石昌友 王美麗 劉欣然 黃慧麗 周德強 鄧干然

摘 要：針對不同種類甘蔗表面多樣性和復雜性等因素導致甘蔗圖像的莖節難以識別問題，提出一種基于機器視覺且適合各種類型甘蔗的莖節識別方法。首先，通過迭代擬合法從原始圖像中提取甘蔗目標區域，并估計甘蔗目標與橫軸的傾斜角度，根據傾斜角度參數旋轉甘蔗目標成近似平行橫軸姿態;然后，利用雙密度雙樹復小波變換（DD-DTCWT）對圖像進行分解，使用不同層次的垂直和近似垂直方向的小波系數重構圖像;最后，運用圖像直線檢測算法對重構圖像進行檢測，得到甘蔗莖節部位的邊緣線，對邊緣線的密度、長度、相互距離信息進一步驗證便可實現甘蔗莖節的識別和定位。實驗結果顯示甘蔗莖節完整識別率達到92%，約80%的莖節的定位精度小于16個像素，95%的莖節的定位精度小于32個像素，所提方法在不同的圖像背景下，都能夠成功地對不同類型的甘蔗進行莖節識別，并且定位精度高。

關鍵詞：?甘蔗莖節識別;機器視覺;雙密度雙樹復小波變換;直線檢測算法

中圖分類號：?TP391.4

文獻標志碼：A

文章編號：1001-9081（2019）04-1208-06

Abstract： The sugarcane node is difficult to recognize due to the diversity and complexity of surface that different types of sugarcane have. To solve the problem， a sugarcane node recognition method suitable for different types of sugarcane was proposed based on machine vision. Firstly， by the iterative linear fitting algorithm， the target region was extracted from the original image and its slope angle to horizontal axis was estimated. According to the angle， the target was rotated to being nearly parallel to the horizontal axis. Secondly， Double-Density Dual Tree Complex Wavelet Transform （DD-DTCWT） was used to decompose the image， and the image was reconstructed by using the wavelet coefficients that were perpendicular or approximately perpendicular to the horizontal axis. Finally， the line detection algorithm was used to detect the image， and the lines near the sugarcane node were obtained. The recognition was realized by further verifying the density， length and mutual distances of the edge lines. Experimental results show that the complete recognition rate reaches 92%， the localization accuracy of about 80% of nodes is less than 16 pixels， and the localization accuracy of 95% nodes is less than 32 pixels. The proposed method realizes node recognition for different types of sugarcane under different background with high position accuracy.

Key words： sugarcane node recognition; machine vision; Double-Density Dual Tree Complex Wavelet Transform （DD-DTCWT）; line detection algorithm

0?引言

甘蔗播種面積占中國糖料播種面積的87%以上，在世界排名第3位，而且甘蔗種類豐富[1]。傳統甘蔗種植方式需要大量的勞動力并產生大量的時間成本，因此甘蔗種植機械化和智能化是甘蔗農業的迫切需求，而甘蔗莖節識別是其中關鍵技術之一。但甘蔗種類多，甘蔗表皮形態復雜、無序和多樣，給視覺識別帶來比較大的技術挑戰。

國外學者Moshashai等[2]利用灰度圖像閾值分割的方法對莖節識別問題進行初步研究。陸尚平等[3]把甘蔗圖像HSV（Hue， Saturation， Value）顏色空間的S分量和經過閾值分割的H分量的反圖像進行運算，然后基于支持向量機對甘蔗圖像的莖段和莖節進行分類;喬曦[4]利用甘蔗圖像的邊緣線信息間接實現甘蔗莖節識別;黃亦其等[5]通過傳統邊緣檢測算子操作得到二值化圖像，最后利用Radon變換識別莖節部位邊緣線;張衛正等[6]基于沿包含莖節的甘蔗長軸方向灰度上有明顯上升的特性識別甘蔗莖節。然而，上述研究還存在著不同程度的問題：1）莖節檢測只滿足特定種類甘蔗，不能適用于不同表皮顏色的甘蔗莖節識別;2）莖節識別不完全，不能夠很好找到甘蔗圖像中的所有莖節;3）甘蔗莖節完整識別率有待進一步提升。

