喬智利，崔彥平，鄒新光

( 河北科技大學(xué) 機(jī)械工程學(xué)院，石家莊　050018)

?

農(nóng)田視覺導(dǎo)航基準(zhǔn)線的識別與提取方法研究

喬智利，崔彥平，鄒新光

( 河北科技大學(xué) 機(jī)械工程學(xué)院，石家莊050018)

摘要：提出了一種基于農(nóng)田圖像處理的視覺導(dǎo)航基準(zhǔn)線的提取方法。該方法首先使用加權(quán)平均法(2G-R-B)對原圖像進(jìn)行灰度化處理；采用改進(jìn)最大化類間方差分割灰度圖像；再用小面積法去噪；識別去噪后的圖像的中心點(diǎn)，確定導(dǎo)航中心點(diǎn)位置?；谥行狞c(diǎn)的分布規(guī)律，將圖像中識別出的中心點(diǎn)進(jìn)行篩選，得到有效的導(dǎo)航基準(zhǔn)中心點(diǎn)，使用改進(jìn)霍夫變換與最小二乘法相結(jié)合的方法提取導(dǎo)航基準(zhǔn)線。本文方法能夠準(zhǔn)確地識別和提取導(dǎo)航基準(zhǔn)線，實(shí)驗(yàn)證明了該方法的有效性和實(shí)時(shí)性。

關(guān)鍵詞：農(nóng)作物；中心點(diǎn)；導(dǎo)航基準(zhǔn)線

0引言

“精確農(nóng)業(yè)”技術(shù)已被國際農(nóng)業(yè)科技界認(rèn)為是21世紀(jì)實(shí)現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展的先導(dǎo)性技術(shù)之一[1]。農(nóng)業(yè)自動化裝備的自動導(dǎo)航技術(shù)是現(xiàn)代智能農(nóng)業(yè)機(jī)械的一個(gè)重要組成部分。視覺方法是近年發(fā)展起來的一種先進(jìn)導(dǎo)航方法[2]，該方法是對圖像進(jìn)行分析處理并提取導(dǎo)航路徑。其中，關(guān)鍵環(huán)節(jié)在于通過圖像處理技術(shù)準(zhǔn)確可靠地提取導(dǎo)航基準(zhǔn)線[3]。

曹倩、王庫[4]等人提出了先對圖像進(jìn)行加權(quán)平均法灰度化，再進(jìn)行閾值分割和濾波，最后檢測并提取導(dǎo)航信息。司永勝、姜國權(quán)[5]等人在此基礎(chǔ)上提出垂直投影法，先確定作物中心點(diǎn)，再對中心點(diǎn)進(jìn)行擬合，得到導(dǎo)航線。由于垂直投影法確定的是農(nóng)作物中心點(diǎn)，當(dāng)對種植濃密程度不均勻的農(nóng)作物圖像進(jìn)行處理時(shí)，該方法存在定位不準(zhǔn)確的問題。

本文提出了一種通過提取路徑中心點(diǎn)來擬合導(dǎo)航基準(zhǔn)線的導(dǎo)航方法。該方法使用加權(quán)平均法對原圖像進(jìn)行灰度化處理，然后采用改進(jìn)最大化類間方差(也稱Otsu算法)分割圖像，再用小面積法去噪。圖像預(yù)處理完成之后，進(jìn)行導(dǎo)航基準(zhǔn)線的擬合，首先把二值圖像矩陣中每行值為1的相鄰像素列坐標(biāo)差值最大的點(diǎn)定義為路徑中心點(diǎn)，利用路徑中心點(diǎn)分布規(guī)律分段對其優(yōu)化篩選，去除無效點(diǎn)；再用改進(jìn)霍夫變換剔除奇異點(diǎn)，最后用最小二乘法擬合導(dǎo)航基準(zhǔn)線。

1農(nóng)田圖像預(yù)處理

1.12G-R-B灰度變換

根據(jù)RGB三基色原理[6]，各種顏色的光都可以由紅(R)、綠(G)、藍(lán)(B)3種基色加權(quán)混合而成。大部分農(nóng)作物在生長期具有較高的G值，而農(nóng)作物的背景R和B值較高。Ohta等人歸納出3個(gè)正交的彩色特征[7]，有

(1)

本文采用加權(quán)平均法灰度化方法，即I3特征，該方法對RGB模型中G分量加大權(quán)重，符合有較高G值的農(nóng)作物圖像灰度化處理。

1.2灰度圖像閾值分割

經(jīng)灰度化處理后，農(nóng)田圖像直方圖多數(shù)有雙峰但無明顯低谷，或者雙峰與低谷都不明顯。Otsu算法[8-9]可以實(shí)現(xiàn)閾值的自動選取且能夠得到較為滿意的效果；但由于它對圖像中每一個(gè)像素查找最優(yōu)閾值，導(dǎo)致該方法耗時(shí)較長。

