1、基于机器视觉的杂草图像特征提取及识别研究学生姓名： xxx 指导教师：xxx 所在院系：xxx 所学专业：xxx 研究方向：xxx xxx 大 学xxx 年 xxx 月Based on machine vision image feature extraction and recognition weedsName：xxx Tutor：xxx College：xxx Major：xxx Direction：xxx xxx UniversityMay xxx 基于机器视觉的杂草图像特征提取及识别研究- I -摘 要杂草同农田作物争夺阳光和养分，严重影响了农作物的生长。为了达到除草的目的，人们开始
2、喷洒大量的除草剂来进行除草。可是却忽略了除草剂的不当使用给人、畜以及环境造成的危害。本文从实际应用出发，设计了一个基于机器视觉的杂草图像特征提取及识别系统。系统的运行在参考了前人研究成果的基础上，不断进行对比试验和算法的改进，找出适合于机器视觉的杂草识别的可行性方法。本文对动态杂草图像的采集、处理和识别方法进行研究。采集来的图像经常会有模糊现象的发生，对模糊图像的恢复处理做了大量的研究试验，得出维纳滤波具有较好的恢复效果；绿色植物和土壤背景的分割试验中，提出了一种基于彩色图像的二值化方法，可以不经过彩色图像灰度化就能够直接把绿色植物与土壤背景分割开，和以往的分割方法相比处理速度快，分割效果好，
3、更加满足实时性；杂草和作物的分割主要研究了行间杂草和作物的分割，参考国内外资料，并进行研究试验，表明运用位置特征识别法有很好的分割效果，寻找作物中心行采用了简单快速的像素位置直方图法，填充作物中心行采用了改进的扫描线算法，和其他填充方法相比减少了重复操作，节省了时间，满足实时处理的要求；分割后的图像为只含有杂草的二值图像，通常会有一些残余的叶片和颗粒的噪声，通过形态学滤波和扫描线填充算法去除噪声，试验结果表明扫描线算法去除噪声效果更好。基于机器视觉的杂草图像特征提取及识别系统的硬件组成主要有计算机、采集卡、摄像头、实验平台。本文从动态杂草识别的处理方法出发，在实验室内开展了一系列的试验和分析，
4、对主要的问题和技术难点作了较为深入的研究, 设计实现了 基于机器视觉的杂草图像特征提取及识别系统。 关键词 : 杂草识别；图像处理；机器视觉基于机器视觉的杂草图像特征提取及识别研究- II -Based on machine vision image feature extraction and recognition weedsAbstractWeed contests sunlight and nutrient with crop, as a result, the growth of crop was seriously affected. People fall back on spr
5、aying a great deal of herbicide for weeding purpose, but they ignored misapplying of herbicide will only pollute the environment but also jeopardizes human and livestock. So its necessary to develop an intelligent weeding method. The paper designed a system of image feature extraction and recognitio
6、n weeds on the basis of machine. In order to find a feasible dynamic weed identifying method we consulted predecessor for their research, at the same time, we did a lot of comparison experiments to improve the arithmetic. The paper studied mostly on the image collection, processing and identificatio
7、n. There will be a blur in moving pictures, so we have to do a lot of experiment to restore the blurry image; at last we find that wiener filter is a preferable method. We put forward a binary method based on color image in the experiment of separating green plants from soil background, the method c
