Matlab圖像處理在水稻谷粒計(jì)數(shù)中的應(yīng)用

焦雁翔 唐玉琴 黃成志 黃仁軍

摘 要 為探索水稻谷粒圖像快速計(jì)數(shù)方法，修正或減少因谷粒粘連引起的誤差，采用黑色平面結(jié)合機(jī)械振動(dòng)分散谷粒并采集圖像，利用Matlab軟件對(duì)圖像進(jìn)行灰度處理、二值化處理、兩步開(kāi)運(yùn)算及腐蝕運(yùn)算等消除粘連，并對(duì)計(jì)數(shù)點(diǎn)標(biāo)記和計(jì)算。在灰度圖上作開(kāi)運(yùn)算能有效修整谷粒邊緣，腐蝕運(yùn)算后谷粒中心與邊緣亮暗對(duì)比更加鮮明，二值化后的圖像初步分離效果好，在進(jìn)一步開(kāi)運(yùn)算和腐蝕運(yùn)算后，顆粒縮小，邊界距離增大，解決了絕大部分粘連。對(duì)計(jì)數(shù)點(diǎn)標(biāo)記后，非計(jì)數(shù)點(diǎn)更容易觀察，可進(jìn)行人工校正。該方法不僅可有效地分割谷粒粘連，還便于校正以提高精度，可快速實(shí)現(xiàn)800粒以?xún)?nèi)的水稻顆粒計(jì)數(shù)。

關(guān)鍵詞 谷粒計(jì)數(shù)；Matlab圖像處理；開(kāi)運(yùn)算；腐蝕運(yùn)算；標(biāo)記；粘連；人工校正

中圖分類(lèi)號(hào)：S126 文獻(xiàn)標(biāo)志碼：A DOI：10.19415/j.cnki.1673-890x.2018.4.023

考種是水稻品種選育的關(guān)鍵環(huán)節(jié)，是新品種審定及推廣的重要依據(jù)。由于傳統(tǒng)的人工或電子計(jì)數(shù)儀計(jì)數(shù)速率低、誤差較大，提高計(jì)數(shù)效率和精度成為了水稻科研工作者普遍關(guān)注的問(wèn)題[1]。目前，計(jì)算機(jī)視覺(jué)技術(shù)與圖像處理技術(shù)日趨成熟，圖像識(shí)別、形態(tài)參數(shù)測(cè)量、顆粒計(jì)數(shù)等已經(jīng)在農(nóng)作物育種、測(cè)產(chǎn)、品質(zhì)鑒定等方面得到了廣泛應(yīng)用[2-4]?，F(xiàn)有的運(yùn)算軟件MATLAB（Matrix Laboratory，矩陣實(shí)驗(yàn)室）由于功能的不斷更新和完善，不僅能實(shí)現(xiàn)各種數(shù)學(xué)運(yùn)算，還提供了很多圖像處理函數(shù)，如圖像顯示、圖像算術(shù)運(yùn)算、幾何變換、圖像增強(qiáng)、圖像變換、形態(tài)學(xué)運(yùn)算、色彩空間變換、圖像類(lèi)型與類(lèi)型轉(zhuǎn)換等[5]。在谷物顆粒計(jì)數(shù)方面，賈鵬等利用Matlab灰度處理、去除噪聲和二值化處理實(shí)現(xiàn)了考種過(guò)程中的計(jì)數(shù)，試驗(yàn)結(jié)果表明，在谷物沒(méi)有疊壓的狀態(tài)下準(zhǔn)確率可以達(dá)到100%[6]。為了克服顆粒大片粘連，趙欣等利用原有最終腐蝕算法，先計(jì)算出沒(méi)有重疊區(qū)域的顆粒數(shù)，然后選用面積 Ai作為區(qū)域特征參數(shù)，對(duì)最終腐蝕之后面積依然大于 Ai+4 的部分進(jìn)行區(qū)域分割，并對(duì)分割以后的區(qū)域進(jìn)行計(jì)數(shù)，兩次計(jì)數(shù)結(jié)果相加得到圖像整體區(qū)域內(nèi)的顆粒數(shù)[7]。雖然利用圖像處理實(shí)現(xiàn)顆?？焖儆?jì)數(shù)已多有報(bào)道，分割算法也不斷改進(jìn)，但由于計(jì)算大量顆粒時(shí)分割還不夠徹底，計(jì)算結(jié)果仍有誤差無(wú)法校正，適用范圍還比較局限。本試驗(yàn)利用MATLAB 平臺(tái)通過(guò)一系列的圖像處理算法，提出新的圖像分割、計(jì)數(shù)、校正方法，以期為水稻考種及優(yōu)質(zhì)育種提供捷徑與支持。

