CN105021196B - 基于最小相切圆和形态学原理的作物行检测方法 - Google Patents
基于最小相切圆和形态学原理的作物行检测方法 Download PDFInfo
- Publication number
- CN105021196B CN105021196B CN201510364266.9A CN201510364266A CN105021196B CN 105021196 B CN105021196 B CN 105021196B CN 201510364266 A CN201510364266 A CN 201510364266A CN 105021196 B CN105021196 B CN 105021196B
- Authority
- CN
- China
- Prior art keywords
- crop row
- image
- morphology
- crop
- tangent circle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Abstract
本发明公开一种基于最小相切圆原理和形态学的作物行检测方法,步骤如下:在室外田间环境下采集玉米作物行图像;利用改进的过绿灰度化方法对玉米作物行图像进行灰度化处理;中值滤波基本消除噪声的干扰且目标区域被明显的分割开来;然后运用最大类间方差法获得了玉米作物行的二值图像;依据作物行呈线型的特点,采用5*1线型结构元素和3*3方形结构元素相结合的方法对进行腐蚀、膨胀运算;采用最小相切圆与形态学结合的方法提取中央玉米作物行的骨架并进行中央作物行直线的拟合。本发明能为导航线提供准确的位置信息,且对作物行边缘噪声具有较强的抗干扰能力,对进一步研究精准施药提供了参考依据,可满足农业机械的对行行走。
Description
技术领域
本发明涉及作物行检测的技术领域,具体涉及一种基于最小相切圆和形态学原理的作物行检测方法,主要应用于农业机械自动行走或者精准施药机械自动对准的作物行中心线检测。
背景技术
在现代精准农业系统的研究中,作物行中心线信息的识别具有重要的作用。数字图像处理算法在自动识别方面具有很大的优势,是现代精准农业的基础和关键技术。以往的研究表明,作物行提取方法具有单一性和适应性不强的缺点,农作物生长的不同时期、光照、及作物种类均会对算法的实现造成影响。设计一种满足多种条件的作物行识别方法是精准农业的重要问题。
根据以往的研究,农田作物行的识别算法一般是以农田作物行或者作物沟的中心线为研究对象。早在上世纪,Silsoe研究中心的Marchant和Brivot和瑞典专家BjornAstrand以及比利时学者V.Leemans等都分别对行识别及导航算法做过相应的研究,并取得了一定的成果。近年来国内也出现了不少这方面的研究,张志斌等将Hough变换与Fisher准则相结合,根据垄线点空间关系得出多垄识别统一模型,克服传统Hough变换提取多垄线的不足;赵瑞娇等将投影法和直接Hough变换法相结合,提出一种基于垂直直方图投影的改进Hough变换检测作物行中心线的方法;马红霞等将灰度图像分成若干个水平条,用垂直投影法找出导航定位点,并设置感兴趣区域,在区域内采用Hough变换对定位点拟合得出导航基准线。这些算法对农田作物行提取算法都具有一定参考价值,但算法复杂,且不能从根本上满足农业机械的需要,因此还需要进一步的研究和实验。
2015年2月18日公开了一项申请号为201410710905.8的中国发明专利,利用改进的中值滤波处理、基于马氏距离和玉米叶脉规则的作物行骨架提取,提高了运算速度,可有效避免杂草等噪声的影响,适应于不同作物及光照条件,其作物行准确率高于98.3%。但是,由于该专利在作物行骨架提取时,不能解决作物植株间的断垄及间距较大的情况,造成提取的作物行骨架准确度不高。
发明内容
为了解决上述技术问题,本发明提供了一种基于最小相切圆和形态学原理的作物行检测方法,针对作物行呈线型的特点,本发明采用5*1的线型结构元素对植株间断的地方进行形态学中的膨胀运算,并利用最小相切圆原理提取中央作物行骨架,很好的连接了植株间的间断区域,提取的骨架误差在±2%-±5%,能很好地满足农业机械导航线的路径识别。
为了达到上述目的,本发明的技术方案是:一种基于最小相切圆和形态学原理的作物行检测方法,包括如下步骤:
S1:采用工业相机和镜头对田间自然环境下的玉米作物行图像进行采集,得到玉米作物行RGB彩色图像;
S2:根据获取的RGB图像的色彩特征,使用改进的过绿灰度化方法
处理,得到相应的灰度图像;
