Matlab圖像處理在水稻谷粒計數(shù)中的應用

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，采用黑色平面結合機械振動分散谷粒并采集圖像，利用Matlab軟件對圖像進行灰度處理、二值化處理、兩步開運算及腐蝕運算等消除粘連，并對計數(shù)點標記和計算。在灰度圖上作開運算能有效修整谷粒邊緣，腐蝕運算后谷粒中心與邊緣亮暗對比更加鮮明，二值化后的圖像初步分離效果好，在進一步開運算和腐蝕運算后，顆?？s小，邊界距離增大，解決了絕大部分粘連。對計數(shù)點標記后，非計數(shù)點更容易觀察，可進行人工校正。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，可快速實現(xiàn)800粒以內(nèi)的水稻顆粒計數(shù)。

關鍵詞 谷粒計數(shù)；Matlab圖像處理；開運算；腐蝕運算；標記；粘連；人工校正

中圖分類號：S126 文獻標志碼：A DOI：10.19415/j.cnki.1673-890x.2018.4.023

考種是水稻品種選育的關鍵環(huán)節(jié)，是新品種審定及推廣的重要依據(jù)。由于傳統(tǒng)的人工或電子計數(shù)儀計數(shù)速率低、誤差較大，提高計數(shù)效率和精度成為了水稻科研工作者普遍關注的問題[1]。目前，計算機視覺技術與圖像處理技術日趨成熟，圖像識別、形態(tài)參數(shù)測量、顆粒計數(shù)等已經(jīng)在農(nóng)作物育種、測產(chǎn)、品質(zhì)鑒定等方面得到了廣泛應用[2-4]?，F(xiàn)有的運算軟件MATLAB（Matrix Laboratory，矩陣實驗室）由于功能的不斷更新和完善，不僅能實現(xiàn)各種數(shù)學運算，還提供了很多圖像處理函數(shù)，如圖像顯示、圖像算術運算、幾何變換、圖像增強、圖像變換、形態(tài)學運算、色彩空間變換、圖像類型與類型轉(zhuǎn)換等[5]。在谷物顆粒計數(shù)方面，賈鵬等利用Matlab灰度處理、去除噪聲和二值化處理實現(xiàn)了考種過程中的計數(shù)，試驗結果表明，在谷物沒有疊壓的狀態(tài)下準確率可以達到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，先計算出沒有重疊區(qū)域的顆粒數(shù)，然后選用面積 Ai作為區(qū)域特征參數(shù)，對最終腐蝕之后面積依然大于 Ai+4 的部分進行區(qū)域分割，并對分割以后的區(qū)域進行計數(shù)，兩次計數(shù)結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現(xiàn)顆?？焖儆嫈?shù)已多有報道，分割算法也不斷改進，但由于計算大量顆粒時分割還不夠徹底，計算結果仍有誤差無法校正，適用范圍還比較局限。本試驗利用MATLAB 平臺通過一系列的圖像處理算法，提出新的圖像分割、計數(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 試驗材料

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

1.2 試驗方法

1.2.1 圖像采集

隨機稱取15～17 g水稻谷粒置于谷粒計數(shù)平面中央，采用人工敲打振動的方式，使顆粒分散于板面上。在室內(nèi)自然光條件下（以桌面背景無反光為宜），利用手機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）。存儲圖片格式為JPG，按品種編號作為文件名導入計算機。

1.2.2 灰度處理

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

1.2.3 開運算

開運算屬于形態(tài)學圖像處理，可以使邊界平滑，消除細小的尖刺，斷開窄小的連接，保持面積大小不變等。

1.2.4 腐蝕運算

腐蝕是一種消除邊界點，使邊界向內(nèi)部收縮的過程?？梢杂脕硐∏覠o意義的物體。算法：先結構元素，掃描圖像的每一個像素用結構元素與其覆蓋的圖像做“與”操作如果都為1，結果圖像的該像素為1，否則為0，使圖像減小一圈。

1.2.5 二值化

谷物顆粒計數(shù)實現(xiàn)二值化后的圖像像素只有0和1兩個值，分別表示背景和目標。由于一個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)計算連通圖的數(shù)量來求出谷物顆粒數(shù)量。

1.2.6 代碼設計

close all；% 關閉所有的圖像窗口

clc；% 清除當前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)灰度對比度

figure，imshow（P1）；% 顯示圖像P1

SE1=strel（‘square，2）；% 構造半徑為2圓形元素

P2=imopen（P1，SE1）；% 以SE為單位對P1進行開運算

SE2=strel（‘disk，1）；% 構造半徑為1圓形元素

P3=imerode（P2，SE2）；% 形態(tài)學腐蝕運算，部分目標物有粘連現(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間方差

