汪 洋，胡 靖，邵煜坤，楊志剛，呂 軍

（黃山學(xué)院 信息工程學(xué)院，安徽 黃山245041）

茶葉作為保健飲品受到廣大群眾的喜愛。我國作為茶葉生產(chǎn)大國，目前茶葉采摘以人工采摘為主，該方法耗時(shí)耗力、主觀因素大?；跈C(jī)械式的采茶機(jī)[1]對老葉、茶梗和嫩芽間的選擇效率低下且對部分茶葉葉片損壞導(dǎo)致茶葉質(zhì)量下降[2]。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，楊福增[3]、劉志杰[4]等人在白色背景下獲取了陜西名茶“午子仙毫”圖像，利用閾值分割實(shí)現(xiàn)了嫩葉和老葉自動(dòng)分離。韋佳佳[5]針對自然環(huán)境下茶葉圖像，提出了基于不同色彩因子分割的嫩梢識別方法，為后期嫩梢定位提供了理論基礎(chǔ)。以上方法茶葉圖像背景相對簡單，而自然環(huán)境下的茶葉不僅受到灰塵、土壤、茶梗的影響，老葉的姿態(tài)、殘缺、重疊等也加大了嫩芽的分割難度。

1 材料與方法

1.1 茶葉圖像采集

本文以黃山毛峰茶葉為研究對象，樣本均采集于清明前期安徽省黃山市茅山茶場。利用Nikon D90 數(shù)碼相機(jī) （定焦鏡頭焦距為28mm，光圈為f/2.8D）正面拍攝茶葉圖像，以JPG 格式保持（如圖1所示），共采集圖像50 幅。為加快計(jì)算機(jī)處理速度，圖像尺寸統(tǒng)一為640×640 像素。本文所有程序均在matlab2010a 環(huán)境下編制。

1.2 茶葉圖像增強(qiáng)

茶葉圖像采集過程中易受噪聲干擾、光照不均等影響。常用的中值濾波和均值濾波能夠有選擇性的去除噪聲，但圖像會變得模糊[6]。本文利用高、低帽變換實(shí)現(xiàn)茶葉圖像增強(qiáng)（如圖2 所示），有效提高了茶葉圖像的對比度。程序如下：

rgb=imread(‘maofeng.jpg’);

se=strel(‘disk’,7);

J=imtophat(rgb,se);

K=imbothat(rgb,se);

RGB=imsubtract(imadd(J,rgb),K);

figure,imshow(rgb)

figure,imshow(RGB)

圖1 自然環(huán)境下茶葉彩色圖像

圖2 自然環(huán)境下茶葉增強(qiáng)圖像

1.3 基于顏色的茶葉嫩芽分割

常用的顏色模型有RGB、HSV、Lab 和YCbCr等,不同的顏色模型描述的信息特性不同。本文選取RGB 和HSV 兩種色彩模型進(jìn)行茶葉嫩芽分割。首先選取合適的分量灰度圖并閾值分割，然后利用形態(tài)學(xué)處理獲取茶葉嫩芽二值圖像，最終通過邏輯運(yùn)算實(shí)現(xiàn)嫩芽圖像彩色分割，具體流程如下：

1.分析各分量及分量組合灰度圖，選取嫩芽與背景區(qū)分明顯的灰度圖作為待分割圖；

2.使用最大類間方差法（OTSU）確定分割閾值，獲取嫩芽二值圖像，然后利用5×5 模板中值濾波去除噪聲顆粒，記作bw(i,j)；

3.對步驟2 二值圖像bw(i,j)進(jìn)行連通區(qū)域標(biāo)記和編號，計(jì)算編號區(qū)域的面積，設(shè)定面積閾值T1，保留大于T1 的目標(biāo)區(qū)域，去除偽目標(biāo)區(qū)域，記作Bw(i,j)；

4.對步驟3 二值圖像Bw(i,j)進(jìn)行取反，設(shè)定面積閾值T2，保留小于T2 的目標(biāo)區(qū)域，并將該區(qū)域與Bw(i,j)相加，實(shí)現(xiàn)目標(biāo)孔洞選擇性填充，記作BW(i,j);

5.根據(jù)下式將二值圖像BW(i,j)和原始彩色圖像rgb 進(jìn)行邏輯“與”，得到茶葉嫩芽彩色區(qū)域。

1.3.1 基于RGB 模型的茶葉嫩芽分割

RGB 模型是應(yīng)用廣泛的顏色系統(tǒng)之一，其原理是通過紅（R）、綠（G）、藍(lán)（B）3 原色按照不同的比例構(gòu)成不同的色彩。本文通過對R、G、B 和不同色差模型分析發(fā)現(xiàn)，R-B 色差模型不僅嫩芽與背景差異明顯，而且可以降低光照對單一分量的影響[7]。部分代碼如下：

