王思樂　楊文柱　盧素魁

摘要：為實現(xiàn)對大田作物長勢的智能監(jiān)控，對監(jiān)控圖像中綠色植物的識別方法進行了研究，提出了一種基于HSV和顏色離差決策樹的綠色植物識別方法。將采集的圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間，實現(xiàn)圖像顏色屬性與亮度屬性的分離，解決由于自然光拍攝條件產(chǎn)生的圖像亮度變化問題；通過構(gòu)建基于HSV和顏色離差的決策樹，實現(xiàn)綠色植物與玉米秸、麥秸、地膜、黃土、紅土、黑土、灰燼等背景元素的分離，解決由于大田拍攝環(huán)境造成的圖像背景復(fù)雜問題。試驗結(jié)果表明，本方法能夠正確識別大田作物長勢監(jiān)控圖像中的綠色植物，能夠較好地適應(yīng)野外大田環(huán)境造成的圖像亮度變化和復(fù)雜背景。

關(guān)鍵詞：大田作物；綠色識別；決策樹；HSV；顏色離差

中圖分類號： TP391.41文獻標(biāo)志碼： A文章編號：1002-1302（2015）11-0478-05

收稿日期：2015-04-17

基金項目：國家國際科技合作專項（編號：2013DFA11320）。

作者簡介：王思樂（1971—），男，河北保定人，講師，主要從事計算機應(yīng)用與模式識別方向研究。E-mail：fontain@163.com。

通信作者：楊文柱，教授，碩士生導(dǎo)師。E-mail：wenzhuyang@hbu.edu.cn。1研究背景

精細農(nóng)業(yè)的核心是實時獲取農(nóng)田區(qū)塊的土壤和農(nóng)作物信息、診斷作物長勢，并對地塊進行準(zhǔn)確的灌溉、施肥、噴藥等農(nóng)業(yè)活動，最大限度地提高水、肥和殺蟲劑的利用效率，獲得最佳的經(jīng)濟效益和生態(tài)效益[1-3]。

大田作物長勢分析是精細農(nóng)業(yè)的一個重要研究內(nèi)容，目的是為施肥、灌溉、殺蟲等農(nóng)業(yè)活動提供準(zhǔn)確的決策依據(jù)。遙感和基于田間相機的監(jiān)控[4-9]是實現(xiàn)作物長勢分析的2種主要途徑。遙感利用衛(wèi)星或飛機獲取作物的長勢圖像，而基于相機的監(jiān)控則通過直接在田間設(shè)置觀測攝像頭獲取作物的長勢圖像。遙感的分辨率較低，但觀測面積大，比較適合進行大區(qū)域的作物長勢監(jiān)控；基于相機的監(jiān)控分辨率較高，卻觀測面積有限，適合進行地塊級的精確監(jiān)控。本研究選擇基于田間相機的監(jiān)控方式，通過對田間相機采集的作物長勢圖像進行分析，找出圖像中的綠色植物，為后續(xù)的作物長勢分析提供基礎(chǔ)數(shù)據(jù)。

大田作物的長勢監(jiān)控圖像拍攝于野外環(huán)境，因此圖像的亮度、對比度等容易受天氣、時間的影響；大田環(huán)境復(fù)雜，土壤顏色多變，且土壤表面可能覆蓋麥秸、玉米秸、秸稈灰燼、地膜等，這些因素都使得從監(jiān)控圖像中正確識別出其中的綠色植物變得極其困難。

為解決上述難題，很多科學(xué)家正在積極研究如何在復(fù)雜的大田作物長勢監(jiān)控圖像中準(zhǔn)確地識別出其中的綠色植物[10-15]。目前較典型的方法是基于可見光譜因子的方法，如超綠因子法（the Excess Green index，簡稱ExG），超綠減紅因子法（the Excess Green minus Excess Red index，簡稱ExGR），植被指數(shù)法（the Vegetative index，簡稱VEG），植被顏色指數(shù)抽取法（the Color Index of Vegetation Extraction，簡稱CIVE），綜合指數(shù)法（the Combined index，簡稱COM）等[16]。

基于可見光譜因子的識別方法這樣的事實，即在歸一化的RGB顏色空間中，綠色植物總是擁有比其他元素更大的綠色因子。得到圖像的綠色因子矩陣后，通過閾值分割就能得到其中的綠色植物?；驹砣缦拢?/p>

