專利名稱：利用位置和紋理特征自動識別作物苗期田間雜草的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及精準(zhǔn)農(nóng)業(yè)機械裝備自動控制技術(shù)領(lǐng)域，具體涉及一種田間雜草信息自動識別的方法。
背景技術(shù)：
田間雜草與作物競爭水分和養(yǎng)分，侵占空間，影響作物光合作用，干擾作物生長；如不及時控制，會導(dǎo)致糧食產(chǎn)量嚴重下降。據(jù)估計，我國僅條播農(nóng)作物小麥田間草害面積達1000萬公頃，年糧食產(chǎn)量損失40億公斤以上。
化學(xué)除草已成為主要的除草方式。在發(fā)達國家，除草劑的施用量占農(nóng)藥總施用量的一半以上；近20年來，中國的除草劑施用量增加迅速，現(xiàn)在年消耗總量近47萬噸。
目前，化學(xué)除草劑的使用方式普遍為粗放式的大面積噴灑，而雜草的分布密度平均只占30％，因此大量的農(nóng)藥造成了浪費，還造成了嚴重的生態(tài)環(huán)境污染。因此，精準(zhǔn)農(nóng)業(yè)變量噴灑技術(shù)成為研究熱點。要實現(xiàn)變量噴藥，首要解決田間雜草自動識別問題。
田間雜草識別方法有人工監(jiān)測、遙感監(jiān)測和近地圖像監(jiān)測三種途徑。1)人工監(jiān)測是在噴藥作業(yè)之前，運用GPS或其它定位系統(tǒng)，人工自動記錄所看到的田間雜草的位置，然后繪制成雜草分布圖，這種方法存在效率低下、勞動強度大、完全依賴人工經(jīng)驗，在大面積雜草苗情觀測上，人工監(jiān)測顯得無能為力。2)遙感監(jiān)測雖克服了人工監(jiān)測的諸多弊端，但是，由于遙感圖像的空間和光譜分辨率較低，主要用于識別一定生長期內(nèi)大面積發(fā)生的幾種雜草，致使雜草識別率較低且定位精度低。3)而近地圖像監(jiān)測方法是利用機器視覺技術(shù)在距地面較近的條件下，捕獲、處理和分析田間圖像中所包含的作物、雜草以及背景的信息，并自動識別出雜草，該方法能達到較高的雜草識別率。但這種方法通常是利用作物與雜草的顏色差別進行雜草自動識別。由于田間光照的不均勻性，以及雜草與作物的顏色相近的問題，用顏色自動對雜草的識別率較低，該方法雜草自動識別率通常低于80％。

發(fā)明內(nèi)容
(一)要解決的技術(shù)問題本發(fā)明的目的是提供一種識別率高，且能快速、自動識別作物苗期田間雜草的方法。
(二)技術(shù)方案為了達到上述目的，本發(fā)明采取以下方法步驟1)先采用數(shù)碼攝像機將條播作物苗期田間作物苗和雜草苗的視頻采集到DV帶中；然后，通過電纜把數(shù)碼攝像機和與安裝在計算機內(nèi)的視頻采集卡連接，導(dǎo)出采集的視頻文件，從導(dǎo)出的視頻文件中獲取幀圖像；2)利用計算機進行綠色植物和土壤背景的分割根據(jù)“超綠法”，即用顏色閾值指標(biāo)分割綠色植物和土壤背景；3)利用位置特征識別行間雜草根據(jù)綠色植物的象素直方圖，提取作物行的中心線和寬度，從而識別行間雜草；4)利用紋理特征識別行內(nèi)雜草以提取的作物中心線為基準(zhǔn)，向兩側(cè)選取紋理塊，計算綠色植物的紋理特征，識別行內(nèi)雜草；5)作物行間雜草圖與作物行內(nèi)雜草進行加運算，得到田間雜草圖。
在步驟1)中，還包括對條播作物苗期田間24位RGB原始彩色圖像，根據(jù)超綠顏色指標(biāo)Extra-Green＝2G-R-B，轉(zhuǎn)換為8位的灰度圖像；然后運用Otsu法將8位的灰度圖像轉(zhuǎn)換為二值圖像，即黑白圖像，其中，綠色植物為前景-白色，土壤為背景-黑色。
