基于顏色和形狀的茶葉計算機(jī)識別研究

韋波（廣西機(jī)電職業(yè)技術(shù)學(xué)院計算機(jī)與信息工程系，廣西南寧530007）

?

基于顏色和形狀的茶葉計算機(jī)識別研究

韋波
（廣西機(jī)電職業(yè)技術(shù)學(xué)院計算機(jī)與信息工程系，廣西南寧530007）

摘要：本文先對茶葉圖像采集進(jìn)行了簡要介紹，再從茶葉顏色和形狀特征分析、以顏色特征為基礎(chǔ)的茶葉葉片圖像分割、以形狀特征為基礎(chǔ)的嫩芽提取這三個方面對茶葉嫩芽識別方法作了具體分析，最后對計算機(jī)識別茶葉形狀作了闡述，以期為相關(guān)研究提供一定的參考意見。

關(guān)鍵詞：茶葉；計算機(jī)識別；顏色；形狀

目前我國對茶葉顏色和形狀的計算機(jī)識別研究還相對較少，更多的都是將計算機(jī)識別這一方式運用于田間雜草識別或者植物葉片的形狀識別之上。因此，加強(qiáng)對茶葉顏色、形狀及其各方面特征進(jìn)行計算機(jī)識別研究就顯得尤為必要。

1　茶葉圖像采集

用索尼（R）DSC系列T900型號的相機(jī)在白色背景下拍攝一幅陜西省西鄉(xiāng)縣所盛產(chǎn)的“午子仙毫”照片，拍攝時間在清明期間，并且在拍攝過程中，相機(jī)是正對著枝條的，茶葉的枝條也是朝上的。所拍攝圖像的尺寸為：521×521（像素）。

1.1在顏色和形狀基礎(chǔ)上所進(jìn)行的茶葉計算機(jī)識別研究

1.1.1茶葉顏色和形狀特征分析

圖1

圖片說明：圖1（a）為原始的彩色圖像；圖1（b）為紅色的R分量圖像；圖1（c）為綠色的G分量圖像；圖1（d）為藍(lán)色的B分量圖像。

如上圖1（a）所示，是所采集到的茶葉枝條的彩色圖像，通過觀察可知，茶葉的新葉顏色比較淺，其G分量特征也較為明顯。而圖1 （b）、圖1（c）和圖1（d）分別為所提取的R分量圖像、G分量圖像和B分量圖像。從圖中可以看出，在G分量圖像中，是能夠清晰地分便出新葉和老葉的，R分量圖像的可辨別性就稍微欠缺，B分量圖像是很難進(jìn)行新老葉分辨的。所以，在對彩色圖像進(jìn)行灰度圖像轉(zhuǎn)換時，僅需提取G分量即可，直接將R分量和B分量省去。

通過對灰度直方圖的觀察可知，圖中一共有四個波峰，在50級附近有兩個，150級有一個，180級有一個。因為前面兩個波峰之間相距較近，并且其跨度也比較小，為了使計算更加簡化，于是，便將其近似地看成一個波峰，直接將第二個波峰忽略掉，但是灰度值仍舊采用第一個波峰的，即50級。灰度值的第一個波峰的左側(cè)，也就是0—50級這一區(qū)間，其像素對應(yīng)的是圖1（c）中老葉片與葉柄這兩個部位?；叶戎堤幵诘谝粋€波峰與第二個波峰之間，即50—150級這一區(qū)間，其像素所對應(yīng)的是圖1（c）中嫩葉與部分葉脈的部位?；叶戎堤幵诘诙€波峰右側(cè)，即大于150級的這一區(qū)間，其像素對應(yīng)的圖是圖1 （c）中灰色背景部位。并且都集中在最右波峰，即180級處。

基于茶葉形狀特征分析，圖1中，縱向觀察，所有新葉（a）（嫩芽也包括在其中）通常都處于一個高水平位置，葉片較為細(xì)長，但寬度窄于老葉。鮮嫩的芽尖部位是這一整幅圖像至高點，兩邊各有一片新葉，故此，也常稱之為“兩瓣一心”?！耙恍摹奔此^的嫩芽中心，“兩瓣”則是指分布在嫩芽這一中心兩側(cè)的兩片新葉。在人工進(jìn)行高質(zhì)量茶葉的采摘時，因為這兩瓣新葉的質(zhì)量相對較低，所以通常都只采集其中的“一心”，而不采集“兩瓣”。本文就是利用計算機(jī)圖像對比處理法對“一心”進(jìn)行位置識別，以為研究自動化材質(zhì)的高質(zhì)量茶葉采摘設(shè)備提供一定的理論依據(jù)和技術(shù)支持。

1.1.2以顏色特征為基礎(chǔ)進(jìn)行的茶葉葉片圖像分割

在進(jìn)行老新葉分割時，通常采用閾值分割法，其分割結(jié)果大多由閾值大小決定。針對分割閾值的比較和確定方面，我國的研究成果還比較多。從上文對茶葉顏色所做的討論分析可以知道，在整個嫩芽初識、辨認(rèn)過程中，存在兩個極為關(guān)鍵的閾值。如下，是在灰度直方圖存在多峰值基礎(chǔ)上提出的雙閾值的確定方法。

