基于OpenCV精準(zhǔn)對靶施藥系統(tǒng)視覺模塊設(shè)計(jì)

李梅竹　王勝

摘 要：針對葡萄種植中切根蟲的危害，采用基于OpenCV的圖像處理方法設(shè)計(jì)葡萄樹干精準(zhǔn)對靶施藥系統(tǒng)的視覺模塊。通過圖像處理實(shí)驗(yàn)，得出基于mean shift 的圖像分割結(jié)果，邊緣檢測結(jié)果以及直線檢測結(jié)果。實(shí)驗(yàn)結(jié)果證明該模塊設(shè)計(jì)可有效的區(qū)別出葡萄園中彎曲的葡萄樹干和筆直的樹樁。

關(guān)鍵詞：OpenCV；視覺模塊；圖像處理

中圖分類號：TP23 文獻(xiàn)標(biāo)識碼：A

1 引 言

對于世界葡萄種植來說，切根蟲（一種夜蛾的幼蟲）是危害葡萄樹生長的主要害蟲之一。精準(zhǔn)對靶施藥系統(tǒng)可在葡萄樹干上施加一個(gè)均勻的、寬度大于等于20cm的“障礙藥帶”，可有效的阻止切根蟲夜晚從樹根爬到樹冠啃食新芽。由于在實(shí)際葡萄園中，每隔幾棵葡萄樹就會立一根樹樁拉著鐵絲牽引葡萄藤，所以在施藥時(shí)需要區(qū)分筆直的樹樁和彎曲的葡萄樹干，避免不必要的施藥。因此本文基于OpenCV的圖像處理方法進(jìn)行精準(zhǔn)對靶施藥系統(tǒng)視覺模塊設(shè)計(jì)。

2 基于OpenCV的圖像處理

OpenCV軟件由C函數(shù)以及C++函數(shù)組成，可以進(jìn)行例如特征檢測、目標(biāo)分割、三維重建等圖像分析。在圖像處理、計(jì)算機(jī)視覺等方面，OpenCV起到了無可取代的重要作用。在不遠(yuǎn)的將來，OpenCV對工業(yè)、航天、軍事、人機(jī)對話等領(lǐng)域都起到了及其關(guān)鍵的作用。隨著圖像分析、視覺技術(shù)的發(fā)展，OpenCV將逐漸適用于更多的場合[1]。本文研究中采用計(jì)算機(jī)視覺技術(shù)，通過CCD攝像頭采集圖片，使用OpenCV來檢測采集到的葡萄樹干和木樁圖片的外輪廓線，從而判斷噴藥設(shè)備前方的物體是彎曲的葡萄樹干還是筆直的木樁，若判定為彎曲的葡萄樹干則噴藥，若判定為筆直的木樁，則發(fā)出信號，讓拖車?yán)^續(xù)前行。

2.1 圖像預(yù)處理

在進(jìn)行輪廓檢測前，首先要對采集到的葡萄樹干和木樁的圖片進(jìn)行預(yù)處理，主要是進(jìn)行形態(tài)學(xué)去噪以及圖像平滑處理[2]。

2.1.1 形態(tài)學(xué)去噪

數(shù)學(xué)形態(tài)學(xué)，其本質(zhì)是通過一些方法實(shí)現(xiàn)圖像處理，比如：利用結(jié)構(gòu)元素提取圖像形狀等。數(shù)學(xué)形態(tài)學(xué)的基本操作有兩種：膨脹和腐蝕。膨脹使圖像區(qū)域變大，可以實(shí)現(xiàn)小空間和縫隙的填充。腐蝕使圖像區(qū)域變小，可以用來去掉圖像菱角。膨脹和腐蝕兩者沒有互為逆運(yùn)算，可以結(jié)合使用，對圖像先膨脹再腐蝕，或者先腐蝕再膨脹。前一種運(yùn)算稱為閉運(yùn)算，后一種稱為開運(yùn)算。兩種運(yùn)算在數(shù)學(xué)形態(tài)學(xué)中都很重要。閉運(yùn)算可以彌補(bǔ)裂縫、填補(bǔ)孔洞，開運(yùn)算可以去除毛刺和孤立小點(diǎn)，兩種運(yùn)算對物體的形狀和位置不造成改變。本文中先用CCD相機(jī)拍攝照片，然后對照片進(jìn)行閉運(yùn)算和開運(yùn)算，使輪廓平滑，沒有毛刺和缺口。

2.1.2 利用中值濾波進(jìn)行圖像平滑處理

圖像平滑處理多用于減少圖像噪聲，是數(shù)字圖像處理技術(shù)的一種。對于在葡萄種植園中采集到的葡萄樹干或者木樁的圖片，由于場地等的原因，不可避免的存在許多噪聲，進(jìn)行平滑處理時(shí)最重要的是要保持葡萄樹干或者木樁輪廓的清晰，還可以去除高頻噪聲，綜合考慮，我們選擇中值濾波。

