基于MATLAB的玉米果穗顆粒統(tǒng)計方法

梁文東　蔣益敏

摘要：顆粒統(tǒng)計與自動識別檢測在現(xiàn)代農(nóng)業(yè)中發(fā)揮關(guān)鍵作用，玉米果穗品質(zhì)好壞與顆粒多少呈正相關(guān)。計算機技術(shù)特別是圖像技術(shù)在玉米果穗中的應(yīng)用多樣化趨勢明顯，采用圖像分割技術(shù)對玉米果穗進行顆粒統(tǒng)計能實現(xiàn)快速對玉米特征進行識別。由于玉米果穗顆粒之間往往存在粘連現(xiàn)象，采用傳統(tǒng)分水嶺分割方法對玉米果穗進行分割就會導(dǎo)致不能對粘連區(qū)域?qū)崿F(xiàn)良好分割。而改進的分水嶺分割算法，引入擴展極大值變換，既能避免過分割現(xiàn)象，又能實現(xiàn)對粘連區(qū)域的正確分割，本研究利用MATLAB對玉米果穗圖像進行轉(zhuǎn)換、灰度化、濾波降噪、區(qū)域增強等一系列處理后，采用改進的分水嶺分割算法，準(zhǔn)確實現(xiàn)玉米果穗顆粒統(tǒng)計。

關(guān)鍵詞：MATLAB；顆粒統(tǒng)計；分水嶺算法；玉米果穗

中圖分類號： S126文獻標(biāo)志碼： A文章編號：1002-1302（2015）02-0406-03

收稿日期：2014-11-06

作者簡介：梁文東（1971—），男，廣西崇左人，講師，主要從事多媒體技術(shù)、圖像處理應(yīng)用研究。E-mail：meilidemeng_feng@163.com。玉米果穗性狀參數(shù)測量是玉米作物遺傳育種過程中一個重要環(huán)節(jié)，傳統(tǒng)的人工測量，工序繁瑣，勞動強度大，重復(fù)的手工計數(shù)更易使人眼疲勞，直接影響到檢測的準(zhǔn)確度和效率[1]。在信息技術(shù)高速發(fā)展的時代，計算機視覺技術(shù)與圖像處理技術(shù)得到快速發(fā)展，使計算機測量技術(shù)日趨成熟，已經(jīng)在農(nóng)作物育種、測產(chǎn)、品質(zhì)鑒定等方面廣泛應(yīng)用。玉米果穗性狀測量主要是對外觀品質(zhì)參數(shù)進行測定，有穗長、穗寬、穗行數(shù)、行粒數(shù)、穗粒數(shù)以及顏色、紋理[2]等。本研究以統(tǒng)計穗粒數(shù)為例，借助MATLAB圖像處理工具，采用擴展極大值變換改進分水嶺算法，實現(xiàn)玉米果穗圖像的顆粒統(tǒng)計。改進分水嶺算法對中小型玉米育種與試驗推廣機構(gòu)有很好的應(yīng)用推廣價值。

1玉米果穗圖的采集與處理

在對玉米果穗進行顆粒計數(shù)前，需要設(shè)計合理的圖像采集系統(tǒng)，并按統(tǒng)一的拍攝參數(shù)進行圖像采集，然后對圖像進行灰度化、圖像增強和二值化等預(yù)處理[3]。

1.1玉米果穗圖像采集

玉米果穗分新鮮玉米和干燥玉米2種，以廣西農(nóng)業(yè)職業(yè)技術(shù)學(xué)院育種中心采收曬干后的玉米種子干燥果穗作為試驗材料。玉米果穗圖像的采集通常有數(shù)碼相機拍攝和掃描儀實物掃描2種方法。實物掃描儀法由于玉米果穗體積大，常規(guī)掃描儀由于遮光蓋蓋不上，出現(xiàn)漏光，造成聚集不準(zhǔn)，圖像模糊。相機拍攝法簡單實用，但受拍攝距離、角度、光照的影響較大，會產(chǎn)生更多的噪聲，增加了圖像預(yù)處理的難度。為減少采集過程中的噪聲引入，統(tǒng)一圖像標(biāo)準(zhǔn)，拍攝前需嚴(yán)格按照預(yù)先要求設(shè)置好相機參數(shù)，將數(shù)碼相機固定于離載物平臺40～50 cm高的支架上，垂直向下拍攝，獲取玉米果穗圖像。