R=RGB(:,:,1);%R 分量灰度圖

B=RGB(:,:,3);%B 分量灰度圖

RJB=R-B;%R-B 色差灰度圖

level=graythresh(RJB);

BWRJB=im2bw(RJB,level);%OTSU 二值化

BW=medfilt2(BWRJB,[5,5]);%5×5 中值濾波

bw=bwareaopen (BW,200);%剔除面積小于200 的偽

目標(biāo)區(qū)域

bw1= ～bw;

bw2=bwareaopen(bw1,200);

bw3=bw1-bw2;

bw4=bw+bw3;%目標(biāo)區(qū)域孔洞填充

[m n]=size(bw);

for i=1:m

for j=1:n

if bw4(i，j)==1

rgb(i，j，:)=rgb(i，j，:);

else rgb(i，j，:)=0;

end

end

end%邏輯“與”實(shí)現(xiàn)嫩芽彩色分割

圖3 R-B 色差模型下茶葉嫩芽二值圖像

圖4 R-B 色差模型下茶葉嫩芽彩色圖像

1.3.2 基于HSV 模型的茶葉嫩芽分割

HSV 顏色模型是由色調(diào)（H）、飽和度（S）、亮度（V）3 個(gè)互不相關(guān)的顏色屬性組成。色調(diào)H 通過角度度量不同的顏色，飽和度S 描述顏色的純度，亮度V 與圖像彩色信息無關(guān)。由于H、S 與人的感知顏色系統(tǒng)相似，所以HSV 模型適合于人類視覺系統(tǒng)感知顏色特征的圖像處理。

從自然環(huán)境下茶葉彩色圖像不難看出，茶葉嫩芽呈黃綠色，而老葉呈深綠色。因此，可以利用飽和度S 作為分割灰度圖，實(shí)現(xiàn)嫩芽與背景的彩色分割。S 灰度圖提取代碼如下：

hsv=rgb2hsv (RGB);%將RGB 空間轉(zhuǎn)換到HSV空間

s=hsv(:,:,2);%S 分量灰度圖

圖5 S 分量模型下茶葉嫩芽二值圖像

圖6 S 分量模型下茶葉嫩芽彩色圖像

2 結(jié)果與分析

從圖4 和圖6 茶葉嫩芽彩色分割圖像顯示，不同顏色模型的嫩芽分割能夠有效地識別嫩芽區(qū)域?；贖SV 模型的嫩芽分割效果受老葉影響較大，主要因?yàn)樽匀画h(huán)境下茶葉姿態(tài)各異，且老葉背面顏色與嫩芽顏色較為相近。通過對自然環(huán)境下多幅茶葉單株圖像和區(qū)域圖像的實(shí)驗(yàn)，發(fā)現(xiàn)基于R-B 色差模型的茶葉嫩芽分割效果最佳。

3 討 論

自然環(huán)境下茶葉圖像易受到顆粒、光照、老葉姿態(tài)、茶梗和土壤等影響。本文對自然條件下毛峰茶葉嫩芽分割進(jìn)行了研究。利用嫩芽與背景在不同模型中的差異選擇R-B 和S 灰度圖作為待分割圖像，通過OTSU 和數(shù)學(xué)形態(tài)學(xué)獲取最終的嫩芽二值圖像，最后采用邏輯運(yùn)算實(shí)現(xiàn)了茶葉嫩芽彩色區(qū)域識別。R-B 色差彩色分割在算法魯棒性和正確率上效果明顯。自然環(huán)境下茶葉嫩芽的自動(dòng)分割為后期茶葉嫩芽智能采摘提供了理論基礎(chǔ)。

[1]鄒勇,胡根貴.茶葉采摘與管理[J].安徽農(nóng)業(yè)通報(bào),2005,11(1):71.

[2]吳雪梅,張富貴,呂敬堂.基于圖像顏色信息的茶葉嫩芽識別方法研究[J].茶葉科學(xué),2013,33(6):584-589.

[3]楊福增,楊亮亮,田艷娜,等.基于顏色和形狀特征的茶葉嫩芽識別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,40(增刊):119-123.

[4]劉志杰,田艷娜,楊亮亮,等.重疊條件下茶葉嫩芽的自動(dòng)檢測方法[J].中國體視學(xué)與圖像分析,2009,14(2):129-132.

[5]韋佳佳,陳勇,金小俊,等.自然環(huán)境下茶葉樹梢識別方法研究[J].茶葉科學(xué),2012,32(5):377-381.

[6]袁西霞,岳建華,趙賢任.Matlab 在中值濾波改進(jìn)算法中的應(yīng)用[J].廣東工業(yè)大學(xué)學(xué)報(bào),2007,24(1):33-35.

[7]韋佳佳.名優(yōu)茶機(jī)械化采摘中嫩芽識別方法的研究[D].南京:南京林業(yè)大學(xué),2012:11-19.