陳益杉，盧偉,，王玲，田光兆

（1. 南京農(nóng)業(yè)大學(xué)工學(xué)院/南京農(nóng)業(yè)大學(xué)江蘇省農(nóng)業(yè)智能化裝備重點實驗室，江蘇 南京 210031；2. 江蘇省遠(yuǎn)程測控重點實驗室，江蘇 南京 210096）

基于GIF-Shearlet算法的新舊土邊界線視覺導(dǎo)航技術(shù)研究

陳益杉1，盧偉1,2*，王玲1，田光兆1

（1. 南京農(nóng)業(yè)大學(xué)工學(xué)院/南京農(nóng)業(yè)大學(xué)江蘇省農(nóng)業(yè)智能化裝備重點實驗室，江蘇 南京 210031；2. 江蘇省遠(yuǎn)程測控重點實驗室，江蘇 南京 210096）

針對遙操作拖拉機(jī)駕駛機(jī)器人旋耕作業(yè)時，工作環(huán)境中作物行多樣化、光照不均的特點，提出一種基于導(dǎo)向濾波（Guided Image Filter）和剪切波變換（Shearlet Transform）的方法用于提取新舊土邊界線以完成拖拉機(jī)視覺導(dǎo)航。首先，將圖像快速轉(zhuǎn)換到Y(jié)CrCb顏色空間，對灰度化的圖像進(jìn)行導(dǎo)向濾波，然后使用Shearlet-canny算子提取新舊土的邊緣信息，最后經(jīng)過Hough變換給出視覺導(dǎo)航線。結(jié)果表明，在YCrCb顏色空間對圖像進(jìn)行灰度化處理與HSV、HIS、RGB顏色空間相比，效果最好，耗時最短，分別快94.0%、94.3%和25.4%；導(dǎo)向濾波處理圖像的方法與Tarel中值濾波、MRetinex濾波、小波域Retinex濾波及同態(tài)濾波相比，算法耗時分別短87.5%、79.5%、88.8%和87.0%；采用Shearlet-Canny算子檢測邊緣并經(jīng)過Hough變換后提取的導(dǎo)航線精確度最高，最大誤差小于0.5°。研究表明，基于導(dǎo)向濾波和剪切波變換的新舊土邊界線提取方法用于拖拉機(jī)智能導(dǎo)航是可行的。

智能拖拉機(jī)；遙操作；視覺導(dǎo)航；新舊土；導(dǎo)向濾波；剪切波變換

農(nóng)業(yè)機(jī)械化和智能化是精準(zhǔn)農(nóng)業(yè)的重要內(nèi)容，土地的精準(zhǔn)耕整可有效提高水、肥和藥利用率[1]。由于農(nóng)田作業(yè)環(huán)境的高度復(fù)雜性和現(xiàn)有科技發(fā)展水平制約，農(nóng)業(yè)機(jī)械的完全自主作業(yè)具有較大難度[2]。因此，已有學(xué)者研究駕駛員監(jiān)控下的農(nóng)業(yè)機(jī)械輔助轉(zhuǎn)向系統(tǒng)，來減小駕駛員的工作強(qiáng)度[3]，為進(jìn)一步將駕駛員從高溫、振動的農(nóng)業(yè)機(jī)械駕駛室內(nèi)解放出來，遙操作駕駛技術(shù)應(yīng)運而生，工作人員可遠(yuǎn)程操控農(nóng)業(yè)機(jī)械的作業(yè)[4]，當(dāng)農(nóng)業(yè)機(jī)械上安裝駕駛機(jī)器人時，通過遙操作技術(shù)可實現(xiàn)農(nóng)業(yè)機(jī)械的遠(yuǎn)程操控，結(jié)合自動導(dǎo)航技術(shù)可實現(xiàn)駕駛機(jī)器人的局部自主導(dǎo)航控制。

