本文主要研究了田间杂草的图像识别技术，设计了田间杂草图像识别系统。系统包括麦田图像数据的采集，实现对图像的预处理；绿色植物与土壤背景的分割包括图像的灰度化与格式转换和图像的二值化；作物与杂草的分割包括作物中心行的识别和作物行的滤除，在滤除作物行的过程中确定边界阈值时本文提出了先计算标定的作物行宽度与计算机自动检测的作物行宽度之间的相对误差，然后选定合适的对应最小误差的作物行边界阈值的方法。识别杂草位置时分别采用了模板匹配和神经网络识别的方法。其中模板匹配识别杂草的具体方法是：从图像中选择一株草的特征数据作为模板，将模板一个象素一个象素的在图像中移动，即拿已知的模板和原图像中同样大小的一块区域去匹配，在搜索区域里寻找匹配点，以搜索窗口与目标物体形态特征的匹配度作为判据来实现目标检测与跟踪。本文提出采用计算模板象素与原图像中模板运行位置的象素之间的欧氏距离来验证它们之间的匹配度的方法，欧式距离越接近0，说明匹配程度越高。寻找到图像中与模板匹配度最高的点，识别为杂草，将其象素值标记为1，图像中显示为白色；在图像中以白色斑点的状态表示出来，其它象素作为背景标记为0，图像中显示为黑色。计算出白色斑点的坐标位置，即杂草的坐标位置，从而达到了寻找到杂草位置的目的。使用神经网络识别杂草的具体方法是：将使用3层完全结合方式的BP神经网络分类器对杂草图像进行分割，输入的特征量为每个象素的H,Cb,Cr值，所以输入层的神经元个数设计为3，输出层的神经元个数为1，输出0～1的信号，如果输出的信号大于0.9，相应的输入信号象素为杂草，将此象素标记为1，图像中显示为白色；如果输出信号小于0.1，相应的输入信号象素为土壤背景，将此象素标记为0，图像中显示为黑色。通过训练使网络达到稳定，最终使用MATLAB工具箱将图像分割，则图像中显示的白色斑点的位置即为杂草的位置。系统全程使用MATLAB语言编程。系统最终目的是根据杂草和作物分布的位置特征滤除作物行，识别出杂草，并计算出杂草的识别率。