通過計算圖像中每個像素的可見光譜因子，得到1個與圖像大小相同的矩陣；將這個矩陣看作灰度圖像，對它進行閾值分割，就可以得到圖像中的綠色植物。

上述方法都假設(shè)圖像具有正常的對比度，圖像中的綠色植物為明亮的綠色，且背景只有單一的土壤，但事實上這個假設(shè)并不總是成立。實際拍攝的大田作物圖像，其對比度受天氣和拍攝時間的影響很大，比如晴天時亮度和對比度較高，而陰天時較低；植物的顏色也不總是明亮的綠色，而是與作物生長狀態(tài)（如健康、患病、缺肥、干旱、蟲害等）密切相關(guān)；圖像的背景也不僅僅是單一的土壤，大田的土壤可能是黑土、黃土或紅土，土壤表面可能覆蓋著麥秸、玉米秸、灰燼或地膜等。上述因素導(dǎo)致基于可見光譜因子的方法在某些情況下失效，因此亟需尋找一種能夠適應(yīng)大田環(huán)境的綠色植物識別方法。

2材料與方法

大田玉米苗圖像見圖1，由索尼相機拍攝，拍攝地點在河北省保定市滿城縣-玉米農(nóng)田。分別選擇了晴天、陰天2種天氣狀況進行拍攝，拍攝包括單一土壤背景、帶有灰燼的土壤背景、帶有麥秸的土壤背景、帶有玉米秸的土壤背景4種情況，拍攝時間為2014年6月，2次拍攝間隔大約為1周，第1次拍攝時為晴天，第2次拍攝時為陰天。通過觀察發(fā)現(xiàn)，圖像中玉米苗的顏色有從深綠色到亮綠色的變化，且還包括反光情況。

采集的圖像為3 264×6 488的RGB彩色圖像，存儲格式為JPG格式。

3圖像元素的HSV分布分析

為解決基于可見光譜因子的綠色植物識別方法容易受圖像亮度變化的影響，選擇在HSV（Hue，Saturation，Value）顏色空間進行綠色識別。在該顏色空間，某物體的顏色屬性不受亮度變化的影響[18]。在一般情況下，綠色的色調(diào)值范圍一般在60～180之間。在理想情況下，僅通過判斷像素的色調(diào)值就能斷定該像素是否為綠色像素。但大田中拍攝的玉米苗圖像，其顏色從深綠到亮綠不等，取決于玉米苗的生長狀態(tài)、拍攝時間、拍攝時的天氣狀況等各種因素。除此之外，大田的復(fù)雜背景也使得綠色植物的識別變得異常困難。因此，有必要分析大田作物長勢監(jiān)控圖像中各種圖像元素的色調(diào)H、飽和度S、亮度V的分布情況，為綠色作物識別提供判斷依據(jù)。

選擇玉米苗圖像中的深綠、嫩綠、反光的玉米苗，黑色、黃色、紅色的土壤，灰燼、地膜、麥秸、玉米秸等10種典型元素作為分析對象，其色調(diào)H、飽和度S、亮度V的典型分布曲線見圖2至圖4 。

從圖2可以看出，玉米苗的色調(diào)值在35～135之間，玉米秸的色調(diào)遠大于135，意味著通過色調(diào)可以很容易地區(qū)分玉米苗、玉米秸。地膜、黃土、紅土的色調(diào)遠小于35，表明通過色調(diào)也可以輕易地區(qū)分玉米苗與地膜、黃土、紅土。但對于麥

秸、灰燼、黑土，它們的色調(diào)與某些玉米苗的色調(diào)很接近，甚至存在交叉，因此，僅通過色調(diào)就不能區(qū)分玉米苗和麥秸、灰燼、黑土了，必須綜合其他屬性。

從圖3、圖4可以看出，盡管麥秸的色調(diào)與玉米苗接近甚至存在交叉，但它們的飽和度、亮度卻存在較大差異。通過綜合判斷色調(diào)、飽和度、亮度可以區(qū)分玉米苗和麥秸。至于灰燼和黑色土壤，利用HSV屬性已經(jīng)無法將其與玉米苗正確分開?？紤]到灰燼和黑色土壤都具備灰度圖像特征，而玉米苗具有彩色圖像特征，可以利用這種差異性將玉米苗跟灰燼和黑色土壤區(qū)分開。

