基于圖像顏色特征的高粱胚芽鞘識別及定位方法

閆建偉 蘇小東 趙源 劉進平

摘要：利用圖像顏色特征，分割高粱胚芽鞘種子圖像，確定高粱種子輪廓矩，根據其輪廓矩確定高粱種子質心坐標，然后根據高粱胚芽鞘圖像顏色特征對圖像進行顏色分割，獲取高粱胚芽鞘圖像，計算高粱胚芽鞘輪廓極點坐標，再選取距離質心最遠的2個坐標作為高粱胚芽鞘輪廓近似直線端點，連接2個端點作為胚芽鞘近似直線。最后根據高粱種子輪廓質心坐標、胚芽鞘近似直線和切割距離（給定）確定胚芽鞘的姿態和高粱胚芽鞘的切割點位置。該方法能獲得高粱胚芽鞘和種子較為完整的圖像，并能準確得出胚芽鞘的切割位置及姿態等相關信息。該研究方法為高粱胚芽鞘的識別與分析提供了準確、快捷、可視的技術手段，為構建胚芽鞘智能識別、定位的視覺系統及自動化切割裝置提供了技術支撐。

關鍵詞：高粱;胚芽鞘;顏色特征;識別;切割位置

中圖分類號： TP391.4 文獻標志碼： A 文章編號：1002-1302（2019）23-0252-05

胚芽鞘是單子葉植物所特有的，是一種鞘狀結構。胚芽鞘具有保護胚芽中幼小的葉和生長錐的作用，同時含有葉綠體，出土后既能進行光合作用，又對幼苗的獨立生活起著重要的作用[1]。在胚芽鞘培養及胚芽鞘相關研究領域，胚芽鞘的快速準確識別是一項十分重要的工作。傳統的胚芽鞘識別及切割位置的判斷主要依靠工作人員的經驗，判斷的準確度和速度主要依賴于判斷者的主觀意識，其合理性和科學性有明顯缺點，且人工識別切割胚芽鞘具有效率低、精度低等缺點。

機器視覺經過60多年的快速發展，逐漸成為一種較為成熟的先進技術，也是近幾年來受到國內外研究者較多關注的研究熱點，研究人員利用圖像的顏色特征和形態學等知識探討和分析了彩色圖像的分割[2-10]、分類[11-20]與定位[21-30]。湖南工業大學的石偉在基于機器視覺的紙張計數方法研究及其應用中提出1種基于K均值聚類的紙張精確計數方法，可以很好地進行紙張的準確計數，計數準確率達99%[31]。華南理工大學的李春在基于機器視覺的焊接工件識別與焊接軌跡校正方法研究中研究了圖像預處理技術，包括灰度轉換、濾波去噪、閾值處理、形態學運算及邊緣檢測等。通過對圖像進行預處理，可以濾去噪聲，增強目標信息，使其具有一定的魯棒性[32]。國外研究者利用機器視覺做了相關研究，將機器視覺應用到各個領域，并取得了不錯的效果。2016年印度農作物處理技術研究所（IICPT）的Vithu等在利用機器視覺的糧食檢測研究中發現，視覺系統可以快速準確地檢測糧食的質量[33]。加拿大薩斯克切溫省大學工程學院化學與生物研究所的Shrestha等利用機器視覺技術預測小麥淀粉酶的活躍性，取得了較好的預測效果[34]。

數字圖像處理技術在高粱胚芽鞘方面目前暫無相關研究，因此，研究高粱胚芽鞘圖像識別技術和切割位置判斷是一項非常重要的研究課題。本研究以高粱胚芽鞘的顏色特征為依據，結合高粱胚芽鞘生長特點及形態學特征對高粱胚芽鞘進行快速識別及切割位置的判斷。

1 材料與方法

1.1 圖像采集

高粱種子的培育地點為貴州大學西校區農學院種子種苗培育實驗室，培養設備為光照培養箱，培養條件為水培、無光照、溫度25.6～28.6 ℃。培養時間選在2018年1月8日上午。圖像采集于2018年1月10日、1月12日在實驗室內進行。利用尼康（Nikon）D750相機獲得小麥圖像共15幅（高粱樣本從培養皿中隨機選取15個），圖片格式為JPG，分辨率為1 024×683PPI（像素數）。圖1-a于2018年1月12日 09：00 拍攝獲得，圖1-b在2018年1月10日09：00拍攝獲得。在PC（個人計算機）上完成高粱胚芽鞘的識別算法開發，PC機配置為Inter CoreTM i5-6200U、CPU2.3 GHz、內存4 GB，基于Windows 7操作系統，編程工具為Python3.6+Opencv3.3.1，開發環境為PyCharm 2017.3。

