基于機(jī)器視覺的雜草圖像特征提取及識別研究畢業(yè)設(shè)計

1、<p>　　基于機(jī)器視覺的雜草圖像特征提取及識別研究</p><p>　　學(xué)生姓名： xxx </p><p>　　指導(dǎo)教師：xxx </p><p>　　所在院系：xxx </p><p>　　所學(xué)專業(yè)：xxx </p><p>　　研究方向：xxx </p><p>

2、<b>　　xxx 大 學(xué)</b></p><p>　　xxx 年xxx 月</p><p>　　Based on machine vision image feature extraction and recognition weeds</p><p>　　Name：xxx </p><p>　　Tutor：x

3、xx </p><p>　　College：xxx </p><p>　　Major：xxx </p><p>　　Direction：xxx </p><p>　　xxx University</p><p>　　May xxx </p><p><b>　　摘 要&

4、lt;/b></p><p>　　雜草同農(nóng)田作物爭奪陽光和養(yǎng)分，嚴(yán)重影響了農(nóng)作物的生長。為了達(dá)到除草的目的，人們開始噴灑大量的除草劑來進(jìn)行除草?？墒菂s忽略了除草劑的不當(dāng)使用給人、畜以及環(huán)境造成的危害。本文從實際應(yīng)用出發(fā)，設(shè)計了一個基于機(jī)器視覺的雜草圖像特征提取及識別系統(tǒng)。系統(tǒng)的運行在參考了前人研究成果的基礎(chǔ)上，不斷進(jìn)行對比試驗和算法的改進(jìn)，找出適合于機(jī)器視覺的雜草識別的可行性方法。</p>&

5、lt;p>　　本文對動態(tài)雜草圖像的采集、處理和識別方法進(jìn)行研究。采集來的圖像經(jīng)常會有模糊現(xiàn)象的發(fā)生，對模糊圖像的恢復(fù)處理做了大量的研究試驗，得出維納濾波具有較好的恢復(fù)效果；綠色植物和土壤背景的分割試驗中，提出了一種基于彩色圖像的二值化方法，可以不經(jīng)過彩色圖像灰度化就能夠直接把綠色植物與土壤背景分割開，和以往的分割方法相比處理速度快，分割效果好，更加滿足實時性；雜草和作物的分割主要研究了行間雜草和作物的分割，參考國內(nèi)外資料，并進(jìn)行研

6、究試驗，表明運用位置特征識別法有很好的分割效果，尋找作物中心行采用了簡單快速的像素位置直方圖法，填充作物中心行采用了改進(jìn)的掃描線算法，和其他填充方法相比減少了重復(fù)操作，節(jié)省了時間，滿足實時處理的要求；分割后的圖像為只含有雜草的二值圖像，通常會有一些殘余的葉片和顆粒的噪聲，通過形態(tài)學(xué)濾波和掃描線填充算法去除噪聲，試驗結(jié)果表明掃描線算法去除噪聲效果更好。</p><p>　　基于機(jī)器視覺的雜草圖像特征提取及識別系統(tǒng)的

7、硬件組成主要有計算機(jī)、采集卡、攝像頭、實驗平臺。</p><p>　　本文從動態(tài)雜草識別的處理方法出發(fā)，在實驗室內(nèi)開展了一系列的試驗和分析，對主要的問題和技術(shù)難點作了較為深入的研究, 設(shè)計實現(xiàn)了基于機(jī)器視覺的雜草圖像特征提取及識別系統(tǒng)。 </p><p>　　關(guān)鍵詞 : 雜草識別；圖像處理；機(jī)器視覺</p><p>　　Based on machine vision

8、 image feature extraction and recognition weeds</p><p><b>　　Abstract</b></p><p>　　Weed contests sunlight and nutrient with crop, as a result, the growth of crop was seriously affecte

9、d. People fall back on spraying a great deal of herbicide for weeding purpose, but they ignored misapplying of herbicide will only pollute the environment but also jeopardizes human and livestock. So it’s necessary to de

10、velop an intelligent weeding method. The paper designed a system of image feature extraction and recognition weeds on the basis of machine. In order to find a feasible dynamic weed</p><p>　　The paper studied

11、 mostly on the image collection, processing and identification. There will be a blur in moving pictures, so we have to do a lot of experiment to restore the blurry image; at last we find that wiener filter is a preferabl

12、e method. We put forward a binary method based on color image in the experiment of separating green plants from soil background, the method can separate green plants from soil background without converting color image to

13、 gray level image, so the method is more fa</p><p>　　Based on machine vision image feature extraction and recognition weeds is made up of PC, image collection card, digital vidicon, experiment console. </

14、p><p>　　The paper designed and realized a system of dynamic weed identification based on processing method. A series of experiment and analyses are developed and carried out an in-depth study to some primary pr

15、oblem in the laboratory. Study of the paper offered academic and practical references for the designing of basing on machine vision image feature extraction and weed identification system in actual outdoor environment.&l

16、t;/p><p>　　Keywords : Weed Identification ; Image Processing; Computer Vision</p><p><b>　　目 錄</b></p><p><b>　　摘 要I</b></p><p>　　AbstractII</p

17、><p><b>　　1 前言1</b></p><p>　　1.1 研究目的及意義1</p><p>　　1.2 國內(nèi)外研究動態(tài)和趨勢2</p><p>　　1.2.1 國外研究現(xiàn)狀2</p><p>　　1.2.2 國內(nèi)研究現(xiàn)狀4</p><p>　　1.3 課題

18、研究的主要內(nèi)容4</p><p>　　1.4 本章小結(jié)5</p><p>　　2 基于機(jī)器視覺的雜草圖像特征提取及識別系統(tǒng)概述6</p><p>　　2.1 實驗系統(tǒng)的整體結(jié)構(gòu)6</p><p>　　2.2 實驗系統(tǒng)的組成6</p><p>　　2.3 本章小結(jié)7</p><p>　

19、　3 機(jī)器視覺的雜草圖像的采集及圖像恢復(fù)的研究8</p><p>　　3.1 機(jī)器視覺的雜草圖像的采集8</p><p>　　3.1.1 動態(tài)采集圖像的數(shù)據(jù)格式及傳輸方式8</p><p>　　3.1.2 動態(tài)圖像采集的軟件系統(tǒng)8</p><p>　　3.2 動態(tài)模糊圖像的恢復(fù)9</p><p>　　3.2

20、.1 圖像恢復(fù)的基本知識9</p><p>　　3.2.2 勻速直線運動模糊下的點擴(kuò)展函數(shù)10</p><p>　　3.2.3 逆濾波復(fù)原12</p><p>　　3.2.4 維納濾波復(fù)原14</p><p>　　3.3 本章小結(jié)16</p><p>　　4 綠色植物與土壤背景實時分割的研究17</

21、p><p>　　4.1 圖像分割概述17</p><p>　　4.2 彩色圖像灰度化17</p><p>　　4.2.1 彩色圖像的主要顏色模型17</p><p>　　4.2.2 過綠特征分離綠色植物與土壤背景19</p><p>　　4.2.3 HIS方法分離綠色植物與土壤背景19</p>&l

22、t;p>　　4.3 二值處理和閾值分割方法21</p><p>　　4.3.1 動態(tài)閾值二值化方法21</p><p>　　4.3.2 顏色特征二值化方法22</p><p>　　4.3.3 兩種二值方法的比較22</p><p>　　4.4 本章小結(jié)22</p><p>　　5 作物與行間雜草實時分割