小波變換是數字圖像處理領域重要的圖像時、空頻變換技術之一。Kingsbury[7]提出的復小波變換（Complex Wavelet Transform， CWT）彌補了離散小波的平移敏感性缺點;隨后Selesnick[8]提出的雙密度雙樹小波變換可以把信號分解更精細，增加了信息量;Selesnick等[9]提出了雙樹復小波具有抗混淆性、近似平移不變形和更多方向選擇性的特點。隨后，學者們又提出雙密度雙樹復小波變換（Double-Density Dual Tree Complex Wavelet Transform， DD-DTCWT）。各類型小波技術被廣泛應用于視覺圖像處理領域[10-16]。

近年來，圖像邊緣線檢測的研究相繼發表[17-20]。圖像邊緣線是重要的圖像信息，在圖像目標識別[21]、機場圖像識別[22]、圖像建模[23]、地面交通圖像識別[24]等被廣泛運用。

本文提出的甘蔗莖節識別方法：首先，利用甘蔗表皮粗糙、紋理混亂特點，實現在不同的圖像背景條件下提取甘蔗目標區域;然后利用小波分解與重構技術把甘蔗圖像變換成一系列甘蔗莖節信息突出、明顯的圖像組;最后采用圖像邊緣線檢測算法獲得甘蔗莖節部位的邊緣線信息。

1?數據材料

1.1?甘蔗圖像數據

甘蔗實物由中國熱帶農業科學院農業機械研究所（廣東省湛江市）提供，選用數碼相機（Canon-EOS6D），分別在白天和晚上兩個不同背景光條件下的多種背景場景下拍攝。拍攝前，人為增加一定的圖像干擾因素例如陰影、干擾線條、噪聲等。最后拍攝的甘蔗圖像經軟件進行了10°、20°、30的順時針和逆時針旋轉，最終甘蔗圖像集包含著多種姿態的甘蔗圖像。部分甘蔗圖像如圖1所示。

從甘蔗圖像集中隨機選出300張圖，每個甘蔗莖節部位被一個剛好能夠覆蓋的人工標記區域標記。這組被標記的甘蔗圖像作為本研究實驗數據，用于識別率、莖節定位精度的定量評價。

1.2?甘蔗莖節定位精確度量

橫軸的像素距離可用來度量甘蔗莖節定位誤差。以莖節的標記區域的中心點為基準位置，定位誤差計算公式如下：Accuracy=1N∑Ni=1xi-xc（1）

其中：xi、xc、N分別表示莖節的識別橫坐標、莖節的基準橫坐標和算法識別莖節的橫坐標個數。在莖節識別率評估時，本文把定位誤差超過120個像素的情況視為偽識別。如果整幅圖像的所有莖節都被識別，且沒有產生偽識別，這種情況被定義為完整識別。

2?方法

2.1?甘蔗目標區域提取

甘蔗目標提取算法流程如圖2所示。首先，修改Canny算子的雙閾值抑制，雙閾值的較大閾值設置為當前圖像的梯度圖中80%的像素的梯度值的平均值，另一較小的閾值設置為大閾值的0.8倍。二值化圖像的背景區域白點像素稀疏，而甘蔗目標區域的白點像素具有較大的局部密度和一定強度的連續性，整體趨勢近似線性。

在甘蔗目標趨勢迭代擬合之前，應用局部密度抑制法過濾背景區域的過長的干擾線。局部密度根據式（2）計算：

然后，應用迭代擬合方法得到目標區域的趨勢。步驟如下：①根據式（2）計算得到密度圖像，以給定步長和列塊寬度對密度圖像進行列塊采樣。②對于所有采樣列塊，取其列塊內的最大密度值的像素為候選擬合坐標點。③基于擬合坐標點進行線性擬合。④刪除部分離擬合結果直線距離最遠的擬合坐標。⑤統計以當前擬合直線為基礎，通過連續整數次縱向平移直線得到局部圖像塊的白點像素數。⑥判斷像素點數的連續變化幅度，如果變化平緩，迭代結束;否則，使用剩余的坐標點從③開始再次迭代。

