基于MATLAB數(shù)字圖像處理雜草識別

1、基于MATLAB數(shù)字圖像處理雜草識別基于數(shù)字圖像處理的雜草識別班級：信息5班組員：李輝李少杰李港深胡欣陽學(xué)號：0414139404141395041413930414139指導(dǎo)教師：蔡利梅組員分工：李輝：部分程序，查找資料李少杰：實驗報告，PPT,演講李港深：部分程序，實驗報告胡欣陽：部分程序，實驗報告摘要雜草同農(nóng)田作物爭奪陽光和養(yǎng)分，嚴(yán)重影響了農(nóng)作物的生長。為了達(dá)到除草的目的，人們開始噴灑大量的除草劑來進(jìn)行除草。可是卻忽略了除草劑的不當(dāng)使用給人、畜以及環(huán)境造成的危害。本文從實際應(yīng)用出發(fā)，設(shè)計了一個基于數(shù)字圖像處理的雜草圖像特征提取及識別設(shè)計方案。運行在參考了前人研究成果的基礎(chǔ)上，不斷將算法改

2、進(jìn)，找出適合于MATLAB雜草識別的可行性方法。本文對雜草圖像的處理和識別方法進(jìn)行研究。采集來的圖像經(jīng)常會有模糊現(xiàn)象的發(fā)生，對模糊圖像的恢復(fù)處理做了大量的研究試驗，得出維納濾波具有較好的恢復(fù)效果；綠色植物和土壤背景的分割試驗中，提出了一種基于彩色圖像的二值化方法，可以不經(jīng)過彩色圖像灰度化就能夠直接把綠色植物與土壤背景分割開，和以往的分割方法相比處理速度快，分割效果好，更加滿足實時性；雜草和作物的分割主要研究了行間雜草和作物的分割，參考國內(nèi)外資料，并進(jìn)行研究試驗，表明運用位置特征識別法有很好的分割效果，尋找作物中心行采用了簡單快速的像素位置直方圖法，采用了區(qū)域生長，和其他方法相比減少了重復(fù)操作，

3、節(jié)省了時間，滿足實時處理的要求；分割后的圖像為只含有雜草的二值圖像，通常會有一些殘余的葉片和顆粒的噪聲，通過形態(tài)學(xué)濾波或中值濾波去除噪聲。1、研究目的及意義雜草是生態(tài)系統(tǒng)中的一員,農(nóng)田雜草是農(nóng)業(yè)生態(tài)系統(tǒng)中的一個組成部分，它直接或間接的影響著農(nóng)業(yè)生產(chǎn)，給經(jīng)濟(jì)作物帶來很大的危害。雜草不僅與農(nóng)作物爭奪陽光、水分、肥料、還與作物爭奪生存空間，不經(jīng)過及時的處理，會阻礙作物生長，導(dǎo)致作物產(chǎn)量的下降，產(chǎn)品質(zhì)量受損，甚至妨礙農(nóng)作物收獲，增加生產(chǎn)費用1。據(jù)統(tǒng)計,目前世界上共有雜草近5萬種,農(nóng)田雜草8000多種，而危害主要糧食作物的約有250多種。在我國，雜草分布區(qū)域也十分廣泛，據(jù)我國農(nóng)業(yè)植?？傉窘暾{(diào)查發(fā)現(xiàn)，我

4、國農(nóng)田雜草約1500多種，其中給農(nóng)作物造成嚴(yán)重危害的雜草有17種；危害范圍較廣、危害較嚴(yán)重的主要雜草有31種；地域性雜草有24種；一般不對農(nóng)作物造成較嚴(yán)重危害的次要雜草有183種2。為了減輕草害，人們投入了大量的人力與物力。統(tǒng)計表明，美國每年因為雜草在64種農(nóng)作物中造成的損失達(dá)75億美元，而每年用于化學(xué)除草的費用高達(dá)36億美元，用于機(jī)械和其它除草的費用達(dá)26億美元3。我國用在除草上的勞動量也高達(dá)20-30億個勞動日，即便如此，我國草害造成的糧食損失平均達(dá)13.4，年損失糧食產(chǎn)量約17500kt4。人們?yōu)榱藴p輕雜草對農(nóng)作物的危害以及造成的經(jīng)濟(jì)損失，經(jīng)常采用的幾種除草方法包括機(jī)械除草、化學(xué)除草、人

