基于數字圖像處理課程內容的創新實踐項目實施
——以“基于數字圖像處理的作物顆粒計數”為例

馬慧敏，黃金日，焦 俊，喬 焰，沈春山

(安徽農業大學 信息與計算機學院，安徽 合肥 230036)

1 《數字圖像處理》課程的教學現狀

《數字圖像處理》是電子信息類專業重要的專業課。隨著信息、電子技術及人工智能的快速發展，數字圖像處理技術已被廣泛應用于計算機視覺、模式識別、交通運輸、醫學和國防軍事等各個領域，且在這些領域發揮著越來越重要的作用[1,2]。近年來，不僅本科、碩士研究生甚至博士研究生階段，有越來越多的專業開設數字圖像處理課程。安徽農業大學電子信息類專業、物聯網工程專業、電氣工程專業都開設了《數字圖像處理》課程。雖然《數字圖像處理》課程是一門實踐性強、應用非常廣的課程，教學實踐中我們卻發現學生普遍認為該課程學起來枯燥難度大，缺乏學習興趣，對本課程往往心存畏懼，畢業后從事相關領域工作者較少。

目前，該課程知識點多且雜，理論課時設置偏少，一般32-40課時，且大都沒有安排實驗或實踐學時。教學中，教師注重傳授分散的理論知識點，學生幾乎沒有動手操作的機會，理論知識很難得到實踐操作和驗證，學生也很難對數字圖像處理技術建立起一個完整的認識和實踐體系。另外，《數字圖像處理》課程的理論算法要求學生具備較好的數學基礎，如概率統計，向量、矩陣和線性系統等方面的知識，并具備一定的計算機編程能力。然而，應用型本科院校的學生往往數學基礎不夠扎實，不習慣從數學的角度對數字圖像處理算法進行推理和學習。在學習的過程中，學生感覺本課程的內容偏于深奧。

為了解決上述問題，進一步提高《數字圖像處理》課程的教學效果，以激發學生的興趣，增強學生的信心，提高學生在人工智能機器視覺領域的就業競爭力。我們從工程應用出發，計劃在創新實踐中結合《數字圖像處理》課程教學內容引入案例或項目實施，通過精心選擇應用實例，培養學生的學習興趣，結合教師的科研項目和學生競賽，對圖像處理算法進行設計并實現，以提高學生的動手能力。使學生既能了解基本原理，又能從實踐項目中找到基本理論的落腳點，可以做到真正的理論與實踐一體化，來提升課程的教學效果。

2 《數字圖像處理》課程內容結構

在教學過程中，《數字圖像處理》課程的教學內容分為3個部分：概述部分、理論基礎部分和應用基礎部分，內容體系結構如圖1所示。

圖1 《數字圖像處理》課程內容結構

1.概述部分：主要介紹數字圖像處理的發展歷史、研究內容和基本概念，這一部分主要幫助學生了解該學科的發展方向及應用領域，整體了解數字圖像處理的基礎理論和解決問題的思路框架，為學生解決問題做好鋪墊，激發學生的學習興趣。

2.數字圖像處理理論基礎部分：主要介紹數字圖像處理基礎的概念、基本運算以及圖像變換，按照空間域處理（點處理、直方圖、代數運算、幾何運算）、頻域處理（傅里葉離散變換、濾波處理）和統計方法處理幾個方面來教學。

3.數字圖像處理應用技術部分：這一部分包括圖像增強、圖像壓縮、圖像復原、圖像分割和特征提取等應用技術，重點講述應用基礎理論和方法來解決實際問題。

從教學內容中看，《數字圖像處理》課程內容涉及到的理論和應用知識點多，而且在實際應用中這些知識點需要綜合應用，進行項目實踐對《數字圖像處理》課程知識點綜合應用是很有必要和行之有效的教學方法。

3 基于MATLAB的數字圖像處理創新實踐項目實施

本論文以“基于數字圖像處理的作物顆粒計數”創新實踐項目為例，講述項目的實施的過程、內容及結果。

3.1 圖像獲取及預處理

在現實環境中采集的圖片會受到噪聲、光照等原因的影響，給計數帶來了很大的麻煩，因此，圖像的預處理是作物顆粒計數的一個至關重要的環節。將采集到的原始作物顆粒圖片進行灰度值處理、中值濾波、二值化、腐蝕、空洞填充、形態學開運算等預處理，以便后期對作物顆粒進行計數。

3.1.1 圖像采集

通過數碼相機采集大豆種子圖像，再上傳到計算機中進行保存。分別采集了紫豆、黃豆、綠豆3種不同種子的混合圖像，采集到的4 張圖像如圖2所示。

圖2 采集到的豆類作物種子圖像

3.1.2 圖像灰度化處理

彩色圖像在一定的灰度化處理基礎上可以轉變為灰度圖像。圖像顏色和R、G、B

ωR、ωG、ωB分別為R、G、B權值，取不同的值而得到一定的灰度圖像。由于人眼對不同顏色的敏感度不同，綠色的最高，因此使ωR＞ωG＞ωB將得到更容易分辨的圖像。對比可知，ωR=0.299 、ωG=0.587、ωB=0.114 得到的灰度圖像效果最好[4]。通過以上方法處理所得結果如圖3所示。

