本發(fā)明涉及精準(zhǔn)農(nóng)業(yè)領(lǐng)域和無人機(jī)農(nóng)業(yè)應(yīng)用領(lǐng)域，尤其是涉及一種基于航拍圖像的煙草植株識(shí)別與計(jì)數(shù)方法。
背景技術(shù)：
：煙草是我國主要的經(jīng)濟(jì)作物和重要的稅收來源，我國的煙草總產(chǎn)量占全世界的41.5％。為了對(duì)煙草種植進(jìn)行宏觀調(diào)控和精準(zhǔn)管理，需要對(duì)煙草種植產(chǎn)量進(jìn)行精準(zhǔn)的估算。傳統(tǒng)的方法主要有兩種：一是通過測量煙草種植的面積來估算煙草產(chǎn)量；二是通過專業(yè)的煙草技術(shù)人員人工清點(diǎn)煙草的株數(shù)，但是這些傳統(tǒng)方法的效率低、準(zhǔn)確度低、數(shù)據(jù)可靠性差。然而，精準(zhǔn)農(nóng)業(yè)是當(dāng)前全球農(nóng)業(yè)發(fā)展的大勢所趨，其中對(duì)農(nóng)作物的產(chǎn)量的精準(zhǔn)估計(jì)是實(shí)現(xiàn)精準(zhǔn)農(nóng)業(yè)管理的一個(gè)重要方面。很顯然，煙草植株產(chǎn)量估計(jì)的傳統(tǒng)方法已經(jīng)無法達(dá)到精準(zhǔn)農(nóng)業(yè)的要求。此外，無人機(jī)技術(shù)的迅速崛起促進(jìn)了我國農(nóng)業(yè)現(xiàn)代化的進(jìn)程，其中最具有代表性的農(nóng)業(yè)無人機(jī)是深圳市大疆創(chuàng)新科技有限公司2015年推出的一款智能農(nóng)業(yè)噴灑防治無人機(jī)MG-1，它的作業(yè)效率高，能夠節(jié)省大量的人力物力，有利于環(huán)境保護(hù)。無人機(jī)在精準(zhǔn)農(nóng)業(yè)領(lǐng)域有著廣泛的應(yīng)用，無人機(jī)可以搭載各種各樣的傳感器采集環(huán)境中的數(shù)據(jù)，其中搭載攝像頭進(jìn)行航拍是常用的一個(gè)功能。本發(fā)明對(duì)航拍的煙草圖像進(jìn)行分析，識(shí)別煙草植株并且計(jì)數(shù)，可以提高統(tǒng)計(jì)效率和精確性。航拍圖片中一般包含的場景非常復(fù)雜，圖片中會(huì)有各種各樣的植物，需要從復(fù)雜的場景中識(shí)別出煙草植株。還有煙草植株與植株之間相互交叉在一起，需要把交叉在一起的煙草植株分成單株煙草。如何提取煙草植株特征，有效區(qū)分植株之間，進(jìn)行分區(qū)域統(tǒng)計(jì)，是實(shí)現(xiàn)航拍圖像的煙草植株識(shí)別與計(jì)數(shù)難點(diǎn)和重點(diǎn)。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提供了一種基于航拍圖像的煙草植株識(shí)別與計(jì)數(shù)方法，使用圖像處理算法來識(shí)別與計(jì)數(shù)航拍圖像中的煙草植株，從而可以進(jìn)一步實(shí)現(xiàn)對(duì)煙草產(chǎn)量的精準(zhǔn)估計(jì)。為了達(dá)到上述發(fā)明的目的，采用以下技術(shù)方案：為解決上述現(xiàn)有技術(shù)問題，本發(fā)明提供的一種基于航拍圖像的煙草植株識(shí)別與計(jì)數(shù)方法，包括以下步驟：S1：使用無人機(jī)拍攝煙草種植區(qū)域，得到煙草植株航拍圖像；S2：對(duì)航拍圖像進(jìn)行預(yù)處理，分割出煙草植株的候選區(qū)域；S3：提取煙草植株候選區(qū)域的顏色特征和紋理特征用于分類器分類；S4：根據(jù)提取的煙草植株候選區(qū)域特征，使用分類器對(duì)煙草植株候選區(qū)域進(jìn)行分類；S5：統(tǒng)計(jì)分類結(jié)果，在原航拍圖像中標(biāo)記出檢測到的煙草植株。