Algorithm算法代写代考

School of Computer Science The University of Adelaide Artificial Intelligence Assignment 3 Semester 1, 2020 Your task is to perform exact inference on a PGM and also manually conduct approximate inference and compare the results. You only need to deal with one (small) network, but you will need to compute the exact inference and also […]

Lecture 15: 2D Dynamic Programming 2D because we use two-dimensional array to store solutions and a knapsack with capacity . Goal: Find 􏰆 􏰀 satisfying Copyright By PowCoder代写 加微信 powcoder The 0/1 Knapsack Problem Input: A set of items, where item has weight 􏰌 and value that maximizes Recall: Greedy doesn’t provide optimal solution. The

School of Computer Science The University of Adelaide Artificial Intelligence Assignment 3 Semester 1, 2020 Your task is to perform exact inference on a PGM and also manually conduct approximate inference and compare the results. You only need to deal with one (small) network, but you will need to compute the exact inference and also

DOI: 农田机器人视觉导航提取算法分析—基于暗原色 1引言 当前我国普遍使用直线扫描方法检测农作物的导航线，利用颜色空间模型在农田视觉导航线算法中的图像进行灰度化处理，是基于暗原色原理的办法。一般选择随机算法、Hough变换、直线扫描方法的导航线提取法进行，基于YCrCg颜色模型的算法、2G-R-B超绿模型算法、基于HSI颜色模型的H分量算法选取农田色彩片段[1]。研究人员在农田通过矩阵的变换，从而得到Cg分量，其原理是基于YCrCg颜色模型的规则，把RGB颜色空间转变为YUV颜色空间，对农田导航图像进行分割，此类方法具有强抗干扰性、准确度高的优点，但是需要设置步长参数，测量工作量加大，不适合大范围推广等缺点[2]；在农田导航线中提取绿色分量时使用2G-R-B归一化为参考基准，将土壤与田间农作物背景精确分割。对于不是绿色的农作物来说虽然有利于作物检测，能区分土壤与农作物，但是需要消耗的时间过长，区分效果不明显；研究人员利用H模型分量的算法将HSI色调空间分离为三个分量，这样把H色调分量将分割完毕，此种方法虽然可有效防止噪音的污染，不受光照的影响，但是耗时较长且不利于农田导航图像的分割[3]；随机算法为二值图像的裁剪行区域选择配准点，随机选择任意两个点确定可能检测到的直线，在一定范围内对直线上的点进行计数，如果满足要求则提取直线[4]。Hough变换方法是以二值图像作为农作物的导航线，hough变换的的方式虽然时效性差、运行效率低下，但其稳定性能较好；随机算法与hough变换相比，降低了操作难度，但受随机选择点的制约[5]。由此可见，在对非绿色农田环境下，部分方法无法适用于此环境，例如，播种时的农田、幼苗时期、成熟收割期等，在此期间土壤及非绿色的农作物受到此类方法的制约。此外，线性扫描主要受图像分割的效果影响，无法满足线性扫描对图像的稳定性能需求。在此，研究人员利用垂直影像的提取办法，将需要图像反应的农田区域选为拍摄区域，使用最大类间方差法（Otsu）把该农田区域图像进行过滤分割处理，其中形态学的图像滤波法起到重要作用，基于暗原色视觉导航线的提取算法能快速提取农业机械的视觉图像，主要是利用暗原色的灰度化变化原理，之后选取改实验田的选点导航线的最小二乘拟合得到最终的视觉导航线。 