CN106845366A - 基于图像的甘蔗覆盖度自动检测方法 - Google Patents

Abstract

本发明涉及一种检测方法，尤其是一种基于图像的甘蔗覆盖度自动检测方法，属于甘蔗图像处理的技术领域。本发明以数码摄像机在田间实时扫描采集的全景图像序列为对象，从图像特征上实时自动检测甘蔗覆盖度等信息，便于甘蔗生育期判识和产量预测，开展精细化农业生产，检测结果准确率高、实用性强、信息获取速度快，安全可靠。

Description

基于图像的甘蔗覆盖度自动检测方法

技术领域

本发明涉及一种检测方法，尤其是一种基于图像的甘蔗覆盖度自动检测方法，属于甘蔗图像处理的技术领域。

背景技术

甘蔗是我国和世界上最重要的糖料作物和能源作物之一。我国是世界第三大糖生产国，主要产地分布在广西，其次在云南、海南、广东的湛江地区，福建、四川、湖南等地也有少量甘蔗种植。甘蔗生产对我国的农业和农村经济发展、农民增收等方面起着非常重要的作用。

甘蔗覆盖度信息对甘蔗生育期和生长状况的判视有重要的作用，还可以提高作物产量预测的准确性，有效而准确的识别是农业气象观测的重要内容。一直以来，对于甘蔗覆盖度的观测主要是通过人工观测的方式，由于甘蔗的种植地域广、生长周期长，利用人工进行观测不但费时、费力、费工，观测结果的主观臆断性较大，没有办法保证精确度，这一现状迫切需要改变。

目前，国内外学者多采用卫星数据利用遥感技术对甘蔗作物进行大范围监测，通过构建遥感影像中作物的植被指数与作物长势之间的线性或非线性模型，以达到监测作物长势的目的。由于目前在用的遥感卫星数据空间分辨均相对较低(数百米至数公里)，俨然，较低的空间分辨率无法满足目前日趋精细化的农业生产要求。此外，由于遥感图像容易受到云层、降水和气溶胶等天气影响，致使所获取的遥感影像多存在不同程度的斑点，大量信息缺失，影响到研究区作物的观测；遥感卫星由于其观测周期的限制，每天在固定区域仅可获取较少图像，因此利用遥感影像对作物进行实时观测存在较大的局限性。

可见，基于遥感图像方式并不是甘蔗覆盖度自动观测的最好选择，目前仍需一种高空间分辨率、长时间序列、实用性强和操作方便的方式来代替人工观测。目前，国内利用数码摄像机观测甘蔗覆盖度信息尚处于起步阶段，难以满足具体观测的需求。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种基于图像的甘蔗覆盖度自动检测方法，其能实现对盖着覆盖度的自动检测，检测精度高，实用性强，安全可靠。

按照本发明提供的技术方案，一种基于图像的甘蔗覆盖度自动检测方法，所述甘蔗覆盖度自动检测方法包括如下步骤：

步骤1、提供仅包含甘蔗作物和土地的甘蔗图像，并将所述甘蔗图像由RGB模型转换至Lab色彩模型空间，并根据Lab色彩模型空间获取甘蔗图像对应a色彩通道以及b色彩通道；

步骤2、对上述Lab色彩模型空间的a色彩通道进行初步地物分割，以获取a色彩通道的二值图像，a色彩通道二值图像中，数值为1的像元代表甘蔗作物信息，数值为0的像元信息代表为背景信息；根据a色彩通道的二值图像，计算得到初步甘蔗覆盖度，当所述初步甘蔗覆盖度低于初步覆盖度阈值时，跳转至步骤6，否则，执行步骤3；

步骤3、将甘蔗图像进行灰度转换，并获取灰度直方图以及灰度峰值与递增变化总量；

步骤4、当灰度峰值大于第一灰度阈值时，根据递增变化总量训练两个聚类样本，当灰度峰值小于第二灰度阈值时，根据递增变化总量训练两个聚类样本，当灰度峰值大于第二灰度阈值且小于第一灰度阈值时，根据递增变化总量训练四个聚类样本，第二灰度阈值小于第一灰度阈值；