1 材料與方法

1.1 試驗(yàn)材料

計(jì)算機(jī)1臺(tái)（系統(tǒng)環(huán)境Windows10 64 bit，應(yīng)用軟件MATLAB R2014b）；圖像捕捉工具1臺(tái)（智能手機(jī)小米MAX2，像素3 840*2 160px）；谷粒計(jì)數(shù)平面40 cm×80 cm黑色鐵板桌面1張（表面無(wú)反光或反光性差，可容納800粒的分散谷粒）；水稻谷粒若干。

1.2 試驗(yàn)方法

1.2.1 圖像采集

隨機(jī)稱(chēng)取15～17 g水稻谷粒置于谷粒計(jì)數(shù)平面中央，采用人工敲打振動(dòng)的方式，使顆粒分散于板面上。在室內(nèi)自然光條件下（以桌面背景無(wú)反光為宜），利用手機(jī)照相功能獲取顆粒圖像（拍照范圍及手持高度以覆蓋所有顆粒且圖像邊框不超出板面邊界為宜）。存儲(chǔ)圖片格式為JPG，按品種編號(hào)作為文件名導(dǎo)入計(jì)算機(jī)。

1.2.2 灰度處理

灰度處理可以去一些無(wú)用的信息，大幅度減少圖像的數(shù)據(jù)量，減輕后期處理的工作量。對(duì)真彩色圖像進(jìn)行灰度化處理，實(shí)質(zhì)上是將RGB圖像1個(gè)像素的3個(gè)分量，按一定算法，求出灰度圖像的1個(gè)像素灰度值。

1.2.3 開(kāi)運(yùn)算

開(kāi)運(yùn)算屬于形態(tài)學(xué)圖像處理，可以使邊界平滑，消除細(xì)小的尖刺，斷開(kāi)窄小的連接，保持面積大小不變等。

1.2.4 腐蝕運(yùn)算

腐蝕是一種消除邊界點(diǎn)，使邊界向內(nèi)部收縮的過(guò)程?？梢杂脕?lái)消除小且無(wú)意義的物體。算法：先結(jié)構(gòu)元素，掃描圖像的每一個(gè)像素用結(jié)構(gòu)元素與其覆蓋的圖像做“與”操作如果都為1，結(jié)果圖像的該像素為1，否則為0，使圖像減小一圈。

1.2.5 二值化

谷物顆粒計(jì)數(shù)實(shí)現(xiàn)二值化后的圖像像素只有0和1兩個(gè)值，分別表示背景和目標(biāo)。由于一個(gè)谷物顆粒的圖像像素是連續(xù)的，在二值圖像中表現(xiàn)為連通性，因此可以利用bwlabel函數(shù)計(jì)算連通圖的數(shù)量來(lái)求出谷物顆粒數(shù)量。