23、的研究24</p><p>　　5.1 作物與雜草動態(tài)識別概述24</p><p>　　5.2 位置特征法分離作物和行間雜草24</p><p>　　5.2.1 位置特征法的應(yīng)用原理24</p><p>　　5.2.2 提取作物中心行24</p><p>　　5.2.3 填充作物行區(qū)域分割出雜草25<

24、/p><p>　　5.3 雜草分離后二值圖像濾波處理27</p><p>　　5.3.1 數(shù)學(xué)形態(tài)學(xué)方法濾除二值圖像噪聲28</p><p>　　5.3.2 掃描線算法濾除二值圖像噪聲29</p><p>　　5.4 雜草面積和重心位置的獲取30</p><p>　　5.5 本章小節(jié)31</p>&

25、lt;p>　　6 結(jié)論與展望32</p><p><b>　　6.1 結(jié)論32</b></p><p><b>　　6.2 展望32</b></p><p><b>　　參考文獻(xiàn)33</b></p><p><b>　　致謝35</b>&l

26、t;/p><p><b>　　1 前言</b></p><p>　　1.1 研究目的及意義</p><p>　　雜草是生態(tài)系統(tǒng)中的一員,農(nóng)田雜草是農(nóng)業(yè)生態(tài)系統(tǒng)中的一個組成部分，它直接或間接的影響著農(nóng)業(yè)生產(chǎn)，給經(jīng)濟(jì)作物帶來很大的危害。雜草不僅與農(nóng)作物爭奪陽光、水分、肥料、還與作物爭奪生存空間，不經(jīng)過及時的處理，會阻礙作物生長，導(dǎo)致作物產(chǎn)量的下降，產(chǎn)品

27、質(zhì)量受損，甚至妨礙農(nóng)作物收獲，增加生產(chǎn)費用[1]。據(jù)統(tǒng)計,目前世界上共有雜草近5萬種,農(nóng)田雜草8000多種，而危害主要糧食作物的約有250多種。在我國，雜草分布區(qū)域也十分廣泛，據(jù)我國農(nóng)業(yè)植保總站近年調(diào)查發(fā)現(xiàn)，我國農(nóng)田雜草約1500多種，其中給農(nóng)作物造成嚴(yán)重危害的雜草有17種；危害范圍較廣、危害較嚴(yán)重的主要雜草有31種；地域性雜草有24種；一般不對農(nóng)作物造成較嚴(yán)重危害的次要雜草有183種[2]。為了減輕草害，人們投入了大量的人力與物力。統(tǒng)

28、計表明，美國每年因為雜草在64種農(nóng)作物中造成的損失達(dá)75億美元，而每年用于化學(xué)除草的費用高達(dá)36億美元，用于機(jī)械和其它除草的費用達(dá)26億美元[3]。我國用在除草上的勞動量也高達(dá)20-30億個勞動日，即便如此，我國草害造成的糧食損失平均達(dá)13.4％，年損失糧食產(chǎn)量約17500kt[4]。人們?yōu)榱藴p輕雜草對農(nóng)作物的危害以及造</p><p>　　信息技術(shù)的發(fā)展對當(dāng)今社會產(chǎn)生了巨大而深遠(yuǎn)的影響，作為信息處理主要手段的計

29、算機(jī)視覺技術(shù)已經(jīng)滲透到科學(xué)研究和工農(nóng)業(yè)生產(chǎn)的各個領(lǐng)域。計算機(jī)視覺技術(shù)已經(jīng)日趨成熟和完善，而計算機(jī)圖像處理和圖像分析是當(dāng)前國際上正在發(fā)展的一門新興學(xué)科，是人工智能領(lǐng)域中的一個極為重要的方面，也是智能應(yīng)用的熱點之一[6]。隨著計算機(jī)和圖像處理技術(shù)的不斷發(fā)展，農(nóng)田智能除草技術(shù)將成為一個新的研究領(lǐng)域。智能除草是利用計算機(jī)視覺和圖像處理技術(shù)識別出作物中的雜草并確定作物與雜草的位置和雜草的面積，從而在軟件控制條件下進(jìn)行動態(tài)的采集、處理、識別，來減少

30、化學(xué)除草劑對環(huán)境的污染，進(jìn)而達(dá)到除草自動化。這不僅能提高農(nóng)業(yè)生產(chǎn)的科學(xué)水平、減少草害，而且對保護(hù)生態(tài)、實現(xiàn)農(nóng)業(yè)的可持續(xù)發(fā)展有著十分重大的現(xiàn)實意義。</p><p>　　1.2 國內(nèi)外研究動態(tài)和趨勢</p><p>　　國外早在80年代就開始了利用計算機(jī)識別雜草的研究。雜草識別的研究經(jīng)歷了由實驗室到戶外田間，由靜態(tài)到動態(tài)的發(fā)展過程。但是至今能夠真正應(yīng)用在田間的機(jī)器視覺的雜草識別還不成熟。系統(tǒng)

31、的實現(xiàn)關(guān)鍵在于雜草的識別方法問題。近年來科學(xué)家們進(jìn)行雜草識別的研究方法主要有：顏色特征分析法、形狀特征分析法、紋理特征分析法、光譜分析法和位置特征分析法。</p><p>　　1.2.1 國外研究現(xiàn)狀</p><p><b>　　顏色特征分析法</b></p><p>　　顏色特征分析是用于雜草識別的重要方法。在大自然中，植物呈現(xiàn)綠色，土壤呈黃

32、褐色，巖石和無生命的植物殘渣呈淡黃色。根據(jù)植物和背景的顏色特征差異就可以將植物從復(fù)雜的土壤背景中分離出來。有些雜草的莖呈現(xiàn)褐色，根據(jù)雜草和作物的顏色差異能夠?qū)⑺鼈儏^(qū)分開。</p><p>　　Tang[7]等人，研究了在室外自然光照條件下，以人工分割的結(jié)果為導(dǎo)師信號，在HIS顏色空間中利用遺傳算法進(jìn)行了植物和背景的分割，以克服田間光照的巨大變化對分割性能的影響。</p><p>　　Woe

33、bbecke [8]等人在土壤、作物殘留物和光照變化的條件下,利用RGB顏色特征參數(shù)來識別雜草、土壤和作物殘留物，發(fā)現(xiàn)用這些顏色特征參數(shù)可以將雜草、作物和背景分割，同樣也不能有效識別雜草和作物種類,也不適于區(qū)別單子葉和雙子葉植物。</p><p>　　Elfaki[9]利用作物和雜草的顏色特征識別雜草的方法。采用4個顏色特征參數(shù)，進(jìn)行有選擇的組合，再把這些組合作為輸入分量輸入到一個統(tǒng)計分類器和兩個神經(jīng)網(wǎng)絡(luò)分類器，

34、結(jié)果證明統(tǒng)計分類器的效果最好，對大豆和小麥的正確分類率為54%,62.2%。</p><p><b>　　形狀特征分析法</b></p><p>　　形狀特征分析法是利用植物的葉片形狀差異進(jìn)行識別?；拘螤钐卣靼娣e、周長、長度和寬度等，根據(jù)這幾個基本的形狀特征組合出形狀特征參數(shù)，利用這些組合后的形狀特征參數(shù)對雜草和作物進(jìn)行識別。</p><p&