8、an separate green plants from soil background without converting color image to gray level image, so the method is more fast, better segmentation effect comparing with traditional methods, and thus meet the request of real-time processing. The paper studied on the separation of row-space weed from c
9、rop, having consulted materials of home and abroad, we did a lot of experiment and find out that location character method has a good segmentation effect. We adopted pixel location histogram which is simple and fast in finding central crop row, and adopted improved scan beam arithmetic to fill centr
10、al crop row. Comparing with other methods the method can reduce repeating operations, so it can save time to meet the requirement of real-time processing. Segmented image only contains weed, but there usually will are some remnants leaves and random noise, we dispose noise applying Mathematical Morp
11、hology method and scan beam arithmetic, results of the experiment showed that scan beam arithmetic is better in disposing noise than other methods.Based on machine vision image feature extraction and recognition weeds is made up of PC, image collection card, digital vidicon, experiment console. The
12、paper designed and realized a system of dynamic weed identification based on processing method. A series of experiment and analyses are developed and carried out an in-depth study to some primary problem in the laboratory. Study of the paper offered academic and practical references for the designin
13、g of basing on machine vision image feature extraction and weed identification system in actual outdoor environment.Keywords : Weed Identification ; Image Processing; Computer Vision基于机器视觉的杂草图像特征提取及识别研究- III -目 录摘 要 .IAbstract.II1 前言 .11.1 研究目的及意义 .11.2 国内外研究动态和趋势 .21.2.1 国外研究现状 .21.2.2 国内研究现状 .41.3
14、 课题研究的主要内容 .41.4 本章小结 .52 基于机器视觉的杂草图像特征提取及识别系统概述 .62.1 实验系统的整体结构 .62.2 实验系统的组成 .62.3 本章小结 .73 机器视觉的杂草图像的采集及图像恢复的研究 .83.1 机器视觉的杂草图像的采集 .83.1.1 动态采集图像的数据格式及传输方式 .83.1.2 动态图像采集的软件系统 .83.2 动态模糊图像的恢复 .93.2.1 图像恢复的基本知识 .93.2.2 匀速直线运动模糊下的点扩展函数 .103.2.3 逆滤波复原 .123.2.4 维纳滤波复原 .143.3 本章小结 .164 绿色植物与土壤背景实时分割的研