最后，提取目標區域。步驟如下：①根據擬合的結果直線，通過連續整數次縱向平移直線得到局部圖像塊模板。②分別往上、下兩個方向平移局部圖像塊模板。③對于每一次模板的平移，在原二值圖像截取板相對應區域，并縱向投影截取區域。④判斷投影向量是否存在過長的連續零值序列。⑤在同一平移方向，如果連續多次模板平移后都出現過長連續零值序列，停止模板平移。所有模板平移過的位置為甘蔗目標區域，否則從②開始再次迭代。

圖3是甘蔗目標提取算法運行結果，圖3（b）為目標區域提取結果，圖3（c）中星型直線為目標傾斜度估計結果。

2.2?雙密度雙樹復小波變換

2.2.1?小波分解

雙密度雙樹復小波變換對信號進行分解，具有平穩性、抗混疊性和平移不敏感性等特點。雙密度雙樹復小波變換利用兩個不同尺度函數和四個不同的小波函數，經下采樣技術實現。如下的兩個尺度函數和四個小波函數構成了一個復尺度函數和兩個復小波函數：

雙密度雙樹復小波變換能夠把信號分解成32個方向的信息。如圖4所示，左右兩部分分別是兩個棵樹的方向，上下兩部分分別是實部和虛部兩個分支方向。

2.2.2?小波重構

由于甘蔗圖像經形態調整步驟之后，甘蔗莖節部位邊緣線近似垂直于橫軸。所以本研究只要選擇方向為±75°和±90°的小波系數重構圖像。本研究對多種重要的重構策略對莖節識別結果的影響進行深入探索，并分析了多幅重構圖像不同融合策略的效果。實驗結果表明融合三幅重構圖像的策略可以獲得更優的識別效果。這三幅重構圖像由第1、2、3層，第1、2、3、4層和第1、2、3、4、5層高頻系數分別重構。

2.3?甘蔗莖節識別

學者von Gioi等[17]提出一種圖像直線檢測算法LSD（Line Segment Detector），本研究使用LSD算法對重構圖像作邊緣線檢測。

LSD算法通過統計檢驗法判定梯度方向基本一致的像素群是否為邊緣線。每個像素群可由一個最小的矩形完全覆蓋。給定線段域Area，其矩陣中心計算公式如下：

圖像多分辨率是提高圖像處理算法適應性的經典技術，常用的圖像分辨率縮放比率是2，為提高LSD算法的魯棒性，本研究使用LSD算法的三層空間金字塔版本，圖像空間金字塔的縮放比例是1/2。

2.4?甘蔗莖節信息優化

直線檢測的結果有可能攜帶有莖節部位以外的干擾線條。需要對其修正和優化。甘蔗莖節信息優化算法流程如圖5所示。

首先，使用目標區域掩碼過濾掉不在掩碼范圍的點，并去掉斜率角小于60°的直線和刪除過長和過短直線。然后，計算剩余直線的平均長度作為甘蔗莖節高度值，選擇兩倍莖節高度為莖節之間的最小間距，每對相鄰的莖節距離至少要大于最小莖節間距;最后為每條直線分配優先級，按照優先級從高到低順序驗證每條候選線。線的優先級通過式（11）計算：

3?實驗與結果分析

3.1?甘蔗莖節識別

實驗分成四組，甘蔗莖節完整識別率和本文算法執行時間等實驗數據如表1所示，平均完整識別率為92%，本文算法在每張圖像的平均運行時間是1.96s。實驗說明本研究選擇的甘蔗莖節部位邊緣線可用來作為甘蔗莖節識別的根據，具有良好的莖節識別效果。因為任何類型的甘蔗的莖節部位附近都有生長帶、根帶、葉痕覆蓋帶、甘蔗種芽多個不同的甘蔗區域，不同區域帶有明顯的分界線，并且分界線方向、形態較為一致，而甘蔗莖段部位只有橫向的芽溝，維管束或者是雜亂的蠟粉或圖案。實驗結果中還有少部分的甘蔗圖像的莖節沒有被完全識別或者產生了偽識別。這是因為有少數甘蔗的莖節附近的分界線很模糊，LSD算法無法識別;或者因為甘蔗莖段部位因其他原因遺留有一定長度和方向的刮痕，本文算法產生誤判。

