刁智華，吳貝貝，毋媛媛，趙明珍，錢曉亮，魏玉泉

(1.鄭州輕工業(yè)學(xué)院 電氣信息工程學(xué)院，鄭州　450002；2.河南省信息化電器重點(diǎn)實(shí)驗(yàn)室，鄭州　450002)

?

基于最小相切圓和形態(tài)學(xué)相結(jié)合的作物行檢測算法

刁智華1,2，吳貝貝1,2，毋媛媛1,2，趙明珍1,2，錢曉亮1,2，魏玉泉1,2

(1.鄭州輕工業(yè)學(xué)院 電氣信息工程學(xué)院，鄭州450002；2.河南省信息化電器重點(diǎn)實(shí)驗(yàn)室，鄭州450002)

摘要：機(jī)器視覺的農(nóng)業(yè)導(dǎo)航路徑規(guī)劃是精準(zhǔn)施藥的關(guān)鍵，而作物行提取是其準(zhǔn)確識別作物行路徑的基礎(chǔ)。為此，以玉米為研究對象，提出了一種基于最小相切圓原理和形態(tài)學(xué)相結(jié)合的作物行檢測算法。首先在室外田間環(huán)境下采集生長早中期的玉米作物行圖像，選擇作物行比較規(guī)整的圖像進(jìn)行處理；其次，利用改進(jìn)的超綠灰度化(1.8R-G-B)算法對玉米作物行圖像進(jìn)行灰度化處理，大大減少了噪聲的干擾，通過中值濾波基本消除了噪聲；然后，運(yùn)用Otsu閾值算法獲取了玉米作物行的二值圖像。由于作物行呈線型，在此基礎(chǔ)上，采用5×1像素的線型結(jié)構(gòu)元素和3×3像素的方形結(jié)構(gòu)元素兩者相結(jié)合的方法對二值圖像進(jìn)行腐蝕、膨脹運(yùn)算，并采用提出的最小相切圓與形態(tài)學(xué)結(jié)合的方法提取中央玉米作物行的骨架并進(jìn)行中央作物行直線的擬合。實(shí)驗(yàn)表明：該算法能提供準(zhǔn)確的位置信息，且對作物行邊緣噪聲具有較強(qiáng)的抗干擾能力，對進(jìn)一步研究精準(zhǔn)施藥提供了參考依據(jù)。

關(guān)鍵詞：精準(zhǔn)施藥；1.8R-G-B法；骨架提取；最小相切圓；形態(tài)學(xué)細(xì)化

0引言

精準(zhǔn)施藥技術(shù)是實(shí)現(xiàn)精準(zhǔn)農(nóng)業(yè)的重要部分，有利于減少環(huán)境污染、保障人類健康安全。在農(nóng)業(yè)機(jī)械精準(zhǔn)施藥過程中，為了提高施藥的精準(zhǔn)度，作物行提取是關(guān)鍵，對農(nóng)業(yè)機(jī)械自動對行行走起著至關(guān)重要的作用[1]。日本東京大學(xué)[2]研究者對作物行進(jìn)行邊緣檢測，將運(yùn)用最小二乘法擬合出的導(dǎo)航線應(yīng)用于精密噴灑系統(tǒng)。馬紅霞等[3]針對單一作物行采取水平分割圖像的方法找到定位點(diǎn)，從而擬合出作物行線。

本文對多行玉米植株圖像通過改進(jìn)的超綠灰度化法、中值濾波及Otsu閾值算法3個步驟使背景與作物行完全分割開來；運(yùn)用作物行呈線型的特點(diǎn)，采用5×1像素的線型結(jié)構(gòu)元素和3×3像素的方形結(jié)構(gòu)元素兩者相結(jié)合的方法對二值圖像進(jìn)行腐蝕、膨脹運(yùn)算；最后運(yùn)用最小相切圓與形態(tài)學(xué)相結(jié)合的方法進(jìn)行中央玉米作物行提取，對不同區(qū)域的玉米作物行進(jìn)行了實(shí)驗(yàn)分析。結(jié)果表明：該算法具有較好的適應(yīng)性和準(zhǔn)確度。

