基于帶通濾波和綠色因子的綠色識別方法

楊敬偉，楊文柱

（1.河北大學(xué) 科學(xué)技術(shù)處，河北 保定 071002；2.河北大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院，河北 保定 071002）

大田作物長勢分析是精細(xì)農(nóng)業(yè)［1－3］的一個重要研究內(nèi)容，其目的是為農(nóng)業(yè)生產(chǎn)過程中的施肥、灌溉、殺蟲等農(nóng)業(yè)活動提供決策參考.目前，遙感和基于田間相機(jī)的監(jiān)控［4－9］是實現(xiàn)作物長勢分析的2種主要途徑.遙感利用衛(wèi)星或飛機(jī)獲取作物的長勢圖像，而基于田間相機(jī)的監(jiān)控則通過直接在田間設(shè)置觀測攝像頭獲取作物的長勢圖像.利用遙感進(jìn)行長勢分析，優(yōu)點是觀測面積大，缺點是分辨率低，因此比較適合進(jìn)行大區(qū)域的作物長勢監(jiān)控；基于相機(jī)的監(jiān)控方式，優(yōu)點是分辨率較高，缺點是觀測面積有限，所以更適合進(jìn)行地塊級的精確監(jiān)控.

本文使用基于田間相機(jī)的方式，通過對田間相機(jī)采集的作物長勢圖像進(jìn)行分析，找出圖像中的綠色植物，為后續(xù)的作物長勢分析打下基礎(chǔ).由于大田作物的長勢監(jiān)控圖像采集于野外大田環(huán)境，因此圖像的亮度容易受天氣、時間等因素的影響；而大田中的土壤顏色、表面覆蓋物等使得圖像背景極其復(fù)雜.這些不利因素都使得從大田長勢監(jiān)控圖像中正確識別出其中的綠色植物變得極其困難.為準(zhǔn)確地識別大田作物長勢監(jiān)控圖像中的綠色植物，很多專家學(xué)者進(jìn)行了深入研究.最典型的方法是基于可見光譜因子的方法［10－12］，包括超綠因子法（the Excess Green index，簡稱ExG），超綠減紅因子法（the Excess Green minus Red index，簡稱ExGR），植被指數(shù)法（the Vegetative index，簡稱VEG），綜合指數(shù)法（the Combined index，簡稱COM）等［13－14］.基于可見光譜因子的方法都假設(shè)圖像具有正常的對比度，圖像中的綠色植物為明亮的綠色，且背景只有單一的土壤，但事實上這個假設(shè)并不總是成立.實際拍攝的大田作物圖像，其對比度受天氣和拍攝時間的影響很大，植物的顏色也不總是明亮的綠色，圖像的背景也不僅僅是單一的土壤.上述因素導(dǎo)致基于可見光譜因子的方法在很多情況下失效，因此亟需尋找一種能夠適應(yīng)大田拍攝條件的綠色植物識別方法.

1 實驗材料

實驗材料選擇在自然光條件下拍攝的大田玉米苗圖像，拍攝地點在河北省保定市滿城縣玉米農(nóng)田.分別選擇了晴天和陰天2種天氣狀況進(jìn)行拍攝，拍攝背景包括單一土壤背景、帶有灰燼的土壤背景、帶有麥秸的土壤背景、帶有玉米秸的土壤背景4種情況，如圖1所示.

圖1 不同條件下采集的大田玉米苗Fig.1 Images of maize seedling captured in different conditions

2 大田圖像的顏色分布分析

選擇在HSV（Hue，Saturation，Value）顏色空間進(jìn)行綠色識別，可以解決基于可見光譜因子法容易受圖像亮度變化影響的問題.在該顏色空間，某物體的顏色只與色調(diào)H 和飽和度S 有關(guān)，與亮度V 無關(guān)，因此在HSV 顏色空間進(jìn)行綠色識別對亮度變化不敏感［15］.

綠色植物的H 值一般為60～180之間，因此理想情況下，僅通過判斷像素的H 值就能斷定該像素是否為綠色植物像素.但由于玉米苗的生長狀態(tài)不同、拍攝時間不同、拍攝時的天氣狀況不同等各種因素，使得在自然光條件下拍攝的大田玉米苗圖像，其綠色植物的顏色從深綠到亮綠不等.因此，有必要分析大田作物長勢監(jiān)控圖像中各種圖像元素的色調(diào)H 和飽和度S 的分布情況，以便找出綠色植物識別的判斷依據(jù).

選擇玉米苗圖像中的深綠、嫩綠、反光的玉米苗，黑色、黃色、紅色的土壤，灰燼，地膜，麥秸，棒秸等10種典型元素作為分析對象，其色調(diào)H、飽和度S 典型分布曲線如圖2，圖3所示.