步骤5、采用K-Means聚类方法，选择聚类样本数K＝2，训练样本在Lab色彩模型空间下作物的a色彩通道、b色彩通道值分别表示为Crop_a、Crop_b，训练样本中在Lab色彩模型空间下背景的a色彩通道、b色彩通道值分别表示为Back_a、Back_b；将甘蔗图像的Lab色彩模型空间的a色彩通道数值、b色彩通道数值(分别为Pixel_a和Pixel_b)与训练样本基于方差最小原则进行吻合度检验，对甘蔗图像进行非监督分类，如下式所示；

M＝(Pixel_a-Crop_a)²+(Pixel_b-Crop_b)²

N＝(Pixel_a-Back_a)²+(Pixel_b-Back_b)²

其中，Pixel_a为甘蔗图像的Lab色彩模型空间的a色彩通道数值，Pixel_b为甘蔗图像的Lab色彩模型空间的b色彩通道数值，M为像元与作物训练样本的匹配方差，N为像元与背景训练样本的匹配方差；

当M>＝N时，判定当前像元为背景像元，将当前像元值置0；当M<N时，判定挡片像元为作物像元，将当前像元值置1，完成分类后甘蔗图像的二值转换；

步骤6、对上述分类后的甘蔗二值图像，去除区域面积小于20～100的斑块，且获取各连通区域具有相同标准二阶中心矩的椭圆的长轴长度及短轴长度(当长轴长度和短轴长度比值大于长度判断阈值时，将当前区域判断为甘蔗像元；当长轴长度和短轴长度比值小于等于长度判断阈值时，判定当前区域判断为非作物区域，以得到甘蔗图像的最终二值图像；

步骤7、根据上述甘蔗图像的最终二值图像，计算甘蔗像元占总像元的比例，以得到甘蔗实时覆盖度。

所述长度判断阈值为1.1。

本发明的优点：以数码摄像机在田间实时扫描采集的全景图像序列为对象，从图像特征上实时自动检测甘蔗覆盖度等信息，便于甘蔗生育期判识和产量预测，开展精细化农业生产，检测结果准确率高、实用性强、信息获取速度快，安全可靠。

附图说明

图1为本发明的流程图。

图2为本发明进行分类的流程图。

具体实施方式

下面结合具体附图和实施例对本发明作进一步说明。

如图1所示：为了能实现对盖着覆盖度的自动检测，提高检测精度与实用性，本发明甘蔗覆盖度自动检测方法包括如下步骤：

步骤1、提供仅包含甘蔗作物和土地的甘蔗图像，并将所述甘蔗图像由RGB模型转换至Lab色彩模型空间，并根据Lab色彩模型空间获取甘蔗图像对应的a色彩通道以及b色彩通道；

具体地，甘蔗图像中仅包含甘蔗作物和土地，当然，有其他障碍物时，则也认定为土地，存在其他情况的甘蔗图像不能进行本发明下述的覆盖度检测。一般地，甘蔗图像为RGB图像，需要将RGB模型转换为Lab色彩模型空间，具体转换是可以采用本技术领域常用的技术手段，如采用转换函数rgb2lab进行所需地转换操作，当然，也可以采用其他的转换方式，具体可以根据需要进行选择，此处不再赘述。在转换得到Lab色彩模型空间后，能得到对应的亮度、a色彩通道和b色彩通道。

步骤2、对上述Lab色彩模型空间的a色彩通道进行初步地物分割，以获取a色彩通道的二值图像，a色彩通道二值图像中，数值为1的像元代表甘蔗作物信息，数值为0的像元信息代表为背景信息；根据a色彩通道的二值图像，计算得到初步甘蔗覆盖度，当所述初步甘蔗覆盖度低于初步覆盖度阈值时，跳转至步骤6，否则，执行步骤3；

