（农业生物环境与能源工程专业论文）杂草识别中图像特征的优化及识别算法的研究.pdf

江苏大学硕士学位论文 摘要 杂草识别分为图像采集、图像分割、模式识别、后续处理四个阶段，本文以杂 草识别中的图像特征和算法为研究对象，结合杂草图像的特点优化图像特征改善算 法，从而提高了自然条件下田闽杂草图像的识别效果，这对提高自动除草设备实用 化图像处理技术水平具有重要的理论意义和实际价值。主要研究内容为： ( 1 ) 在分离植被区域和背景区域的图像分割中，对于播种i j 植被只包括杂草 的情况研究了用于红色杂草识别的颜色特征。对于需要后续模式识别区分作物和杂 草的情况，研究了光照引起的颜色失真，提出基于二维直方图的分割方法，新方法 能更好的保留叶片的连通性和较好的修复叶片上的分割误差。在分析了植被和背景 的分布概率后，通过b a y c s 理论评价分割效果，将颜色特征和分割阂值等价为颜色 空间中的一个分割面，再通过遗传算法优化得到新的分割特征1 4 9 r + 2 1 8 g 7 3 b 。在 茄科作物及其伴生杂草的实验中，现有最广泛使用的超绿特征的分割误差为理论最 小分割误差的2 4 7 倍，而新的分割特征降低为1 4 7 倍。在棉田杂草图像的识别中， 超绿特征和g 特征的分割精度为8 4 6 9 和7 5 0 1 ，而新的分割特征提高为9 1 6 7 。 ( 2 ) 对于以区分作物和杂草为目的的模式识别，使用宽长比、伸长率、圆满 度和圆度四种形状特征通过建立模糊识别器识别青椒和牛筋草、波斯婆婆纳、泽漆 三种杂草，对于单株植株叶片相互遮盖不严重时取得了较好的效果。为选择识别特 征，建立了同时考虑识别率和处理时自j 的评价模型并对宽长比、伸长率、圆满度和 圆度四种形状特征进行选择，得出对于实验中的图像宽长比和圆度的组合效果最 好。针对枝叶覆盖严重的情况，在棉田杂草的识别中以植株为研究对象，提出基于 骨架长度和叶片面积比的识别算法。新算法受分割精度的影响小，不同分割结果在 模式识别中都能得到较高的精度。若使用本课题优化后提出的新分割特征 1 4 9 r + 2 1 8 g 7 3 b 的分割结果进行识别，作物和杂草的识别率分别达到8 2 7 7 和 5 9 6 9 ，而现有杂草识别算法无法在该情况下有效识别杂草。由于以植株为研究对 象，不需考虑叶片相瓦覆盖的情况，因此基于形态学特征描述植株形态的识别方法 具备更广泛的实用性。 ( 3 ) 提取喷洒参数的后续处理中，在使用数学模型描述喷洒效果后，引入遗 传算法确定喷洒参数。新方法确定的喷洒参数提高了喷洒效果，图像中作物和杂草 分布越复杂喷洒效果的改善程度越显著。 江苏大学项士学位论文 本课题以开发杂草识别实用设备为目的，优化图像特征、改进算法，从而提高 了识别效果。在分析杂草识别特点的基础上建立了一套从图像采集到喷洒参数确定 的完整算法，将利用图像处理技术识别杂草进一步推向实用化。 关键词：杂草识别、图像特征、算法、优化 江苏大学硕士学位论文 a f t e rw e e di d e n t i f i c a t i o nd i v i d e dt of o u rs t a g e sa si m a g eg a i n , s e g m e n t a t i o n ， i d e n t i f y i n ga n df o l l o w i n gp r o c e s s ，i m a g ef e a t u r ea n da l g o r i t h ma l eo p t i m i z e dw i t ht h e c h a r a c t e ro fw e e di m a g et oi m p r o v ew e e di d e n t i f i c a t i o ni nn a t u r ea n dp r o v i d et h e o r yf o r a u t o m a t i s mw e e dc o n t r o ls y s t e m t h em a i nc o n t e n t sa r ea sf o l l o w ： ( 1 ) i ns e g m e n t a t i o nw h o s ea i mi sd i s t i n g u i s h i n gv e g e t a b l ea n db a c k g r o u n d ，r e d w e e , d $ c o l o rf e a t u r e sa r es t u d i e db e f o r es e e d i n gw h e nv e g e t a b l eo n l yi n c l u d e dw e 圮x i s w i t h o u tp l a n t f o rt h ei m a g en e e d si d e n t i f i c a t i o nt od i s t i n g u i s h i n gp l a n ta n dw e e d s ，a n e wa l g o r i t h mb a s e do n2 - d i m e n s i o n a lh i s t o g r a