基于HSV 和骨架提取的水稻種子芽根長(zhǎng)度自動(dòng)化測(cè)量方法研究

王成城 馬啟良

（1湖州師范學(xué)院信息工程學(xué)院，浙江湖州 313000；2湖州師范學(xué)院信息技術(shù)中心，浙江湖州 313000）

水稻種植歷史悠久，是我國(guó)主要的糧食作物之一。水稻種子的高質(zhì)和高產(chǎn)對(duì)保障我國(guó)糧食供應(yīng)安全具有重要作用[1]。種子活力關(guān)系到水稻的產(chǎn)量和質(zhì)量。因此，測(cè)定種子活力，篩選出高活力種子，對(duì)于確保播種種子質(zhì)量和實(shí)際田間出苗率具有重大的生產(chǎn)意義。種子發(fā)芽速度測(cè)定是種子活力檢測(cè)的重要手段之一，具體包括幼苗的發(fā)芽率、生長(zhǎng)速度，是評(píng)判種子質(zhì)量的重要指標(biāo)[2-3]。因此，準(zhǔn)確地測(cè)定種子發(fā)芽率、每日幼苗長(zhǎng)度、根長(zhǎng)度，有助于精確地評(píng)估種子質(zhì)量，但是以上指標(biāo)都需要人工進(jìn)行測(cè)定，繁瑣、費(fèi)時(shí)、主觀因素大，所以需要一種客觀的、快速自動(dòng)化的測(cè)定方法。

圖像處理技術(shù)作為一種無損檢測(cè)技術(shù)，在植物病蟲害檢測(cè)、果蔬分級(jí)分類、農(nóng)作物長(zhǎng)勢(shì)測(cè)定等方面具有良好的應(yīng)用前景[4-5]。Sako等[6]開發(fā)了一個(gè)生菜種子活力自動(dòng)評(píng)估系統(tǒng)，利用圖像處理技術(shù)從幼苗形態(tài)特征中獲取了各種參數(shù)，并生成了表示種子活力指標(biāo)的數(shù)值；金濤等[7]開發(fā)了種子幼苗長(zhǎng)度輔助測(cè)量系統(tǒng)，為種子質(zhì)量檢測(cè)提供了一種新的思路；AF Hoffmaster 等[8-9]基于圖像處理技術(shù)實(shí)現(xiàn)了自動(dòng)評(píng)估3 日齡大豆和玉米幼苗的活力；楊紅云等[10]為了監(jiān)測(cè)自然生長(zhǎng)狀態(tài)下的水稻葉片，采用手勢(shì)交互插值法和骨架提取法得到了水稻葉片幾何形態(tài)參數(shù)。金沙沙等[11]提出了一種基于端點(diǎn)刪除的剪枝方法，實(shí)現(xiàn)了對(duì)小麥、水稻的芽長(zhǎng)和根長(zhǎng)的測(cè)量。這些研究為本文對(duì)水稻種子發(fā)芽中的芽長(zhǎng)根長(zhǎng)自動(dòng)化測(cè)量提供了研究思路。

本研究通過采集種子發(fā)芽圖像，綜合運(yùn)用圖像分割、形態(tài)學(xué)、骨架提取與最大路徑搜索等技術(shù)，實(shí)現(xiàn)芽長(zhǎng)與根長(zhǎng)的自動(dòng)檢測(cè)，并與手工測(cè)量方法進(jìn)行對(duì)比，以驗(yàn)證本研究算法的有效性。

1 材料與方法

1.1 樣本獲取及實(shí)驗(yàn)環(huán)境

為采集試驗(yàn)所需圖像，對(duì)水稻種子進(jìn)行培養(yǎng)，選取發(fā)芽10～14 d的100株水稻幼苗作為研究對(duì)象，并將100 株幼苗平均分成10 組，按從左到右依次排列在黑色吸光絨布上，采用工業(yè)級(jí)相機(jī)固定高度并垂直于黑色絨布進(jìn)行拍攝，獲取幼苗圖像。

在64 位win10 操作系統(tǒng)下，CPU 為AMD Ryzen 7 4800H、主頻2.90 GHz、內(nèi)存16G，基于pycharm 開發(fā)環(huán)境，實(shí)現(xiàn)了相關(guān)算法的研究。

1.2 研究方法及原理

1.2.1 閾值分割。閾值分割是為了將植株從背景中提取出來，只保留需要的植株圖，用于后續(xù)提取芽長(zhǎng)和根長(zhǎng)的形態(tài)特征[12]。本文使用常用的閾值分割算法大津法（OTSU），OTSU是一種圖像自適應(yīng)二值化分割算法，由日本學(xué)者大津于1979 年提出[13]。OTSU是圖像分割中閾值選取的最佳算法之一，計(jì)算簡(jiǎn)單，不受圖像亮度和對(duì)比度的影響，因此在數(shù)字圖像處理上得到了廣泛的應(yīng)用。閾值分割可用式（1）表示。

