基于图像分割技术的小麦识别

0 引 言

新时代之际，计算机视觉技术席卷而来。基于机器视觉的图像识别技术在农业领域得到了广泛应用。最初的图像识别扮演着实用工具的角色，目的是将物理图像转换为数字图像，而今天，图像识别技术开始着重于机器层面上的智能识别。于农业而言，十九大报告中指出 ：世界各国农业的发展从最初的体力为主的农业 1.0，到农业机械为主的农业 2.0， 再到自动化装备齐全的农业 3.0，直到现如今的以物联网、人工智能等为主的农业 4.0。因此，怎样通过有限的耕地资源生产出尽可能多的农产品已成为我国农业发展所面临的一个重要问题。针对这一挑战，基于图像识别与图像处理技术的农作物识别、农作物生长监测等被众多学者提出，已成为学术界研究的主流 [1-6]。

图像识别技术在被广泛应用的同时，大家对于图像的各 项要求也越来越高，需求越来越多。同时，在我们使用手机、照相机等进行图像拍摄、传输的过程中，可能会导致斑点的 产生，使得图像模糊不清，此时便需要针对所处理的图像进 行去噪、图像增强、图像分割等操作 [7]；图像分割技术中， 若需要提取图像的边缘信息，则需要熟悉边缘提取操作，而 图像识别技术的边缘提取会涉及许多算法 [8]；若需要进行去除噪声以及图像孤立点的操作，则需要使用均值滤波、中值 滤波 [9]、形态学滤波 [8]等 ；若数字图像比较模糊，则需要通过图像增强来提高图像的清晰度，如直方图均衡化 [10]操作 ； 我们也可以通过角点检测 [11]算法或者图像压缩 [12]算法来简化图像数据，进而提取出有用的特征参数。总之，图像分割技术应用广泛。目前，国内外学者仍然热衷于图像预处理相关算法的改进与完善，因而它并非十全十美，相关算法需要我们深度理解，尽自己所能去改进算法，为图像处理技术创新尽自己的绵薄之力。

1 国内外研究

现在几乎每个人都有手机，手机上的摄像头分辨率也在迅速提高。使用机器识别用手机拍摄的植物图片显然比使用其他传感器收集数据更方便，更容易推广。基于图像处理的机器识别方法也成为近年来的研究热点。

植物类型的视觉识别对植物学家来说可能很容易，但对机器来说，这是一项复杂且计算成本高昂的任务。Puja 等 [13] 设计了一种叶片识别系统，该系统是植物病害识别的前置步骤。作者使用了两步算法，包括分割和分类。系统采用主成分分析法进行降维，支持向量机作为分类器，缩放不同大小的植物图像。该方法的准确率为 77.96%，可以通过加入更多的叶片特征来提高准确率。Lavania 和 Matey[14] 设计了一种基于尺度不变特征变换的叶片识别方法，旨在避免人类参与特征提取过程。该方法利用尺度不变特征变换（SIFT）的关键描述符进行边缘检测和分类，采用平均投影算法作为第二种基于轮廓的边缘检测方法。他们以叶片图像作为输入，进行特征提取，之后进行关键点计算，并存储计算出的关键点，然后与数据集中的叶片图像进行匹配，从而进行植物分类。作者将该方法与基于 SIFT 和轮廓的边缘检测方法进行了对比，并将该方法与 Flavia 数据集进行了基于 Zernike 矩和定向梯度直方图的植物识别研究，准确率为87.5%。

Salve 等 [15] 利用 Zernike 矩和梯度方向直方图（HOG）作为形状描述符特征，在 50 种不同植物的数据集上对该方法进行了测试。首先对图像进行预处理，然后应用 Zernike 矩和梯度方向直方图进行特征提取。由于健壮性和特性持久性，HOG 的性能优于 Zernike 矩，报告准确率为 84.66%。将上述特征与一些基于叶子的特征相结合，可以进一步改善其结果。另一项研究基于一种新的形状描述符，他们使用周期小波描述符（PWD）创建了一个包含不同植物物种特征的数据库，首先利用反向传播神经网络对 PWD 特征进行训练， 然后对叶片进行识别，识别准确率 [16] 达 90%。

还有一种基于形状生长模式的物体识别技术，这项工作是对形状进行膨胀，从而计算出具有重要特征的图像的更新尺寸。这项工作被证明对噪音有弹性，但涉及到计算开销和目标识别能力，且要求较高。文献 [17] 提出了一种自动亮度调节系统，可用于更好地识别目标。这项工作通过获取 CIE 实验室空间的 RGB 和“L”分量来调整图像的亮度，由模糊推理系统计算每个像素的调整系数。该工作声称图像的自动亮度调节有助于更好地识别目标，可用于目标识别系统的预处理阶段。

