閆建偉，蘇小東,*，趙 源，劉進(jìn)平

(1.貴州大學(xué) 機(jī)械工程學(xué)院，貴州 貴陽(yáng) 550025； 2.貴州大學(xué) 農(nóng)學(xué)院，貴州 貴陽(yáng) 550025)

胚芽鞘為單子葉植物所特有，特別是禾本科植物胚芽外的錐形套狀物，是一個(gè)鞘狀結(jié)構(gòu)。胚芽鞘是植物葉片的保護(hù)組織，有保護(hù)胚芽中更幼小的葉和生長(zhǎng)錐的作用，胚芽鞘的尖端含有植物生長(zhǎng)素，對(duì)幼苗的出土有很大意義[1]。在植物培養(yǎng)和生物研究等領(lǐng)域，胚芽鞘相關(guān)研究中胚芽鞘的快速準(zhǔn)確識(shí)別是一項(xiàng)十分重要且繁瑣的工作。傳統(tǒng)的胚芽鞘識(shí)別及切割位置的確定主要依靠操作者的經(jīng)驗(yàn)及人眼判斷，判斷的準(zhǔn)確度很大程度上依賴于判斷者的主觀經(jīng)驗(yàn)和專業(yè)知識(shí)的多少，其合理性和科學(xué)性存在明顯不足。手工切割胚芽鞘具有操作效率低、勞動(dòng)強(qiáng)度大、精度低等問題。機(jī)器視覺在圖像分割、目標(biāo)定位和模式識(shí)別相關(guān)研究及生產(chǎn)實(shí)踐中有一些領(lǐng)域得到廣泛應(yīng)用，并取得良好的效果。近年來(lái)隨著圖像處理技術(shù)的快速發(fā)展，彩色圖像分割與目標(biāo)定位成為圖像處理的研究熱點(diǎn)，國(guó)內(nèi)外眾多學(xué)者利用目標(biāo)顏色特征和形態(tài)學(xué)等在不同角度探討了彩色圖像分割[2-4]、分類[5-8]與定位方法[9-13]。唐駿等[14]利用圖像處理技術(shù)提取玉米形態(tài)、顏色和紋理等48個(gè)特征，然后應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行綜合識(shí)別，分析不同時(shí)期識(shí)別效果，并建立了玉米品種的葉片投射圖像特征數(shù)據(jù)庫(kù)。何勝美等[15]基于數(shù)字圖像分析技術(shù)，利用小麥籽粒的20個(gè)形態(tài)特征和12個(gè)顏色特征對(duì)小麥樣本進(jìn)行分類和識(shí)別，識(shí)別率達(dá)到100%，但多類樣本合并后的識(shí)別成功率就下降許多。王娜等[16]基于H閾值分割、迭代二值化、圖像形態(tài)學(xué)運(yùn)算和輪廓提取等算法提取圖像特征，采用遺傳算法優(yōu)化選擇分類特征，并利用費(fèi)歇爾判別法識(shí)別玉米葉部病害，準(zhǔn)確率達(dá)90%。錢建平等[17]提出一種基于混合顏色空間的成熟期蘋果識(shí)別方法，在不同光照情況下均可以達(dá)到較高的識(shí)別成功率。二值圖像細(xì)化[18-20]是圖像后處理一個(gè)重要部分，被廣泛應(yīng)用在圖像處理中。圖像處理在胚芽鞘方面的研究未見報(bào)道，因此，研究胚芽鞘圖像處理、識(shí)別技術(shù)及切割位置是一項(xiàng)重要的研究課題。利用圖像處理技術(shù)以小麥胚芽鞘的顏色特征為依據(jù)，結(jié)合胚芽鞘生長(zhǎng)特點(diǎn)及形態(tài)特征對(duì)小麥胚芽鞘進(jìn)行快速識(shí)別及姿態(tài)判斷，以期能準(zhǔn)確識(shí)別小麥胚芽鞘，判斷胚芽鞘姿態(tài)和切割位置以及為構(gòu)建胚芽鞘切割裝置視覺系統(tǒng)和裝置提供技術(shù)支持。

