圖像處理技術(shù)在信息農(nóng)業(yè)中的應(yīng)用現(xiàn)狀及發(fā)展趨勢(shì)

張書彥+張文毅+余山山+付宇超

摘要： 圖像是人類感知世界的視覺基礎(chǔ)，是人類獲取、傳遞和表達(dá)信息的重要手段。圖像處理是通過(guò)計(jì)算機(jī)對(duì)獲取的圖像信息分析加工，從而達(dá)到滿足人的視覺或應(yīng)用需求的行為。隨著我國(guó)計(jì)算機(jī)科學(xué)的發(fā)展，圖像處理技術(shù)在信息農(nóng)業(yè)中得到廣泛應(yīng)用，它的發(fā)展對(duì)于農(nóng)業(yè)信息化的提高具有重要意義。論述了目前圖像處理技術(shù)在農(nóng)業(yè)領(lǐng)域的研究進(jìn)展及應(yīng)用現(xiàn)狀，分析了應(yīng)用中存在的技術(shù)難題，對(duì)圖像處理在農(nóng)業(yè)中的研究進(jìn)一步展望并提出了今后的發(fā)展趨勢(shì)。

關(guān)鍵詞： 圖像處理；信息采集；研究現(xiàn)狀；發(fā)展趨勢(shì)

中圖分類號(hào)： S126；TP391.41 文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2017）22-0009-05

圖像處理（image processing）是通過(guò)計(jì)算機(jī)對(duì)圖像進(jìn)行去除噪聲、增強(qiáng)、復(fù)原、分割、提取特征等處理的方法和技術(shù)。20世紀(jì)20年代，采用數(shù)字壓縮技術(shù)通過(guò)從倫敦到紐約的海底電纜傳輸了第一幅數(shù)字照片，這標(biāo)志著數(shù)字圖像處理技術(shù)的開端。20世紀(jì)60年代，數(shù)字圖像處理技術(shù)作為一門學(xué)科正式形成[1]。圖像處理技術(shù)能夠幫助人們更加客觀準(zhǔn)確地認(rèn)識(shí)世界，具有再現(xiàn)性好、處理精度高、適用面寬、靈活性高、便于傳輸?shù)葍?yōu)點(diǎn)，已經(jīng)被廣泛應(yīng)用到各個(gè)領(lǐng)域中。圖像處理技術(shù)在農(nóng)業(yè)領(lǐng)域起步較晚，近年來(lái)隨著計(jì)算機(jī)多媒體技術(shù)的提高，在農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)、病蟲草害診斷、農(nóng)作物自動(dòng)收獲、種子質(zhì)量檢測(cè)、農(nóng)作物的缺素識(shí)別、農(nóng)產(chǎn)品質(zhì)量分級(jí)檢測(cè)等方面有著廣泛的應(yīng)用。

1 圖像處理技術(shù)在國(guó)內(nèi)外信息農(nóng)業(yè)中的應(yīng)用現(xiàn)狀

1.1 農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)

在農(nóng)作物的整個(gè)生長(zhǎng)過(guò)程中，其長(zhǎng)勢(shì)是后期進(jìn)行作物生產(chǎn)管理的關(guān)鍵因素。對(duì)農(nóng)作物長(zhǎng)勢(shì)進(jìn)行動(dòng)態(tài)監(jiān)測(cè)能夠準(zhǔn)確及時(shí)地了解空氣溫濕度、農(nóng)作物的土壤肥力、作物生長(zhǎng)信息以及植物的營(yíng)養(yǎng)狀況等，便于后期對(duì)水、肥等及時(shí)進(jìn)行管理，保證農(nóng)作物正常生長(zhǎng)，達(dá)到提高糧食產(chǎn)量的目的。

農(nóng)業(yè)遙感技術(shù)起源于西方發(fā)達(dá)國(guó)家，主要用于農(nóng)作物大面積長(zhǎng)勢(shì)監(jiān)測(cè)。農(nóng)情遙感監(jiān)測(cè)技術(shù)的研究最早始于美國(guó)。1974年，美國(guó)啟動(dòng)“LACIE”計(jì)劃，正式拉開了農(nóng)情遙感監(jiān)測(cè)發(fā)展的序幕[2-3]。此后，全球各地的AGRISTARS、MARS、GLAM[CM（23]等一系列計(jì)劃進(jìn)一步發(fā)展了各種農(nóng)情遙感監(jiān)測(cè)技術(shù)。 1988年，歐盟啟動(dòng)了MARS項(xiàng)目，開展農(nóng)情遙感監(jiān)測(cè)技術(shù)研究和系統(tǒng)建設(shè)[4-5]。2003年，俄羅斯農(nóng)業(yè)部建設(shè)了全國(guó)農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)，該系統(tǒng)主要獲取耕地利用制圖、作物輪作模式、耕地面積及作物生長(zhǎng)狀況等信息，它的運(yùn)行依靠遙農(nóng)業(yè)氣象觀測(cè)數(shù)據(jù)、地方農(nóng)業(yè)委員會(huì)上報(bào)數(shù)據(jù)以及遙感數(shù)據(jù)[6]。