常用的自動導(dǎo)航方法有衛(wèi)星導(dǎo)航（GPS、北斗[5]）和機(jī)器視覺導(dǎo)航[6]等技術(shù)。為實現(xiàn)農(nóng)田的厘米級衛(wèi)星精確導(dǎo)航，GPS和北斗技術(shù)均需采用地基增強(qiáng)差分技術(shù)，但成本高昂。視覺導(dǎo)航技術(shù)成本低廉，但算法復(fù)雜。目前，農(nóng)業(yè)機(jī)械視覺導(dǎo)航主要基于農(nóng)作物識別[7-8]。Halmstad大學(xué)基于作物行的機(jī)器視覺識別算法，設(shè)計了雜草識別和自動導(dǎo)航兩個可獨立作業(yè)的機(jī)器視覺系統(tǒng)，在導(dǎo)航過程中可減小雜草的影響。瑞典BjprnAs-trand基于Hough變換的強(qiáng)魯棒性作物行識別導(dǎo)航算法，通過融合多壟信息，可有效克服雜草噪聲影響，但只能處理規(guī)則平直的作物行。中國農(nóng)業(yè)大學(xué)基于機(jī)器視覺的自動導(dǎo)航系統(tǒng)現(xiàn)有導(dǎo)航線提取算法，提出一種基于圖像掃描濾波的導(dǎo)航線提取方法，該方法在傳統(tǒng)多種圖像處理算法的基礎(chǔ)上結(jié)合圖像掃描濾波的方法來提高導(dǎo)航線提取算法的速度和適應(yīng)性。

針對遙操作拖拉機(jī)駕駛機(jī)器人旋耕作業(yè)時行駛軌跡近似平行的特點，以及工作環(huán)境中光照不均、作物行多樣化的問題，本文擬以視覺圖像的新舊土為研究對象，基于YCrCb顏色空間將圖像灰度化，采用導(dǎo)向濾波對研究圖像進(jìn)行去噪處理，將Shearlet變換與Canny算子結(jié)合，對圖像進(jìn)行邊緣檢測處理，最后提取出新舊土邊界線用于拖拉機(jī)視覺導(dǎo)航。

1 實驗平臺

遙操作拖拉機(jī)駕駛機(jī)器人實驗平臺[9]由拖拉機(jī)本體（金馬300E）和駕駛機(jī)器人組成，駕駛機(jī)器人包括方向盤、油門、剎車、換擋等控制系統(tǒng)，以及視覺攝像頭（分辨率為1280×980）、測距、導(dǎo)航等傳感系統(tǒng)組成（圖1）。工作時，先通過遙操作實現(xiàn)第一個回耕，然后通過攝像頭采集拖拉機(jī)前方的田間圖像，基于新舊土邊界線實現(xiàn)局部自主導(dǎo)航作業(yè)。

由于農(nóng)田中作物行多樣化，且光照不均，因此需要對圖像進(jìn)行最優(yōu)空間轉(zhuǎn)換、濾波和邊緣檢測，最后經(jīng)過Hough變換擬合出新舊土邊界線。

2 新舊土邊界線研究

2.1 顏色空間轉(zhuǎn)換

各空間模型轉(zhuǎn)換所需時間見表1。YCrCb空間[10]模型處理算法耗時最短；基于HSV和HIS空間的圖像算法耗時均高于YCrCb與RGB顏色空間。

圖1 智能拖拉機(jī)駕駛機(jī)器人平臺Fig. 1 Robot driver platform of intelligent tractor

表1 不同顏色空間圖像轉(zhuǎn)灰度耗時比較Table 1 Time-consuming contrast of gray processing in different color spaces

圖2為紅色色度（Cr）通道、明度（V）通道、亮度（I）通道、紅色（R）通道在相同像素值區(qū)間下的頻率取值。通過各通道的頻率分布值比較，可以選出閾值最明顯、最適合用于圖像分割的目標(biāo)。在光照不均的環(huán)境下進(jìn)行多次實驗后，結(jié)果表明，Cr通道相比于其他三類通道，在相同的像素值區(qū)間范圍內(nèi)，閾值最顯著，結(jié)合其耗時最短的優(yōu)勢，文章將Cr通道作為新舊土識別的依據(jù)。2.2 濾波方法研究

圖2 各分量在相同像素值區(qū)間下的頻率值比較Fig. 2 Frequency comparison of different components in the same pixel section