實驗輸入圖像分辨率比較大，但是本文算法在每張圖片的平均執行時間開銷卻只有1.96s。這是因為甘蔗目標提取算法有效提取出甘蔗目標，縮小了后續處理步驟的輸入規模。

圖6是莖節識別效果樣例，從中可看出：本文算法可以成功地對不同背景下對不同類型的甘蔗進行甘蔗識別，而且成功避免了圖像背景區域的陰影、邊界線、干擾線影響。

3.2?甘蔗莖節定位誤差分析

本文算法的定位誤差統計結果如圖7所示。大約80%的莖節的定位誤差小于16個像素，大約95%的甘蔗莖節的定位誤差在32個像素之內，定位誤差小于48像素的莖節比例高達97%。這是因為甘蔗莖節部位與甘蔗莖段是由明顯的豎型的邊緣線分割，莖節附近的邊緣線和莖節本身在物理位置上比較接近。另外有小部分的莖節精確度大于32個像素，原因是有少部分的甘蔗，它們的莖節區域相對較大，莖節部位的邊緣線莖節中心有一定距離。還有很少的一部分識別錯誤，其原因主要有兩點：1）莖節邊緣線太過模糊、不成型;2）莖段部位偶然會有相對突出的豎型的干擾線，本文算法在莖節識別定位時候，產生誤判。

3.3?Canny算子閾值參數討論

有兩個參數用于確定Canny算子的雙非最大值抑制閾值。記參數為α、 β分別用于確定較大值閾值和較小閾值。分別對不同的參數取值進行了實驗，實驗結果如圖8所示。

甘蔗莖節的識別率隨著參數α、 β增大而增加，當參數增大到一定值時，甘蔗莖節識別效果變得越來越差。原因是當參數α、 β的值被設置為較小值時，甘蔗原始圖像中梯度輕微的變化的像素點都被認定為邊緣像素點，二值化結果圖像中會引入了大量的邊緣點，這會影響莖節的識別率;相反，當參數α、 β的值被設置為較大值時，甘蔗原始圖像中梯度較大的變化的像素點才被認定為邊緣像素點，二值化結果圖像中遺漏了部分莖節部分附近的邊緣線，所以莖節的識別效果變差。

3.4?小波重構策略討論

本研究對所有重要的重構策略進行了實驗驗證，并對比各重構方案下的莖節識別率。重構策略信息如表2所示，表的每一種融合策略是一組實驗。表的每行是該融合策略下的某一次小波系數組合策略。表2中的數字是小波從第一次分解到最后一次分解的依次層次編號。

小波系數不同重構策略的莖節識別效果如圖9所示。只使用單一重構圖像時，最高完整識別率為72%;融合兩幅重構圖像時，最高完整識別率為76%;融合三幅重構圖像時，最高完整識別率達到92%，此時三幅重構圖像分別由最高三層、最高四層、最高五層的四個方向高頻系數重構而得。

實驗結果說明小波分解的四個方向的高頻系數對于莖節識別任務具有很高的價值。組合多幅重構圖像時，其識別率得到有效提升。原因是甘蔗表面平滑程度不一樣，紋理粗細、走向、深淺差別大。組合多重構圖像方法能夠很好地適應這些復雜多變的甘蔗表皮情況。圖9還說明，使用較少層次的小波系數重構，其識別率不理想，原因是圖像信號的噪聲往往存在于小波分解最開始的前幾層的小波系數里，這些噪聲會影響莖節識別率;使用太多層次的小波系數重構，由于小波的下采樣過程會造成信息丟失，重構結果中只包含非常明顯的圖像邊緣信息，甘蔗莖節識別率同樣不理想。

