姚遠 孟金慧 李向陽

摘要? ? 根據(jù)大豆植株分杈個數(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)自動提取算法，即首先將采集到的大豆植株圖片進行灰度變換、濾波、閾值分割得到二值圖像，再進行形態(tài)學(xué)中的閉運算操作得到大豆植株的輪廓，然后基于Zhang并行快速細化算法提取骨架，最后借助改進的角點檢測算法對大豆植株的所有分杈點進行標記并自動統(tǒng)計分杈數(shù)，仿真結(jié)果與大豆植株實際分杈點一致。

關(guān)鍵詞? ? 大豆植株;分杈數(shù)提取;角點檢測;快速細化

中圖分類號? ? S565.1? ? ? ? 文獻標識碼? ? A? ? ? ? 文章編號? ?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)用越來越多并得到廣泛運用，既節(jié)約了勞動力，又降低了勞動成本，極具應(yīng)用前景[1-2]。大豆是世界上重要的糧油作物，也是人類優(yōu)質(zhì)蛋白的主要來源。作為我國進口量最大的農(nóng)產(chǎn)品，大豆的產(chǎn)業(yè)鏈和價值鏈在農(nóng)產(chǎn)品貿(mào)易和國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)進行大豆產(chǎn)量的預(yù)測具有極大的理論研究和實際應(yīng)用價值。

大豆植株分杈的多少影響大豆的產(chǎn)量，當前大豆植株分杈數(shù)主要依靠人工方法進行統(tǒng)計。骨架是圖像物體形態(tài)非常重要的拓撲表述，是對圖像做特征提取、形狀分析以及模式識別應(yīng)用的前提[3]，相關(guān)專家學(xué)者在作物行識別和骨架提取導(dǎo)航方面做了大量的研究工作。刁智華等[4]對小麥作物行提取骨架采用了細化算法，之后再對其進行直線擬合作為導(dǎo)航路徑，該算法的優(yōu)點在于能快速、準確地將田間作物行的骨架提取出來。袁? 池等[5]提出果樹行中心線檢測算法，能夠快速有效地把果樹行中心線提取出來。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方法，該算法是基于線性相關(guān)系數(shù)約束提出來的，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算法，該算法不僅能夠準確地識別出作物行，而且抗干擾性強，具有非常高的應(yīng)用價值。賈挺猛等[8]運用Rosenfeld細化算法把提取葡萄樹枝圖像的骨架提取出來，該算法較好地維持了葡萄樹枝原來的形狀。王松偉等[9]提出的骨架提取算法能較好地留存目標的主要形狀，極大地提高了運算速率。而Sarkar等[10]為了表述圖像的紋理特征，提出分形維數(shù)差分計盒算法。張立國等[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圖像進行特征提取及邊緣檢測，仿真表明，該算法可以有效地提取圖像特征及檢測出更清晰的邊緣。陳雪松等[12]為了提取目標物特征，采用了二值圖像的像素骨架勢能方法。角點是圖像中的重要局部特征，其像素點灰度變化劇烈，是圖像研究中最常見的一類特征點[13-14]。其中，Harris角點算法計算簡單、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]，在實際中應(yīng)用最廣。

本文借助MTALAB仿真工具，基于Zhang并行快速細化算法提取骨架，借助改進的Harris角點檢測算法對大豆植株的分杈點進行自動標記及自動統(tǒng)計，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象，用手機拍攝獲取大豆植株圖像，拍攝時間為2017年11月，拍攝圖片輸出為24位RGB彩色圖像。

1.2? ? 基于Zhang并行快速細化骨架提取

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

1.3? ? 改進的Harris角點檢測算法

Harris角點檢測原理是利用移動的窗口在圖像中計算灰度變化值，其關(guān)鍵流程為灰度圖像→計算差分圖像→高斯平滑→計算局部極值→確認角點[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，進而確定角點的位置。在此，先不考慮其窗口函數(shù)，將等式右邊泰勒公式展開：

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、平面判定和邊緣有一定的關(guān)系。

在實際應(yīng)用中，為了簡化計算，定義了一個角點響應(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。