1 材料與方法

1.1 圖像采集

小麥種子培育地點(diǎn)為貴州大學(xué)西校區(qū)農(nóng)學(xué)院實(shí)驗(yàn)室，培養(yǎng)設(shè)備為光照培養(yǎng)箱，培養(yǎng)方式為水培、無(wú)光照、溫度為25.6～28.6 ℃。培養(yǎng)時(shí)間選在2017年12月27日下午。圖像采集于2017年12月31日在實(shí)驗(yàn)室內(nèi)進(jìn)行。利用尼康(Nikon)D750相機(jī)獲得小麥圖像(圖1)共30幅(樣本從培養(yǎng)皿中隨機(jī)選取)，圖片格式為JPG，分辨率為1024×683像素。試驗(yàn)樣本在2017年12月31日早上10:00拍攝獲得。在PC機(jī)上完成小麥胚芽鞘識(shí)別算法開發(fā)，PC機(jī)配置為Inter Core(TM) i5-6200U、CPU 2.3 GHz、內(nèi)存4 GB，基于Windows 7操作系統(tǒng)，編程工具VS2010+Opencv2.4.10。

1.2 顏色空間選取

RGB(red，green，blue，即紅、綠、藍(lán))顏色空間是工業(yè)界的一種顏色標(biāo)準(zhǔn)，是基于紅、綠、藍(lán)三原色理論建立的顏色空間，但RGB是一種不均勻的顏色模型，3個(gè)顏色分量的相關(guān)性很高。HSV色彩模型(hue/saturation/value，色度/飽和度/純度)是根據(jù)顏色的直觀特性由Smith在1978年創(chuàng)建的一種顏色空間。HSV空間是比RGB顏色空間更接近于人們的經(jīng)驗(yàn)和對(duì)色彩的感知，可以通過HSV的取值來(lái)理解判斷圖像的顏色、深淺和明亮程度，HSV消除了3個(gè)分量的相關(guān)性，可以分別處理而且是相互獨(dú)立的[21-22]。本文采用HSV顏色空間，飽和度(S)是指色彩的純度，越高色彩越純，低則逐漸變灰，取0～100%的數(shù)值。明度(V)，取0～MAX(計(jì)算機(jī)中HSV取值范圍和存儲(chǔ)的長(zhǎng)度有關(guān))。HSV顏色空間可以用一個(gè)圓錐空間模型來(lái)描述。圓錐的頂點(diǎn)處，V=0，H和S無(wú)定義，代表黑色。圓錐的頂面中心處V=MAX，S=0，H無(wú)定義，代表白色。HSV模型分量中的H、S和V與RGB顏色模型轉(zhuǎn)換公式如式(1)：

圖1 原始圖像Fig.1 Original image

(1)

式(1)中R、G、B為RGB顏色空間3個(gè)顏色分量，R、G、B∈[0，255]，H∈[0°，360°]，S∈[0，255]，V∈[0，255]，R、G和B歸一化到范圍[0，1]時(shí)，H∈[0°，360°]，S∈[0，1]，V∈[0，1]。

1.3 圖像分割

小麥胚芽鞘(圖1)由小麥種子、種子根和胚芽鞘3部分組成，根部為亮白色，小麥種子為橙黃色，胚芽鞘以黃色為主要顏色。小麥胚芽鞘3部分顏色區(qū)分比較明顯，可以通過顏色特征進(jìn)行圖像分割進(jìn)而獲得種子完整輪廓圖像。

1.3.1 小麥種子圖像分割

根據(jù)小麥種子顏色特征和HSV空間顏色分量范圍(圖2)，確定H、S、V分割閾值(H、S、V范圍為11、43、46至21、255、255)，進(jìn)而進(jìn)行圖像分割獲得預(yù)分割圖像(圖3-A)。預(yù)分割我們通過遍歷整個(gè)圖像每個(gè)像素點(diǎn)，像素點(diǎn)H、S、V值在分割閾值范圍內(nèi)則H、S、V值不變，反之為0。預(yù)處理圖像中噪聲通過中值濾波和開運(yùn)算進(jìn)行處理，最后獲得小麥種子完整圖像(圖3-B)。中值濾波和開運(yùn)算采用11×11的卷積核。

