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)學院 電氣信息工程學院，鄭州　450002；2.河南省信息化電器重點實驗室，鄭州　450002)

?

基于最小相切圓和形態(tài)學相結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)學院 電氣信息工程學院，鄭州450002；2.河南省信息化電器重點實驗室，鄭州450002)

摘要：機器視覺的農(nóng)業(yè)導航路徑規(guī)劃是精準施藥的關鍵，而作物行提取是其準確識別作物行路徑的基礎。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)學相結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)整的圖像進行處理；其次，利用改進的超綠灰度化(1.8R-G-B)算法對玉米作物行圖像進行灰度化處理，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，在此基礎上，采用5×1像素的線型結構元素和3×3像素的方形結構元素兩者相結合的方法對二值圖像進行腐蝕、膨脹運算，并采用提出的最小相切圓與形態(tài)學結合的方法提取中央玉米作物行的骨架并進行中央作物行直線的擬合。實驗表明：該算法能提供準確的位置信息，且對作物行邊緣噪聲具有較強的抗干擾能力，對進一步研究精準施藥提供了參考依據(jù)。

關鍵詞：精準施藥；1.8R-G-B法；骨架提??；最小相切圓；形態(tài)學細化

0引言

精準施藥技術是實現(xiàn)精準農(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)機械精準施藥過程中，為了提高施藥的精準度，作物行提取是關鍵，對農(nóng)業(yè)機械自動對行行走起著至關重要的作用[1]。日本東京大學[2]研究者對作物行進行邊緣檢測，將運用最小二乘法擬合出的導航線應用于精密噴灑系統(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，從而擬合出作物行線。

本文對多行玉米植株圖像通過改進的超綠灰度化法、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；運用作物行呈線型的特點，采用5×1像素的線型結構元素和3×3像素的方形結構元素兩者相結合的方法對二值圖像進行腐蝕、膨脹運算；最后運用最小相切圓與形態(tài)學相結合的方法進行中央玉米作物行提取，對不同區(qū)域的玉米作物行進行了實驗分析。結果表明：該算法具有較好的適應性和準確度。

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。實驗以北方玉米作物行為研究對象，采用維視數(shù)字圖像技術有限公司生產(chǎn)的型號為MV-VD030SM/SC的USB2.0接口的CCD工業(yè)數(shù)字相機及艾菲特光電技術有限公司生產(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行采集。相機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彩色圖像進行直接處理。

1.2實驗開發(fā)平臺

本研究用于處理玉米作物行圖像的計算機環(huán)境設置為Intel(R)Core(TM) i3，3.1GHz，2G內(nèi)存。以WIIN7系統(tǒng)下Microsoft Visual C++6.0為實驗平臺，基于MFC應用程序框架對作物行骨架提取算法進行研究和開發(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]和改進的灰度化算法分別進行了對比，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算法進行了改進，改進后的具體灰度化算法為

(1)

從改進后的算法處理的圖像可以看出：使用本文改進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，改進后的算法處理時間為2ms，改進前為5.6ms，運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，影響對目標的處理，所以本文選取3×3數(shù)組窗口對其進行中值濾波，并采用冒泡法對數(shù)組進行排序后返回數(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，進一步提取行信息，需要進行二值化處理。 本文將大于設定閾值的像素值設為255；相反，將小于它的像素值設為0。由于行目標與背景有較大的差別，可以采用設定閾值和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)：當閾值設定為185時，兩種方法處理效果差不多，對后期處理沒影響。Otsu算法不需要人為設定閾值，是一種自適應閾值確定的方法，計算方法簡單、適應性強且穩(wěn)定，所以本文采用Otsu算法對圖像進行二值化處理。

3作物行提取

3.1改進的形態(tài)學去噪

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，為了能更準確地提取出作物行骨架，依據(jù)作物行本身為線型的特點，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線型結構元素和3×3方形結構元素兩者相結合的形態(tài)學方法對其進行腐蝕、膨脹操作。特別針對同行玉米植株間有間斷的地方，運用5×1線型結構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用5×1線型結構元素進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，運用3×3方形結構元素可以填補圖像中的孔洞和孤立點，彌合細小縫隙。通過實驗，本文先對二值化后的圖像進行5×1的垂直方向2次腐蝕，再進行3×3的8次膨脹運算，然后進行5×1水平方向2次膨脹，最后再進行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結構元素相結合的方法，很好地連通了中央玉米植株間有間斷的地方，為后續(xù)準確提取中央作物行做了準備工作。

圖4　 玉米作物行的形態(tài)學處理圖

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)機械導航在玉米精準施藥時要對準中間兩行[8]。導航的路徑是一種線性結構信息，所以本文在檢測玉米作物行時，首先應對作物行輪廓進行細化處理，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)字距離變換法和拓撲細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的集合作為骨架，雖然在準確度上有明顯優(yōu)勢，但難以保證連通性；拓撲細化法雖然能保持提取骨架的連通性及拓撲結構性，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)學相結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M、N就是所要找的點，也即是中央作物行上的點。

圖5　最小相切圓模型

3.2.2提取步驟

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

1)首先，運用形態(tài)學細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。與此同時，腐蝕掉其余不滿足條件的像素點，那么這些滿足條件的像素點的集合就組成了中央作物行的骨架。提取結果如圖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Hough變換具有計算簡便、運算速度快等優(yōu)點，因此采取常用的隨機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)域提取結果

為了驗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行了相同的處理，處理的結果如圖8所示。

4實驗偏差分析

由于相機安裝在精準施藥機械上，當機械進行作業(yè)行走時，相機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與相機的位置偏差來分析作物行檢測的精準度更能說明問題。

針對兩幅不同區(qū)域內(nèi)的玉米作物行圖像，分別進行了偏差分析，結果如表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

試驗圖片區(qū)域大小/cm相機偏差/Pixels理論地理偏差/cm實際地理偏差/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結論

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

2)運用5×1線型結構元素和3×3方形結構元素相結合的方法對二值化圖像進行腐蝕、膨脹運算，得到作物行的大概輪廓，并對其進行細化處理。

3)運用最小相切圓和形態(tài)學相結合的方法提取中央作物行骨架，并對其進行直線擬合；運用實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確度。

4)該算法能夠較準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的主要拓撲結構，為將行信息應用于實時目標的識別提供了理論支持。

參考文獻：

[1]祖琴, 陳湘萍, 鄧巍.光譜圖像技術在精準施藥中的應用[J].農(nóng)機化研究, 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)機械視覺導航基準線識別[J]. 農(nóng)機化研究, 2013, 35(4):37-40.

[4]劉陽, 高國琴.農(nóng)業(yè)機械視覺導航基準線識別研究進展[J].農(nóng)機化研究, 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)工程學報, 2012, 28(17):163-171.

[6]張志強, 宋海生.應用Ostu改進Canny算子的圖像邊緣檢測方法[J].計算機與數(shù)字工程, 2014, 42(1):122-128.

[7]林德貴, 曾健民.基于數(shù)學形態(tài)學的提升小波圖像去噪[J].計算機技術與發(fā)展,2013, 23(5):83-85.

[8]黃寶貴, 馬春梅, 盧振泰.新的形態(tài)學圖像降噪方法[J].計算機應用, 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

文獻標識碼：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。

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

收稿日期：2015-04-27