1.2 樣本分析

不同培養時間的胚芽鞘，在形狀、顏色和大小等方面有著較大區別。圖1-a為培養時間為94 h的高粱胚芽鞘圖像，其胚芽鞘、須根生長得較好，胚芽鞘末端為黃色，比較容易通過顏色特征進行圖像分割;圖1-b為培養時間為48 h的高粱胚芽鞘圖像，整個胚芽鞘比較小，并且胚芽鞘和須根區分不明顯，整體尺寸小，后續進行切割位置和姿態判斷也相對較為困難，所以在本研究算法中，筆者選擇生長較好的高粱胚芽鞘圖像（圖1-a）作為試驗樣本。

1.3 顏色空間的選取

HSV（hue/saturation/value，色度/飽和度/純度）色彩模型是根據顏色的直觀特性，由Smith在1978年創建的一種顏色空間[35]。HSV空間（圖2）比RGB（R：紅色;G：綠色;B：藍色）顏色空間更接近人們的經驗和對色彩的感知，可以通過HSV的取值來理解判斷圖像的顏色、深淺和明亮程度，HSV消除了3個分量的相關性，可以分別處理而且是相互獨立的[36-37]，所以本研究采用HSV顏色空間。HSV模型的H、S、V與RGB顏色模型轉換公式如下：

H=G-BMAX-MIN×60°（R=MAX）

2+B-RMAX-MIN×60°（G=MAX）

4+R-GMAX-MIN×60°（B=MAX）

S=MAX-MINMAX

V=MAX。

（1）

式中：MAX=max（R、G、B）;MIN=min（R、G、B）;R、G、B為RGB顏色空間的3個分量值，R、G、B∈[0，255]，H∈[0°，360°]，S∈[0，255]，V∈[0，255]，R、G、B歸一化到范圍[0，1]時，H∈[0°，360°]，S∈[0，1]，V∈[0，1]。

1.4 圖像分割

高粱胚芽鞘由高粱種子、種子根和胚芽鞘3個部分組成，根部為亮白色（與種子連接的部分與種子的顏色相近），高粱

種子為紫紅色，胚芽鞘末端以黃色為主要顏色。高粱胚芽鞘3個部分的顏色區分比較明顯，可以通過顏色特征進行圖像分割，進而獲得種子的完整輪廓圖像。

1.4.1 高粱種子圖像分割 根據高粱種子的顏色特征和HSV空間顏色分量范圍，確定H、S、V分割閾值[式（2）]，進而進行圖像分割，獲得預分割圖像（圖3-b）。預處理圖像中的噪聲通過面積閾值去噪進行處理，最后獲得高粱種子的完整圖像（圖3-c）。試驗證明，面積去噪閾值取1 000時，去噪效果最好，所以面積閾值取1 000。

low_aim=np.array（[0，43，46]）

high_aim=np.array（[10，255，255]）。

（2）

式中：low_aim為下閾值;high_aim為上閾值。

1.4.2 高粱胚芽鞘圖像分割 根據高粱胚芽鞘顏色特征和HSV空間顏色分量范圍，確定H、S、V分割閾值，詳見式（3），進而進行圖像分割，獲得預分割圖像（圖4-b）。預處理圖像中的噪聲通過腐蝕和面積閾值去噪進行處理，最后獲得高粱胚芽鞘的完整圖像（圖4）。試驗證明，面積去噪閾值取100時的去噪效果最好，所以面積閾值取100。

low_aim=np.array（[26，43，46]）

high_aim=np.array（[77，255，255]）。

（3）

式中：low_aim為下閾值;high_aim為上閾值。

1.5 切割位置的確定和姿態判斷

1.5.1 計算種子輪廓質心坐標 針對已分割的高粱種子圖像特征，按照灰度化→二值化→計算輪廓矩→得到輪廓質心

等步驟（圖5）。二值化采用Ostu方法，又稱最大類間差方法，高粱種子輪廓矩和質心坐標由式（2）計算得出。

Hu提出了評價旋轉和大小尺度變化不變矩，常用于形狀識別、刻畫事物的形狀特征[38]，在連續情況下，圖像密度分布函數為f（x，y），那么圖像的p+q階的中心距定義如下：