式中：T為閾值，f（x，y）表示圖像中坐標(biāo)為（x，y）的像素點(diǎn)的灰度值，m（x，y）是圖像閾值分割之后和在（x，y）處像素灰度值。

1.2.2 基于HSV 的顏色特征提取與分割。在計(jì)算機(jī)中，色彩空間是描述顏色的一種特定方式，RGB是應(yīng)用最廣的色彩空間，而HSV是基于人類對(duì)顏色感知而提出的色彩空間。HSV 是色調(diào)（Hue）、飽和度（Saturation）和明度（Value）簡(jiǎn)稱，能夠直觀表達(dá)顏色的色調(diào)、亮暗程度和色彩的濃度，方便進(jìn)行顏色的對(duì)比，且更容易追蹤到某種特定顏色的目標(biāo)。

設(shè)（R、G、B）是某個(gè)顏色在RGB單位化立方體中的坐標(biāo)，取值范圍為[0，1]，設(shè)max表示R，G和B中的最大者，min表示最小者，則從RGB彩色空間到HSV彩色空間的計(jì)算公式如式（2）、（3）和（4）所示[14]。

水稻種子幼苗圖像中芽和根的顏色明顯區(qū)別于種子的顏色，所以可以根據(jù)顏色確定種子的位置并分割芽和根[15]。HSV 中的S與人眼的感知密切相關(guān)，它表示顏色的純度，受光照影響較小，可采用S去識(shí)別根區(qū)域，而H可顯著區(qū)分芽與其他植株部分。因此，對(duì)種子幼苗圖像進(jìn)行HSV 的分析，可以識(shí)別出幼苗的綠芽區(qū)域和根區(qū)域。芽區(qū)域分割可用式（5）表示，根區(qū)域的分割可用式（6）表示。

式中，h1是芽顏色最小色調(diào)值，h2是芽顏色最大色調(diào)值，s1是根的最小飽和度值，s2是根的最大飽和度值。

1.2.3 骨架提取與最長(zhǎng)路徑。骨架是基于物體形狀特征的簡(jiǎn)化描述方式，是一種良好的形狀表達(dá)方式，簡(jiǎn)潔、準(zhǔn)確的骨架能夠表現(xiàn)物體的整體結(jié)構(gòu)、形狀拓?fù)浜蛶缀涡再|(zhì)，與圖形圖像的輪廓相比，其在形變和噪聲影晌下更為穩(wěn)定，且骨架可以降低物體后期描述和度量的難度。因此，為了測(cè)量芽與根長(zhǎng)度，可提取幼苗的骨架圖進(jìn)行統(tǒng)計(jì)分析。

對(duì)種子幼苗骨架圖中出現(xiàn)的多條根分支和葉分支，選取其中最長(zhǎng)的根骨架和芽骨架。以8 鄰域來對(duì)骨架進(jìn)行分析跟蹤，設(shè)P（x，y）為任一像素點(diǎn)，記中心點(diǎn)為P1，其鄰域的另8 個(gè)點(diǎn)順時(shí)針繞中心點(diǎn)分別記為P2、P3、P4、P5、P6、P7、P8、P9，位置關(guān)系如圖1所示。

當(dāng)P1（x，y）點(diǎn)的鄰域僅有一個(gè)值不為0，該點(diǎn)骨架端點(diǎn)，當(dāng)P1點(diǎn)的8 鄰域有2 個(gè)以上點(diǎn)的值不為0，該點(diǎn)為骨架節(jié)點(diǎn)，而8鄰域內(nèi)有且僅有2個(gè)點(diǎn)的值不為0，則該點(diǎn)為骨架連接點(diǎn)。

基于DFS 搜索算法，采用8 連通鏈碼逐步實(shí)現(xiàn)對(duì)植株骨架的最大路徑提取，遍歷骨架圖像上的每個(gè)像素點(diǎn)，具體算法描述如下：①首先遍歷每株幼苗骨架，找到滿足8 鄰域之和為1 的骨架點(diǎn)，確定每一粒種子骨架的初始端點(diǎn)；②創(chuàng)建一個(gè)棧，并且把初始端點(diǎn)放入其中，并且設(shè)初始最長(zhǎng)長(zhǎng)度max_L 為0、最長(zhǎng)路徑坐標(biāo)數(shù)組max_array；③取出棧頂?shù)囊粋€(gè)像素點(diǎn)進(jìn)行八鄰域搜索，逐個(gè)搜尋把各個(gè)像素點(diǎn)的鏈碼存入數(shù)組Freeman 中，并且令掃描過的像素點(diǎn)的像素值為0；④如果跟蹤到骨架節(jié)點(diǎn)，則記錄該節(jié)點(diǎn)的所有分支的起始坐標(biāo)，并且壓入棧中，作為下次跟蹤起始點(diǎn)，并且儲(chǔ)存跟蹤到該節(jié)點(diǎn)為止的長(zhǎng)度以及記錄當(dāng)前所有坐標(biāo)放入數(shù)組。如果是骨架端點(diǎn)，則計(jì)算跟蹤到端點(diǎn)的整個(gè)鏈碼（所跟蹤的分支）的長(zhǎng)度L，然后與max_L 比較，如果L>max_L，則把L 的值賦值給max_L，并且更新當(dāng)前最大路徑坐標(biāo)數(shù)組max_array。⑤判斷棧頂是否為空，若棧非空，則繼續(xù)從棧頂取出一個(gè)像素點(diǎn)的坐標(biāo)，跳轉(zhuǎn)到步驟③，若沒有，則輸出最終結(jié)果max_L以及max_array。