mh a sb e e np r o p o s e dt os o l v et h e d i s t o r t i o ns i n c ei l l u m i n a t i o n t h ea l g o r i t h mc o u l db ep o t e n t i a l l yu s e f u lf o ri m p r o v i n g i d e n t i f i c a t i o nb e c a u s eo fs a v i n gt h el e a fc o n n e c t i o n f i r s t l yt h ec o l o rf e a t u r ea n d t h r e s h o l d i n gf o rw e e di m a g es e g m e n t a t i o ni st r a n s f o r m e di n t ot h es e g m e n t a t i o ns u r f a c e s i nc o l o rs p a c ea f t e ra n a l y z i n gt h ep r o b a b i l i t yo fv e g e t a b l ea n db a c k g r o u n d s e c o n d l yt o o p t i m i z ec o l o rf e a t u r ea n dt h r s h o l d i n gt h es e g m e n t a t i o ns u r f a c e sp a r a m e t e r s s e l e c t i o ni s p r o c e s s e dv i ag e n e t i ca l g o r i t h mt h a ti s b a s e do re v a l u a t i n gs e g m e n t a t i o ne r r o rw i t h b a y e sf o r m u l a ac o m p a r i s o no ft h es e g m e n t a t i o nr e s u l t sb e t w e e ne x c e s s g r e e nt h a ti s m o s tp o p u l a rc o l o ri n d e xi nw e e ds e g m e n t a t i o na n dn e ws e g m e n t a t i o ns u r f a c e 一1 4 9 r + 2 1 8 g - 7 3 bb yt h eg e n e t i ca l g o r i t h mw a sc o n d u c t e d t h er e s u l t ss h o wt h a tt h e s e g m e n t a t i o ne r r o rr a t i oc o m p a r e dt h e o r yo p t i m i z a t i o nr e d u c e df r o m2 4 7t i m e st o1 4 7 t i m e si n n i g h t s h a d ea n dw e e di m a g es e g m e n t a t i o n i nc o t t o nf i e l d sw e e di m a g e s e g m e n t a t i o n , t h ep r e c i s i o no fe x c e s s - g r e e na n dg a r e8 4 6 9 a n d7 5 0 1 ，a n dn e w f e a t u r ei n c r e a s et o9 1 6 7 ( 2 ) i ni d e n t i f i c a t i o nf o rd i s t i n g u i s h i n gp l a n ta n dw e e d ，f o u rs h a p ef e a t u r e si n c l u d i n g a s p e c t ，e l o n g a t e d n e s s ，r o u n d n e s sa n dc o m p a c t n e s sa r eu s e dt oi d e n t i f yg r e e nc a p s i c u m a n dg e o s e g r a s s ，i r a ns p e e d w e l l ，s u n ne u p h o r b i aw i t hf u z z y o ni m a g e s1 ；i ，i t hs m a l l q u a n t i t i e so fo v e r l a p p i n g , v e g e t a ls p e c i e sa r ew e l lr e c o g n i z e d t os e l e c ti d e n t i f i c a t i o n f e a t u r e ，t h em a t h e m a t i c sm o d e la r ep r o c e s sv i aa n a l y s i so fi d e n t i f i c a t i o np r e c i s i o na n d p r o c e s st i m e t h er e s u l t ss h o wt h ec o m b i n a t i o no fa s p e c ta n dc o m p a c t n e s si sb e s t o n i m a g e sw i t hm u c hq u a n t i t i e so fo v e r l a p p i n g , t h en e wa l g o r i t h mb a s e do nt h er a t i oo f m 江苏大学硕士学位论文 s k e l e t i o n i z a t i o nl e n g t ha n dl e a v e sa r e af o ri d e n t i f y i n gc o t t o nf i e l dw e e di m a g e i tw a s f o u n dt h a ts e g m e n t a t i o np r e c i s i o nd o e s n tc o n c e r ni d e n t i f i c a t i o np r e c i s i o nd e e p l ya n dt h e r e s u l t so fd i f f e r e n ts e g m e n t a t i o nf e a t u r e sa l lc a ng e tg o o dp r e c i s i o ni ni d e n t i f y i n g i f s e g m e n tw i t hn e ws e g m e n t a t i o nf e a t u r e - 1 4 9 r + 2 1 8 g 一7 3 b ，t h ep l a n ta n dw e e dp r e c i s i o n a r e8 2 7 7 a n d5 9 6 9 a n dt h ee x i s t i n gf c a t l l 佗sc a n td i s t i n g u i s ht h e me f f e c t i v e l y t h e n e wm e t h o d sc a nh a v eag o o de f f e c to ni d e n t i f y i n gw e e d sf r o mp l a n t sw h i l et h e r ea r c s e r i o u so v e r l a pl e a v e sb e c a u s eo fd e p e n d i n go nw h o l ep l a n t ( 3 ) i nf o l l o w i n gp r o c e s sf o rs p r a y i n gp a r a m e t e r st h eg e n e t i ca l g o r i t h mi s u s e dt o o p t i m i z e a f t e r b u i l d i n gm a t h e m a t i c sm o d e lo fs p r a y i n ge f f i c i e n c y t h es p r a y i n g p a r a m e t e r so fn e w m e t h o di m p r o v et h es p r a y i n ge f f i c i e n c y , a n dt h ei m p r o v i n ge f f i c i e n c y i sm o r e p r o m i n e n tf o rc o m p l e xw e e di m a g e t h ei d e n t i f i c a t i o ne f f i c i e n c yi si m p r o v e dv i ao p t i m i s i n gi m a g ef e a t u r ea n de v o l v i n g a l g o r i t h mf o ra u t o m a t i s mw e e dc o n t r o le q u 啦m e n t a n o v e la l g o r i t h mi sf r o mi m a g eg a i n t op r o c e s s i n gs p r a y i n gp a r a m e t e r sa f t o ra n a l y s i n gt h ec h a r a c t e ro fw e e di d e n t i f i c a t i o n , a n dt h ep r a c t i c a l i t yo fw e e di d e n t i f i c a t i o nw i mi m a g ep r o c e s si si m p r o v e d k e y w o r d ：w e e di d e n t i f y i n g ；i m a g ef e a t u r e ；a l g o r i t h m ；o p t i m i z a t i o n 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规 定，同意学校保留并向国家有关部门或机构送交论文的复印件和电 子版，允许论文被查阅和借阅。