基于機器視覺圖像的多目標提取識別

時君偉 胡敏英 任振輝

摘要：為了實現(xiàn)農(nóng)作物圖像多目標的準確識別，提出了四連通或八連通的連通域判別法。利用ＭＡＴＬＡＢ的數(shù)值計算、圖形處理和可視化建模以及動態(tài)仿真等功能，對黃瓜植株花朵圖像預(yù)處理，去除干擾目標，對目標處理結(jié)果進行整合，進而得到多目標處理結(jié)果。結(jié)果表明該方法依據(jù)圖像信息即可有效地實現(xiàn)多目標的分離和識別。

關(guān)鍵詞：機器視覺；多目標；ＭＡＴＬＡＢ仿真；提取識別

中圖分類號：ＴＰ３９１．４１文獻標識碼：Ａ文章編號：0439－８114（２０12）15－3342-03

Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ Ｅｘｔｒａｃｔｉｏｎ ｏｆ Ｍｕｌｔｉｐｌｅ Ｔａｒｇｅｔｓ Ｂａｓｅｄ ｏｎ Ｍａｃｈｉｎｅ Ｖｉｓｉｏｎ Ｉｍａｇｅ

ＳＨＩ Ｊｕｎ－ｗｅｉ，ＨＵ Ｍｉｎ－ｙｉｎｇ，ＲＥＮ Ｚｈｅｎ－ｈｕｉ

（Ｃｏｌｌｅｇｅ ｏｆ Ｍｅｃｈａｎｉｃａｌ ａｎｄ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ， Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｈｅｂｅｉ， Ｂａｏｄｉｎｇ ０７１００１， Ｈｅｂｅｉ， Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ： Ｔｈｅ ｄｉｓｃｒｉｍｉｎａｎｃｅ ｏｆ ４－ｃｏｎｎｅｃｔｅｄ or ８－ｃｏｎｎｅｃｔｅｄ ｄｏｍａｉｎ ｗａｓ ｐｒｅｓｅｎｔｅｄ ｔｏ ｒｅａｌｉｚｅ aｃｃｕｒａｔｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｔｈｅ ｔａｒｇｅｔ ｃｒｏｐ ｉｍａｇｅｓ． Ｕｓｉｎｇ ＭＡＴＬＡＢ ｆｕｎｃｔｉｏｎｓ， ｓｕｃｈ ａｓ ｎｕｍｅｒｉｃａｌ ｃｏｍｐｕｔａｔｉｏｎ， ｇｒａｐｈｉｃ ｐｒｏｃｅｓｓｉｎｇ， ｖｉｓｕａｌ ｍｏｄｅｌｉｎｇ ａｎｄ ｄｙｎａｍｉｃ ｓｉｍｕｌａｔｉｏｎ， ｔｈｅ ｉｍａｇｅs ｏｆ ｃｕｃｕｍｂｅｒ ｆｌｏｗｅｒｓ ｗｅｒｅ ｐｒｅｐｒｏｃｅｓｓｅｄ ａｎｄ ｔｈｅ ｊａｍｍｉｎｇ ｉｍａｇｅｓ ｗｅｒｅ ｒｅｍｏｖｅｄ， ａｎｄ ｔｈｅｎ ｓｉｎｇｌｅ ｉｍａｇｅｓ ｗｅｒｅ ｉｎｔｅｇｒａｔｅd ｔｏ ｏｂｔａｉｎ ｔｈｅ ｍｕｌｔｉｐｌｅ ｉｍａｇｅｓ． Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗed ｔｈａｔ ｔｈｉｓ ａｌｇｏｒｉｔｈｍ ｃｏｕｌｄ ｓｅｐａｒａｔｉｏｎ ａｎｄ ｒｅｃｏｇｎｉｚａｔｉｏｎ ｏｆ ｔｈｅ ｍｕｌｔｉｐｌｅ ｏｂｊｅｃｔｓ ｅｆｆｅｃｔｉｖｅｌｙ ｗｉｔｈ ｍａｃｈｉｎｅ ｖｉｓｉｏｎ．

Ｋｅｙ ｗｏｒｄｓ： ｍａｃｈｉｎｅ ｖｉｓｉｏｎ； ｍｕｌｔｉｐｌｅ ｔａｒｇｅｔ； ＭＡＴＬＡＢ ｓｉｍｕｌａｔｉｏｎ； ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｒｅｃｏｇｎｉｔｉｏｎ