如果目標像素點計算的R角點響應(yīng)函數(shù)值大于預(yù)先設(shè)定的閾值，并且計算出的R角點函數(shù)值為局部最大值，則把該像素點當作候選角點。R值與角點的判定關(guān)系如圖1所示。圖中，邊緣區(qū)域（Edge），R角點響應(yīng)函數(shù)值小于0;平坦區(qū)域（Flat），R角點響應(yīng)函數(shù)值是大數(shù)值負數(shù);角點區(qū)域（Corner），R角點響應(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是個經(jīng)驗值，不好直接判斷，浮動范圍也有可能較大[19]。因此，本文采用了改進版的Harris角點檢測算法來檢測提取后的骨架，此方法的主要思路是在原來Hsrris算法的基礎(chǔ)上直接計算出2個特征值，通過比較2個特征值來進行直接分類。這樣做就能簡化步驟，不用計算Harris角點響應(yīng)函數(shù)，也不用估算k值，這樣不僅簡化了過程，而且提升了運算速率。另一方面，原始算法對檢測到的角點進行非極大值抑制處理，再對檢測到的候選角點進行閾值處理，若小于閾值則刪除。原始Harris角點檢測算法的檢測效果過于依賴于閾值的設(shè)定，當設(shè)定的閾值較小時，會出現(xiàn)大量的偽角點;當設(shè)定閾值較大時，會有許多漏檢角點。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，既簡化了步驟，又避免了閾值大小問題對試驗結(jié)果造成的影響，計算復(fù)雜度降低。該改進算法首先要做的就是選取一個具有最大、最小特征值的點作為角點，然后在這個選定角點的基礎(chǔ)上依次按照最大、最小特征值順序依次搜尋余下的角點，如果搜尋到的角點和前一搜尋到的角點距離在容忍距離內(nèi)，那么這個新角點被忽略，不作計數(shù)。以此方法一直到搜尋完整個骨架為止。

2? ? 結(jié)果與分析

圖像仿真分析處理的計算機配置為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行灰度變換，再進行二值圖像處理，實現(xiàn)圖片與背景的有效分割。本文采用閾值法對大豆植株灰度圖進行二值化處理[20-21]，在閾值為107.64時二值化效果最好，實現(xiàn)了大豆植株與背景的有效分割，如圖2（a）所示。經(jīng)過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，于是對圖像進行腐蝕、膨脹運算[22]。其中，對圖像進行運算的方形結(jié)構(gòu)元素有效去除了小噪聲，而對圖像進行運算的線性結(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)處理后的圖片再進行上述Zhang并行快速細化處理，運算后得到的圖像如圖3（b）所示。與圖3（a）對比可知，骨架提取較清晰，由于圖片用手機拍攝，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檢測算法來檢測節(jié)點，并在原圖中標注出來。本文取容忍距離為50時，可以達到最好的效果，在原圖中標記的最終效果如圖4所示，試驗結(jié)果與大豆植株分杈點一致。

3? ? 結(jié)論與討論

試驗結(jié)果表明，該算法能去除大量偽角點和不必要角點簇，驗證了改進算法的有效性和實用性。本文對大豆植株進行圖像采集、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檢測，從而達到了植株分杈點自動統(tǒng)計的目的，可為后續(xù)的大豆植株的自動化識別研究提供研究依據(jù)，為預(yù)測大豆產(chǎn)量提供統(tǒng)計基礎(chǔ)。為了準確地自動統(tǒng)計大豆植株的分杈，基于三維圖像采集技術(shù)的植株自動分杈統(tǒng)計是下一步的工作。

4? ? 參考文獻

[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[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].計算機科學(xué)，2016，43（增刊1）：232-235.

[4] 刁智華，王會丹，宋寅卯.基于機器視覺的農(nóng)田機械導(dǎo)航線提取算法研究[J].農(nóng)機化研究，2015（2）：35-39.

[5] 袁池，陳軍，武濤，等.基于機器視覺的果樹行中心線檢測算法研究[J].農(nóng)機化研究，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方法[J].農(nóng)業(yè)機械學(xué)報，2013，44（增刊1）：216-223.

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

[8] 賈挺猛，荀一，鮑官軍，等.基于機器視覺的葡萄樹枝骨架提取算法研究[J].機電工程，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，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，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].計算機工程與科學(xué)，2011，33（6）：31-36.

[13] 朱堅民，李記崗，李孝茹，等.基于灰色絕對關(guān)聯(lián)度的角點檢測算法[J].儀器儀表學(xué)報，2014，35（6）：1230-1238.

[14] 陳萬培，陳曉龍，范冠杰，等.加權(quán)SUSAN角點檢測算法穩(wěn)定性改進研究[J].國外電子測量技術(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，IEEE哈爾濱控制系統(tǒng)分會.第26屆中國控制與決策會議論文集.長沙：《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.一種改進的Harris角點檢測算法[J].桂林電子科技大學(xué)學(xué)報，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.