1.2圖像預(yù)處理

由數(shù)碼相機采集而來的玉米果穗圖像是分辨率很高的彩色圖像，它由R、G、B 3個顏色分量構(gòu)成，數(shù)據(jù)量是灰度圖像的3倍，為使后續(xù)的圖像計算變得高效快捷，通常要進行彩色和灰度之間的轉(zhuǎn)化。灰度圖像又叫單色圖像，圖像中每個像素點的變化范圍為0～255，分別表示不同的深淺灰色[4]。在RGB色彩模型中，灰度圖像相當(dāng)于彩色圖像的一個顏色分量。由彩色圖像轉(zhuǎn)化為灰度圖像其實就是使彩色的R、G、B分量值相等的過程[5]。在MATLAB中可用圖形工具箱中的rgb2gray函數(shù)進行轉(zhuǎn)換。

圖像采集過程中受拍攝距離、角度、光照的影響較大，產(chǎn)生的噪聲會直接影響到圖像識別的準(zhǔn)確率，需要根據(jù)噪聲產(chǎn)生的原因以及噪聲的統(tǒng)計特性和頻譜分布的不同，選擇合適的濾波算法，進行圖像平滑。

平滑濾波在降低圖像噪聲的同時，也使圖像的邊界與輪廓變模糊，需要進行圖像銳化處理，使得圖像邊緣更清晰[6]。MATLAB的圖像處理工具箱中提供imfilter（）和fspecial（）2個濾波相關(guān)函數(shù)，其中imfilter（）是濾波函數(shù)，fspecial（）是濾波器（濾波模板）生成函數(shù)，它根據(jù)不同的算子生成特定的濾波器，然后由imfilter（）函數(shù)完成濾波操作，實現(xiàn)圖像增強。本例中采用高斯-拉普拉斯算子（Laplacian of a Gaussian，LOG），拉普拉斯算子采用基于二階微分模板，對細(xì)節(jié)的響應(yīng)強烈，圖像銳化增強效果顯著。LOG算子是高斯平滑濾波與拉普拉斯算子的結(jié)合，銳化前先對原圖噪聲進行平滑濾波，然后通過拉普拉斯算子銳化圖像邊緣，在噪聲平滑與邊緣強化中取得平衡。

二值圖像由黑和白組成，沒有中間灰度值，每個像素元素的取值非0即1。二值圖像能反映圖像的基本結(jié)構(gòu)特征，且數(shù)據(jù)量極小，運算效率高，在進行玉米果穗顆粒分割前需要進行圖像二值化處理。圖像二值化根據(jù)事先設(shè)定的灰度閾值，掃描所有像素，將大于閾值的像素值全部置換為1，小于閾值的為0。因此，閾值是影響二值化效果的關(guān)鍵因素，閾值的確定通常有經(jīng)驗法、直方圖谷底法、迭代法、最大類間方差法等。本研究按統(tǒng)一標(biāo)準(zhǔn)采集的玉米果穗圖像背景比較純凈，采用自動閾值即可滿足識別要求。

2算法分析

2.1基于分水嶺的分割方法

由于分割目標(biāo)是玉米果穗，其顆粒粘連特征突出，采用普通分割算法較為困難，而采用分水嶺分割算法處理此類顆粒統(tǒng)計，效果較好。基于分水嶺的分割方法屬于數(shù)學(xué)形態(tài)學(xué)的一種[7]，將圖像視為地質(zhì)學(xué)中的拓?fù)涞孛玻瑘D像的灰度值對應(yīng)地形的高度值，每一個局部極小值和對應(yīng)的影響區(qū)域稱為集水盆，集水盆的邊界就是分水嶺[8]。這一方法實質(zhì)上也是迭代標(biāo)注的過程，經(jīng)典算法由學(xué)者L. Vincent提出[9]。分水嶺算法先按照圖像灰度值由小到大進行排序，然后從小到大將每一個局部極小值對h階高度的影響按照先進先出原則判定和標(biāo)注。為了快速得到圖像邊緣信息，輸入圖像一般選擇其梯度圖像。

分水嶺算法對輕微變化的圖案邊緣響應(yīng)強烈，能夠得到連續(xù)封閉的圖像邊緣。傳統(tǒng)分水嶺算法存在過度分割的缺點，噪聲，甚至物體表面灰度發(fā)生細(xì)微變化，都可能導(dǎo)致過分割的出現(xiàn)[10]。endprint

按照傳統(tǒng)分水嶺分割算法，對玉米顆粒進行分割，需要處理成二值圖像。將分水嶺分割算法在玉米顆粒統(tǒng)計分析分割效果，對歐氏距離變換后的灰度圖像，玉米顆粒內(nèi)部局部極大值點并不唯一，說明部分顆粒內(nèi)部有多個極大值點存在，導(dǎo)致過分割產(chǎn)生。由此可見，傳統(tǒng)的分水嶺分割算法在玉米顆粒統(tǒng)計應(yīng)用上會形成失效。

