基于MATLAB的玉米果穗顆粒統(tǒng)計(jì)方法

梁文東　蔣益敏

摘要：顆粒統(tǒng)計(jì)與自動(dòng)識(shí)別檢測(cè)在現(xiàn)代農(nóng)業(yè)中發(fā)揮關(guān)鍵作用，玉米果穗品質(zhì)好壞與顆粒多少呈正相關(guān)。計(jì)算機(jī)技術(shù)特別是圖像技術(shù)在玉米果穗中的應(yīng)用多樣化趨勢(shì)明顯，采用圖像分割技術(shù)對(duì)玉米果穗進(jìn)行顆粒統(tǒng)計(jì)能實(shí)現(xiàn)快速對(duì)玉米特征進(jìn)行識(shí)別。由于玉米果穗顆粒之間往往存在粘連現(xiàn)象，采用傳統(tǒng)分水嶺分割方法對(duì)玉米果穗進(jìn)行分割就會(huì)導(dǎo)致不能對(duì)粘連區(qū)域?qū)崿F(xiàn)良好分割。而改進(jìn)的分水嶺分割算法，引入擴(kuò)展極大值變換，既能避免過分割現(xiàn)象，又能實(shí)現(xiàn)對(duì)粘連區(qū)域的正確分割，本研究利用MATLAB對(duì)玉米果穗圖像進(jìn)行轉(zhuǎn)換、灰度化、濾波降噪、區(qū)域增強(qiáng)等一系列處理后，采用改進(jìn)的分水嶺分割算法，準(zhǔn)確實(shí)現(xiàn)玉米果穗顆粒統(tǒng)計(jì)。

關(guān)鍵詞：MATLAB；顆粒統(tǒng)計(jì)；分水嶺算法；玉米果穗

中圖分類號(hào)： S126文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2015）02-0406-03

收稿日期：2014-11-06

作者簡(jiǎn)介：梁文東（1971—），男，廣西崇左人，講師，主要從事多媒體技術(shù)、圖像處理應(yīng)用研究。E-mail：meilidemeng_feng@163.com。玉米果穗性狀參數(shù)測(cè)量是玉米作物遺傳育種過程中一個(gè)重要環(huán)節(jié)，傳統(tǒng)的人工測(cè)量，工序繁瑣，勞動(dòng)強(qiáng)度大，重復(fù)的手工計(jì)數(shù)更易使人眼疲勞，直接影響到檢測(cè)的準(zhǔn)確度和效率[1]。在信息技術(shù)高速發(fā)展的時(shí)代，計(jì)算機(jī)視覺技術(shù)與圖像處理技術(shù)得到快速發(fā)展，使計(jì)算機(jī)測(cè)量技術(shù)日趨成熟，已經(jīng)在農(nóng)作物育種、測(cè)產(chǎn)、品質(zhì)鑒定等方面廣泛應(yīng)用。玉米果穗性狀測(cè)量主要是對(duì)外觀品質(zhì)參數(shù)進(jìn)行測(cè)定，有穗長(zhǎng)、穗寬、穗行數(shù)、行粒數(shù)、穗粒數(shù)以及顏色、紋理[2]等。本研究以統(tǒng)計(jì)穗粒數(shù)為例，借助MATLAB圖像處理工具，采用擴(kuò)展極大值變換改進(jìn)分水嶺算法，實(shí)現(xiàn)玉米果穗圖像的顆粒統(tǒng)計(jì)。改進(jìn)分水嶺算法對(duì)中小型玉米育種與試驗(yàn)推廣機(jī)構(gòu)有很好的應(yīng)用推廣價(jià)值。

1玉米果穗圖的采集與處理

在對(duì)玉米果穗進(jìn)行顆粒計(jì)數(shù)前，需要設(shè)計(jì)合理的圖像采集系統(tǒng)，并按統(tǒng)一的拍攝參數(shù)進(jìn)行圖像采集，然后對(duì)圖像進(jìn)行灰度化、圖像增強(qiáng)和二值化等預(yù)處理[3]。