mpq=∫∞-∞∫∞-∞（x-x）p（y-y）qf（x，y）

x=m10m00，y=m01m00。

（4）

式中：x、y代表圖像質心;f（x，y）是（i，j）的灰度值;p、q=0，1，2，…。

1.5.2 繪制胚芽鞘輪廓近似直線 針對已分割高粱胚芽鞘圖像特征，按照灰度化→二值化→獲取輪廓→計算輪廓極點坐標→繪制輪廓近似直線等步驟進行處理。極點表示目標輪廓的最高、最下、最右和最左點，4個極點中選擇距高粱種子最遠點作為輪廓近似直線端點，然后連接端點和高粱種子質心繪制高粱胚芽鞘輪廓近似直線（圖6-c）。在OpenCV-python中輪廓極點（以元組形式儲存）計算函數為

topmost=tuple（cnt[cnt[：，：，1].argin（）][0]）

bottommost=tuple（cnt[cnt[：，：，1].argmax（）][0]）

rightmost=tuple（cnt[cnt[：，：，0].argmax（）][0]）

leftmost=tuple（cnt[cnt[：，：，0].argin（）][0]）。

（5）

1.5.3 切割點的計算和胚芽鞘姿態的確定 “1.5.2”節中已經獲得胚芽鞘輪廓近似直線，選擇胚芽鞘輪廓端點（離種子質心距離較大的輪廓極點）為基準點，在胚芽鞘頂端1/3的位置切割后胚芽鞘生長最快[39]，所以切割距離定為胚芽鞘長度的1/3，傾斜角度根據胚芽鞘輪廓近似直線獲得。

XOY為像素坐標系（圖7-a），A、B為直線端點（離高粱種子距離最遠和最近的2個點），D（xd，yd）為切割點。設A點坐標為（XA，YA），B點坐標為（XB，YB），直線斜率為K，直線傾斜角度為θ，直線方程為y=Kx+b，（XDatum_point，YDatum_point）為基準點坐標（離種子質心距離最大的輪廓極點）。

（1）當胚芽鞘輪廓近似直線為傾斜狀態時，有下式：

K=YB-YAXB-XA

θ=arctanKπ×180

b=YDotum_point×K×XDatum_point

yd=YDatum_point-YA-YB3

xd=yd-bK。

（6）

式中：YB-YA≠0，XB-XA≠0;d為切割點。

（2）當胚芽鞘輪廓近似直線為水平狀態時，有下式：

YB-YA=0

θ=0

yd=YB=YA

xd=XDatum_point±|AB|3。

（7）

式中：|AB|為高粱胚芽鞘輪廓近似直線長度，當高粱種子質心坐標在基準點左側時，即x （3）胚芽鞘輪廓近似直線為豎直狀態時，有下式：

XB-XA=0

θ=90

yd=YDatum_point±|AB|3

xd=XDatum_point。

（8）

式中：當高粱種子質心坐標在基準點下方時，即y 2 結果與分析

本研究在培養盤中隨機選取在光照培養箱水培后的15個高粱種子圖像作為試驗樣本，培養時間為94 h（2018年1月8日11：00至2018年1月12日09：00），胚芽鞘平均長度為5 cm，圖像大小為1 024×683，背景色為黑色。用本研究方法對實際拍攝的真彩色高粱胚芽鞘圖像進行分割和姿態確定。如表1所示，試驗成功率為100%，圖像處理平均耗時 0.055 s，能夠滿足今后胚芽鞘切割設備視覺系統的速度要求。

3 討論與結論

本研究在HSV顏色空間下通過高粱胚芽鞘的顏色特征分別對高粱種子和胚芽鞘進行圖像分割，獲得種子和胚芽鞘的完整分割圖像，并根據高粱胚芽鞘形態特征，提出1種胚芽鞘切割位置和姿態的確定方法。試驗結果表明，本研究方法可以簡單有效地對高粱胚芽鞘、種子進行圖像分割，胚芽鞘的識別成功率和切割位置計算準確率均達到100%，能夠滿足胚芽鞘切割裝置視覺系統的要求。