長期以來，農(nóng)作物果實的采摘、部分作物花朵的授粉以及農(nóng)藥噴灑都是通過人工來完成的，但在一些高濕、高溫、有毒的環(huán)境中，不適于人工的長期作業(yè)［１］。因此自動采摘果實與代替人工授粉的智能機械需要非常突出，而這種智能機械必須基于機器視覺，它作為智能化農(nóng)業(yè)機械系統(tǒng)的信息輸入端，擔(dān)負著對信息的采集、處理與輸入任務(wù)，必須能夠通過對采集圖像的信息處理，提取出準確目標的圖像信息并加以識別，能夠分別確定所需目標、噪聲目標和假目標，且進一步分析其在整體圖像中的位置，最終使機器（計算機）依據(jù)這些信息能夠準確地實行下一步操作［２，３］。

１單目標的提取識別

對單個圖像目標的處理，采用了以顏色為優(yōu)勢特征的提取算法。算法針對目標與背景顏色的明顯差異，將圖像轉(zhuǎn)化為灰度圖像，利用從ＲＧＢ到ＨＳＶ的轉(zhuǎn)換公式：

Ｈ＝ｃｏｓ－１［■］

（其中R≠B或G≠B）

Ｓ＝１－■［min（R，G，B）］

Ｖ＝■

對調(diào)整后的灰度圖像分別計算其Ｒ、Ｇ、Ｂ分量值和Ｈ、Ｓ、Ｖ分量值，將目標特征突顯化。通過對各分量圖像的對比，選取目標突顯最為明顯的Ｒ、Ｇ和Ｖ分量灰度圖像。采用迭代法求出最佳閾值，再利用ＭＡＴＬＡＢ語言求出圖像的全局閾值［４］，得到全局閾值分割圖像，利用該閾值對各圖像分別進行閾值分割，并運用二值形態(tài)學(xué)方法對圖像進行膨脹和腐蝕處理，以完全分離花朵目標。

２多目標的提取識別

２．１多目標的分離

單個目標的提取識別處理過程相對簡單，但實際應(yīng)用中往往存在一幅圖像中出現(xiàn)多個目標的情況，因此必須進行多目標的分離，使其能夠按照單個目標提取識別方法進行處理，而且要去除噪聲目標和小目標（假目標或非需要目標），然后再對單個目標處理結(jié)果進行整合，并輸出為多個目標的處理結(jié)果。

圖１為待處理圖像，圖中有兩個目標（框①所示），并有一個假目標（框②所示）和若干噪聲目標。

依照單目標的提取識別，首先對原始圖像調(diào)整灰度值并進行R分量顯示,通過迭代法求最佳閾值，即：

第一步，求出圖像中的最小和最大灰度值及閾值初值；

第二步，根據(jù)閾值Ｔ將圖像分割成目標和背景兩部分，求出兩部分的平均灰度值。其中Ｚ（ｉ，ｊ）是圖像上（ｉ，ｊ）點的灰度值，Ｎ（ｉ，ｊ）是（ｉ，ｊ）點的權(quán)重系數(shù)，Ｎ（ｉ，ｊ）取（ｉ，ｊ）點灰度的概率；

第三步，求出新的閾值；

第四步，若閾值分割結(jié)果使目標亮點相對集中則結(jié)束，此Ｔ即為最佳閾值，否則ｋ＋１→ｋ轉(zhuǎn)第二步。

再通過最佳閾值選取最后對目標灰度圖像進行閾值分割和二值形態(tài)學(xué)操作處理，得到圖2目標結(jié)果。

2.2多目標中假目標的去除

經(jīng)過閾值分割和二值形態(tài)學(xué)操作處理后，目標圖像中的斑點噪聲已被濾除，因此在后面的操作中只要對假目標進行處理即可。該算法采用了連通域處理法，對圖像中的真假目標一同做連通域標定。

連通域分四連通或八連通。四連通是說一個像素，如果像素的位置在其他像素相鄰的上、下、左或右，則認為它們是連接著的，連通的；在左上角、左下角、右上角或右下角連接，則認為它們不連通。而八連通是指，如果和其他像素在上、下、左、右、左上角、左下角、右上角或右下角連接著，則認為它們是連通的。