5、力除草、靜電除草，還有生物除草等。人力除草由于浪費人力，效率又低，現(xiàn)在很少被使用；機(jī)械除草雖然效率較高，對環(huán)境污染小，但需消耗大量的動力，造成土壤壓實，對下茬作物的生長不利；靜電除草能除掉部分雜草，但可能造成作物燒傷，甚至影響土壤結(jié)構(gòu)，降低土壤的生產(chǎn)能力；生物除草是從分子生物學(xué)角度進(jìn)行研究，利用動物、昆蟲、病菌等方法防除某些雜草,但還沒有真正應(yīng)用于生產(chǎn)。目前應(yīng)用最廣泛的除草方法是化學(xué)除草，化學(xué)除草是利用化學(xué)農(nóng)藥（除草劑）進(jìn)行防除雜草的方法，其主要特點是高效、省工，尤其是可以免去繁重的田間除草勞動，解放田間的勞動力，正因為化學(xué)除草具有其他除草方法所不具備的優(yōu)點而被廣泛應(yīng)用。但是，在人們大量的使用

6、除草劑防治草害的同時，也產(chǎn)生了許多不良影響，如污染農(nóng)副產(chǎn)品及破壞生態(tài)平衡。人們從化學(xué)除草所帶來的負(fù)面影響，已深刻認(rèn)識到單純依賴化學(xué)防治和“地毯式”大量噴灑除草劑的錯誤做法5。因此，想到應(yīng)該采取一些有利的措施，既能有效的消除草害，提高糧食作物的產(chǎn)量，又能保護(hù)好人們的生存環(huán)境，達(dá)到可持續(xù)發(fā)展的目的，這就使得科學(xué)工作者對雜草控制新方法的研究成為了必然。針對這種情況，通過研究，我們利用圖像處理技術(shù)來識別雜草并確定雜草的位置和類別，從而為作物田間精確噴灑除草劑的自動化作業(yè)提供理論與技術(shù)支持。2、雜草識別的研究方法主要有：顏色特征分析法、形狀特征分析法、紋理特征分析法、光譜分析法和位置特征分析法與區(qū)域生長

7、法。1. 顏色特征分析法顏色特征分析法是用于雜草識別的重要方法。在大自然中，植物呈現(xiàn)綠色，土壤呈黃褐色，巖石和無生命的植物殘渣呈淡黃色。根據(jù)植物和背景的顏色特征差異就可以將植物從復(fù)雜的土壤背景中分離出來。有些雜草的莖呈現(xiàn)褐色，根據(jù)雜草和作物的顏色差異能夠?qū)⑺鼈儏^(qū)分開。2. 形狀特征分析法形狀特征分析法是利用植物的葉片形狀差異進(jìn)行識別?；拘螤钐卣靼娣e、周長、長度和寬度等，根據(jù)這幾個基狀匹配函數(shù)來識別雜草種類，他們研究了3種草（筒麻、狐尾草和打碗花）和大豆苗在子葉生長期的形狀。這種方法不受子葉的大小和方向的影響，但當(dāng)葉子形狀復(fù)雜和葉子數(shù)目較多時卻無能為力。3. 紋理特征分析法紋理是由很多細(xì)小

8、的單元構(gòu)成，從整體上能反應(yīng)某種規(guī)律性，其灰度分布表現(xiàn)出某種周期性。仔細(xì)觀察，會發(fā)現(xiàn)植物的葉片有著不同的紋理。因而可以利用葉面的紋理信息來識別作物和雜草。用于特征提取的紋理特征為：共生矩陣、方向行灰度級能量、方向濾波掩模和分形維數(shù)、局部極值等。4. 光譜分析的識別方法光譜分析方法是根據(jù)物體對光的反射特性的不同，利用雜草、農(nóng)作物和土壤背景的反射光譜的不同進(jìn)行分析，達(dá)到識別雜草的目的。植物在生長過程中，由于植物葉面組織結(jié)構(gòu)的不同，對一定波長的太陽光吸收和反射也有所不同，因此可利用這種特性來區(qū)分雜草、作物和土壤背景。5. 位置分布特征法位置分布特征法是基于作物的規(guī)律性種植提出的一種快速識別作物和行間雜

