本發(fā)明涉及一種麥田作物行檢測方法，具體為一種基于特征點(diǎn)聚類的麥田作物行檢測方法，屬于數(shù)據(jù)處理應(yīng)用領(lǐng)域。

背景技術(shù)：

作為精準(zhǔn)農(nóng)業(yè)的一個重要組成部分，農(nóng)田作業(yè)機(jī)械的視覺導(dǎo)航技術(shù)越來越備受關(guān)注，并已廣泛應(yīng)用于農(nóng)作物種植、施肥、中耕除草等方面。檢測作物行中心線是進(jìn)行視覺導(dǎo)航的基礎(chǔ)。目前常用的作物行檢測算法有hough變換法和最小二乘法。hough變換算法受噪聲影響小，魯棒性強(qiáng)，缺點(diǎn)是算法的峰值檢測困難、時間復(fù)雜度和空間復(fù)雜度較大。為了減少計(jì)算量，xu等提出隨機(jī)霍夫變換，采用多到一的映射方法減少計(jì)算量，運(yùn)用動態(tài)鏈表來降低內(nèi)存。該改進(jìn)算法雖能一定程度上減少內(nèi)存，提高運(yùn)行速度，但對于帶有雜草的作物圖像，作物行檢測精度仍然不高；最小二乘法在用于提取導(dǎo)航線時，能夠快速檢測出作物行，但該方法的缺點(diǎn)是容易受到圖像噪聲干擾，當(dāng)圖像包含多個作物行時，不能直接采用最小二乘法進(jìn)行直線檢測。

技術(shù)實(shí)現(xiàn)要素：

為了解決現(xiàn)有技術(shù)存在的以上問題，本發(fā)明提出一種基于特征點(diǎn)聚類的麥田作物行檢測方法，主要包括以下步驟：

(1)用彩色相機(jī)拍攝小麥作物圖像；

(2)得到小麥作物二值圖像；

(3)運(yùn)用左右邊緣中心線檢測方法得到代表小麥作物行的候選特征點(diǎn)；

(4)運(yùn)用分布在直線周圍的特征點(diǎn)到該直線的距離均小于某一閾值的約束方法進(jìn)行特征點(diǎn)聚類，得到有效特征點(diǎn)；

(5)運(yùn)用最小二乘法對每一類中的有效特征點(diǎn)進(jìn)行直線擬合，從而檢測出各作物行。

具體地，步驟(4)中，

1)從上到下，從左到右掃描小麥作物二值圖像，找到所有像素值為1的特征點(diǎn)(xi,yi)，數(shù)據(jù)空間v中有n個特征點(diǎn)，且i＝1,2,3,...,n；

2)初始化距離閾值dbound，麥田作物行數(shù)num。

3)對于任一組合(km,bl)，對應(yīng)直線y＝kmx+bl，計(jì)算v中所有特征點(diǎn)(xi,yi)到直線y＝kmx+bl的距離d，其中1≤m≤max_m，km的步長為sk,1≤l≤max_l，bl的步長為sb,且當(dāng)m＝1時，bl從b1遍歷到bmax_l,且bmax_l＝bmax_l-1+sb，kmax_m＝kmax_m-1+sk,直至km從k1遍歷到kmax_m；

如果距離d小于閾值dbound，則該特征點(diǎn)認(rèn)為是屬于直線l的有效特征點(diǎn)。設(shè)一累加器始終記錄組合(km,bl)對應(yīng)的有效特征點(diǎn)個數(shù)的最大值，同時記錄該最大值對應(yīng)的km和bl的值；

4)步驟3)執(zhí)行完畢，根據(jù)累加器中的最大值對應(yīng)的km和bl的值，找出到直線y＝kmx+bl距離小于dbound的所有有效特征點(diǎn)，并將其存儲在一維數(shù)組中，第一作物行的有效特征點(diǎn)聚類完畢；

5)刪除4)中的參與聚類的特征點(diǎn)，更新數(shù)據(jù)集v，循環(huán)執(zhí)行步驟3)-4)，直到第num行的特征點(diǎn)聚類完畢。

更具體地，在上述步驟中，dbound為麥田寬度的一半。

由于本方法根據(jù)距離約束選擇覆蓋點(diǎn)最多的幾條直線，因此只要選取合適的距離閾值d，這些特征點(diǎn)的聚類結(jié)果基于能很好地代表作物行的走向。采用本發(fā)明后，計(jì)算量減少，克服了峰值檢測難的問題，且計(jì)算速度更快、擬合效果更準(zhǔn)確，對噪聲點(diǎn)較多的圖像具有很強(qiáng)的魯棒性。

附圖說明

圖1為小麥處于拔節(jié)期時的生長圖像。

圖2為圖1的預(yù)處理結(jié)果。

圖3為特征點(diǎn)聚類結(jié)果。

具體實(shí)施方式

1.圖像獲取。在圖片采集過程中，使用samsungs750彩色相機(jī)進(jìn)行拍攝，相機(jī)距離地面高度為1.1米，相機(jī)光軸與水平線夾角為30度或80度，圖像是大小為640pixel×480pixel或480pixel×640pixel的彩色圖像。實(shí)驗(yàn)所用的計(jì)算機(jī)配置為cpu主頻2.60ghz，內(nèi)存為1.88gb。圖像處理所用的軟件為matlabr2009a。