中國(guó)早在1979年就開始關(guān)注農(nóng)作物遙感估產(chǎn)的意義[7]。1998年，中國(guó)科學(xué)院初步建立了國(guó)家級(jí)農(nóng)情監(jiān)測(cè)系統(tǒng)[8]。2000年，吳炳方利用每旬的AVHRR最大NDVI圖像與上年同期對(duì)比實(shí)現(xiàn)了全國(guó)范圍的農(nóng)作物遙感長(zhǎng)勢(shì)監(jiān)測(cè)[8]。2011年，劉峰等研發(fā)遙感數(shù)據(jù)與作物生長(zhǎng)模型同化的作物長(zhǎng)勢(shì)監(jiān)測(cè)系統(tǒng)。 通過(guò)各種算法、模型和數(shù)據(jù)的有機(jī)結(jié)合，實(shí)現(xiàn)了基于極快速模擬退火算法的遙感數(shù)據(jù)與CERES-Wheat作物生長(zhǎng)模型的同化原型系統(tǒng)構(gòu)建。試驗(yàn)結(jié)果表明，同化LAI與實(shí)測(cè)結(jié)果能夠較好地?cái)M合，為遙感技術(shù)與作物模型的基礎(chǔ)研究和應(yīng)用提供了一個(gè)平臺(tái)。來(lái)自農(nóng)業(yè)部遙感應(yīng)用中心的數(shù)據(jù)，圖1為2015年3月上旬全國(guó)冬小麥主產(chǎn)區(qū)長(zhǎng)勢(shì)遙感監(jiān)測(cè)圖[9]。

1.2 農(nóng)田病蟲草害診斷

及時(shí)而準(zhǔn)確地診斷出農(nóng)田病蟲草害發(fā)生情況是作物高產(chǎn)穩(wěn)產(chǎn)的關(guān)鍵環(huán)節(jié)。目測(cè)手查法是傳統(tǒng)農(nóng)業(yè)中最常用的檢測(cè)病蟲草害的方法，該方法需要較繁瑣的人工統(tǒng)計(jì)運(yùn)算，費(fèi)時(shí)費(fèi)力，對(duì)從業(yè)人員的專業(yè)知識(shí)要求高，有些病害的早期癥狀十分相似，很難用目測(cè)區(qū)別，因此該方法不能滿足病蟲害監(jiān)測(cè)及采取相應(yīng)措施的實(shí)時(shí)性要求。基于圖像處理的現(xiàn)代高科技檢測(cè)技術(shù)與農(nóng)業(yè)的有機(jī)結(jié)合為農(nóng)業(yè)發(fā)展帶來(lái)了新的動(dòng)力，使得作物病蟲害監(jiān)測(cè)的實(shí)時(shí)性和準(zhǔn)確性得到極大提升。圖2所示為某單位研究人員用植物病蟲草害檢測(cè)儀的檢測(cè)結(jié)果。

Chesmore等研發(fā)了1種基于病害圖像自動(dòng)定位孢子實(shí)現(xiàn)黑麥草腥黑穗病菌孢子和小麥印度腥黑穗病孢子分類的系統(tǒng)，能夠通過(guò)病蟲害圖像測(cè)量其周長(zhǎng)、表面積、最大（小）半徑、圓形度和突起數(shù)及突起的大小等相關(guān)參數(shù)[10]。El-Helly等研發(fā)了1種可以自動(dòng)檢測(cè)葉片病斑的綜合圖像處理系統(tǒng)，該系統(tǒng)利用人工神經(jīng)網(wǎng)絡(luò)作為圖像處理系統(tǒng)的分類器，能夠準(zhǔn)確快速地識(shí)別病害草害的類型，試驗(yàn)結(jié)果表明，該系統(tǒng)識(shí)別準(zhǔn)確率高，對(duì)黃瓜白粉病、霜霉病等檢測(cè)效果較好[11]。