1玉米作物行圖像采集

1.1顏色模型選取

農(nóng)田圖像的獲取是圖像處理的第一步。實(shí)驗(yàn)以北方玉米作物行為研究對象，采用維視數(shù)字圖像技術(shù)有限公司生產(chǎn)的型號為MV-VD030SM/SC的USB2.0接口的CCD工業(yè)數(shù)字相機(jī)及艾菲特光電技術(shù)有限公司生產(chǎn)的型號為AFT-0641MP的工業(yè)鏡頭對田間自然環(huán)境下的玉米作物行圖像進(jìn)行采集。相機(jī)拍攝的高度距地面約為1.8m，輸出的圖像是8位RGB彩色圖像。由于RGB模型顏色信息獲取比較直接，無需轉(zhuǎn)換，所以本算法選擇RGB彩色圖像進(jìn)行直接處理。

1.2實(shí)驗(yàn)開發(fā)平臺

本研究用于處理玉米作物行圖像的計(jì)算機(jī)環(huán)境設(shè)置為Intel(R)Core(TM) i3，3.1GHz，2G內(nèi)存。以WIIN7系統(tǒng)下Microsoft Visual C++6.0為實(shí)驗(yàn)平臺，基于MFC應(yīng)用程序框架對作物行骨架提取算法進(jìn)行研究和開發(fā)。

2玉米作物行圖像分割

2.1圖像灰度化

采集到的玉米作物行圖像包含了許多彩色信息，但在對圖像進(jìn)行處理和分析時并不需要這些信息，而把彩色圖像轉(zhuǎn)換為灰度圖像更有利于后續(xù)作物行的提取。本文對常用過的綠特征灰度化法[4]和改進(jìn)的灰度化算法分別進(jìn)行了對比，如圖1所示。采用普通的超綠灰度化算法[5]雖然可以區(qū)分出作物行，但行間仍夾雜著許多噪聲。本文對2G-R-B算法進(jìn)行了改進(jìn)，改進(jìn)后的具體灰度化算法為

(1)

從改進(jìn)后的算法處理的圖像可以看出：使用本文改進(jìn)的算法玉米作物行更為突出，且行間噪聲有明顯的減少；處理同一幅圖片，改進(jìn)后的算法處理時間為2ms，改進(jìn)前為5.6ms，運(yùn)算效率明顯有了提高。

(a)　玉米作物行原圖

(b)　普通超綠灰度化圖像

(c)　改進(jìn)后的超綠灰度化圖像

2.2濾波除噪

由于灰度化后的圖像上仍有噪聲存在，影響對目標(biāo)的處理，所以本文選取3×3數(shù)組窗口對其進(jìn)行中值濾波，并采用冒泡法對數(shù)組進(jìn)行排序后返回?cái)?shù)組元素的中值。經(jīng)2次濾波后圖像中的噪聲基本去除，滿足了后續(xù)對作物行處理的需求，如圖2所示。

圖2　中值濾波后的作物行圖像

2.3灰度二值化

為了將背景和作物行完全分割開來，進(jìn)一步提取行信息，需要進(jìn)行二值化處理。 本文將大于設(shè)定閾值的像素值設(shè)為255；相反，將小于它的像素值設(shè)為0。由于行目標(biāo)與背景有較大的差別，可以采用設(shè)定閾值和Otsu算法[6]對其二值化處理，處理后的圖像如圖3所示。

(a)　閾值為185時的二值圖像

(b)　Otsu算法處理后的二值圖像

經(jīng)比較發(fā)現(xiàn)：當(dāng)閾值設(shè)定為185時，兩種方法處理效果差不多，對后期處理沒影響。Otsu算法不需要人為設(shè)定閾值，是一種自適應(yīng)閾值確定的方法，計(jì)算方法簡單、適應(yīng)性強(qiáng)且穩(wěn)定，所以本文采用Otsu算法對圖像進(jìn)行二值化處理。

