田秀麗，黃亞麗

(河北大學 電子信息工程學院，河北 保定 071002)

?

計算機視覺系統(tǒng)下缺素番茄葉片彩色圖像研究

田秀麗，黃亞麗

(河北大學 電子信息工程學院，河北 保定 071002)

基于計算機視覺系統(tǒng)分析研究缺素番茄葉片的色彩圖像，可以準確提取出缺素番茄葉片色彩圖像的特征。對當前缺素番茄葉片色彩圖像特征提取中，可以運用計算機視覺，優(yōu)化設計圖像處理軟件，依據(jù)番茄葉片顏色特征來完成缺素番茄葉片的識別。實驗表明：基于計算機視覺系統(tǒng)，優(yōu)化設計缺素番茄葉片色彩圖像特征提取軟件，可提升缺素番茄葉片色彩圖像分析精度(提升32.0%)，準確判斷提取缺素番茄葉片圖像的特征。基于計算機視覺系統(tǒng)，進行缺素番茄葉片的色彩圖像特征提取，有效提高了缺素番茄葉片色彩圖像分析精度，可在實踐中推廣應用該技術。

計算機視覺；番茄葉片；缺素；色彩圖像

0 引言

在番茄種植中，番茄缺素主要會表現(xiàn)在葉片的顏色與紋理中，傳統(tǒng)的缺素番茄判斷中多采用人工肉眼判斷方式。由于番茄缺素初期癥狀不明顯，因此人工肉眼判斷缺素并不能實際解決問題[1]。為此，設計了基于計算機的缺素圖像特征提取系統(tǒng)，可提高缺素番茄葉中圖像精度，有利于指導農業(yè)生產。

1 計算機視覺系統(tǒng)

隨著我國計算機技術的發(fā)展，在進行植物病害診斷方面，將計算機視覺技術應用于其中[2]。在種植應用中，計算機視覺系統(tǒng)，主要以計算機中的視覺處理、數(shù)字圖像處理及光譜分析等基礎，通過識別分析顏色的變化，精確、定量分析植物顏色變化數(shù)據(jù)，對植物病害癥狀進行描述，提升對植物病害診斷的準確性，快速實現(xiàn)對植物病害的處理[3-6]。在計算機視覺系統(tǒng)中，可以通過探尋植物葉片在健康狀態(tài)及染病狀態(tài)下植物葉片的顏色外部性狀及反射光譜的變化，構建出葉片顏色與光譜間變化的關系模型[7]，從而檢測植物的病害。

2 特征提取軟件設計需求

在提取軟件的設計中，基于番茄缺素生物學原理，結合計算機視覺系統(tǒng)，優(yōu)化設計該軟件。番茄種植過程中，由于番茄生長會對營養(yǎng)產生較高的需求，只有在不缺乏營養(yǎng)元素的情況下，才可以保證番茄果實的產量與品質；番茄缺素，其營養(yǎng)就會不平衡，呈現(xiàn)生長不良的缺素癥狀。 番茄缺素嚴重時，會表現(xiàn)在番茄葉片的色彩變化上。例如，番茄缺氮元素，則葉片會退綠，葉片黃化；番茄缺磷元素，則葉片為紅紫色；番茄缺鋅元素，則新葉有黃斑；番茄缺鎂元素，則番茄下部葉脈間黃化，葉緣為橙、赤、紫等多色彩；番茄缺錳元素，新生葉片與葉脈間發(fā)黃，葉脈仍是綠色[8]。因此，本次設計將基于計算機視覺系統(tǒng)，優(yōu)化設計該特征提取軟件，并根據(jù)番茄葉片彩色圖像變化，精確地獲得缺素番茄的信息，初步檢測出缺素番茄，并快速、準確地獲得缺素番茄的類型及其受害程度，確保農業(yè)生產者根據(jù)獲得的缺素番茄葉片彩色圖像信息采取有效的防治措施，控制缺素番茄的發(fā)生，挽回缺素番茄造成的經濟損失。設計實現(xiàn)基于計算機視覺系統(tǒng)的缺素番茄葉片色彩圖像特征提取軟件，可在顏色紅綠藍模型(RGB)抓取器中能夠打開jpg,gif,bmp等多種常見格式的圖片,并可按用戶的需要將圖片像素點RGB值輸出到txt文件中,儲存該文件數(shù)據(jù)，作為缺素番茄葉片判斷時的葉片彩色圖像特征提取依據(jù)。

3 缺素番茄葉片色彩圖像特征提取

3.1 軟件設計

本次設計的缺素番茄葉片色彩圖像特征提取軟件，通過系統(tǒng)的圖像處理算法，優(yōu)化提取缺素番茄葉片色彩圖像特征，并對特征數(shù)據(jù)進行分析，將其作為判斷番茄植物缺素的依據(jù)。軟件由視覺系統(tǒng)、人機界面、數(shù)據(jù)存儲及軟件算法幾個部分。其總體結構如圖1所示。