本人授权江苏大学可以将本学位论 文的全部内容或部分内容编入有关数据库进行检索，可以采用影 印、缩印或扫描等复制手段保存和汇编本学位论文。 本学位论文属于 保密口，在年解密后适用本授权书。 不保密口。 学位论文作者签名： 孵莎月i 吁日 指导教师签名： 毛罕彳 聊年6 月1 7 日 江苏大学硕士学位论文 1 1 研究的目的和意义 第1 章绪论 在农业生产中，杂草就是指那些长在不适当地方的植物，其生长对作物的影响 弊大于利。杂草与作物争土壤、争阳光和水肥，而且极易蔓延，如不及时控制，则 导致经济作物产量下降、质量受损。据统计，我国1 9 9 8 年因草害损失粮食2 4 7 万 多吨，棉花近两万吨，油料作物近1 9 万吨，其他作物1 0 6 万多吨【1 l ；1 9 9 9 年因草 害损失粮食3 2 2 万多吨，棉花4 万多吨，油料作物近1 8 万吨，其他作物1 2 8 万多 吨1 1 ；2 0 0 0 年因草害损失粮食2 3 9 万多吨，棉花两万多吨，油料作物近2 0 万吨， 其他作物1 3 7 万多吨 2 1 。 针对农业生产中的草害，发达国家多通过大面积喷洒除草剂进行防治。据美国 农业部8 0 年代初对6 4 种农作物的统计，杂草造成的损失达7 5 亿美元，而每年用 于化学除草的费用则高达3 6 亿美元，用于机械和其他除草的费用达2 6 亿美元1 3 j 。 过去由于经济不够发达，我国多依靠人工除草。据农业部植保总站统计，我国用在 除草上的劳动量曾高达2 0 3 0 亿个劳动日1 4 1 。近年来，随着除草剂的推广除草所使 用的劳动力有所下降。另一个更严峻的事实是：近3 0 年来，全球范围内大量使用 除草剂对生态环境和物种延续带来了很大的压力。因此，为降低杂草危害程度，减 轻环境污染，解放除草劳动力，实现杂草控制的自动化、科学化已成为一个很现实 的课题。 随着计算机技术的不断发展，特别是图像处理和人工智能等技术的逐渐成熟， 通过机器视觉开发自动除草设备成为可能。自动除草设备以实现智能喷洒除草剂或 机械除草为目的，因此通过图像处理技术识别田间杂草成为研究的热点和难点。 在识别杂草中所讨论的范围从杂草图像的获取直至除草剂喷洒参数的确定，这 可以认为是一个图像处理及其相关技术的统一体在农业工程中的应用。在这个统一 体中，可以将各种计算处理分为三类( 低级、中级和高级) 。低级处理涉及初级操 作，如降低噪声的图像预处理，对比度增强和图像尖锐化，中级处理涉及分割以及 缩减对目标物的描述，以使其更适合计算机处理及对不同目标的分类( 识别) 。高 级处理涉及在图像分析中被识别物体的总体理解，以及执行与视觉相关的识别函数 等。闭 江苏大学硕士学位论文 结合已有杂草识别研究的成果可以将杂草识别分为四个阶段：图像获取、图像 分割、模式识别、后续处理。图像获取指通过各种设备获取田间图像以及简单的预 处理，该阶段不需要使用图像特征，相关技术已成熟。图像分割是以区分田问植被 和土壤等背景为目标的阶段。模式识别阶段的目标为识别作物和杂草。后续处理阶 段是由识别结果得出操作机构所需的参数。图像特征主要应用于图像分割和模式识 别中。杂草识别中的算法多指图像分割、模式识别和后续处理三阶段中使用的算法。 现有的杂草识别研究中，所采用的图像特征多由图像处理技术中通用特征得 出，而所使用的算法也多为图像处理技术中已成熟的各种算法。但是这些特征和算 法没有考虑到杂草识别的复杂性，得出的识别结果离开发实用设备的要求仍有距 离。因此，图像特征和识别算法的研究成为应用图像处理技术识别杂草的核心问题。 优化图像特征、改进识别算法是提高图像处理质量的有效途径，这一工作将为自动 除草设备图像处理系统的开发提供理论支持，具有重要的学术意义和经济价值。 1 2 国内外研究现状 为区分不同植物，植物学中主要是依靠植物的花、果等器官的特征。分类的标 准与进化相关，主要解释它们在进化上的地位。而在杂草识别中对图像特征的提取 集中于植株的叶片，这是由于现有设备条件下叶片图像包括的信息量最大。对于杂 草识别所使用的算法，在使用图像处理技术中成熟算法的基础上，近年来通过引入 遗传算法、人工神经网络等理论，提高了图像特征的信息利用率，一定程度上改善 了识别效果。 1 2 1 图像特征的研究现状 在杂草识别中现有的图像特征可以按图像处理技术的标准分为四类：颜色特 征、形状特征、纹理特征和光谱特征。对各种特征的研究都很丰富，但是尚未形成 统一的标准，甚至对特征的评价也比较困难。因此，在杂草识别中图像特征的确定 仍缺乏通用的理论。 1 2 1 1 颜色特征 颜色是人眼识别植物的重要特征，这也是各个领域中图像识别最为常用的特 征。