同態(tài)濾波法[11]被廣泛用于處理光照不均的圖像。但是，經(jīng)對比發(fā)現(xiàn)，同態(tài)濾波法處理圖像后沒有突出其新舊土分界嶺的顯著性。原因是，同態(tài)濾波法的目的在于選擇性加強(qiáng)突變分量（分界線）并抑制慢變化的分量和噪聲，而對于遙操作拖拉機(jī)駕駛機(jī)器人旋耕作業(yè)環(huán)境下的土壤，慢變化的分量與噪聲居多，即便在新舊土分界線兩側(cè)，新土與舊土之間的差異也不含較強(qiáng)的突變性。因此，同態(tài)濾波法不利于邊緣特征信息的提取。

2.2.1 局部線性模型 局部線性模型[12]適于表示非解析函數(shù)。該模型認(rèn)為，一個復(fù)雜的函數(shù)可由多個局部的簡單線性函數(shù)表示。通過計算所有包含該點的線性函數(shù)的值并對其求平均值，即可計算該函數(shù)上某一點的值。

若把一幅圖像當(dāng)作一個二維函數(shù)，在無法明確該函數(shù)的解析表達(dá)式的情況下，假設(shè)此函數(shù)的輸入通過一個二維窗口得到的輸出與其滿足線性關(guān)系：

式中：q為輸出像素的值；i和k是像素索引；I是輸入圖像的值，即待濾波的圖像或其他圖像的引導(dǎo)圖像；a和b為窗口中心位于k處時該線性函數(shù)的系數(shù)。

對公式（1）兩邊做梯度運算，可得：

式中：由于輸出像素值q與輸入圖像I具有類似的梯度，因此輸入圖像通過二維窗口后仍可保持圖像的邊緣特性。

2.2.2 局部線性模型求解 線性回歸，即計算線性函數(shù)的系數(shù)。擬合函數(shù)的真實值p與實際輸出值間的差距為：

式中：p為待濾波圖像；ε是為防止a值過大而引入的具有調(diào)節(jié)濾波效果的參數(shù)，ε越大，濾波效果越明顯?；谧钚《朔?，可得：

式中：μk，σ2k分別為I在窗口中的平均值與方差；p-k是待濾波圖像p在窗口的均值；|w|是窗口中包含像素的數(shù)量。

一個像素可能由多個線性函數(shù)描述，所以計算某點輸出值時，需將所有包含該點的線性函數(shù)值做加權(quán)平均：

導(dǎo)向濾波[13]的計算正是基于該線性平移變化濾波過程。

2.2.3 導(dǎo)向濾波 導(dǎo)向濾波包括一幅導(dǎo)向圖像I，一幅濾波輸入圖像p，以及一幅輸出圖像q，其中I和p根據(jù)需求確定，且可以相同。

輸出圖像中，一個像素i可表示為一個加權(quán)平均：

式中：i與j為像素；wij是一個濾波核，為導(dǎo)向圖像I與獨立變量p之間的函數(shù)。

圖3為導(dǎo)向濾波的進(jìn)程圖。Ii、Pi、qi表示一個像素i的加權(quán)平均；wi表示噪聲像素的加權(quán)平均。假設(shè)一個導(dǎo)向圖P，P與原圖I之間的關(guān)系由局部線性模型表示。q為原圖I在窗口中鄰近假定像素值k的線性變換，a和b即窗口中心位于k處時該線性函數(shù)的系數(shù)。從圖中看出，輸出像素值q與輸入圖像I具有類似的梯度，圖像的邊緣特性經(jīng)過局部線性過程后仍可保持。

圖3 導(dǎo)向濾波進(jìn)程圖Fig. 3 Guided image filter processing

2.3 基于Shearlet-canny變換的邊緣檢測

2.3.1 Shearlet理論 為克服傳統(tǒng)邊緣檢測算子存在的不足，近年來，Labate 等提出了Shearlet（剪切波）變換的概念。Shearlet變換[14-18]可有效捕捉圖像中的曲線幾何結(jié)構(gòu)，因此被應(yīng)用于圖像的邊緣檢測。通過應(yīng)用模極大值原理檢測圖像得出候選邊緣點，而后沿邊緣方向抑制非極大值點，最后使用閾值修正邊緣點，具有較好的邊緣檢測效果。它是一種接近最優(yōu)的多維函數(shù)稀疏表示方法，其數(shù)學(xué)結(jié)構(gòu)較為簡單，可通過對某一個函數(shù)做伸縮、旋轉(zhuǎn)、平移得到一組基函數(shù)，從而與多分辨分析相關(guān)聯(lián)。

