大豆植株分杈數(shù)自動(dòng)提取算法研究

姚遠(yuǎn) 孟金慧 李向陽(yáng)

摘要? ? 根據(jù)大豆植株分杈個(gè)數(shù)可以預(yù)估大豆的產(chǎn)量。為了滿足現(xiàn)代農(nóng)業(yè)預(yù)測(cè)農(nóng)產(chǎn)品產(chǎn)量的需要，本文提出一種大豆植株分杈數(shù)自動(dòng)提取算法，即首先將采集到的大豆植株圖片進(jìn)行灰度變換、濾波、閾值分割得到二值圖像，再進(jìn)行形態(tài)學(xué)中的閉運(yùn)算操作得到大豆植株的輪廓，然后基于Zhang并行快速細(xì)化算法提取骨架，最后借助改進(jìn)的角點(diǎn)檢測(cè)算法對(duì)大豆植株的所有分杈點(diǎn)進(jìn)行標(biāo)記并自動(dòng)統(tǒng)計(jì)分杈數(shù)，仿真結(jié)果與大豆植株實(shí)際分杈點(diǎn)一致。

關(guān)鍵詞? ? 大豆植株;分杈數(shù)提取;角點(diǎn)檢測(cè);快速細(xì)化

中圖分類(lèi)號(hào)? ? S565.1? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼? ? A? ? ? ? 文章編號(hào)? ?1007-5739（2019）11-0006-03

Abstract? ? The number of soybean plants can predict the yield of soybean. In order to meet the needs of prediction for the agricultural production in modern agriculture，this paper proposed an automatic extraction algorithm for soybean plant tiller number.Firstly，the collected soybean plants were subjected to gradation transformation，filtering and threshold segmentation to obtain a binary image;secondly，the closed operation in morphology was performed to obtain the outline of the soybean plant，and the skeleton was extracted based on the Zhang parallel rapid refinement algorithm;thirdly，all the tillers of soybean plants were marked and the number of branches automatically counted by using the improved corner detection algorithm.The simulation results are consistent with the actual tillering points of soybean plants.

Key words? ? soybean plant;tiller number extraction;corner detection;rapid refinement

隨著現(xiàn)代農(nóng)業(yè)的發(fā)展以及與信息學(xué)科間的不斷融合，圖像處理技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用越來(lái)越多并得到廣泛運(yùn)用，既節(jié)約了勞動(dòng)力，又降低了勞動(dòng)成本，極具應(yīng)用前景[1-2]。大豆是世界上重要的糧油作物，也是人類(lèi)優(yōu)質(zhì)蛋白的主要來(lái)源。作為我國(guó)進(jìn)口量最大的農(nóng)產(chǎn)品，大豆的產(chǎn)業(yè)鏈和價(jià)值鏈在農(nóng)產(chǎn)品貿(mào)易和國(guó)家糧食安全方面的作用舉足輕重。因此，借助圖像處理技術(shù)進(jìn)行大豆產(chǎn)量的預(yù)測(cè)具有極大的理論研究和實(shí)際應(yīng)用價(jià)值。

