基于隨機(jī)抽樣一致性算法(RANSAC)的農(nóng)作物行提取

楊玲香， 王田田， 何 旭

(石河子大學(xué)理學(xué)院，新疆石河子 832003)

基于隨機(jī)抽樣一致性算法(RANSAC)的農(nóng)作物行提取

楊玲香， 王田田， 何 旭

(石河子大學(xué)理學(xué)院，新疆石河子 832003)

農(nóng)作物行提取是實(shí)施農(nóng)業(yè)機(jī)械導(dǎo)航技術(shù)的關(guān)鍵，運(yùn)用歸一化的算法對(duì)圖像進(jìn)行灰度化處理，采用最大類間方差分割方法將圖像轉(zhuǎn)化為二值圖像，然后利用垂直投影方法進(jìn)行定位點(diǎn)歸類，最后采用改進(jìn)的隨機(jī)抽樣一致性算法提取作物行直線。結(jié)果表明，該算法能夠在缺株、有雜草、地膜覆蓋等復(fù)雜背景下，自動(dòng)剔除偽定位點(diǎn)，有效檢測(cè)出作物行。

作物提取；隨機(jī)抽樣一致性算法；農(nóng)業(yè)機(jī)械導(dǎo)航；灰度處理；二值圖像；偽定位點(diǎn)

隨著現(xiàn)代農(nóng)業(yè)的發(fā)展，農(nóng)業(yè)機(jī)械導(dǎo)航技術(shù)已成為現(xiàn)代農(nóng)業(yè)生產(chǎn)的重要技術(shù)之一，它在播種、變量噴藥、中耕除草、施肥和收割作業(yè)中都有著廣泛的應(yīng)用。農(nóng)業(yè)機(jī)械作業(yè)時(shí)需要在農(nóng)作物行之間行走，通過(guò)提取作物行的直線特征可以得到導(dǎo)航基準(zhǔn)線[1-3]。因此，農(nóng)作物行提取是實(shí)施農(nóng)業(yè)機(jī)械導(dǎo)航技術(shù)的關(guān)鍵。

農(nóng)田圖像噪聲大，作物行提取常常受到光照、雜草等因素的影響。很多學(xué)者從不同的角度給出了作物行的提取方法[3-10]。其中，Hough變換和最小二乘回歸方法是廣泛應(yīng)用于農(nóng)作物提取領(lǐng)域的直線檢測(cè)方法。Hough變換抗噪性強(qiáng)，能有效地對(duì)目標(biāo)物進(jìn)行特征檢測(cè)。但是Hough變換要進(jìn)行累加器峰值運(yùn)算，計(jì)算量非常大，實(shí)時(shí)性有待加強(qiáng)。因此，不少研究者提出了改進(jìn)的Hough變換方法，Ji等應(yīng)用隨機(jī)Hough變換[4]，陳兵旗等運(yùn)用基于一點(diǎn)的Hough變換方法[5]，安秋等使用優(yōu)化的Hough變換提取作物行中心線[6]。最小二乘回歸方法運(yùn)算速度快，但對(duì)噪聲敏感，往往需要對(duì)提取的特征點(diǎn)進(jìn)行最小二乘直線擬合以后，剔除若干偽特征點(diǎn)，如Guerrero等利用Theil-Sen估計(jì)[7]、孟慶寬等通過(guò)線性相關(guān)系數(shù)對(duì)特征點(diǎn)到估計(jì)直線的距離進(jìn)行判別[8]，在此基礎(chǔ)上再次應(yīng)用最小二乘方法提取作物行中心線。此外，姜國(guó)權(quán)等提出基于隨機(jī)方法的直線檢測(cè)[9]，它任選2個(gè)特征點(diǎn)獲取隨機(jī)直線。雖然這些改進(jìn)算法都在一定程度上提高了作物行提取的有效性，但在實(shí)時(shí)性和準(zhǔn)確性方面還有待進(jìn)一步提高[10]。隨機(jī)抽樣一致性(RANSAC)算法[11-12]不需要累加器峰值運(yùn)算，還能夠自動(dòng)排除異常點(diǎn)對(duì)數(shù)據(jù)的干擾，有效地減少計(jì)算量。本研究利用改進(jìn)的隨機(jī)抽樣一致性(RANSAC)算法檢測(cè)作物行，它能夠自動(dòng)排除異常點(diǎn)的干擾，提高檢測(cè)的準(zhǔn)確性。

