基于農(nóng)業(yè)圖像處理的雜草分割

王佳玉 劉立群 常琴 楊婷婷 李亦寧

摘要：雜草會(huì)同農(nóng)作物爭(zhēng)奪土壤養(yǎng)分與生長(zhǎng)空間，妨礙田間通風(fēng)，遮擋陽(yáng)光照射，從而影響作物產(chǎn)量與質(zhì)量。針對(duì)傳統(tǒng)人工除草費(fèi)時(shí)費(fèi)力，化學(xué)除草藥劑使用不當(dāng)造成環(huán)境污染，對(duì)牲畜以及人的健康產(chǎn)生危害的問(wèn)題，為正確使用除草藥劑劑量，對(duì)田間雜草進(jìn)行定點(diǎn)除草，采用無(wú)人機(jī)等攝影設(shè)備對(duì)農(nóng)田雜草圖像進(jìn)行采集，研究基于MATLAB的農(nóng)作物圖像處理雜草分割判定辦法，并以此開(kāi)發(fā)雜草分割系統(tǒng)。該系統(tǒng)通過(guò)圖像處理技術(shù)，利用綠色植物與周邊環(huán)境的不同分離植物與環(huán)境，并將所得圖像進(jìn)行進(jìn)一步的分割與降噪，得到最終的只剩雜草的圖像，為除草機(jī)器智能化奠定基礎(chǔ)。實(shí)驗(yàn)表明，通過(guò)MATLAB圖像處理技術(shù)，可以獲得清晰的雜草圖像，并正確判定其位置。

關(guān)鍵詞：雜草分割;灰度化;閾值分割;智能化

中圖分類(lèi)號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）17-0017-04

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Weed Segmentation Based on Agricultural Image Processing

WANG Jia-yu， LIU Li-qun， CHANG Qin， YANG Ting-ting， LI Yi-ning

（College of Information Science and Technology， Gansu Agricultural University， Lanzhou 730070， China）

Abstract： Weeds compete with crops for soil nutrients and growth space， hinder field ventilation and block sunlight， thus affecting crop yield and quality. In view of the traditional artificial weeding laborious， chemical weeding agents use undeserved cause environmental pollution， for livestock， cause harm people's health problems， for proper use of weeding drug dose， to fixed-point weeding weeds in the field， the drones and other photographic equipment for farmland weed image acquisition， crops research based on MATLAB image processing weeds determine segmentation method， and development of weeds segmentation system. Through the image processing technology， the system makes use of the green plants and the surrounding environment to separate the plants and the environment， and further segmentation and noise reduction of the obtained image， to get the final image of only weeds， which lays the foundation for the intelligent weeding machine. The experiment shows that through MATLAB image processing technology， we can get clear weed image and determine its position correctly.

Key words： weed segmentation; gray; threshold segmentation; intelligent

1 背景

中國(guó)自古就是一個(gè)農(nóng)業(yè)國(guó)家，伴隨著水稻、小麥等糧食的栽培，田間雜草的生長(zhǎng)也成了一大難題，而如何去除雜草也成了種植農(nóng)作物不可忽視的問(wèn)題。從如今來(lái)看，人們經(jīng)常采用的除草方式大致可分為三種：一是人工除草;二是機(jī)械除草;三是化學(xué)除草[1]。然而人工除草需要種植者長(zhǎng)時(shí)間在田間勞作，不僅耗時(shí)費(fèi)力而且效率不高?；瘜W(xué)除草比起人工除草雖然可以節(jié)省勞動(dòng)力，節(jié)約大量的時(shí)間，提高農(nóng)作物的生產(chǎn)效率;但它的弊端也是很明顯的，有以下幾點(diǎn)：有時(shí)候會(huì)引起藥害，對(duì)人、牲畜的健康產(chǎn)生影響，甚至?xí)廴经h(huán)境，破壞生態(tài)平衡[2]。近幾年，由于農(nóng)業(yè)現(xiàn)代化的不斷發(fā)展，智能化機(jī)械的身影逐漸出現(xiàn)在大眾面前，一部分種植者在農(nóng)作物的種植到成熟的整個(gè)過(guò)程中，都會(huì)用到與其相關(guān)的智能化機(jī)械產(chǎn)品，通過(guò)借助數(shù)字圖像技術(shù)對(duì)雜草進(jìn)行識(shí)別和研究[3]，可以使除草藥劑定量地噴灑到田間的同時(shí)使得環(huán)境污染得到遏制，針對(duì)如何快速有效地識(shí)別作物與雜草[2]，更好地在減輕種植者的負(fù)擔(dān)的同時(shí)防止環(huán)境污染，并提高除草效率的問(wèn)題，我們開(kāi)發(fā)設(shè)計(jì)了基于農(nóng)業(yè)圖像處理的雜草分割系統(tǒng)，該系統(tǒng)利用無(wú)人機(jī)對(duì)田間雜草進(jìn)行圖像采集，然后通過(guò)MATLAB圖像處理技術(shù)對(duì)圖像進(jìn)行分割、識(shí)別，從而得到了清晰的雜草圖像。本課題可以快速且高效地得到雜草圖像處理結(jié)果，大大提高除草效率，這對(duì)農(nóng)業(yè)智能化的發(fā)展具有重要意義。