2.2改進分水嶺分割方法

為避免出現(xiàn)傳統(tǒng)分水嶺分割算法的過分割，本研究引入擴展極大值變換，主要是在灰度圖像距離變換之后，采用適當(dāng)?shù)拈撝担瑢D像繼續(xù)進行擴展極大值變換，從而對得到的二值圖像進行分水嶺變換，這時分水嶺脊線和原圖像進行有效疊加，從而實現(xiàn)過分割現(xiàn)象的消除。

2.2.1擴展極大值變換事實上，擴展極大值變換可以分成2步，第1步是采用H極大值變換，實現(xiàn)從灰度圖像當(dāng)中提取出和圖像目標(biāo)物相關(guān)局部極大值，從而將所有深度小于設(shè)定閾值h的極大值給抑制住，然后原始灰度圖像f膨脹可以從 f-h 中重構(gòu)實現(xiàn)，如公式1所示。

Hmaxh（f）=Rδf（f-h）。（1）

第2步采用擴展極大值變換計算第1步變換對應(yīng)區(qū)域的極大值，從而得到二值標(biāo)記圖像，如“公式2”所示。

Emaxh（f）=Rmax[Hmaxh（f）]。（2）

2.2.2算法流程基于分水嶺的分割方法在引入擴展極大值變換，從而實現(xiàn)算法的改進，那么關(guān)鍵在于確定適當(dāng)?shù)拈撝担拍鼙苊膺^分割出現(xiàn)，正確實現(xiàn)對原始圖像的分割。而距離變換會導(dǎo)致灰度值出現(xiàn)小數(shù)，采用歸一化處理可以實現(xiàn)運算精度的提高，這就是將變換之后的灰度值控制在0～1之內(nèi)。對連通區(qū)域標(biāo)記法實現(xiàn)計數(shù)，通過逐漸增加一步Δh來得到h最優(yōu)取值范圍，如果h超出范圍，則過分割仍會出現(xiàn)；而小于范圍，將導(dǎo)致顆粒碎片產(chǎn)生。

在對原二值圖像采用擴展極大值變換得到的二值圖像統(tǒng)計顆粒的個數(shù)N1，分水嶺脊線和原圖像進行有效疊加后，統(tǒng)計顆粒的個數(shù)N2，此時對于小尺寸顆粒也能較好進行保留。當(dāng)閾值選擇較小時，可以實現(xiàn)玉米顆粒個數(shù)統(tǒng)計。具體算法流程見圖1。

2.2.3空洞填補圖像通常會因為照相過程的原因，圖像灰度會出現(xiàn)一定程度的不均勻，這樣在圖像進行分割后二值化圖像中就可能出現(xiàn)細(xì)微孔洞，需要對這類孔洞進行填充。Matlab語言中imfill函數(shù)可以進行孔洞填充，但是不能指定孔洞大小，這就有可能導(dǎo)致孔洞出現(xiàn)誤填充。下面對填充過程進行處理，結(jié)合matlab中刪除小面積對象的函數(shù)bwareaopen，可以實現(xiàn)對填充的孔洞指定大小，就不需要使用專門的濾波器，減少了邊緣信息的損失。步驟如下：

（1）利用imfill函數(shù)填充所有孔洞；（2）將原始圖像反色，與填充所有孔洞后的圖像進行與操作，得到填充的所有孔洞；（3）利用bwareaopen函數(shù)刪除所有孔洞中小于指定大小的小面積對象，并進行反色，然后與填充的所有孔洞進行與操作，得到小于指定大小的小孔洞；（4）將小孔洞與原始圖像進行或操作，實現(xiàn)孔洞指定大小填充。

2.3玉米果穗顆粒計數(shù)實現(xiàn)

在對玉米果穗顆粒計數(shù)前，要先確認(rèn)玉米顆粒一致性測度。一致性是要求圖像滿足灰度等特征要求的在特定區(qū)域內(nèi)具有相似性，一致性測度原則主要有：

（1）標(biāo)準(zhǔn)差法：給定標(biāo)準(zhǔn)差基準(zhǔn)，若特定區(qū)域標(biāo)準(zhǔn)差大于該基準(zhǔn)，就判定為該區(qū)域不滿足一致性測度；（2）方差法：若特定區(qū)域中70%圖像像素在方差范圍內(nèi)，就判定為該區(qū)域滿足一致性測度；（3）局部標(biāo)準(zhǔn)差：若特定區(qū)域標(biāo)準(zhǔn)差<整幅圖像均值的20%，就判定為該區(qū)域滿足一致性測度；（4）局部均值：若特定區(qū)域均值<整幅圖像均值，就判定為該區(qū)域不滿足一致性測度。