中值濾波屬于非線性濾波，它可以抑制圖像噪聲和脈沖干擾，保護(hù)圖像，使圖像的邊緣不變模糊。也可以將圖像的灰度信息保留的更多，提高對圖像輪廓檢測的質(zhì)量[3]。

2.2 基于mean shift 的圖像分割

mean shift 是通過迭代，運(yùn)用非參數(shù)進(jìn)行概率密度估算的方法?；谠砗唵?、參數(shù)少、不需要預(yù)處理等特點(diǎn)，mean shift 主要被運(yùn)用在追蹤目標(biāo)、分割圖像等方向[4]。使用mean shift 進(jìn)行圖像分割可以被當(dāng)作特征空間聚類問題處理，因?yàn)楸贿x取的空間的色彩、灰度、梯度不同，概率密度函數(shù)將會梯度上升，mean shift 沿著該方向找到局部最大值，可是將具特征類似的向量分割開來，歸為一類。

2.3 邊緣檢測

邊緣檢測多是指檢測圖像中灰度或者亮度變化最大的部位，一般是指前景、背景的交界處，這些部位會導(dǎo)致數(shù)學(xué)算法模型中的一階導(dǎo)數(shù)不連續(xù)，所以需要利用圖像的階梯函數(shù)，以此來求圖像的邊緣[5]。用的最多的方法有：Roberts 算子、Sobel 算子、Prewitt 算子和Canny 算子。

由于Canny 算子既用到了一階導(dǎo)數(shù)，也用到了二階導(dǎo)數(shù)，所以它的結(jié)果更加精確，因此本文運(yùn)用Canny 算子對圖像邊緣進(jìn)行檢測。對于圖像處理，先對原圖進(jìn)行灰度處理，然后通過Canny 算子就可以將圖片中的物體輪廓較為精準(zhǔn)的找出。

運(yùn)用Canny 算子進(jìn)行邊緣檢測，需要符合2個(gè)要求：①信噪比；②單位邊緣響應(yīng)。計(jì)算算子的零交叉點(diǎn)的平均距離，若該距離滿足式①，則單位邊緣只存在一個(gè)響應(yīng)[6]。

3 圖像處理試驗(yàn)及結(jié)果

本文利用OpenCV 提供的圖像處理函數(shù)來對獲得的靶標(biāo)圖像進(jìn)行處理，先基于mean shift 進(jìn)行圖像分割，然后通過Canny 算子進(jìn)行邊緣檢測，得到靶標(biāo)外輪廓線，最后運(yùn)用直線檢測的方式來分析靶標(biāo)的曲直，其工作流程如圖1所示。

圖1 工作流程圖

計(jì)算技術(shù)與自動(dòng)化2016年6月

第35卷第2期李梅竹等：基于OpenCV精準(zhǔn)對靶施藥系統(tǒng)視覺模塊設(shè)計(jì)

3.1 基于mean shift 的圖像結(jié)果

一般而言一副圖像的特征點(diǎn)至少可以提取出5 維，即（x，y，r，g，b），眾所周知，mean shift 經(jīng)常用來尋找模態(tài)點(diǎn)，即密度最大的點(diǎn)。所以這里同樣可以用它來尋找這5 維空間的模態(tài)點(diǎn)，由于不同的點(diǎn)最終會收斂到不同的峰值，所以這些點(diǎn)就形成了一類，這樣就完成了圖像分割的目的，有點(diǎn)聚類的意思在里面。

需要注意的是圖像像素的變化范圍和坐標(biāo)的變化范圍是不同的，所以在使用窗口對這些數(shù)據(jù)點(diǎn)進(jìn)行模態(tài)檢測時(shí)，需要使用不同的窗口半徑。因此在OpenCV自帶的mean shift分割函數(shù)pyrMeanShiftFiltering（ ）函數(shù)中，就專門有2個(gè)參數(shù)供選擇空間搜索窗口半徑和顏色窗口搜索半徑的。 由函數(shù)名pyrMeanShiftFiltering可知，這里是將mean shift算法和圖像金字塔相結(jié)合用來分割的，所以其參數(shù)列表中就有一個(gè)專門定義所需金字塔層數(shù)的變量。本次試驗(yàn)的主要過程是，首先設(shè)置好參數(shù)，然后用函數(shù)pyrMeanShiftFiltering（ ）對輸入的圖像進(jìn)行分割。分割后的結(jié)果保存在該函數(shù)的第二個(gè)參數(shù)即輸出圖像中，最后根據(jù)該分割圖像的特點(diǎn)用floodFill（ ）函數(shù)對其分割的結(jié)果用不同的顏色進(jìn)行填充。試驗(yàn)中選取的樹干原圖如圖2（a）、1（b）所示，圖像分割后的結(jié)果如圖3（a）、2（b）所示。endprint

