基于圖像分割技術(shù)的小麥識(shí)別

0 引 言

新時(shí)代之際，計(jì)算機(jī)視覺(jué)技術(shù)席卷而來(lái)。基于機(jī)器視覺(jué)的圖像識(shí)別技術(shù)在農(nóng)業(yè)領(lǐng)域得到了廣泛應(yīng)用。最初的圖像識(shí)別扮演著實(shí)用工具的角色，目的是將物理圖像轉(zhuǎn)換為數(shù)字圖像，而今天，圖像識(shí)別技術(shù)開(kāi)始著重于機(jī)器層面上的智能識(shí)別。于農(nóng)業(yè)而言，十九大報(bào)告中指出 ：世界各國(guó)農(nóng)業(yè)的發(fā)展從最初的體力為主的農(nóng)業(yè) 1.0，到農(nóng)業(yè)機(jī)械為主的農(nóng)業(yè) 2.0， 再到自動(dòng)化裝備齊全的農(nóng)業(yè) 3.0，直到現(xiàn)如今的以物聯(lián)網(wǎng)、人工智能等為主的農(nóng)業(yè) 4.0。因此，怎樣通過(guò)有限的耕地資源生產(chǎn)出盡可能多的農(nóng)產(chǎn)品已成為我國(guó)農(nóng)業(yè)發(fā)展所面臨的一個(gè)重要問(wèn)題。針對(duì)這一挑戰(zhàn)，基于圖像識(shí)別與圖像處理技術(shù)的農(nóng)作物識(shí)別、農(nóng)作物生長(zhǎng)監(jiān)測(cè)等被眾多學(xué)者提出，已成為學(xué)術(shù)界研究的主流 [1-6]。

圖像識(shí)別技術(shù)在被廣泛應(yīng)用的同時(shí)，大家對(duì)于圖像的各 項(xiàng)要求也越來(lái)越高，需求越來(lái)越多。同時(shí)，在我們使用手機(jī)、照相機(jī)等進(jìn)行圖像拍攝、傳輸?shù)倪^(guò)程中，可能會(huì)導(dǎo)致斑點(diǎn)的 產(chǎn)生，使得圖像模糊不清，此時(shí)便需要針對(duì)所處理的圖像進(jìn) 行去噪、圖像增強(qiáng)、圖像分割等操作 [7]；圖像分割技術(shù)中， 若需要提取圖像的邊緣信息，則需要熟悉邊緣提取操作，而 圖像識(shí)別技術(shù)的邊緣提取會(huì)涉及許多算法 [8]；若需要進(jìn)行去除噪聲以及圖像孤立點(diǎn)的操作，則需要使用均值濾波、中值 濾波 [9]、形態(tài)學(xué)濾波 [8]等 ；若數(shù)字圖像比較模糊，則需要通過(guò)圖像增強(qiáng)來(lái)提高圖像的清晰度，如直方圖均衡化 [10]操作 ； 我們也可以通過(guò)角點(diǎn)檢測(cè) [11]算法或者圖像壓縮 [12]算法來(lái)簡(jiǎn)化圖像數(shù)據(jù)，進(jìn)而提取出有用的特征參數(shù)?？傊?，圖像分割技術(shù)應(yīng)用廣泛。目前，國(guó)內(nèi)外學(xué)者仍然熱衷于圖像預(yù)處理相關(guān)算法的改進(jìn)與完善，因而它并非十全十美，相關(guān)算法需要我們深度理解，盡自己所能去改進(jìn)算法，為圖像處理技術(shù)創(chuàng)新盡自己的綿薄之力。

1 國(guó)內(nèi)外研究

現(xiàn)在幾乎每個(gè)人都有手機(jī)，手機(jī)上的攝像頭分辨率也在迅速提高。使用機(jī)器識(shí)別用手機(jī)拍攝的植物圖片顯然比使用其他傳感器收集數(shù)據(jù)更方便，更容易推廣?；趫D像處理的機(jī)器識(shí)別方法也成為近年來(lái)的研究熱點(diǎn)。