進(jìn)一步的，所述S1中，無人機(jī)拍攝時(shí)，拍攝角度在向下，拍攝角度在與垂直方向相差30度的范圍之內(nèi)。高度一般為15到25米，無人機(jī)的高度和拍攝角度必須確保拍攝到的煙草植株圖像清晰。進(jìn)一步的，所述S2是利用煙草植株的中心區(qū)域與周圍區(qū)域的色差分割出煙草植株的中心區(qū)域，再對(duì)分割出的煙草植株的中心區(qū)域的圖像進(jìn)行距離變換，再使用過綠操作去除非綠部分，最終獲得煙草植株候選區(qū)域。進(jìn)一步的，所述的利用煙草植株中心區(qū)域與周圍區(qū)域的色差分割出煙草植株的中心區(qū)域時(shí)，將航拍圖像轉(zhuǎn)換到Lab空間，選取Lab空間中的a通道或者b通道，煙草植株的中心區(qū)域?yàn)樗x取通道的圖像中的局部極值，分割出局部極值區(qū)域，分割出來的局部極值區(qū)域就是煙草植株的中心區(qū)域。在對(duì)該航拍圖像進(jìn)行預(yù)處理時(shí)，可以選取Lab空間的a通道或者b通道，還可以選擇其它能體現(xiàn)色差的顏色空間中的通道，如YCBCR顏色空間中的通道。進(jìn)一步的，在分割局部極值區(qū)域前需要進(jìn)行降噪處理，采用的降噪方法為對(duì)已選通道的圖像進(jìn)行腐蝕，然后進(jìn)行形態(tài)學(xué)重建。降噪方式還可以選用其他方法，如高斯濾波器，中值濾波器。進(jìn)一步的，所述對(duì)分割出煙草植株的中心區(qū)域的圖像進(jìn)行距離變換，是將非煙草植株中心區(qū)域像的像素分配給離它最近的煙草中心區(qū)域。進(jìn)一步的，所述S3提取的煙草植株候選區(qū)域特征包括顏色特征和紋理特征，顏色特征包括綠色通道的直方圖以及RGB空間、HSV空間每個(gè)通道的平均值和方差；紋理特征包括綠色通道的一階導(dǎo)數(shù)的和二階導(dǎo)數(shù)的平均值和方差。進(jìn)一步的，所述S4中，選用的SVM分類器對(duì)候選區(qū)域進(jìn)行分類，也可以選用其他類型的分類器。與傳統(tǒng)方法相比，本發(fā)明通過使用無人機(jī)拍攝煙草種植區(qū)域，利用圖像識(shí)別方法來識(shí)別與計(jì)數(shù)煙草植株，效率更高、準(zhǔn)確度更高、數(shù)據(jù)更可靠、操作簡單；本發(fā)明將無人機(jī)用于現(xiàn)代精準(zhǔn)農(nóng)業(yè)，可以實(shí)現(xiàn)對(duì)煙草產(chǎn)量的精準(zhǔn)估計(jì)，能夠用于煙草種植的精準(zhǔn)管理。附圖說明圖1為本發(fā)明基于航拍圖像的煙草植株識(shí)別與計(jì)數(shù)方法的步驟流程圖；圖2為本發(fā)明利用無人機(jī)拍攝獲取的煙草植株圖像；圖3為本發(fā)明對(duì)所獲取的煙草植株圖像進(jìn)行預(yù)處理的流程圖；圖4為本發(fā)明基于圖2的煙草植株圖像的局部放大圖；圖5為本發(fā)明所獲取的煙草植株圖像轉(zhuǎn)換到Lab空間中選取b通道的圖像；圖6為本發(fā)明對(duì)所獲取的煙草植株圖像進(jìn)行預(yù)處理得到的煙草植株中心區(qū)域圖像；圖7為本發(fā)明基于圖4進(jìn)行距離變換的示意圖；圖8為本發(fā)明所獲得的煙草植株候選區(qū)域的示意圖。圖9為本發(fā)明基于圖2的煙草植株圖像的識(shí)別與計(jì)數(shù)結(jié)果圖的局部放大圖。具體實(shí)施方式本發(fā)明有多種不同形式的實(shí)施例，下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步的描述。