綠色作物特征提取方法以及農(nóng)業(yè)機械視覺導航系統(tǒng)的制作方法
【專利摘要】本發(fā)明實施例公開了一種綠色作物特征提取方法以及一種農(nóng)業(yè)機械視覺導航系統(tǒng)。該方法包括：獲取包含有綠色作物像素的待識別圖像；利用綠色植物特征提取GVFE和形態(tài)學開運算的組合來提取所述待識別圖像中的綠色作物像素，從而提取綠色作物特征。通過本發(fā)明實施例提供的方案，采用了將GVFE和形態(tài)學開運算組合，實現(xiàn)了從彩色圖像復雜土壤背景中實時提取綠色作物特征，從而可應用于農(nóng)業(yè)機械視覺導航系統(tǒng)等對實時性要求較高的場合。
【專利說明】綠色作物特征提取方法以及農(nóng)業(yè)機械視覺導航系統(tǒng)
【技術(shù)領域】
[0001]本發(fā)明涉及圖像處理與模式識別領域，尤其是涉及一種綠色作物特征提取方法以及農(nóng)業(yè)機械視覺導航系統(tǒng)。
【背景技術(shù)】
[0002]目前在現(xiàn)代農(nóng)業(yè)工程研究中，圖像處理與模式識別方法得到了越來越廣泛的應用。例如對于精細農(nóng)業(yè)中的自動導航和作業(yè)、作物生態(tài)檢測等，都需要對于所獲取的相應彩色圖像進行綠色作物識別，并相應地提取綠色作物特征，也即將綠色作物從非綠色的背景中分割出來，以便依據(jù)所提取出的綠色作物及其位姿信息進行進一步的精細農(nóng)業(yè)自動化作業(yè)和管理、農(nóng)業(yè)生態(tài)信息監(jiān)測等應用處理。尤其對于農(nóng)業(yè)機械自動視覺導航方面，在自然條件下作物生態(tài)環(huán)境的復雜性和土壤背景的復雜性都會影響綠色作物特征的實時圖像提取。
[0003]采用彩色圖像提取綠色作物特征的影響因素主要包括:土壤背景中的作物殘留物(如干枯的根和莖等)、不同作物質(zhì)材與土壤顏色的差異、交疊葉片的陰影、太陽光的入射角度、攝像頭相對于作物葉片和太陽的角度，以及背景土壤的干濕等。目前雖然已經(jīng)提出了一些綠色農(nóng)作物的識別方法，然而對于復雜土壤背景中的綠色作物特征實時提取方法并沒有令人滿意的解決方案。

【發(fā)明內(nèi)容】

[0004]為了解決上述問題，依據(jù)本發(fā)明的一個實施例，提供了一種綠色作物特征實時提取方法，包括:獲取包含有綠色作物像素的待識別圖像；利用綠色植物特征提取和形態(tài)學開運算的組合來提取所述待識別圖像中的綠色作物像素，從而提取綠色作物特征。
[0005]依據(jù)本發(fā)明的另一個實施例，提供了一種農(nóng)業(yè)機械視覺導航系統(tǒng)，包括:獲取裝置，用于獲取包含有綠色作物的待識別圖像；提取裝置，用于利用綠色植物特征提取GVFE和形態(tài)學開運算的組合來提取所述待識別圖像中的綠色作物像素，從而實時地分割綠色作物圖像。
[0006]通過本發(fā)明實施例提供的方案，采用了將GVFE和形態(tài)學開運算組合，實現(xiàn)了從彩色圖像復雜土壤背景中實時提取綠色作物特征，從而可應用于農(nóng)業(yè)機械視覺導航系統(tǒng)等對實時性要求較高的場合。
【專利附圖】

【附圖說明】
[0007]為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以依據(jù)這些附圖獲得其他的附圖。
[0008]圖1示出了依據(jù)本發(fā)明實施例的綠色作物特征實時提取方法的示意性流程圖；
[0009]圖2分別示出了在復雜土壤環(huán)境下使用GVFE方法和使用本發(fā)明實施例的方法的效果對比圖；以及
[0010]圖3示出了依據(jù)本發(fā)明實施例的農(nóng)業(yè)機械視覺導航系統(tǒng)的示意結(jié)構(gòu)圖【具體實施方式】
