趙明霞 呂致 郝雅潔 史維杰 胡欣宇 李富忠

摘 要：圖像處理作為計算機視覺技術必不可少的部分，成為眾多學者口中的熱點及難點。圖像分割是把圖像分成若干個特定、具有獨特性質(zhì)的區(qū)域并提出感興趣目標的技術和過程，目的是實現(xiàn)通過醫(yī)學領域的閾值分割方法以有效分割作物與背景。此次實驗以田間小麥圖像作為研究對象，通過多圖像進行預處理以及利用圖像分割技術中的閾值分割算法，從復雜的背景中提取出小麥。結果表明，閾值分割算法不僅可以提取出作物信息而且還有助于去除噪聲的影響。此次實驗為基于圖像識別及計算機視覺技術的農(nóng)田綠色作物識別技術研究提供了參考。

關鍵詞：圖像預處理;圖像增強;邊緣檢測;圖像分割;識別;閾值分割

中圖分類號：TP393文獻標識碼：A文章編號：2095-1302（2019）08-00-03

0 引 言

新時代之際，計算機視覺技術席卷而來?；跈C器視覺的圖像識別技術在農(nóng)業(yè)領域得到了廣泛應用。最初的圖像識別扮演著實用工具的角色，目的是將物理圖像轉(zhuǎn)換為數(shù)字圖像，而今天，圖像識別技術開始著重于機器層面上的智能識別。于農(nóng)業(yè)而言，十九大報告中指出：世界各國農(nóng)業(yè)的發(fā)展從最初的體力為主的農(nóng)業(yè)1.0，到農(nóng)業(yè)機械為主的農(nóng)業(yè)2.0，再到自動化裝備齊全的農(nóng)業(yè)3.0，直到現(xiàn)如今的以物聯(lián)網(wǎng)、人工智能等為主的農(nóng)業(yè)4.0。因此，怎樣通過有限的耕地資源生產(chǎn)出盡可能多的農(nóng)產(chǎn)品已成為我國農(nóng)業(yè)發(fā)展所面臨的一個重要問題。針對這一挑戰(zhàn)，基于圖像識別與圖像處理技術的農(nóng)作物識別、農(nóng)作物生長監(jiān)測等被眾多學者提出，已成為學術界研究的主流[1-6]。

圖像識別技術在被廣泛應用的同時，大家對于圖像的各項要求也越來越高，需求越來越多。同時，在我們使用手機、照相機等進行圖像拍攝、傳輸?shù)倪^程中，可能會導致斑點的產(chǎn)生，使得圖像模糊不清，此時便需要針對所處理的圖像進行去噪、圖像增強、圖像分割等操作[7];圖像分割技術中，若需要提取圖像的邊緣信息，則需要熟悉邊緣提取操作，而圖像識別技術的邊緣提取會涉及許多算法[8];若需要進行去除噪聲以及圖像孤立點的操作，則需要使用均值濾波、中值濾波[9]、形態(tài)學濾波[8]等;若數(shù)字圖像比較模糊，則需要通過圖像增強來提高圖像的清晰度，如直方圖均衡化[10]操作;我們也可以通過角點檢測[11]算法或者圖像壓縮[12]算法來簡化圖像數(shù)據(jù)，進而提取出有用的特征參數(shù)?？傊?，圖像分割技術應用廣泛。目前，國內(nèi)外學者仍然熱衷于圖像預處理相關算法的改進與完善，因而它并非十全十美，相關算法需要我們深度理解，盡自己所能去改進算法，為圖像處理技術創(chuàng)新盡自己的綿薄之力。

1 國內(nèi)外研究

現(xiàn)在幾乎每個人都有手機，手機上的攝像頭分辨率也在迅速提高。使用機器識別用手機拍攝的植物圖片顯然比使用其他傳感器收集數(shù)據(jù)更方便，更容易推廣?；趫D像處理的機器識別方法也成為近年來的研究熱點。

植物類型的視覺識別對植物學家來說可能很容易，但對機器來說，這是一項復雜且計算成本高昂的任務。Puja等[13]

