一種快速剔除偽分枝的作物行骨架提取算法

刁智華，吳貝貝，魏玉泉，毋媛媛

(鄭州輕工業(yè)學院 電氣信息工程學院， 鄭州　450002)

?

一種快速剔除偽分枝的作物行骨架提取算法

刁智華，吳貝貝，魏玉泉，毋媛媛

(鄭州輕工業(yè)學院 電氣信息工程學院， 鄭州450002)

摘要：作物行骨架線的提取是機器視覺導航的基礎，準確提取作物行骨架也是精準施藥系統(tǒng)中一個至關重要的研究方向。為了克服傳統(tǒng)骨架提取算法中的背景單一、存在較多的冗余分支及不連續(xù)等缺點，以農(nóng)田作物行為研究對象，提出一種形態(tài)學細化和偽分支剔除相結合的實用型骨架提取算法。首先對采集到的作物行原圖像通過灰度、濾波、閾值分割操作使其轉化為二值圖像；然后將二值化后的作物行圖像先細化為單像素寬度的骨架線，再采用端點追蹤法追蹤偽分支骨架，而后剔除追蹤的毛刺或無關枝杈，保證了骨架的單一性和圓滑性，提高了作物行檢測的精度。通過與拓撲細化法和最大圓盤骨架提取算法比較，本文算法不但在去除冗余骨架的同時能保持自身良好的拓撲性和穩(wěn)定性，而且能去除多余的毛刺狀分支，同時表明該算法具有較強的穩(wěn)定性和抗干擾能力。

關鍵詞：形態(tài)學細化；偽分枝；機器視覺；精準施藥；骨架提取；導航線

0引言

圖像的骨架指的是圖像中央的骨骼部分，由于骨架能夠保持物體本身的拓撲結構信息，因此骨架一般被用于圖形的匹配和相似性度量，尤其是線條類骨架的提取在當代精準農(nóng)業(yè)中起著至關重要的作用。作物行骨架提取是線條類骨架提取的一種，是農(nóng)業(yè)機械實現(xiàn)精準施藥的基礎。本文采用的形態(tài)學細化算法的基本思想是在給定具有一定形狀的形態(tài)學算子模板(結構區(qū)域)后，依次刪除二值圖像中的邊緣像素，最后僅提取一個像素寬度的過程。

隨著時代的不斷發(fā)展，關于骨架提取算法的研究越來越多，理想細化后的骨架應位于原始紋線的中間位置，且能保持該骨架的連通性和拓撲結構。1967年，Blum[1]提出了關于骨架中軸的概念，通過尋找形狀輪廓的對稱軸來獲得形狀骨架。趙春江等[2]提出了一種具有魯棒性的骨架提取方法。萬雅娟等[3]利用改進的骨架點判斷算法迭代生長出完整的三維模型骨架，算法復雜度低、計算效率高。以上算法雖然都能提取出目標骨架，但這些理論上可行的算法在應用于實際農(nóng)田作物行時其適應性和精準度都不能滿足精準施藥系統(tǒng)的要求。而本文提出的算法彌補了傳統(tǒng)算法中背景單一、對噪聲的敏感性差等缺點，保證了骨架線的連續(xù)性和單一性。實驗結果表明：該算法不僅能保持自身良好的拓撲性和穩(wěn)定性，而且還具有較強的抗干擾能力和適應性。

1骨架提取算法

1.1　算法流程框圖

利用數(shù)學形態(tài)學進行骨架提取主要源于形態(tài)學運算中的擊中/擊不中數(shù)學變換，即給定具有一定形狀的結構元素后，順序循環(huán)地刪除滿足擊中變換的像素[4-6]。本文提出的作物行骨架提取算法以形態(tài)學細化算法為基礎，通過引入鄰接像素概念及識別偽分支骨架的方法消除了冗余像素，得到了圓滑、單一、無毛刺的作物行骨架，提高了精準施藥機械導航線識別的精準度。提取骨架線的流程如圖1所示。

1.2　改進的形態(tài)學細化算法

為后續(xù)方便解釋，本文預先給出幾個概念，并進行說明。

1)目標像素和背景像素：目標像素是指圖像二值化后對應的像素值為1的點；背景像素則相反，是指圖像二值化后像素值為0的點。

2)8鄰域像素：是指與圖像中任一目標像素周圍相鄰的8個像素，如圖2所示；目標像素O的8鄰域像素為Oj(1≤j≤8)。

3)鄰接像素數(shù)：目標像素O的鄰接像素數(shù)可用以下公式表示

其中，O9=O1；當像素Oj=1時，Nj=0，否則，Nj=1。

這時刪除目標像素O(即O=0)，依次對圖像中的每一點都進行掃描，刪除滿足以上4個條件的像素，直到圖像中的點都不可刪除為止；這時保留的骨架線寬度為一個像素。但與此同時，細化后的骨架線也會保留一些冗余分支，因此還需要相應的處理。