圖1 總體結構設計

3.2 計算機視覺系統(tǒng)應用

首先進行植物圖像的預處理，主要為二值化處理、采用簡單邊緣檢測算子進行邊緣檢測等。

其次，提取葉片圖像的形狀特征，選取了6種區(qū)域描述特征，分別是葉片周長、面積、寬度、長度、偏心率、顏色，顏色特征選了7維。

分類葉片色彩圖像信息，主要采用K-means算法和近鄰法進行分析。

3.3 算法設計

設f(p)為灰度級函數(shù)，p為像素坐標，Ω?Z2，p∈Ω。p的相鄰像素p′∈N(p)；距離函數(shù)為dist(p，p′)(在4連通或8連通域中，對所有的鄰域點，距離為1)。

斜率最大的相鄰點為

如果每個區(qū)域最低處mi有唯一的標記L(mi),稱為分水嶺分割。對于每一NLS(P)≠φ的P∈Ω，則有

?p'∈NLS(p),L(p)=L(p)

平滑處理算法。根據(jù)圖像的局部統(tǒng)計特性而變化，點(m,n)一般位于S的中心。如S為3×3領域，點(m,n)位于S中心，則

假設噪聲n是加性噪聲，在空間各點互不相關，且期望為0，方差為σ2，圖像g是未受污染的圖像，含有噪聲圖像f經過加權平均后為

3.4 軟件處理流程

基于計算機視覺系統(tǒng)，分析提取缺素番茄葉片彩色圖像特征過程，如圖2所示。

圖2 彩色圖像缺素特征分析提取過程

1)葉片圖像采集：有針對性地采集番茄植物葉片，挑選出沒有缺素顏色特征的葉片，有效提高算法訓練樣本集的自相容能力與泛化能力，確保采集的植物的葉片大小以及老嫩程度，可以囊括葉片的全部特征；之后，運用掃描儀將葉片制成數(shù)字彩色圖像。

2)圖像預處理：目的是減少葉片彩色圖像中的噪音，增加圖像的質量，加強有用的信息，并促進后期圖像特征的歸一化。用突出圖像的寬大區(qū)域、低頻成分、主干部分或者抑制噪聲和干擾高頻成分，使圖像亮度平緩漸變，減小突變梯度，改善圖像質量的圖像處理。

3)灰度化處理葉片圖像：獲取的葉片彩色圖像，消除葉柄對分類結果的影響，將原來不清晰的圖像變得清晰或強調某些感興趣的特征，抑制不感興趣的特征，使之改善圖像質量、豐富信息量，加強圖像預讀和識別效果的圖像處理方法。

具體算法為輸入圖像f，輸出圖像l。

第1次掃描圖像像素：

p{q←p；

for each

(p'∈N(p)and f[p']

if (f[p']

if (q≠p) l[p]←q'；

else

l[p]←PLATEAU；}

第2次掃描圖像像素：

p{if(l[p]=PLATEAU){L[P]←P；

for each (p'∈Nprev(p) and f[p']=f[p])

r←FIND(l,p)；r'←FIND(l,p')；l[r]←l[r']←min(r,r')；}}

第3次掃描圖像像素：

p{l[p]←FIND(L,P)；}

FIND(l,u){for (r←u； l[r]≠r'，r←l[r])； Return r；}

算法程序：

M=imread('葉子4.bmp');

figure,imshow(M)

M1 = watershed(M);

figure,imshow(M1)

利用提取出來的圖像特征，提取出葉片的彩色圖像參數(shù)信息，與缺素番茄葉片進行對比分析，判斷番茄植物是否參數(shù)缺素病害。

3.5 軟件代碼實現(xiàn)

lena=imread('lena.jpg'); %載入圖片figure(1);imshow(lena);title('原圖像'); %顯示原圖像

rgb1=imnoise(lena,'gaussian');

%加入高斯噪聲

figure(2);imshow(rgb1);title('加入噪聲后');%顯示加入噪聲后的圖像

fR1=rgb1(:,:,1); %提取圖像中的R層

fG1=rgb1(:,:,2); %提取圖像中的G層

fB1=rgb1(:,:,3); %提取圖像中的B層

w=fspecial('average');

fR_filtered=imfilter(fR1,w); %對R層做平滑處理

fG_filtered=imfilter(fG1,w); %對G層做平滑處理

fB_filtered=imfilter(fB1,w); %對B層做平滑處理

rgb_filter=cat(3,fR_filtered,fG_filtered,fB_filtered); %將處理后的3層合并在一起

figure(3);imshow(rgb_filter);title('模糊后的圖像 '); %顯示模糊后的圖像

rgb2=rgb_filter; %將模糊圖像傳遞給rgb2

fR2=rgb2(:,:,1); %提取圖像中的R層

fG2=rgb2(:,:,2); %提取圖像中的G層

fB2=rgb2(:,:,3); %提取圖像中的B層

lapMatrix=[-1 -1 -1;-1 9 -1;-1 -1 -1];