15、究 .174.1 图像分割概述 .174.2 彩色图像灰度化 .174.2.1 彩色图像的主要颜色模型 .174.2.2 过绿特征分离绿色植物与土壤背景 .194.2.3 HIS 方法分离绿色植物与土壤背景 .194.3 二值处理和阈值分割方法 .214.3.1 动态阈值二值化方法 .214.3.2 颜色特征二值化方法 .224.3.3 两种二值方法的比较 .224.4 本章小结 .225 作物与行间杂草实时分割的研究 .245.1 作物与杂草动态识别概述 .24基于机器视觉的杂草图像特征提取及识别研究- IV -5.2 位置特征法分离作物和行间杂草 .245.2.1 位置特征法的应用原理 .
16、245.2.2 提取作物中心行 .245.2.3 填充作物行区域分割出杂草 .255.3 杂草分离后二值图像滤波处理 .275.3.1 数学形态学方法滤除二值图像噪声 .285.3.2 扫描线算法滤除二值图像噪声 .295.4 杂草面积和重心位置的获取 .305.5 本章小节 .316 结论与展望 .326.1 结论 .326.2 展望 .32参考文献 .33致谢 .35基于机器视觉的杂草图像特征提取及识别研究- 1 -1 前言1.1 研究目的及意义杂草是生态系统中的一员,农田杂草是农业生态系统中的一个组成部分，它直接或间接的影响着农业生产，给经济作物带来很大的危害。杂草不仅与农作物争夺阳光、
17、水分、肥料、还与作物争夺生存空间，不经过及时的处理，会阻碍作物生长，导致作物产量的下降，产品质量受损，甚至妨碍农作物收获，增加生产费用 1。据统计,目前世界上共有杂草近 5万种,农田杂草 8000 多种，而危害主要粮食作物的约有 250 多种。在我国，杂草分布区域也十分广泛，据我国农业植保总站近年调查发现，我国农田杂草约 1500 多种，其中给农作物造成严重危害的杂草有 17 种；危害范围较广、危害较严重的主要杂草有 31 种；地域性杂草有 24 种；一般不对农作物造成较严重危害的次要杂草有 183 种 2。为了减轻草害，人们投入了大量的人力与物力。统计表明，美国每年因为杂草在 64 种农作物
18、中造成的损失达75 亿美元，而每年用于化学除草的费用高达 36 亿美元，用于机械和其它除草的费用达 26亿美元 3。我国用在除草上的劳动量也高达 20-30 亿个劳动日，即便如此，我国草害造成的粮食损失平均达 13.4，年损失粮食产量约 17500kt4。人们为了减轻杂草对农作物的危害以及造成的经济损失，经常采用的几种除草方法包括机械除草、化学除草、人力除草、静电除草，还有生物除草等。人力除草由于浪费人力，效率又低，现在很少被使用；机械除草虽然效率较高，对环境污染小，但需消耗大量的动力，造成土壤压实，对下茬作物的生长不利；静电除草能除掉部分杂草，但可能造成作物烧伤，甚至影响土壤结构，降低土壤的
19、生产能力；生物除草是从分子生物学角度进行研究，利用动物、昆虫、病菌等方法防除某些杂草,但还没有真正应用于生产。目前应用最广泛的除草方法是化学除草，化学除草是利用化学农药（除草剂）进行防除杂草的方法，其主要特点是高效、省工，尤其是可以免去繁重的田间除草劳动，解放田间的劳动力，正因为化学除草具有其他除草方法所不具备的优点而被广泛应用。但是，在人们大量的使用除草剂防治草害的同时，也产生了许多不良影响，如污染农副产品及破坏生态平衡。人们从化学除草所带来的负面影响，已深刻认识到单纯依赖化学防治和“地毯式”大量喷洒除草剂的错误做法 5。因此，想到应该采取一些有利的措施，既能有效的消除草害，提高粮食作物的产
20、量，又能保护好人们的生存环境，达到可持续发展的目的，这就使得科学工作者对杂草控制新方法的研究成为了必然。 信息技术的发展对当今社会产生了巨大而深远的影响，作为信息处理主要手段的计算机视觉技术已经渗透到科学研究和工农业生产的各个领域。计算机视觉技术已经日趋成熟和完善，而计算机图像处理和图像分析是当前国际上正在发展的一门新兴学科，是人工智能领域中的一个极为重要的方面，也是智能应用的热点之一 6。随着计算机和图像处理技术的不断发展，农田智能除草技术将成为一个新的研究领域。智能除草是利用计算机视觉和图像处理技术识别出作物中的杂草并确定作物与杂草的位置和杂草的面积，从而在软件控制条件下进行动态的采集、处
21、理、识别，来减少化学除草剂对环境的污染，进而达到除草自动化。这不仅能提高农业生产的科学水平、减少草害，而且对保护生态、实现农业的基于机器视觉的杂草图像特征提取及识别研究- 2 -可持续发展有着十分重大的现实意义。1.2 国内外研究动态和趋势国外早在 80 年代就开始了利用计算机识别杂草的研究。杂草识别的研究经历了由实验室到户外田间，由静态到动态的发展过程。但是至今能够真正应用在田间的机器视觉的杂草识别还不成熟。系统的实现关键在于杂草的识别方法问题。近年来科学家们进行杂草识别的研究方法主要有：颜色特征分析法、形状特征分析法、纹理特征分析法、光谱分析法和位置特征分析法。1.2.1 国外研究现状1.