绿色植物和土壤等背景的颜色都有差别，这使得颜色成为分离背景的重要特征； 而不同植物的颜色有所不同足颜色特征区分作物和杂草的主要依据。 2 江苏大学硕士学位论文 w o e b b e c k e 等1 9 9 5 年在温室里自然光条件下用照相机拍摄了3 1 2 幅土壤和农 作物残余物( 无生命) 背景下的各种杂草图片，按红色( r ) 、绿色( g ) 和蓝色( b ) 三种成分进行分析，发现通过调整色度指标在有阴影和无阴影条件下都能很好的工 作，比较了多种颜色特征后指出超绿特征( 2 9 - r - b ) 的效果最好1 6 j 。s t e w a r d 在1 9 9 9 年建立一个自适应图像分割算法把图像中的背景去掉来估计两行大豆之间的杂草 密度i r l 。t a n g 等2 0 0 0 年通过遗传算法在l o s 颜色空间中优化颜色特征提高杂草图 像的分割效果【8 1 。e 1 f a k i 等2 0 0 0 年研究了影响杂草识别的因素：土壤、光照、空 间分辨率，还根据茎的颜色不同建立了比纹理或形状特征更实用的识别方法1 9 j 。 p e 7 f e z 等2 0 0 0 年使用颜色特征( g - r ) ( g + r ) 分割杂草图像【1 0 l 。相阿荣2 0 0 0 年利用 h i s 彩色空间识别杂草和土壤f 1 1 1 。y a n g 等2 0 0 2 年使用绿色程度的方法快速区分绿 色植物和土壤【1 2 1 。m e y e r 等2 0 0 4 年使用模糊算法综合超绿特征和超红特征识别小 麦。毛文华等2 0 0 5 年通过颜色特征开发苗期杂草图像的实时分割算澍1 4 1 。 1 2 1 2 形状特征 形状特征是区分杂草和作物的重要特征。颜色特征主要是通过各个像素点灰度 值的差异进行识别，而形状特征关注的是作物图像所包含某一类像素点的个数及其 在实际环境中的尺寸、相对位置关系。比如：将物体中包含的像素个数定义为物体 的面积；用边界像素点个数表示物体的周长等等。 g u y e r 等1 9 8 6 年用伸长度、紧密度、中心惯性矩和主轴惯性矩识别早期的玉米、 大豆、西红柿和狐尾草、蔓陀罗、茼麻等伴生杂草【l ”。f r a n z 等1 9 9 1 年利用叶子轮 廓边界曲率特征来区分不同的植物，发现这种方法识别第一片真叶完全长成后的大 豆和杂草可忽略叶子的尺寸和方位1 1 6 。w o e b b e e k e 等1 9 9 5 年在大豆和玉米地里选 出l o 种常见杂草，从发芽后到4 5 天研究其圆度、周长厚度、伸长度和几个不变中 心矩。在1 4 到2 3 天区分单子叶和多子叶植物的情况最好，最好的形状因子一阶不 变中心矩的正确率为6 0 到9 0 l l r l y o n e k a w a 等1 9 9 6 年对紧密度、圆度、伸长度 和粗糙度进行评价认为这些简单形状因子是非常有效的1 18 】。l e e 等1 9 9 9 年通过形状 特征识别杂草开发出行驶速度达到1 2 0 k m h 的西红柿杂草控制系统【1 9 1 。p e r e z 等 2 0 0 0 年通过杂草轴、面积等形状参数识别杂掣加】。纪寿文等2 0 0 0 年利用投影面积、 叶宽、叶长在玉米苗期识别出单子叶杂草( 2 0 l 。m a i l h 等在2 0 0 1 年利用变形结构来逼 近4 0 幅图像中的6 0 0 片叶片，识别率达到8 4 1 2 1 1 。相阿荣2 0 0 1 年通过杂草区域的 面积和质心识别麦田常见杂草，识别率为9 2 t l l 。b l a s c o 等2 0 0 2 年基于作物和杂 3 江苏大学硕士学位论文 草面积的差异开发除草设备 2 2 1 。龙满生2 0 0 2 年将6 - 1 2 3 的b p 网络用于杂草形状 识另l j t 2 3 1 。吕俊伟2 0 0 2 年提出“小区域图像分割法”用于洋葱和杂草的识别问题阱1 。 o n y a n g o 等2 0 0 3 年通过形态特征识别作物和杂草，实验中识别率分别达到8 2 9 2 和6 8 9 2 1 2 5 1 。a i t k e n h e a d 等2 0 0 3 年使用人工神经网络对形状特征进行研究， 对胡萝卜幼苗与黑麦草和藜的识别率超过7 5 1 2 6 i 。s c g a a r d 2 0 0 5 年利用形状模板进 行杂草识别达到6 5 9 0 以上的识别率【2 7 】。 1 2 1 3 纹理特征 纹理特征的本质是相邻像素点在同一灰度矩阵的灰度值之差。用这些差值矩阵 表征叶片的纹理可有效区别作物和杂草，从而进行识别。 s h e a r e r 等1 9 9 0 年使用以s 颜色空间表示的彩色共生矩阵识别植物达到9 1 的精度1 2 s l 。z h a n g 等在1 9 9 5 年对小麦和杂草的叶片进行f o u r i e r 分析，并定义 一个光洁度指标，从而将细纹理叶子和其他叶子分开 3 1 。c r i t t e n l 9 9 6 通过傅利叶变 换分析纹理特征识别作物和杂草1 2 9 1 。m e y e r 等在1 9 9 8 年利用纹理图像识别土壤和 杂草( 两种青草和两种宽叶草) ，青草和宽叶草之间识别率为8 5 9 3 ，而两种 青草和宽叶草之问仅为3 0 7 0 t 3 0 1 。