S3:对获得的灰度图像利用改进的中值滤波方法进行滤波处理,获得滤波后的图像;
S4:采用最大类间方差法对滤波后的图像进行二值化处理,获得二值图像;
S5:采用形态学算法滤除二值图像的噪声;
S6:为了提取作物行的骨架信息,采用基于最小相切圆原理与形态学的方法得到中央作物行骨架;
S7:为了更好的体现作物行的走向,采用随机Hough变换算法对中央作物行骨架进行直线拟合处理,获得作物行导航线。
所述步骤S3中使用的改进的中值滤波方法为:采用3*3模板的数组窗口对灰度图像进行处理,用冒泡法对每组数组进行排序,然后返回数组元素的中值。
所述改进的中值滤波方法对灰度图像处理两次。
所述步骤S5中形态学算法包括腐蚀和膨胀两种算法。
所述形态学算法包括先对二值化后的图像进行5*1线型结构元素的垂直方向2次膨胀,再进行3*3方形结构元素的8次膨胀运算,然后进行5*1线型结构元素的水平方向2次腐蚀,最后再进行3*3方形结构元素的8次腐蚀操作,滤除二值图像的噪声,得到作物行的轮廓。
所述步骤S6中采用基于最小相切圆原理与形态学相结合的方法提取中央作物行骨架的方法是:首先运用形态学细化算法提取二值图像所有作物行的骨架,在平面直角坐标系中,以作物行图像的底部中心为基准点,从图像底部中心对作物行两边的所有像素点进行自下向上的扫描操作,寻找所有与作物行相切的最小圆,记下所有与最小圆相切的切点,腐蚀掉除最小相切圆切点以外的所有像素点,最小相切圆内的像素点的集合组成了中央作物行的骨架。
本发明为农田作物行识别提供了一种新方法,在背景分割、作物行提取和获取中心线偏差信息方面具有一定的优势,能克服作物间断的区域或断垄的地方,提取的作物行骨架更准确。本发明克服了现有作物行提取方法中单一性和适应性不强,以及农作物断垄现象对作物行检测的实现造成影响的缺点,可以满足检测多种条件下的作物行中心线提取。本发明针对作物行呈线型的特点,采用5*1的线型结构元素对植株间断的地方进行形态学中的膨胀运算,并利用最小相切圆原理提取中央作物行骨架,很好的连接了植株间的间断区域,提取的骨架误差在±2%-±5%,能很好地满足农业机械导航线的路径识别。通过对不同的图像实验得出,本发明可有效地避免杂草等噪声的影响,能很好地连接作物的间断点,同时又保持了作物行骨架的单像素特性,并且适应于不同作物及光照条件,为农业精准施药系统自动对准提供了参考。
附图说明
图1为本发明的流程图。
图2(a)是本发明的玉米田原图;图2(b)是采用传统的过绿算法处理的灰度图;图2(c)是本发明的过绿算法处理的结果图像。
图3是本发明中值滤波得到的滤波后图像。
图4是本发明的最大类间方差法得到的二值化图像。
图5是本发明的形态学滤波处理得到的结果图像。
图6(a)是本发明的形态学细化算法处理的结果图像;图6(b)是本发明的基于最小相切圆的中央作物行骨架提取的图像。
图7是本发明的作物行中心线拟合成直线后的图像。
具体实施方式
下面通过附图和实施例具体描述一下本发明。
如图1所示,本发明中的一种基于最小相切圆和形态学原理的作物行检测算法,包括以下步骤:
步骤S1,采用MV-VD030SC型号工业相机和AFT-0814MP镜头采集玉米田图像,相机拍摄的高度距地面的高度约为1.8米,获得的8位RGB彩色图像去色后如图2(a)所示。将RGB彩色图像保存在电脑程序中,保存方式为BMP格式,图像大小为640*480。通过基于MFC的图像处理视觉程序,将图片直接显示在程序运行界面上。
步骤S2,对获取的RGB彩色图像利用改进的过绿灰度化方法进行灰度化处理。对传统过绿特征算法Gray=2G-R-B进行改善,得到改进的灰度算法:若G>R或G>B,则Gray=1.8G-R-B;其他,则Gray=255,即。传统的超绿色图像分割算法处理的RGB彩色图像如图2(b)所示,利用上述改进的过绿灰度化方法处理RGB彩色图像得到的灰度图像,在程序界面上显示如图2(c)所示。由图2(b)和(c)实验结果对比表明,此过绿灰度化方法得到的灰度图像作物行和背景的分割更加明显。
步骤S3,对灰度化后的图像利用改进的中值滤波进行分割处理。改进的中值滤波方法具体为:采用3*3的9个像素数组窗口对灰度化后的图像进行中值滤波,并采用冒泡法对每个3*3的数组进行排序,然后返回该数组元素的中值。经2次上述改进的中值滤波方法滤波得到的滤波后的灰度图像如图3所示。由图3可知,处理后的灰度图像中的噪声基本去除,满足了后续对作物行处理的需求。
步骤S4,采用最大类间方差对滤波后的图像进行二值化处理,得到二值图像,如图4所示。对图像进行二值化处理,采取了经典的图像分割算法——最大类间方差法,来进行阈值分割,其计算简单,且不受图像亮度等信息干扰,具有较好的处理效果,处理后可得到清晰的二值化图像。