35、gt;　　Giles D.K. [10]等人利用圖像形狀匹配函數(shù)來識別雜草種類，他們研究了3種草(筒麻、狐尾草和打碗花)和大豆苗在子葉生長期的形狀。這種方法不受子葉的大小和方向的影響，但當(dāng)葉子形狀復(fù)雜和葉子數(shù)目較多時卻無能為力。</p><p>　　Guyer[11]等人使用葉子的形狀特征來識別植物的種類，他們獲得八種植物的圖像，使用緊密度（compactness）、慣性中心矩（central moment）和慣

36、性的主軸中心矩（principal-axil moment）等參數(shù)能識別早期階段生長的植物。</p><p>　　2000年，Perez[12]等人在最初提取的多項形狀特征參數(shù)中篩選出了7項參數(shù)作為形狀特征，應(yīng)用貝葉斯統(tǒng)計分類器和K最近鄰域分類器進(jìn)行分類。</p><p><b>　　紋理特征分析法</b></p><p>　　紋理是由很多細(xì)小

37、的單元構(gòu)成，從整體上能反應(yīng)某種規(guī)律性，其灰度分布表現(xiàn)出某種周期性。仔細(xì)觀察，會發(fā)現(xiàn)植物的葉片有著不同的紋理。因而可以利用葉面的紋理信息來識別作物和雜草。用于特征提取的紋理特征為：共生矩陣、方向行灰度級能量、方向濾波掩模和分形維數(shù)、局部極值等。</p><p>　　將圖像紋理處理技術(shù)應(yīng)用于彩色圖像是Sheare (Shear S.A.,1990)首先提出的，對7種人工培育的植物進(jìn)行識別，分別有色調(diào)、飽和度、亮度得出

38、一個顏色共生矩陣，從每個顏色共生矩陣中計算出11個紋理特征，共產(chǎn)生33個顏色紋理特征，用于植物識別的準(zhǔn)確率達(dá)91％。</p><p>　　Meyer [13]等人利用傳統(tǒng)灰度共生矩陣產(chǎn)生4個紋理統(tǒng)計特征：角二階矩〔angular second moment灰度共生矩陣元素值平方和〕、慣性矩(inertia對比度，表示圖像的清晰度)、墑(entropy圖像信息量的度量)和局部均勻性(local homogeneit

39、y逆差矩)。利用上述4種參數(shù)識別雜草和土壤背景物準(zhǔn)確率可達(dá)93%。</p><p>　　Burks[14]等人利用顏色共生矩陣(color co-occurrence matrix)導(dǎo)出11種顏色紋理特征來識別5種雜草(筒麻、狐尾草葬、馬唐和打碗花)和土壤背景，識別率可達(dá)93%。</p><p>　　應(yīng)用光譜分析的識別方法</p><p>　　光譜分析方法是根據(jù)物體

40、對光的反射特性的不同，利用雜草、農(nóng)作物和土壤背景的反射光譜的不同進(jìn)行分析，達(dá)到識別雜草的目的。植物在生長過程中，由于植物葉面組織結(jié)構(gòu)的不同，對一定波長的太陽光吸收和反射也有所不同，因此可利用這種特性來區(qū)分雜草、作物和土壤背景。</p><p>　　Brown等人運用分光輻射譜儀在自然光照條件下測定了棉田中的幾種雜草在400 -900nm范圍內(nèi)的反射率，通過分析得到了440，530，650，730nm四個特征波長能

41、夠?qū)﹄s草進(jìn)行有效的識別。</p><p>　　N .Wang,N.zhang通過二級管分光計研究小麥和9種雜草的莖和葉以及土壤的光譜特性，選定5個波長值(496nm，546nm，614nm，676nm，752nm)作為輸入變量的特征波長值，以此建立雜草識別的分類器模型，并設(shè)計了一種光學(xué)雜草識別傳感器。田間的實驗結(jié)果表明，當(dāng)把選定的9種雜草作為雜草類，與小麥、土壤進(jìn)行分類時，訓(xùn)練分類器時分類正確率分別為64.3%、

42、98.3%、98.7%，驗證分類器時分類正確率分別為62.5%、83.1%、79.5%；當(dāng)雜草密度高于0.02Plants/cm時，訓(xùn)練和驗證分類器時的分類正確率都高于70%。當(dāng)雜草以單株形式出現(xiàn)于土壤背景時，其分類正確率降低到50%以下。在進(jìn)行雜草密度的實驗中，沒有發(fā)現(xiàn)雜草和小麥之間的錯誤分類。</p><p>　　Ahmad-U [15]等人利用由物鏡、6片濾光片、成像光譜儀組成的機(jī)器視覺系統(tǒng)識別田間雜草，田

43、間雜草的識別準(zhǔn)確率達(dá)到了91.4%。</p><p>　　Borregard等人運用成像光譜儀測定了馬鈴薯和甜菜以及幾種雜草在670-1070nm范圍內(nèi)的反射率，選定694, 970, 856, 686, 726, 879, 978nm作為特征波長，馬鈴薯和雜草的識別率達(dá)到了94％，甜菜和雜草的識別率達(dá)到了87%。雖然利用光譜特征分析法在實時性方面具有很大的優(yōu)勢，但高光譜成像設(shè)備的成本卻相當(dāng)高。</p>

44、;<p><b>　　位置分布特征法</b></p><p>　　位置分布特征法是基于作物的規(guī)律性種植提出的一種快速識別作物和行間雜草的方法。利用這種方法可以計算出雜草在田間分布的密度，對于條播作物除草具有廣泛的研究意義和價值。H.J.Olsen 曾經(jīng)采用縱向統(tǒng)計灰度值的方法，提取作物行信息，從而達(dá)到識別的目的。B.L.Steward和L.F.Tian研究了自適應(yīng)掃描算法來獲取

45、作物行間信息，能夠?qū)崿F(xiàn)對行間雜草的識別。</p><p>　　1.2.2 國內(nèi)研究現(xiàn)狀</p><p>　　國內(nèi)，不少研究人員也對雜草識別的方法進(jìn)行了研究，但尚處于開發(fā)階段。</p><p>　　萊陽農(nóng)學(xué)院和吉林工業(yè)大學(xué)的紀(jì)壽文、王榮本、陳佳娟[16]等作了“應(yīng)用計算機(jī)圖像處理技術(shù)識別玉米苗田間雜草的研究”，利用計算機(jī)圖像處理技術(shù)分析了玉米苗期田間雜草的特征量，識別

46、出了田間雜草并確定了雜草的位置和生長狀況。研究中采用直方圖雙峰法濾除了土壤背景，根據(jù)投影面積、葉長、葉寬識別出了雜草，并且根據(jù)雜草投影面積確定出了雜草密度。實驗結(jié)果表明，此方法可識別出玉米苗期田間細(xì)長的單子葉雜草。但是，不適用于玉米的植株比雜草矮小的情況和葉片比較寬大的雙子葉雜草的識別。此方法識別處理的時間較長。</p><p>　　中國農(nóng)業(yè)的大學(xué)的相阿榮[17]等人研究了利用顏色特征從土壤背景中識別雜草的方法和

