彩色圖像提取植物特征研究論文

導語：彩色圖像提取植物特征研究論文一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要本文介紹了一種基于計算機視覺的快速植物識別算法，能夠快速正確地將植物從復雜的土壤背景中識別出來，從而滿足實時地為后續變量控制提供信號的要求。利用AOI測試工具，采集了不同土壤、作物殘留物以及各種光照條件下植物的圖像進行處理，通過提取圖像中每一個像素的R、G、B三個分量值計算出（2G－R－B）過綠顏色特征值，將彩色圖像轉變成灰度圖像顯示。

關鍵詞計算機視覺；圖像處理；AOI；作物識別；像素

1概述

借助于計算機視覺技術的智能化，能快速識別出植物，判斷其覆蓋率，并確定其位置，有針對性地采取措施。這不僅能能降低投入，而且對我國溫室精確種植和設施農業著重要的經濟意義和實際價值。隨著計算機軟硬件性能價格比的提高，特別是近十年來計算機技術在各個領域的滲透，利用計算機視覺技術來取得植物特征并作進一步分析已經變得切實可行[1]。

本文針對溫室大棚采集的雜草圖像進行研究，實現了一種快速植物特征提取與識別算法，能夠滿足實時地為后續變量控制提供信號的要求，為進一步的研究工作打下了一定的基礎。

2圖像處理

2.1圖像分割

利用CCD彩色攝像機獲取的圖像，通過圖像采集卡將獲取的圖像以真彩色24位位圖的格式存儲。真彩色24位位圖在存儲格式上是以3個字節表示圖像中的一個像素點。這三個字節分別存儲像素點的R、G、B顏色分量值。三個值根據RGB顏色坐標系統（見圖1）合成這個像素點的顏色值。目的一是為了獲得更多的信息量，二是為了減少圖像解壓縮的過程，加快處理速度。

圖像分割是由圖像處理到圖像分析的關鍵步驟，也是一種基本的計算機視覺技術。隨后的圖像處理，諸如特征提取和對象識別，都依賴于圖像分割的質量。圖像分割就是指把圖像分成各具特性的區域并提取感興趣目標的技術和過程[2]。盡管人們在圖像分割方面做了許多研究工作，但由于沒有通用的分割理論，現己提出的分割算法大都是針對具體問題的，并沒有一種適合所有圖像的通用分割算法[3]。這里的圖像分割，主要是指去除

植物圖像中的土壤背景及作物殘茬。為了有效的將葉面與背景區分，要對原始圖像數據進行選擇和變換，得到

最能反映分類本質的特征。在此所說的圖像特征，指的是圖像中各個點的特征，而不是整個圖像的整體特征。

對于彩色圖像分割問題，必須充分利用彩色圖像所包含的豐富的色彩信息，選擇適當的特征，使目標和背景能依據特征上的差別進行區分，利用這個顏色特征將彩色圖像轉變成灰度圖像，再確定閾值將灰度圖像二值化。

2.2RGB和HSI坐標系統

數字圖像處理中，常用的顏色坐標系統有RGB和HSI坐標系統（坐標系統圖如圖1、圖2）。RGB顏色坐標系統以紅R、綠G、藍B三種顏色為基色，其它顏色由這三種基色加權混合而成。HSI坐標系統中H表示色調（Hue），S表示飽和度（Saturation），I表示密度，對應圖像的亮度（Intensity）。面向硬件設備（如彩色顯示器和打印機等）的最常用彩色坐標系統是RGB坐標系統，而面向彩色處理的最常用顏色坐標系統是HSI坐標系統，HSI坐標系統有兩個特點：其一，I分量與圖像的彩色信息無關；其二，H和S分量與人感受顏色的方式是緊密相連的。這些特點使得HSI坐標系統非常適合于借助人的視覺系統來感知彩色特性的圖像處理算法[4]。

圖1RGB顏色坐標系統圖2HSI顏色坐標系統

從RGB坐標系統到HSI坐標系統的轉換公式如下：

在RGB顏色坐標系統中，如果不考慮光照強度，而只對色度感興趣，則只要知道R、G、B的相對值即可。相對值r、g、b稱為色度坐標，其計算公式如下：

（2）

其中，Rn、Gn、Bn分別是規范到0～l之間的RGB值，其計算公式如下：

（3）

式中的Rm、Gm、Bm分別是RGB顏色坐標系中的最大分量值。不同的彩色顯示系統有不同的取值范圍，例如，一個24位的真彩色顯示系統中，Rm=Gm=Bm，此時r、g、b可按下式計算

（4）

2.3統計實驗

物體的顏色是由它的反射光譜特性和光源特性所決定的。由于有生命的雜草的反射光譜特性不同于無生命的土壤背景，因而兩者在顏色上形成了鮮明的對比，但在亮度上差別不明顯。對不同土壤、土壤殘留物以及各種光照條件下的用于識別雜草顏色指數所做的研究表明，在通常情況下，植物圖像的背景即土壤有較大的r、b值，而其g值卻總小于植物本身的g值，這里r、g、b是歸一化的顏色分量，其計算公式如（4）。通過研究利用r－b、g－b、（g－b）/|r－g|和（2g－r－b）等指標來區別植物與非植物背景是非常有效的。本文在前人的研究基礎上，利用AOI（Areaofinterest，感興趣區域）測試工具對大量的包含各種類型的雜草圖像進行顏色特征的分析，采集了不同土壤、作物殘留物以及各種光照條件下溫室大棚內的雜草圖像。統計研究上述四種歸一化顏色特征參數的均值和標準偏差，以及(2G－R－B)顏色特征參數和H、S、I值的均值和標準偏差。統計的結果如下表1、表2、表3、表4。為了便于計算，作了如下規定：為了避免分母為零的情況發生，規定在（－0.01，0.01）之間的（r－g）值為0.01；有些葉子像素的g值遠大于r值，從而導致

