大田作物長勢監(jiān)控圖像中綠色植物的識(shí)別方法

王思樂　楊文柱　盧素魁

摘要：為實(shí)現(xiàn)對大田作物長勢的智能監(jiān)控，對監(jiān)控圖像中綠色植物的識(shí)別方法進(jìn)行了研究，提出了一種基于HSV和顏色離差決策樹的綠色植物識(shí)別方法。將采集的圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間，實(shí)現(xiàn)圖像顏色屬性與亮度屬性的分離，解決由于自然光拍攝條件產(chǎn)生的圖像亮度變化問題；通過構(gòu)建基于HSV和顏色離差的決策樹，實(shí)現(xiàn)綠色植物與玉米秸、麥秸、地膜、黃土、紅土、黑土、灰燼等背景元素的分離，解決由于大田拍攝環(huán)境造成的圖像背景復(fù)雜問題。試驗(yàn)結(jié)果表明，本方法能夠正確識(shí)別大田作物長勢監(jiān)控圖像中的綠色植物，能夠較好地適應(yīng)野外大田環(huán)境造成的圖像亮度變化和復(fù)雜背景。

關(guān)鍵詞：大田作物；綠色識(shí)別；決策樹；HSV；顏色離差

中圖分類號(hào)： TP391.41文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2015）11-0478-05

收稿日期：2015-04-17

基金項(xiàng)目：國家國際科技合作專項(xiàng)（編號(hào)：2013DFA11320）。

作者簡介：王思樂（1971—），男，河北保定人，講師，主要從事計(jì)算機(jī)應(yīng)用與模式識(shí)別方向研究。E-mail：fontain@163.com。

通信作者：楊文柱，教授，碩士生導(dǎo)師。E-mail：wenzhuyang@hbu.edu.cn。1研究背景

精細(xì)農(nóng)業(yè)的核心是實(shí)時(shí)獲取農(nóng)田區(qū)塊的土壤和農(nóng)作物信息、診斷作物長勢，并對地塊進(jìn)行準(zhǔn)確的灌溉、施肥、噴藥等農(nóng)業(yè)活動(dòng)，最大限度地提高水、肥和殺蟲劑的利用效率，獲得最佳的經(jīng)濟(jì)效益和生態(tài)效益[1-3]。

大田作物長勢分析是精細(xì)農(nóng)業(yè)的一個(gè)重要研究內(nèi)容，目的是為施肥、灌溉、殺蟲等農(nóng)業(yè)活動(dòng)提供準(zhǔn)確的決策依據(jù)。遙感和基于田間相機(jī)的監(jiān)控[4-9]是實(shí)現(xiàn)作物長勢分析的2種主要途徑。遙感利用衛(wèi)星或飛機(jī)獲取作物的長勢圖像，而基于相機(jī)的監(jiān)控則通過直接在田間設(shè)置觀測攝像頭獲取作物的長勢圖像。遙感的分辨率較低，但觀測面積大，比較適合進(jìn)行大區(qū)域的作物長勢監(jiān)控；基于相機(jī)的監(jiān)控分辨率較高，卻觀測面積有限，適合進(jìn)行地塊級(jí)的精確監(jiān)控。本研究選擇基于田間相機(jī)的監(jiān)控方式，通過對田間相機(jī)采集的作物長勢圖像進(jìn)行分析，找出圖像中的綠色植物，為后續(xù)的作物長勢分析提供基礎(chǔ)數(shù)據(jù)。

大田作物的長勢監(jiān)控圖像拍攝于野外環(huán)境，因此圖像的亮度、對比度等容易受天氣、時(shí)間的影響；大田環(huán)境復(fù)雜，土壤顏色多變，且土壤表面可能覆蓋麥秸、玉米秸、秸稈灰燼、地膜等，這些因素都使得從監(jiān)控圖像中正確識(shí)別出其中的綠色植物變得極其困難。

為解決上述難題，很多科學(xué)家正在積極研究如何在復(fù)雜的大田作物長勢監(jiān)控圖像中準(zhǔn)確地識(shí)別出其中的綠色植物[10-15]。目前較典型的方法是基于可見光譜因子的方法，如超綠因子法（the Excess Green index，簡稱ExG），超綠減紅因子法（the Excess Green minus Excess Red index，簡稱ExGR），植被指數(shù)法（the Vegetative index，簡稱VEG），植被顏色指數(shù)抽取法（the Color Index of Vegetation Extraction，簡稱CIVE），綜合指數(shù)法（the Combined index，簡稱COM）等[16]。

基于可見光譜因子的識(shí)別方法這樣的事實(shí)，即在歸一化的RGB顏色空間中，綠色植物總是擁有比其他元素更大的綠色因子。得到圖像的綠色因子矩陣后，通過閾值分割就能得到其中的綠色植物。基本原理如下：