SE3=strel（‘square，1）；% 構造邊長為1正方形元素

P5=imopen（P4，SE3）；% 以SE3作開運算

SE4=strel（‘disk，3）；% 構造邊長為3圓形元素

P6=imerode（P5，SE4）； 形態(tài)學腐蝕運算，進一步去除粘連

figure，imshow（P6）；% 顯示圖像P6

SE5=strel（‘disk，2）；% 構造邊長為2圓形元素

P7=imopen（P6，SE5）；% 形態(tài)學開運算，去除影響計數(shù)的干擾顆粒

figure，imshow（P7）；% 顯示圖像P7

[L，N]=bwlabel（P7）；% 計算連通數(shù)，N即為目標個數(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 % 對話框顯示目標物個數(shù)，通過坐標定點，標記點為“*”（藍色，4號）

h=dialog（‘Name，目標個數(shù)，position，[500 500 200 70]）；% 創(chuàng)建一個對話框窗口

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

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

2 結果與分析

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（見圖1）、灰度圖的開運算及腐蝕運算、二值化圖、二值化圖的開運算及腐蝕運算、計數(shù)點標記圖（在RGB圖上標記），同時彈出了目標個數(shù)的對話框，顯示出計算結果為537（見圖2），整個運算過程用了十幾秒時間（運算速度與CPU、內(nèi)存性能有關）。

2.2 谷粒粘連分離情況

據(jù)文獻報道，圖像直接二值化處理后作腐蝕運算會引進圖像較大的變形[8]，故本文采用兩步開運算及腐蝕運算，即先在灰度圖狀態(tài)下進行一次開運算和腐蝕運算，再轉(zhuǎn)換成二值化圖像做一次開運算及腐蝕運算。由于灰度圖包含的圖像信息比二值圖多，在運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比更加鮮明，基本形態(tài)得以保留。二值化處理簡化了圖像信息，便于計數(shù)運算，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?。由于前一步的開運算、腐蝕，使暗色面積增大，得到的二值化圖像中顆粒變短。再進行第二次開運算和腐蝕后，顆粒更加“萎縮”，分離更加明顯，適當?shù)拈_運算又清除了細小的雜質(zhì)，圖像背景更加單一，利于計數(shù)。

2.3 圖像標記與校正

bwlabel函數(shù)是以計算連通數(shù)來運算的，對圖中粘連較大無法分割的點會識別成單個連通數(shù)，因此出現(xiàn)漏算的現(xiàn)象。通過運用FOR循環(huán)和坐標定位對計數(shù)點逐一進行標記“*”號，使未標注的顆粒點更容易被查找，此時可通過人工計數(shù)漏標點加以校正（圖2圈中漏標1點，即真實值應為538）。

3 結論與討論

3.1 結論

利用Matlab圖像灰度處理、開運算、腐蝕、二值化處理、圖像標記等可輕松實現(xiàn)水稻考種過程中的計數(shù)，此法不僅可消除絕大部分谷粒粘連，提高計數(shù)準確度，還可進行人工校正，使計數(shù)結果真實可靠。經(jīng)多次考種驗證，在800粒以內(nèi)的計數(shù)（結合人工校正）可使準確率達99.5%～100.0%，極大地減輕了人的勞動強度，彌補了人視覺的不足。此算法也可應用于大豆、小麥等純色種子顆粒的識別計數(shù)。

3.2 討論

在谷粒粘連分離方法的探索上，學者們提出了不同的分割方法，主要包括基于數(shù)學形態(tài)學的分割算法，利用凹點進行分割和分水嶺算法及其改進算法等，各種算法必須根據(jù)谷粒的形態(tài)設置適當?shù)膮?shù)[9-10]。然而，在實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，而長粒型會出現(xiàn)粘連較多的情況，難以劃清界線），針對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，無法完全消除粘連，運算值普遍小于谷粒數(shù)的真實值。

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

對于個別粘連部分較大的谷粒，筆者認為無法通過現(xiàn)有報道圖像處理技術來分離，加大分離的參數(shù)處理只會影響其他正常計數(shù)谷粒的形態(tài)。遇到在圖像分割運算上難以突破的情形，粘連造成的誤差可采用計數(shù)點標記結合人工校正處理。

參考文獻：

[1] 宋忠華，張艷貴，寧金花.基于考種時間的水稻結實性狀差異研究[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)計方法[J].江蘇農(nóng)業(yè)科學，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)學通報（上半月刊），2012，18（7）：187-189.

[4] 王傳宇，郭新宇，吳升.采用全景技術的機器視覺測量玉米果穗考種指標[J].農(nóng)業(yè)工程學報，2013，29（24）：155-162.

[5] 艾冬梅，李艷晴，張麗靜，等.MATLAB與數(shù)學實驗（第2版） [M].北京：機械工業(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數(shù)方法研究[J].農(nóng)機化研究，2009，31（1）：152-153，156.

[7] 趙欣，賈曉劍.一種基于Matlab的谷物顆粒計數(shù)方法[J].河南科技學院學報（自然科學版），2017，（5）：65-69

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

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

[10] 段麗英，閆友平，趙英豪，等.顆粒圖像識別及計數(shù)在糧種品質(zhì)測定中的應用[J].石家莊學院學報，2011，13（3）：51-55.

（責任編輯：丁志祥）