1.2.6 代碼設(shè)計(jì)

close all；% 關(guān)閉所有的圖像窗口

clc；% 清除當(dāng)前command區(qū)域的命令

RGB=imread（‘D：＼RICE＼CT＼9.14am＼HS05.JPG）；% 載入圖片，文件名為HS05.jpg

igure，imshow（RGB）；% 顯示圖像RGB

P=rgb2gray（RGB）；% 灰度處理

P1=imadjust（P）；% 調(diào)節(jié)灰度對(duì)比度

figure，imshow（P1）；% 顯示圖像P1

SE1=strel（‘square，2）；% 構(gòu)造半徑為2圓形元素

P2=imopen（P1，SE1）；% 以SE為單位對(duì)P1進(jìn)行開(kāi)運(yùn)算

SE2=strel（‘disk，1）；% 構(gòu)造半徑為1圓形元素

P3=imerode（P2，SE2）；% 形態(tài)學(xué)腐蝕運(yùn)算，部分目標(biāo)物有粘連現(xiàn)象，去除粘連

figure，imshow（P3）；% 顯示圖像P3

level=graythresh（P3）；% 尋找灰度圖像的最佳閾值

P4=im2bw（P3，level）；% 灰度圖像二值化，全局閾值分割最大化類(lèi)間方差

SE3=strel（‘square，1）；% 構(gòu)造邊長(zhǎng)為1正方形元素

P5=imopen（P4，SE3）；% 以SE3作開(kāi)運(yùn)算

SE4=strel（‘disk，3）；% 構(gòu)造邊長(zhǎng)為3圓形元素

P6=imerode（P5，SE4）； 形態(tài)學(xué)腐蝕運(yùn)算，進(jìn)一步去除粘連

figure，imshow（P6）；% 顯示圖像P6

SE5=strel（‘disk，2）；% 構(gòu)造邊長(zhǎng)為2圓形元素

P7=imopen（P6，SE5）；% 形態(tài)學(xué)開(kāi)運(yùn)算，去除影響計(jì)數(shù)的干擾顆粒

figure，imshow（P7）；% 顯示圖像P7

[L，N]=bwlabel（P7）；% 計(jì)算連通數(shù)，N即為目標(biāo)個(gè)數(shù)

figure，imshow（RGB）；% 顯示原圖像RGB

hold on

for k=1：N

[r，c] = find（L == k）；

rbar = mean（r）；

cbar = mean（c）；

plot（cbar，rbar，marker，*，markeredgecolor，b，markersize，4）；

end % 對(duì)話(huà)框顯示目標(biāo)物個(gè)數(shù)，通過(guò)坐標(biāo)定點(diǎn)，標(biāo)記點(diǎn)為“*”（藍(lán)色，4號(hào)）

h=dialog（‘Name，目標(biāo)個(gè)數(shù)，position，[500 500 200 70]）；% 創(chuàng)建一個(gè)對(duì)話(huà)框窗口

uicontrol（‘Style，text，units，pixels，position，[45 40 120 20]，……

‘fontsize，15，parent，h，string，num2str（N））；% 創(chuàng)建文本，字體15號(hào)

uicontrol（‘units，pixels，position，[80 10 50 20]，fontsize，10，……

‘parent，h，string，確定，callback，delete（gcf））；% 創(chuàng)建【確定】按鈕字體10號(hào)

2 結(jié)果與分析

2.1 程序代碼執(zhí)行情況

在執(zhí)行上述代碼后，共顯示出6種圖像，即原圖（RGB圖）、灰度圖（見(jiàn)圖1）、灰度圖的開(kāi)運(yùn)算及腐蝕運(yùn)算、二值化圖、二值化圖的開(kāi)運(yùn)算及腐蝕運(yùn)算、計(jì)數(shù)點(diǎn)標(biāo)記圖（在RGB圖上標(biāo)記），同時(shí)彈出了目標(biāo)個(gè)數(shù)的對(duì)話(huà)框，顯示出計(jì)算結(jié)果為537（見(jiàn)圖2），整個(gè)運(yùn)算過(guò)程用了十幾秒時(shí)間（運(yùn)算速度與CPU、內(nèi)存性能有關(guān)）。