4圖像元素的顏色離差分析

在RGB顏色空間中，具有灰度圖像特征的像素意味著它們具有幾乎相等的R、G、B值。在RGB彩色空間形成的立方體中，具備R=G=B特征的立方體對角線，稱為“灰度軸”；在灰度軸上的像素是純灰色像素。所有具有彩色特征的像素，在RGB顏色空間的分布，都或多或少地偏離了灰度軸。

定義RGB顏色空間中任意像素p在灰度軸上的映像為Ep：

Ep=（Rp+GP+Bp）/3。（8）

定義RGB顏色空間中任意像素p偏離灰度軸的程度為“顏色離差”，用Dp表示：

Dp=|Rp-Ep|+|Gp-Ep|+|Bp-Ep|。（9）

不同圖像元素的顏色離差分布曲線見圖5。從圖5可以看出，所有綠色的玉米苗都具有較大的顏色離差，而灰燼和黑色土壤的顏色離差較小，這使得我們利用顏色離差區(qū)分綠色玉米苗與灰燼、黑色土壤成為可能。

5基于決策樹的綠色識別方法

通過上述分析可知，利用圖像的H、S、V屬性和顏色離差建立決策樹，可以正確區(qū)別綠色的玉米苗和其他背景元素。構(gòu)造的決策樹見圖6。

圖7中的判斷條件為玉米苗識別的經(jīng)驗值，為體現(xiàn)方法的一般性，將本方法形式化地描述如下：

5.1玉米秸、地膜、黃土、紅土的去除

令H、S、V分別表示圖像的色調(diào)、飽和度、亮度。定義去除了玉米秸、地膜、黃土、紅土后的色調(diào)分量H1 如下：

式中：h1 是綠色植物的最小色調(diào)值，h2是綠色植物的最大色調(diào)值。

5.2麥秸的去除

盡管麥秸的色調(diào)范圍與綠色植物的色調(diào)范圍重疊，但它們有不同的飽和度和亮度。定義去除了麥秸后的色調(diào)分量H2 如下：

式中：h1w是麥秸的最小色調(diào)值，h2w是其最大色調(diào)值，s1w是其最小飽和度值，s2w是其最大飽和度值，v 是其最小亮度值。

5.3灰燼、黑土的去除

盡管灰燼和黑土通過H、S、V屬性無法與綠色植物精確區(qū)分，但由于灰燼和黑土具有灰度圖像特點，而綠色植物具有彩色圖像特點，從而使得利用顏色離差區(qū)分它們成為可能。定義通過顏色離差去除掉灰燼和黑土像素的色調(diào)分量H3如下：

H3=0D式中：D 是顏色離差，Td是用于區(qū)分綠色植物與灰燼和黑土的閾值。

5.4綠色植物的識別

將經(jīng)過上述處理的色調(diào)分量看作灰度圖像，對其進行閾值分割，就得到了代表綠色植物的目標(biāo)圖像G：

式中：h1是綠色植物的最小色調(diào)值，與公式（10）中的含義相同。

6結(jié)果與分析

本試驗使用在不同環(huán)境狀況下采集的大田玉米苗圖像作為材料（圖1），對本方法進行了驗證，同時與基于可見光譜因子的綠色植物識別方法進行了對比。

算法利用Matlab實現(xiàn)，Matlab版本為R2009b。計算機的操作系統(tǒng)為Windows 7，計算機處理器為Intel Core i5，內(nèi)存容量為4 GB。

6.1本方法的識別結(jié)果

利用本方法對圖1中的大田玉米苗圖像進行識別，結(jié)果見圖7。

試驗結(jié)果表明，本研究提出的方法可以正確識別出圖像中的玉米苗，而不論拍攝時的天氣如何，也不管背景多么復(fù)雜。

6.2大津法（Otsu方法）識別結(jié)果

大津法（也稱作Otsu法，最大類間方差法）是最常用的圖像分割方法。從大津法對圖1所示圖像的分割結(jié)果（圖8）可以看出，所有圖像都未能正確分割。結(jié)果表明，大津法不適合處理野外拍攝的大田作物圖像。

6.3基于可見光譜因子的識別結(jié)果

ExG、ExGR、VEG、CIVE、COM 對圖1中圖像的部分識別結(jié)果見圖9。試驗結(jié)果表明，可見光譜因子法可以正確識別大部分圖像中的綠色植物，但也存在部分無法正確識別的圖像，其中ExG、CIVE無法正確處理背景含有麥秸的圖像，EXGR、COM無法正確處理背景中含有麥秸和灰燼的圖像（圖9）。VEG無法正確處理圖1中的所有圖像。