1.2.4 長(zhǎng)度分析。本文利用8方向鏈碼跟蹤骨架進(jìn)行長(zhǎng)度計(jì)算。用8方向鏈碼和特定值（01234567）標(biāo)記所跟蹤的像素，對(duì)于8 連通的鄰域點(diǎn)有8 個(gè)方向，這8個(gè)方向在編碼的時(shí)候，用0、1、2、3、4、5、6、7來表示。而鏈碼則是初始點(diǎn)加有一串帶有方向碼構(gòu)成的一組數(shù)列，稱之為Freeman 鏈碼。設(shè)中心點(diǎn)坐標(biāo)為（x，y），則該點(diǎn)8鄰域的八個(gè)像素坐標(biāo)分別是：（x，y-1）、（x+1，y-1）、（x+1，y）、（x+1，y+1）、（x，y+1）、（x-1，y+1）（x-1，y）、（x-1，y-1），且它們的鏈碼依次為0、1、2、3、4、5、6、7。

因此，只要存儲(chǔ)起始坐標(biāo)及后續(xù)點(diǎn)的鏈碼值，就可以得到路徑上的所有坐標(biāo)值，并且存入數(shù)組記為L(zhǎng)1。由于發(fā)芽圖的骨架曲線較多，如果每個(gè)都進(jìn)行計(jì)算會(huì)出現(xiàn)誤差，算法計(jì)算的長(zhǎng)度大于實(shí)際的長(zhǎng)度。因此，本文在計(jì)算長(zhǎng)度時(shí)候，從坐標(biāo)數(shù)組中每五個(gè)取一個(gè)坐標(biāo)值生成一個(gè)新的數(shù)組記為L(zhǎng)2，并且判斷是否加入了L1中的最后一個(gè)坐標(biāo)，若否則把最后的坐標(biāo)加入新數(shù)組L2，進(jìn)行長(zhǎng)度計(jì)算降低誤差。設(shè)A、B兩點(diǎn)坐標(biāo)分別為（x1，x2），（y1，y2），則兩點(diǎn)之間的歐式距離公式如式（7）所示：

在數(shù)組L2中取出所有的坐標(biāo)進(jìn)行計(jì)算長(zhǎng)度，通過累加求和公式（3）進(jìn)行總長(zhǎng)度計(jì)算。

式中，n表示L2數(shù)組中有多少段線段（即坐標(biāo)點(diǎn)總數(shù)減去1后的值），而（AB）i表示第i個(gè)線段長(zhǎng)度。

1.2.5 結(jié)果評(píng)價(jià)。將本文方法測(cè)量的水稻種子幼苗芽長(zhǎng)與根長(zhǎng)與手工軟件測(cè)量結(jié)果進(jìn)行對(duì)比分析，進(jìn)行最大誤差和百分誤差（Percentage error）計(jì)算，如公式（9）所示。并且計(jì)算兩個(gè)變量間的相關(guān)系數(shù)，如公式（10）所示。

式中，x是本文方法得出的測(cè)量值，y是手工測(cè)量值，xˉ和yˉ是平均值。

2 結(jié)果與分析

2.1 圖像分割和去噪

OTSU 算法對(duì)發(fā)芽圖像進(jìn)行分割的結(jié)果如圖2A 所示，可以看出根尖處會(huì)出現(xiàn)不連續(xù)現(xiàn)象且二值圖像中有噪聲點(diǎn)，為了讓其更具連通性和平滑效果，對(duì)圖像進(jìn)行形態(tài)學(xué)方法處理[16-17]，先后進(jìn)行了膨脹和腐蝕運(yùn)算，通過設(shè)定閾值，對(duì)小于該閾值的小連通區(qū)域噪聲進(jìn)行去除，處理后的圖像如圖2B 所示。針對(duì)二值圖像根形成的孔洞，為了保證像素點(diǎn)的連續(xù)性以及避免骨架提取時(shí)出現(xiàn)閉環(huán)，采用remove_small_holes 方法對(duì)空洞進(jìn)行處理，結(jié)果如圖2C所示。

