李紅麗，沈相龍，王 通，周松豪

(鄭州工程技術(shù)學(xué)院 機電與車輛工程學(xué)院，河南，鄭州 450044)

0 引言

對于傳統(tǒng)的播撒機器人而言，其著重點在于更高效率的作業(yè)，而對于邊緣播撒的精準度有所忽略，導(dǎo)致對邊緣農(nóng)作物的播撒量過多或過少，過多會增加邊緣道路的安全隱患，過少會導(dǎo)致邊緣農(nóng)作物產(chǎn)量低下。對于邊緣播撒的難題，采用視覺定位和人工智能識別算法的播撒機器人，對邊緣位置的識別定位更加精準，能更好實現(xiàn)全區(qū)域覆蓋的精準播撒。

因此，是否能夠準確識別邊緣是播撒機器人能夠切實提高農(nóng)作物產(chǎn)量的關(guān)鍵因素。在現(xiàn)在的研究中一般將隨機噪聲分為脈沖噪聲、窄帶噪聲和起伏噪聲。本文研究的主要是脈沖噪聲，而固定值脈沖噪聲也稱為椒鹽噪聲，其灰度以等概率取最小灰度值和最大灰度值，屬于突發(fā)性的，對數(shù)字通信影響大。而在傳統(tǒng)的針對椒鹽噪聲濾波算法中大多用的是中值算法，而傳統(tǒng)中值算法仍然存在對于相對大概率的保留噪聲點的情況，所以學(xué)者對其進行了改進，如采用快速均值濾波，采用自適應(yīng)加權(quán)均值濾波算法等。通過對處理點所在模板內(nèi)其余各點與該點的距離進行加權(quán)計算求均值，最終將均值賦予該點。均值濾波很好地解決了噪聲點保留的問題，但其仍然改變了原有信號點的灰度，使得其更加的圓滑，在細節(jié)保留方面不足。因此，有學(xué)者對傳統(tǒng)中值濾波加以改進，根據(jù)中值濾波改進的自適應(yīng)算法對疑似噪聲點加以處理，對信號點加以保留。這些算法極大限度地保留原有的細節(jié)，但對于噪聲點的判斷不同，存在通過對于鄰近點的相關(guān)性確定，也存在通過對于模板內(nèi)中值、最小值、最大值的關(guān)系反復(fù)判斷確定。在實際處理中，例如50%噪聲情況下，至少有半數(shù)的點是未受到污染的，整體計算將會極大地增加計算時間。為解決上述問題，本文采用一種基于中值算法的快速濾除椒鹽噪聲的自適應(yīng)中值濾波算法。對于疑似噪聲點做標定，保留原有信號點，從而有針對性地對噪聲點進行處理。整體算法不需要閾值，細節(jié)保留效果好，濾波效果好，大幅度減少了運算時間，對于當(dāng)下普遍高像素圖像處理有很強的實用性。

為了實現(xiàn)對邊緣區(qū)域精準播撒的目標，需要將智能識別、視覺定位與傳統(tǒng)的播撒機器相結(jié)合，從而提高播撒機器人在邊緣區(qū)域作業(yè)時的精準度和作業(yè)效率。

1 播撒機器人控制系統(tǒng)的設(shè)計

播撒機器人利用智能識別和光流傳感器采集信號，在播撒時利用視覺識別模塊自帶的灰度傳感模式初步對信號進行處理和轉(zhuǎn)換，利用機器人的光流傳感模塊進行機器人的定位。如圖1所示，目前采用智能視覺的識別裝置一般初次采集到的圖像都是彩色圖像，不能直接將檢測所需的數(shù)據(jù)及時高效的進行處理，因此需要將彩色圖像轉(zhuǎn)換為灰度圖像，并對圖像進行分割和邊緣檢測。圖像的處理常采用Roberts算子，該算子可以有效檢測出圖像灰度或圖像中色彩比較突出的部位，通過圖像色彩梯度的變化，來對圖像進行分割和邊緣檢測。