王樹文等綜合運(yùn)用了人工神經(jīng)網(wǎng)絡(luò)技術(shù)和圖像處理技術(shù)實(shí)現(xiàn)了黃瓜葉部病蟲害檢測(cè)，試驗(yàn)結(jié)果表明，識(shí)別精度可以達(dá)到95.31%[12]。彭占武等研發(fā)了1種基于圖像處理和模糊識(shí)別技術(shù)的黃瓜霜霉病自動(dòng)識(shí)別系統(tǒng)，原圖像作預(yù)處理后能夠準(zhǔn)確地分離出病斑來(lái)，試驗(yàn)結(jié)果表明，該方法對(duì)于黃瓜霜霉病的識(shí)別效果較好，對(duì)黃瓜霜霉病葉片圖像的平均識(shí)別準(zhǔn)確率為95.28%[13]。

1.3 農(nóng)作物缺素識(shí)別

農(nóng)作物生長(zhǎng)發(fā)育期所必需的營(yíng)養(yǎng)元素有16種，主要包括碳、氫、氧、氮、磷、鉀等。其中碳、氫、氧主要從空氣和水中獲取，其他營(yíng)養(yǎng)元素則從土壤和肥料中吸收。作物缺乏營(yíng)養(yǎng)元素會(huì)對(duì)生長(zhǎng)造成很大的影響，比如，小麥缺少水分時(shí)葉片枯黃、植株矮小甚至?xí)霈F(xiàn)不長(zhǎng)穗的情況，會(huì)導(dǎo)致嚴(yán)重減產(chǎn)。當(dāng)作物植株缺氮時(shí)就會(huì)表現(xiàn)出生長(zhǎng)緩慢、瘦弱、明顯矮小、葉色發(fā)黃，嚴(yán)重缺氮時(shí)葉片變褐甚至死亡。微量元素在植物體中的含量雖少，但它對(duì)植物的生長(zhǎng)發(fā)育起著不可替代的作用，它是植株體內(nèi)酶或者輔助酶的組成部分，是植物生長(zhǎng)發(fā)育所不可替代的。圖3所示為南京土壤研究所對(duì)水稻氮素含量進(jìn)行

監(jiān)測(cè)處理后得到的圖像。

國(guó)際上微肥在農(nóng)林牧業(yè)中的應(yīng)用起源于20世紀(jì)六七十年代。進(jìn)入21世紀(jì)以后，微肥在農(nóng)業(yè)增產(chǎn)中的作用顯著提高，因此受到了世界各國(guó)的普遍重視[14]。Gautam等利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建輸入量特征模型，研發(fā)出基于圖像處理的空間域多光譜圖像提取紋理特征系統(tǒng)；試驗(yàn)表明，該系統(tǒng)實(shí)用性強(qiáng)，預(yù)測(cè)準(zhǔn)確率高，對(duì)玉米的硝酸鹽含量的預(yù)測(cè)效果較理想[15]。endprint

張彥娥等研發(fā)基于計(jì)算機(jī)視覺的溫室作物營(yíng)養(yǎng)狀態(tài)診斷方法，在RGB和HIS模型下分析各分量與葉片含氮率、含磷率和含水率之間的相關(guān)特性，試驗(yàn)結(jié)果表明，綠色分量G和色度H與氮含量之間存在較好的線性相關(guān)關(guān)系[16]。楊雪等綜合利用圖像處理和模式識(shí)別技術(shù)提出了1種植物缺素種類識(shí)別方法，將脈沖耦合神經(jīng)網(wǎng)絡(luò)用于植物葉片病斑分割中，與傳統(tǒng)最大類間方差法對(duì)比，分割效果較好。最后，通過(guò)遺傳算法對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化提升了分類準(zhǔn)確率，優(yōu)化效果明顯[17]。

1.4 農(nóng)作物自動(dòng)收獲

傳統(tǒng)農(nóng)業(yè)中主要以人工收獲為主，效率低下，近年來(lái)，隨著我國(guó)農(nóng)業(yè)機(jī)械化水平的提高，各種農(nóng)田收獲機(jī)械應(yīng)運(yùn)而生。目前又出現(xiàn)了基于機(jī)器視覺的收獲機(jī)、農(nóng)業(yè)采摘機(jī)器人等高端智能化農(nóng)業(yè)收獲機(jī)械，使得我國(guó)農(nóng)作物自動(dòng)收獲又上了一個(gè)新的臺(tái)階。圖4所示為番茄采摘機(jī)器人在采摘番茄。