Shearlet系統(tǒng)可表示為：

式中：Aa為各向異性膨脹矩陣；Bs為剪切矩陣。

2.3.2 Shearlet變換 一個函數(shù)的Shearlet變換，等同于此函數(shù)通過Shearlet系統(tǒng)Ψa,s,t。在n=2時，函數(shù)f∈L2(R2)的Shearlet變換為：

式中：a〉0為尺度參數(shù)；s∈R為剪切參數(shù)；t∈R為平移參數(shù)。

Shearlet變換中的函數(shù)Ψ需要通過參數(shù)a與s的Shearlet頻域支集圖來構(gòu)造。圖4為不同a與s的Shearlet頻域支集圖。函數(shù)Ψ在Shearlet系統(tǒng)中的作用重大，而圖中的兩個參數(shù)a與s是函數(shù)Ψ的兩個重要變量，需要通過構(gòu)造a與s使Ψ滿足以下定義[19]。

令Ψ∈L2(R2)滿足以下條件：

對任意的ξ=（ξ1，ξ2），ξ1≠0滿足：

圖4 不同a和s的Shearlet頻域支集圖Fig. 4 Shearlet frequency supporting map of different a and s

對研究圖像作Shearlet離散變換，通過對尺度參數(shù)a與剪切參數(shù)s進(jìn)行離散化，可實現(xiàn)Shearlet離散變換。離散Shearlet具有較好的局部化特性，基函數(shù)的支撐區(qū)域滿足拋物線尺度化，隨著尺度的變化，可精確描述函數(shù)的奇異性特征。將Shearlet變換與canny算子結(jié)合，可對研究圖像進(jìn)行最優(yōu)逼近，從而提取邊緣信息。用ws,k表示多方向Shearlet變換，其中s為0或1，k∈[-2n，2n]，k∈Z，n∈N。s1=0時，Shearlet變換應(yīng)用于水平方向；s2=1時，Shearlet變換應(yīng)用于垂直方向。原圖像f (x,y)經(jīng)過Shearlet變換后可得到2×（2n+1+1）個Shearlet變換圖像：

Shearlet變換在水平方向上，s=0,像素點變換為：

圖5為n=2時的Shearlet變換過程，其中f [n1,n2]為輸入圖像；faj和fd

j分別為j尺度下的低通成分與高通成分。

圖5 Shearlet變換過程Fig. 5 Shearlet transform processing

Shearlet-canny變換算法具體計算步驟為：

Step 1：讀入圖像f [n1，n2]；

Step 2：通過拉普拉斯金字塔將圖像f [n1，n2]分解為低通子帶faj和高通子帶fd

j；Step 3：將高通子帶fdj從笛卡爾坐標(biāo)系轉(zhuǎn)換到偽極坐標(biāo)系，所產(chǎn)生矩陣經(jīng)過一個頻域子帶濾波器，偽極坐標(biāo)系轉(zhuǎn)換回笛卡爾坐標(biāo)系；

Step 4：利用Shearlet變換的多方向特性，變換求得若干子圖像輸出。對多個方向的子圖像分別進(jìn)行canny邊緣檢測，得到各自的邊緣圖像；

Step 5：對步驟2中的各個方向的子圖像進(jìn)行Shearlet反變換；

Step 6：根據(jù)不同圖像邊緣可以互補(bǔ)的原理，采用邏輯運算符對反變換后圖像進(jìn)行融合。

Shearlet理論在頻域變換下，關(guān)鍵在于公式的離散化。頻率域內(nèi)的采樣并非定義在笛卡爾坐標(biāo)系下，而是在沿經(jīng)過原點的各種斜率的直線上，即偽極坐標(biāo)系下。最后將邊緣檢測[20]后的結(jié)果進(jìn)行Hough變換[21-22]。

3 測試實驗

為驗證文中導(dǎo)航線提取方法在自然環(huán)境作業(yè)下的有效性，采用操作系統(tǒng)為32位的Windows7、處理器配置為Core(TM)i5雙核2.5GHz、系統(tǒng)內(nèi)存為4G的普通PC，在Matlab R2013b上將本文所提方法進(jìn)行對比分析，從不同顏色空間的圖像頻率分布值差異、算法耗時、精度等方面對比分析各方法的優(yōu)點與不足。實驗將圖像大小均設(shè)置為340×240。