2 系統(tǒng)原理

基于農(nóng)業(yè)數(shù)字圖像處理的雜草分割系統(tǒng)是以雜草為研究對(duì)象，利用MATLAB數(shù)字圖像處理技術(shù)對(duì)所采集的農(nóng)作物雜草圖像進(jìn)行處理，以實(shí)現(xiàn)對(duì)雜草的分割與識(shí)別，為除草機(jī)械自動(dòng)化提供理論支持。其處理步驟可分為圖像采集、圖像分割、圖像識(shí)別三大步驟如圖1所示。

首先我們利用無(wú)人機(jī)或攝像機(jī)等攝影設(shè)備拍攝采集田間農(nóng)作物與雜草的圖像，并由人工進(jìn)行簡(jiǎn)單篩查，以此刪除拍攝過(guò)程中因設(shè)備不穩(wěn)定等原因產(chǎn)生的模糊不清，無(wú)法看到農(nóng)作物與雜草的圖像，將篩選過(guò)后的圖像上傳至系統(tǒng)文件相應(yīng)位置，利用MATLAB圖像處理技術(shù)，對(duì)所采集的圖像進(jìn)行預(yù)處理，使彩色圖像轉(zhuǎn)變?yōu)榛疑珗D像，減少圖像中所包含的信息內(nèi)容，其次利用閾值分割法對(duì)雜草邊緣進(jìn)行分割，進(jìn)一步得到清晰的農(nóng)作物雜草圖像，此時(shí)圖像中的綠色植物已與自然環(huán)境完全分離，然后利用區(qū)域生長(zhǎng)法，通過(guò)像素點(diǎn)的連接，使農(nóng)作物于雜草分離，通過(guò)形態(tài)學(xué)濾波法濾除雜質(zhì)凸顯雜草區(qū)域，從而得到清晰的雜草圖像，以此進(jìn)行雜草的識(shí)別定位，從而為除草自動(dòng)化提供基礎(chǔ)。

3 系統(tǒng)的總體設(shè)計(jì)與實(shí)現(xiàn)

基于農(nóng)業(yè)圖像處理的雜草分割系統(tǒng)的總體設(shè)計(jì)與實(shí)現(xiàn)思路如圖2 所示。該系統(tǒng)包括圖像預(yù)處理、二值化、閾值分割、形態(tài)學(xué)濾波等功能。

3.1 圖像預(yù)處理

圖像預(yù)處理的目的是為了消除圖像中無(wú)用的信息，恢復(fù)有效的真實(shí)信息，增強(qiáng)有關(guān)真實(shí)有效信息的可檢測(cè)性、最大限度地使數(shù)據(jù)簡(jiǎn)化，從而改進(jìn)圖像分割、匹配和識(shí)別的可靠性[4]。

圖像灰度化是將彩色的圖像變?yōu)榛野咨珗D片，其中的原理是把圖片上的像素點(diǎn)的灰度值進(jìn)行變化，從而使圖片成為灰白色。我們可以在程序中讀入一個(gè)彩色圖像，然后將這個(gè)圖像灰度化，最后用編程語(yǔ)言將圖像進(jìn)行處理。在我們的項(xiàng)目中，圖像預(yù)處理運(yùn)用在將雜草和雜草周?chē)耐寥婪指畛鰜?lái)，由于彩色圖像中包括了太多元素，很難將雜草和土壤精確地分割出來(lái)，而圖像預(yù)處理可以先將彩色的圖像灰度化，以便在后期的圖像分割中更容易地將雜草和土壤分割出來(lái)。

當(dāng)圖像灰度化之后，在這里我們就可以利用二值化處理，將圖像中的大于預(yù)先設(shè)定的灰度值的像素點(diǎn)轉(zhuǎn)變?yōu)楹谏?，并將小于預(yù)先設(shè)定的灰度值的灰度像素點(diǎn)轉(zhuǎn)變?yōu)榘咨?，將灰白圖像進(jìn)一步轉(zhuǎn)變?yōu)楹诎讏D像，得到更加分明的雜草圖像，以便于更好地分割圖像。圖像二值化處理廣泛應(yīng)用在圖像的分割等方面，在圖像分析、圖像識(shí)別上具有重要的意義[5]，本文旨在把雜草圖像經(jīng)過(guò)二值化處理后，雜草圖像變成二值圖像，為后期的圖像處理打下了基礎(chǔ)。

