CN1936919A - 利用位置和纹理特征自动识别作物苗期田间杂草的方法 - Google Patents

Abstract

本发明涉及一种田间杂草信息自动识别的方法。本发明公开的利用位置和纹理特征自动识别作物苗期田间杂草的方法，采取以下步骤：1)先采用数码摄像机将条播作物苗期田间作物苗和杂草苗的视频采集到DV带中；然后，通过电缆把数码摄像机和与安装在计算机内的视频采集卡连接，导出采集的视频文件，从导出的视频文件中获取帧图像；2)利用计算机进行绿色植物和土壤背景的分割；3)利用位置特征识别行间杂草；4)利用纹理特征识别行内杂草；5)作物行间杂草图与作物行内杂草进行加运算，得到田间杂草图。

Description

利用位置和纹理特征自动识别作物苗期田间杂草的方法

技术领域

本发明涉及精准农业机械装备自动控制技术领域，具体涉及一种田间杂草信息自动识别的方法。

背景技术

田间杂草与作物竞争水分和养分，侵占空间，影响作物光合作用，干扰作物生长；如不及时控制，会导致粮食产量严重下降。据估计，我国仅条播农作物小麦田间草害面积达1000万公顷，年粮食产量损失40亿公斤以上。

化学除草已成为主要的除草方式。在发达国家，除草剂的施用量占农药总施用量的一半以上；近20年来，中国的除草剂施用量增加迅速，现在年消耗总量近47万吨。

目前，化学除草剂的使用方式普遍为粗放式的大面积喷洒，而杂草的分布密度平均只占30％，因此大量的农药造成了浪费，还造成了严重的生态环境污染。因此，精准农业变量喷洒技术成为研究热点。要实现变量喷药，首要解决田间杂草自动识别问题。

田间杂草识别方法有人工监测、遥感监测和近地图像监测三种途径。1)人工监测是在喷药作业之前，运用GPS或其它定位系统，人工自动记录所看到的田间杂草的位置，然后绘制成杂草分布图，这种方法存在效率低下、劳动强度大、完全依赖人工经验，在大面积杂草苗情观测上，人工监测显得无能为力。2)遥感监测虽克服了人工监测的诸多弊端，但是，由于遥感图像的空间和光谱分辨率较低，主要用于识别一定生长期内大面积发生的几种杂草，致使杂草识别率较低且定位精度低。3)而近地图像监测方法是利用机器视觉技术在距地面较近的条件下，捕获、处理和分析田间图像中所包含的作物、杂草以及背景的信息，并自动识别出杂草，该方法能达到较高的杂草识别率。但这种方法通常是利用作物与杂草的颜色差别进行杂草自动识别。由于田间光照的不均匀性，以及杂草与作物的颜色相近的问题，用颜色自动对杂草的识别率较低，该方法杂草自动识别率通常低于80％。

发明内容

(一)要解决的技术问题

本发明的目的是提供一种识别率高，且能快速、自动识别作物苗期田间杂草的方法。

(二)技术方案

为了达到上述目的，本发明采取以下方法步骤：

1)先采用数码摄像机将条播作物苗期田间作物苗和杂草苗的视频采集到DV带中；然后，通过电缆把数码摄像机和与安装在计算机内的视频采集卡连接，导出采集的视频文件，从导出的视频文件中获取帧图像；

2)利用计算机进行绿色植物和土壤背景的分割：

根据“超绿法”，即用颜色阈值指标分割绿色植物和土壤背景；

3)利用位置特征识别行间杂草：

根据绿色植物的象素直方图，提取作物行的中心线和宽度，从而识别行间杂草；

4)利用纹理特征识别行内杂草：

以提取的作物中心线为基准，向两侧选取纹理块，计算绿色植物的纹理特征，识别行内杂草；

5)作物行间杂草图与作物行内杂草进行加运算，得到田间杂草图。

在步骤1)中，还包括对条播作物苗期田间24位RGB原始彩色图像，根据超绿颜色指标Extra-Green＝2G-R-B，转换为8位的灰度图像；然后运用Otsu法将8位的灰度图像转换为二值图像，即黑白图像，其中，绿色植物为前景-白色，土壤为背景-黑色。