植物類型的視覺(jué)識(shí)別對(duì)植物學(xué)家來(lái)說(shuō)可能很容易，但對(duì)機(jī)器來(lái)說(shuō)，這是一項(xiàng)復(fù)雜且計(jì)算成本高昂的任務(wù)。Puja 等 [13] 設(shè)計(jì)了一種葉片識(shí)別系統(tǒng)，該系統(tǒng)是植物病害識(shí)別的前置步驟。作者使用了兩步算法，包括分割和分類。系統(tǒng)采用主成分分析法進(jìn)行降維，支持向量機(jī)作為分類器，縮放不同大小的植物圖像。該方法的準(zhǔn)確率為 77.96%，可以通過(guò)加入更多的葉片特征來(lái)提高準(zhǔn)確率。Lavania 和 Matey[14] 設(shè)計(jì)了一種基于尺度不變特征變換的葉片識(shí)別方法，旨在避免人類參與特征提取過(guò)程。該方法利用尺度不變特征變換（SIFT）的關(guān)鍵描述符進(jìn)行邊緣檢測(cè)和分類，采用平均投影算法作為第二種基于輪廓的邊緣檢測(cè)方法。他們以葉片圖像作為輸入，進(jìn)行特征提取，之后進(jìn)行關(guān)鍵點(diǎn)計(jì)算，并存儲(chǔ)計(jì)算出的關(guān)鍵點(diǎn)，然后與數(shù)據(jù)集中的葉片圖像進(jìn)行匹配，從而進(jìn)行植物分類。作者將該方法與基于 SIFT 和輪廓的邊緣檢測(cè)方法進(jìn)行了對(duì)比，并將該方法與 Flavia 數(shù)據(jù)集進(jìn)行了基于 Zernike 矩和定向梯度直方圖的植物識(shí)別研究，準(zhǔn)確率為87.5%。

Salve 等 [15] 利用 Zernike 矩和梯度方向直方圖（HOG）作為形狀描述符特征，在 50 種不同植物的數(shù)據(jù)集上對(duì)該方法進(jìn)行了測(cè)試。首先對(duì)圖像進(jìn)行預(yù)處理，然后應(yīng)用 Zernike 矩和梯度方向直方圖進(jìn)行特征提取。由于健壯性和特性持久性，HOG 的性能優(yōu)于 Zernike 矩，報(bào)告準(zhǔn)確率為 84.66%。將上述特征與一些基于葉子的特征相結(jié)合，可以進(jìn)一步改善其結(jié)果。另一項(xiàng)研究基于一種新的形狀描述符，他們使用周期小波描述符（PWD）創(chuàng)建了一個(gè)包含不同植物物種特征的數(shù)據(jù)庫(kù)，首先利用反向傳播神經(jīng)網(wǎng)絡(luò)對(duì) PWD 特征進(jìn)行訓(xùn)練， 然后對(duì)葉片進(jìn)行識(shí)別，識(shí)別準(zhǔn)確率 [16] 達(dá) 90%。

還有一種基于形狀生長(zhǎng)模式的物體識(shí)別技術(shù)，這項(xiàng)工作是對(duì)形狀進(jìn)行膨脹，從而計(jì)算出具有重要特征的圖像的更新尺寸。這項(xiàng)工作被證明對(duì)噪音有彈性，但涉及到計(jì)算開(kāi)銷和目標(biāo)識(shí)別能力，且要求較高。文獻(xiàn) [17] 提出了一種自動(dòng)亮度調(diào)節(jié)系統(tǒng)，可用于更好地識(shí)別目標(biāo)。這項(xiàng)工作通過(guò)獲取 CIE 實(shí)驗(yàn)室空間的 RGB 和“L”分量來(lái)調(diào)整圖像的亮度，由模糊推理系統(tǒng)計(jì)算每個(gè)像素的調(diào)整系數(shù)。該工作聲稱圖像的自動(dòng)亮度調(diào)節(jié)有助于更好地識(shí)別目標(biāo)，可用于目標(biāo)識(shí)別系統(tǒng)的預(yù)處理階段。