3.1 濾波處理實驗

強(qiáng)光與弱光環(huán)境下研究圖像見圖6。同態(tài)濾波處理步驟見圖7和圖8。從以下兩組實驗結(jié)果可看出，強(qiáng)光與弱光環(huán)境下，同態(tài)濾波法處理后沒有突出圖像新舊土分界嶺的顯著性。新舊土邊界線兩側(cè)突變不明顯，同態(tài)濾波法不適合突變程度低的研究對象。因此，同態(tài)濾波法不利于邊緣特征信息的提取。

圖6 兩組實驗圖片F(xiàn)ig. 6 Two images of the experiment

圖7 第一組實驗測試流程Fig. 7 Experimental testing process of the first set

圖8 第二組實驗測試流程Fig. 8 Experimental testing process of the second set

圖9為使用Tarel[23]中值濾波方法、多尺度Retinex[24-25]、小波域Retinex[26]、同態(tài)濾波方法以及導(dǎo)向圖濾波方法對研究圖像進(jìn)行處理后的結(jié)果。

實驗結(jié)果表明，Tarel中值濾波法處理圖像后畫面失真，它可能會導(dǎo)致算法對邊緣的誤判；多尺度Retinex處理后，圖像色彩失真，新舊土分界嶺被白色像素塊干擾；小波域Retinex處理后圖像遠(yuǎn)處的輪廓對比性增強(qiáng)，效果較好；同態(tài)濾波處理后新舊土分界嶺顯著性降低；導(dǎo)向濾波法處理后圖像不失真，新土與舊土間對比性增強(qiáng)。

另外，導(dǎo)向濾波在該進(jìn)程中算法耗時最短，且效果滿足要求。導(dǎo)向濾波、Tarel中值濾波、多尺度Retinex、小波域Retinex、同態(tài)濾波算法耗時分別為0.113、0.902、0.552、1.008 和0.867 s（表2）。3.2 Shearlet-canny變換處理實驗

圖9 實驗原圖像及濾波算法測試結(jié)果Fig. 9 Original image and the testing results of the filtering algorithm

表2 不同濾波方法測試所得數(shù)據(jù)Table 2 The testing data of different filtering methods

本研究選用導(dǎo)向濾波法對圖像去噪后，探究邊緣處理算法。圖10為Roberts算子、Sobel算子、Prewitt算子、Log算子和Shearlet-Canny算子對經(jīng)預(yù)處理后的圖像新舊土分界嶺的邊緣信息提取。

實驗結(jié)果表明，Roberts邊緣算子的檢測信息較為完整，且邊緣特征較為細(xì)致，連續(xù)性較好；Sobel邊緣算子處理結(jié)果連續(xù)性一般，且丟失部分信息；Prewitt邊緣算子與Log邊緣算子檢測的邊緣連續(xù)性不理想；在Shearlet-Canny邊緣算子的處理結(jié)果中，連續(xù)性與完整性均較好。

圖10 邊緣檢測結(jié)果Fig. 10 The results of edge detection

圖 11為 Roberts、Sobel、Prewitt、Log、Shearlet-Canny算子邊緣處理后經(jīng)相同Hough變換提取的最終結(jié)果。實驗結(jié)果表明，前期顏色空間轉(zhuǎn)換、濾波算法去噪后，經(jīng)過Shearlet-Canny算子邊緣檢測提取的導(dǎo)航線最為準(zhǔn)確；Prewitt算子弱之，但精確度仍較高；Roberts算子的處理結(jié)果與真實位置有較小差距，精確度較低；Sobel算子與Log算子的處理結(jié)果與真實新舊土分割線位置有較大差距，精確度最低。經(jīng)對比分析，研究中選用Shearlet-Canny算子對圖像進(jìn)行邊緣檢測處理。

圖11 Hough變換結(jié)果Fig. 11 The results of the Hough transform

在精確度層面上，經(jīng)過霍夫變換后的Shearlet-Canny邊緣檢測算子提取出的導(dǎo)航線精確度最高，誤差不大于0.5°，而Roberts算子、Sobel算子、Prewitt算子、Log算子分別與真實分割線有4.1°、5.3°、1.4°、5.7°的偏差（表3）；在算法耗時層面上，Prewitt算子速度最快，其次分別為Sobel算子、Log算子、Roberts算子、Shearlet-Canny算子。圖12為兩組百度圖片經(jīng)本文GIF-Shearlet算法提取的導(dǎo)航線過程，效果較好。Shearlet-Canny算子的速度有待提高，但其精確度的優(yōu)勢較為明顯，因此研究中選用Shearlet-Canny算子作為邊緣檢測方法。