國(guó)外對(duì)農(nóng)業(yè)收獲機(jī)械的研究起步較早，技術(shù)也相對(duì)成熟。Benson等通過(guò)將攝像頭安裝在農(nóng)用車上采集玉米地圖像，將原圖像濾波、分割、邊緣化處理后，提取出農(nóng)作物邊緣信息，實(shí)現(xiàn)玉米收獲機(jī)自動(dòng)導(dǎo)航，試驗(yàn)結(jié)果表明，檢測(cè)效果比較理想[18]。日本農(nóng)業(yè)機(jī)械研究所Hayashi等研制了1臺(tái)三目定位的可夜間工作的草莓采摘機(jī)器人，釆用雙目視覺系統(tǒng)定位果實(shí)空間坐標(biāo)，第三目近距離獲取莖稈位置信息，末端機(jī)械爪由機(jī)械手臂控制升降，可實(shí)現(xiàn)果實(shí)抓、摘、放等功能，試驗(yàn)表明，該機(jī)器人識(shí)別成功率和采摘成功率較好，每采摘1個(gè)果實(shí)平均耗時(shí)11.5 s[19]。

呂繼東等研制了1種基于機(jī)器視覺的能夠自動(dòng)完成蘋果果實(shí)采摘等作業(yè)任務(wù)的智能機(jī)械收獲系統(tǒng)，提出了基于樹形結(jié)構(gòu)的平滑方向優(yōu)先路徑規(guī)劃算法，實(shí)現(xiàn)了蘋果采摘機(jī)器人在C空間的局部避障路徑規(guī)劃，試驗(yàn)表明，該方法能夠順利避開障礙物到達(dá)目標(biāo)位置[20]。徐建等研究玉米收獲機(jī)器人路徑識(shí)別算法，對(duì)玉米收獲機(jī)器人行走壟行圖像進(jìn)行采集，試驗(yàn)結(jié)果表明，能快速、準(zhǔn)確、實(shí)時(shí)地檢測(cè)出玉米行走路徑，便于精確收獲[21]。

1.5 農(nóng)產(chǎn)品貯藏加工

農(nóng)產(chǎn)品產(chǎn)地加工與儲(chǔ)藏是農(nóng)業(yè)生產(chǎn)鏈條中的關(guān)鍵環(huán)節(jié)，是保障農(nóng)產(chǎn)品品質(zhì)及豐產(chǎn)豐收的重要途徑。隨著我國(guó)農(nóng)業(yè)產(chǎn)業(yè)信息化的快速發(fā)展，農(nóng)產(chǎn)品貯藏與加工技術(shù)在農(nóng)業(yè)生產(chǎn)中扮演著越來(lái)越重要的角色，人們已經(jīng)開始探索基于圖像處理的農(nóng)產(chǎn)品貯藏加工技術(shù)。圖5所示為利用機(jī)器視覺對(duì)農(nóng)產(chǎn)品加工質(zhì)量進(jìn)行檢測(cè)。

Ling等通過(guò)分析鮮蝦圖像的形態(tài)學(xué)特征和頻譜特征確定切割加工的最佳位置，試驗(yàn)結(jié)果表明，如果每秒切割2只鮮蝦，根據(jù)頻譜特征確定的下刀位置的標(biāo)準(zhǔn)偏差在2.8～4.6 mm 之間[22]。MaConnell等研究了利用機(jī)器視覺技術(shù)檢測(cè)顏色來(lái)控制烘制或烤制食品的質(zhì)量，烘烤效果令人滿意[23]。

劉艷麗設(shè)計(jì)了1種基于圖像處理的小麥粉精度自動(dòng)檢測(cè)裝置，試驗(yàn)結(jié)果表明，該裝置能夠快速準(zhǔn)確地檢測(cè)出小麥粉精度[24]。周林妹提出了1種可應(yīng)用到農(nóng)產(chǎn)品加工中的數(shù)字圖像邊緣檢測(cè)算法[25]，為相關(guān)研究提供了理論基礎(chǔ)。

1.6 種子質(zhì)量檢測(cè)

