綠色作物葉面積檢測算法設計

武文亮，張志斌，路瑩瑩

(內蒙古大學 計算機學院，內蒙古 呼和浩特 010021)

綠色作物葉面積檢測算法設計

武文亮，張志斌，路瑩瑩

(內蒙古大學 計算機學院，內蒙古 呼和浩特 010021)

葉子是植物的重要器官，是建立植物生長模型的一個重要的組成部分。植物葉面積的檢測對于評估作物的長勢和建立植物的生長模型有著非常重要的研究意義。文中提出了一種可行的綠色作物葉面積檢測算法，主要內容包括三部分：綠色作物圖像的處理過程介紹，主要涉及的內容包括綠色提取、二值化處理和濾波去噪等；綠色作物葉面積的計算過程介紹，主要涉及的內容包括攝像頭的標定、單位像素面積的計算、目標像素點的統計以及綠色覆蓋區域面積的計算；葉面積檢測算法效果的驗證。實驗結果表明：該算法的葉面積檢測的誤差范圍在0.20%～1.29%之間，平均檢測誤差為0.84%?？梢钥闯觯闹刑岢龅木G色作物葉面積檢測算法具有較高的可行性。

綠色作物；綠色提取；濾波去噪；葉面積檢測；圖像處理

0 引 言

中國是一個農業大國，糧食的產量問題直接影響到民生問題。因此，預測糧食產量和評估其質量對中國經濟發展起著重要的作用，及時、準確地檢測作物的生長狀態對于提高農作物的質量和產量具有重要的意義，尤其是對果蔬作物而言。葉子是植物的重要器官，也是建立植物生長模型的一個重要的組成部分[1]。因此，獲取精準的綠色作物的葉面積是生態農業信息檢測領域重要的研究任務之一，對于評估作物的長勢和建立植物生長模型有著非常重要的研究意義。就計算機視覺技術在綠色作物圖像應用方面，國內外學者進行了大量的研究工作。

國外方面，Mayer等[2]率先利用數字圖像對幾種作物的葉面積、莖稈直徑、葉柄夾角進行了分析；Reyniers等[3]通過綠色作物顏色索引和光譜分析的方法測量小麥生長期間的覆蓋面積；Trooien等[4]探索了利用圖像處理方法測量馬鈴薯葉面積的方法。

國內方面，陳曉光等[5]利用圖像處理技術分析和判別了蔬菜苗的生長狀態，為蔬菜苗的移栽時期判斷提供了重要的信息；武聰玲等[6]在溫室條件下利用圖像處理技術對單株黃瓜幼苗的生長實行了無損監測；李少昆等[7]率先將圖像技術用于小麥、玉米等大田作物株型信息的提取和生長檢測；張偉等[8]利用計算機圖像處理技術進行了作物缺素判別。

1 綠色作物圖像處理

綠色作物圖像處理過程主要包括綠色提取、圖像二值化處理[9]和圖像濾波去噪。MATLAB工具對于圖像的處理提供了強大的支持，它把圖像以二維矩陣的方式存儲起來，只需對矩陣進行相應操作即可。

根據真實田間作物的生長背景及作物本身顏色的特點，首先要對采集到的作物圖像進行綠色成分的提取，然后再將24位真彩圖像轉換成二值化圖像。同時，拍攝到的田間作物圖像通常會因為光照以及雜草等因素的影響使得作物圖像中存在大量噪聲，因此需要對圖像進行去噪處理。MATALB工具提供了五種濾波器，包括線性平滑濾波器、中值濾波器、狀態統計濾波器、二維自適應濾波器和特定區域濾波器。文中選用自適應中值濾波方法來對二值化后的圖像進行去噪。該方法不僅能夠解決線性濾波器所產生的模糊效應[10]，同時也能夠有效地避免普通中值濾波因為窗口過多過小對圖像邊緣細節特點造成的影響。自適應中值濾波即在中值濾波的基礎上，基于噪聲的分布情況，選擇一種不斷改變窗口邊長的處理手段，在濾波的同時判斷所處理的像素點是否為噪聲，再依據具體情況進行不同的處理[11]。

綠色作物圖像處理的詳細步驟為：

(1)提取24位真彩圖像每個像素點的RGB分量；

(2)對RGB分量進行歸一化；

(3)計算綠色成分的含量；

(4)根據閾值對圖像進行二值化：文中的二值化將真實作物(目標像素區域)的灰度值置為255，背景區域灰度值置為0；

(5)對二值化后的圖像進行濾波處理。

圖1 綠色作物圖像處理

圖1為對一塊綠色作物圖像進行處理的過程。其中，圖(a)為采集到的原始圖像；圖(b)為計算綠色成份含量后根據閾值二值化后的圖像，可以看出圖像中存在許多噪點并且作物內部因為局部顏色的影響而有空洞；圖(c)為經過綠色提取后對噪點以及對作物內部本身空洞進行填補后的圖像；圖(d)為對二值化后的圖像進行濾波處理和內部空洞補全后的圖像。