設(shè)圖像的灰度級為M，其中，灰度級是i的這一像素點的數(shù)量是ni，那么，總體像素的數(shù)量則為：

首先，選取（M/2）當(dāng)作硬閾值，對圖像灰度級進(jìn)行分級，分為高灰度值和低灰度值這兩個部分。

其次，當(dāng)灰度級的區(qū)域灰度值處于（0，M/2）范圍時，可求出包含了像素最大點的對應(yīng)灰度級t1，如下：

最后，同理可知，在灰度級是（M/2，M-1）這一高灰度值區(qū)域，可求出包含了最多像素點的相應(yīng)灰度級t2，如下：

上述式子中，t2為圖中表示的相應(yīng)閾值T2。

結(jié)合圖1（c）中所表示的圖像，通過上述的算法，可以得出，閾值T1為59，閾值T2為182?？梢?，這與視覺觀察分析所得出的結(jié)果是完全一致的。用閾值為59的T1對圖1（c）中所示的圖像加以分割，便可提取出低于閾值的相應(yīng)灰度圖像。為了使后續(xù)處理更加方便，再對其進(jìn)行一次二值化處理，便可對老葉進(jìn)行完整分割。

2　以形狀特征為基礎(chǔ)的嫩芽提取

詳細(xì)對比分析可知，囊括所有嫩芽在內(nèi)的新芽部分是指從老葉邊緣往上計算的所有部分。所以，可以通過葉片邊緣的整體輪廓進(jìn)行提取。首先，就是要對老葉上邊緣的輪廓進(jìn)行提取。具體提取方法如下：

第一步，將圖像左下角定為坐標(biāo)原點，默認(rèn)是（0，0）。

第二步，以圖象的左上角作為掃描起點，對整體圖象進(jìn)行逐一詳細(xì)地掃描，直到將老葉的葉片上邊緣輪廓清晰檢測出來為止，檢測出來之后，記下該點坐標(biāo)的精確值。對老葉邊緣輪廓進(jìn)行確定的具體方法如下：

上述式子中，B（i）是指所記錄的縱向第i列邊緣的相應(yīng)坐標(biāo)值，如果該縱列中，沒有出現(xiàn)邊緣輪廓像素，則可將其記錄成0。

而所指的Tbw（j，i）是圖中j行列i所顯示的像素精確值，其中，1代表的背景為白色，而0則代表葉子為黑色。

消減運算完成之后，便可得知老葉邊緣的具體輪廓，此輪廓表示的是老、新葉的分割分界線，在該輪廓線外延的部分均為新葉。

如下圖2所示，為分割出的結(jié)果。由圖可知，新葉已經(jīng)被分割完全了。通過對比進(jìn)行分析可知，茶葉中心的葉柄是因其這些突變點的最主要因素，并不會對新葉外圍輪廓的檢測造成影響，所以，在此處，完全可以不用進(jìn)行消噪處理，這樣一來，計算機(jī)的運行時間就能得到大幅度縮減。

圖2　被分割出來的新葉

最后運用類似的老葉邊緣輪廓檢測法對圖2進(jìn)行掃描檢測，提取出新葉的具體邊緣。圖2所示的圖像為灰度圖像，其像素值在0-225這一區(qū)間當(dāng)中。其具體的計算方法如下。

默認(rèn)左下角為坐標(biāo)原點（0，0），從坐標(biāo)原點開始對圖2中的圖像的進(jìn)行精確掃描，觀察圖2可知，其左右兩邊都沒有葉片，為了使計算量減少，只需對第20～（512-20）列進(jìn)行處理即可，直到將新葉葉片的上邊緣檢測出來為止，然后記下該處的具體坐標(biāo)值，再對其加以計算。

接下來，便可對其中心“一心”部位進(jìn)行提取，具體操作方法如下所示。

首先，在對葉片形狀進(jìn)行比對分析的基礎(chǔ)上，抽取至高點，也就是抽出茶葉頂端，即鮮嫩茶葉的芽尖部位。具體統(tǒng)計方法如下：

上述式子中，P（i）是指由計算分析所得出的至高點的坐標(biāo)精確值。

其次，根據(jù)所求出的P（i）所相應(yīng)的列朝著兩側(cè)水平移動，并計算出嫩芽根部的精確縱坐標(biāo)，如下：

上述式子中，P'（i）為嫩芽左側(cè)根部的縱坐標(biāo)值，P'2（i）為嫩芽右側(cè)根部的縱坐標(biāo)值。

最后，可得出，“一心”根部的縱坐標(biāo)值為：

3　結(jié)束語

實驗的結(jié)果表明，在對茶葉的顏色特征進(jìn)行提取時，能夠?qū)⑿氯~與老葉差異清晰區(qū)分出來的是茶葉葉片的綠色分量圖。在顏色特征基礎(chǔ)上計算出來的閾值能夠?qū)先~圖像進(jìn)行分割。對茶葉嫩芽的形狀特征進(jìn)行分析之后，提取出其他將要對比的茶葉邊緣具體輪廓，便能夠完整地識別出茶葉嫩芽所在位置，并且其準(zhǔn)確率相對較高，能夠達(dá)到94%，每幅圖像的計算耗時約為0.45s，能夠在一定程度上滿足實時識別要求。

參考文獻(xiàn)

[1]汪建,杜世平.基于顏色和形狀的茶葉計算機(jī)識別研究[J].茶葉科學(xué),2011,06.

[2]楊福增,楊亮亮,田艷娜,楊青.基于顏色和形狀特征的茶葉嫩芽識別方法[J].農(nóng)業(yè)機(jī)械學(xué)報,2010,S1.

作者簡介：韋波（1983-），男，壯族，廣西柳江人，本科，講師、工程師，研究方向：計算機(jī)技術(shù)應(yīng)用。