22、 颜色特征分析法颜色特征分析是用于杂草识别的重要方法。在大自然中，植物呈现绿色，土壤呈黄褐色，岩石和无生命的植物残渣呈淡黄色。根据植物和背景的颜色特征差异就可以将植物从复杂的土壤背景中分离出来。有些杂草的茎呈现褐色，根据杂草和作物的颜色差异能够将它们区分开。Tang7等人，研究了在室外自然光照条件下，以人工分割的结果为导师信号，在 HIS颜色空间中利用遗传算法进行了植物和背景的分割，以克服田间光照的巨大变化对分割性能的影响。Woebbecke 8等人在土壤、作物残留物和光照变化的条件下,利用 RGB 颜色特征参数来识别杂草、土壤和作物残留物，发现用这些颜色特征参数可以将杂草、作物和背景分割，同
23、样也不能有效识别杂草和作物种类,也不适于区别单子叶和双子叶植物。Elfaki9利用作物和杂草的颜色特征识别杂草的方法。采用 4 个颜色特征参数，进行有选择的组合，再把这些组合作为输入分量输入到一个统计分类器和两个神经网络分类器，结果证明统计分类器的效果最好，对大豆和小麦的正确分类率为 54%,62.2%。2. 形状特征分析法形状特征分析法是利用植物的叶片形状差异进行识别。基本形状特征包括面积、周长、长度和宽度等，根据这几个基本的形状特征组合出形状特征参数，利用这些组合后的形状特征参数对杂草和作物进行识别。Giles D.K. 10等人利用图像形状匹配函数来识别杂草种类，他们研究了 3 种草(筒
24、麻、狐尾草和打碗花)和大豆苗在子叶生长期的形状。这种方法不受子叶的大小和方向的影响，但当叶子形状复杂和叶子数目较多时却无能为力。Guyer11等人使用叶子的形状特征来识别植物的种类，他们获得八种植物的图像，使用紧密度（compactness ） 、惯性中心矩（ central moment）和惯性的主轴中心矩（principal-axil moment）等参数能识别早期阶段生长的植物。2000 年，Perez 12等人在最初提取的多项形状特征参数中筛选出了 7 项参数作为形状特征，应用贝叶斯统计分类器和 K 最近邻域分类器进行分类。3. 纹理特征分析法纹理是由很多细小的单元构成，从整体上能反应
25、某种规律性，其灰度分布表现出某种基于机器视觉的杂草图像特征提取及识别研究- 3 -周期性。仔细观察，会发现植物的叶片有着不同的纹理。因而可以利用叶面的纹理信息来识别作物和杂草。用于特征提取的纹理特征为：共生矩阵、方向行灰度级能量、方向滤波掩模和分形维数、局部极值等。将图像纹理处理技术应用于彩色图像是 Sheare (Shear S.A.,1990)首先提出的，对 7 种人工培育的植物进行识别，分别有色调、饱和度、亮度得出一个颜色共生矩阵，从每个颜色共生矩阵中计算出 11 个纹理特征，共产生 33 个颜色纹理特征，用于植物识别的准确率达91。Meyer 13等人利用传统灰度共生矩阵产生 4 个纹
26、理统计特征：角二阶矩angular second moment 灰度共生矩阵元素值平方和 、惯性矩(inertia 对比度，表示图像的清晰度)、墒(entropy 图像信息量的度量) 和局部均匀性(local homogeneity 逆差矩)。利用上述 4 种参数识别杂草和土壤背景物准确率可达 93%。Burks14等人利用颜色共生矩阵(color co-occurrence matrix)导出 11 种颜色纹理特征来识别 5 种杂草(筒麻、狐尾草葬、马唐和打碗花 )和土壤背景，识别率可达 93%。4. 应用光谱分析的识别方法光谱分析方法是根据物体对光的反射特性的不同，利用杂草、农作物和土壤背
27、景的反射光谱的不同进行分析，达到识别杂草的目的。植物在生长过程中，由于植物叶面组织结构的不同，对一定波长的太阳光吸收和反射也有所不同，因此可利用这种特性来区分杂草、作物和土壤背景。Brown 等人运用分光辐射谱仪在自然光照条件下测定了棉田中的几种杂草在 400 -900nm 范围内的反射率，通过分析得到了 440，530，650 ，730nm 四个特征波长能够对杂草进行有效的识别。N .Wang,N.zhang 通过二级管分光计研究小麦和 9 种杂草的茎和叶以及土壤的光谱特性，选定 5 个波长值(496nm，546nm ，614nm ，676nm ，752nm) 作为输入变量的特征波长值，以此