2 圖像分割技術(shù)原理

圖像分割是由圖像處理到圖像分析的關(guān)鍵步驟，一直以來(lái)都是圖像處理技術(shù)中的難點(diǎn)之一。時(shí)至今日借助各種理論模型提出的分割算法已達(dá)上千種，但如何高效地將特征目標(biāo)從復(fù)雜的源圖像中分割出來(lái)始終是一個(gè)熱點(diǎn)話題。圖像分割的重要性和實(shí)用性在引起廣泛研究的同時(shí)，在自動(dòng)式和交互式方面還提出了大量方法，如強(qiáng)度、顏色、紋理等。雖然在科學(xué)文獻(xiàn)中已出現(xiàn)了很多分割技術(shù)，基本可以分為基于圖像域的分割技術(shù)、基于物理的分割技術(shù)和基于特征空間的分割技術(shù) [18]，但圖像分割過(guò)程包括前期的圖像預(yù)處理、顏色特征的選擇、圖像分割算法的設(shè)計(jì)與圖像后處理。

2.1 圖像灰度化

我們可以將灰度圖像看作是灰度值介于黑色和白色之間的圖像，或者說(shuō)是提取出不同顏色種類的不同程度的亮度值 [19]。若是對(duì)彩色圖像進(jìn)行灰度化，等價(jià)于將一幅彩色圖像轉(zhuǎn)化為灰度圖像的過(guò)程。比如大家平時(shí)接觸的黑白圖像就可以看作是灰度圖像。一般情況下，彩色圖像可以劃分為 R，G，B 三種分量（R 為紅色分量，G 為綠色分量，B 為藍(lán)色分量），將其灰度化等價(jià)于使 R，G，B 三個(gè)分量相等的過(guò)程。我們?nèi)粘Ｉ钪兴吹降膱D像擁有不同的顏色是因?yàn)閳D像的每一個(gè)像素點(diǎn)的灰度值是不同的，灰度值最大值為 255，顯示為白色，灰度值最小值為 0，顯示為黑色，灰度圖像每個(gè)像素點(diǎn)都有其對(duì)應(yīng)的灰度值，大小在 0 ～ 255 之間?；叶然慕?jīng)典算法主要包括分量法、最大值法及加權(quán)平均法。

2.2 圖像平滑

若存在僅僅有一幀帶有噪聲的圖像，用以上方法則無(wú)法消除噪聲，由噪聲的特點(diǎn)可知其灰度與周圍灰度間存在明顯的灰度差，即我們所說(shuō)的視覺(jué)障礙，因此圖像平滑（Image Smoothing）將是一個(gè)有效的工具。

圖像平滑又稱作平滑或者濾波，又或者平滑濾波。它屬于低頻增強(qiáng)的空間域?yàn)V波技術(shù)。圖像平滑是視頻信息處理與分析領(lǐng)域的一項(xiàng)傳統(tǒng)任務(wù)，其核心內(nèi)容或者難點(diǎn)在于將邊緣部分和噪聲部分進(jìn)行區(qū)分，且僅僅去除噪聲。圖像能量具有高低頻之別，低頻部分的內(nèi)容是其有用信息的儲(chǔ)存之地，高頻部分則是噪聲以及邊緣信息的存儲(chǔ)段，因此在去除噪聲時(shí)， 很容易將其邊緣信息一同消除，這就要求我們尋找一個(gè)適當(dāng)?shù)姆椒▽?shí)現(xiàn)在去除噪聲的同時(shí)保留圖像的邊緣部分。