fR_tmp=imfilter(fR2,lapMatrix); %對R層做銳化處理

fG_tmp=imfilter(fG2,lapMatrix); %對R層做銳化處理

fB_tmp=imfilter(fB2,lapMatrix); %對R層做銳化處理

rgb_tmp=cat(3,fR_tmp,fG_tmp,fB_tmp); %合并3層圖像

figure(4);imshow(rgb_tmp);title('銳化后的圖像 ');%顯示銳化后的圖像

4 軟件應用

4.1 應用案例

為驗證本軟件的應用效率，針對A地番茄種植基地，隨機通過計算機視覺系統(tǒng)，對一張番茄葉片彩色圖像進行分析，以判斷番茄是否缺素，如圖3所示。

圖3 采集的番茄葉片彩色圖像

4.2 缺素番茄葉片彩色圖像分析

采集番茄葉片中，應用該軟件，將該圖像進行特征分割，將圖像氛圍4個區(qū)域，如圖4～圖7所示。

在軟件中讀入一幅番茄葉片的RGB圖像，然后將其分別轉換到CMY空間、HSI空間并顯示，隨機對4個不同區(qū)域的番茄葉片彩色圖像進行缺素特征提取分析，并利用缺素番茄葉片彩色圖像處理算法，對彩色圖像進行平滑濾波及銳化處理。

圖4 左上區(qū)域

圖5 右上區(qū)域

圖6 左下區(qū)域

圖7 右下區(qū)域

4.3 結果分析

應用結果顯示：圖6、圖7中存在缺素番茄葉片，缺乏錳元素，以至于使葉片的彩色圖像中呈現(xiàn)出黃色斑點，影響番茄植物的正常生長；圖4、圖5中，不存在缺素番茄葉片，該區(qū)域番茄葉片的彩色圖像符合正常生產番茄植物的特征，不存在缺素表現(xiàn)。

5 結論

基于計算機視覺系統(tǒng)，通過植物的葉片顏色、葉形構造及葉脈分布等外部特征，分離提取葉片圖像信息，有效提取缺素番茄葉片彩色圖像特征，判斷診治缺素番茄植株。

綜上所述，基于計算機視覺系統(tǒng)，設計缺素番茄葉片的色彩圖像特征提取軟件，可有效提高缺素番茄葉片色彩圖像分析精度，具有一定的實用價值。

[1] 方政, 胡曉輝, 陳永,等. 基于計算機視覺的成熟番茄識別研究[J].農機化研究, 2016, 38(8)：31-35.

[2] 杭騰, 毛罕平, 張曉東,等. 基于機器視覺的番茄長勢信息無損檢測的研究[J].農機化研究, 2015，37(11):192-197.

[3] 張水發(fā), 王開義, 祖琴,等. 基于塊標記的田間葉片損傷區(qū)域分割方法[J].農業(yè)工程學報, 2014(21):218-225.

[4] 周正, 雷夢龍, 唐少先. 基于計算機視覺技術的番茄葉部病害識別研究[J].安徽農業(yè)科學, 2013, 41(5):2288-2289.

[5] 汪啟偉. 圖像直方圖特征及其應用研究[D].合肥：中國科學技術大學, 2014.

[6] 楊國良. 番茄常見缺素癥的識別及防治番治[J].鄉(xiāng)村科技, 2014(7):21.

[7] 吳艷, 張麗. 基于Qt的葉片顏色RGB抓取器的設計與實現(xiàn)[J].信息化研究, 2013(3)：75-78.

[8] 朱文靜, 毛罕平, 劉紅玉,等. 溫室番茄缺素葉片偏振反射特征分析[J].光譜學與光譜分析, 2014(1):145-150.

Study on the Color Image of Tomato Leaves Under the Computer Vision System

Tian Xiuli, Huang Yali

(College of Information Engineering，Hebei University,Baoding 071002，China)

The aim of this study is to analyze the color image of the missing tomato leaves based on the computer vision system, so as to ensure the accurate extraction of the color image features. The current lack of tomato leaf color image feature extraction, using computer vision, optimization, image processing software is designed, which can be found color characteristics of tomato leaves to complete lack of identification of pigment in tomato leaves. The results confirm that based on computer vision system, optimization design extraction software diagnosing nutrient deficiency diseases of tomato leaf color image feature, play a technical feasibility, can improve the deficiency of tomato leaf color image analysis accuracy, improve 32.0%, by computer vision system accurately judge the extraction of nutrient deficiency of tomato leaf image, effective application. The conclusion indicates that the system based on computer vision, a design defect of pigment of tomato leaf color image feature extraction software can effectively improve the deficiency of tomato leaf color image analysis accuracy, application of this system in practice.

computer vision; tomato leaves; missing element; color image

2016-06-07

河北省高等學?？茖W技術研究項目(QN2016169)

田秀麗(1977-)，女，河北保定人，講師，碩士研究生，(E-mail)tianxiuli0609@163.com。

黃亞麗(1978-)，女，河北保定人，講師，博士研究生，(E-mail)sue9175@sina.com。

S126；TP391.4

A

1003-188X(2017)07-0175-05