47、形狀特征識別雜草的方法。</p><p>　　西北農(nóng)林科技大學(xué)的龍滿生[18]等人以玉米苗期雜草為研究對象，分析了不同的顏色指標(biāo)分割土壤背景的可行性，并對分割后的圖像從形狀上提取有效的特征，能識別出闊葉雜草、窄葉雜草和玉米苗。</p><p>　　劉敏[19]等人把分形維數(shù)引入自然光照條件下田間雜草圖像紋理的分析中，用分形維數(shù)來表征微觀雜草葉子紋理和宏觀雜草叢紋理的粗糙程度，取得了一定的區(qū)

48、分識別效果，與傳統(tǒng)的紋理分析方法相比，該方法在時間復(fù)雜度和識別效果上具有明顯的優(yōu)勢。</p><p>　　吉林工業(yè)大學(xué)的陳曉光[20]應(yīng)用圖像處理技術(shù)對蔬菜苗的生長階段進(jìn)行判斷。</p><p>　　中國農(nóng)業(yè)大學(xué)的毛文華[21]等人以小麥田作物為研究對象，利用位置特征，識別出行間雜草，并利用光譜特征識別作物與雜草的方法，通過作物和雜草的定性分析，運用篩選的特征波長識別小麥和雜草的正確識別率

49、可以達(dá)到100％。</p><p>　　江蘇大學(xué)的潘穎[22]等人以茄科類作物和雜草為研究對象，針對茄科類作物和雜草的形狀特征、紋理特征作為模式識別的輸入特征，采用神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行學(xué)習(xí)和訓(xùn)練，對茄子、青椒、干金子、馬唐、凹齒莧的識別率分別為 96％，94％，100％，96％和94％。</p><p>　　從我國雜草識別的研究現(xiàn)狀看，研究內(nèi)容主要針對靜態(tài)圖像的采集、處理與識別，而現(xiàn)實中雜草

50、識別應(yīng)具有動態(tài)實時性。因此，從農(nóng)田應(yīng)用的角度出發(fā)，對于機(jī)器視覺的雜草識別還需要不斷的深入研究，找出適合于動態(tài)實時性的識別方法。</p><p>　　1.3 課題研究的主要內(nèi)容</p><p>　　本課題以大豆作物為研究對象，以實現(xiàn)雜草的動態(tài)采集、處理、識別為目的，在總結(jié)國內(nèi)外研究成果的基礎(chǔ)上，結(jié)合已有的雜草識別理論和方法，研究適合機(jī)器視覺的雜草實時處理與識別的方法，并在實驗室現(xiàn)有的實驗平臺

51、上進(jìn)行圖像的采集、處理及識別試驗。通過不同方法的對比實驗，提高處理與識別速度，并為農(nóng)田機(jī)器視覺的雜草識別提供良好的理論基礎(chǔ)。研究內(nèi)容如下：</p><p>　　圖像的采集：在實驗室內(nèi)，利用大恒卡提供的庫函數(shù)運用VC語言進(jìn)行二次開發(fā)采集模擬田間環(huán)境的圖像。</p><p>　　動態(tài)模糊圖像的恢復(fù)處理:采集來的圖像經(jīng)常會有模糊現(xiàn)象發(fā)生，根據(jù)模糊產(chǎn)生的原因，找到適當(dāng)?shù)狞c擴(kuò)展函數(shù)，對逆濾波復(fù)原和維

52、納濾波復(fù)原進(jìn)行對比試驗，尋找最佳復(fù)原方法。 </p><p>　　綠色植物與背景分離的研究。在此研究試驗中采用了兩種方法進(jìn)行了分離試驗。一是利用超綠法進(jìn)行圖像灰度化，再采用動態(tài)閾值方法進(jìn)行分割；另一種是直接對彩色圖像進(jìn)行二值化處理達(dá)到分割的目的。但是考慮到動態(tài)試驗的實時性，要求減少計算量，速度快的特點。比較兩種方法，選擇出適合于動態(tài)處理的最佳方法。</p><p>　　作物同行間雜草分離

53、的研究。根據(jù)作物成行排列，而大部分雜草分布于作物行與行之間的特點，采取一種快速有效的分離作物與行間雜草的方法。并通過試驗?zāi)苷业竭m合于實時處理的提取作物行和填充作物行的簡單快捷的算法。</p><p>　　去除二值圖像噪聲的研究。為了減少二值圖像中由于噪聲的干擾帶來的影響，使用形態(tài)學(xué)濾波和掃描線算法去除噪聲，找出適合于處理二值圖像噪聲的最佳濾波方法。</p><p><b>　　1

54、.4 本章小結(jié) </b></p><p>　　本章主要闡述了課題的研究目的、意義和國內(nèi)外在雜草識別方面的研究現(xiàn)狀。農(nóng)田雜草是不可忽視的問題，它對農(nóng)作物有很大的危害，除草成為農(nóng)作物生長過程中必不可少的一步，智能除草方式有待進(jìn)一步提高。多年來，國內(nèi)外在雜草識別方面主要是利用植物的形狀、紋理、顏色、光譜特性，位置特性對雜草識別進(jìn)行了大量的研究，取得了很多研究成果。但這些研究大部分基于雜草的靜態(tài)處理與識別，本

55、課題著眼于豆田雜草，提出了適合于雜草動態(tài)采集、處理、識別的研究內(nèi)容。</p><p>　　2 基于機(jī)器視覺的雜草圖像特征提取及識別系統(tǒng)概述</p><p>　　2.1 實驗系統(tǒng)的整體結(jié)構(gòu)</p><p>　　為了更好的在現(xiàn)實生活中實現(xiàn)雜草的動態(tài)識別，在總結(jié)前人研究理論的基礎(chǔ)上，本系統(tǒng)在實驗室內(nèi)模擬戶外環(huán)境（實驗臺上的傳送帶可以以不同的速度運行），嘗試采用不同算法進(jìn)行

56、對比試驗，并經(jīng)過不斷的改進(jìn)和完善，能夠?qū)崿F(xiàn)實驗室內(nèi)進(jìn)行動態(tài)系統(tǒng)的運行。</p><p>　　本實驗系統(tǒng)實現(xiàn)了從雜草圖像采集、處理、識別的一系列過程，通過軟件接口與單片機(jī)等硬件相連，使得整個系統(tǒng)能夠順利運行。下面是系統(tǒng)的組成結(jié)構(gòu)圖：</p><p>　　圖2-1系統(tǒng)整體結(jié)構(gòu)框圖</p><p>　　2.2 實驗系統(tǒng)的組成</p><p>　　

57、計算機(jī)視覺是現(xiàn)代科學(xué)的前沿，很多動態(tài)識別與檢測系統(tǒng)都離不開它的支持。它利用攝像頭（相當(dāng)于人的眼睛）采集圖像，與主機(jī)相連的圖像采集卡將圖像采集到內(nèi)存或屏幕，也是將電信號轉(zhuǎn)化成數(shù)字信號的過程。本課題的實驗系統(tǒng)主要由攝像頭、圖像采集卡、光源、計算機(jī)、由動力設(shè)備帶動的傳送帶的實驗臺等構(gòu)成，控制箱可以調(diào)節(jié)傳送帶的運行速度、方向和傳送帶的運行與停止，可以調(diào)節(jié)攝像頭的上下左右的位置。把從田間采集來的帶有殘茬的土壤和植物放到實驗平臺上，讓傳送帶運轉(zhuǎn)起來