1.1玉米果穗圖像采集

玉米果穗分新鮮玉米和干燥玉米2種，以廣西農(nóng)業(yè)職業(yè)技術(shù)學(xué)院育種中心采收曬干后的玉米種子干燥果穗作為試驗(yàn)材料。玉米果穗圖像的采集通常有數(shù)碼相機(jī)拍攝和掃描儀實(shí)物掃描2種方法。實(shí)物掃描儀法由于玉米果穗體積大，常規(guī)掃描儀由于遮光蓋蓋不上，出現(xiàn)漏光，造成聚集不準(zhǔn)，圖像模糊。相機(jī)拍攝法簡(jiǎn)單實(shí)用，但受拍攝距離、角度、光照的影響較大，會(huì)產(chǎn)生更多的噪聲，增加了圖像預(yù)處理的難度。為減少采集過程中的噪聲引入，統(tǒng)一圖像標(biāo)準(zhǔn)，拍攝前需嚴(yán)格按照預(yù)先要求設(shè)置好相機(jī)參數(shù)，將數(shù)碼相機(jī)固定于離載物平臺(tái)40～50 cm高的支架上，垂直向下拍攝，獲取玉米果穗圖像。

1.2圖像預(yù)處理

由數(shù)碼相機(jī)采集而來的玉米果穗圖像是分辨率很高的彩色圖像，它由R、G、B 3個(gè)顏色分量構(gòu)成，數(shù)據(jù)量是灰度圖像的3倍，為使后續(xù)的圖像計(jì)算變得高效快捷，通常要進(jìn)行彩色和灰度之間的轉(zhuǎn)化?；叶葓D像又叫單色圖像，圖像中每個(gè)像素點(diǎn)的變化范圍為0～255，分別表示不同的深淺灰色[4]。在RGB色彩模型中，灰度圖像相當(dāng)于彩色圖像的一個(gè)顏色分量。由彩色圖像轉(zhuǎn)化為灰度圖像其實(shí)就是使彩色的R、G、B分量值相等的過程[5]。在MATLAB中可用圖形工具箱中的rgb2gray函數(shù)進(jìn)行轉(zhuǎn)換。

圖像采集過程中受拍攝距離、角度、光照的影響較大，產(chǎn)生的噪聲會(huì)直接影響到圖像識(shí)別的準(zhǔn)確率，需要根據(jù)噪聲產(chǎn)生的原因以及噪聲的統(tǒng)計(jì)特性和頻譜分布的不同，選擇合適的濾波算法，進(jìn)行圖像平滑。

平滑濾波在降低圖像噪聲的同時(shí)，也使圖像的邊界與輪廓變模糊，需要進(jìn)行圖像銳化處理，使得圖像邊緣更清晰[6]。MATLAB的圖像處理工具箱中提供imfilter（）和fspecial（）2個(gè)濾波相關(guān)函數(shù)，其中imfilter（）是濾波函數(shù)，fspecial（）是濾波器（濾波模板）生成函數(shù)，它根據(jù)不同的算子生成特定的濾波器，然后由imfilter（）函數(shù)完成濾波操作，實(shí)現(xiàn)圖像增強(qiáng)。本例中采用高斯-拉普拉斯算子（Laplacian of a Gaussian，LOG），拉普拉斯算子采用基于二階微分模板，對(duì)細(xì)節(jié)的響應(yīng)強(qiáng)烈，圖像銳化增強(qiáng)效果顯著。LOG算子是高斯平滑濾波與拉普拉斯算子的結(jié)合，銳化前先對(duì)原圖噪聲進(jìn)行平滑濾波，然后通過拉普拉斯算子銳化圖像邊緣，在噪聲平滑與邊緣強(qiáng)化中取得平衡。

二值圖像由黑和白組成，沒有中間灰度值，每個(gè)像素元素的取值非0即1。二值圖像能反映圖像的基本結(jié)構(gòu)特征，且數(shù)據(jù)量極小，運(yùn)算效率高，在進(jìn)行玉米果穗顆粒分割前需要進(jìn)行圖像二值化處理。圖像二值化根據(jù)事先設(shè)定的灰度閾值，掃描所有像素，將大于閾值的像素值全部置換為1，小于閾值的為0。因此，閾值是影響二值化效果的關(guān)鍵因素，閾值的確定通常有經(jīng)驗(yàn)法、直方圖谷底法、迭代法、最大類間方差法等。本研究按統(tǒng)一標(biāo)準(zhǔn)采集的玉米果穗圖像背景比較純凈，采用自動(dòng)閾值即可滿足識(shí)別要求。