1 材料與方法

1.1 試驗(yàn)材料與設(shè)備

本研究所使用的圖像均在石河子大學(xué)農(nóng)學(xué)院試驗(yàn)站(86°03′E，45°19′N)采集。對(duì)所采集的圖像設(shè)置感興趣區(qū)域，此區(qū)域圖像中的所有作物行均開(kāi)始于圖像底邊，終止于圖像頂邊，圖像中含有雜草、地膜等背景。圖片像素為640×480，以此區(qū)域中的圖像作為研究對(duì)象。采集時(shí)間為2015年4月下旬至5月中旬，累計(jì)1個(gè)月時(shí)間。圖像處理由計(jì)算機(jī)完成，配置為4核CPU主頻3.3 GHz、內(nèi)存8 GB。采用Matlab 2015開(kāi)發(fā)。

1.2 圖像預(yù)處理

根據(jù)農(nóng)田圖像自身的特點(diǎn)，為了克服光照變化和陰影的影響，采用歸一化的2g-r-b算法[13-14]對(duì)圖像進(jìn)行灰度化處理，其中，r，g，b由下式確定：

(1)

式中：R(x,y)、G(x,y)、B(x,y)分別表示圖像的紅綠藍(lán)三原色。然后使用一維最大類間方差自動(dòng)閾值分割方法[15]進(jìn)行圖像二值化，將農(nóng)作物從土壤等背景中提取出來(lái)。二值化后的圖像有不少孔洞，采用8-鄰域連通算法、中值濾波和形態(tài)學(xué)腐蝕膨脹算子消除孔洞和噪聲。為了有效提取作物行，須要對(duì)作物中心點(diǎn)進(jìn)行定位。定位前將圖像劃分為若干個(gè)水平圖像條，然后采用基于圖像灰度的垂直投影算法[9，16]進(jìn)行作物行個(gè)數(shù)和作物中心點(diǎn)檢測(cè)。

1.3 基于改進(jìn)隨機(jī)抽樣一致性的作物行檢測(cè)算法

1.3.1 隨機(jī)抽樣一致性算法(RANSAC)基本原理 由Fishler等提出的RANSAC算法[11-12]把數(shù)據(jù)劃分為局內(nèi)點(diǎn)(最大一致集)和局外點(diǎn)(數(shù)據(jù)集的余下部分)。該算法對(duì)錯(cuò)誤率超過(guò)50%的數(shù)據(jù)仍然能夠處理，是最有效的Robust估計(jì)算法之一，在計(jì)算機(jī)視覺(jué)領(lǐng)域得到了廣泛的應(yīng)用。RANSAC算法應(yīng)用優(yōu)化方法來(lái)選擇模型的參數(shù)，即首先構(gòu)建代價(jià)函數(shù)，然后通過(guò)最大化代價(jià)函數(shù)來(lái)確定模型參數(shù)。具體模型如下：

(2)

式中：Θ是模型參數(shù)集；φ為特征點(diǎn)集；ρ是誤差函數(shù)；J表示代價(jià)函數(shù)，在直線檢測(cè)問(wèn)題中，J為一致集S*中特征點(diǎn)的個(gè)數(shù)。

在迭代求解時(shí)，須要確定誤差允許閾值t和最小迭代次數(shù)m。誤差允許閾值t一般靠經(jīng)驗(yàn)選取，以歐式距離作為誤差測(cè)量函數(shù)。下面討論如何確定最小迭代次數(shù)m，假設(shè)P表示迭代過(guò)程中從數(shù)據(jù)集內(nèi)隨機(jī)選取出的點(diǎn)均為局內(nèi)點(diǎn)的概率，ε為數(shù)據(jù)正確率(局內(nèi)點(diǎn)在原始數(shù)據(jù)所占的比例)，n為計(jì)算時(shí)所需要的最小數(shù)據(jù)量。通常情況下，事先并不知道ε的值，但是可以給出一些魯棒的值。假設(shè)估計(jì)模型須要選定n個(gè)點(diǎn)，在某次試驗(yàn)中，n個(gè)點(diǎn)均為局內(nèi)點(diǎn)的概率為εn；1-εn是n個(gè)點(diǎn)中至少有1個(gè)點(diǎn)為局外點(diǎn)的概率，即從數(shù)據(jù)集中估計(jì)出了一個(gè)不好的模型。(1-εn)m表示算法永遠(yuǎn)都不會(huì)選擇到n個(gè)點(diǎn)均為局內(nèi)點(diǎn)的概率，它與1-P相同，即m次試驗(yàn)失敗的概率為：