2 作物葉面積的計算

2.1 攝像頭的標定

攝像頭標定的目的是創建圖像坐標與世界坐標間的對應關系。圖像坐標與世界坐標的相互關系是由攝像機成像的幾何模型決定的，幾何模型的參數也就是攝像機的內部參數，而這些參數的獲得在大多數條件下必須通過實驗和計算才能得到，這個過程就是攝像機的標定過程。圖像采集指的是將現實的三維場景經過投影轉換成二維且能夠在計算機中進行存儲的數字圖像的過程。在攝像頭標定及圖像的采集中涉及到多個坐標系，包括圖像坐標系、成像平面坐標系、攝像頭坐標系和世界坐標系[12]，通過坐標系之間的關系又可以實現將二維數字圖像還原到真實的三維空間場景。

截止目前，對于攝像機的標定問題已經提出了很多方法，文中選用了張正友標定法[13]，也稱為基于2D平面靶標攝像機標定。它是一種適合應用的新型靈活的標定方法，其基本思想是將攝像機放置在不同的角度(位置)對標定板進行拍照，從所拍攝到的圖像中提取特征點，求解出圖像上對應的坐標點，通過特征點與其對應點世界坐標之間的關系來得到內外參數。

文中對于綠色作物的葉面積檢測是基于單目視覺技術實現的。選用的是陜西維視數字圖像技術有限公司生產的MV-VS030FC工業CCD攝像頭，其分辨率為640×480，像素點間距離為5.6×10-6m。標定實驗通過其提供的配套專業標定軟件和標定板完成，其提供的標定過程是基于張正友標定法實現的。通過標定所得攝像頭的內參矩陣為：

2.2 單位像素面積的計算

綠色作物的葉子一般為不規則的形狀，可以通過其最小包圍合外切矩形進行單位像素面積的求解，獲得不規則圖像的最小包圍合矩形用MATLAB是極易實現的。單位像素面積的具體求解過程如下：

假設已知綠色作物葉子的左、右、上、下邊界的圖像坐標分別為(Xc1,Yc1)、(Xc2,Yc2)、(Xc3,Yc3)和(Xc4,Yc4)；通過攝像機標定所得的攝像頭內參以及拍攝頭像時的外參(拍攝高度和拍攝傾角)轉換得到的相應世界坐標分別為(Xw1,Yw1)、(Xw2,Yw2)、(Xw3,Yw3)、(Xw4,Yw4)。那么圖像坐標X軸和Y軸的單位像素距離px和py可以分別由式(1)和式(2)表示，圖像坐標下的單位像素面積ps可由式(3)表示。

px=(Xw2-Xw1)/(Xc2-Xc1)

(1)

py=(Yw4-Yw3)/(Yc4-Yc3)

(2)

ps=px*py

(3)

2.3 目標像素點的統計

對二值化后的圖像經過濾波處理和空洞補全處理后的圖像通過MATLAB可以快速地統計出目標像素總個數，只要對其相應二維矩陣中各個像素點的灰度值進行0和255判別即可，若為255則說明為作物區域像素，若為0則說明是作物生長的背景區域。

2.4 葉面積的計算

獲取到作物葉子的單位像素面積及其像素點個數后，作物葉面積的計算就輕而易舉了，只要對單位像素面積與目標像素點個數取乘積即為作物的實驗面積。

3 實驗數據的獲取和分析

為了盡可能地減少因為濾波去噪以及不規則邊界等因素對作物葉面積檢測造成的影響，同時考慮到受條件限制真實作物葉面積無法精確獲取，文中采用一張尺寸為30 m *40 m的綠色背景矩形圖片模擬綠色作物葉子。為了得到較為可靠的實驗結果，文中分別在相同拍攝高度、不同拍攝傾角和相同拍攝傾角、不同拍攝高度兩組條件下進行了仿真實驗。第一組實驗將拍攝高度固定為700 mm，拍攝傾角分別取15°、20°、25°、30°；第二組實驗將拍攝傾角固定為20°，拍攝高度分別取800 mm、900 mm、1 000 mm、1 100 mm。

經過綠色作物的圖像處理和作物葉面積計算處理后，相同拍攝高度、不同拍攝傾角下圖像的處理結果如表1所示，相同拍攝傾角、不同拍攝高度下的圖像處理結果如表2所示。其中，實驗面積即檢測面積，為像素個數與單位像素面積的乘積，檢測誤差為實驗面積與真實面積的誤差。

表1 700 mm不同傾角下的實驗數據

表2 20°不同高度下的實驗數據

通過上述兩組實驗數據可以看出：拍攝高度固定為700 mm，拍攝傾角分別為15°、20°、25°、30°時，葉面積檢測的誤差范圍在0.69%～1.29%之間；拍攝傾角固定為20°，拍攝高度分別為800 mm、900 mm、1 000 mm、1 100 mm時，葉面積檢測的誤差范圍在0.20%～1.02%之間。說明文中提出的綠色作物葉面積檢測算法具有較高的可行性。