表3 不同算法直線參數(shù)比較Table 3 Liner parameter comparison of different algorithms

圖12 算法測試Fig. 12 Algorithm testing

為進(jìn)一步驗證本文算法的魯棒性，通過上述GIF-Shearlet算法分別提取不同傾斜角（分別取+15o、+45o、-45o、-75o）下的導(dǎo)航線（圖13），最大誤差小于1o，結(jié)果表明，本文算法具有較好的魯棒性。

圖13 不同航向下的導(dǎo)航線提取Fig. 13 Testing lines under different deviations

4 結(jié)論

基于遙操作拖拉機(jī)駕駛機(jī)器人旋耕作業(yè)時新土和舊土存在明顯分界線這一特征，嘗試?yán)眯隆⑴f土分界線進(jìn)行視覺導(dǎo)航。通過實驗對比，提出一種基于導(dǎo)向濾波（Guided Image Filter）和剪切波變換（Shearlet Transform）的算法提取新舊土邊界線來進(jìn)行拖拉機(jī)視覺導(dǎo)航。

客觀評價結(jié)果表明，在導(dǎo)航線提取結(jié)果中，導(dǎo)向濾波、Tarel中值濾波、多尺度Retinex、小波域Retinex、同態(tài)濾波算法耗時分別為0.113、0.902、0.552、1.008和0.867 s。預(yù)處理后由Shearlet-Canny算子檢測的圖像邊緣經(jīng)Hough變換提取出的導(dǎo)航線誤差為0.5°，而Roberts算子、Sobel算子、Prewitt算子和Log算子提取導(dǎo)航線的誤差分別為4.1°、5.3°、1.4°和5.7°。主觀評價結(jié)果也表明，在光照不均和作物行多樣化等情況下，文中導(dǎo)航線提取方法效果較好。

研究表明，通過導(dǎo)向濾波與Shearlet-Canny算法來識別旋耕環(huán)境下新舊土的邊界線有耗時短和精度高的優(yōu)點，能夠滿足智能拖拉機(jī)田間旋耕作業(yè)時的視覺導(dǎo)航需要，具有重要的應(yīng)用價值。

[1] 羅錫文, 廖娟, 胡煉, 等. 提高農(nóng)業(yè)機(jī)械化水平促進(jìn)農(nóng)業(yè)可持續(xù)發(fā)展[J]. 農(nóng)業(yè)工程學(xué)報, 2016, 32(1): 1-11. Luo X W, Liao J, Hu L, et al. Improving agricultural mechanization level to promote agricultural sustainable development[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(1): 1-11.

[2] Gázquez J A, Castellano N N, Manzano A F. Intelligent low cost tele-control system for agricultural vehicles in harmful environments[J]. Journal of Cleaner Production, 2016, 113: 204-215.

[3] 陳文良, 宋正河, 毛恩榮. 拖拉機(jī)自動駕駛轉(zhuǎn)向控制系統(tǒng)的設(shè)計[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報, 2005(S1): 57-62. Chen W L, Song Z H, Mao E R. Design of steering control system for automatic drive of tractor[J]. Journal of Huazhong Agricultural University, 2005(S1): 57-62.

[4] ünal I, Topakci M. Design of a remote-controlled and GPS-guided autonomous robot for precision farming[J]. International Journal of Advanced Robotic Systems, 2015, 12.

[5] 隋銘明, 沈飛, 徐愛國, 等. 基于北斗衛(wèi)星導(dǎo)航的秸稈機(jī)械化還田作業(yè)管理系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2016, 47(1): 23-28. Sui M M, Shen F, Xu A G, et al. Precise management system for mechanized straw returning based on BDS[J]. Transactions of the Chinese Society for Agriculture Machinery, 2016, 47(1): 23-28.

[6] Xue J, Zhang L, Grift T E. Variable field-of-view machine vision based row guidance of an agricultural robot[J]. Computers & Electronics in Agriculture, 2012, 84: 85-91.

