基于隨機抽樣一致性算法(RANSAC)的農作物行提取

楊玲香， 王田田， 何 旭

(石河子大學理學院，新疆石河子 832003)

基于隨機抽樣一致性算法(RANSAC)的農作物行提取

楊玲香， 王田田， 何 旭

(石河子大學理學院，新疆石河子 832003)

農作物行提取是實施農業機械導航技術的關鍵，運用歸一化的算法對圖像進行灰度化處理，采用最大類間方差分割方法將圖像轉化為二值圖像，然后利用垂直投影方法進行定位點歸類，最后采用改進的隨機抽樣一致性算法提取作物行直線。結果表明，該算法能夠在缺株、有雜草、地膜覆蓋等復雜背景下，自動剔除偽定位點，有效檢測出作物行。

作物提取；隨機抽樣一致性算法；農業機械導航；灰度處理；二值圖像；偽定位點

隨著現代農業的發展，農業機械導航技術已成為現代農業生產的重要技術之一，它在播種、變量噴藥、中耕除草、施肥和收割作業中都有著廣泛的應用。農業機械作業時需要在農作物行之間行走，通過提取作物行的直線特征可以得到導航基準線[1-3]。因此，農作物行提取是實施農業機械導航技術的關鍵。

農田圖像噪聲大，作物行提取常常受到光照、雜草等因素的影響。很多學者從不同的角度給出了作物行的提取方法[3-10]。其中，Hough變換和最小二乘回歸方法是廣泛應用于農作物提取領域的直線檢測方法。Hough變換抗噪性強，能有效地對目標物進行特征檢測。但是Hough變換要進行累加器峰值運算，計算量非常大，實時性有待加強。因此，不少研究者提出了改進的Hough變換方法，Ji等應用隨機Hough變換[4]，陳兵旗等運用基于一點的Hough變換方法[5]，安秋等使用優化的Hough變換提取作物行中心線[6]。最小二乘回歸方法運算速度快，但對噪聲敏感，往往需要對提取的特征點進行最小二乘直線擬合以后，剔除若干偽特征點，如Guerrero等利用Theil-Sen估計[7]、孟慶寬等通過線性相關系數對特征點到估計直線的距離進行判別[8]，在此基礎上再次應用最小二乘方法提取作物行中心線。此外，姜國權等提出基于隨機方法的直線檢測[9]，它任選2個特征點獲取隨機直線。雖然這些改進算法都在一定程度上提高了作物行提取的有效性，但在實時性和準確性方面還有待進一步提高[10]。隨機抽樣一致性(RANSAC)算法[11-12]不需要累加器峰值運算，還能夠自動排除異常點對數據的干擾，有效地減少計算量。本研究利用改進的隨機抽樣一致性(RANSAC)算法檢測作物行，它能夠自動排除異常點的干擾，提高檢測的準確性。

1 材料與方法

1.1 試驗材料與設備

本研究所使用的圖像均在石河子大學農學院試驗站(86°03′E，45°19′N)采集。對所采集的圖像設置感興趣區域，此區域圖像中的所有作物行均開始于圖像底邊，終止于圖像頂邊，圖像中含有雜草、地膜等背景。圖片像素為640×480，以此區域中的圖像作為研究對象。采集時間為2015年4月下旬至5月中旬，累計1個月時間。圖像處理由計算機完成，配置為4核CPU主頻3.3 GHz、內存8 GB。采用Matlab 2015開發。

1.2 圖像預處理

根據農田圖像自身的特點，為了克服光照變化和陰影的影響，采用歸一化的2g-r-b算法[13-14]對圖像進行灰度化處理，其中，r，g，b由下式確定：

(1)

式中：R(x,y)、G(x,y)、B(x,y)分別表示圖像的紅綠藍三原色。然后使用一維最大類間方差自動閾值分割方法[15]進行圖像二值化，將農作物從土壤等背景中提取出來。二值化后的圖像有不少孔洞，采用8-鄰域連通算法、中值濾波和形態學腐蝕膨脹算子消除孔洞和噪聲。為了有效提取作物行，須要對作物中心點進行定位。定位前將圖像劃分為若干個水平圖像條，然后采用基于圖像灰度的垂直投影算法[9，16]進行作物行個數和作物中心點檢測。