b u r k s 等2 0 0 0 年利用彩色纹理图像对土壤和 5 类杂草进行分类，精确率达到9 3 1 3 1 i 。b u r k s 等2 0 0 0 年建立两个隐含层的b p 神 经网络通过彩色图像的纹理识别杂草【3 2 1 。刘敏2 0 0 2 年用分形维数来表征杂草纹理 和粗糙程度，采用基于分形的纹理分割技术对杂草图像进行分割【3 3 1 。b a r k s 等2 0 0 5 年利用彩色共生矩阵的纹理分析技术评价了三种用于杂草识别的神经网络1 。 1 2 1 4 光谱特征 由于反射光谱的显著差异，光谱特征是分离背景最有效的特征。类似的，由于 植物内部的纤维结构和叶绿素的排列不同，不同植物在可见光和红外光波段具有不 同的反射光谱，这成为光谱特征识别杂草和作物的理论依据。而为了获取光谱信息， 最常用的办法是使用光学滤波片。 g u y e r 等1 9 8 6 年通过可见光和近红外波段区分土壤和植物1 1 5 1 。m e y e r 等在1 9 8 7 年分别使用彩色和黑白红外照片来区分大豆和土壤以及残余物，最成功的区分出现 在彩色红外照片上【3 5 】。h a n 等1 9 9 0 年指出区分土壤与农作物最有效的波段为5 5 0 n m 和7 0 0 n m l 3 6 l 。f r a n z 等1 9 9 1 年通过近红外、红、蓝等波段光谱分离背景 3 7 1 。z h a n g 等在1 9 9 5 年在麦田取使用c c d 摄象机和多种彩色滤光片在小麦只有两片和三片叶 子时和小麦长满叶子时分别采集图像，对不同滤波片所采集的灰度图像进行分析发 4 江苏大学硕士学位论文 现红色和绿色滤光片最有效口1 。o l s e n l 9 9 5 年通过红外滤波片确定运动图像中垄间中 心线进行杂草控制1 3 引。s h e a r e r 等1 9 9 6 年通过加入主动光源，使用两个滤波片对植 物和背景的分割正确率达到1 0 0 1 3 9 。r a i n e r l 9 9 8 年通过反射率的差异开发出杂草 识别系统，在保证1 0 0 控制杂草的基础上节省了3 0 到7 0 的除草剂 4 0 1 。c r i n e r 等1 9 9 9 年通过6 7 0 n m 和7 8 0 r i m 滤波片采集近红外和红色光谱图像识别诬麻伴生杂 草i 。b a j w a 等2 0 0 1 年通过近红外遥感技术建立大豆田间杂草地图【4 2 l 。w a n g 等2 0 0 1 年通过植物反射光谱的差异识别小麦、土壤和杂草1 4 3 l 。m a r c h a n t 等2 0 0 1 年使用特 征曲线评价了绿色、红色、绿色与近红外、红色与近红外四种光谱( 组合) 对杂草 的分割效果 4 4 1 。f e y a e r t 等2 0 0 1 年利用4 3 5 n m 到1 0 0 0 n m 内多种光谱在自然条件下 区分作物和杂草，识别率分别为8 5 和9 1 ，节省9 0 以上除草剂【4 5 l 。g o e l 等2 0 0 2 年通过航空拍摄的多光谱图像识别玉米和大豆田问杂草 4 6 1 。a l c h a n a t i s 等2 0 0 5 年使 用多光谱图像识别棉田杂草，识别误差在1 5 左右 4 7 1 。吕俊伟等2 0 0 5 年通过融合 多光谱图像提高杂草图像的分割效果【鹋l 。k a r i m i 等2 0 0 6 年通过高光谱图像识别玉 米田间杂草 4 9 1 。j o a oc a m a r g on e t o 等2 0 0 6 年利用椭圆傅立叶和判别式分析识别大 豆田问杂草1 5 0 l 。 1 2 2 杂草识别中算法的研究现状 杂草识别中使用的算法多为从图像处理技术中引进的成熟算法。杂草图像分割 中主要使用阈值分割的方法，而b a y e s 分类方法在模式识别中使用较多。随着研究 的不断深入，人工智能、信号处理等其它领域的算法不断引入，如人工神经网络、 模糊识别等，其中又以人工神经网络应用最为广泛。但是由于这些算法的适用范围 中存在这样或者那样的限制，在识别杂草中依然没有达到开发实用设备所需的识别 效果。 g u y e r 等1 9 8 6 年利用可见光和近红外波段区分土壤和植物使用的是闽值分割， 在0 2 5 5 的灰度级中分割阂值固定为7 0 ；通过b a y e s 分类器识别早期作物 t s l 。h a h n 等1 9 9 6 年通过神经网络识别卷心菜及其伴生杂草【5 1 l 。t i a n 等1 9 9 8 年通过引入自学 习过程开发出一种对色温和土壤类型自适应的室外图像分割算法提高分割效果【5 2 】。 j o h n 等1 9 9 8 年开发自动除草设备中，使用阈值分割对近红外杂草图像进行分割5 3 1 。 p o m a r 等1 9 9 8 年通过建立包括植物学知识的智能多传感器系统识别杂草幼苗1 5 4 1 。 c h a p r o n 等2 0 0 0 年通过融合多种特征识别玉米伴生杂草，在叶片遮盖少于5 时取 5 江苏大学硕士学位论文 得了较好的效果【5 5 1 。s f i c h z 等2 0 0 0 年尝试通过融合三维信息识别作物和杂彰5 6 l 。 