基于大蒜圖形識別算法的研究

摘要：大蒜種植過程中大蒜的方向顯著影響大蒜的品質，目前我國大蒜種植機械化水平較低。隨著計算機和人工智能技術的發展，模式識別技術在圖像處理中的應用日益廣泛。本文償試采用模式識別的方法實現對大蒜蒜尖的判斷。實驗結果表明，提出的方法取得了較高的識別率。

關鍵詞：模式識別；圖像處理；特征提取；鏈碼

中圖分類號：TP391文獻標識碼：A文章編號：1009-3044(2008)20-30328-03

Research of Garlic Graphics Recognition Algorithm

LI Hong，DENG Shi-jian， XU Jing， LI Na

(China University of Mining and Technology， Xuzhou 221000， China)

Abstract: When planting garlic to put the head upwards can evidently enhances it’s yield and quality，but the planting level is so low now in our country. With the development of computer and artificial intelligence，pattern recognition is widely used in the image processing increasingly. The subject attempt to use pattern recognition way to judge the Garllic head.The test shows that the method achieved a higher recognition rate.

Key words: Pattern recognition; image processing; feature extract; Chain code

1 引言

我國是一個農業大國，大蒜是我國江蘇、山東等省農民的主要增收經濟作物之一。我國大蒜的出口量都超過了100萬噸。出口量占了全球大蒜貿易總量的70%以上。但是，大蒜種植機械化長期以來發展置后，種植機械的研究與開發未得到充分重視，種植大蒜勞動強度大，占用農忙時的大量勞力，且效率較低。近年來我國開始使用了一些小批量生產的大蒜播種機，2005年9月24日，山東引進了韓國大蒜播種機并進行了試種演播，該大蒜機對播種效率的提高有很大的幫助，每天可以替代幾十余名農民的勞動量。無論從株行距到播種量，從播種機的播種效率均有一定程度的提高，但播種時蒜瓣是隨機落地的。大蒜的播種如能保證每穴單粒，瓣尖向上。可以顯著提高大蒜的發芽率，產量和質量。設計一種新型可保證大蒜瓣尖向上的栽植機是一項新的課題。本文主要分析識別瓣尖、瓣根的方法。

經過技術分析和調研，大蒜栽植系統中的圖像采集采用線陣CCD作為圖像傳感器。大蒜的圖像識別要經過圖像二值化處理、邊緣檢測、特征獲取才能進行瓣尖、瓣根的判定。在設計的系統中使用了蒜瓣導向軌，所以本系統中可以認為進行識別的大蒜圖像是上下方向的。只要判斷當前蒜瓣是尖向上還是根向上，若根向上直接發出換向邏輯，將蒜瓣轉向栽植即可。

2 圖像的邊緣檢測

邊緣信息是圖像分析和識別的過程中一個十分重要的圖像特征信息，圖像可以是灰度的，也可以是二值的。如何準確地提取圖像中物體邊緣一直是這些領域的一個研究熱點。邊緣檢測就是測圖像特性發生變化的位置。對于灰度圖像來說，邊緣是由像素灰度的不連續性所致，常用的邊緣檢測方法大都基于象素導數的極值或過零點。由于噪聲和模糊的存在，檢測到的邊界可能會變寬或在某些點處發生間斷，因此，邊界檢測包括兩個基本內容：首先抽取出反映灰度變化的邊緣點，然后剔除某些邊界點或填補邊界間斷點，并將這些邊緣連接成完整的線。

對二值圖像信息而言，圖像中所有的像素點的取值非0即1，值為1的點稱為前景點或黑點，為0的點稱為背景點或白點。對其邊緣的檢測方法可大大簡化，需提取的邊緣點即是發生0、1變化的像素點的集合。運用圖像的邊緣檢測和輪廓提取及跟蹤，得到大蒜的輪廓圖像。

3 圖像二值化的閾值分割算法

使用線陣CCD獲取大蒜原始圖像后，在大蒜的圖像識別中主要關心的是大蒜的輪廓形狀特征，識別過程中只需要大蒜的二值圖像信息。要獲得大蒜的灰度圖像的二值化信息，可采取閾值分割算法。閾值分割就是先確定一個處于圖像灰度取值范圍內的灰度閾值，然后將圖像中各個像素的灰度值與這個閾值相比較，并根據比較的結果將對應的像素劃分為兩類。二值化操作值的選取是一個重要的問題，閾值的設置由數據采集系統導軌板的顏色和所打出的光照亮度決定。本系統使用Matlab的微分算子法Sobel算子[1]進行邊緣提取，Sobel算子是濾波算子的形式，提取邊緣時對邊緣的定位比較準確。

在MATLAB中使用此方法得到如圖1所示大蒜的二值圖像。邊緣提取的MATLAB實現方法如下：

RGB=imread('F:\\p1120025.jpg');

%subplot(3，3，1)，imshow(RGB)，title('原圖');

Y=rgb2gray(RGB);%將彩色圖像轉化為灰度圖

J=imadjust(Y，[0.5 0.8]，[0 1]); %灰度調整

H=fspecial('sobel');%用Sobel算子對圖像濾波（銳化）

M=filter2(H，J);

Z=im2bw(Y，0.4);

BW=edge(Z，'canny');%邊緣檢測

figure(1)，imshow(Y)，title('灰度圖');

%subplot(3，3，3)，imshow(J)，title('灰度圖增強');

%subplot(3，3，4)，imshow(M)，title('銳化');

%subplot(3，3，5)，imshow(Z)，title('二值圖');

%subplot(3，3，6)，imshow(BW)，title('邊緣');

figure(2)，imshow(Z)，title('二值化');

figure(3)，imshow(BW)，title('邊緣');