本文采用改進(jìn)Otsu算法[10-11]：求出灰度值的均值μ；農(nóng)田圖像灰度化后，農(nóng)作物的灰度值會明顯大于背景灰度值；農(nóng)作物的灰度值肯定大于灰度值的均值μ，把均值μ定為尋找最優(yōu)閾值的下限。

均值μ把圖像灰度值分為兩個(gè)部分。設(shè)大于μ的區(qū)域?yàn)镈，再計(jì)算D區(qū)域的灰度值均值，有

(2)

式中fD(i,j)—區(qū)域D中點(diǎn)(i,j)的灰度值；

ND—區(qū)域D中像素點(diǎn)的總個(gè)數(shù)。

區(qū)域D中包括農(nóng)作物的像素點(diǎn)和少量農(nóng)作物背景像素點(diǎn)。如果區(qū)域D中農(nóng)作物背景灰度的均值為μ0，必有μ0<μD,且有μ0<μ, 最優(yōu)閾值尋找區(qū)間為(μ，μD)。在此區(qū)間內(nèi)，用Otsu算法尋找最優(yōu)閾值，這樣可以大大縮短時(shí)間。

1.3去除噪聲

由于農(nóng)田環(huán)境自身的特點(diǎn)，閾值分割后的圖像還存在雜草、土塊等引起的顆粒狀噪聲，這些噪聲都是一些離散的點(diǎn)。去除噪聲，常用的濾波方法為中值濾波[12-14]。中值濾波對脈沖干擾和椒鹽噪聲的抑制效果好，但對點(diǎn)、線細(xì)節(jié)較多的圖像不太合適。實(shí)際農(nóng)田圖像中顆粒狀噪聲點(diǎn)大小不均且數(shù)量較多，用中值濾波效果并不理想。這些噪聲點(diǎn)和農(nóng)作物相比面積較小，所以根據(jù)面積大小進(jìn)行濾波[13，15]，即小面積法濾波，若S(x,y) ≤10，則把這塊區(qū)域的值都賦為0。則有

(3)

實(shí)際背景復(fù)雜圖像中包含有很多干擾，比如小土塊干擾的噪聲點(diǎn)比較大。小面積濾波可以去除比較大的噪聲點(diǎn)，所以用小面積濾波比中值濾波效果理想。

2導(dǎo)航基準(zhǔn)線的確定

2.1導(dǎo)航路徑中心點(diǎn)的確定

導(dǎo)航基準(zhǔn)線是視覺導(dǎo)航車行走的基準(zhǔn)，以此基準(zhǔn)進(jìn)行路徑規(guī)劃和動作。導(dǎo)航基準(zhǔn)線是由中心點(diǎn)來確定的，所以確定導(dǎo)航基準(zhǔn)線的基礎(chǔ)是先確定中心點(diǎn)。中心點(diǎn)是通過掃描圖像中每條水平線來確定的，下文介紹其確定方法。

在圖像預(yù)處理后，得到二值圖是一個(gè)矩陣，該矩陣中只有值為0和1的元素，下文中把它稱為圖像矩陣。把圖像矩陣中值為1的區(qū)域認(rèn)為是農(nóng)作物，值為0的區(qū)域認(rèn)為是路徑。對于農(nóng)田圖像來說，應(yīng)該在比較寬的農(nóng)作物行間查找航路徑的中心點(diǎn)。本文用列坐標(biāo)最大差值法來識別中心點(diǎn)，基本思想是：

1) 確定農(nóng)作物矩陣。在圖像矩陣中，找到所有值為1元素的列坐標(biāo)的值，將其組成一個(gè)新的矩陣，本文稱其為農(nóng)作物矩陣C。

2)確定最大差值。對農(nóng)作物矩陣C中左右相鄰元素做差運(yùn)算。在每一行中尋找最大差值，有

Mi=max(Ci(j+1)-Cij)

(4)

其中，Mi為最大差值；Cij&Ci(j+1)為矩陣C中左右相鄰的元素。

3)確定中心點(diǎn)。在矩陣C中，找到每一行中差值最大的兩個(gè)元素。本文把這兩個(gè)元素的均值定義為圖像中路徑的中心點(diǎn)的列坐標(biāo)。