圖1 播撒機器人基本框架

光流傳感器采集的圖像一般是灰度圖像，而采用智能識別初次采集到的圖像一般是彩色圖像，不能對所采集的圖像進行處理，因此需要將彩色圖像轉(zhuǎn)換為灰度圖像，將采集到的圖像轉(zhuǎn)換為灰度圖后再對圖像數(shù)據(jù)進行處理，通過對灰度梯度分級別識別分析從而實現(xiàn)對邊緣的檢測和部分物體的識別分類。

根據(jù)光流模塊來對植保飛行器的位置進行調(diào)節(jié)。首先光流模塊會對地面發(fā)射光信號并接收數(shù)據(jù)，然后通過計算得出其高度差，重復(fù)若干次后形成一個與高度差有關(guān)的二維圖像后交由飛控系統(tǒng)進行處理。計算的過程及公式如下。

若下面兩個假設(shè)成立：

①攝像頭采集到的兩幀圖像之間的像素灰度不變；

②相鄰的兩幀像素具有相對運動。

由假設(shè)①得，若兩幀的灰度值不變，那么有以下關(guān)系成立：

fxu+fyv+ft=0

(1)

其中：

(2)

(3)

以上就是光流方程，其中fx和fy表示圖像的梯度，ft表示時間梯度，但僅用上述方法是無法得到(u，v)，我們還需采用經(jīng)典的lucas-Kanade方法來進行求解。

在lucas-Kanade方法中，我們需要用到假設(shè)②，即在目標點的鄰域內(nèi)所有的點都具有相似的運動，這就是lucas-kanade方法的核心。基于該假設(shè)，其利用一個3×3鄰域中的9個點具有相同運動得到9個光流方程，然后采用最小二乘法進行擬合求解，最終得到(u，v)如下：

(4)

u是x方向上的位移量，v是y方向上的位移矢量，i的取值為1到9。

以上就是光流法計算像素點的移動速度的方法，在使用的時候，只需要對圖像中的一些點去跟蹤，采用上面的計算方法就可以得到光流向量，根據(jù)得到的光流向量，就可以進一步優(yōu)化飛行器的姿態(tài)控制，實現(xiàn)更加準確的控制。

2 播撒機器人邊緣檢測分析

在實際的邊緣檢測中，往往存在許多干擾噪聲，噪聲的種類繁多且復(fù)雜，對完成實際工作產(chǎn)生了很大影響。圖像分割是將圖像劃分為數(shù)個有意義的區(qū)域，圖像分割主要有三種分割方式，分別根據(jù)圖像邊緣、圖像閾值和圖像區(qū)域進行分割。其中基于圖像邊緣的分割方法，是通過邊緣檢測算法計算圖像區(qū)域的灰度值、顏色以及紋理等具有不規(guī)則性的邊緣，利用這些邊緣輪廓來確定圖像區(qū)域?；陂撝档膱D像分割是通過對物體表面光線發(fā)射或吸收的情況下來確定閾值，以此進行分割的方式，其主要包含兩種方式。一種是最為基礎(chǔ)的人工分割操作，運用直方圖技術(shù)測試出最佳閾值，并將分割目標與背景隔離。人工分割本身就會受到人為因素的影響，需要經(jīng)過反復(fù)監(jiān)測和調(diào)整才能得到良好的分割效果，而在農(nóng)業(yè)生產(chǎn)中作物受光照條件影響程度較大，發(fā)生改變時就需要調(diào)整閾值，而頻繁調(diào)整閾值效果很容易對閾值分割造成影響。利用基于中值濾波和多結(jié)構(gòu)元的抗干擾處理方法，能在處理復(fù)雜地形、邊緣混亂的情況時發(fā)揮良好的作用，有效實現(xiàn)抑制噪聲，保護圖形邊緣細節(jié)，提高檢測精準度。

在圖像中常用邊緣來表達圖像的基本形狀，邊緣就是圖像處理的主要特征，因此是否能較好地識別物體邊緣是識別物體并提取物體真實形狀的主要因素。噪聲的干擾會影響提取圖像邊緣的過程，為準確識別物體帶來巨大困難，在一般的圖像噪聲中，椒鹽噪聲和高斯噪聲是非常常見的，目前存在不少降噪處理方法都能有效去除椒鹽噪聲，但高斯噪聲的處理仍處于一個效率低下的階段。如果圖像中存在多種噪聲，那么對噪聲的處理就更加困難，一味增加降噪強度會導(dǎo)致物體邊緣失去很多圖像細節(jié)，無法達到一個相對較好消噪效果。尤其是在圖像邊緣和圖像噪聲一般都是高頻分量，這就給邊緣檢測的問題帶來很大困難，從而導(dǎo)致檢測精度與抗噪性能之間的沖突一直存在。

