基于多策略融合技術(shù)的水稻葉片邊緣檢測(cè)算法研究

何丹丹，徐 梅

（1.東北農(nóng)業(yè)大學(xué)工程學(xué)院，哈爾濱 150030；2.東北農(nóng)業(yè)大學(xué)理學(xué)院，哈爾濱 150030）

基于圖像處理技術(shù)的農(nóng)作物檢測(cè)技術(shù)是農(nóng)產(chǎn)品品質(zhì)無(wú)損檢測(cè)的主要研究?jī)?nèi)容之一[1]。葉片與背景的圖像分割是基于圖像處理技術(shù)的農(nóng)作物檢測(cè)技術(shù)的重要內(nèi)容之一，葉片邊緣檢測(cè)是圖像分割的基礎(chǔ)，因此必須尋找一種有效可靠的葉片邊緣檢測(cè)算法，以期得到較為完整的水稻葉片邊緣信息，進(jìn)而提高農(nóng)作物檢測(cè)準(zhǔn)確率。

針對(duì)農(nóng)作物的邊緣檢測(cè)算法，沈明霞等提出基于零點(diǎn)反對(duì)稱緊支撐二進(jìn)小波的圖像邊緣檢測(cè)算法，實(shí)驗(yàn)結(jié)果表明該算法能夠獲取農(nóng)田景物的連續(xù)、光滑的邊緣[2]。Benson等提出了一種基于自適應(yīng)模糊順序線性回歸模型的農(nóng)作物邊緣檢測(cè)算法，將其應(yīng)用于農(nóng)作物自動(dòng)收割領(lǐng)域[3]。沈明霞等使用低通濾波器和二值膨脹技術(shù)獲得農(nóng)作物邊緣[4]。趙峻穎等采用傳統(tǒng)的邊緣檢測(cè)算子對(duì)草莓圖像進(jìn)行了邊緣檢測(cè)，為草莓采摘機(jī)器人的視覺(jué)系統(tǒng)中圖像識(shí)別的預(yù)處理工作奠定了基礎(chǔ)[5]。張慧等采用Canny邊緣檢測(cè)算子對(duì)大米外形檢測(cè)，試驗(yàn)結(jié)果表明該方法對(duì)大米粒形識(shí)別時(shí)有較高的準(zhǔn)確率[6]。Valliammal提出了一種基于二進(jìn)小波變換和p-tile配對(duì)閾值的邊緣檢測(cè)方法，實(shí)驗(yàn)結(jié)果表明能夠有效獲取葉片邊緣[7]。

在眾多的農(nóng)作物圖像邊緣檢測(cè)算法中，一部分算法復(fù)雜度較高[2-3,7]；一部分算法是在對(duì)圖像去噪處理基礎(chǔ)上，采用傳統(tǒng)的邊緣檢測(cè)算子對(duì)其進(jìn)行邊緣檢測(cè)，該方法獲取的圖像邊緣往往是不精確的，并伴有虛假邊緣和不連續(xù)的情況[4-6]。針對(duì)上述不足，本文將圖像區(qū)域最小外接矩形算法[8]、中值濾波、Canny算子和開(kāi)、閉運(yùn)算[9]有機(jī)結(jié)合，提出一種基于多策略融合技術(shù)的水稻葉片邊緣檢測(cè)算法，將該方法應(yīng)用于單葉片、背景為白板的葉片、背景為土壤的葉片、交叉葉片等不同特征的圖像，有效地獲取連續(xù)、光滑的水稻葉片邊緣，表明該算法具有高效、準(zhǔn)確和魯棒的特性。

1 傳統(tǒng)的邊緣檢測(cè)算法

邊緣檢測(cè)的實(shí)質(zhì)是提取圖像中對(duì)象與背景間的交界線，圖像灰度變化可以用圖像灰度分布的梯度來(lái)反映，因此可以利用局部圖像微分技術(shù)獲得邊緣檢測(cè)算子。常用的邊緣檢測(cè)算子包括Roberts算子，Sobel算子，Prewitt算子和Laplacian算子[10-11]。各類邊緣檢測(cè)算子的模板如圖1所示[10]。

圖1 算子模版Fig.1 Operator template

由于四種算子檢測(cè)方向不同，使之每個(gè)算子適用于具有不同邊緣特征的圖像。其中Roberts算子采用對(duì)角線方向相鄰兩像素之差近似梯度幅值檢測(cè)邊緣。檢測(cè)水平和垂直邊緣的效果好于斜向邊緣，定位精度高，對(duì)噪聲敏感。Sobel和Prewitt算子根據(jù)像素點(diǎn)上下、左右鄰點(diǎn)灰度加權(quán)差，在邊緣處達(dá)到極值檢測(cè)邊緣，對(duì)噪聲具有平滑作用，定位精度不夠高。而Laplacian算子是二階微分算子，其不具備方向性，對(duì)噪聲敏感，定位精度高[10]。