實(shí)施例1如圖1所示，本發(fā)明提供一種基于航拍圖像的煙草植株識(shí)別與計(jì)數(shù)方法，該方法包括以下步驟：S1，使用無人機(jī)拍攝煙草種植區(qū)域，得到煙草植株航拍圖像；S2：對(duì)航拍圖像進(jìn)行預(yù)處理，分割出煙草植株的候選區(qū)域；S3：提取煙草植株候選區(qū)域的顏色特征和紋理特征用于分類器分類；S4：根據(jù)提取的煙草植株候選區(qū)域特征，使用分類器對(duì)煙草植株候選區(qū)域進(jìn)行分類；S5：統(tǒng)計(jì)分類結(jié)果，在原航拍圖像中標(biāo)記出檢測到的煙草植株。如圖2所示，首先使用大疆無人機(jī)精靈4在煙草種植田的上空進(jìn)行航拍獲取煙草植株圖像，總共拍攝了12幅圖像。為確保所獲得的該煙草植株圖像中的煙草植株的清晰度，拍攝前對(duì)無人機(jī)的高度和角度進(jìn)行調(diào)整，高度為15到25米，拍攝角度垂直向下。如圖3所示，按照圖3的步驟對(duì)航拍圖像進(jìn)行預(yù)處理，利用煙草植株的中心區(qū)域與周圍區(qū)域的色差分割出煙草植株的中心區(qū)域。如圖4所示，由于煙草植株的中心區(qū)域32都是嫩葉，所以煙草植株的中心區(qū)域與周圍區(qū)域31存在色差，在該實(shí)施例中，將該航拍圖像從RGB空間轉(zhuǎn)換到Lab空間，選取Lab空間的b通道。如圖5所示，可以觀察到該煙草植株的中心區(qū)域?yàn)榫植孔盍羺^(qū)域。對(duì)所選取的通道的圖像使用大小為5的結(jié)構(gòu)元進(jìn)行腐蝕，然后對(duì)進(jìn)行過腐蝕的圖像進(jìn)行形態(tài)學(xué)重建，去除噪聲。對(duì)進(jìn)行形態(tài)學(xué)重建后的圖像分割局部最大值，如圖6所示，分割出的每一個(gè)連通區(qū)域表示一棵煙草植株的中心區(qū)域。如圖7所示，對(duì)分割出的該煙草植株中心區(qū)域的圖像進(jìn)行距離變換，將圖像中的非煙草中心區(qū)域的像素分配給離它最近的煙草中心區(qū)域的植株形成一個(gè)完整的煙草植株區(qū)域。如圖8所示，使用過綠操作去除該完整煙草植株區(qū)域中的非綠色部分，最終得到該煙草植株的候選區(qū)域。提取上述的煙草植株候選區(qū)域的特征。提取的特征主要包括顏色特征和紋理特征，該顏色特征包括綠色通道的直方圖以及RGB空間、HSV空間每個(gè)通道的平均值和方差；該紋理特征包括綠色通道的一階導(dǎo)數(shù)的和二階導(dǎo)數(shù)的平均值和方差。根據(jù)提取的煙草植株候選區(qū)域特征，使用分類器對(duì)該煙草植株候選區(qū)域進(jìn)行分類，并統(tǒng)計(jì)分類結(jié)果，在該航拍圖像中標(biāo)記出檢測到的煙草植株。在該實(shí)施例中，將無人機(jī)拍攝的12幅圖像分成訓(xùn)練集和測試集，訓(xùn)練集2幅，測試集10幅。首先，隨機(jī)的對(duì)訓(xùn)練集中的該煙草植株候選區(qū)域進(jìn)行人工標(biāo)記樣本，煙草植株區(qū)域標(biāo)記為正樣本，非煙草植株標(biāo)記為負(fù)樣本，正負(fù)樣本的數(shù)量各1500個(gè)，使用這些樣本的特征訓(xùn)練出SVM分類模型。然后，使用SVM分類模型對(duì)該煙草植株候選區(qū)域進(jìn)行分類，提取每一顆煙草植株候選區(qū)域的特征，根據(jù)每一顆煙草植株候選區(qū)域的特征使用訓(xùn)練好的該SVM分類模型進(jìn)行分類。如圖9所示，黑色小方塊表示檢測到的煙草植株。請參閱表1，統(tǒng)計(jì)分類的結(jié)果為正的區(qū)域數(shù)，則為煙草植株的數(shù)量。表1圖像編號(hào)真實(shí)數(shù)量(株)檢測到的數(shù)量(株)訓(xùn)練集0117541809訓(xùn)練集0217671813測試集0124572413測試集0230992718測試集0328662648測試集0422972348測試集0516771796測試集0625642429測試集0720541995測試集0812081263測試集0932823460測試集1034303195當(dāng)前第1頁1 2 3