基于紋理特征的玉米苗期田間雜草識別

摘要：對玉米常見雜草進行灰度化、圖像濾波等圖像預處理，對多個圖像紋理特征進行篩選。以支持向量機進行分類識別，分別進行基于灰度矩陣、統計矩的識別以及二者結合的識別。結果表明，綜合了灰度矩陣與統計矩的紋理特征識別精度最高，可滿足田間雜草識別要求。

關鍵詞：玉米；雜草；識別；紋理特征；灰度矩陣；統計矩

中圖分類號： TP391.41 文獻標志碼： A 文章編號：1002-1302（2014）07-0143-03

收稿日期：2013-11-03

基金項目：河北省保定市科技基金（編號：13ZN021）；保定學院科研基金（編號：2013Z04）。

作者簡介：王懷宇（1975—），男，河北保定人，碩士，講師，從事圖像處理、數據挖掘研究。E-mail：why_bdxy@163.com。玉米苗期常見雜草包括刺兒菜、藜、馬唐、田旋花等。傳統除草方法是噴灑除草劑，但田間雜草生長分布呈不均勻、無規律的隨機分布，因此大規模藥物噴灑不僅造成浪費，也對環境帶來不容忽視的污染。隨著精準農業的發展和圖像處理技術應用的深入，在機器視覺的協助下實現農田中除草劑的變量噴灑成為當今研究熱點。如何識別雜草圖像是其中最為關鍵的步驟。當前已經開發出不少識別雜草的有效方法，這些方法往往結合雜草各類特征對其進行識別，包括顏色特征[1-4]、形狀特征[5-6]、光譜特征[7-9]等，也有研究結合以上組合特征進行識別，取得了較高的效率與精度。但單獨針對雜草紋理特征進行智能識別的研究尚不多見。

紋理特征能夠體現出圖像灰度或顏色分布的可描述規律，尤其是在被識別目標的形狀、顏色等屬性均與周邊環境相似時，能夠以兼顧宏觀性質與細部結構的方式取得較好的識別效果[10]。不同作物種類或同種作物的健康苗株與病害植株間在圖像紋理特征上有較為明顯的區別，因此紋理特征在農作物病蟲草害識別研究中能取得較好的識別效果[10]。對于雜草識別來講，怎樣快速提取紋理特征以及如何實現準確的識別率是最關鍵的問題。本研究以玉米常見雜草圖像識別為例，在圖像預處理后，對樣品的多個紋理特征進行篩選，以支持向量機進行分類，分別進行基于灰度矩陣、統計矩的識別以及結合二者的識別，以期為雜草的快速檢測及定向施藥提供基礎。

1材料與方法

1.1圖像采集

北方地區玉米苗期雜草非常常見，一般在播種后便可觀察到雜草。據統計，華北地區玉米播種后的8～10 d是雜草出土最集中的時期，12～15 d雜草出土占總量的80%，25 d后達到95%。雜草的出土、生長時間規律與北方地區夏玉米苗期生長節律基本吻合。因此，只有及時除去雜草才能保證玉米產量。研究證實，當玉米生長至3～5葉、田間雜草生長至2～3葉時，是去除雜草的關鍵時期。本研究在玉米生長至3～5葉時采集田間各類雜草圖像，包括刺兒菜、藜、馬唐、田旋花。在目標物正上方以640×480像素進行拍攝，雜草圖像實例見圖1。

1.2圖像預處理

1.2.1圖像增強為了突出圖像特征，削弱某些不重要甚至干擾的信息，首先對原始圖像進行增強處理，以提升圖像中有價值區域的對比度。圖像增強方法分為頻率增強法和空間增強法兩大類。考慮到圖像識別對于實時性的要求，本研究選取效率更高的空間增強法[11]，該方法對每個像素的灰度值進行變換，最終實現整體對比度的提升，達到圖像增強的目的。

3結論

針對玉米田間雜草的識別問題，提出了根據紋理特征進行智能識別的方法，具有創新性。以灰度共生矩陣和統計矩來描述識別目標的紋理特征，通過支持向量機進行分類識別。結果表明，綜合了灰度矩陣與統計矩的紋理特征識別精度超過90%，能滿足識別要求。本研究成果有利于減少除草劑噴灑量，有助于實現除草系統的自動化和智能化。

參考文獻：

[1]Woebbecke D M，Meyer G E，Von Bargen K，et al. Color indices for weed identification under various soil，residual，and lighting conditions[J]. Transactions of the ASAE，1995，38（1）：259-269.

[2]El-Faki M S，Zhang N，Peterson D E. Factors affecting color-based weed detection[J]. Transactions of the ASAE，2000，43（4）：1001-1009.

[3]Tang L，Tian L，Steward B L. Color image segmentation with genetic algorithm for in-field weed sensing[J]. Transactions of the ASAE，2000，43（4）：1019-1027.

[4]El-Faki M S. Zhang N，Peterson D E. Weed detection using color machine vision[J]. Transactions of the ASAE，2000，43（6）：1969-1978.

[5]Guyer D E，Miles G E，Schreiber M M，et al. Machine vision and image processing for plant identification[J]. Transactions of the ASAE，1986，29（6）：1500-1507.

[6]Franz E，Gebhardt M R，Unklesbay K B. Shape description of completely visible and partially occluded leaves for identifying plants in digital images[J]. Transactions of the ASAE，1991，34（2）：673-681.

[7]Franz E，Gebhardt M R，Unklesbay K B. The use of local spectral properties of leaves as an aid for identifying weed seedlings in digital images[J]. Transactions of the ASAE，1991，34（2）：682-687.

[8]Lu R，Peng Y K. Hyperspectral scattering for assessing peach fruit firmness[J]. Biosystems Engineering，2006，93（2）：161-171.

[9]Goel P K，Prasher S O，Patel R M，et al. Use of airborne multispectral imagery for weed detection in field crops[J]. Transactions of the ASAE，2002，45（2）：443-449.

[10]周平，汪亞明，趙勻. 基于顏色分量運算與色域壓縮的雜草實時檢測方法[J]. 農業機械學報，2007，38（1）：116-119.

[11]何東健. 數字圖像處理[M]. 西安：西安電子科技大學出版社，2004.

[12]劉立宏，胡可剛，劉立欣. 目標檢測中的快速中值濾波法[J]. 吉林大學學報：信息科學版，2004，22（3）：232-235.

[13]Haralick R M，Shanmugam K. Texture features for image classification[J]. IEEE Systems Man and Cyberbetucs，1973，3（6）：610-621.

[14]Ulaby F T，Kouyate F，Brisco B，et al. Textural infornation in SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing，1986，GE-24（2）：235-245.

[15]鄧乃揚，田英杰 .數據挖掘中的新方法：支持向量機[M]. 北京：科學出版社，2004.

[16]Valentini G，Dietterich T G. Bias-variance analysis of support vector machines for the development of SVM-based ensemble methods[J]. Journal of Machine Learning Research，2004，5（7）：725-775.