由于光照和田间环境的复杂性等因素的影响,绿色作物表面存在高光、阴影等区域,导致农业机器人视觉导航系统对绿色作物垄线识别能力下降,不能完成其后续导航参数提取等进一步工作。本文主要针对这一问题进行研究,以实际拍摄的玉米、甘蓝、蚕豆绿色作物图像作为研究对象,采用颜色因子法、阈值法以及机器学习的方法实现不同光照条件下的绿色作物图像分割,并应用客观评价法对本文所采用方法进行分割结果评估。本研究的内容和结论有:1)绿色作物图像的获取与分类。为确定不同光照环境下作物图像的共同特征,本文在已有研究基础上提出基于作物图像灰度直方图的分类方法。实验结果发现,通过混合使用绿色作物图像灰度直方图的均值、方差、偏度、峰度统计学参量,可将本文所定义的图像数据集依据不同光照条件完成分类。与手动分类方法对比,实验结果表明本文方法平均分类误差率(Mean Error Rate,MER)为3.30%,可实现绿色作物图像的自动分类。2)正常光照条件下的绿色作物图像分割。针对光照正常条件下,绿色作物图像颜色特征比较明显的特点,本文采用传统的颜色因子法,并结合阈值、中值滤波及形态学操作以获得最优分割结果。由于图像背景的复杂性对阈值选取的影响,本文将该类作物图像细分为两类,分别采用不同阈值法完成分割,最后采用常用的图像分割客观评价指标进行评估。实验结果表明,本文对正常光照中背景复杂的作物图像在采用同样最优的颜色因子法时,使用不同的阈值法获得的植物细节更多,作物召回率提高5.56%。3)异常光照条件下的绿色作物图像分割。针对异常光照条件下绿色作物图像的颜色特征受到不同程度干扰的问题,颜色因子与阈值法并不适用,因此,本文提出首先将指数纠正项引入到局部线性聚类算法SLIC(Simple Linear Iterative Clustering,SLIC)中,以改进其提取超像素的效果,然后提取超像素内有效特征向量并建立分类和回归决策树(Classification And Regression Tree,CART)以有效地实现图像分割。实验结果表明,采用改进的SLIC提取的超像素中的绿色作物区域更加准确,使得基于超像素的CART分割结果更加准确,能够分割出更多绿色作物中存在的亮光和阴影区域,平均综合得分(F1)达到83.71%,比传统颜色因子和阈值法中最好的结果提高了7.97%。综上所述,本文提出并实现不同光照条件下的田间绿色作物图像分类与分割方法,可为现代生态农业机器人视觉导航或视频图像作物长势监测提供可借鉴的方法或思路。