圖像平滑可分為空頻域以及頻域法兩大類。我們將濾波器理解為是一個(gè)含有加權(quán)系數(shù)的窗口，當(dāng)需要濾波器進(jìn)行平滑處理時(shí)，將其窗口置于圖像之上，通過(guò)該窗口即可觀察到處理得到的圖像。濾波器的種類繁多，主要包括6 種濾波方法， 即盒式濾波、均值濾波、高斯濾波、中值濾波、雙邊濾波以及引導(dǎo)濾波，其主要目的或者作用是去除圖像的噪聲以及提取出所需特征。

2.3 圖像閾值分割算法

圖像閾值分割作為圖像分割方法的一種經(jīng)典方法，具有操作簡(jiǎn)化、性能較穩(wěn)定、運(yùn)算速率高、準(zhǔn)確率高等特點(diǎn)。主要思想是基于所選擇的灰度級(jí)數(shù)，從原圖像中分割出感興趣的目標(biāo)物，或者將其劃分為不同部分 [20]。在實(shí)驗(yàn)中，選取合適的閾值進(jìn)行圖像分割是實(shí)驗(yàn)的難點(diǎn)，但因其計(jì)算需使用灰度值，因此使用簡(jiǎn)單高效。如果原圖像目標(biāo)與背景差異較大， 全局閾值分割法是個(gè)很好的選擇 ；反之，若兩者差異不大或多個(gè)目標(biāo)的灰度值相近，則可以選擇局部閾值或動(dòng)態(tài)閾值分割法。

針對(duì)綠色作物圖像而言，將作物與土壤背景進(jìn)行分割極其重要，它會(huì)受噪聲、光照等因素的影響。上述方法已較好地去除了部分噪聲影響，除此之外，我們還可以通過(guò)兩者間顏色、形狀及紋理的差異進(jìn)行分割。Naidu 等提出了一種利用螢火蟲(chóng)優(yōu)化算法優(yōu)化模糊熵的多級(jí)圖像閾值分割方法 [21]。伍艷蓮等 [22] 在利用改進(jìn)均值漂移算法的基礎(chǔ)上，獲取圖像顏色指數(shù)信息之后，將其與空間信息進(jìn)行結(jié)合，最后進(jìn)行 Otsu 閾值分割。閾值分割流程如圖 1 所示。

3 實(shí)驗(yàn)分析

本次實(shí)驗(yàn)，使用苗期小麥作為實(shí)驗(yàn)?zāi)繕?biāo)，首先對(duì)圖像進(jìn)行灰度處理?；叶忍幚淼娜N方法效果如圖 2 ～圖 4 所示?？梢园l(fā)現(xiàn)，對(duì)于本實(shí)驗(yàn)而言，使用加權(quán)平均法較好，但在大多數(shù)情況下，我們選擇系統(tǒng)自帶灰度函數(shù)進(jìn)行灰度化處理。圖像經(jīng)過(guò)灰度化、平滑等技術(shù)去除噪聲之后，使用閾值進(jìn)行分割，其結(jié)果如圖 5 所示。

圖 1 閾值分割流程

圖2 平均值法圖3 加權(quán)平均法

圖4 最大值法圖5 小麥閾值分割結(jié)果

4 結(jié) 語(yǔ)

圖像分割算法眾多，基于閾值的圖像分割算法因?yàn)槠涓咝У倪\(yùn)算過(guò)程以及簡(jiǎn)單的操作被廣泛應(yīng)用到各個(gè)領(lǐng)域，但同時(shí)也存在不足，若是目標(biāo)物與背景差異較小或者兩者灰度范圍重疊，則會(huì)發(fā)生過(guò)分割或者欠分割的情況 ；另外因其僅僅考慮灰度信息，抗噪性能差，從而導(dǎo)致其邊緣信息分割效果較差。總之，對(duì)于如何從復(fù)雜的背景之下獲取農(nóng)田作物的算法眾多，而選擇基于圖像識(shí)別技術(shù)進(jìn)行提取，對(duì)圖像目標(biāo)識(shí)別的精確度或者及時(shí)性要求較高，因此如何快速對(duì)綠色作物進(jìn)行精準(zhǔn)分割仍然是學(xué)術(shù)界研究的難點(diǎn)所在。