h e m m i n g 等2 0 0 1 年通过计算八种形态特征和三种颜色特征建立了一个联合特征空 间后，使用主动光源识别用闻杂草，在植物生长阶段取得了较好的效果旧。c h o 等 2 0 0 2 年使用人工神经网络识别作物残余和杂草，从杂草中识别作物残余识别率达到 1 0 0 ，对用间作物残余和杂草的识别率分别达到9 3 3 和9 3 8 t 5 引。y a n g 等2 0 0 2 年通过人工神经网络识别玉米田问杂草 5 9 1 。t a n g 等2 0 0 3 年通过小波变换和人工神 经网络区分阔叶杂草和禾本科杂草唧1 。m a r c h a n t 等2 0 0 3 年比较了b a y e s 分类和多 层日 馈神经网络识别作物杂草土壤的效果f 6 “。y a n g 等2 0 0 3 年通过人工神经网络 和模糊集合建立除草剂喷施地图 6 2 1 。k a v d l r 2 0 0 4 年通过人工神经网络识别向日葵、 杂草和土壤【6 引。g r a n i t t o 等2 0 0 5 年通过建立了一个包括2 3 6 种杂草1 0 3 1 0 幅图像的 杂草库研究b a y e s 方法和神经网络对杂草的识别效果 6 4 1 。 1 3 研究内容与关键技术 1 3 1 研究内容 从已有的杂草识别研究来看，所获得的图像受各种因素的影响导致提取的特征 尚无法完全表达各种作物和杂草的差异，识别算法多从图像处理中直接引入而缺乏 针对性，因此识别结果离开发实用设备仍有距离。而肉眼利用同样的信息量能较准 确的识别出杂草，所以通过研究现有的图像特征，进一步挖掘图像信息，可更好地 描述植物与背景之间、杂草和作物之间的区别。首先，无论是颜色特征还是形状特 征指的都足一大类特征，其中包括许多具体的图像特征。比如形状特征可以细分为： 面积、周长、厕满度、圆度等。结合杂草识别的特点融合这些图像特征，并在此基 础上改进识别算法能有效的提高识别效果。其次，针对杂草识别中环境复杂、目标 多变的特点，评价优化现有图像特征、开发新的图像特征、改进识别算法也是提高 识别效果的有效途径。鉴于上述情况，本研究拟通过分析评价图像特征、改进算法， 改善杂草识别效果，为自动除草设备图像处理系统的开发提供理论支持。 提高图像特征所包含的信息壁最简单的方法就是将各种特征综合使用。但现有 图像特征并不能保证全部反映图像，所以更好的方法是通过对图像信息进行分析， 建立评价模型统一评价各种特征，经过优化后得出新的图像特征。图像分割中由于 受作物、杂卓种类影响小，主要的分割特征足颜色特征。本课题针对这一现象通过 分析颜色空间，采用b a y e s 理论建r 茳评价模型，优化分割特征。另一方面通过引入 6 江苏大学硕士学位论文 杂草图像中像素点的邻域信息，改进分割算法，提高分割效果。 模式识别阶段综合使用多种图像特征，由于图像特征值的提取受环境的影响较 大，不同图像特征对相同对象的识别结果可能相互矛盾。这可以认为是由于闽值设 定的不合理形成的。一个确定的阈值导致一种特征对一个识别对象的判断结果只存 在“是”和“不是”两种情况，而现实中更多的情况是通过一个特征只能得出识别 对象“可能是”或者“可能不是”的程度。通过引入模糊集合描述这种识别对象归 属于某一目标的可能性可以解决这一矛盾。综合使用多种图像特征进行图像识别除 了可能存在不同特征对同一对象的处理结果相互矛盾外，还带来处理时间的增加。 本课题通过建立优化模型，综合考虑精度和处理时问的影响评价各种图像特征( 组 合) 。在以上优化和改进中，并未开发出用于模式识别的新特征，而由于枝叶的遮 挡等环境因素的影响，现有图像特征识别精度均需提高。针对这一现象，本课题通 过以作物和杂草植株为研究对象，引入形念学特征开发新的识别算法。 在模式识别后需从识别后的图像中提取除草剂的喷洒参数传送给操作机构，本 课题通过通过遗传算法优化这些喷洒参数。为开发自动除草设备的图像处理系统， 将以上算法整合形成一套从图像获取到喷施参数确定的杂草识别算法。 i 3 2 关键技术 1 ) 叶片反射的影响 本课题所采用的研究环境为自然光照条件。叶片由于太阳直射的影响会出现反 光的现象，在图像中表现为白色的亮斑。这些白斑对图像分割的影响极大，产生大 量误差。本课题通过引入反映像素点相邻区域信息的二维直方图开发新算法将白色 亮斑和背景中的白点区分开。另一方面课题中通过b a y e s 理论评价分割特征，优化 后的新特征也能解决这一问题。 2 ) 分割特征的评价 在杂草图像的分割中，使用相同的分割特征，还可以选取不同的阂值。分割闽 值的差异可能导致不同的分割结果，因此在大量的可能闽值中每个特征都存在与之 对应的最优阈值。评价分割特征的分割效果应以每个特征采用相应最优闽值的分割 结果进行比较，由于增加闽值寻优的过程，相应的计算量会大幅增加。本课题采用 b a y e s 理论评价分割特征，将分割特征和分割阂值的优化融合为一个过程。 3 ) 模式识别中精度和处理时间的平衡 7 江苏大学硕士学位论丈 模式识别中的识别精度直接影响自动除草的效果，另一方面如果处理时间过长 将限制算法的应用。可足实际研究中，提高精度往往是以延长处理时间为代价的。 为在不限制算法使用的前提下提高精度，本课题建立评价模哩，评价各种图像特征 ( 组合) ，从而达到精度和处理时间的平衡。 