1-P=(1-εn)m。

(3)

對(duì)上式兩邊取對(duì)數(shù)，可以求得滿足要求的最小抽樣數(shù)m是：

(4)

2 結(jié)果與分析

為了驗(yàn)證算法的有效性，本研究對(duì)不同作物的圖像進(jìn)行作物行提取試驗(yàn)。應(yīng)用最小二乘回歸，穩(wěn)健回歸[16]與改進(jìn)的RANSAC算法分別對(duì)棉花和玉米圖像進(jìn)行直線檢測(cè)。播種時(shí)，棉花和玉米都按照寬窄行種植。試驗(yàn)中，在進(jìn)行灰度垂直投影時(shí)，將圖像劃分為10個(gè)水平條。因此，每行作物的有效定位點(diǎn)不超過(guò)10個(gè)，距離閾值t取為2，模型迭代次數(shù)m取為10。

2.1 無(wú)偽定位點(diǎn)時(shí)作物行提取結(jié)果分析

圖1為棉花相鄰窄行提取結(jié)果，2行作物周圍均無(wú)雜草等干擾，因此，作物點(diǎn)定位時(shí)未出現(xiàn)偽定位點(diǎn)。從圖1中不難看出，3種算法都能有效提取作物行。但從人眼的視覺(jué)效果出發(fā)，改進(jìn)的RANSAC算法所提取的作物行更符合作物分布的實(shí)際情況。表1還給出了不同算法所提取的直線參數(shù)。

2.2 存在偽定位點(diǎn)時(shí)作物行提取結(jié)果分析

圖2為覆膜滴灌方式下的苗期玉米相鄰寬行提取結(jié)果，相對(duì)于圖1，該圖像的背景更加復(fù)雜，在作物行的某些地方存在缺株，周邊還伴有一定的雜草，而且雜草的大小和玉米大小相當(dāng)。圖2-a給出了作物中心點(diǎn)定位情況(*表示第1行定位點(diǎn)，+表示第2行定位點(diǎn))，由于缺株、雜草等的影響， 作物行出現(xiàn)少數(shù)偽定位點(diǎn)。圖2-b、圖2-c、圖2-d分別給出了3種算法提取的作物行直線。最小二乘回歸方法在提取直線時(shí)主要考慮所有定位點(diǎn)的誤差平方和達(dá)到最小，以致于在有一兩個(gè)偽定位點(diǎn)時(shí)，擬合的直線誤差較大。穩(wěn)健回歸的原則是要充分利用定位點(diǎn)中的有效信息，排除無(wú)效信息，但其排除偽定位點(diǎn)等無(wú)效信息的能力還有待進(jìn)一步提高。改進(jìn)的RANSAC算法在擬合直線時(shí)能夠篩選符合直線的一致集，自動(dòng)剔除偽定位點(diǎn)，因此，有效地檢測(cè)出了作物行。

表1 不同算法的直線參數(shù)

2.3 算法復(fù)雜度比較

本研究算法迭代計(jì)算m次的計(jì)算時(shí)間約為：

T=mTs+10mTv。

式中：Ts為數(shù)據(jù)抽樣，計(jì)算模型參數(shù)所用時(shí)間；Tv為每個(gè)樣本模型檢驗(yàn)時(shí)間。由于每行作物的定位點(diǎn)不超過(guò)10個(gè)，即數(shù)據(jù)集合中的數(shù)據(jù)量較少。因此，模型迭代次數(shù)相對(duì)也會(huì)較少，只需幾次迭代即可找出最優(yōu)直線。表2給出了3種不同算法的運(yùn)算時(shí)間情況，從表2中不難看出，本研究算法的運(yùn)算時(shí)間和穩(wěn)健回歸的運(yùn)算時(shí)間相當(dāng)。

表2 不同算法的運(yùn)算時(shí)間

3 結(jié)論

采用改進(jìn)的隨機(jī)抽樣一致性算法檢測(cè)作物行中心線，該算法能夠在檢測(cè)過(guò)程中自動(dòng)剔除偽定位點(diǎn)，具有較強(qiáng)的抗干擾性。

雖然本研究算法在檢測(cè)直線時(shí)須要進(jìn)行若干次模型迭代和檢驗(yàn)，但在進(jìn)行灰度垂直投影時(shí)，將圖像劃分為10個(gè)水平條，有效減少了模型數(shù)據(jù)量，所以模型的運(yùn)算效率與穩(wěn)健最小二乘回歸基本相當(dāng)。后續(xù)研究中可以進(jìn)一步提高作物點(diǎn)定位精度，減少運(yùn)算時(shí)間，提高運(yùn)算效率。

[1]楊為民，李天石，賈鴻社. 農(nóng)業(yè)機(jī)械機(jī)器視覺(jué)導(dǎo)航研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2004，20(1)：160-165.

