茅正沖, 孫雅慧

(江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無錫 214122)

0 引 言

通過準(zhǔn)確地觀測玉米發(fā)育期信息，可以科學(xué)地指導(dǎo)農(nóng)民合理地進(jìn)行去雄，進(jìn)而有效地提高產(chǎn)量[1]。長期以來農(nóng)業(yè)氣象觀測以及傳統(tǒng)的農(nóng)作物農(nóng)情信息的提取存在耗費人力、實時性不足等問題，對現(xiàn)代農(nóng)業(yè)以及數(shù)字農(nóng)情的建設(shè)不利。圖像識別技術(shù)作為計算機視覺技術(shù)領(lǐng)域的重要課題之一，在自動化農(nóng)業(yè)領(lǐng)域受到廣泛關(guān)注。

本文利用計算機視覺技術(shù)對復(fù)雜環(huán)境下的玉米雄穗進(jìn)行識別研究。針對在復(fù)雜的自然光照條件下，田間玉米分布十分密集、玉米雄穗與葉片之間顏色在三原色(red green blue,RGB)彩色空間下差異不明顯，且會對樣本圖像有遮擋導(dǎo)致識別率低下的問題，本文首先將圖像從RGB彩色空間轉(zhuǎn)換到HSI色彩空間[2]并分別提取H,S,I分量圖，發(fā)現(xiàn)H分量圖中，玉米雄穗能夠明顯地區(qū)分于葉片。對H分量圖進(jìn)行二值化處理、中值濾波、連通域面積去噪、形態(tài)學(xué)處理、生成矩形框框出連通域后，能夠?qū)τ衩仔鬯肽繕?biāo)進(jìn)行識別。本文在上述識別算法之后加入再確認(rèn)步驟，將識別出的候選玉米雄穗進(jìn)行顏色、形態(tài)特征提取，并將上述特征輸入學(xué)習(xí)矢量量化(learning vector quantization,LVQ)神經(jīng)網(wǎng)絡(luò)進(jìn)一步確認(rèn)，與前一步目標(biāo)識別效果相比較，得到的結(jié)果有效地提高了玉米雄穗識別的準(zhǔn)確性，大幅降低了誤檢率。

1 樣本采集與試驗

本文圖像由江蘇省無線電研究所有限公司提供，通過安裝在田間的裝置獲取。試驗田分別位于中國山東省的泰安市(北緯36.11°，東經(jīng)117.08°)和河南省的鄭州市(北緯34.46°，東經(jīng)113.40°)。所使用的CCD相機為奧林巴斯(Olympus)E450，最高分辨率達(dá)3 648像素×2 736像素，采用定焦方式對試驗田進(jìn)行拍攝，焦距設(shè)置為16 mm。相機離地面的高度約5 m，拍攝方向為前下視，光軸與地面的夾角約60°。

圖像試驗環(huán)境：軟件平臺MATLAB R2012b,硬件配置為處理器為Intel(R)Pentium(R)CPU P6200(2.13 GHz)，內(nèi)存為2 GB。

2 研究方法

2.1 顏色空間轉(zhuǎn)換

為了克服RGB空間的不均勻和不直觀性，本文中采用了在接近人眼對景物的認(rèn)知方面優(yōu)于RGB顏色模型、更符合人類視覺特性的色度、飽和度、亮度(hue saturation intensity,HSI)顏色空間[3],RGB空間到HSI空間的轉(zhuǎn)換關(guān)系為

(1)

(2)

(3)

H分量圖中可以觀察到玉米雄穗較明顯地區(qū)分于葉片。

2.2 圖像去噪

2.2.1 中值濾波

中值濾波[4]是一種非線性空間濾波，可以有效地消除一定類型的隨機噪聲，同時又能較好地保護圖像中關(guān)鍵的細(xì)節(jié)信息，使圖像較為清晰。在大小為m×n的窗口A下進(jìn)行中值濾波可表示為

(4)

式中m和n均為奇數(shù)，i=1,2,…,m，j=1,2,…，n。

2.2.2 連通域面積去噪

中值濾波后的二值圖像仍存在著將背景誤認(rèn)為雄穗的噪聲干擾，鑒于這部分誤差在二值圖中的面積較玉米雄穗面積要小得多，因此,采用連通域面積去噪的方法。根據(jù)采集圖片分辨率大小設(shè)定一個閾值T，二值圖像中面積小于T的連通域像素值均置為0；大于T的連通域保留。

2.3 形態(tài)學(xué)處理和連通域提取

由于復(fù)雜的田間環(huán)境，玉米葉片與雄穗之間相互遮擋時常發(fā)生，會導(dǎo)致得到的雄穗目標(biāo)部分?jǐn)嗔?。為了解決上述問題，在圖像去噪后通過形態(tài)學(xué)膨脹操作[5]使斷裂的區(qū)域重新連接，該過程如圖1所示。然后提取圖像中的連通域，生成矩形框框出玉米雄穗候選圖像。

圖1 形態(tài)學(xué)膨脹操作

2.4 圖像特征提取

由于復(fù)雜的田間環(huán)境，玉米雄穗和葉片生長的姿態(tài)多變，以及圖像采集時拍攝角度不一，易出現(xiàn)葉片遮擋雄穗、雄穗間相互重疊等現(xiàn)象，對目標(biāo)物的精準(zhǔn)識別造成干擾，出現(xiàn)誤檢。為了得到更精確的識別率，在閾值分割算法后加入“再確認(rèn)”算法，即將分割后的圖像特征再輸入到LVQ神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類，保留玉米雄穗?yún)^(qū)域，剔除誤檢區(qū)域。