2算法分析

2.1基于分水嶺的分割方法

由于分割目標(biāo)是玉米果穗，其顆粒粘連特征突出，采用普通分割算法較為困難，而采用分水嶺分割算法處理此類顆粒統(tǒng)計(jì)，效果較好?；诜炙畮X的分割方法屬于數(shù)學(xué)形態(tài)學(xué)的一種[7]，將圖像視為地質(zhì)學(xué)中的拓?fù)涞孛?，圖像的灰度值對(duì)應(yīng)地形的高度值，每一個(gè)局部極小值和對(duì)應(yīng)的影響區(qū)域稱為集水盆，集水盆的邊界就是分水嶺[8]。這一方法實(shí)質(zhì)上也是迭代標(biāo)注的過程，經(jīng)典算法由學(xué)者L. Vincent提出[9]。分水嶺算法先按照?qǐng)D像灰度值由小到大進(jìn)行排序，然后從小到大將每一個(gè)局部極小值對(duì)h階高度的影響按照先進(jìn)先出原則判定和標(biāo)注。為了快速得到圖像邊緣信息，輸入圖像一般選擇其梯度圖像。

分水嶺算法對(duì)輕微變化的圖案邊緣響應(yīng)強(qiáng)烈，能夠得到連續(xù)封閉的圖像邊緣。傳統(tǒng)分水嶺算法存在過度分割的缺點(diǎn)，噪聲，甚至物體表面灰度發(fā)生細(xì)微變化，都可能導(dǎo)致過分割的出現(xiàn)[10]。endprint

按照傳統(tǒng)分水嶺分割算法，對(duì)玉米顆粒進(jìn)行分割，需要處理成二值圖像。將分水嶺分割算法在玉米顆粒統(tǒng)計(jì)分析分割效果，對(duì)歐氏距離變換后的灰度圖像，玉米顆粒內(nèi)部局部極大值點(diǎn)并不唯一，說明部分顆粒內(nèi)部有多個(gè)極大值點(diǎn)存在，導(dǎo)致過分割產(chǎn)生。由此可見，傳統(tǒng)的分水嶺分割算法在玉米顆粒統(tǒng)計(jì)應(yīng)用上會(huì)形成失效。

2.2改進(jìn)分水嶺分割方法

為避免出現(xiàn)傳統(tǒng)分水嶺分割算法的過分割，本研究引入擴(kuò)展極大值變換，主要是在灰度圖像距離變換之后，采用適當(dāng)?shù)拈撝?，?duì)圖像繼續(xù)進(jìn)行擴(kuò)展極大值變換，從而對(duì)得到的二值圖像進(jìn)行分水嶺變換，這時(shí)分水嶺脊線和原圖像進(jìn)行有效疊加，從而實(shí)現(xiàn)過分割現(xiàn)象的消除。

2.2.1擴(kuò)展極大值變換事實(shí)上，擴(kuò)展極大值變換可以分成2步，第1步是采用H極大值變換，實(shí)現(xiàn)從灰度圖像當(dāng)中提取出和圖像目標(biāo)物相關(guān)局部極大值，從而將所有深度小于設(shè)定閾值h的極大值給抑制住，然后原始灰度圖像f膨脹可以從 f-h 中重構(gòu)實(shí)現(xiàn)，如公式1所示。

Hmaxh（f）=Rδf（f-h）。（1）

第2步采用擴(kuò)展極大值變換計(jì)算第1步變換對(duì)應(yīng)區(qū)域的極大值，從而得到二值標(biāo)記圖像，如“公式2”所示。

Emaxh（f）=Rmax[Hmaxh（f）]。（2）

2.2.2算法流程基于分水嶺的分割方法在引入擴(kuò)展極大值變換，從而實(shí)現(xiàn)算法的改進(jìn)，那么關(guān)鍵在于確定適當(dāng)?shù)拈撝担拍鼙苊膺^分割出現(xiàn)，正確實(shí)現(xiàn)對(duì)原始圖像的分割。而距離變換會(huì)導(dǎo)致灰度值出現(xiàn)小數(shù)，采用歸一化處理可以實(shí)現(xiàn)運(yùn)算精度的提高，這就是將變換之后的灰度值控制在0～1之內(nèi)。對(duì)連通區(qū)域標(biāo)記法實(shí)現(xiàn)計(jì)數(shù)，通過逐漸增加一步Δh來得到h最優(yōu)取值范圍，如果h超出范圍，則過分割仍會(huì)出現(xiàn)；而小于范圍，將導(dǎo)致顆粒碎片產(chǎn)生。

