我国是一个农业大国,农业生产在我国的经济生产中占据很重要的位置,随着农业的进一步发展,发展智能农业已经成为了研究热点。智能农业的发展对于计算机的应用提出了更高的要求,尤其在农业环境下的图像识别等方面要求更高,而现有的相关技术已经无法满足日益增长的需求。本文对农业物联网环境中的机器视觉技术进行了研究,研究的重点内容是机器视觉中图像处理技术的两个重要方面——图像去噪与目标识别。本文主要做了以下工作:(1)从农业物联网的发展情况入手,论述了相应背景,并对其进行了较为详细的分析,指出当前农业物联网发展中的不足之处和引入机器视觉技术的必要性,之后对机器视觉技术的研究现状和发展情况做了概述,总结并指出现有工作的不足之处,以此来说明本文所研究内容的有效性。(2)对图像去噪的预处理方法进行了研究。本文提出了一种基于贝叶斯决策的预处理方法,首先建立基于贝叶斯决策的判别模型,并且通过对图像的灰度直方图的分析,获得贝叶斯决策所需要的参数,之后对图像中的像素点进行两次判别,通过判别将像素点分为噪点与非噪点两类。实验仿真阶段,利用三种传统的去噪算法对图像进行去噪测试。最终验证了预处理方法能有效地改善去噪的效果,能够改善传统图像去噪算法中去噪后图像模糊化情况。(3)提出一种改进的结合多方向中值滤波的各向异性扩散滤波算法。利用保留细节和边缘的能力较为突出的多方向中值滤波方法在多个方向上进行扩散,利用图像梯度以及局部方差对扩散系数进行了改进,并且采用多次迭代的方法进行扩散系数的修正,算法的鲁棒性得到了明显增强,且能够在滤除噪声的同时,注重对图像边缘细节的保持。以峰值信噪比、均方误差、结构相似度以及图像佳数等4个参数作为指标,进行仿真实验证实该算法与传统各向异性扩散方法相比效果更好。(4)对农业环境中的作物目标识别进行了研究,提出了一种成熟番茄识别方法。利用HSI模型,通过提取HIS模型中的色调分量,对目标图像进行变换,采用最大方差自动取阈值法进行图像分割,采用最小外接矩形法对目标图像中的有效区域进行标记,以此来提高算法的计算效率,最后采用Hough变换对之前提取的轮廓线进行识别。该方法能够自动滤除掉未成熟番茄和枝叶等背景,有效识别目标。尤其对于重叠遮挡情况下番茄的识别效果有了较大改善,更能满足实际农业生产的需要。(5)对番茄识别方法进行了优化,利用最小二乘法拟合所得到的结果对基于Hough变换的结果进行了修正来达到提高识别准确度的目的。在目标轮廓提取后,分别进行Hough变换和最小二乘法拟合,利用最小二乘法拟合的结果对Hough变换的结果进行修正,从而达到提高识别率和识别准确度的目的。实验验证该算法对于番茄在重叠情况和非重叠情况下的识别率均有了较为明显的提高,降低了误识别率。本文的工作集中于图像去噪和目标识别两方面的研究,改善了图像去噪的效果,实现了番茄的目标识别,为后续研究奠定了基础。