Resumo
The use of machine vision to recognize mature pomegranates in natural environments is of major significance in improving the applicability and work efficiency of picking robots. By analyzing the color characteristics of color images of mature pomegranates under different illumination conditions, the feasibility of the YCbCr color model for pomegranate image recognition under different illumination conditions was proven. First, the Cr component map of pomegranate image is selected and then the pomegranate fruit is segmented by the kernel fuzzy C-means clustering algorithm to obtain the pomegranate image. Contrast experiments of pomegranate image segmentation under different illumination conditions were then performed using the proposed kernel fuzzy C-means clustering algorithm, the fuzzy C-means clustering algorithm, the Otsu algorithm and the threshold segmentation algorithm. Results of the experiments verified the effectiveness and superiority of the proposed algorithm.(AU)
O uso de máquina para reconhecer romãs maduras em ambientes naturais é de grande importância para melhorar a aplicabilidade e a eficiência do trabalho de robôs de colheita. Ao analisar as características de cor das imagens coloridas de romãs maduras sob diferentes condições de iluminação, a viabilidade do modelo de cores YCbCr para o reconhecimento de imagens de romãs sob diferentes condições de iluminação foi comprovada. Primeiro, o mapa do componente Cr da imagem da romã é selecionado e, em seguida, o fruto da romãzeira é segmentado pelo algoritmo de agrupamento C-means fuzzy do kernel para obter a imagem da romã. Experimentos contrastados de segmentação de imagens de romã sob diferentes condições de iluminação foram então realizados usando o algoritmo proposto de agrupamento C-means fuzzy, o algoritmo fuzzy de agrupamento C-means, o algoritmo Otsu e o algoritmo de segmentação de limiares. Os resultados dos experimentos verificaram a efetividade e superioridade do algoritmo proposto.(AU)
Assuntos
Lythraceae/crescimento & desenvolvimento , Produtos Agrícolas , Cor , ChinaResumo
Land use mapping is essential for the understanding of global change processes, especially in regions which are experiencing great pressure for development such as the Amazon. Traditionally, these mappings have been done using visual interpretation techniques of satellite imagery, that provide satisfactory results but are time-consuming and highly cost. In this paper, a technique of image segmentation based on region growing algorithm, followed by a per-field non-supervised classification, is proposed. Thus, the thematic classification is based on a set of image elements (pixels), benefiting from contextinformation, therefore minimizing the limitations of the digital processing techniques based on single pixels (per-pixel classification). This approach was evaluated in a typical test site of the Amazon region located to the north of Manaus, AM, using both original Landsat Thematic Mapper images and their decomposition into endmembers such as green vegetation, wood material, shade and soil, named mixture image in this paper. The results were validated by a reference map obtained from proved visual interpretation techniques of satellite imagery and by field check and indicated that automatic classification is feasible to map land use in Amazonia. Statistics tests indicated that there was significant agreement between the automated digital classifications and the reference map (at 95% confidence level).
O mapeamento do uso da terra é fundamental para o entendimento dos processos de mudanças globais, especialmente em regiões como a Amazônia que estão sofrendo grande pressão de desenvolvimento. Tradicionalmente estes mapeamentos têm sido feitos utilizando técnicas de interpretação visual de imagens de satélites, que, embora de resultados satisfatórios, demandam muito tempo e alto custo. Neste trabalho é proposta uma técnica de segmentação da imagens com base em um algoritmo de crescimento de regiões, seguida de uma classificação não-supervisionada por regiões. Desta forma, a classificação temática se refere a um conjunto de elementos (pixels da imagem), beneficiando-se portanto da informação contextual e minimizando as limitações das técnicas de processamento digital baseadas em análise pontual (pixel-a-pixel). Esta técnica foi avaliada numa área típica da Amazônia, situada ao norte de Manaus, AM, utilizando imagens do sensor "Thematic Mapper" - TM do satélite Landsat, tanto na sua forma original quanto decomposta em elementos puros como vegetação verde, vegetação seca (madeira), sombra e solo, aqui denominada imagem misturas. Os resultados foram validados por um mapa de referência gerado a partir de técnicas consagradas de interpretação visual, com verificação de campo, e indicaram que a classificação automática é viável para o mapeamento de uso da terra na Amazônia. Testes estatísticos indicaram que houve concordância significativa entre as classificações automáticas digitais e o mapa de referência (em tomo de 95% de confiança).
Resumo
Land use mapping is essential for the understanding of global change processes, especially in regions which are experiencing great pressure for development such as the Amazon. Traditionally, these mappings have been done using visual interpretation techniques of satellite imagery, that provide satisfactory results but are time-consuming and highly cost. In this paper, a technique of image segmentation based on region growing algorithm, followed by a per-field non-supervised classification, is proposed. Thus, the thematic classification is based on a set of image elements (pixels), benefiting from contextinformation, therefore minimizing the limitations of the digital processing techniques based on single pixels (per-pixel classification). This approach was evaluated in a typical test site of the Amazon region located to the north of Manaus, AM, using both original Landsat Thematic Mapper images and their decomposition into endmembers such as green vegetation, wood material, shade and soil, named mixture image in this paper. The results were validated by a reference map obtained from proved visual interpretation techniques of satellite imagery and by field check and indicated that automatic classification is feasible to map land use in Amazonia. Statistics tests indicated that there was significant agreement between the automated digital classifications and the reference map (at 95% confidence level).
O mapeamento do uso da terra é fundamental para o entendimento dos processos de mudanças globais, especialmente em regiões como a Amazônia que estão sofrendo grande pressão de desenvolvimento. Tradicionalmente estes mapeamentos têm sido feitos utilizando técnicas de interpretação visual de imagens de satélites, que, embora de resultados satisfatórios, demandam muito tempo e alto custo. Neste trabalho é proposta uma técnica de segmentação da imagens com base em um algoritmo de crescimento de regiões, seguida de uma classificação não-supervisionada por regiões. Desta forma, a classificação temática se refere a um conjunto de elementos (pixels da imagem), beneficiando-se portanto da informação contextual e minimizando as limitações das técnicas de processamento digital baseadas em análise pontual (pixel-a-pixel). Esta técnica foi avaliada numa área típica da Amazônia, situada ao norte de Manaus, AM, utilizando imagens do sensor "Thematic Mapper" - TM do satélite Landsat, tanto na sua forma original quanto decomposta em elementos puros como vegetação verde, vegetação seca (madeira), sombra e solo, aqui denominada imagem misturas. Os resultados foram validados por um mapa de referência gerado a partir de técnicas consagradas de interpretação visual, com verificação de campo, e indicaram que a classificação automática é viável para o mapeamento de uso da terra na Amazônia. Testes estatísticos indicaram que houve concordância significativa entre as classificações automáticas digitais e o mapa de referência (em tomo de 95% de confiança).