2 图像分割技术原理

图像分割是由图像处理到图像分析的关键步骤，一直以来都是图像处理技术中的难点之一。时至今日借助各种理论模型提出的分割算法已达上千种，但如何高效地将特征目标从复杂的源图像中分割出来始终是一个热点话题。图像分割的重要性和实用性在引起广泛研究的同时，在自动式和交互式方面还提出了大量方法，如强度、颜色、纹理等。虽然在科学文献中已出现了很多分割技术，基本可以分为基于图像域的分割技术、基于物理的分割技术和基于特征空间的分割技术 [18]，但图像分割过程包括前期的图像预处理、颜色特征的选择、图像分割算法的设计与图像后处理。

2.1 图像灰度化

我们可以将灰度图像看作是灰度值介于黑色和白色之间的图像，或者说是提取出不同颜色种类的不同程度的亮度值 [19]。若是对彩色图像进行灰度化，等价于将一幅彩色图像转化为灰度图像的过程。比如大家平时接触的黑白图像就可以看作是灰度图像。一般情况下，彩色图像可以划分为 R，G，B 三种分量（R 为红色分量，G 为绿色分量，B 为蓝色分量），将其灰度化等价于使 R，G，B 三个分量相等的过程。我们日常生活中所看到的图像拥有不同的颜色是因为图像的每一个像素点的灰度值是不同的，灰度值最大值为 255，显示为白色，灰度值最小值为 0，显示为黑色，灰度图像每个像素点都有其对应的灰度值，大小在 0 ～ 255 之间。灰度化的经典算法主要包括分量法、最大值法及加权平均法。

2.2 图像平滑

若存在仅仅有一帧带有噪声的图像，用以上方法则无法消除噪声，由噪声的特点可知其灰度与周围灰度间存在明显的灰度差，即我们所说的视觉障碍，因此图像平滑（Image Smoothing）将是一个有效的工具。

图像平滑又称作平滑或者滤波，又或者平滑滤波。它属于低频增强的空间域滤波技术。图像平滑是视频信息处理与分析领域的一项传统任务，其核心内容或者难点在于将边缘部分和噪声部分进行区分，且仅仅去除噪声。图像能量具有高低频之别，低频部分的内容是其有用信息的储存之地，高频部分则是噪声以及边缘信息的存储段，因此在去除噪声时， 很容易将其边缘信息一同消除，这就要求我们寻找一个适当的方法实现在去除噪声的同时保留图像的边缘部分。

图像平滑可分为空频域以及频域法两大类。我们将滤波器理解为是一个含有加权系数的窗口，当需要滤波器进行平滑处理时，将其窗口置于图像之上，通过该窗口即可观察到处理得到的图像。滤波器的种类繁多，主要包括6 种滤波方法， 即盒式滤波、均值滤波、高斯滤波、中值滤波、双边滤波以及引导滤波，其主要目的或者作用是去除图像的噪声以及提取出所需特征。

2.3 图像阈值分割算法

图像阈值分割作为图像分割方法的一种经典方法，具有操作简化、性能较稳定、运算速率高、准确率高等特点。主要思想是基于所选择的灰度级数，从原图像中分割出感兴趣的目标物，或者将其划分为不同部分 [20]。在实验中，选取合适的阈值进行图像分割是实验的难点，但因其计算需使用灰度值，因此使用简单高效。如果原图像目标与背景差异较大， 全局阈值分割法是个很好的选择 ；反之，若两者差异不大或多个目标的灰度值相近，则可以选择局部阈值或动态阈值分割法。

针对绿色作物图像而言，将作物与土壤背景进行分割极其重要，它会受噪声、光照等因素的影响。上述方法已较好地去除了部分噪声影响，除此之外，我们还可以通过两者间颜色、形状及纹理的差异进行分割。Naidu 等提出了一种利用萤火虫优化算法优化模糊熵的多级图像阈值分割方法 [21]。伍艳莲等 [22] 在利用改进均值漂移算法的基础上，获取图像颜色指数信息之后，将其与空间信息进行结合，最后进行 Otsu 阈值分割。阈值分割流程如图 1 所示。

3 实验分析

本次实验，使用苗期小麦作为实验目标，首先对图像进行灰度处理。灰度处理的三种方法效果如图 2 ～图 4 所示。可以发现，对于本实验而言，使用加权平均法较好，但在大多数情况下，我们选择系统自带灰度函数进行灰度化处理。图像经过灰度化、平滑等技术去除噪声之后，使用阈值进行分割，其结果如图 5 所示。

图 1 阈值分割流程

图2 平均值法图3 加权平均法

图4 最大值法图5 小麦阈值分割结果

4 结 语

图像分割算法众多，基于阈值的图像分割算法因为其高效的运算过程以及简单的操作被广泛应用到各个领域，但同时也存在不足，若是目标物与背景差异较小或者两者灰度范围重叠，则会发生过分割或者欠分割的情况 ；另外因其仅仅考虑灰度信息，抗噪性能差，从而导致其边缘信息分割效果较差。总之，对于如何从复杂的背景之下获取农田作物的算法众多，而选择基于图像识别技术进行提取，对图像目标识别的精确度或者及时性要求较高，因此如何快速对绿色作物进行精准分割仍然是学术界研究的难点所在。