基于纹理特征的玉米苗期田间杂草识别

王怀宇　李景丽

摘要：对玉米常见杂草进行灰度化、图像滤波等图像预处理，对多个图像纹理特征进行筛选。以支持向量机进行分类识别，分别进行基于灰度矩阵、统计矩的识别以及二者结合的识别。结果表明，综合了灰度矩阵与统计矩的纹理特征识别精度最高，可满足田间杂草识别要求。

关键词：玉米；杂草；识别；纹理特征；灰度矩阵；统计矩

中图分类号： TP391.41 文献标志码： A 文章编号：1002-1302（2014）07-0143-03

收稿日期：2013-11-03

基金项目：河北省保定市科技基金（编号：13ZN021）；保定学院科研基金（编号：2013Z04）。

作者简介：王怀宇（1975—），男，河北保定人，硕士，讲师，从事图像处理、数据挖掘研究。E-mail：why_bdxy@163.com。玉米苗期常见杂草包括刺儿菜、藜、马唐、田旋花等。传统除草方法是喷洒除草剂，但田间杂草生长分布呈不均匀、无规律的随机分布，因此大规模药物喷洒不仅造成浪费，也对环境带来不容忽视的污染。随着精准农业的发展和图像处理技术应用的深入，在机器视觉的协助下实现农田中除草剂的变量喷洒成为当今研究热点。如何识别杂草图像是其中最为关键的步骤。当前已经开发出不少识别杂草的有效方法，这些方法往往结合杂草各类特征对其进行识别，包括颜色特征[1-4]、形状特征[5-6]、光谱特征[7-9]等，也有研究结合以上组合特征进行识别，取得了较高的效率与精度。但单独针对杂草纹理特征进行智能识别的研究尚不多见。

纹理特征能够体现出图像灰度或颜色分布的可描述规律，尤其是在被识别目标的形状、颜色等属性均与周边环境相似时，能够以兼顾宏观性质与细部结构的方式取得较好的识别效果[10]。不同作物种类或同种作物的健康苗株与病害植株间在图像纹理特征上有较为明显的区别，因此纹理特征在农作物病虫草害识别研究中能取得较好的识别效果[10]。对于杂草识别来讲，怎样快速提取纹理特征以及如何实现准确的识别率是最关键的问题。本研究以玉米常见杂草图像识别为例，在图像预处理后，对样品的多个纹理特征进行筛选，以支持向量机进行分类，分别进行基于灰度矩阵、统计矩的识别以及结合二者的识别，以期为杂草的快速检测及定向施药提供基础。

1材料与方法

1.1图像采集

北方地区玉米苗期杂草非常常见，一般在播种后便可观察到杂草。据统计，华北地区玉米播种后的8～10 d是杂草出土最集中的时期，12～15 d杂草出土占总量的80%，25 d后达到95%。杂草的出土、生长时间规律与北方地区夏玉米苗期生长节律基本吻合。因此，只有及时除去杂草才能保证玉米产量。研究证实，当玉米生长至3～5叶、田间杂草生长至2～3叶时，是去除杂草的关键时期。本研究在玉米生长至3～5叶时采集田间各类杂草图像，包括刺儿菜、藜、马唐、田旋花。在目标物正上方以640×480像素进行拍摄，杂草图像实例见图1。

1.2图像预处理

1.2.1图像增强为了突出图像特征，削弱某些不重要甚至干扰的信息，首先对原始图像进行增强处理，以提升图像中有价值区域的对比度。图像增强方法分为频率增强法和空间增强法两大类。考虑到图像识别对于实时性的要求，本研究选取效率更高的空间增强法[11]，该方法对每个像素的灰度值进行变换，最终实现整体对比度的提升，达到图像增强的目的。

3结论

针对玉米田间杂草的识别问题，提出了根据纹理特征进行智能识别的方法，具有创新性。以灰度共生矩阵和统计矩来描述识别目标的纹理特征，通过支持向量机进行分类识别。结果表明，综合了灰度矩阵与统计矩的纹理特征识别精度超过90%，能满足识别要求。本研究成果有利于减少除草剂喷洒量，有助于实现除草系统的自动化和智能化。

参考文献：

[1]Woebbecke D M，Meyer G E，Von Bargen K，et al. Color indices for weed identification under various soil，residual，and lighting conditions[J]. Transactions of the ASAE，1995，38（1）：259-269.

[2]El-Faki M S，Zhang N，Peterson D E. Factors affecting color-based weed detection[J]. Transactions of the ASAE，2000，43（4）：1001-1009.

[3]Tang L，Tian L，Steward B L. Color image segmentation with genetic algorithm for in-field weed sensing[J]. Transactions of the ASAE，2000，43（4）：1019-1027.

[4]El-Faki M S. Zhang N，Peterson D E. Weed detection using color machine vision[J]. Transactions of the ASAE，2000，43（6）：1969-1978.

[5]Guyer D E，Miles G E，Schreiber M M，et al. Machine vision and image processing for plant identification[J]. Transactions of the ASAE，1986，29（6）：1500-1507.