9、草的方法。利用這種方法可以計算出雜草在田間分布的密度，對于條播作物除草具有廣泛的研究意義和價值。HJ01sen曾經(jīng)采用縱向統(tǒng)計灰度值的方法，提取作物行信息，從而達(dá)到識別的目的。6. 區(qū)域生長法區(qū)域生長法是指將成組的像素或區(qū)域發(fā)展成更大區(qū)域的過程。從種子點的集合開始，從這些點的區(qū)域增長是通過將與每個種子點有相似屬性像強(qiáng)度、灰度級、紋理顏色等的相鄰像素合并到此區(qū)域。3、課題研究的主要內(nèi)容：本課題以農(nóng)作物為研究對象，以實現(xiàn)雜草的采集、處理、識別為目的，在總結(jié)前人研究成果的基礎(chǔ)上，結(jié)合已有的雜草識別理論和方法，研究適合基于MATLAB數(shù)字圖像處理的雜草實時處理與識別的方法，并在MATLAB平臺上進(jìn)行圖

10、像的采集、處理及識別測試。通過不同方法的對比實驗，提高處理與識別速度，并為農(nóng)田機(jī)器視覺的雜草識別提供良好的理論基礎(chǔ)。研究內(nèi)容如下：1圖像的采集；2雜草與背景分離的研究設(shè)計。分析顏色特征，然后依據(jù)顏色特征將彩色圖像轉(zhuǎn)化成灰度圖像；然后利用閾值分割中的迭代運算進(jìn)行了分離試驗；3農(nóng)作物與雜草分離的研究設(shè)計。利用農(nóng)作物大部分雜草分布于作物之間的特點，采取區(qū)域生長法分離農(nóng)作物與雜草；4得到的圖像有明顯的雜質(zhì)，先將圖像進(jìn)行二值化，然后再通過形態(tài)學(xué)濾波法濾除雜質(zhì)，得到結(jié)果。4、雜草圖像特征提取及識別系統(tǒng)概述實驗系統(tǒng)的整體結(jié)構(gòu)：本實驗系統(tǒng)實現(xiàn)了從雜草圖像采集、處理、識別的一系列過程，通過軟件接口與單片機(jī)等硬件

11、相連，使得整個系統(tǒng)能夠順利運行。下面是系統(tǒng)的組成結(jié)構(gòu)圖：系統(tǒng)整體結(jié)構(gòu)框圖實驗系統(tǒng)流程圖：5. 雜草與土壤背景實時分割的研究1. 圖像分割概述：圖像分割是圖像處理當(dāng)中最重要的部分，也是一種基本的計算機(jī)視覺技術(shù)。它根據(jù)某種同一性把一整幅圖像劃分為若干子區(qū)域，每一區(qū)域?qū)?yīng)于某一物體或物體的一部分。進(jìn)行圖像分割的最終目的是為了對景物或物體進(jìn)行描述，而許多不同種類的圖像或景物部分都可作為據(jù)以分割的分片，并且有許多不同的方法可從圖像中提取這些部分。圖像分割分為灰度圖像分割和彩色圖像分割，它們的大部分算法在分割思想上是一致的，只是彩色圖像要比灰度圖像包含著更多的信息，而且具有多種彩色空間表達(dá)方式。盡管人們在

12、圖像分割方面做了許多研究工作，但由于沒有通用的分割理論，現(xiàn)已提出的分割算法大都是針對具體問題的，并沒有一種適合所有圖像的通用分割算法。那么彩色圖像分割算法的關(guān)鍵就在于利用豐富的彩色信息達(dá)到圖像分割的目的。本課題中的圖像分割，主要是去除雜草圖像中的土壤背景。為了將綠色植物與土壤有效的分割，需要對原始圖像數(shù)據(jù)進(jìn)行變換，從而得到最能反映分類本質(zhì)的特征。對于彩色圖像分割的問題，首先要選擇好合適的方法，利用這個顏色特征將彩色圖像轉(zhuǎn)變成灰度圖像，再確定閾值將灰度圖像二值化。2. 閾值分割方法：利用上述顏色特征組合將彩色圖像轉(zhuǎn)化成灰度圖像，然后根據(jù)圖像中要提取的雜草區(qū)與背景區(qū)在灰度特性上的差異把圖像視為具有