通過計(jì)算圖像中每個(gè)像素的可見光譜因子，得到1個(gè)與圖像大小相同的矩陣；將這個(gè)矩陣看作灰度圖像，對它進(jìn)行閾值分割，就可以得到圖像中的綠色植物。

上述方法都假設(shè)圖像具有正常的對比度，圖像中的綠色植物為明亮的綠色，且背景只有單一的土壤，但事實(shí)上這個(gè)假設(shè)并不總是成立。實(shí)際拍攝的大田作物圖像，其對比度受天氣和拍攝時(shí)間的影響很大，比如晴天時(shí)亮度和對比度較高，而陰天時(shí)較低；植物的顏色也不總是明亮的綠色，而是與作物生長狀態(tài)（如健康、患病、缺肥、干旱、蟲害等）密切相關(guān)；圖像的背景也不僅僅是單一的土壤，大田的土壤可能是黑土、黃土或紅土，土壤表面可能覆蓋著麥秸、玉米秸、灰燼或地膜等。上述因素導(dǎo)致基于可見光譜因子的方法在某些情況下失效，因此亟需尋找一種能夠適應(yīng)大田環(huán)境的綠色植物識(shí)別方法。

2材料與方法

大田玉米苗圖像見圖1，由索尼相機(jī)拍攝，拍攝地點(diǎn)在河北省保定市滿城縣-玉米農(nóng)田。分別選擇了晴天、陰天2種天氣狀況進(jìn)行拍攝，拍攝包括單一土壤背景、帶有灰燼的土壤背景、帶有麥秸的土壤背景、帶有玉米秸的土壤背景4種情況，拍攝時(shí)間為2014年6月，2次拍攝間隔大約為1周，第1次拍攝時(shí)為晴天，第2次拍攝時(shí)為陰天。通過觀察發(fā)現(xiàn)，圖像中玉米苗的顏色有從深綠色到亮綠色的變化，且還包括反光情況。

采集的圖像為3 264×6 488的RGB彩色圖像，存儲(chǔ)格式為JPG格式。

3圖像元素的HSV分布分析

為解決基于可見光譜因子的綠色植物識(shí)別方法容易受圖像亮度變化的影響，選擇在HSV（Hue，Saturation，Value）顏色空間進(jìn)行綠色識(shí)別。在該顏色空間，某物體的顏色屬性不受亮度變化的影響[18]。在一般情況下，綠色的色調(diào)值范圍一般在60～180之間。在理想情況下，僅通過判斷像素的色調(diào)值就能斷定該像素是否為綠色像素。但大田中拍攝的玉米苗圖像，其顏色從深綠到亮綠不等，取決于玉米苗的生長狀態(tài)、拍攝時(shí)間、拍攝時(shí)的天氣狀況等各種因素。除此之外，大田的復(fù)雜背景也使得綠色植物的識(shí)別變得異常困難。因此，有必要分析大田作物長勢監(jiān)控圖像中各種圖像元素的色調(diào)H、飽和度S、亮度V的分布情況，為綠色作物識(shí)別提供判斷依據(jù)。

選擇玉米苗圖像中的深綠、嫩綠、反光的玉米苗，黑色、黃色、紅色的土壤，灰燼、地膜、麥秸、玉米秸等10種典型元素作為分析對象，其色調(diào)H、飽和度S、亮度V的典型分布曲線見圖2至圖4 。

從圖2可以看出，玉米苗的色調(diào)值在35～135之間，玉米秸的色調(diào)遠(yuǎn)大于135，意味著通過色調(diào)可以很容易地區(qū)分玉米苗、玉米秸。地膜、黃土、紅土的色調(diào)遠(yuǎn)小于35，表明通過色調(diào)也可以輕易地區(qū)分玉米苗與地膜、黃土、紅土。但對于麥

秸、灰燼、黑土，它們的色調(diào)與某些玉米苗的色調(diào)很接近，甚至存在交叉，因此，僅通過色調(diào)就不能區(qū)分玉米苗和麥秸、灰燼、黑土了，必須綜合其他屬性。

從圖3、圖4可以看出，盡管麥秸的色調(diào)與玉米苗接近甚至存在交叉，但它們的飽和度、亮度卻存在較大差異。通過綜合判斷色調(diào)、飽和度、亮度可以區(qū)分玉米苗和麥秸。至于灰燼和黑色土壤，利用HSV屬性已經(jīng)無法將其與玉米苗正確分開。考慮到灰燼和黑色土壤都具備灰度圖像特征，而玉米苗具有彩色圖像特征，可以利用這種差異性將玉米苗跟灰燼和黑色土壤區(qū)分開。

