采棉機(jī)器人中棉花圖像輪廓提取

劉 坤，費(fèi)樹岷，汪木蘭

（1.東南大學(xué) 自動控制學(xué)院，南京 210013；2.南京工程學(xué)院 自動化學(xué)院，南京 211112）

0 引言

我國作為世界主要產(chǎn)棉大國之一，而棉花的收獲幾乎完全依靠人工。自1996年起，我國已進(jìn)入國家級棉花采摘收獲機(jī)的研究，并將大型自走式采棉機(jī)的研制列入國家科技部重點(diǎn)科技攻關(guān)項(xiàng)目。但直到目前為止，其產(chǎn)業(yè)化效果并不理想。在保持現(xiàn)有棉花基本品種和種植體系的情況下，跳出傳統(tǒng)的收獲工藝、擺脫化學(xué)干擾素對棉花自然生長的影響，開展基于機(jī)器視覺的智能化采棉關(guān)鍵技術(shù)的研究便成為解決這一問題的方案之一。在棉花采摘機(jī)器人視覺系統(tǒng)中，棉桃的準(zhǔn)確分割是其中的關(guān)鍵環(huán)節(jié)，能否快速準(zhǔn)確地分割出棉桃，直接影響機(jī)器人對棉花識別的準(zhǔn)確性。王勇等基于RGB空間下的色差信息模型實(shí)現(xiàn)了成熟棉桃的分割、識別，其識別效率均在85%左右，而對棉桃遮擋及重疊等問題均為涉及[1～3]。

要解決棉花成熟度和其空間位置的識別問題必須對棉花圖像進(jìn)行分割。而在此之前必須先確定作為后續(xù)研究用的顏色模型空間，即采用何種模型空間的問題。隨后要確定所采集圖像的分割方式或方法。顏色是光譜中可視頻段進(jìn)入視覺系統(tǒng)的感知結(jié)果。要對顏色進(jìn)行規(guī)范化描述和度量，就必須建立一個(gè)表示三維屬性及各參量之間關(guān)系的色彩系統(tǒng)，即顏色空間。采用基于彩色圖像分割方法識別工作目標(biāo)時(shí)，首先需要定義目標(biāo)的顏色，這就涉及到如何選擇合適的顏色空間問題。目前常用的顏色空間有RGB、YUV、HSV和CMY等。選擇不同的顏色空間將會直接影響到今后的圖像分割和目標(biāo)識別的效果、精度以及運(yùn)算量。

1 顏色空間選擇

研究選用了HSV空間進(jìn)行分析。這個(gè)模型的建立基于兩個(gè)重要的事實(shí)：第一，V分量與圖像的彩色信息無關(guān)；第二，H和S分量與人感受顏色的方式是緊密相連的。應(yīng)用HSV模型建立的對應(yīng)于圓柱坐標(biāo)系的一個(gè)圓錐形子集中圓錐的頂面對應(yīng)于V=1，代表的顏色較亮；色調(diào)H由繞V軸的旋轉(zhuǎn)角給定，紅色對應(yīng)于角度0°，綠色對應(yīng)于角度120°，每一種顏色和它的補(bǔ)色相差180°；圓錐頂面中心處S=0、V=1、H無定義，代表白色，頂面中心到原點(diǎn)代表亮度漸暗的白色，即不同灰度的白色。

2 圖像采集及預(yù)處理

采用從江蘇省農(nóng)科院棉花試驗(yàn)場實(shí)地拍攝的棉花圖像棉花為魯棉15號，利用數(shù)碼相機(jī)在自然條件下采集。用PC機(jī)對圖像進(jìn)行處理，計(jì)算機(jī)配置奔騰4 CPU2.8GHz、512MB內(nèi)存、Windows XP操作系統(tǒng)。每幅圖像為24位真色彩，其每一個(gè)像素的顏色值以R（紅）、G（綠）、B（藍(lán)）格式存儲。

研究針對100幅棉花圖像進(jìn)行了統(tǒng)計(jì)處理，并在每幅圖像中分別對棉花花絮、棉莢、棉葉和枝干各處隨機(jī)選取了20個(gè)像素點(diǎn)，分別統(tǒng)計(jì)它們的H、S和V值，結(jié)果發(fā)現(xiàn)棉花的S值均遠(yuǎn)遠(yuǎn)小于枝葉、棉莢和背景土壤的S值，此時(shí)運(yùn)用閾值分割法是可行的。

通過對原始圖像進(jìn)行中值濾波，去除圖像采集時(shí)可能帶入的隨機(jī)噪聲，保護(hù)圖像的邊緣，并將去噪后的圖像進(jìn)行色彩空間變換，提取圖像S通道，再進(jìn)一步做灰度拉伸，以對圖像的邊緣、輪廓和對比度等進(jìn)行強(qiáng)調(diào)，以便于后續(xù)處理。S通道棉花圖像預(yù)處理過程如圖1所示。