在步驟3)中，還包括根據(jù)作物的作物行距基本恒定的位置特征，通過統(tǒng)計列方向，即沿著作物行方向植物象素數(shù)，得到植物象素分布的直方圖f(x)f(x)=Σy=0H-1f(x,y)]]>x＝0，1，2，…W-1其中，f(x，y)表示圖像象素點(x，y)的灰度值，W為圖像的寬度，H為圖像的高度；根據(jù)綠色植物的象素直方圖，自動確定作物行中心的位置和行寬，位于行寬之外的植物象素即為行間雜草A)如果象素直方圖的一點P(x)＞＝threshold，則該點可能為一個記錄點；B)如果是第一個記錄點(i＝0)，則有當(dāng)P(x-5)＜threshold && P(x+5)＞threshold時，x為左邊界點，上升段，記錄該點；當(dāng)P(x-5)＞threshold && P(x+5)＜threshold時，x為右邊界點，下降段，記錄該點；當(dāng)P(x-5)＞threshold && P(x+5)＞threshold時，x為左邊界點，上升段，記錄該點；C)如果不是第一個記錄點(i?。?)，則有當(dāng)P(x-5)＜threshold && P(x+5)＞threshold && 前一個點為下降段點，x為左邊界點，上升段，記錄該點；當(dāng)P(x-5)＞threshold && P(x+5)＜threshold && 前一個點為上升段點，x為右邊界點，下降段，記錄該點。
在步驟4)中，還包括以作物行中心線為基準(zhǔn)來選取紋理塊，在8位的綠色植物的H顏色分量的灰度中，分別提取紋理塊的灰度共生矩陣 其中，i＝f(x1，y1)，j＝f(x2，y2)，且有(x2，y2)＝(x1，y1)+(dcosθ，dsinθ)d，θ分別表示象素對間距離和角度；等號右邊的分子是具有某種空間關(guān)系、灰度值分別為g1和g2象素對的個數(shù)，分母為象素對的總和個數(shù)(#代表數(shù)量)；提取二階矩、熵、對比度、均勻性和相關(guān)性這5個紋理特征參數(shù)，然后利用無監(jiān)督特性的K-均值聚類法判別分析各塊的類別，從而識別行內(nèi)雜草。
(三)有益效果由于采用了苗期作物和雜草的位置和紋理特征與計算機圖像處理相結(jié)合，因此，具有識別率高，而且，能夠快速、自動識別田間雜草分布情況，并根據(jù)該分布情況，實施變量施藥，從而，節(jié)約大量農(nóng)藥，減輕生態(tài)環(huán)境的污染；同時，減輕了人們的勞動強度。


圖1是本發(fā)明的原理框圖。
圖2是本發(fā)明作物行中心的自動確定算法的流程圖。
圖3是本發(fā)明中以作物行中心線為基準(zhǔn)的紋理塊特征的提取算法的流程圖。
具體實施例方式
以下實施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。
如圖1所示，先采用數(shù)碼攝像機將條播作物苗期田間作物苗和雜草苗的視頻采集到DV帶中；然后，通過電纜把數(shù)碼攝像機和與安裝在計算機內(nèi)的1394視頻采集卡連接，導(dǎo)出采集的視頻為*.avi格式的視頻文件；從導(dǎo)出的視頻文件中獲取幀圖像。
對獲取的幀圖像，根據(jù)條播作物苗期田間作物苗和雜草苗的位置和紋理特征，識別條播作物田間雜草。
具體實施方式