在對玉米果穗圖像進行一系列圖像預(yù)處理，同時清楚一致性測度之后，引入擴展極大值變換，采用改進的分水嶺分割算法對玉米果穗圖像中的玉米顆粒部分進行分割，然后通過標(biāo)記連通分量實現(xiàn)玉米果穗顆粒的統(tǒng)計。

3算法測試與分析

玉米果穗原始圖像見圖2，對于玉米果穗分別按照傳統(tǒng)分水嶺分割算法和改進分水嶺分割算法，對玉米果穗顆粒進行分割，得到分割圖像見圖3、圖4，顆粒計數(shù)分別為325、281粒，可以看出傳統(tǒng)分水嶺分割算法存在明顯的過分割現(xiàn)象，顆粒計數(shù)明顯偏多。而經(jīng)過改進的算法，由于引入擴展極大值變換，過分割得到有效避免，顆粒計數(shù)準(zhǔn)確。

對于20組玉米果穗分別按照傳統(tǒng)和改進分水嶺分割算法進行顆粒統(tǒng)計，將計數(shù)結(jié)果與實際顆粒差值進行比較，得到顆粒統(tǒng)計誤差對比見圖5。可見傳統(tǒng)分水嶺分割算法由于過分割的存在，誤差率在18%，而改進分水嶺分割算法誤差率僅為2%，改進效果明顯，取得了預(yù)期效果。

4結(jié)論

顆粒統(tǒng)計與自動識別檢測在現(xiàn)代農(nóng)業(yè)中發(fā)揮關(guān)鍵作用，玉米果穗品質(zhì)好壞與玉米果穗顆粒多少呈正相關(guān)。計算機技術(shù)特別是圖像技術(shù)在玉米果穗中的應(yīng)用多樣化趨勢明顯，采用圖像分割技術(shù)對玉米果穗進行顆粒統(tǒng)計能實現(xiàn)快速對玉米特征進行識別。由于玉米果穗顆粒之間往往存在粘連現(xiàn)象，采用傳統(tǒng)分水嶺分割方法對玉米果穗進行分割會導(dǎo)致不能對粘連區(qū)域?qū)崿F(xiàn)良好分割。而改進的分水嶺分割算法，引入擴展極大值變換，既能避免過分割現(xiàn)象，又能實現(xiàn)對粘連區(qū)域的正確分割，本研究利用MATLAB對玉米果穗圖像進行轉(zhuǎn)換、灰度化、濾波降噪、區(qū)域增強等一系列處理后，采用改進的分水嶺分割算法，準(zhǔn)確實現(xiàn)玉米果穗顆粒統(tǒng)計。

參考文獻：

[1]呂永春，馬欽，李紹明，等. 基于背景板比例尺的玉米果穗圖像特征測量[J]. 農(nóng)業(yè)工程學(xué)報，2010，26（增刊2）：43-47.

[2]史中輝，趙秀艷，于廣洋，等. 基于圖像處理的玉米種子特征參數(shù)提取系統(tǒng)[J]. 農(nóng)機化研究，2011，33（10）：166-170.

[3]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.

[4]韓仲志，楊錦忠. 計數(shù)玉米穗行數(shù)的機器視覺研究[J]. 玉米科學(xué)，2010，18（2）：146-148，152.

[5]梁文東. 基于MATLAB的玉米果穗圖像輪廓提取[J]. 農(nóng)業(yè)網(wǎng)絡(luò)信息，2014（6）：21-23.

[6]周志強，郭帥超，成軍虎.玉米品質(zhì)性狀計算機視覺識別與評價研究進展[J]. 河南工業(yè)大學(xué)學(xué)報：自然科學(xué)版，2011，32（1）：83-88.

[7]王紅君，陳偉，趙輝，等. 復(fù)雜背景下植物葉片的彩色圖像分割[J]. 中國農(nóng)機化學(xué)報，2013，34（2）：207-211.

[8]張晴晴，張善文，齊國紅. 基于改進分水嶺的圖像分割算法研究[J]. 安徽農(nóng)業(yè)科學(xué)，2013（29）：11890-11892.

[9]胡 敏，蔡慧芬. 基于形態(tài)學(xué)標(biāo)記連通的分水嶺圖像分割[J]. 電子測量與儀器學(xué)報，2011，25（10）：864-869.

[10]劉兆松，婁宗科，屈瑾. 基于形態(tài)學(xué)分水嶺算法的骨料分割及建模[J]. 武漢大學(xué)學(xué)報：工學(xué)版，2013，46（4）：489-493，513.陳金成，高國剛，馬本學(xué)，等. 基于RFID的棉種倉庫信息采集系統(tǒng)的研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（2）：409-411.endprint