实现除草剂的变量喷洒是保证农作物健康生长并减轻对环境污染的关键，这依赖于准确识别出田间杂草区域。传统田间杂草识别方法由于图像分割方式的局限性需考虑图像中感兴趣区域外目标的判别，且对于光线较暗田间图像的分割效果较差。受到人类视觉系统对图像信息高效分析和处理机制的启发，将视觉注意模型引入田间杂草识别有利于提高图像分割精度和目标识别正确率。
　　受国家自然科学基金项目（No.31401288）资助，本文以华中农业大学油菜试验田中的苗期油菜为实验对象，提出了一种基于视觉注意模型的田间杂草检测方法。该方法首先利用超绿法计算油菜图像灰度图，对该灰度图进行阈值分割后与原图融合得到图像中的绿色区域。同时利用Itti视觉注意模型计算原始RGB图像对应显著图，然后以显著图中各显著区域质心为种子点进行区域生长得到具有完整语义特征的油菜区域和部分杂草区域图像。提取各区域形状和纹理特征，分别利用最小距离分类器和SVM模型对油菜、杂草两类区域分类，识别出其中的油菜区域。最后，从绿色区域中剔除识别出的油菜区域得到杂草区域。主要研究内容如下：
　　（1）进行基于改进Itti模型生成油菜图像显著图的研究。首先提取油菜图像R、G、B分量，根据超绿法经验公式计算灰度图后对R、G、B三个分量进行去耦合处理，并结合颜色拮抗对理论计算出RG、BY两个颜色子通道原始图像。然后对亮度通道原始图像使用Gabor滤波器在四个方向上滤波处理分别产生0°，45°，90°，135°方向子通道原始图像。对各通道原始图像进行高斯滤波和8次降采样，分别得到9级高斯金字塔。选取各金字塔内第3、4、5级图像为中央层，第6、7、8、9级图像为周边层，每个特征通道通过中央-周边差运算分别生成6幅特征图。再对特征图进行局部迭代融合和跨尺度相加获取各通道显著图，观察各个显著图对期望显著目标显著值贡献大小，赋予相应权值后线性组合得到总显著图。
　　（2）结合改进Itti模型和区域生长进行图像分割，定性和定量评价该方法效果。针对不同复杂度背景图像，比较本文提出方法和局部迭代阈值法、最大类间方差法分割效果，利用正确分割目标率、错误分割目标率及漏分割目标率对图像分割结果进行定量评价。
　　（3）针对分割后图像，提取特征参数：以基本几何特征为基础，提取区域伸长度、宽长比、圆形度、矩形度、致密度等RST不变性形状特征参数；提取基于灰度直方图的均值、标准差、平滑度、三阶矩、一致性、熵等6个纹理描绘子，统计分析对苗期油菜图像识别贡献度最大的特征。
　　（4）分类检测。运用形状特征、纹理特征、综合特征和精选特征进行最小距离分类器和SVM分类。详细介绍分类器的基本原理，分类器模型建立、测试过程。将数据集按3:2数量比例随机划分为训练集和测试集，以训练集各类样本的平均值作为该类原型向量，选取欧式距离作为相似性度量，建立最小距离分类器；通过对训练集进行 K-折交叉验证和网格寻优获取交叉验证准确率最优下的惩罚因子C与核函数参数?组合，建立SVM模型并比较选用线性、多项式、径向基和Sigmoid核函数作为SVM核函数分类结果。比较不同特征组合输入下分类器测试集分类结果和径向基核函数下输入不同特征的SVM训练集、测试集识别率及程序运行时间，验证由统计分析获取最优区分度特征的有效性。
　　（5）基于Itti视觉注意模型的油菜田间杂草检测GUI。利用MATLAB R2010b提供的GUIDE组件绘制GUI并编写各模块对应的回调函数。用户可通过点击按钮、选中复选框及打开菜单栏等操作完成杂草检测并保存所有过程数据，实现可视化操作。