本試驗從胚芽鞘培養盤中的大量胚芽鞘中隨機選取15個進行試驗具有代表性，圖像分割算法和胚芽鞘姿態的判斷方法具有客觀性和可重復性，利用本研究圖像分割算法只需改變圖像分割H、S、V分量閾值，就可以應用于濟麥、玉米和小麥等不同品種或者種類的胚芽鞘的圖像分割，高粱胚芽鞘姿態判斷方法可以為其他單子葉植物（具有胚芽鞘）胚芽鞘姿態判斷提供理論參考和依據。

對不同培養時間的高粱胚芽鞘進行圖像分割效果對比可知，培養94 h左右的胚芽鞘生長較好，圖像分割效果好，可以很好地進行切割位置判斷，在后續胚芽鞘圖像識別分割和胚芽鞘切割設備試驗時可以選擇此時期的高粱胚芽鞘樣本作為試驗樣本。

4 結語

本研究方法具有較好的適應性，因此基于顏色特征在不同種類胚芽鞘圖像分割中是值得研究的。本研究提出的胚芽鞘分割算法及胚芽鞘切割位置和姿態的判斷方法具有一定的研究意義和實用價值，補充了圖像處理技術在胚芽鞘方面的應用，并為后續胚芽鞘自動切割裝置搭建機器視覺系統提供了技術支撐。

參考文獻：

[1]陳愛國，陳進紅. 胚芽鞘的伸長機理和生理生態響應[J]. 山東農業大學學報（自然科學版），2002，33（4）：438-441.

[2]吳 鑫，王桂英，叢 楊. 基于顏色和深度信息融合的目標識別方法[J]. 農業工程學報，2013，29（增刊1）：96-100.

[3]翟瑞芳，方益杭，林承達，等. 基于高斯HI顏色算法的大田油菜圖像分割[J]. 農業工程學報，2016，32（8）：142-147.

[4]楊蜀秦，寧紀鋒，何東健. 一種基于主動輪廓模型的連接米粒圖像分割算法[J]. 農業工程學報，2010，26（2）：207-211.

[5]任守綱，馬 超，謝 忠，等. 基于分水嶺和梯度的蝴蝶蘭圖像分割方法[J]. 農業工程學報，2012，28（9）：125-129.

[6]Ren D Y，Jia Z H，Yang J，et al. A practical GrabCut color image segmentation based on bayes classification and simple linear iterative clustering[J]. IEEE Access，2017，5：18480-18487.

[7]Chen M，Ludwig S A. Color image segmentation using fuzzy C-regression model[J]. Advances in Fuzzy Systems，2017（2）：1-15.

[8]Ananth C，Senthilkani A S，Gomathy S K，et al. Color image segmentation using IMOWT with 2D histogram grouping[J]. International Journal of Computer Science and Mobile Computing，2014，3（5）：1-7.

[9]Jaffar M A，NaveedN，Ahmed B，et al. Fuzzy c-means clustering with spatial information for color image segmentation[C]// IEEE. International Conference on Electrical Engineering.Lahore，Pakistan，2009：9.

[10]Shi J，Malik J. Normalized cuts and image segmentation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence，2000，22（8）：888-905.

[11]閆小梅，劉雙喜，張春慶，等. 基于顏色特征的玉米種子純度識別[J]. 農業工程學報，2010，26（增刊1）：46-50.

[12]陶華偉，趙 力，奚 吉，等. 基于顏色及紋理特征的果蔬種類識別方法[J]. 農業工程學報，2014，30（16）：305-311.

[13]周云成，許童羽，鄭 偉，等. 基于深度卷積神經網絡的番茄主要器官分類識別方法[J]. 農業工程學報，2017，33（15）：219-226.

[14]司永勝，喬 軍，劉 剛，等. 蘋果采摘機器人果實識別與定位方法[J]. 農業機械學報，2010，41（9）：148-153.

[15]宋 健，王 凱，張曉琛. 茄子采摘機器人目標識別與測距方法[J]. 實驗室研究與探索，2015，34（9）：54-57.

[16]Jeon Y，Kim J. Active convolution：learning the shape of convolution for image classification[J]. Computer Vision and Pattern Recognition. IEEE，2017.

[17]Wang K Z，Zhang D，Li Y，et al. Cost-effective active learning for deep image classification[J]. IEEE Transactions on Circuits & Systems for Video Technology，2017，27（12）：2591-2600.