4圖像元素的顏色離差分析

在RGB顏色空間中，具有灰度圖像特征的像素意味著它們具有幾乎相等的R、G、B值。在RGB彩色空間形成的立方體中，具備R=G=B特征的立方體對角線，稱為“灰度軸”；在灰度軸上的像素是純灰色像素。所有具有彩色特征的像素，在RGB顏色空間的分布，都或多或少地偏離了灰度軸。

定義RGB顏色空間中任意像素p在灰度軸上的映像為Ep：

Ep=（Rp+GP+Bp）/3。（8）

定義RGB顏色空間中任意像素p偏離灰度軸的程度為“顏色離差”，用Dp表示：

Dp=|Rp-Ep|+|Gp-Ep|+|Bp-Ep|。（9）

不同圖像元素的顏色離差分布曲線見圖5。從圖5可以看出，所有綠色的玉米苗都具有較大的顏色離差，而灰燼和黑色土壤的顏色離差較小，這使得我們利用顏色離差區(qū)分綠色玉米苗與灰燼、黑色土壤成為可能。

5基于決策樹的綠色識(shí)別方法

通過上述分析可知，利用圖像的H、S、V屬性和顏色離差建立決策樹，可以正確區(qū)別綠色的玉米苗和其他背景元素。構(gòu)造的決策樹見圖6。

圖7中的判斷條件為玉米苗識(shí)別的經(jīng)驗(yàn)值，為體現(xiàn)方法的一般性，將本方法形式化地描述如下：

5.1玉米秸、地膜、黃土、紅土的去除

令H、S、V分別表示圖像的色調(diào)、飽和度、亮度。定義去除了玉米秸、地膜、黃土、紅土后的色調(diào)分量H1 如下：

式中：h1 是綠色植物的最小色調(diào)值，h2是綠色植物的最大色調(diào)值。

5.2麥秸的去除

盡管麥秸的色調(diào)范圍與綠色植物的色調(diào)范圍重疊，但它們有不同的飽和度和亮度。定義去除了麥秸后的色調(diào)分量H2 如下：

式中：h1w是麥秸的最小色調(diào)值，h2w是其最大色調(diào)值，s1w是其最小飽和度值，s2w是其最大飽和度值，v 是其最小亮度值。

5.3灰燼、黑土的去除

盡管灰燼和黑土通過H、S、V屬性無法與綠色植物精確區(qū)分，但由于灰燼和黑土具有灰度圖像特點(diǎn)，而綠色植物具有彩色圖像特點(diǎn)，從而使得利用顏色離差區(qū)分它們成為可能。定義通過顏色離差去除掉灰燼和黑土像素的色調(diào)分量H3如下：

H3=0D式中：D 是顏色離差，Td是用于區(qū)分綠色植物與灰燼和黑土的閾值。

5.4綠色植物的識(shí)別

將經(jīng)過上述處理的色調(diào)分量看作灰度圖像，對其進(jìn)行閾值分割，就得到了代表綠色植物的目標(biāo)圖像G：

式中：h1是綠色植物的最小色調(diào)值，與公式（10）中的含義相同。

6結(jié)果與分析

本試驗(yàn)使用在不同環(huán)境狀況下采集的大田玉米苗圖像作為材料（圖1），對本方法進(jìn)行了驗(yàn)證，同時(shí)與基于可見光譜因子的綠色植物識(shí)別方法進(jìn)行了對比。

算法利用Matlab實(shí)現(xiàn)，Matlab版本為R2009b。計(jì)算機(jī)的操作系統(tǒng)為Windows 7，計(jì)算機(jī)處理器為Intel Core i5，內(nèi)存容量為4 GB。

6.1本方法的識(shí)別結(jié)果

利用本方法對圖1中的大田玉米苗圖像進(jìn)行識(shí)別，結(jié)果見圖7。

試驗(yàn)結(jié)果表明，本研究提出的方法可以正確識(shí)別出圖像中的玉米苗，而不論拍攝時(shí)的天氣如何，也不管背景多么復(fù)雜。

6.2大津法（Otsu方法）識(shí)別結(jié)果

大津法（也稱作Otsu法，最大類間方差法）是最常用的圖像分割方法。從大津法對圖1所示圖像的分割結(jié)果（圖8）可以看出，所有圖像都未能正確分割。結(jié)果表明，大津法不適合處理野外拍攝的大田作物圖像。

6.3基于可見光譜因子的識(shí)別結(jié)果

ExG、ExGR、VEG、CIVE、COM 對圖1中圖像的部分識(shí)別結(jié)果見圖9。試驗(yàn)結(jié)果表明，可見光譜因子法可以正確識(shí)別大部分圖像中的綠色植物，但也存在部分無法正確識(shí)別的圖像，其中ExG、CIVE無法正確處理背景含有麥秸的圖像，EXGR、COM無法正確處理背景中含有麥秸和灰燼的圖像（圖9）。VEG無法正確處理圖1中的所有圖像。