13、不同灰度級的區(qū)域組合，通過選取閾值將雜草區(qū)域從背景中分離出來。采用閾值法分割閾值的選取至關(guān)重要，如果閾值選得過高，則過多的目標(biāo)點將被誤分為背景，閾值選的過低，則目標(biāo)點不能完全分離出.這將影響分割后二值圖像目標(biāo)大小和形狀，甚至使目標(biāo)丟失。因此，本書中采用迭代法求取最佳閾值的分割算法，具體步驟如下:1求出圖像中最大和最小灰度值S1和Sh,令初始閾值為:rp$丿®T0=2. 根據(jù)閾值Tk將灰度圖像分成目標(biāo)和背景兩部分(第一次分割時Tk二TO),然后求出目標(biāo)和背景兩部分的平均灰度值S1和S2：式中：S(i,j)為圖像上(i,j)點的灰度值；N(i,j)為(i,j)點的權(quán)重系數(shù)，一般來說N(i

14、,j)=1或者0；3. 求出新的閾值：1kf124. 如果Tk=Tk+1則算法結(jié)束;否者kfk+1轉(zhuǎn)步驟2繼續(xù)執(zhí)行。3區(qū)域生長：區(qū)域生長是指從圖像的某個位置開始,使每塊區(qū)域變大,直到被比較的像素與區(qū)域像素具有顯著差異為止。具體實現(xiàn)時,在每個要分割的區(qū)域內(nèi)確定一個種子點,判斷種子像素周圍鄰域是否具有與種子像素相似的像素,若有,就將新的像素包含到區(qū)域內(nèi),并作為新的種子繼續(xù)生長,直到?jīng)]有滿足條件的像素點時為止。區(qū)域生長實現(xiàn)分割有下列三個關(guān)鍵技術(shù),不同的算法主要區(qū)別在于這三點的不同。1. 種子點的選取。通常選擇待提取區(qū)域的具有代表性的點,可以是單個像素也可以是包括若干個像素的子區(qū)域,可根據(jù)具體問題利用

15、先驗知識來選擇。2. 生長準(zhǔn)則的確定（相似性準(zhǔn)則）。一般根據(jù)圖像的特點，采用與種子點的距離度量（彩色、灰度、梯度等量之間的距離）。3. 區(qū)域停止生長的條件。可以采用區(qū)域大小、迭代次數(shù)或區(qū)域飽和等條件。4、形態(tài)學(xué)濾波：數(shù)學(xué)形態(tài)學(xué)是由一組形態(tài)學(xué)的代數(shù)運算子組成的，它的基本運算有4個：膨脹（或擴(kuò)張）、腐蝕（或侵蝕）、開啟和閉合，它們在二值圖像和灰度圖像中各有特點?；谶@些基本運算還可推導(dǎo)和組合成各種數(shù)學(xué)形態(tài)學(xué)實用算法，用它們可以進(jìn)行圖像形狀和結(jié)構(gòu)的分析及處理，包括圖像分割、特征抽取、邊緣檢測、圖像濾波、圖像增強(qiáng)和恢復(fù)等。濾波使用的幾種簡單對稱結(jié)構(gòu)元素（圓形、方形、菱形）如下圖所示：基本形態(tài)學(xué)變換：1

16、膨脹運算：膨脹是將與物體接觸的所有背景點合并到該物體中，使邊界向外部擴(kuò)張的過程?？梢杂脕硖钛a(bǔ)物體中的空洞。一般意義的膨D=X召=（“）|第c蠱產(chǎn)麗脹概念定義為2.腐蝕運算：腐蝕是一種消除邊界點，使邊界向內(nèi)部收縮的過程?？梢杂脕硐∏覠o意義的物體。一般意義的腐蝕概念定義為3. 開運算（先腐蝕后膨脹）：先腐蝕后膨脹的過程稱為開運算。用來消除小物體、在纖細(xì)點處分離物體、平滑較大物體的邊界的同時并不明顯改變其面積。OPENgB）=XB=（X®B）E4. 閉運算（先腐蝕后膨脹）：先膨脹后腐蝕的過程稱為閉運算。用來填充物體內(nèi)細(xì)小空洞、連接鄰近物體、平滑其邊界的同時并不明顯改變其面積。CLOSE