種子質(zhì)量的好壞直接決定了作物的產(chǎn)量和質(zhì)量，優(yōu)質(zhì)的種子是作物高產(chǎn)、穩(wěn)產(chǎn)的首要前提。社會(huì)各界及廣大農(nóng)民越來(lái)越重視種子的質(zhì)量，種子質(zhì)量檢驗(yàn)是保證種子質(zhì)量的有效方法。種子檢驗(yàn)是一項(xiàng)實(shí)踐性較強(qiáng)的工作。圖6所示為數(shù)字圖像處理技術(shù)對(duì)水稻種子質(zhì)量進(jìn)行檢測(cè)。

Hoffmaster等研發(fā)了1種主要是針對(duì)大豆種子活力進(jìn)行評(píng)價(jià)的系統(tǒng)，當(dāng)大豆幼苗生長(zhǎng)到33 d時(shí)采集圖像，處理后分析得出大豆種子活力及其活力指數(shù)，結(jié)果表明，該系統(tǒng)數(shù)據(jù)精確、可靠性較高，對(duì)大豆種子活力指數(shù)的測(cè)試效果理想[26]。

李振等設(shè)計(jì)了1種基于機(jī)器視覺的蔬菜種子活力指數(shù)檢測(cè)系統(tǒng)，試驗(yàn)結(jié)果表明，該系統(tǒng)與人工測(cè)量計(jì)算的種子活力指數(shù)相比準(zhǔn)確度高達(dá)92%以上[27]。孫宏佳等設(shè)計(jì)了1種基于機(jī)器視覺的花生種子自動(dòng)識(shí)別的系統(tǒng)，該系統(tǒng)利用LabVIEW平臺(tái)并結(jié)合圖像特征提取算法得到，試驗(yàn)結(jié)果表明，本研究的花生種子自動(dòng)識(shí)別系統(tǒng)能夠快速、高效、準(zhǔn)確地提取花生種子的特征數(shù)據(jù)，為批量精選花生種子提供依據(jù)[28]。

1.7 農(nóng)產(chǎn)品質(zhì)量及分級(jí)檢測(cè)

農(nóng)產(chǎn)品分級(jí)檢測(cè)是產(chǎn)品商品化的關(guān)鍵，直接關(guān)系到后期的經(jīng)濟(jì)效益。目前，用計(jì)算機(jī)圖像處理技術(shù)對(duì)農(nóng)產(chǎn)品品質(zhì)檢測(cè)與分級(jí)上的應(yīng)用較多，主要包括對(duì)糧食、水果、蔬菜等的品質(zhì)進(jìn)行檢測(cè)與分級(jí)。圖7為基于機(jī)器視覺的水果分級(jí)檢測(cè)機(jī)。

美國(guó)成功研制的Merling高速高頻計(jì)算機(jī)視覺水果分級(jí)系統(tǒng)已廣泛應(yīng)用于蘋果、橘子、番茄等水果及其他農(nóng)產(chǎn)品的分級(jí)中，其生產(chǎn)率約為40 t/h。Thomas等曾研究了X射線膠片成像技術(shù)應(yīng)用于檢測(cè)芒果內(nèi)部的蟲害，以分選好芒果和有蟲害芒果[29]。

王江楓等分析芒果質(zhì)量與投影圖像關(guān)系，確定圖像算法，通過(guò)計(jì)算機(jī)視覺技術(shù)進(jìn)行芒果果面壞損檢測(cè)，試驗(yàn)表明，此方法對(duì)果面壞損分級(jí)準(zhǔn)確率達(dá)80%[30]。陶凱提出了1種不同顏色光源下蘋果分級(jí)的計(jì)算機(jī)視覺方法，研究結(jié)果表明，不同顏色光源對(duì)特征提取、特征選擇和模式識(shí)別過(guò)程都有著顯著的影響，選用合適的顏色光源與特征能夠顯著提高分級(jí)精度和分級(jí)效果[31]。

2 圖像處理技術(shù)研究難題

圖像處理技術(shù)在各領(lǐng)域得到了廣泛應(yīng)用[32-33]。在農(nóng)業(yè)方面相應(yīng)地出現(xiàn)了一些新的方法和理論，并應(yīng)用到生產(chǎn)實(shí)際中。由于農(nóng)產(chǎn)品種類繁多、田間作業(yè)環(huán)境復(fù)雜等因素，目前圖像處理在農(nóng)業(yè)應(yīng)用中仍存在諸多技術(shù)問(wèn)題尚待解決。