[0011]下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整的描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術(shù)人員在沒有作出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
[0012]目前，對于彩色圖像中的綠色作物特征的提取應用于農(nóng)業(yè)機械視覺導航方面，已公開了一些依賴于閾值的算法，如歸一化植物指數(shù)(normalized difference vegetationindex,NDVI)、超綠(excess green index, ExG)、超綠減超紅(excess green minus excessred, ExG-ExR)等，將圖像灰度化后，采用自動閾值法將作物從非綠色的背景中分離，但是這些算法依賴于需要優(yōu)化的閾值；若采用k均值聚類，則實時性較差，不能滿足農(nóng)業(yè)機械自動導航和作業(yè)的要求。另外，還有如采用mean shift和BP神經(jīng)網(wǎng)絡、mean shift和Fisher判別規(guī)則進行綠色作物的分割，但這些算法均比較復雜，不利于實時性要求較高的系統(tǒng)。尤其是由于實際應用中有較多的影響因素，且關(guān)系復雜，諸如照明變化、具有殘留物的復雜的土壤背景、雜草和石頭、陰影，以及干或濕的土壤背景等，在實際應用中使用現(xiàn)有的算法來進行綠色作物特征實時提取仍需進一步改進。
[0013]另外還公開了 一種綠色植物特征提取(green vegetation featureextraction, GVFE)方法。該方法證明對于綠色作物特征提取具有一定效果,且耗時較低,這是基于以下事實:在綠色作物區(qū)域中，大多數(shù)圖像像素分量中的綠色值比藍色值和紅色值更大。但是，在實際應用中，由于光照條件變化、復雜土壤背景等，非綠色作物像素中仍有一些與綠色作物具有相同特征的像素。光照條件變化例如來自于太陽照射角度變化、照相機相對于作物葉面和太陽的角度變化；復雜土壤背景包括作物根和莖的殘留物、石頭、陰影，以及土壤的干或濕等。這些情況導致進一步應用中的一些困難，例如機器視覺導航系統(tǒng)實時農(nóng)作物行的識別、采用無線傳感器網(wǎng)絡進行農(nóng)情信息實時檢測、在線作物生長狀態(tài)信息估計等。
[0014]為此,發(fā)明人注意到,形態(tài)學開運算(Morphological Opening, MO)是一種有效的工具，其可以在土壤背景中去除由于分散的雜草、光照變化或復雜土壤環(huán)境造成的噪聲點或小的噪聲區(qū)域，保留農(nóng)作物的綠色像素信息，以克服自然田間中遇到的上述隨機影響因素。
[0015]因此，依據(jù)本發(fā)明的實施例，提出了一種將GVFE和形態(tài)學開運算融合來提取綠色作物特征的方法(也可以稱為GVFE-MO方法)。圖1示出了所述方法的示意性流程圖。可見，該方法包括:
[0016]步驟110、獲取包含有綠色作物像素的待識別圖像。該待識別圖像可以是事先已經(jīng)準備好的圖像，或者可以是實時獲取的圖像。