[18]Zhao Z Q，Jiao L C，Zhao J Q，et al. Discriminant deep belief network for high-resolution SAR image classification[J]. Pattern Recognition，2017，61：686-701.

[19]Huang G，Chen D，Li T，et al. Multi-scale dense networks for resource efficient image classification[C]//IEEE. Computer Vision and Pattern Recognition，2017.

[20]Wang F，Jiang M Q，Qian C，et al. Residual attention network for image classification[C]//IEEE. Computer Vision and Pattern Recognition. Honolulu，HI，USA，2017：6450-6458.

[21]房愛青，李長勇，黃艷華，等. 草莓采摘機器人的草莓定位算法研究[J]. 現代制造技術與裝備，2016（10）：90-92.

[22]王糧局，張立博，段運紅，等. 基于視覺伺服的草莓采摘機器人果實定位方法[J]. 農業工程學報，2015，31（22）：25-31.

[23]張 浩，陳 勇，汪 巍，等. 基于主動計算機視覺的茶葉采摘定位技術[J]. 農業機械學報，2014，45（9）：61-65.

[24]司永勝，喬 軍，劉 剛，等. 蘋果采摘機器人果實識別與定位方法[J]. 農業機械學報，2010，41（9）：148-153.

[25]項 榮，應義斌，蔣煥煜. 田間環境下果蔬采摘快速識別與定位方法研究進展[J]. 農業機械學報，2013，44（11）：208-223.

[26]張鐵中，陳利兵，宋 健. 草莓采摘機器人的研究：Ⅱ.基于圖像的草莓重心位置和采摘點的確定[J]. 中國農業大學學報，2005，10（1）：48-51.

[27]Qian X，Zhao Y，Han J. Image location estimation by salient region matching[J]. IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society，2015，24（11）：4348-4358.

[28]呂繼東，趙德安，姬 偉，等. 蘋果采摘機器人對振蕩果實的快速定位采摘方法[J]. 農業工程學報，2012，28（13）：48-53.

[29]王 政，張微微，張 賓，等. 基于聚類算法對象提取的快速定位采摘機器人設計[J]. 農機化研究，2016，38（7）：45-49.

[30]周海峰，朱云霞. 改進主動形狀模型彩色圖像目標定位研究[J]. 計算機仿真，2012，29（9）：308-311.

[31]石 偉. 基于機器視覺的紙張計數方法研究及其應用[D]. 株洲：湖南工業大學，2016.

[32]李 春. 基于機器視覺的焊接工件識別與焊接軌跡校正方法研究[D]. 廣州：華南理工大學，2015.

[33]Vithu P，Moses J A. Machine vision system for food grain quality evaluation：a review[J]. Trends in Food Science & Technology，2016，56：13-20.

[34]Shrestha B L，Kang Y M，Baik O D. A two-camera machine vision in predicting alpha-amylase activity in wheat[J]. Journal of Cereal Science，2016，71：28-36.

[35]蘭 紅，胡 涵. 結合HSV空間的改進二維Otsu免疫組化圖像分割[J]. 計算機應用與軟件，2016，33（5）：200-203.

[36]蔡式東，楊 芳. 一種基于HSV空間和粗糙集的彩色圖像分割方法[J]. 光電子技術，2011，31（1）：5-9.

[37]張 錚，徐 超，任淑霞，等. 數字圖像處理與機器視覺：Visual C+ + 與Matlab實現[M]. 北京：人民郵電出版社，2014：282-283.

[38]Hu M K. Visual pattern recognition by moment invariants[J]. IRE Transactions on Information Theory，1962，8（2）：179-187.

[39]李秀軍，梁 爽. 以玉米胚芽鞘為材料的“生長素的發現”系列實驗[J]. 生物學通報，2016，51（9）：52-54.

收稿日期：2018-09-13

基金項目：中央引導地方科技發展專項資金（編號：黔科中引地[2017]4005）;貴州省科技計劃（編號：黔科合成果[2016]4008號）;貴州大學培育項目（編號：黔科合平臺人才[2017]5788-43）。

作者簡介：閆建偉（1980—），男，河南鹿邑人，博士，副教授，主要從事特色自動化裝備、機器視覺、智能裝備研究。E-mail：jwyan@gzu.edu.cn。