大豆植株分杈的多少影響大豆的產(chǎn)量，當(dāng)前大豆植株分杈數(shù)主要依靠人工方法進(jìn)行統(tǒng)計(jì)。骨架是圖像物體形態(tài)非常重要的拓?fù)浔硎?，是?duì)圖像做特征提取、形狀分析以及模式識(shí)別應(yīng)用的前提[3]，相關(guān)專家學(xué)者在作物行識(shí)別和骨架提取導(dǎo)航方面做了大量的研究工作。刁智華等[4]對(duì)小麥作物行提取骨架采用了細(xì)化算法，之后再對(duì)其進(jìn)行直線擬合作為導(dǎo)航路徑，該算法的優(yōu)點(diǎn)在于能快速、準(zhǔn)確地將田間作物行的骨架提取出來(lái)。袁? 池等[5]提出果樹(shù)行中心線檢測(cè)算法，能夠快速有效地把果樹(shù)行中心線提取出來(lái)。孟慶寬等[6]在玉米作物行圖像的基礎(chǔ)上，研究出了一種作物行中心線檢測(cè)方法，該算法是基于線性相關(guān)系數(shù)約束提出來(lái)的，提取作物行中心線的效率非常高;孟慶寬等[7]在第2年又提出一種新的直線檢測(cè)算法，該算法不僅能夠準(zhǔn)確地識(shí)別出作物行，而且抗干擾性強(qiáng)，具有非常高的應(yīng)用價(jià)值。賈挺猛等[8]運(yùn)用Rosenfeld細(xì)化算法把提取葡萄樹(shù)枝圖像的骨架提取出來(lái)，該算法較好地維持了葡萄樹(shù)枝原來(lái)的形狀。王松偉等[9]提出的骨架提取算法能較好地留存目標(biāo)的主要形狀，極大地提高了運(yùn)算速率。而Sarkar等[10]為了表述圖像的紋理特征，提出分形維數(shù)差分計(jì)盒算法。張立國(guó)等[11]提出一種基于小波包和數(shù)學(xué)形態(tài)學(xué)結(jié)合的圖像特征提取方法對(duì)圖像進(jìn)行特征提取及邊緣檢測(cè)，仿真表明，該算法可以有效地提取圖像特征及檢測(cè)出更清晰的邊緣。陳雪松等[12]為了提取目標(biāo)物特征，采用了二值圖像的像素骨架勢(shì)能方法。角點(diǎn)是圖像中的重要局部特征，其像素點(diǎn)灰度變化劇烈，是圖像研究中最常見(jiàn)的一類(lèi)特征點(diǎn)[13-14]。其中，Harris角點(diǎn)算法計(jì)算簡(jiǎn)單、提取均勻、旋轉(zhuǎn)不變性、具有較高的穩(wěn)定性以及魯棒性[15]，在實(shí)際中應(yīng)用最廣。

本文借助MTALAB仿真工具，基于Zhang并行快速細(xì)化算法提取骨架，借助改進(jìn)的Harris角點(diǎn)檢測(cè)算法對(duì)大豆植株的分杈點(diǎn)進(jìn)行自動(dòng)標(biāo)記及自動(dòng)統(tǒng)計(jì)，從而為現(xiàn)代農(nóng)業(yè)提供服務(wù)。

1? ? 材料與方法

1.1? ? 供試材料

本文以大豆植株作為研究對(duì)象，用手機(jī)拍攝獲取大豆植株圖像，拍攝時(shí)間為2017年11月，拍攝圖片輸出為24位RGB彩色圖像。

1.2? ? 基于Zhang并行快速細(xì)化骨架提取

二值圖像的細(xì)化在圖形文字識(shí)別、圖像數(shù)據(jù)壓縮和線狀目標(biāo)自動(dòng)跟蹤等方面均有應(yīng)用，其算法有經(jīng)典細(xì)化算法、Deutsch算法、Pavlidis異步細(xì)化算法、Zhang并行快速細(xì)化算法等。其中，Zhang并行快速細(xì)化算法與其他算法相比具有速度快和保持細(xì)化后曲線的連通性等優(yōu)點(diǎn)[16]。因此，本文用該算法提取骨架。

1.3? ? 改進(jìn)的Harris角點(diǎn)檢測(cè)算法

Harris角點(diǎn)檢測(cè)原理是利用移動(dòng)的窗口在圖像中計(jì)算灰度變化值，其關(guān)鍵流程為灰度圖像→計(jì)算差分圖像→高斯平滑→計(jì)算局部極值→確認(rèn)角點(diǎn)[17]。

可以把灰度變化用函數(shù)表示為：

式中：E（u，v）表示圖像窗口內(nèi)的像素灰度;w（x，y）表示窗口函數(shù)，I（x，y）表示圖像灰度函數(shù)。

可借助式（1）找到使E值盡可能大的像素點(diǎn)，進(jìn)而確定角點(diǎn)的位置。在此，先不考慮其窗口函數(shù)，將等式右邊泰勒公式展開(kāi)：

得到

其中，Ix和Iy分別表示圖像x方向和y方向的梯度。矩陣M的特征值跟圖像的角點(diǎn)、平面判定和邊緣有一定的關(guān)系。

在實(shí)際應(yīng)用中，為了簡(jiǎn)化計(jì)算，定義了一個(gè)角點(diǎn)響應(yīng)函數(shù)：

式中，k是某常數(shù)，取值范圍一般為0.04～0.06[18];det（M）表示矩陣 M 的行列式;trace（M）表示矩陣M的跡。

如果目標(biāo)像素點(diǎn)計(jì)算的R角點(diǎn)響應(yīng)函數(shù)值大于預(yù)先設(shè)定的閾值，并且計(jì)算出的R角點(diǎn)函數(shù)值為局部最大值，則把該像素點(diǎn)當(dāng)作候選角點(diǎn)。R值與角點(diǎn)的判定關(guān)系如圖1所示。圖中，邊緣區(qū)域（Edge），R角點(diǎn)響應(yīng)函數(shù)值小于0;平坦區(qū)域（Flat），R角點(diǎn)響應(yīng)函數(shù)值是大數(shù)值負(fù)數(shù);角點(diǎn)區(qū)域（Corner），R角點(diǎn)響應(yīng)函數(shù)值為大數(shù)值正數(shù)。

該算法的穩(wěn)定性和k取值有關(guān)，但是k是個(gè)經(jīng)驗(yàn)值，不好直接判斷，浮動(dòng)范圍也有可能較大[19]。因此，本文采用了改進(jìn)版的Harris角點(diǎn)檢測(cè)算法來(lái)檢測(cè)提取后的骨架，此方法的主要思路是在原來(lái)Hsrris算法的基礎(chǔ)上直接計(jì)算出2個(gè)特征值，通過(guò)比較2個(gè)特征值來(lái)進(jìn)行直接分類(lèi)。這樣做就能簡(jiǎn)化步驟，不用計(jì)算Harris角點(diǎn)響應(yīng)函數(shù)，也不用估算k值，這樣不僅簡(jiǎn)化了過(guò)程，而且提升了運(yùn)算速率。另一方面，原始算法對(duì)檢測(cè)到的角點(diǎn)進(jìn)行非極大值抑制處理，再對(duì)檢測(cè)到的候選角點(diǎn)進(jìn)行閾值處理，若小于閾值則刪除。原始Harris角點(diǎn)檢測(cè)算法的檢測(cè)效果過(guò)于依賴于閾值的設(shè)定，當(dāng)設(shè)定的閾值較小時(shí)，會(huì)出現(xiàn)大量的偽角點(diǎn);當(dāng)設(shè)定閾值較大時(shí)，會(huì)有許多漏檢角點(diǎn)。因此，在本文算法中，不再用非極大值抑制，而選擇用容忍距離，既簡(jiǎn)化了步驟，又避免了閾值大小問(wèn)題對(duì)試驗(yàn)結(jié)果造成的影響，計(jì)算復(fù)雜度降低。該改進(jìn)算法首先要做的就是選取一個(gè)具有最大、最小特征值的點(diǎn)作為角點(diǎn)，然后在這個(gè)選定角點(diǎn)的基礎(chǔ)上依次按照最大、最小特征值順序依次搜尋余下的角點(diǎn)，如果搜尋到的角點(diǎn)和前一搜尋到的角點(diǎn)距離在容忍距離內(nèi)，那么這個(gè)新角點(diǎn)被忽略，不作計(jì)數(shù)。以此方法一直到搜尋完整個(gè)骨架為止。

2? ? 結(jié)果與分析

圖像仿真分析處理的計(jì)算機(jī)配置為Intel（R）Core（TM）i5， 2.5GHz，4G內(nèi)存;軟件為MATLAB以及Microsoft Visual C++下的opencv應(yīng)用程序框架。首先將采集的大豆植株圖像進(jìn)行灰度變換，再進(jìn)行二值圖像處理，實(shí)現(xiàn)圖片與背景的有效分割。本文采用閾值法對(duì)大豆植株灰度圖進(jìn)行二值化處理[20-21]，在閾值為107.64時(shí)二值化效果最好，實(shí)現(xiàn)了大豆植株與背景的有效分割，如圖2（a）所示。經(jīng)過(guò)濾波和二值化處理后的大豆植株圖像行間仍然存在少許噪聲，于是對(duì)圖像進(jìn)行腐蝕、膨脹運(yùn)算[22]。其中，對(duì)圖像進(jìn)行運(yùn)算的方形結(jié)構(gòu)元素有效去除了小噪聲，而對(duì)圖像進(jìn)行運(yùn)算的線性結(jié)構(gòu)元素很有效地連接了植株間的間斷區(qū)域，得到的大豆植株輪廓圖像噪聲有了較明顯的消除，如圖2（b）所示。

經(jīng)處理后的圖片再進(jìn)行上述Zhang并行快速細(xì)化處理，運(yùn)算后得到的圖像如圖3（b）所示。與圖3（a）對(duì)比可知，骨架提取較清晰，由于圖片用手機(jī)拍攝，為非高清圖片，所以存在一定誤差。得到圖片骨架之后用上述角點(diǎn)檢測(cè)算法來(lái)檢測(cè)節(jié)點(diǎn)，并在原圖中標(biāo)注出來(lái)。本文取容忍距離為50時(shí)，可以達(dá)到最好的效果，在原圖中標(biāo)記的最終效果如圖4所示，試驗(yàn)結(jié)果與大豆植株分杈點(diǎn)一致。

3? ? 結(jié)論與討論

試驗(yàn)結(jié)果表明，該算法能去除大量偽角點(diǎn)和不必要角點(diǎn)簇，驗(yàn)證了改進(jìn)算法的有效性和實(shí)用性。本文對(duì)大豆植株進(jìn)行圖像采集、灰度化、二值化、濾波、消噪、形態(tài)學(xué)處理以及骨架提取和角點(diǎn)檢測(cè)，從而達(dá)到了植株分杈點(diǎn)自動(dòng)統(tǒng)計(jì)的目的，可為后續(xù)的大豆植株的自動(dòng)化識(shí)別研究提供研究依據(jù)，為預(yù)測(cè)大豆產(chǎn)量提供統(tǒng)計(jì)基礎(chǔ)。為了準(zhǔn)確地自動(dòng)統(tǒng)計(jì)大豆植株的分杈，基于三維圖像采集技術(shù)的植株自動(dòng)分杈統(tǒng)計(jì)是下一步的工作。

4? ? 參考文獻(xiàn)

[1] 李輝，滕桂法，張燕.數(shù)字圖像處理技術(shù)及其在農(nóng)業(yè)中的應(yīng)用研究[J].安徽農(nóng)業(yè)科學(xué)，2013，41（13）：6060-6061.

[2] 張書(shū)彥，張文毅，余山山，等.圖像處理技術(shù)在信息農(nóng)業(yè)中的應(yīng)用現(xiàn)狀及發(fā)展趨勢(shì)[J].江蘇農(nóng)業(yè)科學(xué)，2017，45（22）：9-13.

[3] 刁智華，吳貝貝，毋媛媛，等.基于圖像處理的骨架提取算法的應(yīng)用研究[J].計(jì)算機(jī)科學(xué)，2016，43（增刊1）：232-235.

[4] 刁智華，王會(huì)丹，宋寅卯.基于機(jī)器視覺(jué)的農(nóng)田機(jī)械導(dǎo)航線提取算法研究[J].農(nóng)機(jī)化研究，2015（2）：35-39.