在步骤3)中，还包括根据作物的作物行距基本恒定的位置特征，通过统计列方向，即沿着作物行方向植物象素数，得到植物象素分布的直方图f(x)：

$f\left(x\right)=\underset{y=0}{\overset{H-1}{\mathrm{\Σ}}}f(x,y)$

x＝0，1，2，…W-1

其中，f(x，y)表示图像象素点(x，y)的灰度值，W为图像的宽度，H为图像的高度；

根据绿色植物的象素直方图，自动确定作物行中心的位置和行宽，位于行宽之外的植物象素即为行间杂草：

A)如果象素直方图的一点P(x)＞＝threshold，则该点可能为一个记录点；

B)如果是第一个记录点(i＝0)，则有：

当P(x-5)＜threshold && P(x+5)＞threshold时，x为左边界点，上升段，记录该点；

当P(x-5)＞threshold && P(x+5)＜threshold时，x为右边界点，下降段，记录该点；

当P(x-5)＞threshold && P(x+5)＞threshold时，x为左边界点，上升段，记录该点；

C)如果不是第一个记录点(i！＝0)，则有

当P(x-5)＜threshold && P(x+5)＞threshold && 前一个点为下降段点，x为左边界点，上升段，记录该点；

当P(x-5)＞threshold && P(x+5)＜threshold && 前一个点为上升段点，x为右边界点，下降段，记录该点。

在步骤4)中，还包括以作物行中心线为基准来选取纹理块，在8位的绿色植物的H颜色分量的灰度中，分别提取纹理块的灰度共生矩阵：

其中，i＝f(x₁，y₁)，j＝f(x₂，y₂)，且有(x₂，y₂)＝(x₁，y₁)+(dcosθ，dsinθ)

d，θ分别表示象素对间距离和角度；等号右边的分子是具有某种空间关系、灰度值分别为g₁和g₂象素对的个数，分母为象素对的总和个数(#代表数量)；

提取二阶矩、熵、对比度、均匀性和相关性这5个纹理特征参数，然后利用无监督特性的K-均值聚类法判别分析各块的类别，从而识别行内杂草。

(三)有益效果

由于采用了苗期作物和杂草的位置和纹理特征与计算机图像处理相结合，因此，具有识别率高，而且，能够快速、自动识别田间杂草分布情况，并根据该分布情况，实施变量施药，从而，节约大量农药，减轻生态环境的污染；同时，减轻了人们的劳动强度。

附图说明

图1是本发明的原理框图。

图2是本发明作物行中心的自动确定算法的流程图。

图3是本发明中以作物行中心线为基准的纹理块特征的提取算法的流程图。

具体实施方式

以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，先采用数码摄像机将条播作物苗期田间作物苗和杂草苗的视频采集到DV带中；然后，通过电缆把数码摄像机和与安装在计算机内的1394视频采集卡连接，导出采集的视频为^*.avi格式的视频文件；从导出的视频文件中获取帧图像。

对获取的帧图像，根据条播作物苗期田间作物苗和杂草苗的位置和纹理特征，识别条播作物田间杂草。具体实施方式如下：

1)对条播作物苗期田间24 bit RGB原始彩色图像，根据超绿颜色指标Extra-Green＝2G-R-B，转换为8 bit的灰度图像；

2)运用Otsu法将8 bit的灰度图像转换为二值图像，绿色植物为前景(白色)，土壤为背景(黑色)；

3)统计列方向(沿着作物行方向)二值图像中绿色植物的象素直方图，象素直方图的横坐标为图像的宽度，纵坐标为每列中的植物象素数；

4)根据象素直方图的最大值，确定作物行边界的阈值，由此阈值初步确定作物行的左右边界；

5)根据左右边界的宽度，去除伪边界，最终确定作物行的左右边界，并据此确定作物行的中心线位置和作物行数；

6)标记位于作物行左右边界之外的行间杂草(灰色，100)；

7)二值图像与24 bit RGB原始彩色图像进行加运算，映射分割的绿色植物区域到原始图像中，得到绿色植物彩色图像，绿色植物为原始RGB值，土壤背景为黑色(0)；

8)根据彩色空间RGB-＞HIS的转换公式，计算绿色植物彩色图像的色度H的8 bit灰度图像；

9)以提取的作物行中心线的位置为基准，分别向左右边界依次提取16×16大小的纹理块，计算每个纹理块的二阶矩、熵、对比度、均匀性和相关性；

10)运用K-均值聚类分析算法，计算各特征值到聚类中心的距离，将象素点归入距离最小的那一类，识别作物和行内杂草，标记位于作物行内的杂草(灰色，100)；

11)作物行间杂草图与作物行内杂草图进行加运算，得到田间杂草图。

下面结合图2、图3，对作物行中心的自动确定算法和以作物行中心线为基准的纹理块特征的提取算法作进一步的具体描述。

1、基于象素直方图的作物行中心的自动确定

先根据作物行距基本恒定的位置特征，通过统计列方向(沿着作物行方向)植物象素数，得到植物象素分布的直方图f(x)：

$f\left(x\right)=\underset{y=0}{\overset{H-1}{\mathrm{\Σ}}}f(x,y)x=\mathrm{0,1,2},\…W-1$