以圖1(a)矩陣為例，區(qū)域1和區(qū)域2都是路徑。通過上述方法，提取出的中心點(diǎn)為如圖1(b)中陰影區(qū)域。區(qū)域2比區(qū)域1寬，所以區(qū)域2中這些中心點(diǎn)適合作為路徑中心點(diǎn)。

(a)　6×12矩陣　　　　　(b)　中心點(diǎn)的識別

(c)　9×12矩陣　　　　　(d)　中心點(diǎn)的分布

圖1(a)的矩陣是比較理想的矩陣，而實(shí)際情況往往是比較復(fù)雜矩陣，圖1(c)是用上述方法對比較復(fù)雜矩陣處理結(jié)果。圖1(c)中，很明顯有一部分是無效點(diǎn)(如圖1(c)中無效點(diǎn))。無效點(diǎn)是由于其他較寬的路徑影響而產(chǎn)生的，如何除去無效點(diǎn)是一個(gè)關(guān)鍵問題。本文利用導(dǎo)航路徑中心點(diǎn)分布規(guī)律，進(jìn)行篩選去除無效點(diǎn)，具體方法如下：

1)首先把圖像的列分為N段，對中心點(diǎn)進(jìn)行區(qū)間劃分，找到分布率最高的區(qū)間I。

2)由于圖像中農(nóng)作物行不是垂直的，而每個(gè)區(qū)間范圍是有限的，中心點(diǎn)不一定分布在一個(gè)區(qū)間內(nèi)。去除無效點(diǎn)的原則是：去掉(I-ΔI，I+ΔI)區(qū)間之外的中心點(diǎn)。

利用上述方法對圖1(c)的矩陣進(jìn)行處理，取N=4，分布圖見圖1(d)，中心點(diǎn)分布率最高的是第3個(gè)區(qū)間。設(shè)定ΔI=1，就可以去除無效點(diǎn)。

2.2導(dǎo)航基準(zhǔn)線的確定

在一些復(fù)雜的農(nóng)田環(huán)境中，中心點(diǎn)很有可能線性度不理想，所以為了得到比較理想的導(dǎo)航基準(zhǔn)線，需要先剔除奇異點(diǎn)，再擬合直線。本文首先用改進(jìn)霍夫變換[16-17]剔除奇異點(diǎn)；然后，用最小二乘法[18-19]擬合導(dǎo)航基準(zhǔn)線。具體方法如下：

ρk=xicosθk+yisinθk,

i=1,2,···，n;k=1,2,···,R

(5)

其中，M(xi,yi)T(i=1,2,···,n)為剩余中心點(diǎn)的坐標(biāo)。

yi=ak·xi+bk

(6)

3)計(jì)算中心點(diǎn)到R條直線的距離。計(jì)算M中的點(diǎn)到由式(6)確定的R條直線的距離，有

i=1,2,···,n;k=1,2,···,R

(7)

4)刪除奇異點(diǎn)。分別求每條直線對應(yīng)的距離均值和標(biāo)準(zhǔn)差，則有

(8)

i=1,2,···,n;k=1,2,···,R

(9)

利用3×σ原則[1，20]把距均值距離大于3×σ的中心點(diǎn)刪掉，得到中心點(diǎn)集M*。

5)以中心點(diǎn)集M*為擬合數(shù)據(jù)，利用最小二乘法擬合導(dǎo)航基準(zhǔn)線。

3實(shí)驗(yàn)結(jié)果與分析

3.1改進(jìn)Otsu算法圖像分割實(shí)驗(yàn)研究

分別采用Otsu算法和改進(jìn)Otsu算法對胡蘿卜圖像處理，圖2(c)中的噪聲點(diǎn)明顯比圖2(b)中的少，改進(jìn)Otsu算法處理效果略微優(yōu)于Otsu算法，所以改進(jìn)Otsu算法是有效的。

本文中處理的原圖像是640×480的彩色圖像。所用的計(jì)算機(jī)配置為CPU主頻3.3GHz，內(nèi)存1.82GB，使用的軟件是MATLAB2010b版本。兩種方法處理圖像的時(shí)間如表1所示。

(a)　灰度圖像　　　　　　　　(b)　Otsu算法

(c)　改進(jìn)Otsu算法

s

表1中，改進(jìn)Otsu算法耗時(shí)約為Otsu算法耗時(shí)的1/2，說明縮小尋找最優(yōu)閾值的范圍是有效的，而且也達(dá)到減少耗時(shí)的目的。