本項(xiàng)目研究采用了一種自適應(yīng)的閾值選取方法，其算法如下：

1) 選取初始閾值T作為圖像強(qiáng)度的均值；

2) 利用該閾值將圖像分成兩組，R1和R2；

3) 分別計(jì)算它們的均值t1和t2；

4) 選取新的閾值T=(t1+t2)/2。

棉花圖像分割過程如圖2所示。

圖1 S通道棉花圖像預(yù)處理過程

圖2 棉花圖像的分割過程

3 棉花圖像的快速多尺度邊緣檢測

通過檢測二維小波變換的模極大點(diǎn)可以確定棉花圖像的邊緣點(diǎn)。由于小波變換在各尺度上都提供了圖像的邊緣信息，所以稱為多尺度邊緣。小波變換能夠把圖像分解成多種尺度成分，并對大小不同的尺度成分采用相應(yīng)的時(shí)域和空域取樣步長，從而能夠不斷地聚焦到對象的任意微小細(xì)節(jié)。通常，沿邊緣走向的幅度變化平緩，垂直于邊緣走向的幅度變化劇烈。邊緣點(diǎn)的Lipschitz正則性取決于尺度細(xì)化過程中模極大的衰減速度。針對采棉機(jī)器人的實(shí)時(shí)性要求，為了加快邊緣提取速度，本文提出一種快速多尺度邊緣檢測算法來提取棉桃邊緣。

3.1 快速多尺度邊緣檢測算法

在二維情況下，邊緣檢測算法通過計(jì)算圖像信號f(x,y)的梯度矢量

的模的局部極大值來尋找圖像邊緣的空間位置。梯度矢量的方向指出了圖像灰度值變換最快的方向。

為了計(jì)算圖像信號的兩個(gè)偏導(dǎo)數(shù)，需要兩個(gè)有方向性的二維小波，傳統(tǒng)的圖像多尺度邊緣檢測中二維小波函數(shù)分別是二維平滑函數(shù)θ(x,y)的偏導(dǎo)數(shù)

θ(x,y)在x-y平面的積分為1，且很快地收斂到0。

本文將邊緣檢測的二維二進(jìn)小波設(shè)計(jì)為一維二進(jìn)小波的可分積。它們的傅里葉變換為

式中Φ (ω)是一個(gè)低通濾波器，而

是一個(gè)高通數(shù)字濾波器。

為了能用濾波器快速實(shí)現(xiàn)二維離散二進(jìn)小波變換，假定尺度函數(shù)滿足如下二尺度方程

選擇尺度函數(shù)為m次樣條，即

對二進(jìn)小波變換在所有尺度時(shí)都均勻采樣，假定采樣間隔等于1，則離散小波系數(shù)為

定義原始圖像信號為

j＞=0時(shí)的平滑圖像信號為

那么二維離散二進(jìn)小波變換的算法表示為如下離散卷積形式

也就是說aj+1是aj沿橫向和縱向低通濾波的結(jié)果，而是aj沿橫向高通濾波的結(jié)果，是aj沿著縱向高通濾波的結(jié)果。

3.2 邊緣檢測結(jié)果

圖3 棉花多尺度邊緣檢測

依據(jù)上述算法，仿真程序運(yùn)行結(jié)果如圖3所示。圖中依次給出了第1級、第2級和第3級小波變換的模，由仿真圖像可以看出第1級小波變換模顯示出圖像的邊緣和紋理，第2，3級小波變換則主要顯示出圖像的邊緣，平滑掉了圖像細(xì)致的紋理結(jié)構(gòu)。

4 結(jié)論

本文基于了HSV彩色模型，棉桃、棉枝及棉葉的H、S、V顏色分量均值，提出一種基于S分量的棉花分割方法。并對分割后的圖像采用數(shù)學(xué)形態(tài)學(xué)方法進(jìn)行去躁，然后結(jié)合了基本灰度圖像和邊緣圖像的二進(jìn)小波檢測方法的優(yōu)點(diǎn)，提出了一種基于小波變換的快速檢測算法，它既克服了直接從灰度圖像中提取所帶來的算法復(fù)雜、耗時(shí)長的缺點(diǎn)，又克服了一般的邊緣算法所帶來的噪聲敏感問題，從而使誤判率降低。提高了采棉機(jī)器人的識別精度和速度。

[1] Kenneth R Castleman digital image processing [M],Beijing, Prentice Hall, 2000.

[2] M ilan Sonka, V aclav H lavac, Roger Boyle.艾海舟, 武勃,等, 譯.圖像處理、分析與機(jī)器視覺[M].第2版.北京:人民郵電出版社, 2003.

[3] Rafael C Gonzalez, R ichard EWoods.阮秋琦, 阮宇智, 等,譯.數(shù)字圖像處理[M]. 北京: 電子工業(yè)出版社, 2004.

[4] 王勇, 沈明霞, 姬長英.采棉期成熟棉花不同部位顏色識別分析[J].農(nóng)業(yè)工程學(xué)報(bào), 2007, 23(4): 183-185.

[5] Jiqiang Song, Michael R.Lyu, A Hough transform based line recognition method utilizing both parameter space and image space[J].Patten Recognition, 2005 (38): 539-552.

[6] M.Rizon, H Yazid, P Saad, A comparison of circular object detection using Hough transform and chord intersection[J].Geometric Modeling and imaging[2007.GMAI’ 07.4-6,115-120.

[7] Pui Kin Ser, Wan Chi Siu, A new generalized Hough transform for the detection of irregular objects[J].Journal of Visual Communication and Image Representation,1995(6): 256-264.

[8] E Kavallieratou, N Fakotakis, G Kokkinakis, Skew angle estimation for printed and handwritten documents using the Wigner-ville distribution[J].Image Vision Comput,2002(20): 813-824.

[9] U.Pal, B.B.Chaudhuri, An improved document skew angle estimation technique[J].Pattern Recognition Lett,1996(17): 899–904.