一种基于图像检测棉花吐絮的方法

摘要

一种基于图像检测棉花是否吐絮的方法，具体包括两个阶段：训练阶段：通过历史图像数据，统计棉田图像中棉絮区域在Lab颜色空间中的变化规律；检测阶段：利用训练阶段统计的棉絮在Lab颜色空间中的变化规律，对实时棉田视频图像进行检测，具体顺序包括：（1）单幅图像棉絮检测，根据统计结果，检测图像中的候选棉絮区域并生成二值结果图像（2）连通域标记和去噪，对二值结果图像进行标记，并通过设定连通域面积阈值，去除较小的噪声干扰，（3）综合判定，利用一天中不同时刻的检测结果，对各候选区域进行投票，选取稳定存在的区域作为最终棉絮区域的检测结果，进一步去除了随机噪声的干扰，（4）输出结果图像。该方法主要利用了棉絮的Lab颜色特征和同一天内图像的连续性，有效克服了光照的影响，准确地检测出棉田图像中是否有棉絮存在。

说明书

技术领域

本发明属于数字图像处理和农业气象观测结合领域，具体涉及一种以棉田图像为对象，从棉花植株上检测棉絮是否出现的方法。

背景技术

棉花是我国主要的经济作物之一，种植面积十分广泛。棉花的发育期、产量和质量容易受到气候变化的影响。长期以来，对于棉花发育期的观测主要是通过人工观测的方式，受观测员主观因素的影响比较大；同时由于观测周期长、地域广，利用人力进行观测也不够经济。因此，通过拍摄棉田视频图像，利用图像处理的手段，对其发育期进行观测是十分必要的。棉花吐絮是棉花生长的一个重要环节，有效而准确的识别这一时期并测量其吐絮多少，是农业气象观测的一个重要内容，本发明即是利用棉田视频图像对棉花吐絮生长期进行识别。

2006年在《江西农业学报》上发表的文章“田间早期成熟棉花识别研究”利用训练好的过绿颜色特征(ExG)区分成熟棉花的棉絮区域和绿色背景；2007年4月在《农业工程学报》上发表的文章“采摘期成熟棉花不同部位颜色识别分析”和在《浙江农业学报》上发表的文章“基于色差信息的田间成熟棉花识别”中利用棉花在RGB颜色空间的色差信息，将成熟的棉桃即棉絮区域从背景中分割出来；2008年在《棉花学报》上发表的文章“基于HSV彩色模型的自然场景下棉花图像分割策略研究”利用HSV彩色模型的棉花图像饱和度分割算法将棉絮区域分割出来；2008年10月在《农业工程学报》上发表的文章“基于竞争学习网络的田间籽棉图像分割”利用RGB颜色空间中，利用训练好的基于B值的竞争学习网络和形态学滤波去噪，分割背景和棉絮；2010年在《作物学报》上发表的文章“基于颜色阈值的田间籽棉图像分割技术”在HSI和Lab颜色空间中利用颜色阈值对籽棉图像进行分割，确定棉絮区域的位置。以上各方法都是应用于棉花自动采摘机器人上，摄像头作用距离近，图像范围小，而且图像中的棉絮区域比较明显。而对于农业气象观测领域，主要通过对棉田中棉花是否吐絮和吐絮的数量进行检测，拍摄的区域广，图像分辨率低，而且单个棉絮区域在图像中的面积较小，图像中的光照变化较为剧烈，上述方法都不可行。

发明内容

本发明的目的在于提供一种基于图像检测棉花是否吐絮的方法，以在棉田采集的实时前下视图像为对象，利用棉絮的Lab颜色特征，自动地检测棉花植株上是否出现棉絮。本发明能够有效检测出棉田中的棉花吐絮区域，同时，在一天中不同时刻，以固定位置和姿态拍摄多幅前下视棉田图像，综合利用同一天内不同时刻的检测结果进行判断，有效消除了随机误差，进一步提高了检测结果的准确性。

