基于多策略融合技術的水稻葉片邊緣檢測算法研究

何丹丹，徐 梅

（1.東北農業大學工程學院，哈爾濱 150030；2.東北農業大學理學院，哈爾濱 150030）

基于圖像處理技術的農作物檢測技術是農產品品質無損檢測的主要研究內容之一[1]。葉片與背景的圖像分割是基于圖像處理技術的農作物檢測技術的重要內容之一，葉片邊緣檢測是圖像分割的基礎，因此必須尋找一種有效可靠的葉片邊緣檢測算法，以期得到較為完整的水稻葉片邊緣信息，進而提高農作物檢測準確率。

針對農作物的邊緣檢測算法，沈明霞等提出基于零點反對稱緊支撐二進小波的圖像邊緣檢測算法，實驗結果表明該算法能夠獲取農田景物的連續、光滑的邊緣[2]。Benson等提出了一種基于自適應模糊順序線性回歸模型的農作物邊緣檢測算法，將其應用于農作物自動收割領域[3]。沈明霞等使用低通濾波器和二值膨脹技術獲得農作物邊緣[4]。趙峻穎等采用傳統的邊緣檢測算子對草莓圖像進行了邊緣檢測，為草莓采摘機器人的視覺系統中圖像識別的預處理工作奠定了基礎[5]。張慧等采用Canny邊緣檢測算子對大米外形檢測，試驗結果表明該方法對大米粒形識別時有較高的準確率[6]。Valliammal提出了一種基于二進小波變換和p-tile配對閾值的邊緣檢測方法，實驗結果表明能夠有效獲取葉片邊緣[7]。

在眾多的農作物圖像邊緣檢測算法中，一部分算法復雜度較高[2-3,7]；一部分算法是在對圖像去噪處理基礎上，采用傳統的邊緣檢測算子對其進行邊緣檢測，該方法獲取的圖像邊緣往往是不精確的，并伴有虛假邊緣和不連續的情況[4-6]。針對上述不足，本文將圖像區域最小外接矩形算法[8]、中值濾波、Canny算子和開、閉運算[9]有機結合，提出一種基于多策略融合技術的水稻葉片邊緣檢測算法，將該方法應用于單葉片、背景為白板的葉片、背景為土壤的葉片、交叉葉片等不同特征的圖像，有效地獲取連續、光滑的水稻葉片邊緣，表明該算法具有高效、準確和魯棒的特性。

1 傳統的邊緣檢測算法

邊緣檢測的實質是提取圖像中對象與背景間的交界線，圖像灰度變化可以用圖像灰度分布的梯度來反映，因此可以利用局部圖像微分技術獲得邊緣檢測算子。常用的邊緣檢測算子包括Roberts算子，Sobel算子，Prewitt算子和Laplacian算子[10-11]。各類邊緣檢測算子的模板如圖1所示[10]。

圖1 算子模版Fig.1 Operator template

由于四種算子檢測方向不同，使之每個算子適用于具有不同邊緣特征的圖像。其中Roberts算子采用對角線方向相鄰兩像素之差近似梯度幅值檢測邊緣。檢測水平和垂直邊緣的效果好于斜向邊緣，定位精度高，對噪聲敏感。Sobel和Prewitt算子根據像素點上下、左右鄰點灰度加權差，在邊緣處達到極值檢測邊緣，對噪聲具有平滑作用，定位精度不夠高。而Laplacian算子是二階微分算子，其不具備方向性，對噪聲敏感，定位精度高[10]。

2 基于多策略融合技術的水稻葉片邊緣檢測算法

2.1 邊緣檢測算法分析與基本思想

受大田復雜條件與圖像傳感器位置的影響，導致水稻葉片部分往往只占所獲得整幅圖像的一小部分，從而造成葉片邊緣檢測算法的檢測精度和運算效率較低。為了提高檢測精度和運算效率，在邊緣檢測算法中，首先提取感興趣的葉片區域，剔除圖像的復雜背景信息。本文采用圖像區域最小外接矩形算法獲取包含水稻葉片的最小矩形區域[8]。

受大田復雜條件和圖像傳感器的影響，所獲取的水稻葉片圖像上存在泥土、露水和浮塵等噪聲，該噪聲屬于椒鹽噪聲。因此在矩形區域提取的基礎上，消除水稻葉片圖像的噪聲。與線性濾波器相比，非線性濾波的中值濾波能夠更加有效地消除椒鹽噪聲[9]。受大田復雜環境和水稻生長期植株特點等影響，造成水稻葉片圖像邊緣方向的不確定性，使得以檢測方向為水平和垂直的傳統微分算子（Roberts，Prewitt，Sobel和 Laplacian）不能夠有效檢測復雜水稻葉片圖像的邊緣。而Canny算子是在滿足一定約束條件下推導出的邊緣檢測最優算子[12]。因此本文采用Canny算子中確定最優檢測方向的策略，以獲取圖像邊緣的檢測方向。

在上述對圖像的邊緣檢測后，所獲得的圖像邊緣存在孤立點、虛假邊緣和不連續等現象，為了獲得一個連續和光滑的圖像邊緣，本文采用數學形態學圖像處理技術消除上述現象[9]。針對孤立點和虛假邊緣，采用開運算；針對不連續現象，采用閉運算。由于水稻葉片圖像邊緣形狀具有不確定方向性和狹長特征，因此開閉運算采用自適應的橢圓模板。其中由于孤立點分散特性，開運算應采用較小尺寸的模板，而為了更好地連接不連續的葉片邊緣，閉運算應采用較大尺寸的模板。

