草地是可再生的自然资源,对其进行数字化管理是保护与合理利用草地资源,实现可持续发展战略的重要途径。目前,草地数字化程度较低,牧草的识别与草地数据采集主要依赖于人工方式,具有主观性强、效率低等缺点。因此,为了提高草地牧草识别精度、草地数据获取的自动化程度以及数据的准确性,开展基于计算机视觉的草地牧草数字化的研究,具有重要的理论和实际意义。计算机视觉技术是利用计算机、图像获取设备模拟人的视觉采集图像并转换至数字信号,通过计算机实现对图像的传输、处理与理解等视觉信息处理的一门多学科交叉技术。与地理信息系统的遥感技术不同,计算机视觉技术主要研究对象为数码相机获取的数字图像,可从微观尺度获取所需的信息。因此,本文重点研究草地牧草图像,利用计算机视觉技术实现草地牧草的自动分类识别、病虫害的识别、显微图像的拼接等功能,探索草地数字化的自动数据获取的新方法。在此基础上,开发基于计算机视觉技术的草地牧草数字化平台,利用Matlab与Java混合编程技术,实现基于web的图像处理与识别功能。主要贡献如下：1)建立基于种子图像的牧草识别系统。特征提取模块是系统的关键部分,分别采用基于Gabor小波的局部保留投影映射算法与局部分形维数算法实现。第一种算法中,首先将种子图像用Gabor小波分解,可减弱采集过程中图像的光照变化、尺度变化的影响,然后将分解后获取的空间采用局部保留投影算法有效降维,保存了空间的内部流形结构,具有较优的识别性能。第二种算法中,分形维数可以有效描述纹理的粗糙程度,在对种子图像进行合理分块的基础上,计算每个局部分块的分形维数,并将其组成表征种子图像的特征向量。实验部分采用含有5个类14个种的700幅图像的禾本科种子数据库进行验证,平均识别率可达98.57%与99.43%。2)实现基于牧草叶片和植株图像的牧草识别。在基于叶片的牧草识别中,采用分块局部二值模式算法提取牧草叶片纹理特征,并在特征匹配阶段采用蚁群算法对提取特征进行优化聚类,实验采用含有18类叶片的180幅图像进行验证,识别率可达90%；在基于植株的牧草识别中,提取图像的Gabor整体特征用于分类,即将牧草图像利用Gabor滤波器组进行多尺度和多方向的分解,然后再计算卷积后的图像的整体能量特征,用于牧草的分类识别。实验采用含有3类15幅样本图像验证,当使用3个训练样本时,识别率可以达到100%。3)研究牧草寄生虫虫卵图像的分割、自动分类和计数方法。由于虫卵的类型较多,且部分虫卵颜色与背景较为相似,因此采用数学形态的腐蚀与膨胀运算以及分水岭算法对虫卵细胞进行预处理,获取细胞图像的轮廓。在细胞计数时设定距离阈值,对于距离较小的细胞进行合并,降低过分割对计数结果的影响。4)实现禾本科种子显微图像的拼接。采用基于Gamma校正的SIFT变换算法可以减弱光照对图像质量的影响,并提取特征点、定义描述算子,获取初始匹配点。然后利用RANSAC算法去除一些不正确的匹配点,保障匹配精度,最后图像融合采用渐近渐出的方法平滑拼接图像的接缝,获取整体拼接效果较好的完整图像。5)实现基于计算机视觉技术的草地牧草数字化平台。采用JSP、Mysql以及与Apache等工具实现平台的基本功能模块,利用Java与Matlab的混合编程技术,实现基于Web的图像图像拼接与图像识别的功能。用户在实际生产研究中可将采集的图像上传至平台,直接获取图像拼接与识别结果,以及相关的图像资料,便于广大草业科研人员、基层工作者以及学生通过图像获取相关信息。