58、，模擬戶外的環(huán)境進(jìn)行動態(tài)采集。</p><p><b>　　攝像頭 </b></p><p>　　本系統(tǒng)采用日本松下WV－CP410系列彩色數(shù)字?jǐn)z像機(jī)，采用1/3英寸高清晰度行間CCD圖像傳感器，其最小照度0.08勒，水平清晰度570行，掃描方式為2：1隔行掃描。攝像頭屬于圖像捕捉設(shè)備，它將采集來的視頻信號通過置于計算機(jī)內(nèi)部的圖像采集卡輸入計算機(jī)的緩存中，等待計算機(jī)發(fā)

59、出指令進(jìn)行處理。</p><p><b>　　圖像采集卡</b></p><p>　　圖像采集卡是攝像頭與計算機(jī)的接口，它的功能是將采集來的模擬信號轉(zhuǎn)換成數(shù)字信號。而且還能夠把攝像機(jī)采集來的圖像信息進(jìn)行解碼轉(zhuǎn)化為能在計算機(jī)中進(jìn)行存儲和處理的圖像數(shù)據(jù)格式，是最常用的圖像數(shù)字化設(shè)備。本實驗系統(tǒng)采用中國大恒有限公司生產(chǎn)的DH-CG300彩色視頻圖像采集卡。圖像最大采集分辨率

60、768×576×24bit。它具有使用靈活、集成度高、功耗低等特點。在進(jìn)行采集傳輸時基本不占用CPU時間，并可將圖像直接傳送到計算機(jī)內(nèi)存或顯存，因此圖像處理可以直接在內(nèi)存中進(jìn)行，圖像處理的速度隨CPU速度的不斷提高而得到提高，因而使得對主機(jī)內(nèi)存的圖像進(jìn)行實時處理成為可能。DH-CG300正因為具有多方面的優(yōu)越性，使其成為實驗系統(tǒng)中不可缺少的組成部分。</p><p><b>　　計算

61、機(jī)</b></p><p>　　在實驗系統(tǒng)中，對計算機(jī)的性能指標(biāo)具有更高的要求，為滿足處理實時性，要求計算機(jī)的CPU具有較高的處理速度；因為動態(tài)動態(tài)識別需要處理大量的圖片，對內(nèi)存的要求也相應(yīng)較高?；谶@兩方面原因，本實驗采用聯(lián)想Y460,具有1G內(nèi)存，500G硬盤空間來滿足圖像的采集、處理與動態(tài)識別。</p><p><b>　　動態(tài)實驗平臺</b><

62、;/p><p>　　此實驗平臺由傳送帶和控制器組成。利用控制器的各個不同的按鈕，可控制傳送帶以不同的速度前進(jìn)或者后退；同時還可以控制攝像頭的升降和左右移動。通過控制器的控制作用能夠更好的進(jìn)行動態(tài)實驗。</p><p><b>　　2.3 本章小結(jié)</b></p><p>　　本章從實驗系統(tǒng)的組成進(jìn)行了介紹，從結(jié)構(gòu)上系統(tǒng)可以對雜草圖像的實時采集、處理

63、和動態(tài)識別的功能。實驗系統(tǒng)的硬件部分包括攝像頭、采集卡、計算機(jī)、實驗平臺、控制器組成。并詳細(xì)介紹了各組成部件的型號和類型以及用途。</p><p>　　3 機(jī)器視覺的雜草圖像的采集及圖像恢復(fù)的研究</p><p>　　3.1 機(jī)器視覺的雜草圖像的采集</p><p>　　圖3-1 動態(tài)采集工作原理圖</p><p>　　上圖為采集的工作原理

64、圖，視頻圖像經(jīng)過多路切換器，A/D解碼將數(shù)據(jù)輸送到數(shù)據(jù)緩沖器。經(jīng)裁剪、比例壓縮及數(shù)據(jù)格式轉(zhuǎn)換后，由內(nèi)部RISC控制圖形覆蓋與數(shù)據(jù)傳輸，數(shù)據(jù)目標(biāo)位置由二次開發(fā)后的軟件確定，可以是顯存，也可以是計算機(jī)內(nèi)存。</p><p>　　3.1.1 動態(tài)采集圖像的數(shù)據(jù)格式及傳輸方式 </p><p>　　對于不同類型的數(shù)據(jù)圖像，所采用的數(shù)據(jù)存儲格式也相應(yīng)不同。本課題所用的采集卡支持RGB8888、RGB

65、888、RGB565、RGB555和256色模式。在此采用圖像處理中最常用的RGB888格式，R、G、B是組成一幅圖像畫面的三種基本的顏色分量，數(shù)字圖像是由若干個像素排列而成，每個像素實際也就是一個矩陣單元，那么每一像素都是R、G、B三種基色的組合，每一基色占用一個字節(jié)的空間，也就是說RGB888格式的一個像素要用到三個字節(jié)的空間存儲。</p><p>　　圖像采集顯示模式可以分為場方式和幀方式兩種。場方式分為奇

66、場和偶場，奇場表示只傳送奇數(shù)行的數(shù)據(jù)；同樣偶場只負(fù)責(zé)傳送偶數(shù)行的數(shù)據(jù)。幀方式，即奇、偶場的圖像數(shù)據(jù)交叉存放，組成一幅完整的圖像。同時在幀方式采集中，圖像的存儲方式也可有場方式，即一幅圖像上半部分為偶場圖像，下半部分為奇場圖像，圖像的數(shù)據(jù)是連續(xù)的。在本課題中采用幀方式，并設(shè)定連續(xù)幀的采集方式，這樣有利于動態(tài)連續(xù)采集的操作，提高所采集圖像的分辨率。</p><p>　　3.1.2 動態(tài)圖像采集的軟件系統(tǒng)</p&

67、gt;<p>　　動態(tài)圖像采集的軟件系統(tǒng)是在大恒卡提供的開發(fā)包基礎(chǔ)上進(jìn)行的二次開發(fā)。在Microsoft的32位Windows操作系統(tǒng)中，圖像采集卡應(yīng)用接口庫直接操作圖像卡并提供了應(yīng)用接口。在編制應(yīng)用程序時，可以直接調(diào)用這些庫函數(shù)來實現(xiàn)所需功能。應(yīng)用接口庫包含文件CGVideo.h，動態(tài)鏈接庫CGVideo.dll和靜態(tài)鏈接庫CGVideo.lib。使用VC編程時，應(yīng)在程序中調(diào)用相關(guān)的包含文件（.h），并將靜態(tài)鏈接庫（.l

68、ib）文件加入到工程文件中，動態(tài)庫必須放在相應(yīng)的工作路徑或WINDOWS系統(tǒng)路徑下。本課題的動態(tài)采集系統(tǒng)所用到的函數(shù)如下:</p><p>　　BeginCG300（）；//打開圖像采集卡</p><p>　　CG300Capture（）；//采集/凍結(jié)圖像</p><p>　　CG300SepDispWindow（）；//設(shè)置圖像顯示窗口</p>&

69、lt;p>　　CG300CaptureToMem（）；//將圖像采集到內(nèi)存中</p><p>　　CG300ReadFromMem（）；//從內(nèi)存中讀取所采集的圖像</p><p>　　EndCG300（）；//關(guān)閉圖像采集卡</p><p>　　圖像采集卡的開始操作和初始化參數(shù)的設(shè)置在應(yīng)用程序初始化中完成，結(jié)束操作在應(yīng)用程序退出前執(zhí)行。圖像采集卡所采集的圖像