圖2 HSV顏色空間Fig.2 HSV color space

圖3 小麥種子圖像分割Fig.3 Segmentation of wheat seed image

1.3.2 小麥胚芽鞘圖像分割

根據(jù)胚芽鞘顏色特征和HSV空間顏色分量范圍，確定H、S、V分割閾值(H、S、V的范圍為21、43、46至77、255、255)，進(jìn)而進(jìn)行圖像分割獲得預(yù)分割圖像(圖4-A)，預(yù)分割我們通過遍歷整個(gè)圖像每個(gè)像素點(diǎn)，像素點(diǎn)H、S、V值在分割閾值范圍內(nèi)則H、S、V值不變，反之為0。預(yù)處理圖像中噪聲通過面積閾值、顏色替換和開運(yùn)算進(jìn)行處理，最后獲得小麥胚芽鞘完整圖像(圖4-B)。開運(yùn)算采用11×11的卷積核，面積閾值大小取3 000，將輪廓面積小于3 000的部分替換為黑色(0，0，0)。

1.4 圖像細(xì)化

本文圖像細(xì)化采用Zhang-Suen圖像細(xì)化算法[23]。Zhang-Suen圖像細(xì)化算法是一個(gè)迭代算法，通過循環(huán)所有前景像素點(diǎn)，對(duì)符合條件的像素點(diǎn)進(jìn)行標(biāo)記刪除，直到?jīng)]有像素滿足條件為止，輸出即為二值圖像細(xì)化圖像。試驗(yàn)結(jié)果表明，此方法細(xì)化條狀胚芽鞘圖像效果良好(圖5)。

1.5 切割位置判斷

1.5.1 計(jì)算種子質(zhì)心

針對(duì)已分割小麥種子圖像特征，按照灰度化→二值化→計(jì)算輪廓距→輪廓質(zhì)心等步驟(圖6)。二值化采用Ostu方法又稱最大類間差方法，小麥種子輪廓矩和質(zhì)心坐標(biāo)由公式(2)計(jì)算得出。

Hu提出了對(duì)于評(píng)價(jià)旋轉(zhuǎn)和大小尺度變化不變矩，常用于形狀識(shí)別，刻畫事物的形狀特征[24]，在連續(xù)情況下，圖像函數(shù)f(x，y)，那么圖像的p+q階中心距定義為：

圖4 胚芽鞘分割Fig.4 Segmentation of the coleoptile

圖5 胚芽鞘圖像細(xì)化Fig.5 Coleoptile image refinement

(2)

1.5.2 計(jì)算胚芽鞘長(zhǎng)度

在1.4節(jié)中我們獲得胚芽鞘細(xì)化圖像，因細(xì)化圖像為單像素圖像，可以將細(xì)化圖像上所有點(diǎn)的連線作為胚芽鞘近似擬合曲線，曲線長(zhǎng)度即為胚芽鞘長(zhǎng)度。點(diǎn)坐標(biāo)獲取和遴選我們采用循環(huán)遍歷細(xì)化圖像輪廓，獲取每個(gè)像素點(diǎn)在圖像中的坐標(biāo)，圖7-A為循環(huán)步長(zhǎng)取25時(shí)獲取的點(diǎn)坐標(biāo)，并繪制在胚芽鞘圖像上；圖7-B為循環(huán)步長(zhǎng)為1時(shí)獲取的點(diǎn)坐標(biāo)，同樣繪制在胚芽鞘圖像上。

1.5.3 切割位置確定

因?yàn)槊總€(gè)進(jìn)行圖像識(shí)別時(shí)每個(gè)胚芽鞘姿態(tài)位置都不同，在對(duì)圖像進(jìn)行遍歷的時(shí)候，胚芽鞘細(xì)化圖像輪廓的兩端都可能成為起點(diǎn)(第1個(gè)點(diǎn))，所以我們以種子質(zhì)心坐標(biāo)為基準(zhǔn)點(diǎn)，選取離種子質(zhì)心距離較遠(yuǎn)的點(diǎn)作為起點(diǎn)，這樣可以保證起點(diǎn)一定是在胚芽鞘頂端(圖8)。

