陳道穎+張娟+黃國強(qiáng)+楊鶴猛+郭亮+劉金玉

摘要：傳統(tǒng)煙草（Nicotiana tabacum L.）數(shù)量清點(diǎn)工作主要依靠人工現(xiàn)場(chǎng)抽樣的方式，這種方法費(fèi)時(shí)、費(fèi)力且統(tǒng)計(jì)誤差較大。針對(duì)這一缺點(diǎn)，提出一種基于航空可見光圖像處理的煙草數(shù)量統(tǒng)計(jì)方法。利用無人機(jī)所獲取的高分辨率影像，采用K-means聚類方法對(duì)煙田圖像進(jìn)行圖像分割分類，提取圖像中綠色植物部分，提取顏色、面積、長(zhǎng)寬比等簡(jiǎn)單特征對(duì)雜草進(jìn)行預(yù)剔除，通過構(gòu)建煙株與雜草樣本庫，利用灰度梯度共生矩陣，提取其灰度平均、梯度均方差、相關(guān)、慣性等4種特征參量，并基于BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)一步對(duì)雜草進(jìn)行識(shí)別，剔除雜草，統(tǒng)計(jì)煙株，提取連通域數(shù)量，即為煙株數(shù)量。

關(guān)鍵詞：煙草（Nicotiana tabacum L.）；數(shù)量統(tǒng)計(jì)；航空遙感；可見光圖像；神經(jīng)網(wǎng)絡(luò)；雜草剔除

中圖分類號(hào)：S572；S127 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2017）07-1348-03

DOI：10.14088/j.cnki.issn0439-8114.2017.07.038

A Statistic Method for Tobacco Based on Airborne Images

CHEN Dao-ying1，ZHANG Juan2，HUANG Guo-qiang1，YANG He-meng2，GUO Liang1，LIU Jin-yu2

（1.Ningxiang Branch of Changsha Tobacco Companies，Changsha 410600，China；2.Tianjin Aerospace Zhongwei Data System Technology Co.，Ltd.，Tianjin 300301，China）

Abstract： Traditionally， the work of counting the number of tobacco has to mainly rely on the artificial method. This method is time-consuming and brings large errors. In response to this shortcoming， a method based on aviation visible images was provided. In this method， the images acquired by UAVs， are first segmented based on K-means clustering algorithm to extract the green parts. Remove the weeds initially by features， such as colors， area and aspect ratio. Then， characteristic parameters are extracted by the gradient co-occurrence matrix. Recognize the weeds based on the BP neural network， taking the characteristics as the entrances. In this way， the integral tobacco can be obtained. Finally， compute the number of connected domains in the image and take it as the number of tobacco plants.

Key words： tobacco（Nicotiana tabacum L.）；counting；airborne remote sensing；visible images；neural network；weeds removing

近年來，遙感技術(shù)已經(jīng)越來越多的應(yīng)用于農(nóng)業(yè)領(lǐng)域，主要涉及農(nóng)作物種類、種植面積及分布范圍的統(tǒng)計(jì)分析。利用遙感影像可實(shí)現(xiàn)對(duì)各種農(nóng)作物種植面積的快速監(jiān)測(cè)，便于各部門及時(shí)掌握每年作物種植情況，從而為政府采取相關(guān)農(nóng)業(yè)管理措施提供決策依據(jù)。

煙草公司在煙草種植過程中，需對(duì)煙草數(shù)量進(jìn)行嚴(yán)格控制，以便于對(duì)煙草市場(chǎng)進(jìn)行管理，因此，煙草公司通常在煙苗移植初期對(duì)單位面積的煙草種植數(shù)量進(jìn)行抽樣統(tǒng)計(jì)。目前，煙草清點(diǎn)工作主要依靠工作人員現(xiàn)場(chǎng)抽樣的方式，這種方法費(fèi)時(shí)、費(fèi)力，工作效率較低，已無法滿足煙草公司快速、及時(shí)監(jiān)控?zé)煵莘N植情況的需要。由于衛(wèi)星影像分辨率的限制，無法滿足煙草植株統(tǒng)計(jì)工作的需求，利用高分辨率的航空遙感可見光影像，經(jīng)過圖像處理過程可實(shí)現(xiàn)煙草植株數(shù)量的統(tǒng)計(jì)。

1 基于航空可見光圖像的煙草統(tǒng)計(jì)算法

本研究基于航空可見光圖像實(shí)現(xiàn)煙草植株提取及其數(shù)量統(tǒng)計(jì)，基于可見光圖像處理的煙草數(shù)量統(tǒng)計(jì)方法主要經(jīng)過圖像預(yù)處理、圖像分類分割[1，2]、煙株提取、雜草剔除、連通域數(shù)量統(tǒng)計(jì)來進(jìn)行，具體流程如下：

