基于图像处理的种子芽长与根长检测方法

摘要

基于图像处理的种子芽长与根长检测方法。首先利用颜色特征提取叶片信息，并在整株芽长二值图像中去除叶片区域信息，其次通过圆盘结构元素与线性结构元素腐蚀图像方法分割出种子图像获得种子的中心，再对整株芽长二值图像进行图像增强和边缘轮廓处理，最后对芽长图像进行骨架提取与剪枝，依据像素点间的欧氏距离计算种子的芽长与根长。实验结果表明，包含特征选择与骨架提取的图像处理过程实现对种子芽长与根长的高精度、快速检测。

说明书

技术领域

本发明涉及数字图像处理与农业工程领域，尤其涉及一种基于图像处理的种子芽长与根长检测方法。

背景技术

种子质量决定了农业产量，而芽长是种子活力的一个重要判定标准。在种子发芽试验中，经常要统计种子生长的发芽率、幼苗长度以及生长速度。传统的芽长检测方法采用人工测量方式，虽然相对简单，但有诸多局限。一方面费时费力，另一方面由于每个实验研究人员的经验不同，检测的结果容易存在主观因素误差。如何准确、自动的检测种子的芽长与根长已经成为种子发芽试验中的热点问题，而图像处理技术作为一种无损检测技术，在植物病虫害检测、果蔬分级分类、农作物长势等方面具有良好的应用前景。

现有技术中芽长/根长的测量虽然利用了相关的图像处理技术，测定的过程大致包括以下个过程：首先，获取芽长/根长图像。然后，通过预处理去除图像噪声、增强图像效果。再用图像定位、分割算法提取出芽长或根长部分。然后对图像长度进行计算。但是，现有的芽长/根长技术需要手动选取比例尺或手动框选发芽区域，效率较低，并未实现对多颗种子同时进行芽长与根长检测。

发明内容

本发明要解决的技术问题是：为了解决现有技术现有的芽长/根长技术需要手动选取比例尺或手动框选发芽区域，效率较低，并未实现对多颗种子同时进行芽长与根长检测等问题，因此提出了基于特征选择与骨架提取的种子芽根长度检测方法。其特征在于：

步骤1，图像预处理，使用形态学顶帽算法对图像进行开运算，并用原图像减去经过形态学开运算的图像得到预处理图像；

步骤2，特征选取，利用RGB空间中绿芽的颜色特征，在整株芽的二值图像中去除绿芽区域信息，结合种子的形状特征分割出种子区域；

步骤3，确定种子的中心，然后对图像进行形态学腐蚀操作，确定种子的中心点；

步骤4，图像增强，利用种子根须的颜色特征提取极细的根须图像与原二值图相加得到根部增强后的二值图；

步骤5，图像边缘轮廓处理，种子的中心点的坐标对增强后图像进行边缘轮廓处理，去除相邻种子的连通性，填充轮廓内部，保证像素点的连续性；

步骤6，骨架提取与剪枝，获得图像的中心骨架：

(1)遍历图像，生成骨架端点二值图；

(2)获取骨架端点二值图中各端点的坐标，并将端点坐标按行排序，得到中心骨架垂直方向上的首端点与尾端点；

(3)删除骨架端点二值图中的首尾端点，得到分支端点二值图；

(4)用骨架二值图减去分支端点二值图，得到新的骨架二值图；

(5)判断新生成的骨架二值图中是否只含有两个端点，否则重复(1)至(4)的操作。当新骨架二值图中只含两个端点时，这两个端点即为中心骨架的首尾端点；此时上一步获得的新骨架二值图即为中所求的中心骨架图；

步骤7，长度计算，在计算芽长或根长时每4～6个像素点计算一次欧式距离以减少骨架转折的误差，并以直径为25mm的1元硬币为参照物，将像素长度换算成以毫米为单位的实际长度。

作为一种优选：步骤3中所述的形态学腐蚀操作将图像中获得的面积按降序排序，保留与芽的个数相等的多个较大连通区域。

作为一种优选：步骤5中所述的边缘轮廓处理是通过：

(1)去除相邻种子的连通性，记相邻2个中心点的坐标分别为(C

(2)保证像素点的连续性，用3x3的模板遍历整幅二值图，提取种子萌芽图像的边缘轮廓并填充封闭轮廓的内部。

作为一种优选：步骤6中骨架提取的方式是以判断像素点P在周围8连通像素中，没有相邻骨架点的中心点被称为孤立点；有1个相邻骨架点的中心点称为端点；有3个及以上相邻骨架点的中心点被称为分叉点

作为一种优选：步骤7中计算芽长时先确定种子中心水平线，所述的种子中心水平线是种子的中心点所在的水平线，并视为图像中芽与根的分界线。

作为一种优选：步骤7中还需要对骨架长度进行修正，其公式为：

L

公式(7)和公式(8)中，x

本发明有益效果：

1.通过采集种子发芽图像，基于颜色特征与形状特征，综合运用形态学骨架提取与剪枝算法，获得种子萌发的精细骨架，实现芽长与根长的自动检测，并且具备符合实际使用要求的准确率。