如下1)對條播作物苗期田間24 bit RGB原始彩色圖像，根據(jù)超綠顏色指標(biāo)Extra-Green＝2G-R-B，轉(zhuǎn)換為8 bit的灰度圖像；2)運用Otsu法將8 bit的灰度圖像轉(zhuǎn)換為二值圖像，綠色植物為前景(白色)，土壤為背景(黑色)；3)統(tǒng)計列方向(沿著作物行方向)二值圖像中綠色植物的象素直方圖，象素直方圖的橫坐標(biāo)為圖像的寬度，縱坐標(biāo)為每列中的植物象素數(shù)；4)根據(jù)象素直方圖的最大值，確定作物行邊界的閾值，由此閾值初步確定作物行的左右邊界；5)根據(jù)左右邊界的寬度，去除偽邊界，最終確定作物行的左右邊界，并據(jù)此確定作物行的中心線位置和作物行數(shù)；6)標(biāo)記位于作物行左右邊界之外的行間雜草(灰色，100)；7)二值圖像與24 bit RGB原始彩色圖像進行加運算，映射分割的綠色植物區(qū)域到原始圖像中，得到綠色植物彩色圖像，綠色植物為原始RGB值，土壤背景為黑色(0)；8)根據(jù)彩色空間RGB-＞HIS的轉(zhuǎn)換公式，計算綠色植物彩色圖像的色度H的8 bit灰度圖像；9)以提取的作物行中心線的位置為基準(zhǔn)，分別向左右邊界依次提取16×16大小的紋理塊，計算每個紋理塊的二階矩、熵、對比度、均勻性和相關(guān)性；10)運用K-均值聚類分析算法，計算各特征值到聚類中心的距離，將象素點歸入距離最小的那一類，識別作物和行內(nèi)雜草，標(biāo)記位于作物行內(nèi)的雜草(灰色，100)；11)作物行間雜草圖與作物行內(nèi)雜草圖進行加運算，得到田間雜草圖。
下面結(jié)合圖2、圖3，對作物行中心的自動確定算法和以作物行中心線為基準(zhǔn)的紋理塊特征的提取算法作進一步的具體描述。
1、基于象素直方圖的作物行中心的自動確定先根據(jù)作物行距基本恒定的位置特征，通過統(tǒng)計列方向(沿著作物行方向)植物象素數(shù)，得到植物象素分布的直方圖f(x)f(x)=Σy=0H-1f(x,y)x=0,1,2,…W-1]]>其中，f(x，y)表示圖像象素點(x，y)的灰度值，W為圖像的寬度，H為圖像的高度。
然后，根據(jù)綠色植物的象素直方圖的最大值，確定作物行的邊界分割閾值thresholdthreshold＝Max(f(x))/2接著，根據(jù)綠色植物的象素直方圖和邊界分割閾值threshold，自動確定作物行的邊界位置1)如果象素直方圖的一點P(x)＞＝threshold，則該點可能為一個邊界點；2)如果是第一個邊界點(i＝0)，則有當(dāng)P(x+5)＞threshold時，x為左邊界點flag1＝TRUE，上升段flag2＝TRUE，記錄該點C[i]＝x；當(dāng)P(x-5)＞threshold并且P(x+5)＜threshold時，x為右邊界點flag1＝FALSE，下降段flag2＝FALSE，記錄該點C[i]＝x；3)如果不是第一個邊界點(i！＝0)，則有當(dāng)P(x-5)＜threshold并且P(x+5)＞threshold并且前一個點為下降段點flag2＝FALSE，x為上升段邊界點flag2＝TRUE，記錄該點C[i]＝x；當(dāng)P(x-5)＞threshold并且P(x+5)＜threshold并且前一個點為上升段點flag2＝TRUE，x為下降段邊界點flag2＝FALSE，記錄該點C[i]＝x。
最后，根據(jù)綠色植物的象素直方圖和作物行的邊界位置C[i]，自動確定作物行的中心行的位置1)如果第一個邊界點C[i]是左邊界flag1＝TRUE，則按照如下方法循環(huán)求取作物行中心位置L[k]當(dāng)(C[i+1]-C[i])＞20時，L[k]＝(C[i+1]+C[i]))/22)如果第一個邊界點C[i]是右邊界flag1＝FALSE，則按照如下方法循環(huán)求取作物行中心位置L[k]當(dāng)(C[i+2]-C[i+1])＞20時，L[k]＝(C[i+2]+C[i+1]))/22、行內(nèi)雜草識別采用以作物行中心線為基準(zhǔn)的紋理塊特征的提取算法先以求出作物行的中心線L[k]為基準(zhǔn)，分別向左右計算紋理塊數(shù)Nl＝(L[k]-Rw[2k])/BwNr＝(Rw[2k+1]-L[k])/Bw其中，Nl和Nr分別為基準(zhǔn)線的左邊和右邊的紋理塊數(shù)，Rw[]為求出的作物行的邊界，Bw為紋理塊的寬度。