其中，f(x，y)表示图像象素点(x，y)的灰度值，W为图像的宽度，H为图像的高度。

然后，根据绿色植物的象素直方图的最大值，确定作物行的边界分割阈值threshold：

threshold＝Max(f(x))/2

接着，根据绿色植物的象素直方图和边界分割阈值threshold，自动确定作物行的边界位置：

1)如果象素直方图的一点P(x)＞＝threshold，则该点可能为一个边界点；

2)如果是第一个边界点(i＝0)，则有：

当P(x+5)＞threshold时，x为左边界点flag1＝TRUE，上升段flag2＝TRUE，记录该点C[i]＝x；

当P(x-5)＞threshold并且P(x+5)＜threshold时，x为右边界点flag1＝FALSE，下降段flag2＝FALSE，记录该点C[i]＝x；

3)如果不是第一个边界点(i！＝0)，则有

当P(x-5)＜threshold并且P(x+5)＞threshold并且前一个点为下降段点flag2＝FALSE，x为上升段边界点flag2＝TRUE，记录该点C[i]＝x；

当P(x-5)＞threshold并且P(x+5)＜threshold并且前一个点为上升段点flag2＝TRUE，x为下降段边界点flag2＝FALSE，记录该点C[i]＝x。

最后，根据绿色植物的象素直方图和作物行的边界位置C[i]，自动确定作物行的中心行的位置：

1)如果第一个边界点C[i]是左边界flag1＝TRUE，则按照如下方法循环求取作物行中心位置L[k]：当(C[i+1]-C[i])＞20时，L[k]＝(C[i+1]+C[i]))/2

2)如果第一个边界点C[i]是右边界flag1＝FALSE，则按照如下方法循环求取作物行中心位置L[k]：当(C[i+2]-C[i+1])＞20时，L[k]＝(C[i+2]+C[i+1]))/2

2、行内杂草识别采用以作物行中心线为基准的纹理块特征的提取算法：

先以求出作物行的中心线L[k]为基准，分别向左右计算纹理块数：

Nl＝(L[k]-Rw[2k])/Bw

Nr＝(Rw[2k+1]-L[k])/Bw

其中，Nl和Nr分别为基准线的左边和右边的纹理块数，Rw[]为求出的作物行的边界，Bw为纹理块的宽度。

然后，根据纹理块数Nl和Nr，在8bit的绿色植物的H颜色分量的灰度图中，依次取出每个纹理块，存储于事先分配的临时图像块中，计算该纹理块的灰度共生矩阵：

其中，i＝f(x₁，y₁)，j＝f(x₂，y₂)，且有(x₂，y₂)＝(x₁，y₁)+(dcosθ，dsinθ)

d，θ分别表示像素对间距离和角度(θ，一般取0°，45°，90°，135°方便运算)。等号右边的分子是具有某种空间关系、灰度值分别为g₁和g₂象素对的个数，分母为象素对的总和个数(#代表数量)。

接着，根据计算的灰度共生矩阵，提取能量、对比度、熵、逆差矩和相关性这5个纹理特征参数：

1)能量： $\mathrm{ASM}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{\text{j=0}}{\overset{L-1}{\mathrm{\Σ}}}{\left\{P\right(i,j/d,\mathrm{\θ}\left)\right\}}^2$

2)对比度： $\mathrm{CON}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{|i-j|}^{k_1}{\left[p\right(i,j\left)\right]}^{k_2}$ (k₁，k₂为正整数)

3)熵： $\mathrm{ENT}=-\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}p(i,j)\log p(i,j)$

4)逆差矩： $L(d,\mathrm{\θ})=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\frac{p(i,j)}{1+{(i-j)}^2}$

5)相关性： $\mathrm{COR}=\frac{\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\mathrm{ijp}(i,j)-{\mathrm{\μ}}_1{\mathrm{\μ}}_2}{{\mathrm{\σ}}_1{\mathrm{\σ}}_2}$

式中μ₁，μ₂，σ₁，σ₂分别定义为：

${\mathrm{\μ}}_1=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}i\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}p(i,j)$ ${\mathrm{\σ}}_1^2=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-{\mathrm{\μ}}_1)}^2\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\text{p}(i,j)$