[0017]作為例子，發(fā)明人在內(nèi)蒙古大學計算機學院的實驗場地中，在2011年6月7日，晴天，每秒均手動獲取一組戶外早期生長的玉米彩色數(shù)字圖像作為試驗圖像A組。使用Aiguo照相機，包括10組，每組10幅圖像，共100幅圖像，分辨率為3648*2736，格式為jpg。數(shù)碼相機的高度為1.2米，背景為典型的中國北方的干棕色紅土壤，其中存在一些雜草，殘留的枯干植物根和莖、石頭以及陰影，且每組拍攝時，數(shù)碼相機的位姿信息不同(對應于不同的光照條件)。在2011年6月4日下午從16:40至17:00，每秒手動獲取另一組玉米地的彩色數(shù)字圖像B組，使用Micro Vision攝像頭(MV-VD030SC)。圖像組B包括5組bmp格式的圖像，每組10幅，共50幅圖像，分辨率為480*640。攝像頭的高度為1.3米，在棕色土壤中存在一些雜草，殘留的枯干植物根和莖、石頭以及陰影。兩組圖像中早期生長的玉米高度均不超過30cm，且每組拍攝時，數(shù)碼相機的位姿信息不同(對應于不同的光照條件)。
[0018]步驟120、利用GVFE和形態(tài)學開運算的組合來提取所述待識別圖像中的綠色作物像素，從而提取綠色作物特征。
[0019]利用綠色植物特征提取GVFE和形態(tài)學開運算的組合來提取所述待識別圖像中的
綠色作物像素具體包括:利用以下等式來提取所述待識別圖像中的綠色作物像素:
[0020]
[0021]
【權(quán)利要求】
1.一種綠色作物特征提取方法，其特征在于，包括: 獲取包含有綠色作物像素的待識別圖像； 利用綠色植物特征提取GVFE和形態(tài)學開運算的組合來提取所述待識別圖像中的綠色作物像素，從而提取綠色作物特征。
2.依據(jù)權(quán)利要求1所述的方法，其特征在于， 利用綠色植物特征提取GVFE和形態(tài)學開運算的組合來提取所述待識別圖像中的綠色作物像素具體包括: 基于以下等式來提取所述待識別圖像中的綠色作物像素:
3.依據(jù)權(quán)利要求2所述的方法，其特征在于，在所述方法中，依據(jù)待識別圖像中的噪聲區(qū)域大小及其形狀來確定形態(tài)學開運算的結(jié)構(gòu)元素Belemmt的大小及其形狀形式。
4.依據(jù)權(quán)利要求3所述的方法，其特征在于，依據(jù)田間雜草的大小以及疏密程度來確定形態(tài)學開運算的結(jié)構(gòu)元素的大小及其形狀形式。
5.依據(jù)權(quán)利要求4所述的方法，其特征在于，對于田間早期生長的農(nóng)作物，一般將結(jié)構(gòu)元素大小選擇為4或5，形狀形式選擇為盤狀disk。
6.一種農(nóng)業(yè)機械視覺導航系統(tǒng)，其特征在于，包括: 獲取裝置，用于獲取包含有綠色作物的待識別圖像； 提取裝置，用于利用綠色植物特征提取GVFE和形態(tài)學開運算的組合來提取所述待識別圖像中的綠色作物像素，從而實時地分割綠色作物圖像。
7.依據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，所述提取裝置具體配置為基于以下等式來提取所述待識別圖像中的綠色作物像素:
8.依據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于，所述提取裝置進一步包括結(jié)構(gòu)元素確定裝置，用于依據(jù)待識別圖像中的噪聲區(qū)域大小及其形狀來確定形態(tài)學開運算的結(jié)構(gòu)元素的大小及其形狀形式。
9.依據(jù)權(quán)利要求8所述的系統(tǒng)，其特征在于，依據(jù)田間雜草的大小以及疏密程度來確定形態(tài)學開運算的結(jié)構(gòu)元素的大小及其形狀形式。
10.依據(jù)權(quán)利要求9所述的系統(tǒng)，其特征在于，對于田間早期生長的農(nóng)作物，一般將結(jié)構(gòu)元素大小選擇為4或5，形狀 形式選擇為盤狀disk。
【文檔編號】G06K9/46GK103778427SQ201210405746
【公開日】2014年5月7日 申請日期:2012年10月23日 優(yōu)先權(quán)日:2012年10月23日
【發(fā)明者】張志斌, 劉占, 劉彩霞, 許崗 申請人:內(nèi)蒙古大學