設計了一種葉片識別系統(tǒng)，該系統(tǒng)是植物病害識別的前置步驟。作者使用了兩步算法，包括分割和分類。系統(tǒng)采用主成分分析法進行降維，支持向量機作為分類器，縮放不同大小的植物圖像。該方法的準確率為77.96%，可以通過加入更多的葉片特征來提高準確率。Lavania和Matey[14]設計了一種基于尺度不變特征變換的葉片識別方法，旨在避免人類參與特征提取過程。該方法利用尺度不變特征變換（SIFT）的關鍵描述符進行邊緣檢測和分類，采用平均投影算法作為第二種基于輪廓的邊緣檢測方法。他們以葉片圖像作為輸入，進行特征提取，之后進行關鍵點計算，并存儲計算出的關鍵點，然后與數(shù)據(jù)集中的葉片圖像進行匹配，從而進行植物分類。作者將該方法與基于SIFT和輪廓的邊緣檢測方法進行了對比，并將該方法與Flavia數(shù)據(jù)集進行了基于Zernike矩和定向梯度直方圖的植物識別研究，準確率為87.5%。

Salve等[15]利用Zernike矩和梯度方向直方圖（HOG）作為形狀描述符特征，在50種不同植物的數(shù)據(jù)集上對該方法進行了測試。首先對圖像進行預處理，然后應用Zernike矩和梯度方向直方圖進行特征提取。由于健壯性和特性持久性，HOG的性能優(yōu)于Zernike矩，報告準確率為84.66%。將上述特征與一些基于葉子的特征相結合，可以進一步改善其結果。另一項研究基于一種新的形狀描述符，他們使用周期小波描述符（PWD）創(chuàng)建了一個包含不同植物物種特征的數(shù)據(jù)庫，首先利用反向傳播神經(jīng)網(wǎng)絡對PWD特征進行訓練，然后對葉片進行識別，識別準確率[16]達90%。

還有一種基于形狀生長模式的物體識別技術，這項工作是對形狀進行膨脹，從而計算出具有重要特征的圖像的更新尺寸。這項工作被證明對噪音有彈性，但涉及到計算開銷和目標識別能力，且要求較高。文獻[17]提出了一種自動亮度調(diào)節(jié)系統(tǒng)，可用于更好地識別目標。這項工作通過獲取CIE實驗室空間的RGB和“L”分量來調(diào)整圖像的亮度，由模糊推理系統(tǒng)計算每個像素的調(diào)整系數(shù)。該工作聲稱圖像的自動亮度調(diào)節(jié)有助于更好地識別目標，可用于目標識別系統(tǒng)的預處理階段。

2 圖像分割技術原理

圖像分割是由圖像處理到圖像分析的關鍵步驟，一直以來都是圖像處理技術中的難點之一。時至今日借助各種理論模型提出的分割算法已達上千種，但如何高效地將特征目標從復雜的源圖像中分割出來始終是一個熱點話題。圖像分割的重要性和實用性在引起廣泛研究的同時，在自動式和交互式方面還提出了大量方法，如強度、顏色、紋理等。雖然在科學文獻中已出現(xiàn)了很多分割技術，基本可以分為基于圖像域的分割技術、基于物理的分割技術和基于特征空間的分割技術[18]，但圖像分割過程包括前期的圖像預處理、顏色特征的選擇、圖像分割算法的設計與圖像后處理。

2.1 圖像灰度化

我們可以將灰度圖像看作是灰度值介于黑色和白色之間的圖像，或者說是提取出不同顏色種類的不同程度的亮度值[19]。若是對彩色圖像進行灰度化，等價于將一幅彩色圖像轉(zhuǎn)化為灰度圖像的過程。比如大家平時接觸的黑白圖像就可以看作是灰度圖像。一般情況下，彩色圖像可以劃分為R，G，B三種分量（R為紅色分量，G為綠色分量，B為藍色分量），將其灰度化等價于使R，G，B三個分量相等的過程。我們?nèi)粘Ｉ钪兴吹降膱D像擁有不同的顏色是因為圖像的每一個像素點的灰度值是不同的，灰度值最大值為255，顯示為白色，灰度值最小值為0，顯示為黑色，灰度圖像每個像素點都有其對應的灰度值，大小在0～255之間?；叶然慕?jīng)典算法主要包括分量法、最大值法及加權平均法。