${\mathrm{\μ}}_2=\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}j\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}p(i,j)$ ${\mathrm{\σ}}_2^2=\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{(j-{\mathrm{\μ}}_2)}^2\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}p(i,j)$

最后，根据所计算的纹理特征参数的最大值Lmax和最小值Lmin，对求取的纹理特征参数F进行归一化：

$F1=\frac{F-L\min }{L\max -L\min }*256$ (当Lmax-Lmin！＝0时)

当Lmax-Lmin＝0时，F1＝0。

通过上述算法得到的行间杂草图与作物行内杂草图进行加运算，即得到田间杂草图。

以上方法识别率高，解决了杂草与作物同为绿色而难以分辨的技术问题；同时，能够快速、自动识别田间杂草，从而，为下一步变量施药提供了依据。

Claims (4)

1、一种利用位置和纹理特征自动识别作物苗期田间杂草的方法，其特征在于，有以下步骤：

1)先采用数码摄像机将条播作物苗期田间作物苗和杂草苗的视频采集到DV带中；然后，通过电缆把数码摄像机和与安装在计算机内的视频采集卡连接，导出采集的视频文件，从导出的视频文件中获取帧图像；

2)利用计算机进行绿色植物和土壤背景的分割：

根据“超绿法”，即用颜色阈值指标分割绿色植物和土壤背景；

3)利用位置特征识别行间杂草：

根据绿色植物的象素直方图，提取作物行的中心线和宽度，从而识别行间杂草；

4)利用纹理特征识别行内杂草：

以提取的作物中心线为基准，向两侧选取纹理块，计算绿色植物的纹理特征，识别行内杂草；

5)作物行间杂草图与作物行内杂草图进行加运算，得到田间杂草图。

2、如权利要求1所述的一种利用位置和纹理特征自动识别作物苗期田间杂草的方法，其特征在于：

在步骤1)中，还包括对条播作物苗期田间24bit RGB原始彩色图像，根据超绿颜色指标Extra-Green＝2G-R-B，转换为8bit的灰度图像；然后运用Otsu法将8bit的灰度图像转换为二值图像，即黑白图像，其中，绿色植物为前景—白色，土壤为背景—黑色。

3、如权利要求1所述的一种利用位置和纹理特征自动识别作物苗期田间杂草的方法，其特征在于：

在步骤3)中，还包括根据作物行距基本恒定的位置特征，通过统计列方向，即沿着作物行方向植物象素数，得到植物象素分布的直方图f(x)：

$f\left(x\right)=\underset{y=0}{\overset{H-1}{\mathrm{\Σ}}}f(x,y)$

x＝0，1，2，…W-1

其中，f(x，y)表示图像象素点(x，y)的灰度值，W为图像的宽度，H为图像的高度；

根据绿色植物的象素直方图，自动确定作物行中心的位置和行宽，位于行宽之外的植物象素即为行间杂草：

A)如果象素直方图的一点P(x)＞＝threshold，则该点可能为一个记录点；

B)如果是第一个记录点(i＝0)，则有：

当P(x-5)＜threshold && P(x+5)＞threshold时，x为左边界点，上升段，记录该点；

当P(x-5)＞threshold && P(x+5)＜threshold时，x为右边界点，下降段，记录该点；

当P(x-5)＞threshold && P(x+5)＞threshold时，x为左边界点，上升段，记录该点；

C)如果不是第一个记录点(i！＝0)，则有

当P(x-5)＜threshold && P(x+5)＞threshold &&前一个点为下降段点，x为左边界点，上升段，记录该点；

当P(x-5)＞threshold && P(x+5)＜threshold &&前一个点为上升段点，x为右边界点，下降段，记录该点。

4、如权利要求1所述的一种利用位置和纹理特征自动识别作物苗期田间杂草的方法，其特征在于：

在步骤4)中，还包括以作物行中心线为基准来选取纹理块，在8bit的绿色植物的H颜色分量的灰度中，分别提取纹理块的灰度共生矩阵：

其中，i＝f(x₁，y₁)，j＝f(x₂，y₂)，且有(x₂，y₂)＝(x₁，y₁)+(d cosθ，d sinθ)

d，θ分别表示象素对间距离和角度；等号右边的分子是具有某种空间关系、灰度值分别为g₁和g₂象素对的个数，分母为象素对的总和个数(#代表数量)；

提取二阶矩、熵、对比度、均匀性和相关性这5个纹理特征参数，然后利用无监督特性的K-均值聚类法判别分析各块的类别，从而识别行内杂草。

Images