圖1　骨架線提取流程框圖

圖2　目標像素O的8鄰域像素

1.3　偽分枝剔除

偽分枝骨架是指作物行細化處理后不在主干線上的骨架，一般細化后的骨架都會存在冗余小分枝(即偽分枝骨架)，進一步消除細小毛刺及偽分枝骨架是提高細化和自動導航準確率的關鍵。要想去除偽分支首先要識別偽分支骨架，本文采用通過識別端點和節(jié)點的方法找分支骨架，然后通過端點與節(jié)點合并刪除從端點到節(jié)點所經(jīng)過的像素，這樣很容易就得到了無毛刺、圓滑的作物行骨架線。步驟如下：

1)識別細化后的作物行骨架線的端點和節(jié)點。判斷鄰接像素數(shù)N，當N=1時表示該像素點為端點，當N≥3時，該像素點為節(jié)點。從細化后的作物行圖像左下角開始掃描作物行骨架線，檢測每個像素點的鄰接數(shù)，尋找符合鄰接像素數(shù)N=1和N≥3的像素點。

2)從任一個端點的位置出發(fā)，逆時針掃描該端點的8鄰域像素，當該端點的8鄰域像素只有1個值為1的像素時，繼續(xù)追蹤該值為1的像素并逆時針掃描其8鄰域像素，判斷該像素點值為1的個數(shù)(即該像素點N的個數(shù))。如果N≥3停止追蹤，其所經(jīng)過的像素點為該條追蹤線的偽分枝骨架；如果N=2，則繼續(xù)追蹤，直到遇到下一個端點或節(jié)點結束這條線的追蹤。結束追蹤后其相應節(jié)點的N值減1并將追蹤過的像素點都置為背景色(即將其值置為0)。

3)遍歷整個作物行骨架線，逐次刪除偽分支骨架，直至所有骨架點的鄰接像素數(shù)N=2結束操作，剔除完成。

2算法詳細步驟

2.1　作物行圖像的預處理(步驟1)

1)圖像的灰度化處理。從大田環(huán)境下采集到的作物行圖像是彩色RGB圖像，如圖3所示。為了更好地讓作物行從背景中突顯出來，依據(jù)作物行本身具有的特點，本文采用常用的過綠灰度化處理方法[10-12]對其進行灰度化處理。由于傳統(tǒng)的過綠特征算法處理的圖像帶有很大的背景噪聲(見圖4)，干擾對目標點的處理。因此，本文在此基礎上對該方法進行了改進，改進后的算法為

其處理結果如圖5所示。比較發(fā)現(xiàn)，采用改進的算法其噪聲明顯減少且作物行與背景有了明顯的區(qū)分，對后續(xù)進行濾波操作節(jié)省了不必要的麻煩。

2)中值濾波處理。由于灰度化處理后的圖像仍然存在背景噪聲的干擾，所以本文采用3×3的濾波窗口對其進行中值濾波操作。經(jīng)實驗發(fā)現(xiàn)，當濾波次數(shù)設定為2次時濾波效果最好，如圖6所示。

(a)　　　　　　　　　　　　 (b)　　　　　　　　　　　　　 (c)　　　　　　　　　　　　　 (d)

(a)　　　　　　　　　　　　 (b)　　　　　　　　　　　　 (c)　　　　　　　　　　　　 (d)

(a)　　　　　　　　　　　　 (b)　　　　　　　　　　　　 (c)　　　　　　　　　　　　 (d)

(a)　　　　　　　　　　　　 (b)　　　　　　　　　　　　 (c)　　　　　　　　　　　　 (d)

3)二值化處理。由于本文采用的形態(tài)學細化方法只能處理二值化圖像，因此在提取作物行的骨架前將濾波處理后的灰度圖轉化為二值化圖像是形態(tài)學骨架算法能夠順利進行的基礎。結合常用的閾值分割算法的優(yōu)缺點，本文選取能自動設定閾值的OTSU算法對其進行二值化處理，減少了傳統(tǒng)算法中憑經(jīng)驗設定閾值帶來的麻煩。經(jīng)二值化后的作物行圖像僅含有黑白兩種顏色。

2.2　作物行輪廓提取(步驟2)