2.2 谷粒粘連分離情況

據(jù)文獻(xiàn)報(bào)道，圖像直接二值化處理后作腐蝕運(yùn)算會(huì)引進(jìn)圖像較大的變形[8]，故本文采用兩步開(kāi)運(yùn)算及腐蝕運(yùn)算，即先在灰度圖狀態(tài)下進(jìn)行一次開(kāi)運(yùn)算和腐蝕運(yùn)算，再轉(zhuǎn)換成二值化圖像做一次開(kāi)運(yùn)算及腐蝕運(yùn)算。由于灰度圖包含的圖像信息比二值圖多，在運(yùn)算處理后顆粒邊緣處得到了更多的修整，中心與邊緣處黑白對(duì)比更加鮮明，基本形態(tài)得以保留。二值化處理簡(jiǎn)化了圖像信息，便于計(jì)數(shù)運(yùn)算，它使圖中較亮的區(qū)域轉(zhuǎn)為純白色，暗色區(qū)域變?yōu)榧兒谏?。由于前一步的開(kāi)運(yùn)算、腐蝕，使暗色面積增大，得到的二值化圖像中顆粒變短。再進(jìn)行第二次開(kāi)運(yùn)算和腐蝕后，顆粒更加“萎縮”，分離更加明顯，適當(dāng)?shù)拈_(kāi)運(yùn)算又清除了細(xì)小的雜質(zhì)，圖像背景更加單一，利于計(jì)數(shù)。

2.3 圖像標(biāo)記與校正

bwlabel函數(shù)是以計(jì)算連通數(shù)來(lái)運(yùn)算的，對(duì)圖中粘連較大無(wú)法分割的點(diǎn)會(huì)識(shí)別成單個(gè)連通數(shù)，因此出現(xiàn)漏算的現(xiàn)象。通過(guò)運(yùn)用FOR循環(huán)和坐標(biāo)定位對(duì)計(jì)數(shù)點(diǎn)逐一進(jìn)行標(biāo)記“*”號(hào)，使未標(biāo)注的顆粒點(diǎn)更容易被查找，此時(shí)可通過(guò)人工計(jì)數(shù)漏標(biāo)點(diǎn)加以校正（圖2圈中漏標(biāo)1點(diǎn)，即真實(shí)值應(yīng)為538）。

3 結(jié)論與討論

3.1 結(jié)論

利用Matlab圖像灰度處理、開(kāi)運(yùn)算、腐蝕、二值化處理、圖像標(biāo)記等可輕松實(shí)現(xiàn)水稻考種過(guò)程中的計(jì)數(shù)，此法不僅可消除絕大部分谷粒粘連，提高計(jì)數(shù)準(zhǔn)確度，還可進(jìn)行人工校正，使計(jì)數(shù)結(jié)果真實(shí)可靠。經(jīng)多次考種驗(yàn)證，在800粒以?xún)?nèi)的計(jì)數(shù)（結(jié)合人工校正）可使準(zhǔn)確率達(dá)99.5%～100.0%，極大地減輕了人的勞動(dòng)強(qiáng)度，彌補(bǔ)了人視覺(jué)的不足。此算法也可應(yīng)用于大豆、小麥等純色種子顆粒的識(shí)別計(jì)數(shù)。

3.2 討論

在谷粒粘連分離方法的探索上，學(xué)者們提出了不同的分割方法，主要包括基于數(shù)學(xué)形態(tài)學(xué)的分割算法，利用凹點(diǎn)進(jìn)行分割和分水嶺算法及其改進(jìn)算法等，各種算法必須根據(jù)谷粒的形態(tài)設(shè)置適當(dāng)?shù)膮?shù)[9-10]。然而，在實(shí)際考種遇到的不同水稻品種粒型差異很大（短粒型粘連部分較少，易劃清界線(xiàn)，而長(zhǎng)粒型會(huì)出現(xiàn)粘連較多的情況，難以劃清界線(xiàn)），針對(duì)不同大小的顆粒修整的程度也不盡相同，現(xiàn)有的分割算法還存在一定的局限性，無(wú)法完全消除粘連，運(yùn)算值普遍小于谷粒數(shù)的真實(shí)值。