2.2 圖像平滑

若存在僅僅有一幀帶有噪聲的圖像，用以上方法則無法消除噪聲，由噪聲的特點可知其灰度與周圍灰度間存在明顯的灰度差，即我們所說的視覺障礙，因此圖像平滑（Image Smoothing）將是一個有效的工具。

圖像平滑又稱作平滑或者濾波，又或者平滑濾波。它屬于低頻增強的空間域濾波技術。圖像平滑是視頻信息處理與分析領域的一項傳統(tǒng)任務，其核心內(nèi)容或者難點在于將邊緣部分和噪聲部分進行區(qū)分，且僅僅去除噪聲。圖像能量具有高低頻之別，低頻部分的內(nèi)容是其有用信息的儲存之地，高頻部分則是噪聲以及邊緣信息的存儲段，因此在去除噪聲時，很容易將其邊緣信息一同消除，這就要求我們尋找一個適當?shù)姆椒▽崿F(xiàn)在去除噪聲的同時保留圖像的邊緣部分。

圖像平滑可分為空頻域以及頻域法兩大類。我們將濾波器理解為是一個含有加權系數(shù)的窗口，當需要濾波器進行平滑處理時，將其窗口置于圖像之上，通過該窗口即可觀察到處理得到的圖像。濾波器的種類繁多，主要包括6種濾波方法，即盒式濾波、均值濾波、高斯濾波、中值濾波、雙邊濾波以及引導濾波，其主要目的或者作用是去除圖像的噪聲以及提取出所需特征。

2.3 圖像閾值分割算法

圖像閾值分割作為圖像分割方法的一種經(jīng)典方法，具有操作簡化、性能較穩(wěn)定、運算速率高、準確率高等特點。主要思想是基于所選擇的灰度級數(shù)，從原圖像中分割出感興趣的目標物，或者將其劃分為不同部分[20]。在實驗中，選取合適的閾值進行圖像分割是實驗的難點，但因其計算需使用灰度值，因此使用簡單高效。如果原圖像目標與背景差異較大，全局閾值分割法是個很好的選擇;反之，若兩者差異不大或多個目標的灰度值相近，則可以選擇局部閾值或動態(tài)閾值分割法。

針對綠色作物圖像而言，將作物與土壤背景進行分割極其重要，它會受噪聲、光照等因素的影響。上述方法已較好地去除了部分噪聲影響，除此之外，我們還可以通過兩者間顏色、形狀及紋理的差異進行分割。Naidu等提出了一種利用螢火蟲優(yōu)化算法優(yōu)化模糊熵的多級圖像閾值分割方

法[21]。伍艷蓮等[22]在利用改進均值漂移算法的基礎上，獲取圖像顏色指數(shù)信息之后，將其與空間信息進行結合，最后進行Otsu閾值分割。閾值分割流程如圖1所示。

3 實驗分析

本次實驗，使用苗期小麥作為實驗目標，首先對圖像進行灰度處理?；叶忍幚淼娜N方法效果如圖2～圖4所示。

可以發(fā)現(xiàn)，對于本實驗而言，使用加權平均法較好，但在大多數(shù)情況下，我們選擇系統(tǒng)自帶灰度函數(shù)進行灰度化處理。圖像經(jīng)過灰度化、平滑等技術去除噪聲之后，使用閾值進行分割，其結果如圖5所示。

4 結 語

圖像分割算法眾多，基于閾值的圖像分割算法因為其高效的運算過程以及簡單的操作被廣泛應用到各個領域，但同時也存在不足，若是目標物與背景差異較小或者兩者灰度范圍重疊，則會發(fā)生過分割或者欠分割的情況;另外因其僅僅考慮灰度信息，抗噪性能差，從而導致其邊緣信息分割效果較差。總之，對于如何從復雜的背景之下獲取農(nóng)田作物的算法眾多，而選擇基于圖像識別技術進行提取，對圖像目標識別的精確度或者及時性要求較高，因此如何快速對綠色作物進行精準分割仍然是學術界研究的難點所在。

注：本文通訊作者為李富忠。

參 考 文 獻

[1]吳雪梅，程堯，韋龍琴.在Matlab環(huán)境中基于計算機視覺的番茄識別研究[J].農(nóng)業(yè)裝備技術，2005，21（4）：15-17.