1）圖像分類與分割。煙田區(qū)域地物較為簡(jiǎn)單，主要有煙株、雜草、土壤、地膜、道路幾類地物。利用K均值聚類對(duì)煙田圖像進(jìn)行分類。對(duì)于煙苗移植前期獲取的航拍數(shù)據(jù)，通過K均值聚類對(duì)圖像進(jìn)行分類，并利用植株的顏色特征對(duì)植株類別進(jìn)行識(shí)別，可通過如下公式對(duì)植株類別進(jìn)行判斷：

g_mean=sum（2×fgreen-fred）/num（f≠0） （1）

其中，g_mean為各子類綠色分量特征值，fgreen為各子類的RGB空間綠色分量值，fred為相應(yīng)紅色分量值，f為對(duì)應(yīng)像素的像素值。對(duì)K_means聚類得到的各子類的g_mean值進(jìn)行排序，最大值所對(duì)應(yīng)的子類即為植株所對(duì)應(yīng)類別，其對(duì)應(yīng)子類圖為Igreen。

2）形態(tài)學(xué)處理。對(duì)最終獲得的煙株部分的二值圖進(jìn)行形態(tài)學(xué)處理，先進(jìn)行膨脹，對(duì)細(xì)碎的煙株部分進(jìn)行合并，然后再進(jìn)行開運(yùn)算，消除煙株之間葉片相連的現(xiàn)象，得到最終煙株部分。

3）雜草預(yù)剔除。經(jīng)過K均值分類得到的煙株分量不可避免地包含了雜草部分，為準(zhǔn)確對(duì)煙株數(shù)量進(jìn)行統(tǒng)計(jì)，需首先對(duì)雜草[3-5]進(jìn)行剔除。本研究首先對(duì)分類所得包含雜草的煙株類別圖像進(jìn)行二值化，對(duì)二值圖像進(jìn)行開運(yùn)算，消除部分煙株黏連情況，并通過面積、長(zhǎng)寬比等閾值對(duì)雜草進(jìn)行預(yù)剔除。

①顏色：通過觀察可知，部分雜草與煙株在顏色上有一定差異，因此，通過顏色特征對(duì)部分雜草進(jìn)行剔除，通過如下公式將煙株子類圖Igreen轉(zhuǎn)換為可突出表示顏色差異的灰度圖Igray：

Igray=2×Igreen_G+Igreen_R （2）

其中，Igreen_G表示子類圖Igreen在RGB空間的綠色分量，Igreen_R表示其紅色分量。

利用閾值法對(duì)灰度圖Igray進(jìn)行閾值分割得到分割二值圖，并將其映射到煙株子類圖Igreen上，得到新的子類圖，仍記為Igreen。

②面積：考慮到圖像分辨率對(duì)煙株所占面積的影響，將煙株子類圖二值化，通過二值圖中各連通區(qū)域的面積分布情況獲得雜草剔除的閾值，以下面的取值范圍對(duì)面積分布進(jìn)行統(tǒng)計(jì)：

area={0，1000，…，n×1000，…，Amax} （3）

其中，Amax為二值圖中連通域的最大面積。以1 000 pixel為間隔對(duì)連通域面積進(jìn)行統(tǒng)計(jì)，得到90%的連通域的面積所在范圍，并將其作為閾值進(jìn)行剔除。

③長(zhǎng)寬比：通常煙株長(zhǎng)寬比變動(dòng)范圍不大，通過設(shè)置一定的長(zhǎng)寬比閾值對(duì)壟間長(zhǎng)條狀雜草進(jìn)行剔除，本研究中閾值取1.5，即將長(zhǎng)寬比大于1.5的連通域作為雜草剔除。

4）基于BP神經(jīng)網(wǎng)絡(luò)的雜草剔除。經(jīng)過預(yù)剔除的煙株中仍存在一定的雜草干擾，影響煙株統(tǒng)計(jì)精度，通過建立煙株與雜草樣本，基于神經(jīng)網(wǎng)絡(luò)算法對(duì)剩余雜草進(jìn)行識(shí)別與剔除。

首先需進(jìn)行特征提取，經(jīng)過對(duì)比分析，本研究選取了圖像灰度平均、梯度均方差、相關(guān)性和慣性作為煙株與雜草識(shí)別的特征參量。計(jì)算樣本圖像梯度矩陣[6]：

gray_m（i，j）=（I（i，j+1）-I ■■）+（I（i+1，j）-I ■■） （4）

其中，I（i，j）為圖像在（i，j）處像元的像素值。

對(duì)得到梯度矩陣進(jìn)行灰度級(jí)離散化，設(shè)置灰度級(jí)為32，得到新的梯度矩陣，仍記為gray_m，計(jì)算得到圖像灰度梯度共生矩陣[7，8]，并基于此得到灰度平均、梯度均方差、相關(guān)性、慣性等特征參量，共生矩陣計(jì)算如下：