[2]侯學(xué)貴，陳 勇，郭偉斌. 除草機(jī)器人田間機(jī)器視覺(jué)導(dǎo)航[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39(3)：106-112.

[3]馬紅霞，馬明建，馬 娜，等. 基于Hough變換的農(nóng)業(yè)機(jī)械視覺(jué)導(dǎo)航基準(zhǔn)線識(shí)別[J]. 農(nóng)機(jī)化研究，2013(4)：37-43.

[4]Ji R H，Qi L J. Crop-row detection algorithm based on Random Hough Transformation[J]. Mathematical and Computer Modelling，2011，54(3/4)：1016-1020.

[5]陳兵旗，渡邊兼五，東城清秀. 田植ロボツトの視覺(jué)部に關(guān)する研究(第2報(bào))——ハフ變換による目標(biāo)苗列中心線の抽出[J]. 日本農(nóng)業(yè)機(jī)械學(xué)會(huì)雜志，1997，59(3)：23-28.

[6]安 秋，李志臣，姬長(zhǎng)英，等. 基于光照無(wú)關(guān)圖的農(nóng)業(yè)機(jī)器人視覺(jué)導(dǎo)航算法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25(11)：208-212.

[7]Guerrero J M，Guijarro M，Montalvo M，et al. Automatic expert system based on images for accuracy crop row detection in maize fields[J]. Expert Systems with Applications，2013，40(2)：656-664.

[8]孟慶寬，劉 剛，張 漫，等. 基于線性相關(guān)系數(shù)約束的作物行中心線檢測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(增刊1)：216-223.

[9]姜國(guó)權(quán)，柯 杏，杜尚豐，等. 基于機(jī)器視覺(jué)和隨機(jī)方法的作物行提取算法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39(11)：85-88.

[10]孟慶寬，張 漫，仇瑞承，等. 基于改進(jìn)遺傳算法的農(nóng)機(jī)具視覺(jué)導(dǎo)航線檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45(10)：39-46.

[11]Fischler M A，Bolles R C. Random sample consensus：a paradigm for model fitting with applications to image analysis and automated cartography[J]. Communications of Acm，1981，24(6)：381-395.

[12]陳付幸，王潤(rùn)生. 基于預(yù)檢驗(yàn)的快速隨機(jī)抽樣一致性算法[J]. 軟件學(xué)報(bào)，2005，16(8)：1431-1437.

[13]呂朝輝，陳曉光，吳文福，等. 用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行秧苗圖像分割[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2001，17(3)：146-148

[14]Woebbecke D M，MeyerG E，Bargen K V. Color indices forweed identification under various soil，residual，and lighting conditions[J]. Transactions of the Asae，1995，38(1)：259-269.

[15]Otsu N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems，Man，and Cybemetics，1979，9 (1)：62-66.

[16]袁佐云，毛志懷，魏 青. 基于計(jì)算機(jī)視覺(jué)的作物行定位技術(shù)[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2005，10(3)：69-72.

10.15889/j.issn.1002-1302.2017.02.057

2015-11-16基金項(xiàng)目：國(guó)家大學(xué)生創(chuàng)新創(chuàng)業(yè)計(jì)劃(編號(hào)：201510759077)；石河子大學(xué)應(yīng)用基礎(chǔ)研究青年項(xiàng)目(編號(hào)：2014ZRKXYQ07)。

楊玲香(1982—)，新疆伊犁人，講師，研究方向?yàn)檗r(nóng)業(yè)圖像處理，模式識(shí)別。E-mail：youshang047@sina.com。

TP391.4

A

1002-1302(2017)02-0195-03

楊玲香，王田田，何 旭. 基于隨機(jī)抽樣一致性算法(RANSAC)的農(nóng)作物行提取[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45(2)：195-197.