步骤S5,由于二值图像行间有许多小噪声,作物行上也有少许小孔噪声。但是这些噪声相对于作物行面积较小,因此采用形态学算法滤除噪声。这里主要采用腐蚀和膨胀算法进行,先对二值化后的图像进行形态学中的腐蚀、膨胀运算操作,选取设定的5*1的线型结构元素进行垂直方向的2次膨胀操作,再进行3*3的方形结构元素的8次膨胀运算,然后进行5*1线型结构元素水平方向2次腐蚀,最后再进行3*3方形结构元素的8次腐蚀操作,得到作物行轮廓。本发明中采用的5*1线型结构元素和3*3方形结构元素是形态学中进行腐蚀、膨胀运算而设定的模板窗口大小。采用全1的5*1线型结构元素和全1的3*3方形结构元素对二值化后的图像处理结果如图5所示。由图5可知,采用本发明的形态学算法滤除了二值化图像的大部分噪声。
步骤S6:为了提取作物行的骨架信息,采用基于最小相切圆原理与形态学相结合的方法得到中央作物行骨架;首先运用形态学细化算法提取出所有作物行的骨架,如6(a)所示;然后在平面直角坐标系中,以玉米作物行图像的底部中心为基准点,从图像底部中心向作物行两边进行自下向上的扫描操作,寻找所有与作物行两边相切的最小圆;记下所有最小相切圆的切点,与此同时,腐蚀掉除最小相切圆切点以外的所有像素点,那么保留的这些最小相切圆的切点(像素点)的集合就组成了中央作物行的骨架,如图6(b)所示。上述所述的形态学细化算法是基本的形态学细化算法,其基本思想是,在给定系列具有一定形状的结构元素后,顺序循环地删除满足击中变换的像素。具体描述为:对于结构元素对S=(M,N),利用S细化A定义为:A⊙S=A-(A*S)。即A⊙S为在A中去掉A被S击中的结果。
步骤S7:作物行中心线拟合。为了更好的体现作物行的走向,本文采用随机Hough变换算法将作物行拟合为直线,得到玉米田的作物行信息。处理结果如图7所示。
本发明可以应用于其它不同作物的作物行提取,如小麦、韭菜等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种基于最小相切圆和形态学原理的作物行检测方法,其特征在于,其步骤如下:
S1 :采用工业相机和镜头对田间自然环境下的玉米作物行图像进行采集,得到玉米作物行RGB 彩色图像;
S2:根据获取的RGB图像的色彩特征,使用改进的过绿灰度化方法处理,得到相应的灰度图像;
S3 :对获得的灰度图像利用改进的中值滤波方法进行滤波处理,获得滤波后的图像;
S4 :采用最大类间方差法对滤波后的图像进行二值化处理,获得二值图像;
S5 :采用形态学算法滤除二值图像的噪声;
S6 :为了提取作物行的骨架信息,采用基于最小相切圆原理与形态学的方法得到中央作物行骨架;
S7 :为了更好的体现作物行的走向,采用随机Hough 变换算法对中央作物行骨架进行直线拟合处理,获得作物行导航线;
所述步骤S6 中采用基于最小相切圆原理与形态学相结合的方法提取中央作物行骨架的方法是:首先运用形态学细化算法提取二值图像所有作物行的骨架,在平面直角坐标系中,以作物行图像的底部中心为基准点,从图像底部中心对作物行两边的所有像素点进行自下向上的扫描操作,寻找所有与作物行相切的最小圆,记下所有与最小圆相切的切点,腐蚀掉除最小相切圆切点以外的所有像素点,最小相切圆内的像素点的集合组成了中央作物行的骨架。
2.根据权利要求1 所述的基于最小相切圆和形态学原理的作物行检测方法,其特征在于,所述步骤S3 中使用的改进的中值滤波方法为:采用3*3 模板的数组窗口对灰度图像进行处理,用冒泡法对每组数组进行排序,然后返回数组元素的中值。
3.根据权利要求2 所述的基于最小相切圆和形态学原理的作物行检测方法,其特征在于,所述改进的中值滤波方法对灰度图像处理两次。
4.根据权利要求1 所述的基于最小相切圆和形态学原理的作物行检测方法,其特征在于,所述步骤S5 中形态学算法包括腐蚀和膨胀。
5.根据权利要求4 所述的基于最小相切圆和形态学原理的作物行检测方法,其特征在于,所述形态学算法包括先对二值化后的图像进行5*1 线型结构元素的垂直方向2 次膨胀,再进行3*3 方形结构元素的8 次膨胀运算,然后进行5*1 线型结构元素的水平方向2次腐蚀,最后再进行3*3 方形结构元素的8 次腐蚀操作,滤除二值图像的噪声,得到作物行的轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510364266.9A CN105021196B (zh) | 2015-06-29 | 2015-06-29 | 基于最小相切圆和形态学原理的作物行检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510364266.9A CN105021196B (zh) | 2015-06-29 | 2015-06-29 | 基于最小相切圆和形态学原理的作物行检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105021196A CN105021196A (zh) | 2015-11-04 |