圖1大蒜的二值圖像

4 圖像邊緣的鏈碼表示法

計算機中存儲圖像的方式[2]有兩種：一種是位映射，即位圖存儲模式；另一種是向量處理，也稱矢量存儲模式。位映射是將圖像的每一個像素點轉換為一個數據，并存放在以字節為單位的矩陣中。向量處理存儲圖像內容的輪廓部分，而不存儲圖像數據的每一點。兩種存儲方式相比較而言，位圖占用的存儲空間較矢量圖要大得多，但顯示較快；向量處理所占的存儲空間少得多，且圖像縮放不會失真，但往往需要預先做一些復雜的分析演算工作。

找到了合適的運算方法，向量處理比較適合本系統的需要。通過閾值分割。得到大蒜的二值化的圖像，邊緣輪廓可以用方向鏈碼[3]描述。方向鏈碼是對輪廓點的一種編碼表示方法，是1974年由Freeman提出的。方向鏈碼是8方向的鏈碼，0～7表示8個方向，其編碼定義如圖2所示。鏈碼的在目標表示方面具有簡單而節省空間的特性。

使用鏈碼對目標進行輪廓跟蹤，其方向為：對于外輪廓取逆時針方向表示，圖像掃描順序是從上到下和從左到右;輪廓點定義在像素的顏色值為1的目標區域上，對每一標記點記錄一次，對于任一連通性輪廓，算法不會忽略任意方向的起始點和結束點。

獲得圖像輪廓邊界的編碼，圖像邊界預處理是一項需要考慮的問題。對于任意圖像，首先應進行輪廓跟蹤以求得其各輪廓的表示，本文采用如下的輪廓跟蹤算法，假定物體邊界不在圖像的邊界上（即物體完全在圖像內部），邊界跟蹤算法先選擇一起始點s∈S（S為目標區域），然后跟蹤邊界直到回到起始點。算法描述為：

(1)從左到右、從上到下掃描圖像，求區域S的起始點坐標

S(k)=((x(k)，y(k)); k=0

(2)用c表示當前邊界上被跟蹤的象素點，置c=s(k);

(3)按逆時針方向記從b開始的c的8個8鄰點為n1，n2，n3，n4，n5，n6，n7，n8;

(4)從b開始，逆時針方向沿著圖像邊緣輪廓行走，采用“左側”行走規則，始終使圖像邊緣的點在左側，由此，目標輪廓鏈碼可表示為：S=(s(0)，s(1)…，s(n))，原理如圖3所示。

依據此辦法得到圖1所得大蒜邊緣鏈碼表示為(1，16)6，6，6，6，6，6，7，6，7，7，7，7，7，1，1，0，0，0，0，

圖3 輪廓跟蹤算法的原理圖

1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，7，7，7，7，0，2，2，3，3，3，2，3，2，3，2，2，2，2，3，2，3，3，2，3，3，2，3，4，3，3，3，3，4，3，4，3，4，4，3，4，4，4，4，4，4，4，4，4，4，5，4，4，5，4，5，5，5，5，5，5，5，6，5，5，5，6，5。大蒜邊緣信息以數組元素形式存儲。

5 大蒜圖像識別的算法分析

計算機進行圖像識別，特征的選擇在一定的程度上可以判定目標。對于大蒜的形狀判別，瓣尖區域細長分，瓣根區域粗寬。在設定寬度內瓣尖面積小于瓣根，因此，只需取出大蒜圖像兩頭設定區域（區域大小的選取依據實際運行時既準確又快速的原則確定）的面積，對所采樣特征區域面積（所包含的像素點數）進行大小比較，以面積小者作為瓣尖。這種選取特征值的方法忽略了圖像的大量原始信息，提取大蒜最典型的樣本特征，在實際使用中數據處理、容量存儲要求相對較少。

6 結論分析

使用文中提出的方法，先以5幅大蒜圖像作為樣本進行實驗，依據實驗所用圖像蒜的大小稍有不同，在閾值為15到25時所得兩頭面積差別最大，但在實驗時閾值為10處均已得到非常明顯的面積對比差別，因而本實驗設定閾值為10，若閾值選取太小，蒜瓣邊上的小的毛皮在閾值為5左右容易造成誤差。設定要求面積區域閾值為10時，5幅圖像所得兩頭面積值用Area1、Area2表示，如表1。

表1 5幅圖像所得兩頭面積值

因所選圖像均是質量較好的蒜瓣，且沒考慮蒜瓣在導軌中可能有輕微傾斜，判斷結果正確率100%。在此種方法中，采取了邊緣表示圖像的方法，運算中僅處理圖像的部分特征，存儲空間小且處理速度快，因而此方法完全可行，可在此基礎上研究能夠克服傾斜、毛刺等影響因素的更完善的方法。

參考文獻：

[1] 章毓晉.圖像處理和分析[M].清華大學出版社，1999.

[2] 邊肇琪，張學工.模式識別[M].清華大學出版社，2002.

[3] Freeman.H Computer processing of line drawing images Comput[J].Surveys，1974.

[4] 楊萬扣，基于鏈碼的部分算法研究[D].南京理工大學，2004.

[5] 黃星奕，林建榮.蘋果果梗和缺陷的識別技術研究[J].江蘇大學學報，2004，25(3).

[6] 胡小鋒，趙輝.圖像處理與識別[M].人民郵電出版社，2004.

[7] 趙云，喻煒，楊磊，等.基于Matlab的邊緣檢測技術設計圖像分類器的研究[J].青海大學學報（自然科學版），2003，8(4).

注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。”