本发明实施例中，所述地物分割具体是指将甘蔗作物与土地进行分割，在对a色彩通道进行地物分割时，其分割阈值为graythresh函数基于最大类间方差法获取的合适阈值，具体为本技术领域人员所熟知，此处不再赘述。当然，也可以采用其他方式确定分割阈值，具体可以根据需要进行选择确定，此处不再赘述。在对地物分割后，得到a色彩通道二值图像，所述初步甘蔗覆盖度，具体是指a色彩通道二值图像中，数值为1的像元占总像元(数值为1像元的数量加数值为0像元数量的之和)的比值。具体实施时，初步覆盖度阈值可设为0.3，当然，初步覆盖度阈值还可以设定为其他的数值，具体为本技术领域人员所数值，此处不再赘述。

步骤3、将甘蔗图像进行灰度转换，并获取灰度直方图以及灰度峰值与递增变化总量；

本发明实施例中，可以利用函数rgb2gray将RGB的甘蔗图像(所述甘蔗图像为步骤1中提供的初始甘蔗图像)转换为甘蔗灰度图像，在转换为甘蔗灰度图像后，计算灰度直方图并获取灰度峰值MaxValue以及递增变化总量Sum(dydx)，递增变化总量Sum(dydx)用以描述灰度直方图中灰度0至灰度峰值MaxValue区间内各数值出现频数增加的总和，以判断直方图变化趋势。具体实施时，可以利用matlab中的函数imhist实现对甘蔗灰度图像的计算得到灰度直方图，以及灰度峰值MaxValue与递增变化总量Sum(dydx)。当然，也可以采用其他技术手段实现对甘蔗灰度图像的计算，具体可以根据需要进行选择，此处不再赘述。

步骤4、当灰度峰值大于第一灰度阈值时，根据递增变化总量训练两个聚类样本，当灰度峰值小于第二灰度阈值时，根据递增变化总量训练两个聚类样本，当灰度峰值大于第二灰度阈值且小于第一灰度阈值时，根据递增变化总量训练四个聚类样本，第二灰度阈值小于第一灰度阈值；

具体实施时，不同生育期，甘蔗的形态特征和叶片面积、颜色均不同，对应拍摄的甘蔗图像的灰度直方图的灰度峰值MaxValue和递增变化总量Sum(dyx)均不同；具体地，随着甘蔗的生长，图像中甘蔗像元的总数也会随之增加。绿色甘蔗作物面积的不同会影响摄像机拍摄照片的整体色度，直接表现为：不同生育期的甘蔗图像其整体色度不同，因此，为了对照片进行分析，将所有照片根据甘蔗生育期归纳为3大类，在此基础上，对每一大类在进行子分类(生长初期分类两个子类，中期持续时间较长，分类4个子类，后期分为2个子类)，也就是说利用灰度峰值MaxValue和递增变化总量Sum(dyx)将整个甘蔗期的照片分为8个时间段。每一个时间段对应着某一个生长时期的标准甘蔗照片，所述甘蔗照片即为样本照片(样本照片为这段生长期的代表性照片)，样本照片中甘蔗和土地分别对应的a色彩通道数值、b色彩通道数值即为训练样本。