2.1 快速精確地獲取動(dòng)態(tài)圖像信息

在農(nóng)產(chǎn)品質(zhì)量分級(jí)檢測(cè)、作物生長(zhǎng)信息獲取等一些農(nóng)業(yè)研究方面，絕大多數(shù)研究的對(duì)象均是靜態(tài)的農(nóng)產(chǎn)品個(gè)體。但是，動(dòng)態(tài)信息圖像的采集技術(shù)也是衡量農(nóng)業(yè)信息發(fā)展水平的一個(gè)重要指標(biāo)。目前動(dòng)態(tài)信息檢測(cè)存在實(shí)時(shí)性差、信息延遲等問(wèn)題，如何快速而精確地獲取動(dòng)態(tài)圖像信息，仍是一個(gè)需要解決的難題。endprint

2.2 研究實(shí)時(shí)并行處理算法

當(dāng)利用計(jì)算機(jī)視覺技術(shù)對(duì)農(nóng)產(chǎn)品的多個(gè)品質(zhì)指標(biāo)進(jìn)行檢測(cè)時(shí)，多數(shù)采用串行算法，影響了處理速度，因此，研究出能夠?qū)崟r(shí)并行處理的圖像處理算法，能夠大大提高效率。

2.3 提取多頻圖像特征

如何提取多頻圖像特征，以便檢測(cè)依據(jù)灰度圖像無(wú)法識(shí)別的某些參數(shù)的彩色圖像也是今后的一個(gè)重要研究領(lǐng)域。

2.4 簡(jiǎn)化壓縮與編碼

圖像壓縮與編碼技術(shù)是信息技術(shù)中最活躍的研究領(lǐng)域之一。圖像編碼壓縮技術(shù)可減少描述圖像的數(shù)據(jù)量，節(jié)省圖像傳輸處理時(shí)間和減少所占用的存儲(chǔ)器容量，但是現(xiàn)有的圖像編碼處理算法不完善，效率不高，因此探索高效圖像編碼處理算法將會(huì)是一項(xiàng)重要任務(wù)。

3 圖像處理技術(shù)發(fā)展趨勢(shì)

圖像是人類獲取和交換信息的主要來(lái)源，其應(yīng)用領(lǐng)域必然涉及到人類生活的方方面面。隨著科學(xué)技術(shù)的發(fā)展，圖像處理技術(shù)的應(yīng)用領(lǐng)域也將不斷壯大，因此其技術(shù)水平也將會(huì)更深入、更完善地發(fā)展。其發(fā)展趨勢(shì)主要體現(xiàn)在以下幾個(gè)方面。

（1）高速化、高分辨率、立體化、多媒體、智能化和標(biāo)準(zhǔn)化。未來(lái)數(shù)據(jù)圖像技術(shù)更加強(qiáng)調(diào)向高清晰度、高速傳輸、實(shí)時(shí)處理、多維成像、智能化等方向發(fā)展。不僅計(jì)算機(jī)的速度要提高，而且A/D和D/A的轉(zhuǎn)換也要實(shí)現(xiàn)實(shí)時(shí)化；要提高分辨率主要是得提高圖形刷新存取速度；力爭(zhēng)使計(jì)算機(jī)能夠識(shí)別和理解能夠按照人的認(rèn)識(shí)和思維工作；建立圖像處理技術(shù)的國(guó)際標(biāo)準(zhǔn)。

（2）軟硬件系統(tǒng)協(xié)同發(fā)展。硬件和軟件是一個(gè)完整的計(jì)算機(jī)系統(tǒng)互相依存的兩大部分。圖像處理技術(shù)的應(yīng)用需要一個(gè)具有良好硬件配置的計(jì)算機(jī)作為平臺(tái)，而硬件系統(tǒng)的提高也是為了滿足軟件系統(tǒng)的需求。在許多情況下，計(jì)算機(jī)的某些功能既可以由硬件實(shí)現(xiàn)，也可以由軟件來(lái)實(shí)現(xiàn)。因此，未來(lái)圖像處理技術(shù)功能更加完善的前提是計(jì)算機(jī)系統(tǒng)軟硬件協(xié)同發(fā)展，共同提高。

（3）圖形和圖像朝著多維成像方向發(fā)展。三維成像技術(shù)目前已廣泛應(yīng)用于各個(gè)領(lǐng)域，比如計(jì)算機(jī)領(lǐng)域、醫(yī)學(xué)領(lǐng)域等，未來(lái)圖形和圖像朝著多維成像方向發(fā)展。