1.3 基于改進隨機抽樣一致性的作物行檢測算法

1.3.1 隨機抽樣一致性算法(RANSAC)基本原理 由Fishler等提出的RANSAC算法[11-12]把數據劃分為局內點(最大一致集)和局外點(數據集的余下部分)。該算法對錯誤率超過50%的數據仍然能夠處理，是最有效的Robust估計算法之一，在計算機視覺領域得到了廣泛的應用。RANSAC算法應用優化方法來選擇模型的參數，即首先構建代價函數，然后通過最大化代價函數來確定模型參數。具體模型如下：

(2)

式中：Θ是模型參數集；φ為特征點集；ρ是誤差函數；J表示代價函數，在直線檢測問題中，J為一致集S*中特征點的個數。

在迭代求解時，須要確定誤差允許閾值t和最小迭代次數m。誤差允許閾值t一般靠經驗選取，以歐式距離作為誤差測量函數。下面討論如何確定最小迭代次數m，假設P表示迭代過程中從數據集內隨機選取出的點均為局內點的概率，ε為數據正確率(局內點在原始數據所占的比例)，n為計算時所需要的最小數據量。通常情況下，事先并不知道ε的值，但是可以給出一些魯棒的值。假設估計模型須要選定n個點，在某次試驗中，n個點均為局內點的概率為εn；1-εn是n個點中至少有1個點為局外點的概率，即從數據集中估計出了一個不好的模型。(1-εn)m表示算法永遠都不會選擇到n個點均為局內點的概率，它與1-P相同，即m次試驗失敗的概率為：

1-P=(1-εn)m。

(3)

對上式兩邊取對數，可以求得滿足要求的最小抽樣數m是：

(4)

2 結果與分析

為了驗證算法的有效性，本研究對不同作物的圖像進行作物行提取試驗。應用最小二乘回歸，穩健回歸[16]與改進的RANSAC算法分別對棉花和玉米圖像進行直線檢測。播種時，棉花和玉米都按照寬窄行種植。試驗中，在進行灰度垂直投影時，將圖像劃分為10個水平條。因此，每行作物的有效定位點不超過10個，距離閾值t取為2，模型迭代次數m取為10。

2.1 無偽定位點時作物行提取結果分析

圖1為棉花相鄰窄行提取結果，2行作物周圍均無雜草等干擾，因此，作物點定位時未出現偽定位點。從圖1中不難看出，3種算法都能有效提取作物行。但從人眼的視覺效果出發，改進的RANSAC算法所提取的作物行更符合作物分布的實際情況。表1還給出了不同算法所提取的直線參數。

2.2 存在偽定位點時作物行提取結果分析

圖2為覆膜滴灌方式下的苗期玉米相鄰寬行提取結果，相對于圖1，該圖像的背景更加復雜，在作物行的某些地方存在缺株，周邊還伴有一定的雜草，而且雜草的大小和玉米大小相當。圖2-a給出了作物中心點定位情況(*表示第1行定位點，+表示第2行定位點)，由于缺株、雜草等的影響， 作物行出現少數偽定位點。圖2-b、圖2-c、圖2-d分別給出了3種算法提取的作物行直線。最小二乘回歸方法在提取直線時主要考慮所有定位點的誤差平方和達到最小，以致于在有一兩個偽定位點時，擬合的直線誤差較大。穩健回歸的原則是要充分利用定位點中的有效信息，排除無效信息，但其排除偽定位點等無效信息的能力還有待進一步提高。改進的RANSAC算法在擬合直線時能夠篩選符合直線的一致集，自動剔除偽定位點，因此，有效地檢測出了作物行。

表1 不同算法的直線參數

2.3 算法復雜度比較

本研究算法迭代計算m次的計算時間約為：

T=mTs+10mTv。

式中：Ts為數據抽樣，計算模型參數所用時間；Tv為每個樣本模型檢驗時間。由于每行作物的定位點不超過10個，即數據集合中的數據量較少。因此，模型迭代次數相對也會較少，只需幾次迭代即可找出最優直線。表2給出了3種不同算法的運算時間情況，從表2中不難看出，本研究算法的運算時間和穩健回歸的運算時間相當。