CN105021196B true CN105021196B (zh) | 2017-08-25 |
Family
ID=54411345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510364266.9A Active CN105021196B (zh) | 2015-06-29 | 2015-06-29 | 基于最小相切圆和形态学原理的作物行检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105021196B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105987684A (zh) * | 2015-12-18 | 2016-10-05 | 中国科学院合肥物质科学研究院 | 一种基于单目视觉的农业车辆导航线检测系统及方法 |
CN105989601B (zh) * | 2015-12-30 | 2021-02-05 | 安徽农业大学 | 基于机器视觉的农业agv玉米行间导航基准线提取方法 |
CN106909881A (zh) * | 2017-01-16 | 2017-06-30 | 中国农业大学 | 基于无人机遥感影像提取玉米育种基地垄数的方法及系统 |
CN108230388B (zh) * | 2018-02-06 | 2021-04-23 | 广西艾盛创制科技有限公司 | 一种白车身焊点图像的识别定位方法 |
CN110288608B (zh) * | 2018-03-19 | 2024-04-12 | 北京京东尚科信息技术有限公司 | 作物行中心线提取方法和装置 |
CN112395984B (zh) * | 2020-11-18 | 2022-09-16 | 河南科技大学 | 一种用于无人驾驶农业机械的苗列导航线检测方法 |
CN112526989B (zh) * | 2020-11-20 | 2023-11-21 | 广州极飞科技股份有限公司 | 一种农业无人车导航方法、装置、农业无人车及存储介质 |
CN114022534A (zh) * | 2021-10-22 | 2022-02-08 | 上海伯耶信息科技有限公司 | 一种烟叶纹理夹角提取方法 |
CN114494888B (zh) * | 2022-02-18 | 2022-08-19 | 中国科学院地理科学与资源研究所 | 一种无人机影像中机播小麦苗期断垄自动监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101750051A (zh) * | 2010-01-04 | 2010-06-23 | 中国农业大学 | 一种视觉导航的多作物行检测方法 |
CN103488991A (zh) * | 2013-09-30 | 2014-01-01 | 中国农业大学 | 一种用于作物田除草机具的导航线提取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8121345B2 (en) * | 2006-05-18 | 2012-02-21 | Applied Perception, Inc. | Vision guidance system and method for identifying the position of crop rows in a field |
US9123113B2 (en) * | 2013-03-08 | 2015-09-01 | Raven Industries, Inc. | Row guidance parameterization with Hough transform |
-
2015
- 2015-06-29 CN CN201510364266.9A patent/CN105021196B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101750051A (zh) * | 2010-01-04 | 2010-06-23 | 中国农业大学 | 一种视觉导航的多作物行检测方法 |
