本站原创本文是一篇农业机械论文范文,关于农业机械类毕业论文格式,关于基于云模型元胞自动机的农田图像边缘检测方法相关专科毕业论文范文。适合农业机械及智能农业及自动机方面的的大学硕士和本科毕业论文以及农业机械相关开题报告范文和职称论文写作参考文献资料下载。
摘 要：为了满足智能农业机械自动导航系统的应用需求,本文提出了一种基于云模型元胞自动机的农田图像边缘检测方法.该方法采用云模型模糊逻辑对特征信息进行模糊推理,并通过元胞自动机的自动演化过程得到图像边缘.实验表明,该方法应用于农田图像边缘检测中效果较好.
关 键 词：农田图像；边缘检测；云模型,元胞自动机
中图分类号：TP391.4
随着计算机图像处理能力和技术的提高,智能农业机械自动导航系统的开发逐渐成为智能农业研究方向之一.智能农业机械能够根据摄像机获得的周围环境实时信息,规划合理的运动路径.然而为了达到这一目标需要以农田景物边缘检测为基础,所以有必要对复杂农田景物边缘检测进行研究,从而进一步为智能农业机械自动导航系统提供准确的行走基准线[1].
本文将采用基于云模型元胞自动机的边缘检测方法提取农田景物边缘.
1云模型元胞自动机边缘检测方法
基于云模型元胞自动机的边缘检测方法[2]主要包括云推理以及元胞自动机演化两个部分,首先需要采用云推理对待测图像进行边缘检测,获取边缘点信息,然后根据元胞自动机演化对图像边缘检测结果进行修正,直到得到满足演化终止条件的图像边缘为止.
1.1云推理图像边缘检测
云推理边缘检测部分主要包括以下步骤：
首先,计算待检测图像的方向信息测度矩阵.假设当前象素点的坐标是（i,j）,则其象素点的矩阵为I,本文取邻域N（i,j）为Moore型邻居,lθ为一条过中心点且角度是θ的直线,该直线将N（i,j）分为两部分,即Sθ1和Sθ2,则当前像素点的方向信息测度M（i,j）的表达式为：
Mij等于dθmax-dθmin（1）
其中：dθmax等于max（dθ）（2）
dθmin等于min（dθ）（3）
dθ等于|fsθ1-fsθ2|（4）
（5）
（6）
计算所得矩阵M（i,j）为图像矩阵I的方向信息测度矩阵.
然后,采用方向信息测度作为云模型推理的输入变量,该输入变量对应两种定性概念：A1等于{大},A2等于{小}.对于本文这种单输入的情况,采用一维云来实现,对于不同的系统,云化过程的设计是不同的,这里采用半正态云模型对变量进行云化.表示“大”的云模型数字特征为（Ex1,En1,He）、形状为下半正态云扩展,表示“小”的云模型数字特征为（Ex2,En2,He）、形状为上半正态云扩展,如图1所示.
图1方向信息测度云模型
接着,采用合理的云推理规则进行云推理.该云推理具有一个输出,其包括2类定性概念：B1等于{是边缘点},B2等于{不是边缘点}.对当前时刻任意一个元胞进行推理均要求满足以下云推理规则：IFA1THENB1；IFA2THENB2.
最后一步是逆云输出.假设云推理结果为B1,则将μ（隶属度值）带入输出语言值B1的一维Y条件云发生器CGB1中去,可以生成一个云滴Drop（y1,μ）,多次重复该过程,云推理器将产生一个由大量云滴构成的云团,最终计算y1的均值E（y1）作为逆云输出结果.
2云模型元胞自动机演化过程
云模型元胞自动机演化过程如下：
首先,将图像矩阵I与元胞空间对应起来.
然后,计算图像矩阵I的方向信息测度矩阵M.
接着,利用下面的局部规则判断每个点是否是边缘点：
（1）将方向信息测度矩阵M作为输入进行云推理,建立边缘点矩阵B（bi,j）,bi,j为1时代表对应的点为边缘点,为0时表示非边缘点.
（2）如果bi,j等于1.判断其Moore型邻居是否符合边缘结构[2],如果符合则找到状态为1的邻居元胞位置,找出其次邻居中具有最大值μ的元胞,使其下一时刻的方向信息测度值等于当前值与云推理输出结果的和.
（3）如果bi,j等于0.判断其Moore型邻居是否符合边缘结构,如果符合则在下一时刻状态置为1.
最后,进行元胞自动机演化,重复第三、四步,直到达到稳定状态（Bt等于Bt+1）.
3实验结果
利用本文算法（He等于0.1）对农田实景图（如图2所示）进行边缘检测,实验结果如图3所示.由图可以看出,本文算法所检测出的边缘能够较准确地反映农田沟道的位置.
图2农田实景图
图3边缘检测结果
4结束语
本文介绍了一种基于云模型元胞自动机的农田图像边缘检测方法,首先采用云推理规则对待测农田图像进行边缘检测,获取初始边缘点信息,然后根据云模型元胞自动机演化对初始农田图像边缘检测结果进行修正,循环往复直到得到满足演化终止条件的农田图像边缘为止,最后通过仿真实验证明了该算法的正确性.