圖3 加權平均值法灰度化結果

3.1.3 圖像降噪處理

中值濾波方法的主要特征表現為圖像的邊緣特征不會受到明顯的影響，其效果和鄰域的空間范圍等參數相關，這種方法在濾波過程中可以抑制隨機噪聲而對圖像的邊緣沒有多少影響[5]。中值濾波的過程如下：

如果M為像素（x0,y0)的鄰域集合S（包含（x0,y0))，（x,y)表示M 中的元素，（fx,y)表示（x,y)點的灰度值，|M|表示集合M中元素的個數，Sort 表示排序，則對（x,y)進行平滑可表示為：

中值濾波處理后的圖像結果如圖4 所示，發現處理后圖像的噪聲明顯的減弱，且邊緣也沒有變模糊。

圖4 中值濾波降噪結果

3.1.4 圖像的二值化

二值圖像處理是對圖像的各個像素點進行0或255 賦值，可以將圖片轉變為黑白圖像。采用閉合邊界和連通邊界確定出相關的區域從而更好地滿足二值化處理要求。在此處理過程中全部灰度級別不低于閾值的像素賦予灰度值為255，表示目標物體，而小于此閾值的像素點都賦值灰度值為0，表示背景。本實踐的二值化處理方法使用了最大類間方差法（OTSU）。

OTSU 算法屬于一類常用的自適應的閾值分法，其在確定閾值過程中要應用到圖像的灰度特性，然后通過其對圖像劃分而分為目標和背景，二者的類間差越大，則可以說明圖像的區分度越大，因此類間方差最大的分割可以取得更好的分割效果，確定出各閾值條件下分割的類間方差，最大的就是閾值。記前景點數占圖像的比例為w0，平均灰度為u0；背景點數占圖像比例為w1，平均灰度值為u1，這樣可以確定出等價的公式為[7]:

使用OTSU算法將以上的方法處理所得圖像二值化處理，所得結果如圖5 所示，作物種子顆粒在4幅圖像中基本都被識別為了目標。

圖5 最大類間方差法二值化結果

3.1.5 區域填充及膨脹

二值化后要進行集合的膨脹、求補處理，其中A表示一個非空集合，其子集的元素均是區域的8 聯通邊界點。然后從相關的邊界點開始，不斷地通過1 填充，直到全部填充結束。膨脹操作會使物體的邊界向外擴張，而在圖像內部有空洞情況下，可以將這些空洞填補。所得結果如圖6 所示，從圖中可以看出，之前處理后圖像產生孔洞，不方便后續的處理，膨脹處理后的4 副圖像的孔洞都已經填充完好，效果良好。

圖6 膨脹處理結果

3.2 籽粒計數實現

作物種子的計數是本次實踐的一個關鍵點，采用區域生長法運用迭代遞歸算法進行實現的。區域生長是按照事先定義的生長準則將一個像素或者子區域逐步聚合成一個完整獨立的連通區域過程。對于圖像感興趣目標區域，然后根據相關算法將全部種子點鄰域內滿足相似要求的像素合并得到種子群，這樣就可以確定出獨立連通區域的有效區域，不斷的生長，直到滿足生長停止條件。其中，相似性準則在判斷過程中可以根據圖像的顏色等相關的信息進行。方法的步驟是，先確定生長種子點，接著建立相關的規定生長準則，根據生長情況而設定生長停止條件[8]。使用區域生長法，本實踐分別從單一種子圖像和混合種子圖像進行測試，得到了每組測試的結果。

3.2.1 單一品種豆類計數

對單一品種豆類種子圖像進行計數，得到的結果如圖7所示。測試計數與真實計數對比如表1所示。可以發現圖7的第一幅和第二幅圖中種子沒有出現粘連的情況，這時種子的計數結果準確 率高達100%；圖7的第三幅和第四幅圖中種子出現 了不少粘連的情況，這是種子的計數結果準確率下降到了72.3%左右。

圖7 單一品種豆類計數結果

表1 單一品種豆類計數結果

3.2.2 混合種子計數

對混合種子進行計數，得到的圖像如圖8所示，測試計數與真實計數對比如表2所示。可以發現圖8 第一幅和第二幅圖是由3 種大豆種子混合在一起且沒有粘連，準確率高達100%。圖8 第三幅也是3種大豆種子混合在一起但是出現了部分粘連情況，準確率降到了80.6%。

圖8 多品種豆類計數結果

表2 多品種豆類計數結果分析

4 結 語

《數字圖像處理課程》是一門基礎理論復雜抽象，實踐性強且應用非常廣的課程，在當下人工智能發展的形式下，更突顯了該門課程的實用性。目前該課程的教學普遍理論多，實踐少，在教學的過程中往往忽略了知識點之間的相互聯系，使得學生對《數字圖像處理》課程不能建立起一個完整的認識體系。本文給出針對《數字圖像處理》課程知識點綜合應用的創新實踐項目實施，以“基于數字圖像處理的作物顆粒計數”創新實踐項目為例，論述項目的實施的過程、內容及結果，對學生綜合應用《數字圖像處理》課程的專業知識處理實際問題有一定的指導，也收獲良好的教學效果。