然后，根據(jù)紋理塊數(shù)Nl和Nr，在8bit的綠色植物的H顏色分量的灰度圖中，依次取出每個紋理塊，存儲于事先分配的臨時圖像塊中，計算該紋理塊的灰度共生矩陣 其中，i＝f(x1，y1)，j＝f(x2，y2)，且有(x2，y2)＝(x1，y1)+(dcosθ，dsinθ)
d，θ分別表示像素對間距離和角度(θ，一般取0°，45°，90°，135°方便運算)。等號右邊的分子是具有某種空間關(guān)系、灰度值分別為g1和g2象素對的個數(shù)，分母為象素對的總和個數(shù)(#代表數(shù)量)。
接著，根據(jù)計算的灰度共生矩陣，提取能量、對比度、熵、逆差矩和相關(guān)性這5個紋理特征參數(shù)1)能量ASM=Σi=0L-1Σj=0L-1{P(i,j/d,θ)}2]]>2)對比度CON=Σi=0L-1Σj=0L-1|i-j|k1[p(i,j)]k2]]>(k1，k2為正整數(shù))3)熵ENT=-Σi=0L-1Σj=0L-1p(i,j)logp(i,j)]]>4)逆差矩L(d,θ)=Σi=0L-1Σj=0L-1p(i,j)1+(i-j)2]]>5)相關(guān)性COR=Σi=0L-1Σj=0L-1ijp(i,j)-μ1μ2σ1σ2]]>式中μ1，μ2，σ1，σ2分別定義為μ1=Σi=0L-1iΣj=0L-1p(i,j)]]>σ12=Σi=0L-1(i-μ1)2Σj=0L-1p(i,j)]]>μ2=Σj=0L-1jΣi=0L-1p(i,j)]]>σ22=Σj=0L-1(j-μ2)2Σi=0L-1p(i,j)]]>最后，根據(jù)所計算的紋理特征參數(shù)的最大值Lmax和最小值Lmin，對求取的紋理特征參數(shù)F進行歸一化F1=F-LminLmax-Lmin*256]]>(當(dāng)Lmax-Lmin?。?時)當(dāng)Lmax-Lmin＝0時，F(xiàn)1＝0。
通過上述算法得到的行間雜草圖與作物行內(nèi)雜草圖進行加運算，即得到田間雜草圖。
以上方法識別率高，解決了雜草與作物同為綠色而難以分辨的技術(shù)問題；同時，能夠快速、自動識別田間雜草，從而，為下一步變量施藥提供了依據(jù)。
權(quán)利要求
1.一種利用位置和紋理特征自動識別作物苗期田間雜草的方法，其特征在于，有以下步驟1)先采用數(shù)碼攝像機將條播作物苗期田間作物苗和雜草苗的視頻采集到DV帶中；然后，通過電纜把數(shù)碼攝像機和與安裝在計算機內(nèi)的視頻采集卡連接，導(dǎo)出采集的視頻文件，從導(dǎo)出的視頻文件中獲取幀圖像；2)利用計算機進行綠色植物和土壤背景的分割根據(jù)“超綠法”，即用顏色閾值指標(biāo)分割綠色植物和土壤背景；3)利用位置特征識別行間雜草根據(jù)綠色植物的象素直方圖，提取作物行的中心線和寬度，從而識別行間雜草；4)利用紋理特征識別行內(nèi)雜草以提取的作物中心線為基準(zhǔn)，向兩側(cè)選取紋理塊，計算綠色植物的紋理特征，識別行內(nèi)雜草；5)作物行間雜草圖與作物行內(nèi)雜草圖進行加運算，得到田間雜草圖。