[7] 孟慶寬, 何潔, 仇瑞承, 等. 基于機(jī)器視覺的自然環(huán)境下作物行識別與導(dǎo)航線提取[J]. 光學(xué)學(xué)報, 2014(7): 172-178. Meng Q K, He J, Qiu R C, et al. Crop recognition and navigation line detection in natural environment based on machine vision[J]. Optics Letters, 2014(7): 172-178.

[8] 刁智華, 王會丹, 宋寅卯. 基于機(jī)器視覺的農(nóng)田機(jī)械導(dǎo)航線提取算法研究[J]. 農(nóng)機(jī)化研究, 2015, 37(2): 35-39. Diao Z H, Wang H D, Song Y M. Research of farm machinery navigation algorithm based on machine vision[J]. Journal of Agricultural Mechanization Research, 2015, 37(2): 35-39.

[9] 盧偉, 陳浩, 王玲, 等. 拖拉機(jī)駕駛機(jī)器人換擋機(jī)械手運動分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2016, 47(1): 37-44. Lu W, Chen H, Wang L, et al. Motion analysis of tractor robot driver’s gear shift mechanical arm[J]. Transactions of the Chinese Society for Agriculture Machinery, 2016, 47(1): 37-44.

[10] Caselles V, Lisani J L, Morel J M, et al. Shape preserving local histogram modification[J]. IEEE Transactions on Image Processing, 1999, 8(2): 220-230.

[11] Ein-shoka A A, Kelash H M, Faragallah O S, et al. Enhancement of IR images using homomorphic filtering in fast discrete curvelet transform (FDCT)[J]. International Journal of Computer Applications, 2014, 96(8).

[12] He K, Sun J, Tang X. Guided image filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(6): 1397-1409.

[13] Bauszat P, Eisemann M, Magnor M. Guided image filtering for interactive high-quality global illumination[J]. Computer Graphics Forum, 2011, 30(4): 1361-1368.

[14] 岳彥剛, 石智, 張卓. 基于 Shearlet 變換的圖像邊緣檢測[J].計算機(jī)應(yīng)用與軟件, 2014, 31(4): 227-230. Yue Y G, Shi Z, Zhang Z. Image edge detection algorithm based on shearlet transform[J]. Computer Applications and Software, 2014, 31(4): 227-300.

[15] Xu P, Miao Q, Shi C, et al. An edge detection algorithm based on the multi-direction shear transform[J]. Journal of Visual Communication and Image Representation, 2012, 23(5): 827-833.

[16] Yi S, Labate D, Easley G R, et a1. Edge detection and processing using shearlets[C]//Proceedings of IEEE International Conference on Image Processing, San Diego, USA, IEEE Signal Processing Society, 2008: 1148-1151.

[17] Lim W Q. The discrete shearlet transform: A new directional transform and compactly supported shearlet frames[J]. IEEE Transactions on Image Processing, 2010, 19(5): 1166-1180.

[18] 岳彥剛. Shearlet變換在圖像邊緣檢測中的應(yīng)用研究[D]. 西安:西安建筑科技大學(xué), 2013. Yue Y G. Research on application of shearlet transform in image edge detection[D]. Xi’an: Xi’an University of Architecture and Technology, 2013.

[19] Kutyniok G, Labate D. Resolution of the wavefront set using continuous shearlets[J]. Transactions of the American Mathematical Society, 2009, 361: 2719-2754.

[20] 黃劍玲, 陳博政. 一種基于Canny邊緣檢測優(yōu)化算法[J]. 計算機(jī)仿真, 2010, 27(4): 253-255. Huang J L, Chen B Z. An optimal algorithm of edge detection based on canny[J]. Computer Simulation, 2010, 27(4): 253-255.

[21] Nguyen T T, Xuan D P, Dongkyun K, et al. A test framework for the accuracy of line detection by hough transforms[C]//6th IEEE International Conference on Industrial Informatics, 2008: 1528-1533.

[22] Nguyen T T, Xuan D P, Jeon J W. An improvement of the Standard Hough Transform to detect line segments[C]//IEEE International Conference on Industrial Technology. IEEE, 2008: 1-6.