算法中提出以目標圖像中最大連通域作為真實目標的基準，大于此連通域30%的目標連通域作為真實目標保留以進行下一步識別處理，而對于不足30%基準連通域的則認定為假目標而濾除。處理后的結(jié)果如圖3。

原圖中的假目標(③所示)和噪聲目標(②所示)均已被濾除，而所需目標圖像(①所示)得以保留，且目標輪廓未受影響，目標效果良好。

該步處理MATLAB實現(xiàn)的部分代碼如下：

[L,n] = bwlabel(R5,8);

n1=0;n2=0;n3=0;n4=0;n5=0;n6=0;n7=0;n8=0;n9=0;

for u=1:size(L,1)

for v=1:size(L,2)

if L(u,v)==1

n1=n1+1;

else if L(u,v)==2

n2=n2+1;

………………

end

R6=L;

figure,subplot(1,2,1);

imshow(R5);title('未濾除假目標圖像');

R6=R6-R6;

for u=1:size(L,1)

for v=1:size(L,2)

if L(u,v)>=1

R6(u,v)=1;

end

end

end

subplot(1,2,2);

imshow(R6);title('濾除假目標后圖像');

2.3目標個數(shù)的確定與位置顯示

經(jīng)過濾除處理后的二值圖像只含有所需目標，進一步處理必須要使算法能夠識別目標的個數(shù)，并進行分離，然后分別計算每個目標的中心位置，再整合為綜合結(jié)果輸出。

在圖3中可以看到，圖中目標數(shù)為兩個，按照兩個連通域?qū)Χ祱D像進行分離。目標圖像分離后分別對每一個目標圖像進行中心位置計算，逐一得出結(jié)果，然后再綜合到一張圖像中，并通過4×4矩陣膨脹顯示，結(jié)果如圖4。將中心位置標注在原二值圖像中(框①所示)，可見算法對中心位置的計算結(jié)果良好。

該步處理MATLAB實現(xiàn)的部分代碼如下：

for a=1:n

if a==1

Hmin=0;Hmax=0;Smin=0;Smax=0;

for u=1:size(R,1) %求MAX

for v=1:size(R,2)

if M1(u,v)==1

if Hmin==0

Hmin=u;Hmax=u;Smin=v;Smax=v;

………………

figure,subplot(2,2,1);imshow(R6);title('目標二值圖像');

subplot(2,2,2);imshow(M0);title('目標的中心坐標位置');

subplot(2,2,3);imshow(R3);title('目標原二值圖像');

subplot(2,2,4);imshow(R3-M0);title('目標中心在原圖像中的位置');

3小結(jié)

利用機器視覺和圖像處理技術(shù)對農(nóng)作物植株圖像進行識別提取在農(nóng)業(yè)領(lǐng)域逐步得到應(yīng)用［５］。在對多目標圖像的處理中，提出的連通域判別思想簡化了算法程序，而且在運算結(jié)果中既舍棄了無關(guān)信息，又保留了實用性強的精確信息，為每個目標的中心位置確定提供了可靠依據(jù)，并且很好地去除了假目標的干擾，在運算中取得了良好效果。

參考文獻：

［１］ 袁忠興，譚峰，尚廷義．基于機器視覺的農(nóng)田作物識別算法的研究［Ｊ］．黑龍江八一農(nóng)墾大學(xué)學(xué)報，２００８，２０（６）：８２－８５．

［２］ 田金鋒，楊榮松，任德均．基于機器視覺的產(chǎn)品噴碼識別系統(tǒng)［Ｊ］．微計算機信息，２０１０，２６（９）：１８５－１８７．

［３］ 李春雷，崔斌，吳興寬，等．基于機器視覺的噴絲頭自動化檢測方法［Ｊ］． 紡織學(xué)報，２０１０， ３１（１１）：１２６－１３０．

［４］ 趙小軍，林晨，黃柳仙，等．基于ＭＡＴＬＡＢ圖像處理的車輛檢測與識別［Ｊ］． 數(shù)據(jù)采集與處理，２００９，２４（增刊）：１４１－１４３．

［５］ 王柯，方陸明，付鋆萍． 森林火災(zāi)圖像幾何特征提取識別的算法研究［Ｊ］． 浙江林業(yè)科技，２００９，２９（６）：３８－４１．