7結(jié)語

針對野外拍攝的大田作物長勢監(jiān)控圖像由于受光照強(qiáng)度、背景等影響難以正確識(shí)別問題，對大田作物長勢監(jiān)控圖像中綠色植物的識(shí)別方法進(jìn)行了初步探索。使用基于HSV屬性和顏色離差的決策樹實(shí)現(xiàn)了綠色植物的識(shí)別。試驗(yàn)結(jié)果表明，本方法能夠正確識(shí)別大田作物長勢監(jiān)控圖像中的綠色植物，比其他識(shí)別方法更能適應(yīng)野外環(huán)境造成的亮度變化和復(fù)雜背景。

不足之處是所用的決策樹判定條件是試驗(yàn)獲得的經(jīng)驗(yàn)值；如何自動(dòng)選擇判定條件是下一步需要研究的工作。

參考文獻(xiàn)：

[1]王鳳花，張淑娟. 精細(xì)農(nóng)業(yè)田間信息采集關(guān)鍵技術(shù)的研究進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39（5）：112-121，111.

[2]劉向鋒，孟志軍，陳競平，等. 作物病蟲害信息采集與遠(yuǎn)程診斷系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2011，32（7）：2361-2364，2408.

[3]Pierpaoli E，Carli G，Pignatti E，et al. Drivers of precision agriculture technologies adoption：a literature review[J]. Procedia Technology，2013，8 （8）：61-69.

[4]Yu Z H，Cao Z G，Wu X，et al. Automatic image-based detection technology for two critical growth stages of maize：emergence and three-leaf stage[J]. Agricultural and Forest Meteorology，2013（174/175）：65-84.

[5]Xiang H T，Tian L. An automated stand-alone in-field remote sensing system （SIRSS） for in-season crop monitoring[J]. Computers and Electronics in Agriculture，2011，78（1）：1-8.

[6]Duveiller G，Baret F，Defourny P. Remotely sensed green area index for winter wheat crop monitoring：10-Year assessment at regional scale over a fragmented landscape[J]. Agricultural and Forest Meteorology，2012 （166/167）：156-168.

[7]Yang C H. A high-resolution airborne four-camera imaging system foragriculturalremotesensing[J].ComputersandElectronicsin

Agriculture，2012，88：13-24.

[8]Yuping M，Shili W，Li Zhang，et al. Monitoring winter wheat growth in North China by combining a crop model and remote sensing data[J]. International Journal of Applied Earth Observation and Geoinformation，2008，10（4）：426-437.

[9]Lee K J，Lee B W. Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis[J]. European Journal of Agronomy，2013，48：57-65.

[10]韓文霆，李敏，陳微. 作物數(shù)字圖像獲取與長勢診斷的方法研究[J]. 農(nóng)機(jī)化研究，2012（6）：1-6.

[11]Fernandez-Pacheco D G，Escarabajal-Henarejos D A，Conesa J，et al. A digital image-processing-based method for determining the crop coefficient of lettuce crops in the southeast of Spain[J]. Biosystems Engineering，2014，117（SI）：23-34.

[12]Wang J，Li X，Lu L，et al. Estimating near future regional corn yields by integrating multi-source observations into a crop growth model[J]. European Journal of Agronomy，2013，49：126-140.

[13]張志斌，羅錫文，臧英，等. 基于顏色特征的綠色作物圖像分割算法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27（7）：183-189.

[14]李志臣，姬長英，安秋. 基于顏色特征的作物與背景分割的對比研究[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2008，39（9）：117-124.

[15]齊平. 基于圖像處理的雜草識(shí)別研究[D]. 成都：西華大學(xué)，2010.

[16]Montalvo M，Guerrero J M，Romeo J，et al. Automatic expert system for weeds/crops identification in images from maize fields[J]. Expert Systems With Applications，2013，40（1）：75-82.

[17]Romeo J，Pajares G，Montalvo M，et al. A new Expert System for greenness identification in agricultural images[J]. Expert Systems With Applications，2013，40（6）：2275-2286.

[18]Chaves-Gonzalez J M，Vega-Rodriguez M A，Gomez-Pulido J A，et al. Detecting skin in face recognition systems：A colour spaces study[J]. Digital Signal Processing，2010，20（3）：806-823.張東虞，曹衛(wèi)彬，楊弈卓. 基于模糊自整定PID控制的奶牛飼喂裝置溫控系統(tǒng)的設(shè)計(jì)[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（11：492-494.