1)顏色特征提取

考慮到復(fù)雜背景下光照對圖像的影響，提取目標(biāo)物的H，S，I分量特征作為顏色特征[6]。

2)形狀特征提取

玉米雄穗具有發(fā)散形狀，與玉米葉片形狀不同，且差異較為明顯，依據(jù)玉米雄穗圖像的特點，本文選取Hu不變矩[7，8]提取目標(biāo)物形狀特征，Hu不變矩包含7 個特征向量。

2.5 LVQ神經(jīng)網(wǎng)絡(luò)設(shè)計

1)輸入層神經(jīng)元數(shù)目

本文選取玉米雄穗的顏色特征：H，S，I3個分量特征和7個Hu不變矩特征，因此，輸入層神經(jīng)元數(shù)目為10個。

2)輸出層神經(jīng)元數(shù)目

LVQ神經(jīng)網(wǎng)絡(luò)的輸出層神經(jīng)元數(shù)目主要依據(jù)待識別物體的類別數(shù)來決定，本文將候選玉米雄穗圖像主要分為2種,即雄穗圖像和非雄穗圖像，因此，輸出層神經(jīng)元的數(shù)目為2個。

3)競爭層神經(jīng)元數(shù)目

在LVQ神經(jīng)網(wǎng)絡(luò)[9～11]中，競爭層神經(jīng)元的數(shù)目即為子類的數(shù)目，一般子類的數(shù)目都要大于類別數(shù)，因此，競爭層的神經(jīng)元數(shù)目要大于輸出層的神經(jīng)元數(shù)目。本文設(shè)計的LVQ神經(jīng)網(wǎng)絡(luò)為每個類別分配了3個子類，因此，競爭層的神經(jīng)元數(shù)目為6個。

4)學(xué)習(xí)速率選取

學(xué)習(xí)速率η通常都是在0～1之間取值，其大小決定了競爭層神經(jīng)元權(quán)值的學(xué)習(xí)速度[12]。當(dāng)η的值接近1時，可以使權(quán)值快速修正，以較快的速度到達(dá)一個類，但權(quán)值可能會發(fā)生振蕩，導(dǎo)致分類網(wǎng)絡(luò)穩(wěn)定性不夠；當(dāng)η值接近0時，權(quán)值修正比較穩(wěn)定，但學(xué)習(xí)速度比較慢，訓(xùn)練時間比較長。因此η的值可以分段選擇，即學(xué)習(xí)前期進(jìn)行粗調(diào)節(jié)，可以選取較大值，隨著學(xué)習(xí)次數(shù)的增加，權(quán)值修正要更加精細(xì)，η的取值要較小。本文選取的學(xué)習(xí)速率為

(5)

式中η(0)為初始學(xué)習(xí)速率，取值為0.5；t為當(dāng)前學(xué)習(xí)次數(shù)；T為設(shè)定的總次數(shù)。學(xué)習(xí)速率會隨著學(xué)習(xí)次數(shù)的增加而變小，符合上述要求。

3 試驗設(shè)計與結(jié)果分析

3.1 試驗設(shè)計

1)將玉米田間圖片從RGB顏色空間轉(zhuǎn)換到HSI顏色空間，得到圖片的H分量圖。

2)對H分量圖進(jìn)行中值濾波、連通域面積去噪、形態(tài)學(xué)處理和連通域提取操作，使得能夠粗略地分割出玉米雄穗候選區(qū)域。

3)提取20組已知是玉米雄穗目標(biāo)和非玉米雄穗目標(biāo)的H,S,I顏色分量和Hu不變矩分量作為訓(xùn)練樣本輸入LVQ神經(jīng)網(wǎng)絡(luò)中訓(xùn)練。

4)對步驟(2)中得到的玉米雄穗候選區(qū)域進(jìn)行H,S,I顏色分量和Hu不變矩特征提取，并輸入到已訓(xùn)練好的LVQ神經(jīng)網(wǎng)絡(luò)中分類，得到最終識別的玉米雄穗目標(biāo)。

3.2 試驗結(jié)果分析

3.2.1 閾值分割

分割過程如圖2(a)～圖2(d)所示。

圖2 玉米雄穗閾值分割過程

3.2.2 LVQ神經(jīng)網(wǎng)絡(luò)再分類

觀察圖2(d)可發(fā)現(xiàn)，有一些非玉米雄穗的雜物被分割出來，于是在閾值分割算法后加入“再確認(rèn)”步驟，利用LVQ神經(jīng)網(wǎng)絡(luò)將玉米雄穗和非玉米雄穗進(jìn)行分類，最終去除非玉米雄穗部分，識別到精確的玉米雄穗目標(biāo)。為了評價分割效果，本文選取相同玉米田間圖像在HSI空間下將本文方法與K-means聚類算法[13]進(jìn)行比較，仿真后的分割效果對比如圖3所示。

圖3 分割效果對比

利用本文試驗樣本結(jié)果計算出算法的檢出率和誤檢率分別為96.91 %和1.63 %(閾值分割算法分別為75.53 %和23.54 %)，本文提出的算法噪聲較小、更直觀地降低了誤檢率，算法結(jié)果更精確。

4 結(jié) 論

本文在HSI顏色空間下首先采用中值濾波、連通域面積去噪、形態(tài)學(xué)處理和連通域提取的閾值分割算法將候選玉米雄穗目標(biāo)分割，再通過利用真實的玉米雄穗和非雄穗的顏色特征、形狀特征訓(xùn)練好的LVQ神經(jīng)網(wǎng)絡(luò)進(jìn)行“再確認(rèn)”分類。本文算法能夠有效地降低誤檢率、提高分割準(zhǔn)確率，分割準(zhǔn)確率達(dá)到96.9 %。