4 結束語

文中提出了一種可行的綠色作物葉面積的檢測算法，綠色作物葉面積的計算過程主要包括攝像頭的標定和綠色圖像的處理。攝像頭標定的內參以及拍攝圖像時的外參是完成坐標轉換的基礎，單位像素面積的計算必須通過坐標轉換程序來完成。綠色圖像的處理主要涉及的內容包括綠色提取、二值化處理和濾波去噪等。二值化的目的在于獲取葉子的最小包圍合矩形以及統計目標像素點的個數。獲取最小包圍合矩形的目的在于計算葉子覆蓋區域的平均單位像素面積。文中在相同的拍攝傾角、不同的拍攝高度和相同的拍攝高度、不同的拍攝傾角兩組條件下進行圖像采集和葉面積計算，實驗結果表明，文中提出的算法對于葉面積估算的準確性相對較高，這對于作物長勢的分析、產量的估計、質量的評價和建立綠色作物的生長模型都有著非常重要的作用，對于大力發展生態農業具有重要的意義。

[1] 趙元棣,溫維亮,郭新宇,等.基于參數化的玉米葉片三維模型主脈提取[J].農業機械學報,2012,43(4):183-187.

[2] Mayer G E,Davion D A.An electronic image plant growth measurement system[J].Transaction of ASAE,1987,30(1):242-248.

[3]VrindtsE,ReyniersM,DariusP,et.al.Analysisofsoilandcroppropertiesforprecisionagricultureforwinterwheat[J].BiosystemsEngineering,2003,85(2):141-152.

[4]TrooienTP,HeermannDF.Measurementandsimulationofpotatoleafareausingimageprocessingmeasurement[J].TransactionoftheASAE,1992,35(5):1719-1721.

[5] 陳曉光,于海業,周云山,等.應用圖象處理技術進行蔬菜苗特征量識別[J].農業工程學報,1995,11(4):23-26.

[6] 武聰玲,滕光輝,李長纓.黃瓜幼苗生長信息的無損監測系統的應用與驗證[J].農業工程學報,2005,21(4):109-112.

[7] 李少昆,張 弦，趙 明,等.作物株型信息多媒體圖像處理技術的研究[J].作物學報,1998,24(3):265-271.

[8] 張 偉,毛罕平,李萍萍,等.基于計算機圖像處理技術的作物缺素判別的研究[J].計算機應用與軟件,2004,21(2):50-51.

[9] 王勇智.數字圖象的二值化處理技術探究[J].湖南理工學院學報:自然科學版，2005,18(1)：31-33.

[10] 李鴻林,張忠民,羿宗琪.中值濾波技術在圖像處理中的應用[J].信息技術,2004,28(7):26-27.

[11] 李銀華,路新惠.改進型自適應中值濾波算法在圖像處理中的應用[J].鄭州輕工業學院學報:自然科學版,2009,24(1):83-86.

[12]Abdel-AzizYI,KararaHM.Directlineartransformationfromcomparatorcoordinatesintoobjectspacecoordinatesinclose-rangephotogrammetry[C]//Proceedingsofsymposiumonclose-rangephotogrammetry.[s.l.]:[s.n.],1971.

[13]ZhangZY.Flexilbecameracalibrationbyviewingaplanefromunknownorientation[C]//ProcofICCV99.[s.l.]:[s.n.],1999:51-52.

Design of a Green Crop Leaf Area Detection Algorithm

WU Wen-liang，ZHANG Zhi-bin，LU Ying-ying

(College of Computer Science，Inner Mongolia University,Hohhot 010021,China)

Leaf is a vital organ of the plants to survive and it is one of the important parts in building a plant growth model.Detecting green crop leaf area plays an important role in the establishment of the plant growth model and the assessment of the plant growth state.A kind of efficient detection algorithm of green crop leaf area is put forward and the content mainly includes three parts.Firstly,it introduces the process of green crop pictures which involves green extraction,binarization processing and filtering denoising.Secondly,it discusses the calculation process of green crop leaf area including camera calibration,unit pixel area calculation and target pixels statistics.At last,the result of algorithm is verified.The experiment shows that the error of the leaf area detection ranges from 0.20% to 1.29% and the average error is 0.84%.It can be seen that the algorithm proposed in this paper has a high feasibility.

green crop；green extraction；filtering denoising；leaf area detection；image processing

2015-11-05

2016-03-03

時間：2016-06-21

國家自然科學基金資助項目(31160253，31360289)

武文亮(1989-)，男，碩士，研究方向為機器視覺和嵌入式應用；張志斌，副教授，研究方向為機器視覺、模式識別和圖像處理。

http://www.cnki.net/kcms/detail/61.1450.TP.20160621.1701.018.html

TP301.6

A

1673-629X(2016)08-0174-03

10.3969/j.issn.1673-629X.2016.08.037