基于HSI空間的玉米雄穗識別算法*

2018-09-11 02:12:26茅正沖孫雅慧

傳感器與微系統 2018年9期

茅正沖, 孫雅慧

(江南大學物聯網工程學院，江蘇無錫 214122)

0 引言

通過準確地觀測玉米發育期信息，可以科學地指導農民合理地進行去雄，進而有效地提高產量[1]。長期以來農業氣象觀測以及傳統的農作物農情信息的提取存在耗費人力、實時性不足等問題，對現代農業以及數字農情的建設不利。圖像識別技術作為計算機視覺技術領域的重要課題之一，在自動化農業領域受到廣泛關注。

本文利用計算機視覺技術對復雜環境下的玉米雄穗進行識別研究。針對在復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致識別率低下的問題，本文首先將圖像從RGB彩色空間轉換到HSI色彩空間[2]并分別提取H,S,I分量圖，發現H分量圖中，玉米雄穗能夠明顯地區分于葉片。對H分量圖進行二值化處理、中值濾波、連通域面積去噪、形態學處理、生成矩形框框出連通域后，能夠對玉米雄穗目標進行識別。本文在上述識別算法之后加入再確認步驟，將識別出的候選玉米雄穗進行顏色、形態特征提取，并將上述特征輸入學習矢量量化(learning vector quantization,LVQ)神經網絡進一步確認，與前一步目標識別效果相比較，得到的結果有效地提高了玉米雄穗識別的準確性，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117.08°)和河南省的鄭州市(北緯34.46°，東經113.40°)。所使用的CCD相機為奧林巴斯(Olympus)E450，最高分辨率達3 648像素×2 736像素，采用定焦方式對試驗田進行拍攝，焦距設置為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)，內存為2 GB。

2 研究方法

2.1 顏色空間轉換

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知方面優于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空間的轉換關系為

(1)

(2)

(3)

H分量圖中可以觀察到玉米雄穗較明顯地區分于葉片。

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鍵的細節信息，使圖像較為清晰。在大小為m×n的窗口A下進行中值濾波可表示為

(4)

式中m和n均為奇數，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。根據采集圖片分辨率大小設定一個閾值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 形態學處理和連通域提取

由于復雜的田間環境，玉米葉片與雄穗之間相互遮擋時常發生，會導致得到的雄穗目標部分斷裂。為了解決上述問題，在圖像去噪后通過形態學膨脹操作[5]使斷裂的區域重新連接，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 形態學膨脹操作

2.4 圖像特征提取

由于復雜的田間環境，玉米雄穗和葉片生長的姿態多變，以及圖像采集時拍攝角度不一，易出現葉片遮擋雄穗、雄穗間相互重疊等現象，對目標物的精準識別造成干擾，出現誤檢。為了得到更精確的識別率，在閾值分割算法后加入“再確認”算法，即將分割后的圖像特征再輸入到LVQ神經網絡中進行分類，保留玉米雄穗區域，剔除誤檢區域。

1)顏色特征提取

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

2)形狀特征提取

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

2.5 LVQ神經網絡設計

1)輸入層神經元數目

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，輸入層神經元數目為10個。

2)輸出層神經元數目

LVQ神經網絡的輸出層神經元數目主要依據待識別物體的類別數來決定，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，輸出層神經元的數目為2個。

3)競爭層神經元數目

在LVQ神經網絡[9～11]中，競爭層神經元的數目即為子類的數目，一般子類的數目都要大于類別數，因此，競爭層的神經元數目要大于輸出層的神經元數目。本文設計的LVQ神經網絡為每個類別分配了3個子類，因此，競爭層的神經元數目為6個。

4)學習速率選取

學習速率η通常都是在0～1之間取值，其大小決定了競爭層神經元權值的學習速度[12]。當η的值接近1時，可以使權值快速修正，以較快的速度到達一個類，但權值可能會發生振蕩，導致分類網絡穩定性不夠；當η值接近0時，權值修正比較穩定，但學習速度比較慢，訓練時間比較長。因此η的值可以分段選擇，即學習前期進行粗調節，可以選取較大值，隨著學習次數的增加，權值修正要更加精細，η的取值要較小。本文選取的學習速率為

(5)

式中η(0)為初始學習速率，取值為0.5；t為當前學習次數；T為設定的總次數。學習速率會隨著學習次數的增加而變小，符合上述要求。

3 試驗設計與結果分析

3.1 試驗設計

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

2)對H分量圖進行中值濾波、連通域面積去噪、形態學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域。

3)提取20組已知是玉米雄穗目標和非玉米雄穗目標的H,S,I顏色分量和Hu不變矩分量作為訓練樣本輸入LVQ神經網絡中訓練。

4)對步驟(2)中得到的玉米雄穗候選區域進行H,S,I顏色分量和Hu不變矩特征提取，并輸入到已訓練好的LVQ神經網絡中分類，得到最終識別的玉米雄穗目標。

3.2 試驗結果分析

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神經網絡再分類

觀察圖2(d)可發現，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”步驟，利用LVQ神經網絡將玉米雄穗和非玉米雄穗進行分類，最終去除非玉米雄穗部分，識別到精確的玉米雄穗目標。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]進行比較，仿真后的分割效果對比如圖3所示。