CN102938053A - 一种基于计算机视觉的甘蔗特征提取与识别方法 - Google Patents

Abstract

为实现甘蔗的生长监视或者含有蔗芽的蔗种的智能切断，采用计算机视觉技术来识别甘蔗的形状和茎节特征。首先通过数码设备取得甘蔗图像，然后甘蔗图像HSV颜色空间的S分量经阈值分割、数学形态滤波处理作为模板，与H分量经阈值分割的反图像进行与运算得到合成图，将合成图划分为64个列块区域，提取质心比、粗度比和白点比等特征指标，再用支持向量机分类识别茎节与节间列块，得到茎节与位置的关系，平均识别率为93.71％。

Description

一种基于计算机视觉的甘蔗特征提取与识别方法

技术领域

本发明属于图像处理技术领域，是一种结合甘蔗图像和计算模型的对甘蔗特征进行提取和识别的方法。

背景技术

在甘蔗的生长和后期处理过程中，生长状态和甘蔗蔗芽的切割长期以来都是人工完成的，本方法通过计算机视觉技术的识别和处理，能对甘蔗的图像进行自动的识别，在蔗种处理中需要将整根的甘蔗切断成包含1～3个蔗芽的有效蔗种片段。目前也多是人工完成为主。为提高效率，降低劳动强度和实现甘蔗种植的精细化，需要研制可识别茎节和节间的智能切断装置，而其中最关键的是识别甘蔗茎节。目前国内在此领域的研究还属于空白。相近研究有刘庆庭等利用高速摄像分析刀片切割甘蔗茎秆破坏过程，国外，仅伊朗Moshashai K利用灰度图像阈值分割的方法对甘蔗茎节识别做了初步研究，也还处于初始阶段。本发明采用机器视觉的方法，先经支持向量机SVM(support vectormachine)方法对茎节与节间分类，再对识别出的茎节类进行聚类识别，获得茎节数与茎节位置。

发明内容

一种基于计算机视觉的甘蔗特征提取与识别方法，其特征是包含以下具体步骤：

(1)获取甘蔗原始图像；

(2)将原始图像去噪和从RGB颜色空间转换到HSV颜色空间，并选取模型中的H和S参数作为甘蔗图像的特征；

(3)对甘蔗图像进行特征的提取；

(4)对甘蔗图像特征进行模型计算与匹配；

(5)对完成特征提取的甘蔗图像进行SVM识别。

具体过程的完成是：

1、图像的获取

在试验台上采用CANON S80型数码相机拍摄红色背景的单根甘蔗彩色图像，图像大小为1600*1200像素，JPG格式。处理软件采用VC++6.0和M atlab7.0。拍摄前先将甘蔗叶剥净，相机镜头与工作台垂直，距离工作台30cm。

2、图像基本处理

图像中甘蔗表面颜色从黑到白过渡，占据整个灰度级，采用RGB颜色空间难以分割出理想的甘蔗轮廓，各分量空间的相关性也难以体现出茎节与节间特征差异。在经过大量的试验对比后，发现采用红色背景的HSV空间能有效地将背景与甘蔗区分。

(1)基于HSV的彩色空间

HSV空间比较直观且符合人的视觉特性，H、S、V表示色调、饱和度和亮度。从HSV颜色空间的H分量图可以看到甘蔗与背景区域的灰度在空间上分散，茎节与节间的色调有明显差异，可作为茎节与节间的识别依据；从S分量中可以看到甘蔗轮廓清晰，背景区域灰度均匀，其灰度直方图显现双峰性，有利于甘蔗轮廓提取。

(2)阈值分割

H分量可以体现出甘蔗茎节的细节特征，S分量体现甘蔗的轮廓特征。选择合适的阈值分割可以得到理想的甘蔗轮廓和表征甘蔗茎节与节间差异的二值图；在S、H阈值选择方法上，分别对Otsu与人工选择阈值做了比较试验，发现Otsu自动分割不能有效消除背景噪声，存在大面积的反光现象。而在工作台控制条件下，S分量的直方图波谷出现在0.45～0.55之间，在这之间设置阈值可以得到理想的甘蔗边界轮廓图；在0.4～0.6范围内以0.1间隔区域统计灰度级点数，以0.1范围内最少灰度级点数对应的灰度值作为S分量的分割阈值。研究发现H分量直方图中绝大部分的像素点在灰度级0～0.05和0.95～1之间，在区间0.85～0.15之间设置阈值，可以有效得到茎节特征。

(3)图像合成

经阈值分割得到的S分量二值图像仍有可能存在背景区域的孤立噪声；采用3*3结构模板对S分量二值图像作形态学闭运算以消除噪声；将S分量经噪声消除后得到的二值图像与H分量得到的二值图像分别求反后再作与运算得到合成图。

3、特征提取

由于茎节处的白点数分散相对均匀，茎节区域的白点数密集，直径比较大；将合成图按列划分为64个列块区域，设图像集合为X(i，j)；图像的上边缘为P_t＝(x_t， y_t)，下边缘为P_t＝(x_t，y_t)，第k列块粗度为