3.2 閾值分割

圖像分割是從圖像處理到圖像分析的關(guān)鍵步驟，圖像分割結(jié)果的好壞直接影響到對(duì)圖像的理解[6]。閾值分割以其簡(jiǎn)單、高效的優(yōu)良性在圖像分割技術(shù)中占據(jù)重要位置[7]，其基本思想為把圖像分割為不同的區(qū)域，劃分圖片所有像素，得到的每個(gè)小集合會(huì)成為子集，每個(gè)子集都會(huì)有與之相對(duì)應(yīng)的圖像區(qū)域，不同區(qū)域有不同的性質(zhì)，但內(nèi)部性質(zhì)一樣。

由于在之前的圖像預(yù)處理步驟中，已經(jīng)將圖像灰度化，圖片會(huì)呈現(xiàn)出不同的灰度值，這樣我們就可以用閾值分割法將不同的灰度值分割開(kāi)來(lái)，以此分割雜草和自然環(huán)境。然而閾值分割的閾值不能太高，也不能太低，所以我們通過(guò)迭代法來(lái)求取最佳的閾值選擇，具體步驟有以下六個(gè)步驟：1）將圖像中的像素點(diǎn)分為兩部分，得到最小灰度閾值T1和最大灰度閾值T2;2）利用得到的閾值T1與T2，計(jì)算閾值平均值Tk的估值;3）將圖像的像素點(diǎn)與Tk比較，并分為區(qū)域1和區(qū)域2;4）分別計(jì)算區(qū)域1和區(qū)域2的平均灰度值K1、K2;5）根據(jù)以上步驟得到新的閾值：TK=1/2（K1+K2）;6）重復(fù)除步驟1）以外的所有步驟，直到得到的T值小于定義的參數(shù)T的估計(jì)值。

3.3 區(qū)域生長(zhǎng)法

區(qū)域生長(zhǎng)是圖像分割技術(shù)之一。區(qū)域生長(zhǎng)的基本工作原理是將具有一定相似性的像素集合起來(lái)構(gòu)成一個(gè)區(qū)域[8]。首先，在每個(gè)待分割區(qū)域中找到雜草的像素作為起點(diǎn)，然后在將雜草像素與周?chē)瞽h(huán)境中的其他植物像素?cái)?shù)據(jù)進(jìn)行分析對(duì)比，將與雜草相似的像素合并到起始雜草像素所在的區(qū)域。最后再將雜草的像素作為標(biāo)準(zhǔn)進(jìn)行，繼續(xù)向周?chē)h(huán)境中的物種像素比較，一直到再?zèng)]有滿足條件的像素可以通過(guò)包括進(jìn)來(lái)，這樣對(duì)于一個(gè)區(qū)域生長(zhǎng)就形成了。區(qū)域生長(zhǎng)實(shí)現(xiàn)的步驟如下：1）在雜草圖像中定位一個(gè)雜草像素點(diǎn)，設(shè)該像素點(diǎn)為K1;2）以K1為中心像素點(diǎn)，比較K1的8鄰域像素K2，如果K2符合生長(zhǎng)準(zhǔn)則，則將它們合并到一個(gè)范圍中，并將K2入堆棧;3）從堆棧中取出一個(gè)像素點(diǎn)，把它當(dāng)作K1，重復(fù)步驟2）[8] ;4）重復(fù)步驟1）-3），直到雜草圖像中的每個(gè)像素點(diǎn)比較完成后停止。在本文中運(yùn)用這個(gè)方法可以將采集到的雜草圖像樣本進(jìn)行區(qū)域化，以此快速有效識(shí)別出圖像中的雜草，識(shí)別率提高的同時(shí)節(jié)約了時(shí)間和人工成本。

3.4 形態(tài)學(xué)濾波

形態(tài)學(xué)濾波的結(jié)果就是用具有一定形態(tài)特性的結(jié)構(gòu)元素去衡量和提取圖像中的對(duì)應(yīng)形狀去分析和識(shí)別，其基本運(yùn)算為腐蝕和膨脹。集濾除噪聲的形態(tài)學(xué)算子和同時(shí)完整保留圖像原有信息的優(yōu)點(diǎn)于一體的形狀濾波器被用在雜草圖像恢復(fù)處理中。形態(tài)學(xué)濾波的優(yōu)點(diǎn)也顯而易見(jiàn)，在處理雜草圖像的邊緣時(shí)，不會(huì)被一些因素影響，提取的邊緣使得后續(xù)的處理更加順暢。同時(shí)，形態(tài)學(xué)濾波提取的圖像整體上像素清晰，不會(huì)出現(xiàn)斷斷續(xù)續(xù)的情況。田間雜草的識(shí)別和處理，一般來(lái)說(shuō)，都是人通過(guò)觀察雜草的稀疏程度來(lái)判斷噴灑除草劑的量，本文中應(yīng)用形態(tài)學(xué)理論分析雜草的特征，采用形態(tài)學(xué)算法中的技術(shù)對(duì)圖像進(jìn)行有效的分離[9]。