因此，如图2所示，针对不同生育期的甘蔗照片需选择合适训练样本进行非监督分类，判识流程如下：

利用灰度峰值MaxValue对甘蔗图像进行简单生育期划分，当灰度峰值MaxValue大于150(即第一灰度阈值为150)时，判定甘蔗处于生长初期，此时甘蔗叶片面积较小呈鲜绿色，根据递增变化总量Sum(dyx)训练出两个生长初期聚类样本。当灰度峰值MaxValue小于100(即第二灰度阈值为100)时，判定甘蔗处于生长成熟期，此时，甘蔗叶片面积较大呈浅绿色且叶面呈现较明显反光，土地等背景信息面积较小，根据递增变化总量Sum(dyx)训练出两个成熟期聚类样本。当灰度峰值MaxValue大于100且小于150时，判定甘蔗处于生长中期，此时甘蔗叶片面积和颜色变化明显且叶面呈现弱反光现象，根据递增变化总量Sum(dyx)训练出四个生长中期聚类样本。对待判定甘蔗照片，通过分析其灰度峰值MaxValue和递增变化总量Sum(dyx)判识照片中甘蔗大致所处生长阶段，选择相应生长时期的训练样本进行聚类分析。

步骤5、采用K-Means聚类方法，选择聚类样本数K＝2，训练样本在Lab色彩模型空间下作物的a色彩通道、b色彩通道值(所述a色彩通道、b色彩通道为步骤1转换得到)分别表示为Crop_a、Crop_b，训练样本中在Lab色彩模型空间下背景的a色彩通道、b色彩通道值分别表示为Back_a、Back_b；将甘蔗图像的Lab色彩模型空间的a色彩通道数值、b色彩通道数值(分别为Pixel_a和Pixel_b)与训练样本基于方差最小原则进行吻合度检验，对甘蔗图像进行非监督分类，如下式所示；

M＝(Pixel_a-Crop_a)²+(Pixel_b-Crop_b)²

N＝(Pixel_a-Back_a)²+(Pixel_b-Back_b)²

其中，Pixel_a为甘蔗图像的Lab色彩模型空间的a色彩通道数值，Pixel_b为甘蔗图像的Lab色彩模型空间的b色彩通道数值，M为像元与作物训练样本的匹配方差，N为像元与背景训练样本的匹配方差；

当M>＝N时，判定当前像元为背景像元，将当前像元值置0；当M<N时，判定挡片像元为作物像元，将当前像元值置1，完成分类后甘蔗图像的二值转换；

具体地，为使得所得到的聚类满足同一聚类中的对象相似度较高，而不同聚类中的对象相似度较小这一基本条件，聚类相似度是利用各聚类中对象的均值所获得的“中心对象”来进行计算。对K-Means聚类方法，当K＝2时，即分两类，分别为：作物(Crop)和背景(Back)。

本发明实施例中，步骤4为训练样本的生成方法，进行聚类分析时，对每一张照片同样要进行灰度峰值MaxValue和递增变化总量Sum(dyx)分析，以确定待分析的照片属于哪一大类，当确定待分析照片属于某一大类时，则分别计算图像中的所有像元与子分类样本的方差，当与样本作物的方差小于与样本土地的方差时，则判定该像元为作物像元，反之，则为土地像元。

步骤6、对上述分类后的甘蔗二值图像，去除区域面积小于20～100的斑块，且获取各连通区域具有相同标准二阶中心矩的椭圆的长轴长度及短轴长度，当长轴长度和短轴长度比值大于长度判断阈值时，将当前区域判断为甘蔗像元；当长轴长度和短轴长度比值小于等于长度判断阈值时，判定当前区域判断为非作物区域，以得到甘蔗图像的最终二值图像；

具体实施时，利用Matlab2014a的函数bwareaopen能实现对区域面积(像素数)小于20～100的斑块进行去除；利用Matlab2014a的函数(regionprops.AxisLength)获取各连通阈与区域具有相同标准二阶中心矩的椭圆的长轴和短轴长度(像素意义下)。本发明实施例中，所述长度判断阈值为1.1，当长轴长度和短轴长度比值大于长度判断阈值时，将当前区域判断为甘蔗像元，此时将当前区域的数值置为1；当长轴长度和短轴长度比值小于等于长度判断阈值时，判定当前区域判断为非作物区域，此时，将当前区域的数值置为0，即得到甘蔗图像的最终二值图像。