CN103488991A (zh) * | 2013-09-30 | 2014-01-01 | 中国农业大学 | 一种用于作物田除草机具的导航线提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105021196A (zh) | 2015-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105021196B (zh) | 基于最小相切圆和形态学原理的作物行检测方法 | |
CN104361330B (zh) | 一种玉米精准施药系统的作物行识别方法 | |
CN105117701B (zh) | 基于最大正方形原理的玉米作物行骨架提取方法 | |
García-Santillán et al. | Automatic detection of curved and straight crop rows from images in maize fields | |
CN105989601B (zh) | 基于机器视觉的农业agv玉米行间导航基准线提取方法 | |
CN109886155B (zh) | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 | |
CN105279769B (zh) | 一种联合多特征的层次粒子滤波跟踪方法 | |
CN103218605B (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
CN103914836B (zh) | 基于机器视觉的农田机械导航线提取算法 | |
Benarchid et al. | Building extraction using object-based classification and shadow information in very high resolution multispectral images, a case study: Tetuan, Morocco | |
CN101750051A (zh) | 一种视觉导航的多作物行检测方法 | |
US10089712B2 (en) | System and method providing automatic alignment of aerial/satellite imagery to known ground features | |
CN103646249A (zh) | 一种温室智能移动机器人视觉导航路径识别方法 | |
CN103530606A (zh) | 一种杂草环境下的农机导航路径提取方法 | |
CN109522904B (zh) | 一种基于遥感数据的规则农田提取方法 | |
CN103136525A (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
CN115049925B (zh) | 田块田坎提取方法、电子设备及存储介质 | |
CN113536958B (zh) | 导航路径提取方法、装置、农业机器人和存储介质 | |
Yang et al. | Tracking and recognition algorithm for a robot harvesting oscillating apples. | |
Moghimi et al. | A robo-vision algorithm for automatic harvesting of green bell pepper | |
CN104636716A (zh) | 绿色果实识别方法 | |
CN107578447A (zh) | 一种基于无人机影像的作物垄位置确定方法及系统 | |
CN106909881A (zh) | 基于无人机遥感影像提取玉米育种基地垄数的方法及系统 | |
He et al. | Extracting the navigation path of an agricultural plant protection robot based on machine vision | |
JP2009176163A (ja) | 区画データ作成システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |