韋波（廣西機電職業(yè)技術(shù)學(xué)院計算機與信息工程系，廣西南寧530007）

?

基于顏色和形狀的茶葉計算機識別研究

韋波
（廣西機電職業(yè)技術(shù)學(xué)院計算機與信息工程系，廣西南寧530007）

摘要：本文先對茶葉圖像采集進(jìn)行了簡要介紹，再從茶葉顏色和形狀特征分析、以顏色特征為基礎(chǔ)的茶葉葉片圖像分割、以形狀特征為基礎(chǔ)的嫩芽提取這三個方面對茶葉嫩芽識別方法作了具體分析，最后對計算機識別茶葉形狀作了闡述，以期為相關(guān)研究提供一定的參考意見。

關(guān)鍵詞：茶葉；計算機識別；顏色；形狀

目前我國對茶葉顏色和形狀的計算機識別研究還相對較少，更多的都是將計算機識別這一方式運用于田間雜草識別或者植物葉片的形狀識別之上。因此，加強對茶葉顏色、形狀及其各方面特征進(jìn)行計算機識別研究就顯得尤為必要。

1　茶葉圖像采集

用索尼（R）DSC系列T900型號的相機在白色背景下拍攝一幅陜西省西鄉(xiāng)縣所盛產(chǎn)的“午子仙毫”照片，拍攝時間在清明期間，并且在拍攝過程中，相機是正對著枝條的，茶葉的枝條也是朝上的。所拍攝圖像的尺寸為：521×521（像素）。

1.1在顏色和形狀基礎(chǔ)上所進(jìn)行的茶葉計算機識別研究

1.1.1茶葉顏色和形狀特征分析

圖1

圖片說明：圖1（a）為原始的彩色圖像；圖1（b）為紅色的R分量圖像；圖1（c）為綠色的G分量圖像；圖1（d）為藍(lán)色的B分量圖像。

如上圖1（a）所示，是所采集到的茶葉枝條的彩色圖像，通過觀察可知，茶葉的新葉顏色比較淺，其G分量特征也較為明顯。而圖1 （b）、圖1（c）和圖1（d）分別為所提取的R分量圖像、G分量圖像和B分量圖像。從圖中可以看出，在G分量圖像中，是能夠清晰地分便出新葉和老葉的，R分量圖像的可辨別性就稍微欠缺，B分量圖像是很難進(jìn)行新老葉分辨的。所以，在對彩色圖像進(jìn)行灰度圖像轉(zhuǎn)換時，僅需提取G分量即可，直接將R分量和B分量省去。

通過對灰度直方圖的觀察可知，圖中一共有四個波峰，在50級附近有兩個，150級有一個，180級有一個。因為前面兩個波峰之間相距較近，并且其跨度也比較小，為了使計算更加簡化，于是，便將其近似地看成一個波峰，直接將第二個波峰忽略掉，但是灰度值仍舊采用第一個波峰的，即50級?；叶戎档牡谝粋€波峰的左側(cè)，也就是0—50級這一區(qū)間，其像素對應(yīng)的是圖1（c）中老葉片與葉柄這兩個部位。灰度值處在第一個波峰與第二個波峰之間，即50—150級這一區(qū)間，其像素所對應(yīng)的是圖1（c）中嫩葉與部分葉脈的部位?；叶戎堤幵诘诙€波峰右側(cè)，即大于150級的這一區(qū)間，其像素對應(yīng)的圖是圖1 （c）中灰色背景部位。并且都集中在最右波峰，即180級處。

基于茶葉形狀特征分析，圖1中，縱向觀察，所有新葉（a）（嫩芽也包括在其中）通常都處于一個高水平位置，葉片較為細(xì)長，但寬度窄于老葉。鮮嫩的芽尖部位是這一整幅圖像至高點，兩邊各有一片新葉，故此，也常稱之為“兩瓣一心”?！耙恍摹奔此^的嫩芽中心，“兩瓣”則是指分布在嫩芽這一中心兩側(cè)的兩片新葉。在人工進(jìn)行高質(zhì)量茶葉的采摘時，因為這兩瓣新葉的質(zhì)量相對較低，所以通常都只采集其中的“一心”，而不采集“兩瓣”。本文就是利用計算機圖像對比處理法對“一心”進(jìn)行位置識別，以為研究自動化材質(zhì)的高質(zhì)量茶葉采摘設(shè)備提供一定的理論依據(jù)和技術(shù)支持。

1.1.2以顏色特征為基礎(chǔ)進(jìn)行的茶葉葉片圖像分割

在進(jìn)行老新葉分割時，通常采用閾值分割法，其分割結(jié)果大多由閾值大小決定。針對分割閾值的比較和確定方面，我國的研究成果還比較多。從上文對茶葉顏色所做的討論分析可以知道，在整個嫩芽初識、辨認(rèn)過程中，存在兩個極為關(guān)鍵的閾值。如下，是在灰度直方圖存在多峰值基礎(chǔ)上提出的雙閾值的確定方法。

設(shè)圖像的灰度級為M，其中，灰度級是i的這一像素點的數(shù)量是ni，那么，總體像素的數(shù)量則為：

首先，選?。∕/2）當(dāng)作硬閾值，對圖像灰度級進(jìn)行分級，分為高灰度值和低灰度值這兩個部分。

其次，當(dāng)灰度級的區(qū)域灰度值處于（0，M/2）范圍時，可求出包含了像素最大點的對應(yīng)灰度級t1，如下：

最后，同理可知，在灰度級是（M/2，M-1）這一高灰度值區(qū)域，可求出包含了最多像素點的相應(yīng)灰度級t2，如下：

上述式子中，t2為圖中表示的相應(yīng)閾值T2。

結(jié)合圖1（c）中所表示的圖像，通過上述的算法，可以得出，閾值T1為59，閾值T2為182?？梢?，這與視覺觀察分析所得出的結(jié)果是完全一致的。用閾值為59的T1對圖1（c）中所示的圖像加以分割，便可提取出低于閾值的相應(yīng)灰度圖像。為了使后續(xù)處理更加方便，再對其進(jìn)行一次二值化處理，便可對老葉進(jìn)行完整分割。

2　以形狀特征為基礎(chǔ)的嫩芽提取

詳細(xì)對比分析可知，囊括所有嫩芽在內(nèi)的新芽部分是指從老葉邊緣往上計算的所有部分。所以，可以通過葉片邊緣的整體輪廓進(jìn)行提取。首先，就是要對老葉上邊緣的輪廓進(jìn)行提取。具體提取方法如下：

第一步，將圖像左下角定為坐標(biāo)原點，默認(rèn)是（0，0）。

第二步，以圖象的左上角作為掃描起點，對整體圖象進(jìn)行逐一詳細(xì)地掃描，直到將老葉的葉片上邊緣輪廓清晰檢測出來為止，檢測出來之后，記下該點坐標(biāo)的精確值。對老葉邊緣輪廓進(jìn)行確定的具體方法如下：

上述式子中，B（i）是指所記錄的縱向第i列邊緣的相應(yīng)坐標(biāo)值，如果該縱列中，沒有出現(xiàn)邊緣輪廓像素，則可將其記錄成0。

而所指的Tbw（j，i）是圖中j行列i所顯示的像素精確值，其中，1代表的背景為白色，而0則代表葉子為黑色。

消減運算完成之后，便可得知老葉邊緣的具體輪廓，此輪廓表示的是老、新葉的分割分界線，在該輪廓線外延的部分均為新葉。

如下圖2所示，為分割出的結(jié)果。由圖可知，新葉已經(jīng)被分割完全了。通過對比進(jìn)行分析可知，茶葉中心的葉柄是因其這些突變點的最主要因素，并不會對新葉外圍輪廓的檢測造成影響，所以，在此處，完全可以不用進(jìn)行消噪處理，這樣一來，計算機的運行時間就能得到大幅度縮減。

圖2　被分割出來的新葉

最后運用類似的老葉邊緣輪廓檢測法對圖2進(jìn)行掃描檢測，提取出新葉的具體邊緣。圖2所示的圖像為灰度圖像，其像素值在0-225這一區(qū)間當(dāng)中。其具體的計算方法如下。

默認(rèn)左下角為坐標(biāo)原點（0，0），從坐標(biāo)原點開始對圖2中的圖像的進(jìn)行精確掃描，觀察圖2可知，其左右兩邊都沒有葉片，為了使計算量減少，只需對第20～（512-20）列進(jìn)行處理即可，直到將新葉葉片的上邊緣檢測出來為止，然后記下該處的具體坐標(biāo)值，再對其加以計算。

接下來，便可對其中心“一心”部位進(jìn)行提取，具體操作方法如下所示。

首先，在對葉片形狀進(jìn)行比對分析的基礎(chǔ)上，抽取至高點，也就是抽出茶葉頂端，即鮮嫩茶葉的芽尖部位。具體統(tǒng)計方法如下：

上述式子中，P（i）是指由計算分析所得出的至高點的坐標(biāo)精確值。

其次，根據(jù)所求出的P（i）所相應(yīng)的列朝著兩側(cè)水平移動，并計算出嫩芽根部的精確縱坐標(biāo)，如下：

上述式子中，P'（i）為嫩芽左側(cè)根部的縱坐標(biāo)值，P'2（i）為嫩芽右側(cè)根部的縱坐標(biāo)值。

最后，可得出，“一心”根部的縱坐標(biāo)值為：

3　結(jié)束語

實驗的結(jié)果表明，在對茶葉的顏色特征進(jìn)行提取時，能夠?qū)⑿氯~與老葉差異清晰區(qū)分出來的是茶葉葉片的綠色分量圖。在顏色特征基礎(chǔ)上計算出來的閾值能夠?qū)先~圖像進(jìn)行分割。對茶葉嫩芽的形狀特征進(jìn)行分析之后，提取出其他將要對比的茶葉邊緣具體輪廓，便能夠完整地識別出茶葉嫩芽所在位置，并且其準(zhǔn)確率相對較高，能夠達(dá)到94%，每幅圖像的計算耗時約為0.45s，能夠在一定程度上滿足實時識別要求。

參考文獻(xiàn)

[1]汪建,杜世平.基于顏色和形狀的茶葉計算機識別研究[J].茶葉科學(xué),2011,06.

[2]楊福增,楊亮亮,田艷娜,楊青.基于顏色和形狀特征的茶葉嫩芽識別方法[J].農(nóng)業(yè)機械學(xué)報,2010,S1.

作者簡介：韋波（1983-），男，壯族，廣西柳江人，本科，講師、工程師，研究方向：計算機技術(shù)應(yīng)用。