3.2小面積去噪實(shí)驗(yàn)研究

對加椒鹽噪聲和不加噪聲的胡蘿卜農(nóng)田圖像處理，分別采用中值濾波和小面積方法，由圖3(經(jīng)過局部放大)可知：對加入噪聲和不加噪聲的圖像處理，結(jié)果均為小面積法優(yōu)于中值濾波。該實(shí)驗(yàn)說明了中值濾波去除復(fù)雜噪聲點(diǎn)效果不理想，證明了小面積法濾波的有效性。

(a)　中值濾波　　　　 　　(b)　小面積濾波

(c)　加椒鹽噪聲后中值濾波　　(d)　加椒鹽噪聲后小面積濾波

3.3無效點(diǎn)和奇異點(diǎn)對導(dǎo)航基準(zhǔn)線的影響實(shí)驗(yàn)研究

本實(shí)驗(yàn)對預(yù)處理后的圖像進(jìn)行基準(zhǔn)線的提取。圖4(a)中提取的導(dǎo)航基準(zhǔn)線明顯偏離了路徑中心線，這是由于無效點(diǎn)的影響。所以，去除無效點(diǎn)是不可或缺的關(guān)鍵過程。

(a)　存在無效點(diǎn)和奇異點(diǎn)　　　(b)　去除無效點(diǎn)，存在奇異點(diǎn)

(c)　去除無效點(diǎn)，且剔除奇異點(diǎn)

去除無效點(diǎn)后，直接用最小二乘法擬合直線,擬合直線易受奇異點(diǎn)的影響，而霍夫變換抗干擾能力強(qiáng)，所以先用霍夫變換剔除奇異點(diǎn)；然后用最小二乘法擬合導(dǎo)航基準(zhǔn)線。

直接利用最小二乘法擬合得到的導(dǎo)航基準(zhǔn)線l1(見圖4(b)中直線)方程為

u=181.9538v-62438.7634

(9)

剔除奇異點(diǎn)后再利用最小二乘法擬合到的導(dǎo)航基準(zhǔn)線l2(見圖4(c)中直線)方程為

u=-31.0704v+10495.5538

(10)

剔除奇異點(diǎn)后中心點(diǎn)數(shù)為260個(gè)，分別計(jì)算這些中心點(diǎn)到l1和l2距離之和，結(jié)果為1 407.7和846。由此可以看出：剔除奇異點(diǎn)后擬合的導(dǎo)航基準(zhǔn)線精度更高。

3.4本文方法與垂直投影法對比實(shí)驗(yàn)研究

分別用本文方法和垂直投影法胡對蘿卜農(nóng)田圖像處理，利用垂直投影法提取的導(dǎo)航基準(zhǔn)線是圖5(b)和圖5(d)中直線。由圖5可知，通過與垂直投影法提取到導(dǎo)航基準(zhǔn)線比較，而本文提出的方法更為有效。

(a)　胡蘿卜圖像-本文方法　　(b)　胡蘿卜圖像-垂直投影法

(c)　芋頭圖像-本文方法　　　(d)　芋頭圖像-垂直投影法

表2是對兩種算法的實(shí)時(shí)性測試?？捎杀?看出：對兩幅圖像處理，本文算法耗時(shí)均比垂直投影法耗時(shí)少。所以本文算法符合導(dǎo)航的實(shí)時(shí)性。

表2　不同農(nóng)作物基準(zhǔn)線生成兩種算法的耗時(shí)

4結(jié)論

通過加權(quán)平均法灰度化處理、改進(jìn)Otsu算法圖像分割和小面積法去噪，完成了圖像預(yù)處理。用列坐標(biāo)最大差值法識別導(dǎo)航基準(zhǔn)中心點(diǎn)，利用中心分布規(guī)律去除無效的中心點(diǎn)和使用改進(jìn)霍夫變換剔除奇異點(diǎn)，最后最小二乘法擬合導(dǎo)航基準(zhǔn)線。實(shí)驗(yàn)表明：本文研究的方法不受農(nóng)作物種植疏密程度影響，具有較好的可靠性和實(shí)時(shí)性。

參考文獻(xiàn)：

[1]武軍，謝英麗，安丙儉，等.我國精準(zhǔn)農(nóng)業(yè)的研究現(xiàn)狀與發(fā)展對策[J].山東農(nóng)業(yè)科學(xué)，2013，45(9)：118-121.

[2]王先敏，曾慶化，熊智.視覺導(dǎo)航相關(guān)技術(shù)的發(fā)展及其研究分析[J].信息與控制，2010，39(5)：607-613.

[3]李景彬，陳兵旗，劉陽，等.采棉機(jī)視覺導(dǎo)航路線圖像檢測方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29(11)：11-19.