[6]Franz E，Gebhardt M R，Unklesbay K B. Shape description of completely visible and partially occluded leaves for identifying plants in digital images[J]. Transactions of the ASAE，1991，34（2）：673-681.

[7]Franz E，Gebhardt M R，Unklesbay K B. The use of local spectral properties of leaves as an aid for identifying weed seedlings in digital images[J]. Transactions of the ASAE，1991，34（2）：682-687.

[8]Lu R，Peng Y K. Hyperspectral scattering for assessing peach fruit firmness[J]. Biosystems Engineering，2006，93（2）：161-171.

[9]Goel P K，Prasher S O，Patel R M，et al. Use of airborne multispectral imagery for weed detection in field crops[J]. Transactions of the ASAE，2002，45（2）：443-449.

[10]周平，汪亚明，赵匀. 基于颜色分量运算与色域压缩的杂草实时检测方法[J]. 农业机械学报，2007，38（1）：116-119.

[11]何东健. 数字图像处理[M]. 西安：西安电子科技大学出版社，2004.

[12]刘立宏，胡可刚，刘立欣. 目标检测中的快速中值滤波法[J]. 吉林大学学报：信息科学版，2004，22（3）：232-235.

[13]Haralick R M，Shanmugam K. Texture features for image classification[J]. IEEE Systems Man and Cyberbetucs，1973，3（6）：610-621.

[14]Ulaby F T，Kouyate F，Brisco B，et al. Textural infornation in SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing，1986，GE-24（2）：235-245.

[15]邓乃扬，田英杰 .数据挖掘中的新方法：支持向量机[M]. 北京：科学出版社，2004.

[16]Valentini G，Dietterich T G. Bias-variance analysis of support vector machines for the development of SVM-based ensemble methods[J]. Journal of Machine Learning Research，2004，5（7）：725-775.

[7]Franz E，Gebhardt M R，Unklesbay K B. The use of local spectral properties of leaves as an aid for identifying weed seedlings in digital images[J]. Transactions of the ASAE，1991，34（2）：682-687.

[8]Lu R，Peng Y K. Hyperspectral scattering for assessing peach fruit firmness[J]. Biosystems Engineering，2006，93（2）：161-171.

[9]Goel P K，Prasher S O，Patel R M，et al. Use of airborne multispectral imagery for weed detection in field crops[J]. Transactions of the ASAE，2002，45（2）：443-449.

[10]周平，汪亚明，赵匀. 基于颜色分量运算与色域压缩的杂草实时检测方法[J]. 农业机械学报，2007，38（1）：116-119.

[11]何东健. 数字图像处理[M]. 西安：西安电子科技大学出版社，2004.

[12]刘立宏，胡可刚，刘立欣. 目标检测中的快速中值滤波法[J]. 吉林大学学报：信息科学版，2004，22（3）：232-235.

[13]Haralick R M，Shanmugam K. Texture features for image classification[J]. IEEE Systems Man and Cyberbetucs，1973，3（6）：610-621.

[14]Ulaby F T，Kouyate F，Brisco B，et al. Textural infornation in SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing，1986，GE-24（2）：235-245.

[15]邓乃扬，田英杰 .数据挖掘中的新方法：支持向量机[M]. 北京：科学出版社，2004.

[16]Valentini G，Dietterich T G. Bias-variance analysis of support vector machines for the development of SVM-based ensemble methods[J]. Journal of Machine Learning Research，2004，5（7）：725-775.

[7]Franz E，Gebhardt M R，Unklesbay K B. The use of local spectral properties of leaves as an aid for identifying weed seedlings in digital images[J]. Transactions of the ASAE，1991，34（2）：682-687.

[8]Lu R，Peng Y K. Hyperspectral scattering for assessing peach fruit firmness[J]. Biosystems Engineering，2006，93（2）：161-171.

[9]Goel P K，Prasher S O，Patel R M，et al. Use of airborne multispectral imagery for weed detection in field crops[J]. Transactions of the ASAE，2002，45（2）：443-449.

[10]周平，汪亚明，赵匀. 基于颜色分量运算与色域压缩的杂草实时检测方法[J]. 农业机械学报，2007，38（1）：116-119.

[11]何东健. 数字图像处理[M]. 西安：西安电子科技大学出版社，2004.

[12]刘立宏，胡可刚，刘立欣. 目标检测中的快速中值滤波法[J]. 吉林大学学报：信息科学版，2004，22（3）：232-235.

[13]Haralick R M，Shanmugam K. Texture features for image classification[J]. IEEE Systems Man and Cyberbetucs，1973，3（6）：610-621.

[14]Ulaby F T，Kouyate F，Brisco B，et al. Textural infornation in SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing，1986，GE-24（2）：235-245.

[15]邓乃扬，田英杰 .数据挖掘中的新方法：支持向量机[M]. 北京：科学出版社，2004.

[16]Valentini G，Dietterich T G. Bias-variance analysis of support vector machines for the development of SVM-based ensemble methods[J]. Journal of Machine Learning Research，2004，5（7）：725-775.