3作物行提取

3.1改進(jìn)的形態(tài)學(xué)去噪

玉米作物行圖像經(jīng)二值化處理后，背景與行信息很清晰地分割開來，但選取的玉米植株葉片較大且相互交叉。影響作物行中心骨架的提取，為了能更準(zhǔn)確地提取出作物行骨架，依據(jù)作物行本身為線型的特點(diǎn)，在保證不改變和消除作物行有用信息的前提下，本文采用5×1線型結(jié)構(gòu)元素和3×3方形結(jié)構(gòu)元素兩者相結(jié)合的形態(tài)學(xué)方法對其進(jìn)行腐蝕、膨脹操作。特別針對同行玉米植株間有間斷的地方，運(yùn)用5×1線型結(jié)構(gòu)元素可以很好地連接間斷區(qū)域，保持了連通性；針對較大葉片玉米植株運(yùn)用5×1線型結(jié)構(gòu)元素進(jìn)行腐蝕處理可以有效地避免大葉片對行中心線骨架的提取造成的誤差[7]。與此同時，運(yùn)用3×3方形結(jié)構(gòu)元素可以填補(bǔ)圖像中的孔洞和孤立點(diǎn)，彌合細(xì)小縫隙。通過實(shí)驗(yàn)，本文先對二值化后的圖像進(jìn)行5×1的垂直方向2次腐蝕，再進(jìn)行3×3的8次膨脹運(yùn)算，然后進(jìn)行5×1水平方向2次膨脹，最后再進(jìn)行3×3的8次腐蝕操作，得到的作物行輪廓如圖4所示。從圖4中可以看出：本文采用的5×1和3×3結(jié)構(gòu)元素相結(jié)合的方法，很好地連通了中央玉米植株間有間斷的地方，為后續(xù)準(zhǔn)確提取中央作物行做了準(zhǔn)備工作。

圖4　 玉米作物行的形態(tài)學(xué)處理圖

3.2中央作物行骨架提取

3.2.1最小相切圓原理

農(nóng)業(yè)機(jī)械導(dǎo)航在玉米精準(zhǔn)施藥時要對準(zhǔn)中間兩行[8]。導(dǎo)航的路徑是一種線性結(jié)構(gòu)信息，所以本文在檢測玉米作物行時，首先應(yīng)對作物行輪廓進(jìn)行細(xì)化處理，也就是所謂的骨架化。骨架提取的算法有多種，如最大圓盤法、數(shù)字距離變換法和拓?fù)浼?xì)化法是常用的骨架提取法。最大圓盤法所提取的骨架不僅連通性差，而且通常較粗，無法滿足單一像素寬度的需求；距離變換法是利用距離場中的局部極值點(diǎn)的集合作為骨架，雖然在準(zhǔn)確度上有明顯優(yōu)勢，但難以保證連通性；拓?fù)浼?xì)化法雖然能保持提取骨架的連通性及拓?fù)浣Y(jié)構(gòu)性，但提取的骨架位置不精確。

針對以上問題，本文提出一種最小相切圓原理與形態(tài)學(xué)相結(jié)合的方法來提取中央作物行骨架，圖5為最小相切圓的原理模型圖。假設(shè)a、b、c、d4條線為玉米作物行，以作物行(即a、b、c、d4條線)底部中心為基準(zhǔn)找與作物行相切的所有圓，則圓O1即為要找的最小相切圓，切點(diǎn)M、N就是所要找的點(diǎn)，也即是中央作物行上的點(diǎn)。

圖5　最小相切圓模型

3.2.2提取步驟

由于精準(zhǔn)施藥的農(nóng)業(yè)機(jī)械是不斷行走的，進(jìn)行精準(zhǔn)施藥時只需對準(zhǔn)中間兩作物行即可，則可以運(yùn)用上述提出的最小相切圓原理進(jìn)行中央作物行的骨架提取。其步驟如下：