7結(jié)語

針對野外拍攝的大田作物長勢監(jiān)控圖像由于受光照強度、背景等影響難以正確識別問題，對大田作物長勢監(jiān)控圖像中綠色植物的識別方法進行了初步探索。使用基于HSV屬性和顏色離差的決策樹實現(xiàn)了綠色植物的識別。試驗結(jié)果表明，本方法能夠正確識別大田作物長勢監(jiān)控圖像中的綠色植物，比其他識別方法更能適應(yīng)野外環(huán)境造成的亮度變化和復(fù)雜背景。

不足之處是所用的決策樹判定條件是試驗獲得的經(jīng)驗值；如何自動選擇判定條件是下一步需要研究的工作。

參考文獻：

[1]王鳳花，張淑娟. 精細農(nóng)業(yè)田間信息采集關(guān)鍵技術(shù)的研究進展[J]. 農(nóng)業(yè)機械學(xué)報，2008，39（5）：112-121，111.

[2]劉向鋒，孟志軍，陳競平，等. 作物病蟲害信息采集與遠程診斷系統(tǒng)設(shè)計與實現(xiàn)[J]. 計算機工程與設(shè)計，2011，32（7）：2361-2364，2408.

[3]Pierpaoli E，Carli G，Pignatti E，et al. Drivers of precision agriculture technologies adoption：a literature review[J]. Procedia Technology，2013，8 （8）：61-69.

[4]Yu Z H，Cao Z G，Wu X，et al. Automatic image-based detection technology for two critical growth stages of maize：emergence and three-leaf stage[J]. Agricultural and Forest Meteorology，2013（174/175）：65-84.

[5]Xiang H T，Tian L. An automated stand-alone in-field remote sensing system （SIRSS） for in-season crop monitoring[J]. Computers and Electronics in Agriculture，2011，78（1）：1-8.

[6]Duveiller G，Baret F，Defourny P. Remotely sensed green area index for winter wheat crop monitoring：10-Year assessment at regional scale over a fragmented landscape[J]. Agricultural and Forest Meteorology，2012 （166/167）：156-168.

[7]Yang C H. A high-resolution airborne four-camera imaging system foragriculturalremotesensing[J].ComputersandElectronicsin

Agriculture，2012，88：13-24.

[8]Yuping M，Shili W，Li Zhang，et al. Monitoring winter wheat growth in North China by combining a crop model and remote sensing data[J]. International Journal of Applied Earth Observation and Geoinformation，2008，10（4）：426-437.

[9]Lee K J，Lee B W. Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis[J]. European Journal of Agronomy，2013，48：57-65.

[10]韓文霆，李敏，陳微. 作物數(shù)字圖像獲取與長勢診斷的方法研究[J]. 農(nóng)機化研究，2012（6）：1-6.

[11]Fernandez-Pacheco D G，Escarabajal-Henarejos D A，Conesa J，et al. A digital image-processing-based method for determining the crop coefficient of lettuce crops in the southeast of Spain[J]. Biosystems Engineering，2014，117（SI）：23-34.

[12]Wang J，Li X，Lu L，et al. Estimating near future regional corn yields by integrating multi-source observations into a crop growth model[J]. European Journal of Agronomy，2013，49：126-140.

[13]張志斌，羅錫文，臧英，等. 基于顏色特征的綠色作物圖像分割算法[J]. 農(nóng)業(yè)工程學(xué)報，2011，27（7）：183-189.

[14]李志臣，姬長英，安秋. 基于顏色特征的作物與背景分割的對比研究[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報，2008，39（9）：117-124.

[15]齊平. 基于圖像處理的雜草識別研究[D]. 成都：西華大學(xué)，2010.

[16]Montalvo M，Guerrero J M，Romeo J，et al. Automatic expert system for weeds/crops identification in images from maize fields[J]. Expert Systems With Applications，2013，40（1）：75-82.

[17]Romeo J，Pajares G，Montalvo M，et al. A new Expert System for greenness identification in agricultural images[J]. Expert Systems With Applications，2013，40（6）：2275-2286.

[18]Chaves-Gonzalez J M，Vega-Rodriguez M A，Gomez-Pulido J A，et al. Detecting skin in face recognition systems：A colour spaces study[J]. Digital Signal Processing，2010，20（3）：806-823.張東虞，曹衛(wèi)彬，楊弈卓. 基于模糊自整定PID控制的奶牛飼喂裝置溫控系統(tǒng)的設(shè)計[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（11：492-494.