此外，如增加分解層數，雙密度雙樹復小波要求較大的圖像尺寸和更多計算時間，所以小波分解為五層比較合理。

3.5?對比實驗

文獻[5]方法與本文方法的對比實驗效果如圖10所示。本文方法完整地識別了圖像中的所有莖節，莖節定位更為精確，而文獻[5]方法只能識別甘蔗圖像中最明顯的一個甘蔗莖節。進一步對比可以發現，當甘蔗目標在圖像中有一定傾斜度時，或者背景中有一定強度的豎型干擾直線時，文獻[5]方法就會識別錯誤。原因是文獻[5]方法只是簡單檢測圖像中大約處于豎型狀態的最長直線，而沒有進一步排除非莖節區域的干擾直線，也沒有考慮當甘蔗目標在原始圖像中處于一定傾斜角度姿態時的情況。

4?結語

本文提出一種基于雙密度雙樹復小波和圖像直線檢測技術的甘蔗莖節識別方法。首先，利用甘蔗表面的粗糙、混亂紋理等特征實現把甘蔗從圖像背景中提取出來;其次，調整甘蔗目標，使得甘蔗目標與橫軸近似平行，再通過雙密度雙樹復小波變換對圖像進行分解，并選擇特定方向小波系數重構甘蔗圖像;最后，運用LSD算法對重構圖像作邊緣檢測，對圖像的邊緣結果信息進行分析實現甘蔗莖節定位識別。實驗結果表明，本文算法可以在不同背景條件下成功對不同類型甘蔗的莖節進行識別。但是，如果甘蔗圖像的背景相當復雜，經過二值化后，圖像背景中的白點像素分布過多過密，將會降低莖節的識別率。這種情況有待更進一步探索解決方法。

參考文獻（References）

[1] 韋巧， 楊寶玲， 高振江.我國甘蔗產業化現狀淺析[J]. 農機化研究， 2015， 37（4）： 247-253. （WEI Q， YANG B L， GAO Z J. Analysis of current situation of sugar cane industry [J]. Journal of Agricultural Mechanization Research， 2015， 37（4）： 247-253.）

[2] MOSHASHAI K， ALMASI M， MINAEI S， et al. Identification of sugarcane nodes using image processing and machine vision technology[J]. International Journal of Agricultural Research， 2008， 3（5）： 357-364.

[3] 陸尚平， 文友先， 葛維， 等.基于機器視覺的甘蔗莖節特征提取與識別[J]. 農業機械學報， 2010， 41（10）： 190-194. （LU S P， WEN Y X， GE W， et al. Recognition and features extraction of sugarcane nodes based on machine vision [J]. Transactions of the Chinese Society of Agricultural Machinery， 2010， 41（10）： 190-194.）

[4] 喬曦. 基于計算機視覺的甘蔗種莖切割防傷芽系統的研究[D]. 南寧： 廣西大學， 2013： 24-36. （QIAO X. System of sugarcane cutting device to protect the bud based on computer vision[D]. Nanning： Guangxi University， 2013： 24-36.）

[5] 黃亦其， 喬曦， 唐書喜， 等. 基于Matlab的甘蔗莖節特征分布定位與試驗[J]. 農業機械學報， 2013， 44（10）： 93-97. （HUANG Y Q， QIAO X， TANG S X， et al. Localization and test of characteristics distribution for sugarcane internode based on Matlab[J]. Transactions of the Chinese Society for Agricultural Machinery， 2013， 44（10）： 93-97.）

[6] 張衛正， 董壽銀， 齊曉祥， 等. 基于圖像處理的甘蔗莖節識別與定位[J]. 農機化研究， 2016， 38（4）： 217-221. （ZHANG W Z， DONG S Y， QI X X， et al. The identification and location of sugarcane internode based on image processing[J]. Journal of Agricultural Mechanization Research， 2016， 38（4）： 217-221.）

[7] KINGSBURY N. Image processing with complex wavelets[J]. Philosophical Transactions of the Royal Society A： Mathematical， Physical and Engineering Sciences， 1999， 357（1760）： 2543-2560.