（g－b）/|r－g|很小，為避免這種情況，當（r－g）小于－0.08時，（r－g）的值設置為0.01。（注：“殘茬土壤”為含有作物殘茬的土壤）

2.4結果分析

由表l和表2可以得出以下結論：

（1）對于r、g、b三個分量值，干土大于濕土，這是因為干土的反射率高于濕土的反射率，土壤濕度越大，則r、g、b值越低。

（2）在相同的土壤濕度下，由于有麥茬等覆蓋物的區域的反射率低于沒有覆蓋物的區域，因此，其色度坐標r、g、b較小，麥茬覆蓋率越高，則該區域的r、g、b分量值就越低。

（3）土壤、麥茬等非植物背景的紅色分量占主導地位，而植物部分的綠色分量g占主導地位，從而為植物與非植物背景的識別提供了很好的依據。

（4）植物部分的（g－b）的值比非植物部分稍高，而非植物部分的（r－g）的值稍高于植物部分，但差別都不明顯，而且偏差相對較大，不太適合于背景分割。

（5）植物部分的（g－b）/|r－g|值高于非植物部分，且差別比較明顯，所以（g－b）/|r－g|值也是背景分離的一個非常有用的顏色參數。但是（g－b）/|r－g|的值計算比較麻煩，尤其是當（r－g）的值較小時，（g－b）/|r－g|就會變得很大，從而導致其偏差較大，不利于背景分割。

（6）植物部分的過綠特征（ExcessGreen，2g－r－b）大于土壤等非植物部分，非植物部分的過綠特征值一般小于等于零，而植物部分的過綠特征值一般大于等于0.20，且過綠特征的偏差都相對較小。因此，過綠特征是雜草圖像中用于背景分離的很好的閾值參數[5]。

由表3可以得出以下結論：

（7）沒有歸一化的RGB值的偏差較大，主要是因為光照強度的變化所導致的。

（8）對于沒有歸一化的過綠特征（2G－R－B）而言，植物部分的值遠大于零，而非植物部分的值在零附近。雖然植物部分與非植物部分的過綠特征的偏差都相對較大，但是兩部分的過綠特征值相距甚遠，幾乎沒有重疊現象，故由沒有歸一化的RGB值所產生的過綠特征同樣可用于雜草圖像的背景分割，并且計算簡單，處理速度快。但光照強度的變化不宜過大。

由表4可以得出以下結論：

（9）植物部分的飽和度稍高于非植物部分，而且飽和度的偏差相對較大，兩部分的飽和度值交迭嚴重，故飽和度在雜草識別中沒有可以利用的信息。

（10）植物部分的亮度稍高于非植物部分，但差別甚微，而且相對偏差很大，不能用于雜草識別中的背景分割。

（11）植物部分的色度值遠遠高于非植物部分，土壤濕度增加時，其色度值略有增加，但幅度不大，而且色度的標準偏差相對很小，非植物部分與植物部分的色度范圍幾乎不存在重疊現象，故色度也是可以用于雜草背景分割的參數。

3結論

綜上所述，（2g－r－b）、（2G－R－B）、色度H三種顏色特征值都為雜草與土壤背景提供了足夠的對比度，有利于雜草圖像的背景分割。本文在圖像處理試驗中發現，對于由沒有歸一化的RGB分量所產生的過綠特征（2G－R－B），在室內光照強度相對比較穩定的條件下，在雜草與土壤背景之間的反差很大，因而可以用于雜草圖像的背景分割，而且在這種情況下一些圖像由彩色圖像轉成灰度圖像的處理效果比采用（2g－r－b）顏色特征值的處理效果更好，結合計算機系統中采用的真彩色24位bmp圖像文件格式考慮，采用（2G－R－B）顏色特征值計算簡單，處理速度快，可以很好的將彩色圖像轉成灰度圖，并且為下一步的圖像分割作好了準備。

本系統軟件通過提取圖像中每一個像素的R、G、B三個分量值計算出（2G－R－B）顏色特征值，將彩色圖像轉變成灰度圖像顯示，因而可以利用圖像的（2G－R－B）顏色特征值進行下一步灰度圖像的閾值分割。

參考文獻：

[1]應義斌，饒秀勤.機器視覺技術在農產品品質自動識別中的應用[J].農業工程學報，2000，16(1)：4～17.

[2]何東健，楊青等.實用圖像處理技術[M].西安：陜西科學技術出版社，1998.

[3]FuKS，MuiJK.Asurveyonimagesegmentation[J].PatternRecog，1981,13(2):3～16.

[4]霍宏濤，林小竹，何薇等.數字圖像處理[M].北京：北京理工大學出版社，2002.

[5]MS,El-Faki,NZhang,etal.Factorsaffectingcolor-basedweeddetection[J].TransactionsoftheASAE,2000,43(4):1001～1009.