方法的研究方面是个全新的思路。这种产量预测方法实现了方法简单、实用、投入较少的目的，为今后进一步研究田间产量精确预测系统奠定理论基础；2、提取水稻穗头、田问群体图像的分形特征参数。水稻穗头与水稻群体在局部区域内呈现明显的不规则性，在传统的欧氏几何范畴来研究解决其本身特性参数的提取难度比较大，分形理论的应用则为提取水稻穗头、水稻群体图像特征参数的提取提供了一种极为有效的途径。本文根据分

4、形的几何特征研究水稻穗头、田间水稻群体图像是否具有分形特征；根据分形维数的定义和现有分形维数的计算原理，研究分形维的提取算法，基于VCH平台开发编写分形维提取程序，有效提取经过图像预处理过的水稻穗头、田间水稻群体图像的分形维。研究结果：水稻稳头、田间群体图像具有分形特性；编制了适于提取二值图的计盒维数(BoxCounting)的程序、适于提取灰度图的差分计盒维数(DifferentialBoxCounting)和多重分形维计算程序；利用自编基于分形理论及图像纹理分析的水稻产量预测方法研究程序提取了水稻穗头图片的计盒维数(BC)和差分计盒维数(DBC)；还提取了田间水

5、稻平方米群体图像的差分计盒维数(DBC)扣多重分形维指数图(q．D(q)图)；3、提取水稻穗头、田间群体图像的纹理特征参数值。水稻穗头和水稻群体图像在局部区域内呈现不规则性，在整体上表现出某种规律性，这是典型的纹理特性。本文根据纹理特征的常用描述、统计方法，编制了基于灰度图像直方图纹理统计原理的一次统计量纹理特征提取程序；提取了基于直方图特征(一次统计量)的纹理统计量：灰度均值、方差、平滑度、三阶矩、一致性、熵；提取了基于灰度共生矩阵(二次统计量)的纹理统计量：角二阶矩、相关度、对比度、熵、逆差矩、和方差；还提取了基于灰度梯度共生矩阵(二次统计量)的纹理统计量：能量

6、、灰度不均匀度、梯度不均匀度、相关度、混合熵、惯性、逆差矩；4、研究提取的水稻穗头、田间水稻群体图像分维、纹理特征参数值与水稻穗头质量、田间平方米产量的相关关系。结果表明：与穗头质量存在线性相关关系的穗头图像特征参数为：计盒维数、差分计盒维数、直方图统计的纹理特征值(均值、标准差、平滑度、三阶距、一致性、熵)、灰度共生矩阵的相关度和对比度、灰度梯度共生矩阵的灰度不均匀度和梯度不均匀度；与水稻平方米产量存在线性相关关系的水稻群体图像特征参数为：差分计盒维数、多重分形维D(5)(5是多重分形分析时的指数值)、直方图统计的熵、灰度共生矩阵的对比度、灰度梯度共生矩阵的灰度不

7、均匀度、梯度不均匀度：5、对提取的特征参数进行主成分分析，将与产量具有相关关系的多个参数化为少数几个综合指标．为了能全面、系统地找出表征产量的特征参数，考虑了众多影响水稻穗头，水稻单位面积产量的因素．这些因素从个体来说，都与产量有相关关系，但可能存在信息冗余，重复表述的问题，并且变量太多增加分析问题的难度与复杂性，所以采用主成分分析方法对所有变量进行筛选，从中选取若干对产量具有最佳解释能力的新综合变量．结果表明：对与水稻穗头质量相关性比较显著的特征参数作主成分分析后，确定贡献率高达99．02％的第一主成分代替原先的14个特征参数作为新的综合变量；对水稻群体平方米