4 ) 枝叶遮盖的影响 在模式识别中，由于植株叶片相互遮盖影响了识别特征值的提取，识别效果大 幅度下降。本课题针对这一现象，从整个植株的角度出发，利用数学形态学特征描 述各种植株的差异。 5 ) 除草荆喷洒参数的确定 通过模式识别可以将图像中作物和杂草区域区分开，在实际作业中需要由此得 出除草剂的喷洒参数，控制喷头喷洒除草荆防治杂草。但是喷洒参数的选择范围大， 选取工作的计算量大，而简单的中心位置法效果有待提高。本课题引入遗传算法优 化喷洒参数有效的改善了除草剂的喷洒效果。 1 4 本章小结 在比较全面的介绍了国内外杂草识别中图像特征和算法的研究现状后，针对现 有识别效果仍无法满足实际需要提出优化图像特征、改进算法以改善识别效果。论 述了该研究的目的和意义，明确了研究内容，指明了研究的关键1 口j 题和技术路线。 8 江苏大学硕士学位论文 第2 章杂草图像的采集 杂草图像是进行图像处理最原始的数据，图像的采集指通过各种设备得到杂草 图像。随着环境因素、植株自身状态等各种因素的变化，图像也会发生变化。另外 采集图像的时问、角度等采集方式的差异也会使相同的对象得到不同的图像。为减 少自动除草时的不确定因素，确定图像的采集方案是必不可少的。 现有设备采集图像主要建立在电磁波辐射基础上。电磁波可定义为以各种波长 传播的正弦波，或者认为是一种粒子流。因此通过电子设备可以感应到传感器所在 位置电磁波的情况。组合一个传感器阵列的信号就可得到一副图像。根据采集设备 光谱波段的差异得到的图像可分：咖吗射线图像、x 射线图像、紫外图像、可见光 图像、红外图像和微波图像，以及使用多个波段的多波段图像。1 5 l 在杂草识别中， 作物、杂草和背景的差异主要位于可见光和近红外波段，且该波段图像的获取相对 其他波段容易，因此该波段图像成为现有杂草识别研究中最主要的研究对象。 2 1图像概述 通过电磁波敏感元件可以感应剑电磁波能量的大小。大量的这一类敏感元件以 阵列的形式排列，形成一个感应面。每一个传感器产生一个与其接受电磁波能量成 正比的输出信号。通过电路扫描这些输出，并把它们数字化就得到了图像处理中所 需要的图像。 若以坐标( 桫) 表示传感器在阵列中的位置，删表示该位置传感器输出的信 号，则函数代x 可由两个分量来表示：入射到观察场景的光源能量和场景中物体反 射光的总量。相应地称为入射分量和反射分量，并分别表示为i ( x 和r 以y ) 。因此 有：【5 1 厂y ) = f 伍y 卜仁y ) 其中：0 j k y ) o 。 ( 2 1 ) 0 r b ，y ) 1 式( 2 1 ) 中反射分量限制在0 ( 全吸收) 和1 ( 全反射) 之间，的力的性质取决于 照射源，而也) 取决于成像物体的特性。 由于敏感元件的敏感范围的限制，不可能感应到所有强度的电磁波。将敏感元 件的感应范围分为( l + 1 ) 个等级( 从0 到l ) ，以【：，l 函如】分别表示敏感元件感光 9 江苏大学硕士学位论文 范围内输出的信号强度区间，可以得到任意，对应的等级为：f 5 1 ，驴) = 0 二& 。工 f 一一 。 一般将这样的等级称为灰度级。1 - - o 表示黑，= l 表示白。所形成的图像成为灰 度图像。f 优y ) 称为像素点化y ) 的灰度级。 以上方法得到的是一种波段电磁波形成的灰度图像。可见光是一种特殊的电磁 辐射，人眼可以看见和感觉到它，其波段大约占据4 3 0 n m 7 9 0 n m 的范围。近红外 波段从可见光波段延伸到1 0 0 0 n m 左右或者更远一点。这些范围不是突然终止的， 而是每一个波段混合平滑地过渡到下一个波段。人从一个物体感受的颜色由物体反 射光的性质决定。一个物体若所有反射的可见光波长是相对平衡的，则物体对观察 者来说是显示白色。然而，一个物体在可见光波段的有限范围内反射时会呈现各种 颜色。例如，绿色物体反射波长主要在5 0 0n m 5 7 0 n m ，而吸收其他波长的大部分 能量。根据色彩学三色原理，任意颜色可以表示为任意三种基本色按一定比例相加 减得到。一般采用红、绿、蓝三种颜色作为基本色，通过三种颜色对应波段得到的 灰度图像表示三种颜色的组成比例，由此得到彩色图像。1 5 1 2 2 影响杂草图像质量的因素 杂草图像中的像素点可以分为三种类型：作物、杂草和背景。其中作物和杂草 多为绿色植物，由于现有图像特征的提取多集中于叶片，本课题主要考虑叶片的成 像情况。叶片的解剖图如图2 1 所示。 图2 1p l 片解剖图 叶片分为：上表皮、下表皮、栅栏组织、海绵组织和纤维导管。叶片呈绿色主 要足栅栏组织和海绵组织中的叶绿体的作用。另外许多植物叶片为了避免强光照射 1 0 k 一k 玎 k 八丘 p 江苏大学硕士学位论文 伤害叶片细胞，在上表皮有一层角质层，能控制进入叶片的光强。因此当光强过强， 叶片表面的角质层开始反射阳光，在某一拍摄角度得到的叶片图像中就会因为电磁 波强度超过敏感元件的感应范围出现白斑。 这种由于电磁波强度过大导致的白斑还会因为叶片表面的镜面反射出现，这与 光强的关系不大。图2 2 所示的两副图像是使用标准光源d - - 6 5 0 0 k 进行拍摄的。拍 摄时，光强不足5 d u x ，