（4）新理論和新算法的研究。圖像處理科學(xué)經(jīng)過(guò)多年的發(fā)展引入了許多新的理論，并提出了很多新的算法。理論走在實(shí)踐的前面，已經(jīng)是現(xiàn)代科學(xué)發(fā)展的標(biāo)志。未來(lái)數(shù)字圖像處理技術(shù)的實(shí)際運(yùn)用要取得更多的發(fā)展，必然離不開理論和研究方法的創(chuàng)新。

（5）朝著虛擬現(xiàn)實(shí)發(fā)展。虛擬現(xiàn)實(shí)技術(shù)是一種可以創(chuàng)建和體驗(yàn)虛擬世界的計(jì)算機(jī)仿真系統(tǒng)。這項(xiàng)技術(shù)的發(fā)展是在計(jì)算機(jī)硬件技術(shù)的提高方面提出的，人們應(yīng)用機(jī)器人身上的攝像機(jī)能夠真實(shí)的感受到所在的環(huán)境，進(jìn)而操縱機(jī)器人的行為。虛擬農(nóng)業(yè)將農(nóng)業(yè)科學(xué)與信息技術(shù)相結(jié)合，開辟了農(nóng)業(yè)信息技術(shù)研究和應(yīng)用的新領(lǐng)域，為農(nóng)業(yè)技術(shù)人員提供更加方便快捷的用戶體驗(yàn)，將會(huì)是今后農(nóng)業(yè)信息發(fā)展的重要領(lǐng)域。

4 結(jié)束語(yǔ)

圖像處理技術(shù)是一門多學(xué)科交叉融合的學(xué)科，它涉及到計(jì)算機(jī)、數(shù)學(xué)、人工智能等領(lǐng)域，它具有重要的理論意義和實(shí)際應(yīng)用價(jià)值。現(xiàn)階段，我國(guó)的圖像處理技術(shù)在科技的推動(dòng)下，取得了很大進(jìn)步，再加上硬件技術(shù)的發(fā)展，使得數(shù)字圖像處理技術(shù)的應(yīng)用將會(huì)更加廣泛。圖像處理技術(shù)的發(fā)展關(guān)系到人們生活的方方面面，它對(duì)我們的影響程度是不可估量的。相信圖像處理技術(shù)在今后會(huì)為我們帶來(lái)更多新的驚喜。

[HS2][HT8.5H]參考文獻(xiàn)：

[1] 陳汗青，萬(wàn)艷玲，王國(guó)剛. 數(shù)字圖像處理技術(shù)研究進(jìn)展[J]. 工業(yè)控制計(jì)算機(jī)，2013，26（1）：72-74.

[2]Macdonakl R B.The LACIE symposium[C]∥Lyndon B. Johnson Space Center，National Aeronautics and Space Administration.Houston：NASA，1979.

[3]Hallum C R. Experiment design overview[C]∥Proceedings of The Large Area Crop Inventory Experiment （LACIE） Symposium.Houston，Texas：NASA/JSC，1978.

[4]ECJRC.The monitoring agricultural resources[EB/OL]. [2010-02-03]. http：∥mars.jrc.ec.europa.eu.

[5]ECJR.MARS uniaboutus[EB/OL]. [2010-02-05]. http：∥mars.jrc.It /mars/About-us.

[6]GEO.Developing a strategy for global agricultural monitoring in the frame work of Group on Earth Observations （GEO） workshop report[R]. 2007.

[7]袁 超. 中國(guó)農(nóng)地制度創(chuàng)新[J]. 農(nóng)業(yè)經(jīng)濟(jì)問(wèn)題，2000，21（11）：45-47.

[8]吳炳方. 全國(guó)農(nóng)情監(jiān)測(cè)與估產(chǎn)的運(yùn)行化遙感方法[J]. 地理學(xué)報(bào)，2000，55（1）：25-35.

[9]劉 峰，李存軍，董瑩瑩，等. 基于遙感數(shù)據(jù)與作物生長(zhǎng)模型同化的作物長(zhǎng)勢(shì)監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27（10）：101-106.

[10] Chesmore D，Bernard T，Inman A J，et al.Image analysis for the identification of the quarantine pest Tilletia indica[J]. Eppo Bulletin，2003，33（3）：495-499.endprint

[11]El-Helly M，El-Belagy S，Rafea A.Image analysis based interface for diagnostic expert systems[C]. Proceedings of the Winter International Symposium on Information and Communication Technologies. Trinity College Dublin，2004：1-6.