在前人的總結(jié)中可以證明，椒鹽噪聲可以采用中值濾波來達到一個比較好的效果，但單獨的采用中值濾波不足與應(yīng)對絕大多數(shù)場景，如當(dāng)噪聲強度過強時，中值濾波就顯得捉襟見肘，同樣在處理高斯噪聲時，中值濾波也不能取得較好的濾波效果，這就導(dǎo)致其應(yīng)用面的狹窄。通常需要對中值濾波得到的結(jié)果進行二次處理，不能直接采用其得到的數(shù)據(jù)。在本文中采用了一種以中值濾波和數(shù)學(xué)形態(tài)學(xué)相結(jié)合的邊緣檢測方法，能夠有效地降低識別中的噪聲影響而不影響邊緣細節(jié)，提高檢測精度，有效地提升播撒機器人對邊緣區(qū)域的播撒質(zhì)量。

2.1 噪聲檢測

在圖形識別中，一般采用圖像最大灰度值和圖像最小灰度值來表示椒鹽噪聲。即Maxgray和Mingray，在灰度圖中一般最大灰度和最小灰度的值是255和0，椒鹽噪聲的灰度值也常在兩者附近，因此常使用255和0作為疑點噪聲:

(5)

式(1)中,Noise(a,b)=1代表該點為疑似噪聲點，Noise(a,b)=0代表該點為信號點；δ代表灰度偏差，一般為疑似噪聲點包含了噪聲點以及部分原本灰度為255或0的信號點,因此進入下一階段，對疑似噪聲點進行處理。

2.2 中值濾波

中值濾波中的中值是指將一個數(shù)列中的數(shù)據(jù)按照順序排列，如這個序列的長度為奇數(shù)，則排在中間的那個數(shù)就是此序列的中值；如果數(shù)據(jù)序列長度為偶數(shù)，可以定義處于中間的兩個數(shù)的平均值為中值：

(6)

式(6)可以看出中值濾波是一種非線性濾波，在此時疊加定理不成立。但因此時中值濾波可以較好地保護邊緣和清楚椒鹽噪聲，因此可以非常好地運用于圖像的初次降噪。根據(jù)中值濾波的原理，將圖像中各點的值用其鄰域中各點的中值取代，從而獲得一個比較初級的降噪，但在噪聲過多時鄰域中值仍會存在噪聲所以對高強度噪聲的消噪能力不足。在實際運用中取一個長度為奇數(shù)的矩形框，把相應(yīng)的矩形框在圖像的行和列逐點滑動，這樣圖像在各點輸出的值就是窗口中心移動到該點時所有灰度值的中值。

2.3 中值濾波和數(shù)學(xué)形態(tài)學(xué)結(jié)合的邊緣算法

在數(shù)學(xué)形態(tài)學(xué)的基本思想中，圖像可以采用一定形態(tài)的結(jié)構(gòu)元素去度量、提取圖像中對應(yīng)的形狀從而實現(xiàn)對圖像的分析和目標識別。常用灰度形態(tài)學(xué)處理的對象和結(jié)構(gòu)元素是灰度函數(shù)，在利用數(shù)學(xué)形態(tài)學(xué)處理圖像時，膨脹和腐蝕時兩種基本運算，靈活運用膨脹和腐蝕可以組成多種實用的復(fù)合算法。

基于形態(tài)學(xué)的圖像邊緣檢測的關(guān)鍵是如何利用形態(tài)學(xué)的各種基本運算的組合構(gòu)造形態(tài)學(xué)邊緣檢測算子,以及如何選取結(jié)構(gòu)元素來較好地解決邊緣檢測精度與抗噪聲性能的協(xié)調(diào)問題。