步骤7、根据上述甘蔗图像的最终二值图像，计算甘蔗像元占总像元的比例，以得到甘蔗实时覆盖度。

本发明实施例中，在得到甘蔗图像的最终二值图像后，计算数值为1的像元个数占总像元(数值为1的像元个数与数值为0的像元个数之和)比例，所述比例值即为甘蔗实时覆盖度。

本发明以数码摄像机在田间实时扫描采集的全景图像序列为对象，从图像特征上实时自动检测甘蔗覆盖度等信息，便于甘蔗生育期判识和产量预测，开展精细化农业生产，检测结果准确率高、实用性强、信息获取速度快，安全可靠。

Claims (2)

1.一种基于图像的甘蔗覆盖度自动检测方法，其特征是，所述甘蔗覆盖度自动检测方法包括如下步骤：

步骤1、提供仅包含甘蔗作物和土地的甘蔗图像，并将所述甘蔗图像由RGB模型转换至Lab色彩模型空间，并根据Lab色彩模型空间获取甘蔗图像对应a色彩通道以及b色彩通道；

步骤2、对上述Lab色彩模型空间的a色彩通道进行初步地物分割，以获取a色彩通道的二值图像，a色彩通道二值图像中，数值为1的像元代表甘蔗作物信息，数值为0的像元信息代表为背景信息；根据a色彩通道的二值图像，计算得到初步甘蔗覆盖度，当所述初步甘蔗覆盖度低于初步覆盖度阈值时，跳转至步骤6，否则，执行步骤3；

步骤3、将甘蔗图像进行灰度转换，并获取灰度直方图以及灰度峰值与递增变化总量；

步骤4、当灰度峰值大于第一灰度阈值时，根据递增变化总量训练两个聚类样本，当灰度峰值小于第二灰度阈值时，根据递增变化总量训练两个聚类样本，当灰度峰值大于第二灰度阈值且小于第一灰度阈值时，根据递增变化总量训练四个聚类样本，第二灰度阈值小于第一灰度阈值；

步骤5、采用K-Means聚类方法，选择聚类样本数K＝2，训练样本在Lab色彩模型空间下作物的a色彩通道、b色彩通道值分别表示为Crop_a、Crop_b，训练样本中在Lab色彩模型空间下背景的a色彩通道、b色彩通道值分别表示为Back_a、Back_b；将甘蔗图像的Lab色彩模型空间的a色彩通道数值、b色彩通道数值(分别为Pixel_a和Pixel_b)与训练样本基于方差最小原则进行吻合度检验，对甘蔗图像进行非监督分类，如下式所示；

M＝(Pixel_a-Crop_a)²+(Pixel_b-Crop_b)²

N＝(Pixel_a-Back_a)²+(Pixel_b-Back_b)²

其中，Pixel_a为甘蔗图像的Lab色彩模型空间的a色彩通道数值，Pixel_b为甘蔗图像的Lab色彩模型空间的b色彩通道数值，M为像元与作物训练样本的匹配方差，N为像元与背景训练样本的匹配方差；

当M>＝N时，判定当前像元为背景像元，将当前像元值置0；当M<N时，判定挡片像元为作物像元，将当前像元值置1，完成分类后甘蔗图像的二值转换；

步骤6、对上述分类后的甘蔗二值图像，去除区域面积小于20～100的斑块，且获取各连通区域具有相同标准二阶中心矩的椭圆的长轴长度及短轴长度(当长轴长度和短轴长度比值大于长度判断阈值时，将当前区域判断为甘蔗像元；当长轴长度和短轴长度比值小于等于长度判断阈值时，判定当前区域判断为非作物区域，以得到甘蔗图像的最终二值图像；

步骤7、根据上述甘蔗图像的最终二值图像，计算甘蔗像元占总像元的比例，以得到甘蔗实时覆盖度。

2.根据权利要求1所述的基于图像的甘蔗覆盖度自动检测方法，其特征是：所述长度判断阈值为1.1。