在農(nóng)田采集到的玉米作物行圖像經(jīng)濾波處理后雖然噪聲大大減少，但行間還存在著少許相對于作物行面積較小噪聲，影響對目標點的處理，所以在對作物行進行骨架提取操作前先提取作物行的輪廓圖像。本文結合形態(tài)學中的腐蝕和膨脹兩種運算對二值圖像進一步處理。其中，選用3×3的模板結構元素對其進行腐蝕、膨脹運算，膨脹操作可以增加作物行的有用面積，而腐蝕操作則可以使作物行向其中心靠攏，處理后的結果如圖7所示。從圖7中可以看出：作物行的行線已經(jīng)基本能顯示其走向。

2.3　作物行骨架提取(步驟3)

1)利用形態(tài)學細化算法對作物行輪廓圖像進行細化處理。

2)采用上述偽分枝骨架剔除方法從端點開始追蹤尋找冗余偽分枝像素，進一步消除細小毛刺及偽分枝骨架。

經(jīng)過上述3個步驟最終可以提取出光滑、無毛刺的作物行骨架。

(a)　　　　　　　　　　　　 (b)　　　　　　　　　　　　 (c)　　　　　　　　　　　　 (d)

3骨架提取算法的實現(xiàn)

3.1　實驗結果

本研究采用維視數(shù)字圖像技術有限公司生產(chǎn)的型號為MV-VD030SM/SC的USB2.0接口的CCD工業(yè)數(shù)字相機及艾菲特光電技術有限公司生產(chǎn)的型號為AFT-0641MP的工業(yè)鏡頭對田間自然環(huán)境下的作物行圖像進行采集，用于圖像處理的設備是一臺配置為Intel(R)Core(TM) i3，3.1GHz，2G內存的計算機，并以WIIN7系統(tǒng)下Microsoft Visual C++6.0為試驗平臺，基于MFC應用程序框架對作物行骨架提取算法進行研究和開發(fā)。圖片輸出為8位RGB彩色圖像，相機離地面的拍攝高度為1.5m，且與水平面成30°夾角。

下面以田間自然環(huán)境下采集到的4幅數(shù)字圖像為例對本文提出的算法進行效果驗證，其各自的仿真結果如圖3~圖10所示。其中，圖3中(a)(b)(c)(d)分別為韭菜、玉米、小麥、蒜苗的作物行原圖像，圖4~圖8分別是與(a)(b)(c)(d)相對應的處理結果圖像。圖9和圖10分別為采用拓撲細化法和最大圓盤骨架提取法提取出的作物行骨架圖。經(jīng)仿真結果比較，本文算法提取的骨架線圓滑、單一，且該算法受冗余分枝骨架的影響較小，實驗結果與算法分析一致。

(a)　　　　　　　　　　　　 (b)　　　　　　　　　　　　 (c)　　　　　　　　　　　　 (d)

(a)　　　　　　　　　　　　 (b)　　　　　　　　　　　　 (c)　　　　　　　　　　　　 (d)

(a)　　　　　　　　　　　　 (b)　　　　　　　　　　　　 (c)　　　　　　　　　　　　 (d)

3.2　誤差分析

為了更好地體現(xiàn)作物行的走向，本文采用Hough變換[13-16]將其骨架線擬合成直線，并對其進行偏差分析和計算。實驗所得的誤差分析數(shù)據(jù)如表1所示。表2是本文算法與拓撲細化算法和最大圓盤骨架提取算法的比較表。

從表2中可以看出：拓撲細化法得到的骨架對邊界噪聲非常敏感，容易產(chǎn)生較多的冗余分支，且骨架的位置不是準確地靠近物體的中心，產(chǎn)生的誤差也最大；而最大圓盤骨架提取不能很好地保持作物行骨架的連續(xù)性，本文提出的算法克服了兩者的缺點，算法能夠保證所抽取出的骨架具有連通性以及良好的拓撲不變性，且誤差也較小。

表1　誤差分析結果　cm

表2　3種方法比較表

4結論

通過對作物行的端點和節(jié)點進行分析，結合數(shù)學形態(tài)學細化算法，提出了一種作物行骨架提取算法，從理論和仿真試驗結果可以看出：該算法的提取結果明顯高于拓撲細化算法和最大圓盤骨架提取算法，且本文提出的算法能夠在不破壞作物行連通性的前提下保持圖像的單一性和細節(jié)特征，更不會產(chǎn)生毛刺及細化不徹底的現(xiàn)象。經(jīng)VC++6.0測試，該算法對一幅640×480像素的作物行圖像進行骨架提取的時間大約在0.6~0.75s之間，基本能夠滿足農(nóng)業(yè)精準施藥的要求。

參考文獻：

[1]Blum H.Biological shape and visual science (Part 1)[J].Journal of Theoretical Biology, 1973, 38 (2): 205-287.

[2]趙春江, 施文康, 鄧勇. 具有魯棒性的圖像骨架提取方法[J].計算機應用, 2005, 25(6): 1305- 1306.