表2 不同算法的運算時間

3 結論

采用改進的隨機抽樣一致性算法檢測作物行中心線，該算法能夠在檢測過程中自動剔除偽定位點，具有較強的抗干擾性。

雖然本研究算法在檢測直線時須要進行若干次模型迭代和檢驗，但在進行灰度垂直投影時，將圖像劃分為10個水平條，有效減少了模型數據量，所以模型的運算效率與穩健最小二乘回歸基本相當。后續研究中可以進一步提高作物點定位精度，減少運算時間，提高運算效率。

[1]楊為民，李天石，賈鴻社. 農業機械機器視覺導航研究[J]. 農業工程學報，2004，20(1)：160-165.

[2]侯學貴，陳 勇，郭偉斌. 除草機器人田間機器視覺導航[J]. 農業機械學報，2008，39(3)：106-112.

[3]馬紅霞，馬明建，馬 娜，等. 基于Hough變換的農業機械視覺導航基準線識別[J]. 農機化研究，2013(4)：37-43.

[4]Ji R H，Qi L J. Crop-row detection algorithm based on Random Hough Transformation[J]. Mathematical and Computer Modelling，2011，54(3/4)：1016-1020.

[5]陳兵旗，渡邊兼五，東城清秀. 田植ロボツトの視覺部に關する研究(第2報)——ハフ變換による目標苗列中心線の抽出[J]. 日本農業機械學會雜志，1997，59(3)：23-28.

[6]安 秋，李志臣，姬長英，等. 基于光照無關圖的農業機器人視覺導航算法[J]. 農業工程學報，2009，25(11)：208-212.

[7]Guerrero J M，Guijarro M，Montalvo M，et al. Automatic expert system based on images for accuracy crop row detection in maize fields[J]. Expert Systems with Applications，2013，40(2)：656-664.

[8]孟慶寬，劉 剛，張 漫，等. 基于線性相關系數約束的作物行中心線檢測方法[J]. 農業機械學報，2013，44(增刊1)：216-223.

[9]姜國權，柯 杏，杜尚豐，等. 基于機器視覺和隨機方法的作物行提取算法[J]. 農業機械學報，2008，39(11)：85-88.

[10]孟慶寬，張 漫，仇瑞承，等. 基于改進遺傳算法的農機具視覺導航線檢測[J]. 農業機械學報，2014，45(10)：39-46.

[11]Fischler M A，Bolles R C. Random sample consensus：a paradigm for model fitting with applications to image analysis and automated cartography[J]. Communications of Acm，1981，24(6)：381-395.

[12]陳付幸，王潤生. 基于預檢驗的快速隨機抽樣一致性算法[J]. 軟件學報，2005，16(8)：1431-1437.

[13]呂朝輝，陳曉光，吳文福，等. 用BP神經網絡進行秧苗圖像分割[J]. 農業工程學報，2001，17(3)：146-148

[14]Woebbecke D M，MeyerG E，Bargen K V. Color indices forweed identification under various soil，residual，and lighting conditions[J]. Transactions of the Asae，1995，38(1)：259-269.

[15]Otsu N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems，Man，and Cybemetics，1979，9 (1)：62-66.

[16]袁佐云，毛志懷，魏 青. 基于計算機視覺的作物行定位技術[J]. 中國農業大學學報，2005，10(3)：69-72.

10.15889/j.issn.1002-1302.2017.02.057

2015-11-16基金項目：國家大學生創新創業計劃(編號：201510759077)；石河子大學應用基礎研究青年項目(編號：2014ZRKXYQ07)。

楊玲香(1982—)，新疆伊犁人，講師，研究方向為農業圖像處理，模式識別。E-mail：youshang047@sina.com。

TP391.4

A

1002-1302(2017)02-0195-03

楊玲香，王田田，何 旭. 基于隨機抽樣一致性算法(RANSAC)的農作物行提取[J]. 江蘇農業科學，2017，45(2)：195-197.