在對(duì)原二值圖像采用擴(kuò)展極大值變換得到的二值圖像統(tǒng)計(jì)顆粒的個(gè)數(shù)N1，分水嶺脊線和原圖像進(jìn)行有效疊加后，統(tǒng)計(jì)顆粒的個(gè)數(shù)N2，此時(shí)對(duì)于小尺寸顆粒也能較好進(jìn)行保留。當(dāng)閾值選擇較小時(shí)，可以實(shí)現(xiàn)玉米顆粒個(gè)數(shù)統(tǒng)計(jì)。具體算法流程見圖1。

2.2.3空洞填補(bǔ)圖像通常會(huì)因?yàn)檎障噙^程的原因，圖像灰度會(huì)出現(xiàn)一定程度的不均勻，這樣在圖像進(jìn)行分割后二值化圖像中就可能出現(xiàn)細(xì)微孔洞，需要對(duì)這類孔洞進(jìn)行填充。Matlab語(yǔ)言中imfill函數(shù)可以進(jìn)行孔洞填充，但是不能指定孔洞大小，這就有可能導(dǎo)致孔洞出現(xiàn)誤填充。下面對(duì)填充過程進(jìn)行處理，結(jié)合matlab中刪除小面積對(duì)象的函數(shù)bwareaopen，可以實(shí)現(xiàn)對(duì)填充的孔洞指定大小，就不需要使用專門的濾波器，減少了邊緣信息的損失。步驟如下：

（1）利用imfill函數(shù)填充所有孔洞；（2）將原始圖像反色，與填充所有孔洞后的圖像進(jìn)行與操作，得到填充的所有孔洞；（3）利用bwareaopen函數(shù)刪除所有孔洞中小于指定大小的小面積對(duì)象，并進(jìn)行反色，然后與填充的所有孔洞進(jìn)行與操作，得到小于指定大小的小孔洞；（4）將小孔洞與原始圖像進(jìn)行或操作，實(shí)現(xiàn)孔洞指定大小填充。

2.3玉米果穗顆粒計(jì)數(shù)實(shí)現(xiàn)

在對(duì)玉米果穗顆粒計(jì)數(shù)前，要先確認(rèn)玉米顆粒一致性測(cè)度。一致性是要求圖像滿足灰度等特征要求的在特定區(qū)域內(nèi)具有相似性，一致性測(cè)度原則主要有：

（1）標(biāo)準(zhǔn)差法：給定標(biāo)準(zhǔn)差基準(zhǔn)，若特定區(qū)域標(biāo)準(zhǔn)差大于該基準(zhǔn)，就判定為該區(qū)域不滿足一致性測(cè)度；（2）方差法：若特定區(qū)域中70%圖像像素在方差范圍內(nèi)，就判定為該區(qū)域滿足一致性測(cè)度；（3）局部標(biāo)準(zhǔn)差：若特定區(qū)域標(biāo)準(zhǔn)差<整幅圖像均值的20%，就判定為該區(qū)域滿足一致性測(cè)度；（4）局部均值：若特定區(qū)域均值<整幅圖像均值，就判定為該區(qū)域不滿足一致性測(cè)度。

在對(duì)玉米果穗圖像進(jìn)行一系列圖像預(yù)處理，同時(shí)清楚一致性測(cè)度之后，引入擴(kuò)展極大值變換，采用改進(jìn)的分水嶺分割算法對(duì)玉米果穗圖像中的玉米顆粒部分進(jìn)行分割，然后通過標(biāo)記連通分量實(shí)現(xiàn)玉米果穗顆粒的統(tǒng)計(jì)。

3算法測(cè)試與分析

玉米果穗原始圖像見圖2，對(duì)于玉米果穗分別按照傳統(tǒng)分水嶺分割算法和改進(jìn)分水嶺分割算法，對(duì)玉米果穗顆粒進(jìn)行分割，得到分割圖像見圖3、圖4，顆粒計(jì)數(shù)分別為325、281粒，可以看出傳統(tǒng)分水嶺分割算法存在明顯的過分割現(xiàn)象，顆粒計(jì)數(shù)明顯偏多。而經(jīng)過改進(jìn)的算法，由于引入擴(kuò)展極大值變換，過分割得到有效避免，顆粒計(jì)數(shù)準(zhǔn)確。