[3]萬雅娟, 李海生, 劉璇, 等. 基于距離變換的三維連通骨架提取算法[J].計算機仿真, 2014, 31(6): 256-260.

[4]李杰, 彭月英, 元昌安, 等. 基于數(shù)學形態(tài)學細化算的圖像邊緣細化[J].計算機應用, 2012, 32(2): 514-516, 520.

[5]張宏林. 精通Visual C++ 數(shù)字圖像處理典型算法及實現(xiàn)(第2版)[M].北京: 人民郵電出版社, 2008: 317-324.

[6]袁池, 陳軍, 武濤, 等. 基于機器視覺的果樹行中心線檢測算法研究[J].農(nóng)機化研究, 2013, 35(3): 37-39,45.

[7]Rockett P I. An improved rotation-invariant thinning algorithm[J].IEEE Trans. on Pattern Analysis and Machine Intelligence, 2005, 27(10): 1671-1674.

[8]王朋, 張有光, 張爍. 指紋圖像細化的綜合化算法[J]. 2009, 21(2): 179-182,189.

[9]劉志敏. 基于數(shù)學形態(tài)學的細化算法[J].上海交通大學學報, 1998, 32(9): 15-19.

[10]胡煉, 羅錫文, 曾山, 等. 基于機器視覺的株間機械除草裝置的作物識別與定位方法[J].農(nóng)業(yè)工程學報, 2013, 29(10): 12-18.

[11]刁智華, 王會丹, 宋寅卯. 基于機器視覺的農(nóng)田機械導航線提取算法研究[J].農(nóng)機化研究, 2015, 37(2): 35-39, 45.

[12]劉陽, 高國琴. 農(nóng)業(yè)機械視覺導航基準線識別研究進展[J].農(nóng)機化研究, 2015, 37(5): 7-13.

[13]趙春江, 楊亮, 郭新宇, 等. 基于立體視覺的玉米植株三維骨架重建[J].農(nóng)業(yè)機械學報, 2010, 41(4): 157-162.

[14]慕軍營, 戚樹騰, 陳軍, 等. 自動導航系統(tǒng)在農(nóng)業(yè)中的應用及果園適用性分析[J].農(nóng)機化研究, 2014, 36(7): 6-12.

[15]Bittle I, Kaufman A E, Sato M Penalized. Distance volumetric skeleton algorithm[J].IEEE Trans Visualization and Computer Graphics, 2001, 7(3): 195-206.

[16]馬紅霞, 馬明建, 馬娜, 等. 基于Hough變換的農(nóng)業(yè)機械視覺導航基準線識別[J].農(nóng)機化研究, 2013, 35(4): 37-39, 43.

A Crop Row Skeleton Extraction Algorithm Based on Morphological Thinning and Pseudo Branch Elimination

Diao Zhihua, Wu Beibei, Wei Yuquan, Wu Yuanyuan

(Electric Information & Engineering Department, Zhengzhou University of Light Industry, Zhengzhou 450002, China)

Abstract：The skeleton extraction of the crop rows is the basis of machine vision navigation and it is a vital research in precision spraying system. In order to overcome the shortcomings of the traditional framework extraction algorithm, such as a single background, more redundant branches and not continuous, etc. This paper to crop study proposed an algorithm, which combined morphological thinning and pseudo branch elimination to extract crop rows skeleton. Firstly, the crop rows that were collected through gray, filtering, threshold segmentation operation to convert it to binary contour map. Then the crop row image of binarization was refined to a single pixel width line. And then the endpoint tracking method is used to track the pseudo branch skeleton. At the same time, the tracing burr or unrelated branches were deleted, which ensured the singleness and smooth of the skeleton and improved the accuracy of crop rows detection. Compared with the traditional method based on topology refinement and maximum disk skeleton extraction algorithm, the algorithm that is proposed in this paper the algorithm could not only remove the redundant skeleton, but also could maintain its good topology, and it also shows that the algorithm has good stability and anti-jamming capability.

Key words：morphological thinning； pseudo branch； machine vision； precision spraying； skeleton extraction； navigation line

中圖分類號：S127；TP391.41

文獻標識碼：A

文章編號：1003-188X(2016)09-0017-06

作者簡介：刁智華(1982 -)，男，河南夏邑人，副教授，博士，(E-mail)diaozhua@163.com。

基金項目：國家農(nóng)業(yè)智能裝備工程技術研究中心開放基金項目(KFZN2012W12-012)；河南省科技廳重點科技攻關項目(132102110150)；鄭州市科技局普通科技攻關項目(131P PTGG411-13)；鄭州輕工業(yè)學院研究生科技創(chuàng)新基金項目(2014003)

收稿日期：2015-08-23