为实现本发明的目的所采用的具体技术方案可分为以下两个阶段：

1.训练阶段：该阶段的主要目的是通过历史图像数据，统计吐絮期棉花植株上棉絮区域的Lab颜色特征变化规律，主要包含以下步骤：

(1)样本图像生成，在历史图像数据中，随机选取几天的吐絮期间拍摄的棉田图像，将棉絮区域保留，其它区域置为黑色，生成用于训练的样本图像。

(2)棉絮L-b颜色特征统计，利用棉絮样本图像，生成棉絮的L-b颜色特征表，记录棉絮在亮度为L的情况下，其色彩分量b的变化规律。

2.检测阶段：通过训练阶段生成的棉絮L-b颜色特征表，对实时棉田图像进行检测，具体步骤如下：

(1)单幅图像棉絮检测，通过棉絮L-b特征表，对单幅图像进行检测，生成二值图像，其中棉絮区域置为白色，其它区域为黑色。

(2)连通域标记和去噪，对上一步的二值图像进行连通域标记，并通过设定连通域的面积阈值，去除较小的连通域，降低细小噪声干扰。

(3)综合判定，由于相机是固定不变的，因此综合考虑同一天内不同时刻的单幅图像检测生成的二值图，对各区域进行投票，选取稳定存在的区域作为最终的结果，进一步去除了随机噪声干扰。

(4)输出结果图像，根据综合判定所生成的二值结果图像，在棉花图像上用矩形框将检测出的棉絮区域标注出来。

通过上述过程，自动对实时采集的前下视棉田图像进行检测，并利用检测的结果，判定该块棉田中的棉花是否进入吐絮期。同时，该检测结果对于测定棉花的覆盖度、预估棉花产量及指导相应的农事活动具有非常重要的意义。

附图说明

图1为训练阶段的流程图；

图2为检测阶段的流程图；

图3为任一历史时期的吐絮期棉田图像；

图4是标记了棉絮区域的样本图像；

图5为在棉絮在亮度L值为200的情况下，其色彩分量b的变化范围及出现的次数；

图6(a)是吐絮期上午10点的前下视棉田图像；

图6(b)是吐絮期下午5点的前下视棉田图像；

图7(a)是吐絮期上午10点棉絮检测二值结果图像；

图7(b)是吐絮期下午5点棉絮检测二值结果图像；

图7(c)是吐絮期上午10点棉絮检测结果图像；

图7(d)是吐絮期下午5点棉絮检测结果图像；

图8(a)是吐絮期利用连续图像综合判定后的二值结果图像；

图8(b)是吐絮期利用连续图像综合判定后上午10点棉絮检测结果图像；

图9(a)是未进入吐絮期的上午10点的前下视棉田图像；

图9(b)是未进入吐絮期的利用连续图像综合判定后的二值结果图像；

图9(c)是未进入吐絮期的利用连续图像综合判定后上午10点棉絮检测结果图像；

具体实施方式

本发明提供了一种基于实时前下视棉田图像，利用棉絮的Lab颜色特征和同一天图像的连续性，自动检测图像中是否存在棉絮的方法。下面结合附图来详细说明本发明的具体实施方式和实施步骤，本发明的方案分为训练阶段和检测阶段。

1.训练阶段：通过前一年拍摄的吐絮期棉田图像的历史数据，统计图像中棉絮区域的Lab颜色特征变化规律，分为两步，如附图1所示：

(1)样本图像生成，在历史图像数据中，随机选取几天的吐絮期拍摄的棉田图像100幅左右，如图3所示，然后选出其中的棉絮区域并保留其颜色信息，其它区域置为黑色，得到棉絮样本图像，如图4所示。

(2)棉絮L-b颜色特征统计，在生成棉絮样本图像之后，统计其中棉絮区域的在Lab颜色空间中的变化规律，具体过程如下：

设样本图像为S_m，m＝1L 70，图像中的第i行第j列像素点在Lab颜色空间的色彩分量分别为L_m(i，j)，a_m(i，j)和b_m(i，j)，取值范围均为[0，255]，由公式：

统计棉絮的L-b特征。其中，T1是一个256×256的统计表，表中各元素的初值为0。T1(l，b)的值表示在图像亮度为L＝l的情况下，棉絮区域的像素点的色彩分量b出现的次数。如附图5所示，在亮度L的值为200的情况下，色彩分量b的变化范围及其出现的次数。

在亮度为l的情况下，可以求出棉絮的色彩分量b的均值和方差，公式分别为：

$\overline{b_l}=\frac{\underset{b=0}{\overset{255}{\Sigma }}T1(l,b)\times b}{\underset{b=0}{\overset{255}{\Sigma }}T1(l,b)},$T1(l，b)≠0

和

${\sigma }_l^2=\frac{\underset{b=0}{\overset{255}{\Sigma }}{(T1(l,b)-\overline{b_l})}^2}{\underset{b=0}{\overset{255}{\Sigma }}T1(l,b)},$T1(l，b)≠0.