[5] 袁池，陳軍，武濤，等.基于機(jī)器視覺(jué)的果樹(shù)行中心線檢測(cè)算法研究[J].農(nóng)機(jī)化研究，2013（3）：37-39.

[6] 孟慶寬，劉剛，張漫，等.基于線性相關(guān)系數(shù)約束的作物行中心線檢測(cè)方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（增刊1）：216-223.

[7] 孟慶寬，何潔，仇瑞承，等.基于機(jī)器視覺(jué)的自然環(huán)境下作物行識(shí)別與導(dǎo)航線提取[J].光學(xué)學(xué)報(bào)，2014，34（7）：172-178.

[8] 賈挺猛，荀一，鮑官軍，等.基于機(jī)器視覺(jué)的葡萄樹(shù)枝骨架提取算法研究[J].機(jī)電工程，2013，30（4）：501-504.

[9] 王松偉，李言俊，張科，等.一種快速的目標(biāo)骨架提取算法[J].紅外與激光工程，2009，38（4）：731-736.

[10] SARKAR N，CHAUDHURI B B.An efficient differential box-counting approach to compute fractal dimension of image[J].IEEE Transactions on Systems，Man and Cybernetics，1994，24（1）：115-120.

[11] 張立國(guó)，楊瑾，李晶，等.基于小波包和數(shù)學(xué)形態(tài)學(xué)結(jié)合的圖像特征提取方法[J].儀器儀表學(xué)報(bào)，2010，31（10）：2285-2290.

[12] 陳雪松，徐學(xué)軍.一種二值圖像特征提取的新理論[J].計(jì)算機(jī)工程與科學(xué)，2011，33（6）：31-36.

[13] 朱堅(jiān)民，李記崗，李孝茹，等.基于灰色絕對(duì)關(guān)聯(lián)度的角點(diǎn)檢測(cè)算法[J].儀器儀表學(xué)報(bào)，2014，35（6）：1230-1238.

[14] 陳萬(wàn)培，陳曉龍，范冠杰，等.加權(quán)SUSAN角點(diǎn)檢測(cè)算法穩(wěn)定性改進(jìn)研究[J].國(guó)外電子測(cè)量技術(shù)，2014，33（2）：53-57.

[15] SUN L，WANG S Q，XING J.An improved Harris corner detection algorithm for low contrast image[C]//東北大學(xué)，IEEE新加坡工業(yè)電子分會(huì)，IEEE哈爾濱控制系統(tǒng)分會(huì).第26屆中國(guó)控制與決策會(huì)議論文集.長(zhǎng)沙：《控制與決策》編輯部，2014.

[16] RIVARA M C，LEVIN C.A 3-D refinement algorithm suitable for adaptive and multigrid techniques[J].Communications in Applied Numerical Methods，1992，8（5）：281-290.

[17] 趙艷，江澤濤.一種改進(jìn)的Harris角點(diǎn)檢測(cè)算法[J].桂林電子科技大學(xué)學(xué)報(bào)，2017（5）：401-405.

[18] PAN H，ZHANG Y，LI C，et al.An adaptive Harris corner detection algorithm for image mosaic[J].Communications in Computer & Information Science，2014，484：53-62.

[19] YANG X，HUANG Y，F(xiàn)ENG G，et al.New corner detection algorithm of chessboard image for camera calibration[J].Chinese Journal of Scientific Instrument，2011，32（5）：1109-1113.

[20] RUSS，JOHN C，WOODS，et al.The Image Processing Handbook，2nd Ed.[J].Computers in Physics，2017，8（2）：177.

[21] ZHANG Y D，ZHU S M，LI L.Development of digital image processing system based on MATLAB[J].Advanced Materials Research，2014，971-973：1594-1597.

[22] GAO S.Research on medical image processing method based on the MATLAB[J].Lecture Notes in Electrical Engineering，2013，217：269-276.