28、建立杂草识别的分类器模型，并设计了一种光学杂草识别传感器。田间的实验结果表明，当把选定的 9 种杂草作为杂草类，与小麦、土壤进行分类时，训练分类器时分类正确率分别为 64.3%、98.3%、98.7% ，验证分类器时分类正确率分别为 62.5%、83.1% 、79.5%；当杂草密度高于 0.02Plants/cm 时，训练和验证分类器时的分类正确率都高于 70%。当杂草以单株形式出现于土壤背景时，其分类正确率降低到 50%以下。在进行杂草密度的实验中，没有发现杂草和小麦之间的错误分类。Ahmad-U 15等人利用由物镜、6 片滤光片、成像光谱仪组成的机器视觉系统识别田间杂草，田间杂草的识别准确
29、率达到了 91.4%。Borregard 等人运用成像光谱仪测定了马铃薯和甜菜以及几种杂草在 670-1070nm 范围内的反射率，选定 694, 970, 856, 686, 726, 879, 978nm 作为特征波长，马铃薯和杂草的识别率达到了 94，甜菜和杂草的识别率达到了 87%。虽然利用光谱特征分析法在实时性方面具有很大的优势，但高光谱成像设备的成本却相当高。5. 位置分布特征法位置分布特征法是基于作物的规律性种植提出的一种快速识别作物和行间杂草的方法。利用这种方法可以计算出杂草在田间分布的密度，对于条播作物除草具有广泛的研究意义基于机器视觉的杂草图像特征提取及识别研究- 4 -和
30、价值。H.J.Olsen 曾经采用纵向统计灰度值的方法，提取作物行信息，从而达到识别的目的。B.L.Steward 和 L.F.Tian 研究了自适应扫描算法来获取作物行间信息，能够实现对行间杂草的识别。1.2.2 国内研究现状国内，不少研究人员也对杂草识别的方法进行了研究，但尚处于开发阶段。莱阳农学院和吉林工业大学的纪寿文、王荣本、陈佳娟 16等作了“应用计算机图像处理技术识别玉米苗田间杂草的研究” ，利用计算机图像处理技术分析了玉米苗期田间杂草的特征量，识别出了田间杂草并确定了杂草的位置和生长状况。研究中采用直方图双峰法滤除了土壤背景，根据投影面积、叶长、叶宽识别出了杂草，并且根据杂草投影
31、面积确定出了杂草密度。实验结果表明，此方法可识别出玉米苗期田间细长的单子叶杂草。但是，不适用于玉米的植株比杂草矮小的情况和叶片比较宽大的双子叶杂草的识别。此方法识别处理的时间较长。中国农业的大学的相阿荣 17等人研究了利用颜色特征从土壤背景中识别杂草的方法和形状特征识别杂草的方法。西北农林科技大学的龙满生 18等人以玉米苗期杂草为研究对象，分析了不同的颜色指标分割土壤背景的可行性，并对分割后的图像从形状上提取有效的特征，能识别出阔叶杂草、窄叶杂草和玉米苗。刘敏 19等人把分形维数引入自然光照条件下田间杂草图像纹理的分析中，用分形维数来表征微观杂草叶子纹理和宏观杂草丛纹理的粗糙程度，取得了一定的
32、区分识别效果，与传统的纹理分析方法相比，该方法在时间复杂度和识别效果上具有明显的优势。吉林工业大学的陈晓光 20应用图像处理技术对蔬菜苗的生长阶段进行判断。中国农业大学的毛文华 21等人以小麦田作物为研究对象，利用位置特征，识别出行间杂草，并利用光谱特征识别作物与杂草的方法，通过作物和杂草的定性分析，运用筛选的特征波长识别小麦和杂草的正确识别率可以达到 100。江苏大学的潘颖 22等人以茄科类作物和杂草为研究对象，针对茄科类作物和杂草的形状特征、纹理特征作为模式识别的输入特征，采用神经网络的方法进行学习和训练，对茄子、青椒、干金子、马唐、凹齿苋的识别率分别为 96，94，100，96和 94。从我国杂草识别的研究现状看，研究内容主要针对静态图像的采集、处理与识别，而现实中杂草识别应具有动态实时性。因此，从农田应用的角度出发，对于机器视觉的杂草识别还需要不断的深入研究，找出适合于动态实时性的识别方法。1.3 课题研究的主要内容本课题以大豆作物为研究对象，以实现杂草的动态采集、处理、识别为目的，在总结国内外研究成果的基础上，结合已有的杂草识别理论和方法，研究适合机器视觉的杂草实时处理与识别的方法，并在实验室现有的实验平台上进行图像的采集、处理及识别试验。通过不同方法的对比实验，提高处理与识别速度，并为农田机器视觉的杂草识别提供良好的理