3.2 邊緣檢測結(jié)果

對圖像基于mean shift的圖像分割后，采用Canny算子進(jìn)行邊緣檢測。Canny算法的步驟是①降噪，任何邊緣檢測算法不可能在未經(jīng)處理的原始數(shù)據(jù)上工作，第一步是對原始數(shù)據(jù)與高斯mask作卷積，得到的圖像與原始圖像相比有些輕微的模糊。②尋找圖像中的亮度梯度。圖像中的邊緣可能會指向不同的方向，所以Canny算法使用了4個(gè)mask檢測水平、數(shù)值以及對角線方向的邊緣。③在圖像中跟蹤邊緣。較高的亮度梯度比較有可能是邊緣，但是沒有一個(gè)確定的值來限定多大的亮度梯度是邊緣，所以Canny使用了滯后閾值。上述過程完成可得到一個(gè)二值圖像。通過Canny算子就可以將圖片中樹干的輪廓找出，其試驗(yàn)結(jié)果如圖4所示。從圖中可以看出采用OpenCV的Canny算子進(jìn)行邊緣檢測可以較為完整的將前景區(qū)從背景區(qū)域中分離出來，得到比較理想的樹干輪廓線，為進(jìn)一步判斷輪廓線的曲直打下基礎(chǔ)。3.3 直線檢測結(jié)果

OpenCV使用霍夫變換函數(shù)來進(jìn)行直線檢測。該變換利用點(diǎn)與線的對偶性，通過曲線表達(dá)形式，將空間中的曲線轉(zhuǎn)變?yōu)橐粋€(gè)點(diǎn)，于是，對于原圖的曲線檢測問題變?yōu)樵趨?shù)空間內(nèi)尋找峰值的問題。 具體的說，利用直線的參數(shù)方程ρ=xcosθ+ysinθ將（x，y）空間中的一個(gè)點(diǎn)變成了一條正弦曲線，如果若干個(gè)點(diǎn)在一條直線上，那么它們對應(yīng)的正弦曲線也會交于同一個(gè)點(diǎn)。所以檢測直線的問題，就轉(zhuǎn)化為了判斷交點(diǎn)峰值的問題。設(shè)置一個(gè)峰值，大于這個(gè)值，就判為直線。

需要注意以下幾點(diǎn)：首先，HoughLines檢測出來的不是線段，而是（ρ，θ）對，使用std vectorlines來存放。其次，由于上面的原因，畫線的時(shí)候是選一個(gè)y（最小為0），求一個(gè)x，得到一個(gè)點(diǎn)；再選一個(gè)y（選為圖像的高度）再求一個(gè)x得到另一個(gè)點(diǎn)，水平方向的線采用同樣的方法。這樣畫出的線貫穿整個(gè)圖像。

4 結(jié)束語

由于在實(shí)際葡萄園中，每隔幾棵葡萄樹就會立一根樹樁拉著鐵絲牽引葡萄藤，所以在施藥時(shí)需要區(qū)分筆直的樹樁和彎曲的葡萄樹干。本文主要介紹了基于OpenCV的圖像處理方法，并給出了對一棵彎曲的樹和一棵筆直的樹的基于mean shift的圖像分割結(jié)果、邊緣檢測結(jié)果以及直線檢測結(jié)果。實(shí)驗(yàn)結(jié)果證明該模塊設(shè)計(jì)可有效的區(qū)別出葡萄園中彎曲的葡萄樹干和筆直的樹樁。

參考文獻(xiàn)

[1] 于仕琪，劉瑞禎.OpenCV教程（基礎(chǔ)篇）[M].北京：北京航空航天出版社，2007.

[2] 景曉軍.圖像處理技術(shù)及其應(yīng)用[M].北京：國防工業(yè)出版社，2005.

[3] 劉慧英，王小波.基于OpenCV的車輛輪廓檢測[J].科學(xué)技術(shù)與工程，2010（12）： 2987-2991.

[4] SONG N， GU I Y H， CAO Z， et al. Enhanced spatial-range mean shift color image segmentation by using convergence frequency and position[C]//Prof. of 14th European Signal Processing Conference （EUSIPCO 2006）， Florence， Italy. 2006.

[5] 陰國富.基于閾值法的圖像分割技術(shù)[J].現(xiàn)代電子技術(shù)，2008，30（23）：107-108.

[6] 馬頌德，張正友.計(jì)算機(jī)視覺：計(jì)算理論與算法基礎(chǔ)[M].北京：科學(xué)出版社，1998.