H（I（i，j）+1，gray_m（i，j）+1）=H（I（i，j）+1，gray_m（i，j）+1）+1 （5）

將所提取各樣本特征參量輸入BP神經(jīng)網(wǎng)絡(luò)[9]模型進(jìn)行參數(shù)訓(xùn)練，BP神經(jīng)網(wǎng)絡(luò)共包括輸入層、隱含層、輸出層三層，輸入層為所提取的特征參量，節(jié)點(diǎn)數(shù)為4，經(jīng)隱含層節(jié)點(diǎn)和輸出層節(jié)點(diǎn)作用后可反復(fù)調(diào)整判別權(quán)重和閾值，最終得到合理的判斷參數(shù)模型。將經(jīng)雜草預(yù)剔除后得到的二值圖像中各連通域中心一定鄰域范圍內(nèi)的原始圖像作為判別圖像，提取其特征參量并輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行判別，從而對(duì)雜草進(jìn)行剔除。

5）連通域統(tǒng)計(jì)。利用最終得到的煙株二值圖進(jìn)行連通域數(shù)量統(tǒng)計(jì)，即二值圖中每一個(gè)連通區(qū)域均代表一株煙草，得到最終圖像中的煙株數(shù)量。

2 結(jié)果與分析

利用無人機(jī)航拍所獲取的煙田可見光影像進(jìn)行了煙株統(tǒng)計(jì)試驗(yàn)，無人機(jī)搭載相機(jī)焦距為16～50 mm，拍攝時(shí)采用50 mm焦距，航拍高度為50 m，所獲得影像地面分辨率為0.48 cm，可以滿足煙株提取要求，試驗(yàn)主要基于matlab平臺(tái)進(jìn)行處理。

1）圖像分類分割。利用K-均值分類算法對(duì)經(jīng)過預(yù)處理的煙草可見光影像進(jìn)行分類（圖1），并根據(jù)煙株綠色分量遠(yuǎn)大于其他兩個(gè)分量值的特點(diǎn)進(jìn)行子類排序，提取混有雜草的煙株部分。

2）雜草剔除。根據(jù)顏色、面積、長(zhǎng)寬比等特征對(duì)雜草進(jìn)行初步剔除后，構(gòu)建煙株與雜草樣本庫，如圖2所示，通過提取樣本圖像的4個(gè)特征參量并輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)訓(xùn)練，對(duì)待識(shí)別圖像中每個(gè)連通域中心65 pixels×50 pixels的鄰域范圍內(nèi)的圖像進(jìn)行判斷識(shí)別，以剔除雜草（圖3）。

利用經(jīng)過處理后的圖像，分別對(duì)圖像中所包含煙草數(shù)量進(jìn)行了統(tǒng)計(jì)，并與每幅圖像中真實(shí)煙草數(shù)量進(jìn)行了對(duì)比，結(jié)果顯示，利用本研究中算法對(duì)可見光圖像中煙草數(shù)量進(jìn)行統(tǒng)計(jì)，精度較高，平均精度可達(dá)到90%以上，具體統(tǒng)計(jì)結(jié)果如表1所示。

3 小結(jié)

煙株種植數(shù)量統(tǒng)計(jì)是煙草局相關(guān)部門的重要工作內(nèi)容，傳統(tǒng)依靠人工清點(diǎn)煙株數(shù)量的方式具有工作量大、效率低、可靠性差等缺點(diǎn)。本研究針對(duì)煙株清點(diǎn)時(shí)期，煙田雜物較少、煙株較小的特點(diǎn)，提出利用無人機(jī)獲取的高分辨率可見光影像，通過K-均值聚類進(jìn)行圖像分割，并利用BP神經(jīng)網(wǎng)絡(luò)算法剔除雜草，進(jìn)而對(duì)煙株數(shù)量進(jìn)行統(tǒng)計(jì)，可以快速得到圖像中煙株數(shù)量，且統(tǒng)計(jì)精度較高，可達(dá)到90%以上，對(duì)提高煙株數(shù)量統(tǒng)計(jì)工作的效率和精度具有重要意義。

參考文獻(xiàn)：

[1] 王 易，趙勛杰.基于K均值聚類分割彩色圖像算法的改進(jìn)[J].計(jì)算機(jī)應(yīng)用與軟件，2010，27（8）：128-130.

[2] 林 敏，陳建新，陳哲亮.基于邊緣檢測(cè)與分裂合并的圖像分割算法[J].電子技術(shù)應(yīng)用，2011，37（7）：130-133.

[3] 毛文華，曹晶晶，姜紅花，等.基于多特征的田間雜草識(shí)別方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2007，23（11）：206-208.

[4] 毛文華，姜紅花，胡小安，等.基于位置特征的行間雜草識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2007，38（11）：74-76.

[5] 陳麗君，李永奎.基于位置特征的穴間雜草快速識(shí)別算法[J].農(nóng)機(jī)化研究，2009（9）：19-22.

[6] EVANS A N，LIU X U. Amorphological gradient approach to color edge detection[J].IEEE Transactions on Image Processing， 2006，15（6）：1454-1463.

[7] 李曉陽，唐普英.基于灰度共生矩陣的圖像紋理特征提取分析[J].自動(dòng)化信息，2012（9）：28-30.

[8] SOGARRD H T. Weed classification by active shape models[J].Biosystem Engineering，2005，91（3）：271-281.

[9] 蔣捷峰.基于BP神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像分類研究[D].北京：首都師范大學(xué)，2011.