圖3 不同圖像元素的S分布曲線Fig.3 Sdistribution curves of different elements

由圖2可以看出，玉米苗的色調(diào)值為35～135，玉米秸的色調(diào)遠(yuǎn)大于135，這意味著通過色調(diào)可以很容易地區(qū)分玉米苗和玉米秸.地膜、黃土、紅土、黑土、灰燼的色調(diào)都小于35，這表明通過色調(diào)也可以輕易地區(qū)分玉米苗與地膜、黃土、紅土、黑土、灰燼.但對于麥秸，其色調(diào)與嫩綠色玉米苗的色調(diào)很接近，甚至存在交叉，因此，單靠H 已無法區(qū)分麥秸和玉米苗.通過圖3可以發(fā)現(xiàn)，盡管麥秸的色調(diào)與嫩綠色玉米苗接近甚至存在交叉，但它們的飽和度卻存在一定差異.因此通過綜合判斷色調(diào)H 和飽和度S 就可以區(qū)分玉米苗和麥秸.

3 基于ExG 和HSV 的綠色識別方法

通過上述分析可知，利用圖像在HSV 顏色空間下的H 和S2個顏色屬性建立帶通濾波器，使得綠色像素可以通過，阻止大部分背景像素，就會得到背景相對簡單的彩色圖像；對此圖像再使用綠色因子法ExG，就可以正確識別出其中的綠色植物.方法描述如下.

3.1 基于H 分量的帶通濾波器

令hl和hh分別表示綠色植物的色調(diào)最小值和最大值，定義基于H 分量的帶通濾波器如下：

式中，hl是綠色植物的最小色調(diào)值，hh是綠色植物的最大色調(diào)值.

3.2 基于S 分量的帶通濾波器

令sl和sh分別表示綠色植物的飽和度最小值和最大值，定義基于S 分量的帶通濾波器如下：

式中，s1是綠色植物的最小色調(diào)值，sh是綠色植物的最大色調(diào)值.

3.3 土壤、灰燼、地膜、棒秸的去除

利用基于H 分量的帶通濾波器，可以濾除圖像中大部分的土壤、灰燼、地膜、棒秸.令R，G，B 分別表示彩色圖像I 的3個顏色通道.定義土壤、灰燼、地膜、棒秸的去除模型如下：

式中，R1，G1，B1分別為經(jīng)過H1處理3個顏色通道

3.4 麥秸的去除

利用基于S 分量的帶通濾波器，可以濾除殘余在圖像I1中大部分的麥秸.定義麥秸的去除模型如下：

式中，R2，G2，B2分別為經(jīng)過S1處理3個顏色通道：

3.5 綠色植物的識別

利用綠色因子法ExG 對經(jīng)過上述處理的彩色圖像進(jìn)行處理，得到圖像的綠色因子矩陣Mg.

對Mg進(jìn)行閾值分割，就得到了代表綠色植物的目標(biāo)圖像Og

式中，T 為分割閾值.

4 結(jié)果與討論

使用在不同環(huán)境狀況下采集的大田玉米苗圖像作為實驗材料（部分典型圖像如圖1所示），對本文方法進(jìn)行了驗證，同時與大津法和基于可見光譜因子法進(jìn)行了對比.算法利用Matlab實現(xiàn)，計算機(jī)的操作系統(tǒng)為Windows 7，計算機(jī)處理器為Intel Core i5，內(nèi)存容量為3GB.

4.1 本文方法的識別結(jié)果

利用本文方法對圖1中的大田玉米苗圖像進(jìn)行識別，結(jié)果如圖4所示.實驗結(jié)果表明，本文提出的方法可以正確識別出圖像中的玉米苗，而不論拍攝時的天氣如何，也不管背景多么復(fù)雜.

圖4 本文方法對圖1中圖像的處理結(jié)果Fig.4 Processing results of the images in figure 1using the proposed method

4.2 大津法（Otsu方法）識別結(jié)果

大津法是最常用的圖像分割方法之一，經(jīng)常作為標(biāo)準(zhǔn)分割算法，用于跟其他分割算法進(jìn)行比較.圖5為大津法對圖1所示圖像的分割結(jié)果，可以看出，所有圖像都未能正確分割.這一結(jié)果表明，大津法不適合處理自然光條件下拍攝的大田作物圖像.