圖2 圖像分割結(jié)果

2.2 骨架提取

通常骨架提取算法要滿足以下幾點(diǎn)要求：保證原圖像輪廓的連通性、原圖像輪廓的中心線為骨架線、細(xì)化后的骨架線寬度為1 個(gè)像素、細(xì)化速度要快[18]。本研究分別運(yùn)用thin、skeletonize 骨架提取算法對(duì)單個(gè)水稻種子幼苗的二值圖像進(jìn)行細(xì)化。通過細(xì)化獲得的兩個(gè)骨架特征如圖3 所示。對(duì)比2 種骨架提取算法，通過局部分支點(diǎn)的放大，可以發(fā)現(xiàn)thin算法在分支處無法保留細(xì)化之前圖像的分支角度，skeletonize算法效果較好。

圖3 2種骨架提取算法效果對(duì)比

2.3 最長(zhǎng)路徑搜索

為了計(jì)算芽和根的長(zhǎng)度，在得到骨架的基礎(chǔ)上，利用DFS 遍歷算法對(duì)骨架圖進(jìn)行遍歷，找出最長(zhǎng)骨架線，并將最長(zhǎng)骨架線與原種子幼苗圖像合并顯示，如圖4 所示，可以發(fā)現(xiàn)提取的最長(zhǎng)骨架線能夠很好匹配幼苗圖像。

圖4 最長(zhǎng)路徑骨架提取結(jié)果

2.4 種子定位與分割

利用種子芽和根在HSV 空間表現(xiàn)的特征，分別識(shí)別種子的芽區(qū)域和根區(qū)域，去除芽區(qū)域后的圖像如圖5A所示，去除根區(qū)域的圖像如圖5B所示，圖5A和圖5B 共有的部分即為種子區(qū)域，如圖5C 所示。得到種子區(qū)域二值圖像后，提取種子區(qū)域輪廓，并獲得質(zhì)心坐標(biāo)，通過質(zhì)心坐標(biāo)實(shí)現(xiàn)對(duì)幼苗芽根主骨架先的分割，分別統(tǒng)計(jì)芽和根的長(zhǎng)度。

圖5 種子區(qū)域選擇結(jié)果

2.5 數(shù)據(jù)分析

使用軟件Adobe Illustrator 2019，分別統(tǒng)計(jì)水稻種子實(shí)驗(yàn)圖像中芽和根的像素個(gè)數(shù)作為標(biāo)準(zhǔn)參考值，與本文方法的測(cè)量值進(jìn)行比較，倆組數(shù)據(jù)的根長(zhǎng)相關(guān)系數(shù)為0.997，芽長(zhǎng)相關(guān)系數(shù)0.998。這與圖6中所有點(diǎn)均在1∶1線附近是一致的。經(jīng)統(tǒng)計(jì)分析，100株幼苗圖像根長(zhǎng)的平均百分比誤差為1.57%，芽長(zhǎng)的平均百分比誤差為1.48%。產(chǎn)生誤差的原因可能有，有些種子的根數(shù)量較多會(huì)形成閉環(huán)，在輪廓內(nèi)部填充后的骨架提取步驟里會(huì)導(dǎo)致算法采用的是中心線，而不是主根；以及較粗的芽在細(xì)化時(shí)也會(huì)產(chǎn)生偏移，導(dǎo)致計(jì)算長(zhǎng)度不一致；在分割芽長(zhǎng)和根長(zhǎng)的時(shí)候，因?yàn)榉N子萌發(fā)點(diǎn)不是在種子中心，所以用種子中心去分割芽和根區(qū)域也會(huì)產(chǎn)生一定的誤差。

圖6 芽、根長(zhǎng)度的手工測(cè)量值與本文方法測(cè)量值比較

3 結(jié)論

目前對(duì)種子發(fā)芽時(shí)的根長(zhǎng)和芽長(zhǎng)的自動(dòng)測(cè)量方法研究較少，本文使用的水稻種子幼苗圖像根長(zhǎng)和芽長(zhǎng)的自動(dòng)測(cè)量方法是有效的，且芽和根長(zhǎng)度的平均誤差在2%以下，能夠滿足農(nóng)學(xué)應(yīng)用的需要。

該方法具有計(jì)算速度快、自動(dòng)化程度高等優(yōu)點(diǎn)，具有一定的適用性，可為試驗(yàn)室種子發(fā)芽試驗(yàn)中芽與根長(zhǎng)度測(cè)量提供參考，也可擴(kuò)展到其他具有相似的谷物作物種子幼苗（小麥、玉米、馬尾松）的檢測(cè)與分析，具有一定的推廣價(jià)值。