基于多策略融合技術的邊緣檢測算法的基本思想是先將水稻葉片圖像進行最小外接矩形區域提取與中值濾波的去噪處理，采用Canny算子進行邊緣檢測，最后采用開閉運算對圖像邊緣進行拼接處理，從而得到一個精確且連續的水稻葉片圖像邊緣。

2.2 基本步驟

根據上述的分析，該基于多策略融合技術的邊緣檢測算法的基本步驟:

Step1:初始化圖像f（x，y）及圖像坐標系，并設置參考點（x0，y0）；

Step2：尋找像素的位置狀態及其對應的移動可能集合，確定狀態遷移模板Template；

Step3：將當前點和狀態遷移模板進行逐個匹配，從而得出新的當前點的位置；

Step4：重復step3，得到整個封閉區域的邊界像素點集合W；

Step5：計算邊界像素點集合的橫縱坐標最大值點和橫縱坐標最小值點，以此兩點所連對角線的外接矩形即圖像區域最小外接矩形，以此提取區域圖像并將其轉化為灰度圖像g（x，y）；

Step6：以3×3模板對圖像g（x，y）中值濾波獲得圖像I（x，y）；

Step7：計算梯度的幅值和方向。

方向 θφ=。

其中j1（x，y）=f（x，y）*H1（x，y），j2（x，y）=f（x，y）*H2（x，y），

Step8：將非局部極大值點置零以其得到細化的邊緣圖像E（x，y）。

Step9：對邊緣圖像E（x，y）做開運算A S=（AΘS）⊕S和閉運算A·S=（A⊕S）ΘS，其中模板 根據水稻葉片邊緣的切線和曲率來確定。

3 結果與分析

將基于多策略融合技術的邊緣檢測算法應用于不同條件下的水稻葉片圖像見圖2。

圖2 水稻葉片圖像邊緣檢測的各方法比較分析結果Fig.2 Comparative analysis of the rice leaf edge detection methods

分別是：白板單葉圖像（a.1）、白板重疊圖像（a.2）、土地背景圖像（a.3）和大田復雜背景圖像（a.4）。采用圖像區域最小外接矩形算法所得結果如圖（b.1-b.4）。該方法的應用能有效地提高該算法的效率。

與幾種邊緣檢測算子相比，可以看出Roberts算子（d.1-d.4）邊緣定位精度較高，但容易丟失一部分邊緣；Sobel算子（e.1-e.4）和Prewitt（f.1-f.4）算子考慮了鄰域的信息，檢測效果優于Roberts算子，但是檢測出的邊緣容易出現多像素寬度；Laplacian算子（g.1-g.4）是二階微分算子，可以精確定位邊緣，但是會產生雙像素邊緣，沒有方向信息，邊緣圖像連通性差，不光滑；基于多融合策略的邊緣檢測算子（h.1-h.4），能夠將圖像中較細的邊緣檢測出來，邊緣圖像連通性最好。采用數學形態學的開運算與閉運算對圖像（h.1-h.4）的細微斷裂部分進行拼接獲得圖像（i.1-i.4）。與其他方法相比，試驗結果表明該算法具有高效、準確和魯棒的特性。

4 結論

農作物邊緣檢測問題是基于圖像處理技術的農作物檢測技術的重要內容之一。在分析已有邊緣檢測方法的基礎上，本文采用圖像區域最小外接矩形算法提取主要區域，采用中值濾波去除泥土、露水等椒鹽噪聲、采用Canny算子提取邊緣、采用開運算和閉運算拼接不連續的邊緣點并去除非邊緣信息，從而提出一種基于多策略融合技術的水稻葉片邊緣檢測算法，將該方法應用于單葉片、背景為白板的葉片、背景為土壤的葉片、重疊葉片等不同特征的圖像，獲取了連續、光滑的水稻葉片邊緣，表明該算法具有高效、準確和魯棒的特性，為農作物無損檢測技術提供技術支持。

[1]金晶,廖桂平,李錦衛,等.農產品品質無損檢測概述[J].農業網絡信息,2008(2):90-93.

[2]沈明霞,姬長英,張瑞合.基于小波變換的農田景物邊緣檢測[J].農業機械學報,2001,32(2):27-29.

[3]Benson E R,Reid J F,Zhang Q,et al.An adaptive fuzzy crop edge detection method for machine vision[C].The 2000 Annual Milwaukee,International Meeting of ASAE,2000.

[4]沈明霞,張瑞合,姬長英.農作物邊緣提取方法研究[J].農業機械學報,2000,31(6):49-51.

[5]趙峻穎,潘革生,郭微.邊緣檢測局部算子在草莓輪廓提取上的應用[J].農機化研究,2008(6):184-186.

[6]張慧,張聰.大米粒形邊緣檢測算法研究[J].糧油食品科技,2008,16(4):9-11.

[7]Valliammal N,Geethalakshmi S N.Performance analysis of various leaf boundary edge detection algorithms[C].New York:Amrita ACMW Celebration on Women in Computing in India,2010.

[8]吳曉光,王滌瓊,盛慧.一種獲取圖像區域最小外接矩形的算法及實現[J].計算機工程,2004,30(12):124-125.

[9]阮秋琦.數字圖像處理[M].北京:電子工業出版社,2005:9.

[10]周道炳,朱衛綱.幾種邊緣檢測算子的評估[J].指揮技術學院報,2000,11(1):59-63.

[11]段瑞玲,李慶祥,李玉和.圖像邊緣檢測方法研究綜述[J].光學技術,2005,31(3):415-419.

[12]張彬,司璇,金飛,等.一種改進型Canny圖像邊緣檢測方法[J].中國傳媒大學學報:自然科學版,2011,18(2):39-42.