4 系統(tǒng)的詳細(xì)設(shè)計(jì)

MATLAB語(yǔ)言計(jì)算結(jié)果可視化并且擁有功能強(qiáng)大的圖像處理工具箱，所以通過(guò)MATLAB進(jìn)行圖像處理，可以提高雜草識(shí)別的效率，是設(shè)計(jì)雜草分割系統(tǒng)很好的選擇。在這里我們利用imread函數(shù)讀取所需處理的圖像，經(jīng)過(guò)圖像預(yù)處理、圖像分割、區(qū)域生長(zhǎng)法，形態(tài)學(xué)濾波四大步驟后，輸出最終圖像，并且可以利用figure函數(shù)和imshow函數(shù)得到每一步的圖像處理結(jié)果，原圖像如圖3所示。

4.1 圖像預(yù)處理

圖像預(yù)處理流程圖如圖4所示，圖像預(yù)處理結(jié)果圖如圖5所示。

4.2 閾值分割

閾值分割流程圖如圖6所示，閾值分割結(jié)果圖如圖7所示。

4.3 區(qū)域生長(zhǎng)法

區(qū)域生長(zhǎng)法流程圖如圖8所示，區(qū)域生長(zhǎng)法結(jié)果圖如圖9所示。

4.4 形態(tài)學(xué)濾波

形態(tài)學(xué)濾波流程圖如圖10所示，形態(tài)學(xué)濾波結(jié)果圖如圖11所示。

5 結(jié)束語(yǔ)

通過(guò)對(duì)農(nóng)業(yè)圖像處理的研究與設(shè)計(jì)，從圖像的預(yù)處理著手，對(duì)圖像進(jìn)行閾值分割、區(qū)域生長(zhǎng)法、形態(tài)學(xué)濾波等一系列的處理，最終得到雜草分割圖像，使得在減輕農(nóng)作物種植者除草負(fù)擔(dān)的同時(shí)減輕了環(huán)境污染，并提高了除草效率的問(wèn)題，對(duì)未來(lái)除草機(jī)器自動(dòng)化、智能化提供了理論基礎(chǔ)。

參考文獻(xiàn)：

[1] 吳國(guó)瑞.基于圖像處理的雜草種類(lèi)識(shí)別技術(shù)研究[D].楊凌：西北農(nóng)林科技大學(xué)，2009.

[2] 張有春.基于卷積神經(jīng)網(wǎng)絡(luò)的雜草快速識(shí)別研究[J].安徽農(nóng)業(yè)科學(xué)，2019，47（14）：242-244.

[3] 耿蕊，于曉敏，遲立穎.基于MATLAB圖像處理的農(nóng)業(yè)雜草種類(lèi)識(shí)別研究[J].信息通信，2018（7）：62-63.

[4] CSDN 圖像處理之預(yù)處理方法[EB/OL].（2018-08-28）[2020-06-24].https：//blog.csdn.net//joaming/article/details/82146604.

[5] 王樹(shù)文，張長(zhǎng)利，房俊龍.基于計(jì)算機(jī)視覺(jué)的田間雜草識(shí)別研究[C]//農(nóng)業(yè)工程科技創(chuàng)新與建設(shè)現(xiàn)代農(nóng)業(yè)——2005年中國(guó)農(nóng)業(yè)工程學(xué)會(huì)學(xué)術(shù)年會(huì)論文集第三分冊(cè).2005：394-398.

[6] 鄭三婷.淺談MATLAB仿真在數(shù)字圖像處理課程中的應(yīng)用[J].電子制作，2020（8）：62-63.

[7] 顏世利.灰度圖像閾值分割的自適應(yīng)濾波和快速算法研究[D].桂林：桂林理工大學(xué)，2018.

[8] CSDN OpenCV-區(qū)域生長(zhǎng)算法[EB/OL].（2015-11-27）[2020-07-20].https：//blog.csdn.net/Robin__Chou/article/details/5007 1313.

[9] 李昌盛，王亞娟，黃啟俊，等.基于FPGA的人臉檢測(cè)系統(tǒng)設(shè)計(jì)[J].電子技術(shù)應(yīng)用，2011，37（10）：13-16.

【通聯(lián)編輯：謝媛媛】