[23] Tarel J P, Hautiere N. Fast visibility restoration from a single color or gray level image[C]//IEEE 12th International Conference on Computer Vision. IEEE, 2009: 2201-2208.

[24] Hanumantharaju M C, Ravishankar M, Rameshbabu D R, et al. Color image enhancement using multiscale retinex with modified color restoration technique[C]//IEEE Second International Conference on Emerging Applications of Information Technology (EAIT), 2011: 93-97.

[25] 汪榮貴, 傅劍峰, 楊志學(xué), 等. 基于暗原色先驗?zāi)Ｐ偷腞etinex算法[J]. 電子學(xué)報, 2013, 41(6): 1188-1192. Wang R G, Fu J F, Yang Z X, et al. A novel retinex algorithm based on dark channel prior model[J]. Acta Electronica Sinica, 2013, 41(6): 1188-1192.

[26] Rong Z, Jun W L. Improved wavelet transform algorithm for single image dehazing[J]. Optik-International Journal for Light and Electron Optics, 2014, 125(13): 3064-3066.

（責(zé)任編輯：童成立）

Visual navigation technology using guided image flter and shearlet algorithm based on the boundary line of new and old soil

CHEN Yi-shan1, LU Wei1,2,WANG Ling1, TIAN Guang-zhao1
（1. College of Engineering and Key Laboratory of Intelligent Agricultural Equipment in Jiangsu Province, Nanjing Agricultural University, Nanjing, Jiangsu 210031, China; 2. Jiangsu Province Key Laboratory of Remote Measurement and Control Technology, Nanjing, Jiangsu 210096, China）

In this paper, a leading line extracted method based on the boundary of new and old soil was proposed according to the characteristics of working environment such as diversifcation of crop rows and uneven illumination. Under rotary tillage mode, teleoperating tractor can work effciently in real time with the help of the proposing leading line extracted method. Firstly, the gray image was rapidly transformed into YCrCb color model and fltered by guided image flter, then the edge information was extracted by using shearlet-canny operator. In addition, the leading line was obtained by Hough Transform. Finally, the experiments were carried out which showed that the gray processing under YCrCb color model was 94.0%, 94.3% and 25.4% faster than HSV, HIS and RGB respectively. Especially, with the help of guided image flter, the processing was 87.5%, 79.5%, 88.8% and 87.0% faster than Tarel flter, MRetinex flter, wavelet domain Retinex flter and homomorphic flter respectively. Moreover, shearlet-canny operator was the most effcient one which can get the most precise line whose deviation was less than 0.5o. In general, the method based on guided image flter and shearlet transform is available, it can help the smart tractor to meet the visual navigation needs and has an important application value.

smart tractor; teleoperating; vision navigation; new and old soil; guided image flter; shearlet transform

LU Wei, E-mail: njaurobot@njau.edu.cn.

S222.3

A

1000-0275（2017）02-0343-09

10.13872/j.1000-0275.2016.0094

陳益杉, 盧偉, 王玲, 田光兆. 基于GIF-Shearlet算法的新舊土邊界線視覺導(dǎo)航技術(shù)研究[J]. 農(nóng)業(yè)現(xiàn)代化研究, 2017, 38(2): 343-351.

Chen Y S, Lu W, Wang L, Tian G Z. Visual navigation technology using guided image filter and shearlet algorithm based on the boundary line of new and old soil[J]. Research of Agricultural Modernization, 2017, 38(2): 343-351.

國家自然科學(xué)基金青年基金（31401291）；江蘇省自然科學(xué)基金青年基金（BK20130696 ）；中央高?；究蒲袠I(yè)務(wù)費專項資金（KYZ201427）。

陳益杉（1995-），女，江西贛州人，從事機(jī)器人傳感與控制技術(shù)研究，E-mail: c_yssyc@163.com；通訊作者：盧偉（1978-），男，博士，副教授，碩導(dǎo)，主要從事機(jī)器人傳感與控制、無損檢測及微弱信號處理研究，E-mail: njaurobot@njau.edu.cn。

2016-04-07，接受日期：2016-08-10

Foundation item: National Natural Science Foundation of China (31401291); Natural Science Foundation of Jiangsu Province (BK20130696); the Fundamental Research Funds for the Central Universities (KYZ201427).

Received 7 April, 2016; Accepted 10 August, 2016