Discriminating value crops from weeds is an important task in precision agriculture. In this paper, we propose a novel image processing pipeline based on attribute morphology for both the segmentation and classification tasks. The commonly used approaches for vegetation segmentation often rely on thresholding techniques which reach their decisions globally. By contrast, the proposed method works with connected components obtained by image threshold decomposition, which are naturally nested in a hierarchical structure called the max-tree, and various attributes calculated from these regions. Image segmentation is performed by attribute filtering, preserving or discarding the regions based on their attribute value and allowing for the decision to be reached locally. This segmentation method naturally selects a collection of foreground regions rather than pixels, and the same data structure used for segmentation can be further reused to provide the features for classification, which is realised in our experiments by a support vector machine (SVM). We apply our methods to normalised difference vegetation index (NDVI) images, and demonstrate the performance of the pipeline on a dataset collected by the authors in an onion field, as well as a publicly available dataset for sugar beets. The results show that the proposed segmentation approach can segment the fine details of plant regions locally, in contrast to the state-of-the-art thresholding methods, while providing discriminative features which enable efficient and competitive classification rates for crop/weed discrimination.

从杂草中区分有价值的农作物是精确农业中的重要任务。在本文中，我们针对分割和分类任务提出了一种基于属性形态学的新型图像处理管道。常用的植被分割方法通常依赖于阈值化技术，这些技术可以在全球范围内做出决策。相比之下，所提出的方法适用于通过图像阈值分解获得的连接组件，这些组件自然嵌套在称为max-tree的层次结构中，并从这些区域计算出各种属性。通过属性过滤，基于区域的属性值保留或丢弃区域并允许本地决策来执行图像分割。这种分割方法自然会选择前景区域而不是像素的集合，并且用于分割的相同数据结构可以进一步重用以提供分类功能，这在我们的实验中通过支持向量机（SVM）实现。我们将我们的方法应用于归一化差异植被指数（NDVI）图像，并在作者在洋葱场中收集的数据集以及可公开获得的甜菜数据集上证明了管道的性能。结果表明，与最新的阈值化方法相比，所提出的分割方法可以局部分割植物区域的精细细节，同时提供可实现作物/杂草鉴别有效且具有竞争性的分类率的判别特征。并且用于细分的相同数据结构可以进一步重用以提供分类功能，这在我们的实验中是通过支持向量机（SVM）实现的。我们将我们的方法应用于归一化差异植被指数（NDVI）图像，并在作者在洋葱场中收集的数据集以及可公开获得的甜菜数据集上证明了管道的性能。结果表明，与最新的阈值化方法相比，所提出的分割方法可以局部分割植物区域的精细细节，同时提供可实现作物/杂草鉴别有效且具有竞争性的分类率的判别特征。并且用于细分的相同数据结构可以进一步重用以提供分类功能，这在我们的实验中是通过支持向量机（SVM）实现的。我们将我们的方法应用于归一化差异植被指数（NDVI）图像，并在作者在洋葱场中收集的数据集以及可公开获得的甜菜数据集上证明了管道的性能。结果表明，与最新的阈值化方法相比，所提出的分割方法可以局部分割植物区域的精细细节，同时提供区分性特征，从而能够对作物/杂草进行有效且具有竞争性的分类率。这是在我们的实验中通过支持向量机（SVM）实现的。我们将我们的方法应用于归一化差异植被指数（NDVI）图像，并在作者在洋葱场中收集的数据集以及可公开获得的甜菜数据集上证明了管道的性能。结果表明，与最新的阈值化方法相比，所提出的分割方法可以局部分割植物区域的精细细节，同时提供可实现作物/杂草鉴别有效且具有竞争性的分类率的判别特征。这是在我们的实验中通过支持向量机（SVM）实现的。我们将我们的方法应用于归一化差异植被指数（NDVI）图像，并在作者在洋葱场中收集的数据集以及可公开获得的甜菜数据集上证明了管道的性能。结果表明，与最新的阈值化方法相比，所提出的分割方法可以局部分割植物区域的精细细节，同时提供可实现作物/杂草鉴别有效且具有竞争性的分类率的判别特征。以及甜菜的公开数据集。结果表明，与最新的阈值化方法相比，所提出的分割方法可以局部分割植物区域的精细细节，同时提供可实现作物/杂草鉴别有效且具有竞争性的分类率的判别特征。以及甜菜的公开数据集。结果表明，与最新的阈值化方法相比，所提出的分割方法可以局部分割植物区域的精细细节，同时提供可实现作物/杂草鉴别有效且具有竞争性的分类率的判别特征。