[8] SELESNICK I W. The double-density dual-tree DWT[J]. IEEE Transactions on Signal Processing， 2004， 52（5）： 1304-1314.

[9] SELESNICK I W， BARANIUK R G， KINGSBURY N. The dual-tree complex wavelet transform[J]. IEEE Signal Processing Magazine， 2005， 22（6）： 231-239.

[10] 黃學優， 張長江. 雙樹復小波域的MRI圖像去噪[J]. 中國圖象圖形學報， 2016， 21（1）： 104-113. （HUANG X Y， ZHANG C J. MRI denoising based on dual-tree complex wavelet transform[J]. Journal of Image and Graphics， 2016， 21（1）： 104-113.）

[11] CHEN S， QIU B， ZHAO F， et al. Fast compressed sensing MRI based on complex double-density dual-tree discrete wavelet transform[J]. International Journal of Biomedical Imaging， 2017， 2017： 9604178.

[12] YASIN A S， PAVLOVA O N， PAVLOV A N. Speech signal filtration using double-density dual-tree complex wavelet transform[J]. Technical Physics Letters， 2016， 42（8）： 865-867.

[13] HU H F. Illumination invariant face recognition based on dual-tree complex wavelet transform[J]. IET Computer Vision， 2015， 9（2）： 163-173.

[14] KRISHNA M H， KUMAR G S. A noise based hybrid thresholding for enhanced noise reduction using double density dual tree complex wavelet transform[C]// Proceedings of the 2015 13th International Conference on Electromagnetic Interference and Compatibility. Piscataway， NJ： IEEE， 2015： 208-211.

[15] ZHANG Y， BI S. Quantum-inspired remote sensing image denoising with double density dual-tree complex wavelet transform[C]// Proceedings of SPIE 9299. Bellingham， WA： SPIE Press， 2014： 199-229.

[16] 武士想， 尚鵬， 王立功. 小波-Lagrange方法進行醫學圖像層間插值[J]. 中國圖象圖形學報， 2016， 21（1）： 78-85. （WU S X， SHANG P， WANG L G. Inter-slice interpolation for medical images by using the wavelet-Lagrange method[J]. Journal of Image and Graphics， 2016， 21（1）： 78-85.）

[17] von GIOI R G， JAKUBOWICZ J， MOREL J M， et al. LSD： a fast line segment detector with a false detection control[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2010， 32（4）： 722-732.

[18] BURNS J B， HANSON A R， RISEMAN E M. Extracting straight lines[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2009， 8（4）： 425-455.

[19] AKINLAR C， TOPAL C. EDLines： a real-time line segment detector with a false detection control[J]. Pattern Recognition Letters， 2011， 32（13）： 1633-1642.

[20] SALAN Y， MARLET R， MONASSE P. The multiscale line segment detector[C]// RRPR 2016： Proceedings of the 2016 Reproducible Research in Pattern Recognition， LNCS 10214. Berlin： Springer， 2016： 167-178.

[21] WEI H， YANG C， YU Q. Contour segment grouping for object detection[J]. Journal of Visual Communication and Image Representation， 2017， 48： 292-309.

[22] TANG G， XIAO Z， LIU Q， et al. A novel airport detection method via line segment classification and texture classification[J]. IEEE Geoscience & Remote Sensing Letters， 2015， 12（12）： 2408-2412.

[23] IZADI M， SAEEDI P. Three-dimensional polygonal building model estimation from single satellite images[J]. IEEE Transactions on Geoscience & Remote Sensing， 2012， 50（6）： 2254-2272.

[24] BAE G Y， HA J M， JEON J Y， et al. LED traffic sign detection using rectangular Hough transform[C]// Proceedings of the 2014 International Conference on Information Science & Applications. Piscataway， NJ： IEEE， 2014： 1-4.