70、數(shù)據(jù)，不占用計算機(jī)的CPU的時間，支持實時處理。采集圖像到屏幕和到內(nèi)存的操作在同一時刻只能選擇其一執(zhí)行，不能同時進(jìn)行。</p><p>　　3.2 動態(tài)模糊圖像的恢復(fù)</p><p>　　3.2.1 圖像恢復(fù)的基本知識</p><p>　　圖像在形成、傳輸和記錄過程中，受到多種因素的影響，圖像的質(zhì)量會有所下降，表現(xiàn)為圖像模糊、失真、有噪聲等，這即是圖像的退化。那么為

71、了使退化圖像能夠恢復(fù)本來的面目，就要使用圖像恢復(fù)這一過程來實現(xiàn)。圖像恢復(fù)又稱為圖像復(fù)原，其主要目的是使模糊的圖像變得更加清晰，有利于進(jìn)行特征提取以及動態(tài)識別的操作。在機(jī)器視覺的雜草動態(tài)識別過程中，由于運動可能會造成圖像的模糊，會給特征的提取和動態(tài)識別帶來影響，因此需要對圖像進(jìn)行恢復(fù)操作。</p><p>　　圖像復(fù)原技術(shù)是通過利用圖像退化現(xiàn)象的某種先驗知識將圖像的退化過程模型化，并根據(jù)此模型采取與之相反的處理策略

72、，而得到同原始圖像盡可能接近的復(fù)原圖像[23]。由圖像復(fù)原技術(shù)的定義可知，圖像復(fù)原處理主要是依靠圖像退化模型來進(jìn)行的，在進(jìn)行處理前必須了解圖像退化的原因。引起退化的原因很多，如大氣湍流效應(yīng)、傳感器特性的非線性、光學(xué)系統(tǒng)的像差、成像設(shè)備與物體之間的相對運動等。在本實驗中主要涉及的是動態(tài)運行時攝像頭與被攝目標(biāo)之間產(chǎn)生相對位移從而導(dǎo)致了圖像的模糊，清楚此退化原因后，我們將在此建立一定的退化模型，選擇出最有效的圖像恢復(fù)方法。</p>

73、<p>　　圖3-2為圖像退化的一般模型，此模型對于大多數(shù)的退化過程具有通用性。在模型中，退化過程被模型化為一個系統(tǒng)（或算子），原始圖像在經(jīng)過其退化作用后與一個加性噪聲相疊加而產(chǎn)生出最終的退化圖像。表達(dá)式如下：</p><p><b>　?。?-1）</b></p><p>　　圖3-2 圖像退化的一般模型</p><p>　　

74、圖像復(fù)原技術(shù)的分類方法很多，那么在給定模型的條件下，圖像復(fù)原技術(shù)可以分為無約束和有約束兩大類。圖像復(fù)原的一般模型如圖3-3所示。退化后的圖像在與復(fù)原濾波器相卷積后得到了復(fù)原出的圖像。</p><p>　　圖3-3 圖像復(fù)原的一般模型</p><p><b>　?。?-2）</b></p><p>　　逆濾波方法屬于無約束復(fù)原；維納濾波屬于有約

75、束復(fù)原。下面本實驗將采用這兩種復(fù)原方法進(jìn)行對比試驗。</p><p>　　3.2.2 勻速直線運動模糊下的點擴(kuò)展函數(shù)</p><p>　　實驗進(jìn)行時，攝像頭與被攝目標(biāo)之間存在相對運動，往往造成圖像的模糊。其中勻速直線運動所造成的模糊圖像的恢復(fù)問題更具有一般性和普遍意義。首先攝像頭不動，而圖像發(fā)生平面運動。和分別是在和方向上相應(yīng)的隨時間變化的運動參數(shù)，是采集時間長度，是加性噪聲，實際采集到的

76、由于運動而造成的模糊圖像為： </p><p><b>　?。?-3）</b></p><p>　　這是動態(tài)模糊圖像的一個基本模型。 </p><p>　　先考慮沒有噪聲的情況。設(shè)噪聲，式由（3-3）可得出的傅立葉變換為:</p><p>　　改變積分順序，可表示為：</p><p><b&

77、gt;　?。?-4）</b></p><p>　　外層括號內(nèi)的積分項是置換函數(shù)的傅立葉變換。利用二維傅立葉變換的性質(zhì)得到表達(dá)式：</p><p><b>　?。?-5）</b></p><p>　　（3-5）根據(jù)與無關(guān)得出。令，因此可表示為：</p><p><b>　　（3-6）</b>

78、;</p><p>　　如果圖像的運動在和方向上是勻速直線運動，其速率為（）=,則（）=,代入（3-5）式后得到退化函數(shù)：</p><p><b>　?。?-7）</b></p><p>　　如果當(dāng)前圖像只在方向作勻速直線運動，即；，當(dāng)時， &

79、lt;/p><p>　　在水平方向的移動距離為，就是模糊長度。此時得出：</p><p><b>　?。?-8）</b></p><p>　　退化函數(shù)是要進(jìn)行圖像復(fù)原的關(guān)鍵的一步。了解了退化函數(shù)后，接下來就可以利用兩種復(fù)原方法對由于勻速直線運動而造成的動態(tài)模糊圖像進(jìn)行復(fù)原操作。</p><p>　　3.2.3 逆濾波復(fù)原&l

80、t;/p><p>　　逆濾波復(fù)原是一種最簡單的復(fù)原方式，退化系統(tǒng)的傳遞函數(shù)被顛倒過來，以產(chǎn)生一幅恢復(fù)后的圖像[24]。 其中、、、分別是、、、的二維傅立葉變換，而、、、分別表示退化圖像、原始圖像、退化因子和加性噪聲。它的主要原理：首先要了解退化函數(shù)，然后利用退化函數(shù)和退化圖像的傅里葉變換來計算原始圖像的傅里葉變換估計：</p><p>　?。?

81、 （3-9）</p><p>　　公式（3-9）即是所說的逆濾波。此公式是在沒有任何噪聲的情況下成立，但實際中被觀測到的圖像都帶有噪聲，因此（3-9）式應(yīng)該變成（3-10）式才成立。其中為加性噪聲。</p><p>　?。?（3-10）</p><p>　　由公式（3-10）可得到：</p><p>

82、<b>　?。?-11）</b></p><p>　　由（3-11）式可知，如果已知、、就可以得到，將進(jìn)行傅立葉反變換，就能得到，也就是我們所要的復(fù)原圖像。</p><p>　　以上過程是逆濾波算法的基本處理過程。從式（3-11）我們可以看出，當(dāng)很小時，會變的很大，這相當(dāng)于把噪聲放大了很多，使得復(fù)原圖像的效果很差。另外，如果有零點，那么在零點處，會變得無窮大，所以圖像

83、在這些點處無法正確復(fù)原。采用逆濾波復(fù)原法消除運動模糊，過程如下：</p><p>　　求模糊圖像的傅立葉變換；</p><p>　　觀察目標(biāo)運動的水平方向和垂直方向的移動距離a和b,確定退化傳遞函數(shù)；</p><p>　　計算復(fù)原圖像的傅立葉變換；</p><p>　　對執(zhí)行傅立葉逆變換，得到復(fù)原圖像。</p><p>