2图像预处理与分割 我国智能导航技术在农业田间的应用技术越发成熟，在各类农田场景中，图像处理技术已能较为准确迅速的描绘田间场景的地貌特征。在大量数据及信息处理过程中发现，因农田种植作物复杂及地形的多变，灰度化处理的视觉导航线无法应变图像处理及分割。要想针对重点观察农田进行图像处理及有效分割，就需加快对农田导航线信息的提取速度，相比于灰度化处理技术，农田导航线的图像预处理技术，清晰的把土壤及农作物区分开，不受白天或者夜晚光照的影响，但是，当农作物不是绿色时，此方法失去其效应。二值图像是指土壤与农作分开后，利用直线扫描的方法形成的图像，以相等面积的三角形为基准，把其分为左右两部分进行扫描，并且按照相等的步长，通过农作物的特征进行图像扫描工作[6]。 2.1农田图像的暗原色灰度化 在农田导航线成像时，天空部分的航线一般不会被拍摄进图像中，且农田中的农作物大多都是鲜艳的颜色，例如绿色，只有极少部分的农作物呈现出暗淡的颜色。因此，以暗原色原理农田图像中，假如农作物表面颜色较为鲜艳，或者农作物表面颜色暗淡，RGB三个通道中的任意通道值，在物体表面形成的通道值非常的小，农田成像后的暗原色图像较为灰暗。直接导致土壤的暗原色图像及农作物暗原色图像，必然有一方成暗淡的灰色，这就是农田图像灰度化的暗原色原理[7]。 通常认为颜色是由蓝、红、绿三种原色组成，在该实验中，通过三原色中假设该三点颜色值为RGB（r，g，b），使用三原色的规则计算假设三点的值为gray，因此，当使用gray表示三点值时，形成新的颜色及得到该点的灰度值，即RGB(gray,gray,gray）[8]。 上述基于灰度化规则及暗原色原理，使农业机器人的视觉导航线能被广泛应用到农业生产中，研究人员把农田导航线影像进行灰度化及暗原色原理处理工作，使其适用范围更加广泛，此过程被定义为“图像的暗原色灰度化处理”。 第一：研究人员在选中的试验田中输入导航线图像“I”，对暗通道的原理进行数字定义，其中暗通道中的每个像素点的表达式为： EMBED Equation.KSEE3 \* MERGEFORMAT (1) 上述公式中，(x,y)表示I c(x,y)中颜色通道的像素坐标，在I dark(x,y)中的(x,y)表示在暗原色同道中人的像素坐标。 对上述公式中的三个颜色通道进行数值大小的的比对，把三个颜色通道标记为I r(x,y)，I g(x,y)，I b(x,y)。I中的所有像素按照（1）式中每个像素的灰度值进行比对，最后得出的结果就是暗原色灰度化图像值Idark。 在Matlab(R2010b)软件的帮助下，为测试暗原色灰度化方法的性能，并对此图像提出评价，对比2G-R-B超绿模型算法与暗原色灰度化图像的计算时间，以及与归一化直方图特性的表现。如下图（1）所示，其中（b）、（c）分别对应（a）中的2G-R-B超绿农作物农田图像与灰度化图像，图（1）中的（a）转换到（b）、（c）的时间分别为0.532 s与4.267 s。在图（b）中的直方图可看出该农田波峰波谷较为明显，与（c）图中直方图相比，其阀域值的分割更加容易进行。通过图1灰度化转换结果的图像可看出，对农田的土壤及绿色植物明显的区分，可使用暗原色灰度化得图像技术来完成，同时可见，在使用2g-r-b超绿模型算法的灰度化图像，也可区分农田土壤及绿色植物，但针对绿色植物部分的轮廓较为模糊，不够清楚，极大地影响了农田原始图像信息的反馈。因此，2g-r-b超绿模型算法相比于暗原色灰度化图像处理法，运行速度较慢且不利于土壤及绿色植物部分的区分。 图1灰度转换结果(a)原图像；(b)暗原色灰度图；(c)2G-R-B灰度图 Fig.1 Grayscale conversion result (a) original image;(b) grayscale images of dark primary colors;(c) 2 g – R – B grayscale 在日常生活中，不仅存在绿色农田环境，还有许多非绿色作物的农田环境，以至于暗原色灰度化处理图像的方法在非绿色农田环境中的应用推广也较为重要。 如下图（2）所示，是非绿色农田环境较为典型的图像特征。图（b）是图（a）基于暗原色灰度化处理后的图像，当对图（a）及图（b）的图像进行暗原色灰度化处理变换时，2g-r-b超绿模型算法在绿色模型转换过程中失去效用，如图（c）所示。由此可见，把图（a）分别转换为图（b）及图（C）时，其转换时间分别为：0.956 s与2.827 s。且图（b）中的波峰及波谷起伏较为明显。因此在使用暗原色灰度化转换方法的时候，需因地制宜的利用不同环境，以及满足在农田导航线图像的适用性及时效性。 图2暗原色灰度转换结果(a)原图像；(b)暗原色灰度图；(c)2G-R-B灰度图； (d)暗原色灰度直方图；(e)2G-R-B灰度直方图 Fig.2 Grayscale