2.提出固定直径的硬币作为实际长度参照物，利用每颗种子的中心所在水平线作为芽与根的分界线，可以实现自动将像素距离换算为实际长度，并同时对多颗种子进行芽长和根长的检测。

附图说明

附图1：本发明方法的工作流程图

附图2：各类像素点位置关系示意图

附图3：提取的种子区域的步骤效果图

附图4：图像增强效果对比图

附图5：图像边缘轮廓处理效果图

具体实施方式

本发明方法包括图像预处理、颜色特征的选取、确定种子中心、图像增强、图像边缘轮廓处理、骨架提取与剪枝和长度的计算。具体流程如图1所示。本发明首先对整株芽的灰度图像进行预处理。为初步降低图像前景与背景光照不均的影响，本发明利用形态学顶帽算法对图像进行开运算，并用原图像减去经过形态学开运算的图像，从而使种子的图像，尤其是根部的图像更为清晰。由于本方法中涉及较多结构元素对图像进行腐蚀操作，而图像的尺寸会影响该腐蚀操作的结果，因此本方法以500像素作为参照，将图像的宽度缩小到500个像素左右。然后本方法提取图像中的绿芽与白根的颜色特征、种子的形状特征从而确定种子的中心，并对整株芽长二值图像进行增强，再结合种子的中心位置对增强后的二值图像进行边缘轮廓处理，最后进行骨架提取与剪枝。若提取的骨架数量与中心数量相等，则对骨架进行长度计算，否则重新对图像进行预处理，重复以上步骤。步骤的具体说明如下。

步骤1，图像预处理，使用形态学顶帽算法对图像进行开运算，并用原图像减去经过形态学开运算的图像得到预处理图像；

步骤2，特征选取，利用RGB空间中绿芽的颜色特征，在整株芽的二值图像中去除绿芽区域信息，结合种子的形状特征分割出种子区域；

颜色特征是指，在以黑色为背景的RGB图中，绿芽与根须在RGB颜色空间的灰度级关系为：

greenleaf＝(g

whiteroots＝(r

式子中g

形状特征是指，种子萌发的图像包含了丰富的形状特征，种子籽粒的形状一般可为圆形、矩圆形、椭圆形、卵圆形、马齿形等。

步骤3，除了绿色叶片以外，种子籽粒所占面积一般为单位面积最大。因此可以利用颜色特征排除大面积绿色叶片的干扰后，选取盘状结构元素，对去除绿色叶片后的图像进行形态学腐蚀操作，删除不大于盘状结构元素的区域信息，从而留下只包含种子籽粒的连通区域，确定种子的中心点。

如图3所示A.叶片提取结果；B.去除叶片的二值图；C.经过腐蚀的二值图；D.种子提取结果。经过腐蚀获得的种子图像，其中仍有部分小面积区域干扰种子中心的判定，因此利用Matlab的regionprops()函数获取每个连通区域的面积和中心坐标后，将面积大小按降序排序，保留前五个面积较大连通区域。最后再次利用regionprops()函数获取种子的中心，将RGB图中与所获取的各个种子中心的像素点坐标对应的位置设为红色，判断包含此坐标的水平线是否与种子发芽点相交。水平线与发芽点越接近，种子中心位置确认的准确性越高。最终确定包含种子发芽点的的种子中心水平线，种子中心水平线是种子的中心点所在的水平线，并在计算芽长时视为图像中芽与根的分界线。

步骤4，图像增强，利用种子根须的颜色特征提取极细的根须图像与原二值图相加得到根部增强后的二值图；

图像增强是因为在将种子萌芽的灰度图转换为二值图的过程中，由于根须极细且灰度级与背景较为接近，部分根须未被识别出来。对于灰度图的图像增强的方法主要有直方图均衡、同态滤波、基于Retinex理论的增强方法等。但是这些图像增强方法是对图像整体进行光照不均匀的修正，在增强种子根须的像素时，效果不甚明显。

利用种子根须的颜色特征提取极细的根须图像的方法是在特征提取定位后只需关注位置信息而不再关心颜色信息，只需输出2种灰度级：0和255。本发明通过颜色特征区域定位确定的感兴趣区域的阈值，判断图像中的每一个像素点是否满足阈值的要求，从而进行阈值分割，其计算公式如下：

式子中I(r,c)表示输入图像中第r行第c列的像素点的灰度级；ROI为满足公式(2)或(3)的感兴趣区域的集合。

实验过程中对图像各个像素点三通道灰度级的观测，得出芽图像中G通道的灰度级最高，且G通道的灰度级与B通道或R通道的灰度级的差值均大于10的结论，由此作为芽的分割阈值。