2 基于多策略融合技術(shù)的水稻葉片邊緣檢測(cè)算法

2.1 邊緣檢測(cè)算法分析與基本思想

受大田復(fù)雜條件與圖像傳感器位置的影響，導(dǎo)致水稻葉片部分往往只占所獲得整幅圖像的一小部分，從而造成葉片邊緣檢測(cè)算法的檢測(cè)精度和運(yùn)算效率較低。為了提高檢測(cè)精度和運(yùn)算效率，在邊緣檢測(cè)算法中，首先提取感興趣的葉片區(qū)域，剔除圖像的復(fù)雜背景信息。本文采用圖像區(qū)域最小外接矩形算法獲取包含水稻葉片的最小矩形區(qū)域[8]。

受大田復(fù)雜條件和圖像傳感器的影響，所獲取的水稻葉片圖像上存在泥土、露水和浮塵等噪聲，該噪聲屬于椒鹽噪聲。因此在矩形區(qū)域提取的基礎(chǔ)上，消除水稻葉片圖像的噪聲。與線性濾波器相比，非線性濾波的中值濾波能夠更加有效地消除椒鹽噪聲[9]。受大田復(fù)雜環(huán)境和水稻生長(zhǎng)期植株特點(diǎn)等影響，造成水稻葉片圖像邊緣方向的不確定性，使得以檢測(cè)方向?yàn)樗胶痛怪钡膫鹘y(tǒng)微分算子（Roberts，Prewitt，Sobel和 Laplacian）不能夠有效檢測(cè)復(fù)雜水稻葉片圖像的邊緣。而Canny算子是在滿足一定約束條件下推導(dǎo)出的邊緣檢測(cè)最優(yōu)算子[12]。因此本文采用Canny算子中確定最優(yōu)檢測(cè)方向的策略，以獲取圖像邊緣的檢測(cè)方向。

在上述對(duì)圖像的邊緣檢測(cè)后，所獲得的圖像邊緣存在孤立點(diǎn)、虛假邊緣和不連續(xù)等現(xiàn)象，為了獲得一個(gè)連續(xù)和光滑的圖像邊緣，本文采用數(shù)學(xué)形態(tài)學(xué)圖像處理技術(shù)消除上述現(xiàn)象[9]。針對(duì)孤立點(diǎn)和虛假邊緣，采用開(kāi)運(yùn)算；針對(duì)不連續(xù)現(xiàn)象，采用閉運(yùn)算。由于水稻葉片圖像邊緣形狀具有不確定方向性和狹長(zhǎng)特征，因此開(kāi)閉運(yùn)算采用自適應(yīng)的橢圓模板。其中由于孤立點(diǎn)分散特性，開(kāi)運(yùn)算應(yīng)采用較小尺寸的模板，而為了更好地連接不連續(xù)的葉片邊緣，閉運(yùn)算應(yīng)采用較大尺寸的模板。

基于多策略融合技術(shù)的邊緣檢測(cè)算法的基本思想是先將水稻葉片圖像進(jìn)行最小外接矩形區(qū)域提取與中值濾波的去噪處理，采用Canny算子進(jìn)行邊緣檢測(cè)，最后采用開(kāi)閉運(yùn)算對(duì)圖像邊緣進(jìn)行拼接處理，從而得到一個(gè)精確且連續(xù)的水稻葉片圖像邊緣。

2.2 基本步驟

根據(jù)上述的分析，該基于多策略融合技術(shù)的邊緣檢測(cè)算法的基本步驟:

Step1:初始化圖像f（x，y）及圖像坐標(biāo)系，并設(shè)置參考點(diǎn)（x0，y0）；

Step2：尋找像素的位置狀態(tài)及其對(duì)應(yīng)的移動(dòng)可能集合，確定狀態(tài)遷移模板Template；

Step3：將當(dāng)前點(diǎn)和狀態(tài)遷移模板進(jìn)行逐個(gè)匹配，從而得出新的當(dāng)前點(diǎn)的位置；

Step4：重復(fù)step3，得到整個(gè)封閉區(qū)域的邊界像素點(diǎn)集合W；

Step5：計(jì)算邊界像素點(diǎn)集合的橫縱坐標(biāo)最大值點(diǎn)和橫縱坐標(biāo)最小值點(diǎn)，以此兩點(diǎn)所連對(duì)角線的外接矩形即圖像區(qū)域最小外接矩形，以此提取區(qū)域圖像并將其轉(zhuǎn)化為灰度圖像g（x，y）；

Step6：以3×3模板對(duì)圖像g（x，y）中值濾波獲得圖像I（x，y）；

Step7：計(jì)算梯度的幅值和方向。

方向 θφ=。

其中j1（x，y）=f（x，y）*H1（x，y），j2（x，y）=f（x，y）*H2（x，y），

Step8：將非局部極大值點(diǎn)置零以其得到細(xì)化的邊緣圖像E（x，y）。

Step9：對(duì)邊緣圖像E（x，y）做開(kāi)運(yùn)算A S=（AΘS）⊕S和閉運(yùn)算A·S=（A⊕S）ΘS，其中模板 根據(jù)水稻葉片邊緣的切線和曲率來(lái)確定。