[12]王樹文，張長(zhǎng)利. 基于圖像處理技術(shù)的黃瓜葉片病害識(shí)別診斷系統(tǒng)研究[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2012，43（5）：69-73.

[13]彭占武，司秀麗，王 雪，等. 基于圖像處理和模糊聚類方法的黃瓜霜霉病識(shí)別研究[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2013，34（2）：212-216.

[14]寧惠剛. 基于單片機(jī)的作物營(yíng)養(yǎng)診斷專家系統(tǒng)研究[D]. 晉中：山西農(nóng)業(yè)大學(xué)，2005.

[15]Gautam R，Panigrahi S.Image processing techniques and neural network models for predicting plant nitrate using aerial images[J]. Proceedings of the International Joint Conference on Neural Networks，2003，2：1031-1036.

[16]張彥娥，李民贊，張喜杰，等. 基于計(jì)算機(jī)視覺技術(shù)的溫室黃瓜葉片營(yíng)養(yǎng)信息檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2005，21（8）：102-105.

[17]楊 雪. 基于數(shù)字圖像處理的植株缺素種類識(shí)別技術(shù)研究[D]. 天津：天津理工大學(xué)，2015.

[18]Benson E R，Reid J F，Zhang Q.Machine vision-based guidance system for agricultural grain harvesters using cut-edge detection[J]. Biosystems Engineering，2003，86（4）：389-398.

[19]Hayashi S.Evaluation of a strawberry harvesting robot in a field test[J]. Biosystems Engineering，2010，105（2）：160-171.

[20]呂繼東. 蘋果采摘機(jī)器人視覺測(cè)量與避障控制研究[D]. 鎮(zhèn)江：江蘇大學(xué)，2012.

[21]徐 建，楊福增，蘇樂(lè)樂(lè)，等. 玉米智能收獲機(jī)器人的路徑識(shí)別方法[J]. 農(nóng)機(jī)化研究，2010，32（2）：9-12.

[22]Ling R P，Searcy S W.Feature extraction for a machine-vision-based shrimp deheader[J]. Trans of the ASAE，1991，34（6）：2631-2636.

[23]MaConnell R K，Blau H H.Color classification of non-uniform baked and roasted foods[M]. Chicago，Illinois：Proceeding Soft the FPAC IV Comerence，1995：40-46.[HJ1.72mm]

[24]劉艷麗. 基于圖像處理的小麥精度自動(dòng)檢測(cè)[D]. 鄭州：河南工業(yè)大學(xué)，2010.

[25]周林妹. 數(shù)字圖像邊緣檢測(cè)算法及其在農(nóng)產(chǎn)品加工中的應(yīng)用[J]. 食品與機(jī)械，2009，25（3）：139-142.

[26]Hoffmaster A L，F(xiàn)ujimura K，McDonald M B，et al. An automated system for vigor testing three-day-old soybean seedlings[J]. Seed Science and Technology，2003，31（3）：701-713.

[27]李 振，廖同慶，馮青春，等. 基于圖像處理技術(shù)的黃瓜種子活力指數(shù)檢測(cè)系統(tǒng)設(shè)計(jì)[J]. 種子，2015，34（6）：111-115.

[28]孫宏佳，房國(guó)志. 基于機(jī)器視覺的花生種子自動(dòng)識(shí)別的系統(tǒng)設(shè)計(jì)[D]. 哈爾濱：哈爾濱理工大學(xué)，2014.

[29]Thomas P，Kannan A，Degwekar V H，et al.Non-destructive detection of seed weevil infested mango fruits by X-ray imaging[J]. Postharvest Biology and Technology，1995，5（1/2）：161-165.

[30]王江楓，羅錫文. 計(jì)算機(jī)視覺技術(shù)在芒果重量及果面壞損檢測(cè)中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，1998，14（4）：186-189.

[31]陶 凱. 不同顏色光源下蘋果分級(jí)的計(jì)算機(jī)視覺方法[D]. 洛陽(yáng)：河南科技大學(xué)，2012.

[32]劉仲鵬，李文華. 基于圖像處理和特征優(yōu)選的玉米品質(zhì)識(shí)別[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（3）：382-385.

[33]李治宇，周 嶺，石長(zhǎng)青，等. 基于圖像處理-HSI顏色空間的木醋液對(duì)牛糞堆肥過(guò)程H分量模型探究[J]. 江蘇農(nóng)業(yè)科學(xué)，2016，44（1）：399-403.endprint