2.圖像預(yù)處理

2.1彩色圖像灰度化

本發(fā)明采用超綠色法即2g-r-b特征因子進(jìn)行分割。對圖1的灰度化結(jié)果如圖2a。

2.2圖像二值化

為了將作物信息從土壤、背景中分離出來，運(yùn)用otsu方法對圖2a進(jìn)行二值化處理，二值化結(jié)果如圖2b。

2.3特征點(diǎn)提取

為了減少圖像處理后期工作量，從二值圖像圖(2b)的作物行中運(yùn)用左右邊緣中心線檢測方法提取部分特征點(diǎn)表示作物行。特征點(diǎn)提取過程中，采用從上到下、從左到右的順序?qū)Χ祱D像進(jìn)行掃描。每行像素中，將作物看作由長度不同的白色線段組成，取各個線段的中點(diǎn)作為代表作物行的特征點(diǎn)。具體方法如下:對當(dāng)前行從左到右進(jìn)行掃描，當(dāng)像素值從0(背景)跳變到1(作物)，則像素值為1的像素點(diǎn)被視為線段的起點(diǎn)leftx，圖像繼續(xù)向右掃描，當(dāng)像素值從1(作物)跳變到0(背景)，則該像素值為1的像素點(diǎn)被視為線段的終點(diǎn)rightx。設(shè)置一個長度閾值，將長度小于閾值的線段上所有像素視為偽像素點(diǎn)，反之，取該線段的中點(diǎn)為所要找的特征點(diǎn)。接著從rightx后的第二個像素點(diǎn)進(jìn)行掃描，直至掃描結(jié)束。特征點(diǎn)提取圖像如圖2c。

3、特征點(diǎn)聚類。目標(biāo)圖像經(jīng)以上步驟處理后，獲得代表作物行的特征點(diǎn)圖像。根據(jù)每一作物行的特征點(diǎn)應(yīng)該大致分布在由特征點(diǎn)決定的直線附近的特點(diǎn)，提出以下聚類方法：屬于同一類的特征點(diǎn)到目標(biāo)直線的距離d值很接近，假設(shè)v表示特征點(diǎn)構(gòu)成的數(shù)據(jù)空間，y＝kx+b表示離散在圖像如圖2c中的直線，計(jì)算v中所有特征點(diǎn)到這些直線的距離，尋找特征點(diǎn)覆蓋最多的幾條直線即為目標(biāo)作物行中心線。

具體步驟如下：

(1)從上到下，從左到右掃描特征點(diǎn)圖像(圖2c)，找到所有像素值為1的特征點(diǎn)，存儲其位置信息。

(2)設(shè)置兩個參數(shù)k,b，k的取值范圍為k1到km，步長為w1，b的取值范圍為b1到bl，步長為w2。用直線的斜截式表示直線方程為y＝kx+b，該特征點(diǎn)圖像中有很多條離散的直線。

(3)該數(shù)據(jù)空間v中有n個特征點(diǎn)(x1,y1),(x2,y2)…,(xn,yn)。初始化一個0矩陣num，大小為m×n，其中

對任一組合(k,b)，從上到下，從左到右掃描圖像，計(jì)算v中特征點(diǎn)(xn,yn)到直線y＝kx+b的距離d，

設(shè)定一個距離閾值dbound，根據(jù)麥田特征，dbound為麥田寬度的一半。如果d小于dbound，則num[i,j]＝num[i,j]+1。

(4)找出num中最大值所對應(yīng)的位置對應(yīng)的k,b，找出到該當(dāng)前直線y＝kx+b距離小于dbound的所有點(diǎn)，并將其位置索引記錄在ntemp[]中，ntemp[]為1×n的一維數(shù)組，n的取值由滿足距離約束條件的特征點(diǎn)的個數(shù)決定。一類聚類完畢。

(5)刪除記錄在ntemp[]中的位置索引對應(yīng)的所有特征點(diǎn)，循環(huán)執(zhí)行(1)-(4)，該循環(huán)次數(shù)由要檢測的作物行數(shù)確定。

圖3把特征點(diǎn)分為六類，剔除不滿足距離約束條件的點(diǎn)，留下能代表目標(biāo)作物行中心線的特征點(diǎn)。

4、基于最小二乘法的作物行中心線檢測。

由于離散在特征點(diǎn)圖像的直線有限，容易受到噪聲點(diǎn)的干擾。因此，本發(fā)明通過先聚類，再進(jìn)行最小二乘法擬合，從而提高最小二乘法的適應(yīng)性。先運(yùn)用分布在某條直線周圍的點(diǎn)到該直線的距離均小于某一閾值的距離約束對特征點(diǎn)聚類，得到點(diǎn)集，然后在點(diǎn)集上用最小二乘法擬合直線。具體方法如下：

(1)找出num中最大值所對應(yīng)的位置對應(yīng)的k，b的值，找到點(diǎn)到該目前直線y＝kx+b距離小于dbound的所有點(diǎn)，并將其位置索引記錄在ntemp[]中。

(2)將記錄在ntemp[]中的位置索引值對應(yīng)的所有特征點(diǎn)用最小二乘法進(jìn)行直線擬合。

(3)刪除上述步驟(2)中的特征點(diǎn)，循環(huán)執(zhí)行第3步中的(1)-(4)，直至找出所有的目標(biāo)直線。

由于本方法根據(jù)距離約束選擇覆蓋點(diǎn)最多的幾條直線，因此只要選取合適的距離閾值d，這些特征點(diǎn)的聚類結(jié)果基于能很好地代表作物行的走向。采用本發(fā)明后，計(jì)算量減少，克服了峰值檢測難的問題，且計(jì)算速度更快、擬合效果更準(zhǔn)確，對噪聲點(diǎn)較多的圖像具有很強(qiáng)的魯棒性。

本發(fā)明亦適用于點(diǎn)播作物如大豆、玉米等的行檢測。