圖6 小麥種子質(zhì)心Fig.6 Centroid of wheat seed

圖7 胚芽鞘近似曲線獲取Fig.7 Coleoptile approximation curve acquisition

2 結(jié)果與分析

圖8 切割位置確定Fig.8 Cutting position determination

試驗(yàn)結(jié)果如圖9所示，樣本處理結(jié)果統(tǒng)計(jì)見表1。

圖9 結(jié)果圖Fig.9 Result graph

表1小麥樣本處理結(jié)果統(tǒng)計(jì)

Table1Statistics of wheat sample processing result

參數(shù)/樣本序號(hào)Parameter/Sampleserial number切割點(diǎn)坐標(biāo)Cutting pointcoordinates切割角度Cutting angle/°1(563,181)-21.82(202,147)03(628,137)04(290,191)14.95(810,495)-86.26(571,168)-3.87(363,158)3.98(290,136)2.29(580,155)-14.910(434,156)-7.611(497,206)14.912(515,229)-3.813(207,295)90.014(311,221)-3.815(358,179)3.816(367,562)75.117(262,462)90.018(527,157)7.619(183,266)78.720(479,166)18.421(800,439)61.922(249,354)2.623(552,203)-11.324(455,169)25.025(375,166)7.626(408,117)-21.827(259,248)-33.728(716,423)64.929(301,373)90.030(227,271)82.4

3 討論

本文在HSV顏色空間下通過小麥胚芽鞘的顏色特征分別對(duì)小麥種子和胚芽鞘進(jìn)行圖像分割，獲得種子和胚芽鞘完整分割圖像，并根據(jù)小麥胚芽鞘形態(tài)特征提出一種胚芽鞘切割位置和姿態(tài)確定方法。試驗(yàn)結(jié)果表明，本文方法可以簡(jiǎn)單有效地對(duì)小麥胚芽鞘和種子進(jìn)行圖像分割，快速識(shí)別胚芽鞘及切割位置，滿足胚芽鞘切割裝置視覺系統(tǒng)的要求。

試驗(yàn)樣本從胚芽鞘培養(yǎng)盤的大量胚芽鞘中隨機(jī)選取30個(gè)進(jìn)行試驗(yàn)具有代表性；圖像分割算法和胚芽鞘姿態(tài)判斷方法具有客觀性和可重復(fù)性，利用本文圖像分割算法只需改變圖像分割H、S和V分量閾值和后續(xù)去燥處理閾值，就可以應(yīng)用于玉米、高粱等與小麥不同品種和種類的胚芽鞘的圖像分割，小麥胚芽鞘姿態(tài)判斷方法可以為其他單子葉植物(具有胚芽鞘)胚芽鞘姿態(tài)判斷提供理論參考和依據(jù)。通過胚芽鞘圖像顏色特征分割獲得胚芽鞘完整圖像，胚芽鞘輪廓近似曲線由圖像細(xì)化獲得，曲線長(zhǎng)度由多段直線長(zhǎng)度來(lái)近似，可以最大程度代表胚芽鞘長(zhǎng)度。

對(duì)不同培養(yǎng)時(shí)間的小麥胚芽鞘進(jìn)行特征對(duì)比分析，可以得出培養(yǎng)90 h左右的胚芽鞘生長(zhǎng)較好，更適合進(jìn)行圖像分割試驗(yàn)和胚芽鞘切割位置判斷，在后續(xù)胚芽鞘圖像識(shí)別分割和胚芽鞘切割設(shè)備試驗(yàn)時(shí)可以選此時(shí)期的小麥胚芽鞘樣本作為試驗(yàn)樣本。

4 結(jié)論

本文方法具有較好的適應(yīng)性。本文提出的胚芽鞘分割算法和胚芽鞘切割位置和姿態(tài)的判斷方法具有一定的實(shí)用價(jià)值，填補(bǔ)了圖像處理技術(shù)在胚芽鞘方面的應(yīng)用，并為后續(xù)胚芽鞘自動(dòng)切割裝置搭建機(jī)器視覺系統(tǒng)提供了技術(shù)支撐。