84、;　　如圖3-4所示：逆濾波對于未加入噪聲時的圖像能夠進(jìn)行復(fù)原，但必須精確設(shè)置復(fù)原點擴(kuò)散函數(shù)的結(jié)果，圖3-4（b）的復(fù)原點擴(kuò)散函數(shù)與模糊原圖像的點擴(kuò)散函數(shù)的參數(shù)相同，因此復(fù)原效果好。如果估計運動參數(shù)時不準(zhǔn)確，復(fù)原結(jié)果會受到影響。而帶有噪聲的運動圖片經(jīng)過逆濾波復(fù)原后，復(fù)原結(jié)果明顯下降，如圖3-4（d）。</p><p>　　(a)沒有噪聲的模糊圖片 (b

85、)逆濾波復(fù)原圖片</p><p>　　(c)帶有噪音的模糊圖片 (d) 逆濾波復(fù)原圖片</p><p>　　圖3-4 逆濾波復(fù)原對比圖</p><p>　　3.2.4 維納濾波復(fù)原</p><p>　　1967年Helstrom對逆濾波復(fù)原法進(jìn)行了改進(jìn)，提出了維納濾波復(fù)原法，也稱維納濾波器

86、。 它是利用一個復(fù)數(shù)量與它的共軛的乘積等于復(fù)數(shù)量幅度的平方。維納濾波的基本思想，既是求出原圖像和復(fù)員圖像的平均二乘誤差為最小時的復(fù)員法。誤差計算為：</p><p><b>　?。?-12）</b></p><p><b>　　可由下式表示：</b></p><p><b>　　（3-13）</b>&

87、lt;/p><p><b>　　(3-14)</b></p><p>　　公式（3-14）為（3-13）的變型公式：其中常量＝即噪聲和信號的功率之比。分別表示噪聲和原圖像的功率譜， 表示成像系統(tǒng)傳遞函數(shù)的共軛復(fù)數(shù)。采用維納濾波器的復(fù)原過程步驟如下：</p><p>　　計算圖像的二維離散傅立葉變換得到；</p><p>　　

88、計算點擴(kuò)展函數(shù)的二維離散傅立葉變換；</p><p>　　估算圖像的功率譜密度和噪聲譜密度；</p><p>　　由公式（3-13）計算圖像的估計值；</p><p>　　計算的傅立葉逆變換，得到恢復(fù)后的圖像。</p><p>　　采用維納濾波對動態(tài)模糊圖像進(jìn)行恢復(fù)，通常我們并不知道信號和噪聲的功率，但可以用一個常量來代替。當(dāng)＝0時，維納濾波

89、器就轉(zhuǎn)化為標(biāo)準(zhǔn)的逆濾波器。當(dāng)不等于0時，雖然能抑制了噪聲的擴(kuò)大，但復(fù)原的模型沒有去卷積濾波器精確，造成復(fù)原的失真。越大，抑制噪聲效果越好，但復(fù)原不準(zhǔn)確，從現(xiàn)象上看復(fù)原后的圖像比較模糊。越小，復(fù)原越準(zhǔn)確，然而噪聲抑制效果不好。所以的選取原則是:噪聲大，適當(dāng)增加，噪聲小適當(dāng)減小。一般取0.1～0.001之間，視具體情況而定。與逆濾波相比較，維納濾波對噪聲能起到一定的自動抑制作用。在帶有噪聲的動態(tài)模糊圖像的復(fù)原中，維納濾波效果較好。如圖3-5

90、為帶有噪聲的動態(tài)模糊圖像經(jīng)過逆濾波和維納濾波恢復(fù)后的對比圖，維納濾波復(fù)原結(jié)果明顯好于逆濾波。</p><p>　　(a)原始圖片 (b)帶有隨機(jī)噪音的模糊圖片</p><p>　　(c)維納濾波復(fù)原圖片 (d)逆濾波復(fù)原圖片</p><p

91、>　　圖3-5 逆濾波與維納濾波復(fù)原對比圖片</p><p><b>　　3.3 本章小結(jié)</b></p><p>　　本章主要對機(jī)器視覺的雜草圖像的采集以及圖像預(yù)處理中圖像復(fù)原作了詳細(xì)的論述。圖像的采集中敘述了圖像采集的傳輸方式和工作原理。并能夠編制相應(yīng)的軟件進(jìn)行圖像的采集。對由于運動產(chǎn)生的模糊圖像采用了逆濾波和維納濾波復(fù)原方法進(jìn)行對比試驗，得出維納濾波能夠更

92、好的抑制噪聲，恢復(fù)效果較好。</p><p>　　4 綠色植物與土壤背景實時分割的研究</p><p>　　4.1 圖像分割概述</p><p>　　圖像分割是圖像處理當(dāng)中最重要的部分，也是一種基本的計算機(jī)視覺技術(shù)。它根據(jù)某種同一性把一整幅圖像劃分為若干子區(qū)域，每一區(qū)域?qū)?yīng)于某一物體或物體的一部分。進(jìn)行圖像分割的最終目的是為了對景物或物體進(jìn)行描述，而許多不同種類的

93、圖像或景物部分都可作為據(jù)以分割的分片，并且有許多不同的方法可從圖像中提取這些部分。</p><p>　　圖像分割分為灰度圖像分割和彩色圖像分割，它們的大部分算法在分割思想上是一致的，只是彩色圖像要比灰度圖像包含著更多的信息，而且具有多種彩色空間表達(dá)方式。盡管人們在圖像分割方面做了許多研究工作，但由于沒有通用的分割理論，現(xiàn)已提出的分割算法大都是針對具體問題的，并沒有一種適合所有圖像的通用分割算法。那么彩色圖像分割算

94、法的關(guān)鍵就在于利用豐富的彩色信息達(dá)到圖像分割的目的。</p><p>　　本課題中的圖像分割，主要是去除雜草圖像中的土壤背景（含有作物殘茬等）。為了將綠色植物與土壤有效的分割，需要對原始圖像數(shù)據(jù)進(jìn)行變換，從而得到最能反映分類本質(zhì)的特征。對于彩色圖像分割的問題，首先要選擇好合適的彩色空間，然后充分利用彩色圖像所包含的豐富的色彩信息，選擇適當(dāng)?shù)奶卣?，使目?biāo)和背景能依據(jù)特征上的差別進(jìn)行區(qū)分，利用這個顏色特征將彩色圖像轉(zhuǎn)

95、變成灰度圖像，再確定閾值將灰度圖像二值化。</p><p>　　4.2 彩色圖像灰度化</p><p>　　綠色植物同土壤背景分割，可以根據(jù)RGB和HIS顏色模型將彩色圖像轉(zhuǎn)換成灰度圖像，比較二者的灰度化結(jié)果，找出分割效果好，適合于實時處理的方法。</p><p>　　4.2.1 彩色圖像的主要顏色模型</p><p>　　彩色模型（也稱彩色

96、空間或彩色系統(tǒng)）的用途是在某些標(biāo)準(zhǔn)下用通常可接受的方式簡化彩色規(guī)范。本質(zhì)上，彩色模型是坐標(biāo)系統(tǒng)和子空間的規(guī)范。位于系統(tǒng)中的每種顏色都由單個點來表示。</p><p>　　現(xiàn)在所用的大多數(shù)彩色模型都是面向硬件的或是面向應(yīng)用的。在圖像處理中，實際中最通用的面向硬件的模型是RGB（紅、綠、籃）模型。HIS（色調(diào)、亮度、飽和度）模型更符合人們描述和解釋顏色的方式。還有CMY、 CMYK， XYZ等模型在實際當(dāng)中不太常用的

