基于HSI空间的玉米雄穗识别算法*

2018-09-11茅正冲孙雅慧

传感器与微系统 2018年9期

茅正冲, 孙雅慧

(江南大学物联网工程学院，江苏无锡 214122)

0 引言

通过准确地观测玉米发育期信息，可以科学地指导农民合理地进行去雄，进而有效地提高产量[1]。长期以来农业气象观测以及传统的农作物农情信息的提取存在耗费人力、实时性不足等问题，对现代农业以及数字农情的建设不利。图像识别技术作为计算机视觉技术领域的重要课题之一，在自动化农业领域受到广泛关注。

本文利用计算机视觉技术对复杂环境下的玉米雄穗进行识别研究。针对在复杂的自然光照条件下，田间玉米分布十分密集、玉米雄穗与叶片之间颜色在三原色(red green blue,RGB)彩色空间下差异不明显，且会对样本图像有遮挡导致识别率低下的问题，本文首先将图像从RGB彩色空间转换到HSI色彩空间[2]并分别提取H,S,I分量图，发现H分量图中，玉米雄穗能够明显地区分于叶片。对H分量图进行二值化处理、中值滤波、连通域面积去噪、形态学处理、生成矩形框框出连通域后，能够对玉米雄穗目标进行识别。本文在上述识别算法之后加入再确认步骤，将识别出的候选玉米雄穗进行颜色、形态特征提取，并将上述特征输入学习矢量量化(learning vector quantization,LVQ)神经网络进一步确认，与前一步目标识别效果相比较，得到的结果有效地提高了玉米雄穗识别的准确性，大幅降低了误检率。

1 样本采集与试验

本文图像由江苏省无线电研究所有限公司提供，通过安装在田间的装置获取。试验田分别位于中国山东省的泰安市(北纬36.11°，东经117.08°)和河南省的郑州市(北纬34.46°，东经113.40°)。所使用的CCD相机为奥林巴斯(Olympus)E450，最高分辨率达3 648像素×2 736像素，采用定焦方式对试验田进行拍摄，焦距设置为16 mm。相机离地面的高度约5 m，拍摄方向为前下视，光轴与地面的夹角约60°。

图像试验环境：软件平台MATLAB R2012b,硬件配置为处理器为Intel(R)Pentium(R)CPU P6200(2.13 GHz)，内存为2 GB。

2 研究方法

2.1 颜色空间转换

为了克服RGB空间的不均匀和不直观性，本文中采用了在接近人眼对景物的认知方面优于RGB颜色模型、更符合人类视觉特性的色度、饱和度、亮度(hue saturation intensity,HSI)颜色空间[3],RGB空间到HSI空间的转换关系为

(1)

(2)

(3)

H分量图中可以观察到玉米雄穗较明显地区分于叶片。

2.2 图像去噪

2.2.1 中值滤波

中值滤波[4]是一种非线性空间滤波，可以有效地消除一定类型的随机噪声，同时又能较好地保护图像中关键的细节信息，使图像较为清晰。在大小为m×n的窗口A下进行中值滤波可表示为

(4)

式中m和n均为奇数，i=1,2,…,m，j=1,2,…，n。

2.2.2 连通域面积去噪

中值滤波后的二值图像仍存在着将背景误认为雄穗的噪声干扰，鉴于这部分误差在二值图中的面积较玉米雄穗面积要小得多，因此,采用连通域面积去噪的方法。根据采集图片分辨率大小设定一个阈值T，二值图像中面积小于T的连通域像素值均置为0；大于T的连通域保留。

2.3 形态学处理和连通域提取

由于复杂的田间环境，玉米叶片与雄穗之间相互遮挡时常发生，会导致得到的雄穗目标部分断裂。为了解决上述问题，在图像去噪后通过形态学膨胀操作[5]使断裂的区域重新连接，该过程如图1所示。然后提取图像中的连通域，生成矩形框框出玉米雄穗候选图像。

图1 形态学膨胀操作

2.4 图像特征提取

由于复杂的田间环境，玉米雄穗和叶片生长的姿态多变，以及图像采集时拍摄角度不一，易出现叶片遮挡雄穗、雄穗间相互重叠等现象，对目标物的精准识别造成干扰，出现误检。为了得到更精确的识别率，在阈值分割算法后加入“再确认”算法，即将分割后的图像特征再输入到LVQ神经网络中进行分类，保留玉米雄穗区域，剔除误检区域。

1)颜色特征提取

考虑到复杂背景下光照对图像的影响，提取目标物的H，S，I分量特征作为颜色特征[6]。

2)形状特征提取

玉米雄穗具有发散形状，与玉米叶片形状不同，且差异较为明显，依据玉米雄穗图像的特点，本文选取Hu不变矩[7，8]提取目标物形状特征，Hu不变矩包含7 个特征向量。

2.5 LVQ神经网络设计

1)输入层神经元数目

本文选取玉米雄穗的颜色特征：H，S，I3个分量特征和7个Hu不变矩特征，因此，输入层神经元数目为10个。

2)输出层神经元数目

LVQ神经网络的输出层神经元数目主要依据待识别物体的类别数来决定，本文将候选玉米雄穗图像主要分为2种,即雄穗图像和非雄穗图像，因此，输出层神经元的数目为2个。

3)竞争层神经元数目

在LVQ神经网络[9～11]中，竞争层神经元的数目即为子类的数目，一般子类的数目都要大于类别数，因此，竞争层的神经元数目要大于输出层的神经元数目。本文设计的LVQ神经网络为每个类别分配了3个子类，因此，竞争层的神经元数目为6个。

4)学习速率选取

学习速率η通常都是在0～1之间取值，其大小决定了竞争层神经元权值的学习速度[12]。当η的值接近1时，可以使权值快速修正，以较快的速度到达一个类，但权值可能会发生振荡，导致分类网络稳定性不够；当η值接近0时，权值修正比较稳定，但学习速度比较慢，训练时间比较长。因此η的值可以分段选择，即学习前期进行粗调节，可以选取较大值，随着学习次数的增加，权值修正要更加精细，η的取值要较小。本文选取的学习速率为

(5)

式中η(0)为初始学习速率，取值为0.5；t为当前学习次数；T为设定的总次数。学习速率会随着学习次数的增加而变小，符合上述要求。

3 试验设计与结果分析

3.1 试验设计

1)将玉米田间图片从RGB颜色空间转换到HSI颜色空间，得到图片的H分量图。

2)对H分量图进行中值滤波、连通域面积去噪、形态学处理和连通域提取操作，使得能够粗略地分割出玉米雄穗候选区域。

3)提取20组已知是玉米雄穗目标和非玉米雄穗目标的H,S,I颜色分量和Hu不变矩分量作为训练样本输入LVQ神经网络中训练。

4)对步骤(2)中得到的玉米雄穗候选区域进行H,S,I颜色分量和Hu不变矩特征提取，并输入到已训练好的LVQ神经网络中分类，得到最终识别的玉米雄穗目标。

3.2 试验结果分析

3.2.1 阈值分割

分割过程如图2(a)～图2(d)所示。

图2 玉米雄穗阈值分割过程

3.2.2 LVQ神经网络再分类

观察图2(d)可发现，有一些非玉米雄穗的杂物被分割出来，于是在阈值分割算法后加入“再确认”步骤，利用LVQ神经网络将玉米雄穗和非玉米雄穗进行分类，最终去除非玉米雄穗部分，识别到精确的玉米雄穗目标。为了评价分割效果，本文选取相同玉米田间图像在HSI空间下将本文方法与K-means聚类算法[13]进行比较，仿真后的分割效果对比如图3所示。