對(duì)于20組玉米果穗分別按照傳統(tǒng)和改進(jìn)分水嶺分割算法進(jìn)行顆粒統(tǒng)計(jì)，將計(jì)數(shù)結(jié)果與實(shí)際顆粒差值進(jìn)行比較，得到顆粒統(tǒng)計(jì)誤差對(duì)比見圖5?？梢妭鹘y(tǒng)分水嶺分割算法由于過分割的存在，誤差率在18%，而改進(jìn)分水嶺分割算法誤差率僅為2%，改進(jìn)效果明顯，取得了預(yù)期效果。

4結(jié)論

顆粒統(tǒng)計(jì)與自動(dòng)識(shí)別檢測(cè)在現(xiàn)代農(nóng)業(yè)中發(fā)揮關(guān)鍵作用，玉米果穗品質(zhì)好壞與玉米果穗顆粒多少呈正相關(guān)。計(jì)算機(jī)技術(shù)特別是圖像技術(shù)在玉米果穗中的應(yīng)用多樣化趨勢(shì)明顯，采用圖像分割技術(shù)對(duì)玉米果穗進(jìn)行顆粒統(tǒng)計(jì)能實(shí)現(xiàn)快速對(duì)玉米特征進(jìn)行識(shí)別。由于玉米果穗顆粒之間往往存在粘連現(xiàn)象，采用傳統(tǒng)分水嶺分割方法對(duì)玉米果穗進(jìn)行分割會(huì)導(dǎo)致不能對(duì)粘連區(qū)域?qū)崿F(xiàn)良好分割。而改進(jìn)的分水嶺分割算法，引入擴(kuò)展極大值變換，既能避免過分割現(xiàn)象，又能實(shí)現(xiàn)對(duì)粘連區(qū)域的正確分割，本研究利用MATLAB對(duì)玉米果穗圖像進(jìn)行轉(zhuǎn)換、灰度化、濾波降噪、區(qū)域增強(qiáng)等一系列處理后，采用改進(jìn)的分水嶺分割算法，準(zhǔn)確實(shí)現(xiàn)玉米果穗顆粒統(tǒng)計(jì)。

參考文獻(xiàn)：

[1]呂永春，馬欽，李紹明，等. 基于背景板比例尺的玉米果穗圖像特征測(cè)量[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26（增刊2）：43-47.

[2]史中輝，趙秀艷，于廣洋，等. 基于圖像處理的玉米種子特征參數(shù)提取系統(tǒng)[J]. 農(nóng)機(jī)化研究，2011，33（10）：166-170.

[3]賈鵬，李永奎，趙萍. 基于Matlab圖像處理的谷物顆粒計(jì)數(shù)方法研究[J]. 農(nóng)機(jī)化研究，2009，31（1）：152-153，156.

[4]韓仲志，楊錦忠. 計(jì)數(shù)玉米穗行數(shù)的機(jī)器視覺研究[J]. 玉米科學(xué)，2010，18（2）：146-148，152.

[5]梁文東. 基于MATLAB的玉米果穗圖像輪廓提取[J]. 農(nóng)業(yè)網(wǎng)絡(luò)信息，2014（6）：21-23.

[6]周志強(qiáng)，郭帥超，成軍虎.玉米品質(zhì)性狀計(jì)算機(jī)視覺識(shí)別與評(píng)價(jià)研究進(jìn)展[J]. 河南工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，32（1）：83-88.

[7]王紅君，陳偉，趙輝，等. 復(fù)雜背景下植物葉片的彩色圖像分割[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2013，34（2）：207-211.

[8]張晴晴，張善文，齊國(guó)紅. 基于改進(jìn)分水嶺的圖像分割算法研究[J]. 安徽農(nóng)業(yè)科學(xué)，2013（29）：11890-11892.

[9]胡 敏，蔡慧芬. 基于形態(tài)學(xué)標(biāo)記連通的分水嶺圖像分割[J]. 電子測(cè)量與儀器學(xué)報(bào)，2011，25（10）：864-869.

[10]劉兆松，婁宗科，屈瑾. 基于形態(tài)學(xué)分水嶺算法的骨料分割及建模[J]. 武漢大學(xué)學(xué)報(bào)：工學(xué)版，2013，46（4）：489-493，513.陳金成，高國(guó)剛，馬本學(xué)，等. 基于RFID的棉種倉(cāng)庫(kù)信息采集系統(tǒng)的研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（2）：409-411.endprint