本試驗(yàn)采用黑色無(wú)反光（或反光性差）的薄鐵板作為背景獲取圖像具有以下優(yōu)點(diǎn)：1）薄鐵板易于敲打形成振動(dòng)，可使谷?？焖俜稚⒂诎迕嬷?；2）圖像背景為黑色，無(wú)需再進(jìn)行反色處理，保留了原來(lái)各顆粒點(diǎn)的亮度（以往的研究多在白色背景或LED燈平臺(tái)上進(jìn)行）；3）在圖像處理方面，由于是以自然光的反射光成像，每個(gè)顆粒的中間部位反光較亮，邊緣處較暗，這樣更利于開(kāi)運(yùn)算、腐蝕，劃清谷粒的邊界，并且不會(huì)對(duì)谷粒圖像造成嚴(yán)重變形，所獲得的二值化處理圖像才比較理想。

對(duì)于個(gè)別粘連部分較大的谷粒，筆者認(rèn)為無(wú)法通過(guò)現(xiàn)有報(bào)道圖像處理技術(shù)來(lái)分離，加大分離的參數(shù)處理只會(huì)影響其他正常計(jì)數(shù)谷粒的形態(tài)。遇到在圖像分割運(yùn)算上難以突破的情形，粘連造成的誤差可采用計(jì)數(shù)點(diǎn)標(biāo)記結(jié)合人工校正處理。

參考文獻(xiàn)：

[1] 宋忠華，張艷貴，寧金花.基于考種時(shí)間的水稻結(jié)實(shí)性狀差異研究[J].種子，2014，33（7）：30-33，39.

[2] 梁文東，蔣益敏.基于MATLAB的玉米果穗顆粒統(tǒng)計(jì)方法[J].江蘇農(nóng)業(yè)科學(xué)，2015，43（2）：406-408.

[3] 周南，郭光靖，唐先亮，等.基于MATLAB的水稻種子幾何特征提取的程序?qū)崿F(xiàn)[J].安徽農(nóng)學(xué)通報(bào)（上半月刊），2012，18（7）：187-189.

[4] 王傳宇，郭新宇，吳升.采用全景技術(shù)的機(jī)器視覺(jué)測(cè)量玉米果穗考種指標(biāo)[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（24）：155-162.

[5] 艾冬梅，李艷晴，張麗靜，等.MATLAB與數(shù)學(xué)實(shí)驗(yàn)（第2版） [M].北京：機(jī)械工業(yè)出版社，2014.

[6] 賈鵬，李永奎，趙萍.基于Matlab圖像處理的谷物顆粒計(jì)數(shù)方法研究[J].農(nóng)機(jī)化研究，2009，31（1）：152-153，156.

[7] 趙欣，賈曉劍.一種基于Matlab的谷物顆粒計(jì)數(shù)方法[J].河南科技學(xué)院學(xué)報(bào)（自然科學(xué)版），2017，（5）：65-69

[8] 吳叔珍，姚青.基于凹點(diǎn)尋找標(biāo)記的分水嶺算法分割粘連谷粒[J].浙江農(nóng)業(yè)科學(xué)，2017，58（8）：1401-1405.

[9] 田孟祥，張時(shí)龍，何友勛，等.1種快速高效的水稻谷粒自動(dòng)計(jì)數(shù)方法[J].江蘇農(nóng)業(yè)科學(xué)，2014，42（2）：64-66.

[10] 段麗英，閆友平，趙英豪，等.顆粒圖像識(shí)別及計(jì)數(shù)在糧種品質(zhì)測(cè)定中的應(yīng)用[J].石家莊學(xué)院學(xué)報(bào)，2011，13（3）：51-55.

（責(zé)任編輯：丁志祥）