1. 研究目的与意义、国内外研究现状（文献综述）
研究意义图像分割是指将图像分成若干互不重叠的子区域，使得同一个子区域内的特征具有一定相似性、不同子区域间特征呈现较为明显的差异。
图像分割是图像识别、场景解析、对象检测等任务的预处理，是计算机视觉中一项基础的任务[1]。
众所周知，农作物的出产量会影响经济社会的发展和民众生活质量的提高。
2. 研究的基本内容和问题
研究的目标、内容和拟解决的关键问题研究目标本文的研究目标是实现对不同光照条件下的作物图像进行分割。
主要研究基于支持向量机的机器学习方法对作物图像进行分割，并对基于支持向量机的机器学习方法和基于颜色因子的方法、基于阈值分割方法等传统的农作物图像分割方法进行比较。
研究内容1．基于支持向量机的机器学习分割方法的实现 研究不同自然光照条件下作物图像特征的提取、特征的选择，采用支持向量机，对作物与背景的数据进行训练，并对测试图像中的像素进行作物或背景的分类，实现图像的分割。
3. 研究的方法与方案
研究方法查阅文献和书籍，掌握python语言并实现各个图像分割中的算法。
着重研究基于支持向量机的的机器学习算法，在python平台中编写可视界面，展示分割效果及分割效果比较。
研究方法、技术路线、实验方案及可行性分析研究方法查阅文献和书籍，掌握python语言并实现各个图像分割中的算法。
4. 研究创新点
特色或创新之处传统的图像分割算法通常没有考虑图像中作物所处的自然环境，特别是光照等条件，但在现实中，作物所处的自然环境不是一成不变的，在光照暗淡，光照充足和光照强烈的条件下，图像的表象形式会发生改变，在这种情况下，研究考虑不同光照条件的图像分割算法就显得更为重要。
本文主要研究基于支持向量机进行机器学习，尝试解决一些传统方法对不同光照条件下图像分割效果不理想的问题。
并在不同光照条件下与传统的基于颜色因子的分割算法和基于边缘检测的分割算法进行比较，找出最佳的图像分割算法。
5. 研究计划与进展
研究计划及预期进展2017年12月：选题并搜集相关资料。
2018年1月：编写开题报告。
根据指导老师的建议对开题报告书进行进一步完善与修改。