[4]曹倩，王庫，楊永輝，等.基于TMS320DM642的農(nóng)業(yè)機(jī)器人視覺導(dǎo)航路徑檢測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40(7)：172-175.

[5]司永勝，姜國權(quán)，劉剛，等.基于最小二乘法的早期作物行中心線檢測方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41(7)：163-167.

[6]徐光磊，葛寶臻.組合數(shù)字彩色動感全息圖的研究[J].激光與紅外，2012，42(7)：805-810.

[7]Ohta Y, Kanade T, Sakai T. Color information for region segmentation[J].Computer Graphics and Image Processing, 1980, 13(3): 222-241.

[8]Payne A B, Walsh K B, Subedi P P, et al. Estimation of mango crop yield using image analysis - Segmentation method[J].Computers and Electronics in Agriculture, 2013,91: 57-64.

[9]袁媛,李淼,陳晟，等.復(fù)雜背景黃瓜葉部病害圖像分割方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(10)：233-237.

[10]黃麗麗，楊帆，王東強(qiáng)，等.基于改進(jìn)型最大類間方差法的瞳孔定位方法[J].計(jì)算機(jī)工程與應(yīng)用，2013(23)：137-140.

[11]張亞秋，吳文福，王剛.基于逐步改變閾值方法的玉米種子圖像分割[J].農(nóng)業(yè)工程學(xué)報(bào)，2011, 27(7): 200-204.

[12]吳德剛，趙利平.一種去除圖像混合噪聲的濾波算法[J].自動化儀表，2012，33(9)：11-13.

[13]李茗萱，張漫，孟慶寬，等.基于掃描濾波的農(nóng)機(jī)具視覺導(dǎo)航基準(zhǔn)線快速檢測方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2013，29(1)：41-47.

[14]李進(jìn)，陳無畏.基于自適應(yīng)導(dǎo)航參數(shù)的智能車輛視覺導(dǎo)航[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43(6)：19-24，152.

[15]馮娟，劉剛，司永勝，等.果園視覺導(dǎo)航基準(zhǔn)線生成算法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43(7)：185-189.

[16]龐廣樺，紀(jì)壽慶，王陽萍. 基于霍夫變換的全景圖中建筑物識別方法[J]. 蘭州交通大學(xué)學(xué)報(bào)，2014(6)：6-10.

[17]段汝嬌，趙偉，黃松嶺，等.一種基于改進(jìn)Hough變換的直線快速檢測算法[J].儀器儀表學(xué)報(bào)，2010，31(12)：2774-2780.

[18]王新忠，韓旭，毛罕平，等.基于最小二乘法的溫室番茄壟間視覺導(dǎo)航路徑檢測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43(6)：161-166.

[19]郭斯羽，翟文娟，唐求，等.結(jié)合Hough變換與改進(jìn)最小二乘法的直線檢測[J].計(jì)算機(jī)科學(xué)，2012，39(4)：196-200.

[20]王惠文，李楠.基于全信息的正態(tài)分布型數(shù)據(jù)的線性回歸分析[J].北京航空航天大學(xué)學(xué)報(bào)，2012，38(10)：1275-1279.

Study on the Method of Visual Navigation Baseline Identification and Extraction of Farmland

Qiao Zhili， Cui Yanping， Zou Xinguang

(College of Mechanical Engineering, Hebei University of Science and Technology, Shijiazhuang 050018, China)

Abstract：In this paper a method is presented to extracts visual navigation baseline based on the image processing of farmland. Firstly, the original image was gray scale processed using the weighted average method(2G-R-B) in this method. And then improved maximize between-class variance was used for gray scale image segmentation. Then the binary image of the division was denoised with small area method. The center points were identified on denoised image, to determine the location of the center navigation.Based on the distribution of the center point, image obtained effective navigation center points after filtering.The navigation baseline was generated by using Hough transform.The proposed method and vertical projection method were used to handle different images of the crops. The conclusion is mentioned method is effective and has the real-time property.

Key words：crops；center points； navigation baseline

文章編號：1003-188X(2016)07-0124-05

中圖分類號：S127；TP242.6

文獻(xiàn)標(biāo)識碼：A

作者簡介：喬智利(1989 -) ，男，河北張家口人，碩士研究生，(E-mail)qzhili2008@163.com。通訊作者：崔彥平(1973 -) ，男，石家莊人，教授，(E-mail)cuiypkd@163.com。

基金項(xiàng)目：河北省科技支撐計(jì)劃項(xiàng)目(14227202D)

收稿日期：2015-06--07