1)首先，運(yùn)用形態(tài)學(xué)細(xì)化法提取出所有作物行的骨架，如圖6(a)所示；

2)然后，從圖像底部中心向作物行兩邊自下向上進(jìn)行掃描，找出能與作物行兩邊相切的最小圓；

3)記下所有與最小圓相切的切點(diǎn)。與此同時，腐蝕掉其余不滿足條件的像素點(diǎn)，那么這些滿足條件的像素點(diǎn)的集合就組成了中央作物行的骨架。提取結(jié)果如圖6(b)所示。

(a)　玉米作物行骨架圖像

(b)　中央作物行骨架

3.3中央作物行直線擬合

中央作物行的直線擬合方法有多種，而隨機(jī)Hough變換具有計(jì)算簡便、運(yùn)算速度快等優(yōu)點(diǎn)，因此采取常用的隨機(jī)Hough變換算法把主干骨架擬合成直線，如圖7所示。

3.4其他區(qū)域提取結(jié)果

為了驗(yàn)證該算法同樣對其他區(qū)域玉米作物行也有效，選取了160cm×135cm的玉米作物行圖像進(jìn)行了相同的處理，處理的結(jié)果如圖8所示。

4實(shí)驗(yàn)偏差分析

由于相機(jī)安裝在精準(zhǔn)施藥機(jī)械上，當(dāng)機(jī)械進(jìn)行作業(yè)行走時，相機(jī)拍攝到的圖像底部是呈垂直拍攝的，所以選取中央作物行直線的底端中點(diǎn)與相機(jī)的位置偏差來分析作物行檢測的精準(zhǔn)度更能說明問題。

針對兩幅不同區(qū)域內(nèi)的玉米作物行圖像，分別進(jìn)行了偏差分析，結(jié)果如表1所示。

(a)　 原玉米作物行圖像

(b)　 作物行骨架提取圖像

(c)　中央作物行骨架提取圖像

(d)　中央作物行直線擬合

試驗(yàn)圖片區(qū)域大小/cm相機(jī)偏差/Pixels理論地理偏差/cm實(shí)際地理偏差/cm相對誤差/cm圖1(a)205×172-29-9.29-10.31-1.02圖8(a)160×135276.757.560.81

5結(jié)論

1)運(yùn)用改進(jìn)的超綠算法對玉米作物行圖像進(jìn)行了灰度化處理，大大減小了行間噪聲，為后續(xù)形態(tài)學(xué)去噪減少了不必要的麻煩。

2)運(yùn)用5×1線型結(jié)構(gòu)元素和3×3方形結(jié)構(gòu)元素相結(jié)合的方法對二值化圖像進(jìn)行腐蝕、膨脹運(yùn)算，得到作物行的大概輪廓，并對其進(jìn)行細(xì)化處理。

3)運(yùn)用最小相切圓和形態(tài)學(xué)相結(jié)合的方法提取中央作物行骨架，并對其進(jìn)行直線擬合；運(yùn)用實(shí)際地理偏差與理論地理偏差的差值來判斷作物行檢測的準(zhǔn)確度。

4)該算法能夠較準(zhǔn)確地檢測出玉米作物行，且平均處理時間為260ms左右，較好地保持了行目標(biāo)的主要拓?fù)浣Y(jié)構(gòu)，為將行信息應(yīng)用于實(shí)時目標(biāo)的識別提供了理論支持。

參考文獻(xiàn)：

[1]祖琴, 陳湘萍, 鄧巍.光譜圖像技術(shù)在精準(zhǔn)施藥中的應(yīng)用[J].農(nóng)機(jī)化研究, 2013, 35(3):19-23.