17、R.B)=XS=XB=(X5、程序和結(jié)果：原圖灰度化及閾值分割Cao=double(imread('li.jpg');%讀入圖像r=Cao(:,:,l);g=Cao(:,:,2);b=Cao(:,:,3);%分析顏色特征Caogray=(2*g-r-b);%依據(jù)顏色特征將彩色圖像轉(zhuǎn)化為灰度圖像%Caogray=g;%求出圖像大小x,y=size(Caogray);I=double(Caogray);SII=I;fori=1:x%實際圖像灰度為0-255forj=1:yif(I(i,j)>180)I(i,j)=255;endif(I(i,j)<100)I(i,j)=0

18、;endendendzO二max(max(Caogray);%求出圖像最大灰度zl=min(min(Caogray);%求出圖像最小灰度T=(zO+z1)/2;TT=O;SO=O;nO=O;S1=O;n1=O;allow=O.2;%新舊閾值接近情況d=abs(T-TT);count=0;%記錄計次循環(huán)wh訂e(d>二allow)%迭代閾值最佳分割算法count=count+1;fori=1:xforj=1:yif(Caogray(i,j)>=T)SO=SO+Caogray(i,j);nO=nO+1;endif(Caogray(i,j)<T)S1=S1+Caogray(i,j)

19、;n1=n1+1;endendendT0=S0/n0;T1=S1/n1;TT=(T0+T1)/2;d=abs(T-TT);T=TT;endSeg=zeros(x,y);fori=1:xforj=1:yif(Caogray(i,j)>=T)Seg(i,j)=l;%閾值分割圖像endendendfori=1:xforj=1:yif(SI(i,j)=0)SII(i,j)=1;endif(SI(i,j)=1)SII(i,j)=0;endendendSI=1-Seg;figure,imshow(SII);區(qū)域生長法分割雜草和作物A0=imread('圖片2png');%讀取圖像se

20、ed=1,2;%選擇起始位置thresh=31;%相似性選擇閾值A(chǔ)=rgb2gray(A0);%灰度化A=imadjust(A,min(min(double(A)/255,max(max(double(A)/255,);A=double(A);%將圖像灰度化B=A;r,c=size(B);%r為行數(shù)，c為列n=r*c;%計算圖像包含點的個數(shù)pixel_seed=A(seed(1),seed(2);%原圖起始點灰度值q=seed(1),seed(2);%q用來裝載起始位置top=1;%循環(huán)判斷flagM=zeros(r,c);%建立一個與原圖大小一樣的矩陣M(seed(1),seed(2)=1;

21、%將起始點賦為1,其余為0count=1;%計數(shù)器whiletop=0%循環(huán)結(jié)束條件r1=q(1,1);%起始點行位置c1=q(1,2);%起始點列位置p=A(r1,c1);%起始點灰度值dge=0;fori=-1:1%周圍點循環(huán)判斷forj=-1:1ifr1+i<=r&r1+i>0&c1+j<=c&c1+j>0%保證在點周圍范圍內(nèi)ifabs(A(r1+i,c1+j)-p)<=thresh&M(r1+i,c1+j)=1top=top+1;%滿足判定條件則top+1,top為多少，則q的行數(shù)有多少q(top,:)=r1+i,c1+j;

22、%將滿足判定條件的周圍點位置賦予q，q記載了滿足判定的每一外點M(r1+i,c1+j)=1;%滿足判定條件將M中相對應(yīng)的點賦1count=count+1;%統(tǒng)計滿足條件的點個數(shù)，其實與top此時的值一樣B(r1+i,c1+j)=1;%滿足判定條件將B中相對應(yīng)點賦值1endifM(r1+i,c1+j)=0;%如果M中相對應(yīng)的值為0，將dge賦值為1,也就是說這幾個點不滿足條件dge=1;endelsedge=1;%在圖像外將dge賦值為1endendend%此時對周圍幾點判斷完畢，在點在圖像外或不滿足判定條件則將dge賦為1，滿足條件dge為0ifdge=1B(r1,c1)=A(seed(1)，seed(2);%將原圖起始位置賦予Bendifcount>=n%如果滿足判定條件的點個數(shù)大于等于ntop=1;endq=q(2:top,:);top=top-1;e