养猪业在我国经济建设中占有重要的地位,在猪的饲养过程中进行行为监测、体质量检测等对提高猪产肉量具有重要意义。传统的检测方式大多采用磅秤、电子秤、人工测量等方式,存在费时、费力等问题,同时,在活体猪图像获取的过程中极易受到光照条件的影响,基于图像处理和机器视觉的活体猪检测技术具有无接触、快速、智能化等优点,针对这些问题,本研究基于图像分析技术、数据挖掘技术,以复杂背景下的活体猪图像为研究对象,对获得的猪图像进行滤波处理、活体猪目标检测、形态学处理等方法将活体猪与复杂的自然背景分离,并获得了较好的分离效果,能够为猪的体质量检测、行为分析等做出指导作用。本文的主要研究内容包括:(1)针对活体猪图像在获取的过程中会受到光照影响,本文采用图像预处理方法对图像实现对比度增强和光照去除处理。通过分析,本文认为YCbCr彩色空间能够很好的表征光照信息,因此,本文将获得的活体猪图像在YCbCr空间上进行分解,Y通道能够表示亮度信息,因此在获得的Y通道图像上采用同态滤波方式实现图像预处理。通过分析同态滤波方法结果,可知处理结果对环境光照影响去除效果不明显,在此基础上又进行了二级小波分解及同态滤波处理,使图像基本信息在最低分辨率层得到体现。实验结果表明,在YCbCr空间Y通道下采用小波分解和同态滤波实现频率域的重构,可以降低活体猪检测过程中强自然光照的影响,为后续活体猪检测做准备工作。(2)针对活体猪图像自身存在肤色差异问题,本文通过机器视觉方法实现猪皮肤检测及图像分割。基于最大似然分类器和迭代阈值法,即分别利用皮肤检测和图像分割的方式将活体猪从复杂的背景中分离开。在最大似然分类器中采用了 RGB和HSV两个彩色空间实现活体猪的检测,在不同颜色通道中选择训练集和测试集,构建监督分类识别模型,实现活体猪检测。(3)针对活体猪所处环境和其自身毛色均较为复杂导致活体猪检测结果存在背景噪声,需对图像进行分割后处理。本文运用形态学运算对活体猪检测图像进行去噪处理,得到了较为完整的活体猪轮廓信息。最后,采用混淆矩阵对处理后的图像进行评价和分析。实验结果中采用最大似然方法和迭代阈值法的平均正确精度分别86.17%和80.07%,平均错误精度为13.83%和19.93%,表明采用最大似然法在漏分检测率、正确精度和错误精度方面优于迭代阈值法,基本实现了本研究活体猪的检测要求。