将三通道灰度级均大于70的像素点归为前景，与通过普通阈值分割方法获得的二值图相加，作为根须图像的增强与补充。如图4所示A是根部细节提取图；B是图像增强后的二值图。比较可见，图像增强后的二值图比原二制图更为清晰，表达完整度更高。

步骤5，图像边缘轮廓处理，种子的中心点的坐标对增强后图像进行边缘轮廓处理，去除相邻种子的连通性，填充轮廓内部，保证像素点的连续性。

1)去除相邻种子的连通性

本发明分段提取出以相邻两个中心纵坐标为的距离为宽、40个像素点为高的矩形区域，使矩形中线区域的灰度级为0，从而切断两个种子之间的连通性。图5A是边缘轮廓提取图，与图4B相比，切断连通后的图5B右侧有明显切痕，避免侧根与相邻种子相连通。

2)保证像素点的连续性

获取连续骨架的关键在于使种子萌芽的图像保持在一个连通区域。本文使用图3A中的模板遍历整幅二值图，提取种子萌芽图像的边缘轮廓并用imfill()函数填充封闭轮廓的内部，既保证了像素点的连续性，又避免了骨架细化时出现闭环区域。边缘轮廓处理具体是通过：

(1)去除相邻种子的连通性，记相邻2个中心点的坐标分别为(C

(2)保证像素点的连续性，用3x3的模板遍历整幅二值图，提取种子萌芽图像的边缘轮廓并填充封闭轮廓的内部。

步骤6，骨架提取与剪枝，获得图像的中心骨架：

本发明方法中的骨架提取实施例是以8连通来确定骨架的连通性，图2中A表示以点P为中心点的8连通。如图2中的B～E所示B.孤立点；C.端点；D.分叉点；E.端点、孤立点、分叉点在骨架中的位置。在8连通下，没有相邻骨架点的中心点被称为孤立点；有1个相邻骨架点的中心点称为端点；有3个及以上相邻骨架点的中心点被称为分叉点。由于方法的目的在于测量种子的芽长或根长，因此剪去骨架上的所有分支，只保留中心骨架。

本发明方法的剪枝法实施例是一种端点删除剪枝法，其算法流程图如图4所示，具体实现步骤如下：

(1)遍历图像，生成骨架端点二值图；

(2)获取骨架端点二值图中各端点的坐标，并将端点坐标按行排序，得到中心骨架垂直方向上的首端点与尾端点；

(3)删除骨架端点二值图中的首尾端点，得到分支端点二值图；

(4)用骨架二值图减去分支端点二值图，得到新的骨架二值图；

(5)判断新生成的骨架二值图中是否只含有两个端点，否则重复(1)至(4)的操作。当新骨架二值图中只含两个端点时，这两个端点即为中心骨架的首尾端点；此时上一步获得的新骨架二值图即为中所求的中心骨架图。实验中获取骨架上所有像素点的坐标，将RGB图中与此坐标对应位置的像素点设为红色，得到红色的骨架线，观察骨架种子芽/根的中心线是否重合，重合度越高，骨架提取准确性越高。

步骤7，长度计算,本发明采用像素点间的欧式距离计算骨架的像素长度，其公式为：

式子中，L表示所有相邻像素点间的欧式距离欧氏距离累加和；(x

像素距离仅能代表物体的相对长度。为了规避由相机像素、拍摄距离、拍摄角度等因素引起的误差，本发明以直径为25mm的1元硬币为参照物，将像素长度换算成以毫米为单位的实际长度，其公式为：

式子中，L

骨架细化的过程会损失部分长度。芽的直径越大，所产生的误差越大。因此需要对骨架长度进行修正，其公式为：

L

式子中，x

实验采用基于Dell OptiPlex 3050台式机(CPU i7-7700@3.60GHz，8GB内存，480GB固态硬盘)的win10家庭版64位操作系统，以MATLAB R2019a为集成开发环境对玉米、小麦、水稻的芽长和根长进行了芽长自动检测试验，实验中选取发芽一到两周且长势良好的玉米、小麦与水稻种子各50株为研究对象，利用Adobe Illustrator在尺寸为A4纸的画布中绘制边长为5mm的正方形网格，通过打印机打印，再使用相机拍摄并将图像导入Matlab中，用标尺测量各个正方形之间的间隔，发现本发明所采用的镜头会引起视场边缘的放大率比中心部分高所导致的枕形畸变。硬币位于芽根图像的上方，其拉伸程度大于硬币下方位置，因此以硬币作为参考物计算出的芽长/根长小于实际长度。以芽长为例，若将芽长分段，其误差从芽底端到芽顶端逐渐减小，因此整株芽的长度误差在可接受的范围之内。经实验分析，本发明使用的镜头畸变引起的测量误差在0～3mm之间。

与人工检测方法进行了对比，得出玉米、小麦与水稻芽长的百分误差分别为2.90％、2.05％、2.40％；根长的百分误差分别为1.90％、2.11％、2.02％。本方法对实现种子芽长与根长的自动检测具有可行性。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。