圖5 大津法對圖1中圖像的處理結(jié)果Fig.5 Processing results of the images in figure 1using the Otsu method

4.3 基于可見光譜因子的識別結(jié)果

經(jīng)過實驗，可見光譜因子法可以正確識別大部分圖像中的綠色植物，但也存在部分無法正確識別的圖像，其中ExG 無法正確處理背景含有麥秸的圖像，EXGR 和COM 無法正確處理背景中含有麥秸和灰燼的圖像，部分處理結(jié)果如圖6所示.VEG 則無法正確處理圖1中的所有圖像.

圖6 基于可見光譜因子方法的部分識別結(jié)果Fig.6 Some of the recognition results using methods of the visible spectral index

5 結(jié)束語

針對野外拍攝的大田作物長勢監(jiān)控圖像由于受光照強(qiáng)度、背景等影響難以正確識別問題，對大田作物長勢監(jiān)控圖像中綠色植物的識別方法行了初步探索.使用基于帶通濾波和綠色因子的方法實現(xiàn)了綠色植物的識別.實驗結(jié)果表明，本方法能夠正確識別大田作物長勢監(jiān)控圖像中的綠色植物，比其他識別方法更能適應(yīng)野外大田環(huán)境造成的亮度變化和復(fù)雜背景.

［1］ 王鳳花，張淑娟.精細(xì)農(nóng)業(yè)田間信息采集關(guān)鍵技術(shù)的研究進(jìn)展［J］.農(nóng)業(yè)機(jī)械學(xué)報，2008，39（5）：112－121.

［2］ EMANUELE P，GIACAMO C，ERIKA P，et al.Drivers of precision agriculture technologies adoption：a literature review［J］.Procedia Technology，2013，8：61－69.

［3］ 張健欽，屈平，鄺樸生.計算機(jī)視覺技術(shù)在雜草識別中的應(yīng)用研究進(jìn)展［J］.河北大學(xué)學(xué)報：自然科學(xué)版，2002，22（4）：410－414.ZHANG Jianqin，QüPing，KUANG Pusheng.Advance on research and appcication of computer vision teohnique to weed sensing［J］.Journal of Hebei Universitg：Natural Science Edition，2002，22（4）：410－414.

［4］ YU Zhenghong，CAO Zhiguo，WU Xi，et al.Automatic image－based detection technology for two critical growth stages of maize：Emergence and three－leaf stage［J］.Agricultural and Forest Meteorology，2013，174－175：65－84.

［5］ XIANG Haitao，TIAN Lei.An automated stand－alone in－field remote sensing system（SIRSS）for in－season crop monitoring［J］.Computers and Electronics in Agriculture，2011，78（1）：1－8.

［6］ GREGORY D，F(xiàn)REDERIC B，PIERRE D.Remotely sensed green area index for winter wheat crop monitoring：10－Year assessment at regional scale over a fragmented landscape［J］.Agricultural and Forest Meteorology，2012，166－167：156－168.

［7］ YANG Chenghai.A high－resolution airborne four－camera imaging system for agricultural remote sensing［J］.Computers and Electronics in Agriculture，2012，88：13－24.

［8］ MA Yuping，WANG Shili，ZHANG Li，et al.Monitoring winter wheat growth in North China by combining a crop model and remote sensing data［J］.International Journal of Applied Earth Observation and Geoinformation，2008，10（4）：426－437.

［9］ LEE K LEE B.Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis［J］.European Journal of Agronomy，2013，48：57－65.

［10］ DANIEL G，F(xiàn)ERNANDEZ P，DAVID E，et al.A digital image－processing－based method for determining the crop coefficient of lettuce crops in the southeast of Spain［J］.Biosystems Engineering，2014，117：23－34.

［11］ WANG Jing，LI Xin，LU Ling，et al.Estimating near future regional corn yields by integrating multi－source observations into a crop growth model［J］.European Journal of Agronomy，2013，49：126－140.

［12］ 張志斌，羅錫文，臧英，等.基于顏色特征的綠色作物圖像分割算法［J］.農(nóng)業(yè)工程學(xué)報，2011，27（7）：183－189.ZHANG Zhibin，LUO Xiwen，ZANG Ying，et al.Segmentation algorithm based on color feature for green crop plants［J］.Transactions of the CSAE，2011，27（7）：183－189.

［13］ MONTALVO M，GUERRERO J，ROMEO J，et al.Automatic expert system for weeds／crops identification in images from maize fields［J］.Expert Systems with Applications，2013，40（1）：75－82.

［14］ ROMEO J，PAJARES G，MONTALVO M，et al.A new expert system for greenness identification in agricultural images［J］.Expert Systems with Applications，2013，40（6）：2275－2286.

［15］ JOSE M，CHAVES G，MIGUEL A，et al.Detecting skin in face recognition systems：A colour spaces study［J］.Digital Signal Processing，2010，20（3）：806－823.