$C_k=\frac{1}{10}\underset{i=10(k+1)}{\overset{10k}{\mathrm{\Σ}}}(y_{\mathrm{bi}}-y_{\mathrm{ti}})$

各个列块的粗度(即直径)与最大粗度之比为粗度比为

由各列块的上边界与下边界将各个列块划分8个等行块，中心4行块的白点数之和与其所在列的白点总数之比为1/2中区比，其计算公式为

各个列块粗度与其左右两侧5列块距离处两列块粗度和的平均之比为位粗比，其计算公式为

4、SVM识别算法识别茎节与节间列块

SVM是一种新的模式识别方法，它兼顾训练误差和泛化能力，在解决小样本、非线性、高维数、局部极小值等模式识别问题中表现出许多特有的优势，在两类模式识别问题中，给定训练资料{(x_i，y_i)；x_i∈R^N；y_i＝±1}，支持向量出f(x)确定的分类规则

应用Lag range乘子法得到的Wo lft对偶优化问题的最优解

5、聚类识别茎节数和位置

由SVM分类得到的列块分布可知：识别出的茎节列块不唯一，这和茎节有一定的宽度相符合，甘蔗茎节识别的目的在于给控制器控制的切断刀具找到切割位置，用图片中甘蔗茎节数识别率和茎节位置识别率来表达。茎节数识别率定义为从图像中经算法识别出的茎节数与图中实际茎节数的百分比。为表征茎节位置识别率，引入切正率概念，以刀具位置落入节间中心位置时切正率表示为100％，刀具落入茎节中心位置时切正率为0。采用聚类的方法可寻找茎节区域。最后采用最短距离法对茎节类聚类分析。

6、最短距离聚类

最短距离法规则为：只要两类的最小距离小于阈值，就将两类合并为一类，定义D_i，j为ω_i类中所有样本间的最小距离，即

其中d_UV为ω_i类中样品U类与ω_i类中样品V之间的距离。若ω_j类是由ω_m、ω_n两类合并而成，则

(U∈ω_i类，A∈ω_m类)

(U∈ω_i类，B∈ω_n类)

附图说明

图1是甘蔗特征提取与识别方法系统

图2是甘蔗原始图像

图3是HSV分量中H分量图像

图4是甘蔗的合成图像

具体实施方式

从采集的图像中抽取50幅甘蔗图片结合训练库用于检验。经过基本图像处理，提取50幅图像，每幅64列块，共3200个样本，计算各样本特征指标；经过人工识别的方法，划分3200个样本的类别属性。统计中发现由于在一幅图像中节间类与茎节类的列块比例达到10∶1，需要抽取类间比例相当的训练样本来训练模型，故从样本中再抽取全部的茎节类样本和部分节间类样本共800个来建立分类模型。在SVM中经过交叉试验设置C＝20，G＝0.01。

SVM识别的实现步骤：

(1)获得SVM识别出的茎节类，计算茎节类列块的数量Nm，以茎节类列块之间的位置距离为特征参数。

(2)设置聚类的最小距离阈值T为20～30(列块距离)。

(3)将所有茎节列块各分一类，聚类中心数为Nm。

(4)对所有茎节列块循环，找到最近的两列块pi、pj，设距离为D；若D小于等于T则合并pi、pj，将类号大的归入到类号小的类中，否则，D大于T，退出循环。得到的类数即为茎节数。

Claims (3)

1.一种基于计算机视觉的甘蔗特征提取与识别方法，其特征是包含以下具体步骤：

(1)获取甘蔗原始图像；

(2)将原始图像去噪和从RGB颜色空间转换到HSV颜色空间，并选取模型中的H和S参数作为甘蔗图像的特征；

(3)对甘蔗图像进行特征的提取；

(4)对甘蔗图像特征进行模型计算与匹配；

(5)对完成特征提取的甘蔗图像进行SVM识别。

2.根据权利要求1所述的一种基于计算机视觉的甘蔗特征提取与识别方法，其特征是：

在特征的提取中，将合成图按列划分为64个列块区域，设图像集合为X(i，j)；图像的上边缘为P_t＝(x_t，y_t)，下边缘为P_t＝(x_t，y_t)，第k列块粗度为

$C_k=\frac{1}{10}\underset{i=10(k+1)}{\overset{10k}{\mathrm{\Σ}}}(y_{\mathrm{bi}}-y_{\mathrm{ti}})$

各个列块的粗度(即直径)与最大粗度之比为粗度比为

由各列块的上边界与下边界将各个列块划分8个等行块，中心4行块的白点数之和与其所在列的白点总数之比为1/2中区比，其计算公式为

各个列块粗度与其左右两侧5列块距离处两列块粗度和的平均之比为位粗比，其计算公式为

3.根据权利要求1所述的一种基于计算机视觉的甘蔗特征提取与识别方法，其特征是：

在SVM图像识别中

模式识别问题中，给定训练资料{(x_i，y_t)；x_i∈R^N；y_i＝±1}，支持向量由f(x)确定的分类规则

应用Lag range乘子法得到的Wo lfe对偶优化问题的最优解

Images