3 結(jié)果與分析

將基于多策略融合技術(shù)的邊緣檢測(cè)算法應(yīng)用于不同條件下的水稻葉片圖像見(jiàn)圖2。

圖2 水稻葉片圖像邊緣檢測(cè)的各方法比較分析結(jié)果Fig.2 Comparative analysis of the rice leaf edge detection methods

分別是：白板單葉圖像（a.1）、白板重疊圖像（a.2）、土地背景圖像（a.3）和大田復(fù)雜背景圖像（a.4）。采用圖像區(qū)域最小外接矩形算法所得結(jié)果如圖（b.1-b.4）。該方法的應(yīng)用能有效地提高該算法的效率。

與幾種邊緣檢測(cè)算子相比，可以看出Roberts算子（d.1-d.4）邊緣定位精度較高，但容易丟失一部分邊緣；Sobel算子（e.1-e.4）和Prewitt（f.1-f.4）算子考慮了鄰域的信息，檢測(cè)效果優(yōu)于Roberts算子，但是檢測(cè)出的邊緣容易出現(xiàn)多像素寬度；Laplacian算子（g.1-g.4）是二階微分算子，可以精確定位邊緣，但是會(huì)產(chǎn)生雙像素邊緣，沒(méi)有方向信息，邊緣圖像連通性差，不光滑；基于多融合策略的邊緣檢測(cè)算子（h.1-h.4），能夠?qū)D像中較細(xì)的邊緣檢測(cè)出來(lái)，邊緣圖像連通性最好。采用數(shù)學(xué)形態(tài)學(xué)的開(kāi)運(yùn)算與閉運(yùn)算對(duì)圖像（h.1-h.4）的細(xì)微斷裂部分進(jìn)行拼接獲得圖像（i.1-i.4）。與其他方法相比，試驗(yàn)結(jié)果表明該算法具有高效、準(zhǔn)確和魯棒的特性。

4 結(jié)論

農(nóng)作物邊緣檢測(cè)問(wèn)題是基于圖像處理技術(shù)的農(nóng)作物檢測(cè)技術(shù)的重要內(nèi)容之一。在分析已有邊緣檢測(cè)方法的基礎(chǔ)上，本文采用圖像區(qū)域最小外接矩形算法提取主要區(qū)域，采用中值濾波去除泥土、露水等椒鹽噪聲、采用Canny算子提取邊緣、采用開(kāi)運(yùn)算和閉運(yùn)算拼接不連續(xù)的邊緣點(diǎn)并去除非邊緣信息，從而提出一種基于多策略融合技術(shù)的水稻葉片邊緣檢測(cè)算法，將該方法應(yīng)用于單葉片、背景為白板的葉片、背景為土壤的葉片、重疊葉片等不同特征的圖像，獲取了連續(xù)、光滑的水稻葉片邊緣，表明該算法具有高效、準(zhǔn)確和魯棒的特性，為農(nóng)作物無(wú)損檢測(cè)技術(shù)提供技術(shù)支持。

[1]金晶,廖桂平,李錦衛(wèi),等.農(nóng)產(chǎn)品品質(zhì)無(wú)損檢測(cè)概述[J].農(nóng)業(yè)網(wǎng)絡(luò)信息,2008(2):90-93.

[2]沈明霞,姬長(zhǎng)英,張瑞合.基于小波變換的農(nóng)田景物邊緣檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2001,32(2):27-29.

[3]Benson E R,Reid J F,Zhang Q,et al.An adaptive fuzzy crop edge detection method for machine vision[C].The 2000 Annual Milwaukee,International Meeting of ASAE,2000.

[4]沈明霞,張瑞合,姬長(zhǎng)英.農(nóng)作物邊緣提取方法研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2000,31(6):49-51.

[5]趙峻穎,潘革生,郭微.邊緣檢測(cè)局部算子在草莓輪廓提取上的應(yīng)用[J].農(nóng)機(jī)化研究,2008(6):184-186.

[6]張慧,張聰.大米粒形邊緣檢測(cè)算法研究[J].糧油食品科技,2008,16(4):9-11.

[7]Valliammal N,Geethalakshmi S N.Performance analysis of various leaf boundary edge detection algorithms[C].New York:Amrita ACMW Celebration on Women in Computing in India,2010.

[8]吳曉光,王滌瓊,盛慧.一種獲取圖像區(qū)域最小外接矩形的算法及實(shí)現(xiàn)[J].計(jì)算機(jī)工程,2004,30(12):124-125.

[9]阮秋琦.數(shù)字圖像處理[M].北京:電子工業(yè)出版社,2005:9.

[10]周道炳,朱衛(wèi)綱.幾種邊緣檢測(cè)算子的評(píng)估[J].指揮技術(shù)學(xué)院報(bào),2000,11(1):59-63.

[11]段瑞玲,李慶祥,李玉和.圖像邊緣檢測(cè)方法研究綜述[J].光學(xué)技術(shù),2005,31(3):415-419.

[12]張彬,司璇,金飛,等.一種改進(jìn)型Canny圖像邊緣檢測(cè)方法[J].中國(guó)傳媒大學(xué)學(xué)報(bào):自然科學(xué)版,2011,18(2):39-42.