而在灰度形態(tài)學(xué)中，腐蝕可以看作是刪除圖像中比結(jié)構(gòu)元素小的亮細節(jié)，膨脹可以看作是刪除圖像中比結(jié)構(gòu)元素小的暗細節(jié)。通過一系列的運算消除在處理圖像中遇到的噪聲，可以比較完整的保持圖像整體的灰度和非噪聲區(qū)域基本不受影響，根據(jù)膨脹、腐蝕等運算的特點，可以分析得到消噪的邊緣檢測模型：

edge=(f°b)⊕b-(f°b)·b

(7)

開啟和閉合運算是膨脹和腐蝕運算的組合，用b開啟f記為f°b，用b閉合f記為f·b，令f(x,y)為灰度函數(shù), 結(jié)構(gòu)元素為b(i,j)。

結(jié)合了形態(tài)學(xué)的圖像邊緣檢測不僅和使用的邊緣檢測算子有關(guān),還取決于結(jié)構(gòu)元素的選擇。利用不同取向的多結(jié)構(gòu)元素，每一段元素都能被當(dāng)成是一種尺度對圖像的細節(jié)進行匹配，以此保留圖像的細節(jié)，而如果只采用一種結(jié)構(gòu)元素，則不利于圖像細節(jié)的保存。

在多結(jié)構(gòu)元素的檢測中，既可以檢測出多種類型的邊緣，又能抑制噪聲，能較好地完成消噪目標。

本文采用的抗噪邊緣檢測算法的步驟如下：

1)采用3×3的方形濾波窗口dom對Is進行中值濾波,得到濾波后的圖像f。

2)將不同形狀的結(jié)構(gòu)元素應(yīng)用于抗噪膨脹型的邊緣檢測算子中。

edgei=(f°b)⊕bi-(f°b)·bi

(8)

上式(8)中b和bi是結(jié)構(gòu)元素，其中：

(9)

bi(i=1,2,…,k)是不同形狀的結(jié)構(gòu)元素，選擇情況如下：

b1={(-1，0),(0，0),(1，0),(0，-1)}，

b2={(-1，0),(0，0),(1，0)}，

b3={(-1，-1),(0，0),(1，1)}，

b4={(0，-1)，(0，0)，(0，1)}，

b5={(-1，1)，(0，0)，(1，-1)}。

edgei是使用不同結(jié)構(gòu)元素檢測到的邊緣。

3 實驗結(jié)果

如圖2所示，a圖為原圖，b圖為采用了中值濾波和數(shù)學(xué)形態(tài)學(xué)結(jié)合的邊緣算法所識別的圖像，c圖為現(xiàn)在常用算法所識別出來的圖。由圖對比可知，傳統(tǒng)算法對于邊緣細節(jié)的處理較為粗糙，邊緣輪廓的清晰度不高，精準度較低，圖像的連續(xù)性也比較差。而本文采用的算法相較于傳統(tǒng)算法對圖像噪聲的抑制有顯著效果，無論是對邊緣的連續(xù)性，還是對細節(jié)方面的處理都更加優(yōu)秀。

圖2 實驗結(jié)果圖像對比

4 結(jié)論

提出了一個基于視覺識別的播撒機器人邊緣識別改進算法，對于播撒區(qū)域的邊緣識別更加精準，可以有提高播撒的精準度和效率。

該機器人通過中值濾波和數(shù)學(xué)形態(tài)學(xué)結(jié)合的邊緣算法，實現(xiàn)對實時環(huán)境的識別，尤其是對于邊緣區(qū)域有著優(yōu)于傳統(tǒng)識別算法的特點。將二者結(jié)合起來,采用基于中值濾波和多結(jié)構(gòu)元抗噪膨脹型邊緣檢測算子相結(jié)合的邊緣檢測算法,對混有不同類型噪聲的圖像進行邊緣檢測,既能較好地抑制噪聲,又保持了圖像細節(jié)。考慮到現(xiàn)實條件下，濾波圖像絕大多數(shù)處在50%以下的噪聲密度環(huán)境中，而且如今大數(shù)據(jù)時代，每秒鐘處理的視頻圖像數(shù)據(jù)以億計數(shù)，對實時性的要求較高。因此，本文算法具有很好的實用性，同時實驗結(jié)果也表明，該算法對于圖像的識別，尤其是圖像的邊緣位置的識別更加平滑、清晰，證明了該播撒機器人改進算法的可行性與精準性。