2.如權(quán)利要求1所述的一種利用位置和紋理特征自動識別作物苗期田間雜草的方法，其特征在于在步驟1)中，還包括對條播作物苗期田間24bit RGB原始彩色圖像，根據(jù)超綠顏色指標(biāo)Extra-Green＝2G-R-B，轉(zhuǎn)換為8bit的灰度圖像；然后運用Otsu法將8bit的灰度圖像轉(zhuǎn)換為二值圖像，即黑白圖像，其中，綠色植物為前景—白色，土壤為背景—黑色。
3.如權(quán)利要求1所述的一種利用位置和紋理特征自動識別作物苗期田間雜草的方法，其特征在于在步驟3)中，還包括根據(jù)作物行距基本恒定的位置特征，通過統(tǒng)計列方向，即沿著作物行方向植物象素數(shù)，得到植物象素分布的直方圖f(x)f(x)=Σy=0H-1f(x,y)]]>x＝0，1，2，…W-1其中，f(x，y)表示圖像象素點(x，y)的灰度值，W為圖像的寬度，H為圖像的高度；根據(jù)綠色植物的象素直方圖，自動確定作物行中心的位置和行寬，位于行寬之外的植物象素即為行間雜草A)如果象素直方圖的一點P(x)＞＝threshold，則該點可能為一個記錄點；B)如果是第一個記錄點(i＝0)，則有當(dāng)P(x-5)＜threshold && P(x+5)＞threshold時，x為左邊界點，上升段，記錄該點；當(dāng)P(x-5)＞threshold && P(x+5)＜threshold時，x為右邊界點，下降段，記錄該點；當(dāng)P(x-5)＞threshold && P(x+5)＞threshold時，x為左邊界點，上升段，記錄該點；C)如果不是第一個記錄點(i?。?)，則有當(dāng)P(x-5)＜threshold && P(x+5)＞threshold &&前一個點為下降段點，x為左邊界點，上升段，記錄該點；當(dāng)P(x-5)＞threshold && P(x+5)＜threshold &&前一個點為上升段點，x為右邊界點，下降段，記錄該點。
4.如權(quán)利要求1所述的一種利用位置和紋理特征自動識別作物苗期田間雜草的方法，其特征在于在步驟4)中，還包括以作物行中心線為基準(zhǔn)來選取紋理塊，在8bit的綠色植物的H顏色分量的灰度中，分別提取紋理塊的灰度共生矩陣 其中，i＝f(x1，y1)，j＝f(x2，y2)，且有(x2，y2)＝(x1，y1)+(d cosθ，d sinθ)d，θ分別表示象素對間距離和角度；等號右邊的分子是具有某種空間關(guān)系、灰度值分別為g1和g2象素對的個數(shù)，分母為象素對的總和個數(shù)(#代表數(shù)量)；提取二階矩、熵、對比度、均勻性和相關(guān)性這5個紋理特征參數(shù)，然后利用無監(jiān)督特性的K-均值聚類法判別分析各塊的類別，從而識別行內(nèi)雜草。
全文摘要
本發(fā)明涉及一種田間雜草信息自動識別的方法。本發(fā)明公開的利用位置和紋理特征自動識別作物苗期田間雜草的方法，采取以下步驟1)先采用數(shù)碼攝像機將條播作物苗期田間作物苗和雜草苗的視頻采集到DV帶中；然后，通過電纜把數(shù)碼攝像機和與安裝在計算機內(nèi)的視頻采集卡連接，導(dǎo)出采集的視頻文件，從導(dǎo)出的視頻文件中獲取幀圖像；2)利用計算機進行綠色植物和土壤背景的分割；3)利用位置特征識別行間雜草；4)利用紋理特征識別行內(nèi)雜草；5)作物行間雜草圖與作物行內(nèi)雜草進行加運算，得到田間雜草圖。
文檔編號G06K9/00GK1936919SQ200510086509
公開日2007年3月28日 申請日期2005年9月23日 優(yōu)先權(quán)日2005年9月23日
發(fā)明者張小超, 毛文華, 曹晶晶 申請人:中國農(nóng)業(yè)機械化科學(xué)研究院