CN104361598A - 基于农田图像检测障碍物的方法 - Google Patents

Abstract

本发明公开了一种基于农田图像检测障碍物的方法，该方法首先通过田间导航图像采集设备采集农田图像，然后将农田图像进行去噪灰度化、小波变换、最大类间方差分割等操作，最后得到图像投影曲线，根据曲线的跳变点来判断农田中的障碍物。该方法克服了现有农田障碍物检测方法对障碍物高度、颜色敏感的缺点，能有效提高农田障碍物检出率，增强农田导航安全。

Description

基于农田图像检测障碍物的方法

技术领域

本发明涉及一种基于农田图像检测障碍物的方法。

背景技术

因农用车辆自动导航、辅助导航能有效降低农民工作强度，提高农业生产效率，减少农药中毒、皮肤晒伤等农业事故的发生并能促进精细农业发展而得到广泛研究。而基于机器视觉的农用车辆自动导航、辅助导航方法因获得信息量丰富、使用灵活、体积小、能耗低而被广泛采用。

基于机器视觉的农田导航研究过程中农田存在的障碍物如不能准确检测会造成经济损失，引起严重事故，因此农田障碍物的有效检测是农用车辆自动导航、辅助导航需解决的关键问题之一。目前的农田障碍物检测方法主要基于障碍物和农田作物的颜色、高度差异等信息完成，但农田中出现的障碍物颜色、高度都是随机的，如长草的土堆，导致这类方法容易出现障碍物漏检；有些仅依靠频率信息完成障碍物检测，但当障碍物和作物产生频率相近时效果并不好；如采用对农田图像先基于频率差异进行分割，再基于颜色信息进行障碍物、作物分离的方法，虽然和前面两类方法相比障碍物检出率明显增加，但在对障碍物基于频率信息的分割阶段多变的背景频率成了最大干扰，会导致一部分障碍物因干扰过多发生漏检。

发明内容

本发明的目的是针对现有技术的不足，提供一种基于农田图像检测障碍物的方法。

本发明的目的是通过以下技术方案实现的：一种基于农田图像检测障碍物的方法，该方法包括以下步骤：

(1)采集彩色农田图像，并将采集到的彩色农田图像通过公式I＝(R+G+B)/3转换成第一灰度图像F，公式中R指采集的彩色图像中红色分量灰度值，G指绿色分量灰度值，而B指蓝色分量灰度值，I表示第一灰度图像F的亮度值，这种彩色图像转灰度图像方式能最大程度保留图像各部分原有的细微颜色差异；

(2)再将彩色农田图像通过公式I'＝2×G-R-B转换成第二灰度图像F1，I'表示第二灰度图像F1的灰度值，这种彩色图像转灰度图像方式能有效提高绿色植物和其它非绿色背景的对比度，配合图像分割算法能有效去除非绿色背景干扰；

(3)采用OTSU方法对第二灰度图像F1进行分割，获得二值图像F3；

(4)获取二值图像F3中像素值为零的坐标，将第一灰度图像中相同坐标位置处的像素值置零，获得第三灰度图像F4；

(5)对第三灰度图像F4进行5级Haar小波分解，得到5级分辨率不同的子图像及近似级子图像，并按下式计算图像小波分解后2～5级各级子图像的总频率：

C_l＝C_lh+C_ld+C_lv

式中l为小波多分辨率分解的第l级，为l级水平分解系数图像，d为l级对角分解系数图像，v为l级垂直分解系数图像，C_lh为l级水平分解系数图像的总频率，C_ld为l级对角分解系数图像的总频率，C_lv为l级垂直分解系数图像的总频率；其中，C_lx(x＝h,d,v)由以下公式得到：

$C_{\mathrm{lx}}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{f}_{\mathrm{lx}}{(i,j)}^2$

式中M×N为小波多分辨率分解第l级各方向子图像的大小，f_lx(i,j)为坐标点(i,j)处的小波多分辨率分解系数；

(6)通过步骤(5)的计算找到总频率最多的级，将小波分解后获得的近似级及子图像总频率最多的级的小波分解系数保留，其它级子图像的小波分解系数置零后，重构成新的图像；

(7)对步骤(6)重构后的新图像进行两次OTSU分割获得图像F5；

(8)求图像F5中像素值的平方，然后将求平方后的像素值按图像行相加，投影成曲线，曲线的跳变点即为农田中的障碍物。

本发明的有益效果是：本发明通过将彩色图像到灰度图像的转换过程、小波变换及OTSU分割算法相结合，充分利用了农田作物、障碍物在颜色、频率两方面的差异，将障碍物和作物实现最大程度分离，然后进一步通过能体现障碍物和作物分布差异的投影过程实现农田障碍物的检测，能有效解决农田障碍物检测过程漏检率高的问题，提高农田导航安全性。