97、彩色模型。因為目前的綠色植物與背景的實時分割中多采用RGB和HIS這兩種模型，下面對RGB模型和HIS模型加以介紹。</p><p><b>　　RGB顏色模型</b></p><p>　　任何物體反射光所形成的彩色圖像經(jīng)彩色攝像機(jī)輸入到計算機(jī)后，均被分解成紅（R）、綠（G）、籃（B）三個分量，這是國際照明委員會（the International Commissia

98、n on Illumination,簡稱CIE）1931年規(guī)定的標(biāo)準(zhǔn)色系。這個模型基于笛卡兒坐標(biāo)系統(tǒng)，（如圖4-1所示）所有顏色值都?xì)w一化從而形成了一個單位立方體，即所有的R、G、B的值都在[0，1]內(nèi)取值。在這個模型中，原點對應(yīng)黑色，離原點最遠(yuǎn)的點對應(yīng)白色。從黑到白的灰度值分布在從原點到離原點最遠(yuǎn)點的連線上，而立方體內(nèi)其余各點對應(yīng)不同的顏色，可用從該點到原點的矢量來表示。</p><p>　　圖 4-1 RGB

99、顏色系統(tǒng)模型</p><p><b>　　HIS顏色模型</b></p><p>　　HIS顏色模型系統(tǒng)直接采用了彩色特性意義上的三個量：色度、亮度、飽和度來描述它。亮度I是色彩明亮度的概念，色度是光波混合中與主波長有關(guān)的屬性，表示觀察者接收的主要顏色，是描述純色的屬性（純黃色、紅色），飽和度給出一種純色被白光稀釋的程度的度量。亮度是一個主觀的描述子 ，實際上它不可測

100、量。色調(diào)和飽和度一起稱為彩色。</p><p>　　HIS顏色模型可在彩色模型中從攜帶的彩色信息（色調(diào)和飽和度）里消去強(qiáng)度分量的影響，對于開發(fā)基于彩色描述的圖像處理方法是一個理想的工具，這種彩色描述對于人來說是直觀的、自然的。HIS模型中的顏色分量也可定義在如圖4-2中所示的三角形中。對其中的任意一個色點P，其H的值對應(yīng)指向該點的矢量與R軸的夾角。這個點S與指向該點的矢量長成正比，越長越飽和。在這個模型中，I的值

101、是沿1根通過三角形中心并垂直于三角形平面的直線來測量的。</p><p>　　圖 4-2 HIS顏色三角形</p><p><b>　　兩種模型的轉(zhuǎn)換</b></p><p>　　HIS模型和RGB模型可以相互轉(zhuǎn)換。下面是將RGB轉(zhuǎn)換到HIS的計算公式：</p><p><b>　　(4-1)</b>

102、;</p><p><b>　　(4-2)</b></p><p><b>　　(4-3)</b></p><p>　　255 </p><p>　　4.2.2 過綠特征分離綠色植物與土壤背景<

103、/p><p>　　人們通過視覺所看到的每種物體的顏色都是由它的反射光譜的特性和光源特性所決定的。RGB顏色模型是用紅、綠、籃三種基本原色的混合比例來定義不同的色彩，因此對于有生命的綠色植物、帶有殘茬的土壤和無殘茬的土壤所呈現(xiàn)的不同顏色就可以用三原色的不同組合來區(qū)分。其中過綠分量2G-R-B組合被證明能夠有效的區(qū)分綠色植物和土壤背景，這種方法提出針對自然光線下獲取的圖像背景與綠色植物呈現(xiàn)明顯的區(qū)別，而且在室內(nèi)光照強(qiáng)度相

104、對比較穩(wěn)定的條件下，由于它在雜草與土壤背景之間的反差很大，因而同樣可以用于雜草圖像的背景分割。利用過綠分量將彩色圖像轉(zhuǎn)成灰度圖像計算簡單，滿足動態(tài)實時處理的要求。但缺點是對光照強(qiáng)度和傾斜角度的變化敏感，將綠色植物與背景的分割不完全，而且伴隨的噪聲較多，仍然需要采用二值方法作進(jìn)一步分割處理。如圖4-3中（b）為經(jīng)過綠特征灰度化后的圖像。</p><p>　　4.2.3 HIS方法分離綠色植物與土壤背景</p&

105、gt;<p>　　在分離綠色植物和土壤背景的試驗中，除了使用RGB顏色模型外，HIS顏色模型也是我們經(jīng)常用到的。它更加接近人們對顏色的感知。通過對圖像的色度圖像進(jìn)行觀察、分析，發(fā)現(xiàn)色度圖像的目標(biāo)和背景的亮度分布較為均勻，且有較明顯的區(qū)別，受光照條件的影響較少，所以在很多研究中經(jīng)常選擇色度分量為顏色特征進(jìn)行目標(biāo)與背景的分割。為了得到H分量，我們需對RGB模式進(jìn)行轉(zhuǎn)換得到HIS模式。依據(jù)公式（4-3）轉(zhuǎn)換后，得到如圖4-3中（

106、c）為含色度分量的圖像。</p><p><b>　　(a)原始圖像</b></p><p>　　(b)含2*G-R-B的灰度圖像</p><p>　　(c)含色度分量的圖像</p><p>　　圖4-3灰度圖像對比圖</p><p>　　從圖4-3中的原始圖像經(jīng)過RGB顏色模型和HIS顏色模型分

107、別處理得到的灰度圖像可以看出，兩種方法都可以分辯出綠色植物和土壤背景，但是含有色度圖像的灰度圖的目標(biāo)和背景對比度明顯小于含有2G-R-B分量的灰度圖，差異越小，對二值化處理越不利。因此，如果選擇灰度變換方法來分割綠色植物與土壤背景，選擇過綠分量分割效果更好。</p><p>　　4.3 二值處理和閾值分割方法 </p><p>　　彩色圖像經(jīng)過2G-R-B的灰度變換后，綠色植物和背景已經(jīng)呈

108、現(xiàn)明顯差異，但是從圖像中會看到部分殘留物的痕跡，有些由于受到光照強(qiáng)度等不同因素的影響，綠色植物與背景的分割效果不是很好。要把綠色植物從土壤背景中完全分離出來，就需要通過閾值分割對圖像進(jìn)行二值處理。因此在二值處理過程中，選擇恰當(dāng)?shù)拈撝捣指罘椒ㄊ呛荜P(guān)鍵的。常用的閾值分割方法有:全局閾值法、局部閾值法和動態(tài)閾值法。</p><p>　　全局閾值法：采用閾值確定邊界的最簡單做法是在整個圖像中將灰度閾值的值設(shè)置為常數(shù)。如果

109、背景的灰度值在整個圖像中可合理地看作為恒定，而且所有物體與背景都具有幾乎相同的對比度，那么，只要選擇了正確的閾值，使用一個固定全局閾值一般會有較好的分割效果。</p><p>　　局部閾值法:由當(dāng)前像素灰度值與該像素周圍點局部灰度特征來確定像素的閾值。例如可以將原圖像劃分為一些不相交的小塊，將各塊圖像的灰度均值作為該塊圖像閾值，在局部上采用上面的整體閾值法。</p><p>　　動態(tài)閾值法