[2]Toru Torii. Research in autonomous agriculture vehicles in Japan[J].Computer and Electronics in Agriculture, 2000, 25(1):133-153.

[3]馬紅霞, 馬明建, 馬娜, 等.基于Hough變換的農(nóng)業(yè)機(jī)械視覺導(dǎo)航基準(zhǔn)線識別[J]. 農(nóng)機(jī)化研究, 2013, 35(4):37-40.

[4]劉陽, 高國琴.農(nóng)業(yè)機(jī)械視覺導(dǎo)航基準(zhǔn)線識別研究進(jìn)展[J].農(nóng)機(jī)化研究, 2015, 37(5):7-13.

[5]張勤, 黃小剛, 李彬.基于彩色模型和近鄰法聚類的水田秧苗列中心線檢測方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(17):163-171.

[6]張志強(qiáng), 宋海生.應(yīng)用Ostu改進(jìn)Canny算子的圖像邊緣檢測方法[J].計(jì)算機(jī)與數(shù)字工程, 2014, 42(1):122-128.

[7]林德貴, 曾健民.基于數(shù)學(xué)形態(tài)學(xué)的提升小波圖像去噪[J].計(jì)算機(jī)技術(shù)與發(fā)展,2013, 23(5):83-85.

[8]黃寶貴, 馬春梅, 盧振泰.新的形態(tài)學(xué)圖像降噪方法[J].計(jì)算機(jī)應(yīng)用, 2011, 31(3):757-759．

A Crop Row Detection Algorithm Based on Minimum Tangent Circle and Morphology

Diao Zhihua1,2, Wu Beibei1,2,Wu Yuanyuan1,2, Zhao Mingzhen1,2,Qian Xiaoliang1,2,Wei Yuquan1,2

(1.Electric Information & Engineering Department,Zhengzhou University of Light Industry, Zhengzhou 450002,China; 2.Henan Key Lab of Information Based Electrical Appliances，Zhengzhou 450002,China)

Abstract：Path planning in agricultural machine vision navigation is the key to accurate spraying, but the crop rows detection is the basis for accurate identification of crop rows path.Taking corn as the research object, the paper propose a crop row detection algorithm based on minimum tangent circle and morphology.First, collected corn crop image growing early and middle time in the outdoor environment, choose the crop rows that more structured to process, and secondly, using the improved 1.8R-G-B algorithm to realize gray transformation,greatly reducing the noise and by median filtering eliminate the noise virtually.And then use the Otsu threshold algorithm to obtain a binary image of the corn crop rows. Because crop rows is linear, on this basis, using the method that combine linear structure element 5 × 1 pixel with square structure that 3 × 3 pixel to conduct erosion and dilation.Finally,we use this method based on minimum tangent circle and morphology to detect central line skeleton and fitting the line of the crop.Experiments show that the algorithm can provide accurate location information, and to the noise on the edge of the crop rows has a strong anti-jamming capability, provides reference for further research in precision pesticide.

Key words：precision spraying; 1.8R-G-B method; skeleton extraction; the minimum tangent circle; morphological thinning

文章編號：1003-188X(2016)05-0015-05

中圖分類號：S126;S365

文獻(xiàn)標(biāo)識碼：A

作者簡介：刁智華(1982 -)，男，河南夏邑人，副教授，博士，(E-mai)diaozhua@163.com。通訊作者：吳貝貝(1989 -)，女，河南夏邑人，碩士研究生，(E-mail)hncjwbb@163.com。

基金項(xiàng)目：國家農(nóng)業(yè)智能裝備工程技術(shù)研究中心開放基金項(xiàng)目(KFZN2012W12-012)；河南省科技廳重點(diǎn)科技攻關(guān)項(xiàng)目(132102110150)；鄭州市科技局普通科技攻關(guān)項(xiàng)目(131PPTGG411-13)；鄭州輕工業(yè)學(xué)院研究生科技創(chuàng)新基金項(xiàng)目(2014003)

收稿日期：2015-04-27