因此，可以生成棉絮的L-b颜色特征统计表

$\mathrm{LbTable}=\{l,\overline{b_l},{\sigma }_l^2|143\le l\le 255\}.$

其中，l的变化范围由样本图像所确定，本实施例中样本图像数量为100幅左右，其范围为[143，255]，如果样本图像数量更多，其变化范围会随之扩大。

2.检测阶段，利用训练阶段生成的棉絮L-b颜色特征统计表，结合一段时间内(如同一天)图像的连续性信息，对实时前下视棉田视频图像进行检测，具体步骤如附图2所示：

(1)利用棉絮L-b颜色特征统计表，对实时的前下视棉田视频图像进行检测。如附图6(a)和6(b)分别是同一天中上午10点和下午5点的棉田图像。

设一天中共拍摄了N幅实时图像S_n，n＝1LN，图像第i行第j列像素点的Lab分量分别为L_n(i，j)，a_n(i，j)和b_n(i，j)，由公式

生成二值图像B_n，其中B_n(i，j)＝255表示该像素为候选的棉絮区域，B_n(i，j)＝0表示该像素点为背景。

(2)连通域标记和去噪，利用标记算法，对二值图像B_n进行8邻域连通域标记，第r个连通域记为B_n(r)，连通域的面积即像素个数记为num(r)，根据如下的公式：

去除较小的连通域以降低细小噪声的干扰。面积阈值AreaThreshold根据需要进行选择，一般为[4，20]，若面积阈值为10，则单幅图像检测结果如附图7所示。

(3)综合判定，由以上四步，已经将图像中候选的棉絮区域检测出来了，但不可避免的会受到噪声的干扰。为了进一步提高算法的准确性，需要对检测结果进行进一步的处理。由于同一天中相机的位置的拍摄姿态是固定不变，而且同一天中棉絮的状态也是基本不变的，所以其在图像中的位置、大小也是相似的。因此，综合考虑不同时刻的检测结果即所有的B_n，n＝1L N，对各候选区域进行投票，投票过程如下：

考察某一个二值图像B_t上的第r个区域B_t(r)，像素个数为num_t(r)，其票数记为vote_t(r)。由于该区域在图像B_t中被判定为棉絮区域，所以初始时vote_t(r)＝1。定义函数F(B_t(r))为取出区域B_t(r)所有像素点的坐标，Z(B_t(r))为区域B_t(r)中灰度值为255的像素点的个数，此时Z(B_t(r))＝num_t(r)。

在其它二值图像B_n，n＝1L N且n≠t上，循环执行以下步骤：

上述公式中Z(B_n(F(B_t(r))))/num(r)≥MinOverlapRate表示在B_n图像的对应区域中，包含的候选区域的面积与图像B_t上的第r个候选区域的重合度超过阈值MinOverlapRate，此时，图像B_t上的第r个区域的投票增加1。MinOverlapRate表示最小重合度阈值，在范围为[0.3，0.6]取得了很好的效果。

图像B_t上的第r个区域Bt(r)的投票过程结束后，利用如下公式：

其中，N为一天中所拍摄的图像的个数。Min_VoteRate为投票比例的阈值，该阈值根据实际需要确定，一般为[0.4，0.7]，高于该范围所得结果对于棉絮区域的漏检率较高，而低于该范围会使得误检率增大。当图像B_t中的第r个区域的票数与N的比值大于或等于Min_VoteRate时，则判定区域B_t(r)是棉絮，即B_t(r)＝255。

对同一天的每一幅二值图像B_n，n＝1L N上的所有候选区域均通过上述投票过程进行判定，得到去除随机噪声干扰的二值图像序列B_n，n＝1L N。接着，将所有的二值结果图像进行合并得到最终的二值结果图像B。定义B_n(i，j)为二值图像B_n上第i行j列的像素值，B(i，j)为最终二值结果图像B上第i行j列的像素值，则B由以下公式生成：

$B(i,j)=\left(\begin{array}{cc}255,& B_{n,\exists n\in [1,N]}(i,j)=255\\ 0,& B_{n,\forall \in [1,N]}(i,j)=0\end{array}\right).$

B(i，j)＝255表示该像素为棉絮，B(i，j)＝0表示该像素为背景，如附图8(a)所示。

(4)输出结果图像，根据最终的二值结果图像B，在前下视棉田图像上用红色矩形框将棉絮区域标注出来，如附图8(b)所示。如果所拍摄的棉田中的棉花未进入吐絮期，即图像中没有棉絮区域存在，则检测结果如附图9所示。