附图说明

图1为采用公式I＝(R+G+B)/3获得的农田灰度图；

图2为采用公式I'＝2×G-R-B获得的农田灰度图；

图3为先对图2进行OTSU分割，并记录分割后图像中像素值为0的坐标位置，将图1中相同坐标位置处的像素值置0后获得的图像；

图4为对图3进行小波分解重构后，再进行两次OTSU分割获得的图像。

具体实施方式

下面结合附图，对本发明作进一步说明。

上述农田图像检测障碍物的方法，包括以下步骤：

(1)将摄像头拍摄的彩色农田图像通过公式I＝(R+G+B)/3转换成第一灰度图像F，如图1所示；公式中R指采集的彩色图像中红色分量灰度值，G指绿色分量灰度值，而B指蓝色分量灰度值，I表示第一灰度图像F的亮度值；

(2)再将彩色农田图像通过公式I'＝2×G-R-B转换成第二灰度图像F1，如图2所示；I'表示第二灰度图像F1的灰度值；

(3)采用OTSU对图像2进行分割，获得二值图像；

(4)获取步骤(3)获得的二值图像中像素值为零的坐标，将图1中相同坐标位置处的像素值置零，获得灰度图像如图3所示；从图3可以看出，经过上述4步操作非绿色背景噪声去除的很干净。

(5)对图像3进行5级Haar小波分解，得到5级分辨率不同的子图像及近似级子图像，并按公式C_l＝C_lh+C_ld+C_lv计算图像小波分解后2～5级各级子图像的总频率；

(6)通过步骤(5)的计算找到总频率最多的级，本实施例中为第3级，保留近似级及第3级子图像的小波分解系数，其它小波分解级的小波分解系数置零，然后重构成新的图像；

(7)对步骤(6)小波重构后的图像进行两次OTSU分割获得图像8；第一次OTSU分割用于将小波分解重构后的图像中和作物颜色差异明显的信息分割成背景；第二次OTSU分割在颜色和作物相近的物体间进行，用于将和作物颜色相近但不同的物体尤其杂草分割成背景。从图4的分割结果可以看出上述分割过程不仅能将和作物颜色不同的墙壁、车辆等障碍物有效分离，还能将田头位置处和作物颜色相近的杂草有效去除，这一点说明即使农田中存在长草的土堆，本算法也能将其检测出来。

(8)求图像4中像素值的平方，然后将求平方后的像素值按图像行相加，投影成曲线，曲线的跳变点即为障碍物出现的位置。

Claims (1)

1.一种基于农田图像检测障碍物的方法，其特征在于，该方法包括以下步骤：

(1)采集彩色农田图像，并将采集到的彩色农田图像通过公式I＝(R+G+B)/3转换成第一灰度图像F，公式中R指采集的彩色图像中红色分量灰度值，G指绿色分量灰度值，而B指蓝色分量灰度值，I表示第一灰度图像F的亮度值；

(2)再将彩色农田图像通过公式I'＝2×G-R-B转换成第二灰度图像F1，I'表示第二灰度图像F1的灰度值；

(3)采用最大类间方差法(简称OTSU)对第二灰度图像F1进行分割，获得二值图像F3；

(4)获取二值图像F3中像素值为零的坐标，将第一灰度图像F中相同坐标位置处的像素值置零，获得第三灰度图像F4；

(5)对第三灰度图像F4进行5级Haar小波分解，得到5级分辨率不同的子图像及近似级子图像，并按下式计算图像小波分解后2～5级各级子图像的总频率：

C_l＝C_lh+C_ld+C_lv

式中l为小波多分辨率分解的第l级，h为l级水平分解系数图像，d为l级对角分解系数图像，v为l级垂直分解系数图像，C_lh为l级水平分解系数图像的总频率，C_ld为l级对角分解系数图像的总频率，C_lv为l级垂直分解系数图像的总频率；其中，C_lx(x＝h,d,v)由以下公式得到：

$C_{\mathrm{lx}}=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{f}_{\mathrm{lx}}{(i,j)}^2$

式中M×N为小波多分辨率分解第l级各方向子图像的大小，f_lx(i,j)为坐标点(i,j)处的小波多分辨率分解系数；

(6)通过步骤(5)的计算找到总频率最多的级，将小波分解后获得的近似级及子图像总频率最多的级的小波分解系数保留，其它级子图像的小波分解系数置零后，重构成新的图像；

(7)对步骤(6)重构后的新图像进行两次OTSU分割获得图像F5；

(8)求图像F5中像素值的平方，然后将求平方后的像素值按图像行相加，投影成曲线，曲线的跳变点即为农田中的障碍物。