[2]何東健，張海亮，寧紀鋒，等.農(nóng)業(yè)自動化領域中計算機視覺技術的應用[J].農(nóng)業(yè)工程學報，2002，18（2）：171-175.

[3]劉繼承.基于數(shù)字圖像處理技術的水稻長勢監(jiān)測研究[D].南京：南京農(nóng)業(yè)大學，2007.

[4]孫恩虹.基于數(shù)字圖像的棉花群體光合有效輻射的時空分布[D].北京：中國農(nóng)業(yè)科學院，2012.

[5]徐歆愷，郭楠，葛慶平，等.計算機視覺技術在作物形態(tài)測量中的應用[J].計算機工程與設計，2006，27（7）：1134-1148.

[6]滕光輝，李長纓.計算機視覺技術在工廠化農(nóng)業(yè)中的應用[J].中國農(nóng)業(yè)大學學報，2002，7（2）：62-67.

[7]張婭.基于Matlab的圖像處理[J].福建電腦，2018，34（12）：129.

[8]王紅君，施楠，趙輝，等. 改進中值濾波方法的圖像預處理技術

[J].計算機系統(tǒng)應用， 2015，24（5）：237-240.

[9]郭海濤，徐雷，趙紅葉，等.一種抑制聲吶圖像散斑噪聲的形態(tài)學濾波器[J].儀器儀表學報，2015，36（3）：654-660.

[10]? HSU W Y， CHOU C Y. Medical image enhancement using modified color histogram equalization [J]. Journal of medical & biological engineering，2015，35（5）：1-5.

[11] PAUL J，OECHSLEIN B，ERHARDT C，et al. Self-adaptive corner detection on MPSoC through resource-aware programming [J]. Journal of systems architecture，2015，61（10）：520-530.

[12]徐光憲，徐山強，郭曉娟，等. DCT變換與DNA運算相結合的圖像壓縮加密算法[J].激光技術，2015，39（6）：31-34.

[13] PUJA D， SARASWAT M， ARYA K. Automatic agricultural leaves recognition system [C]// In：Paper presented at the Proceedings of Seventh International Conference on Bio-Inspired Computing：Theories and Applications（BIC-TA 2012）.

[14] LAVANIA S，MATEY P S. Leaf recognition using contour based edge detection and SIFT algorithm [C]// In：Paper presented at the Computational Intelligence and Computing Research（ICCIC），2014 IEEE International Conference.

[15] SALVE P，SARDESAI M，MANZA R，et al. Identification of the plants based on leaf shape descriptors [C]// In：Paper presented at the Proceedings of the Second International Conference on Computer and Communication Technologies.

[16] ZENG Q，ZHU T，ZHUANG X，et al. Using the periodic wavelet descriptor of plant leaf to identify plant species [J]. Multimedia tools Appl.，2017，76（17）：17873-17890.

[17] EUN K K，HANSOO L，SUNGSHIN K，et al. Automatic brightness adjustment system by fuzzy inference system for object recognition [C]// Joint 17th World Congress of International Fuzzy Systems Association and 9th International Conference on Soft Computing and Intelligent Systems（IFSA-SCIS），27-30 June， Otsu，Japan，2017.

[18] MARTIN D，F(xiàn)OWLKES C，TAL D， et al. A database of human segmented natural images and its application to evaluating algorithms and measuring ecological statistics [Z]. ICCV.

[19]賀姣.基于色差模型的彩色圖像灰度化算法研究[D].西安：西安電子科技大學，2014.

[20]賈紅雯，曹丹華，武小紅，等.融合2DUDT與2DLDA人臉識別研究[J].南昌工程學院學報，2018，37（1）：45-48.

[21] NAIDU M S R，KUMAR P R.Multilevel image thresholding for image segmentation by optimizing fuzzy entropy using Firefly algorithm [J]. Int. J. Eng. Technol.，2017，9（2）：472-488.

[22]趙詩宇.圖像分割算法的分類與研究[J].科技風，2019（5）：58.