基于带通滤波和绿色因子的绿色识别方法

杨敬伟，杨文柱

（1.河北大学 科学技术处，河北 保定 071002；2.河北大学 计算机科学与技术学院，河北 保定 071002）

大田作物长势分析是精细农业［1－3］的一个重要研究内容，其目的是为农业生产过程中的施肥、灌溉、杀虫等农业活动提供决策参考.目前，遥感和基于田间相机的监控［4－9］是实现作物长势分析的2种主要途径.遥感利用卫星或飞机获取作物的长势图像，而基于田间相机的监控则通过直接在田间设置观测摄像头获取作物的长势图像.利用遥感进行长势分析，优点是观测面积大，缺点是分辨率低，因此比较适合进行大区域的作物长势监控；基于相机的监控方式，优点是分辨率较高，缺点是观测面积有限，所以更适合进行地块级的精确监控.

本文使用基于田间相机的方式，通过对田间相机采集的作物长势图像进行分析，找出图像中的绿色植物，为后续的作物长势分析打下基础.由于大田作物的长势监控图像采集于野外大田环境，因此图像的亮度容易受天气、时间等因素的影响；而大田中的土壤颜色、表面覆盖物等使得图像背景极其复杂.这些不利因素都使得从大田长势监控图像中正确识别出其中的绿色植物变得极其困难.为准确地识别大田作物长势监控图像中的绿色植物，很多专家学者进行了深入研究.最典型的方法是基于可见光谱因子的方法［10－12］，包括超绿因子法（the Excess Green index，简称ExG），超绿减红因子法（the Excess Green minus Red index，简称ExGR），植被指数法（the Vegetative index，简称VEG），综合指数法（the Combined index，简称COM）等［13－14］.基于可见光谱因子的方法都假设图像具有正常的对比度，图像中的绿色植物为明亮的绿色，且背景只有单一的土壤，但事实上这个假设并不总是成立.实际拍摄的大田作物图像，其对比度受天气和拍摄时间的影响很大，植物的颜色也不总是明亮的绿色，图像的背景也不仅仅是单一的土壤.上述因素导致基于可见光谱因子的方法在很多情况下失效，因此亟需寻找一种能够适应大田拍摄条件的绿色植物识别方法.

1 实验材料

实验材料选择在自然光条件下拍摄的大田玉米苗图像，拍摄地点在河北省保定市满城县玉米农田.分别选择了晴天和阴天2种天气状况进行拍摄，拍摄背景包括单一土壤背景、带有灰烬的土壤背景、带有麦秸的土壤背景、带有玉米秸的土壤背景4种情况，如图1所示.

图1 不同条件下采集的大田玉米苗Fig.1 Images of maize seedling captured in different conditions

2 大田图像的颜色分布分析

选择在HSV（Hue，Saturation，Value）颜色空间进行绿色识别，可以解决基于可见光谱因子法容易受图像亮度变化影响的问题.在该颜色空间，某物体的颜色只与色调H 和饱和度S 有关，与亮度V 无关，因此在HSV 颜色空间进行绿色识别对亮度变化不敏感［15］.

绿色植物的H 值一般为60～180之间，因此理想情况下，仅通过判断像素的H 值就能断定该像素是否为绿色植物像素.但由于玉米苗的生长状态不同、拍摄时间不同、拍摄时的天气状况不同等各种因素，使得在自然光条件下拍摄的大田玉米苗图像，其绿色植物的颜色从深绿到亮绿不等.因此，有必要分析大田作物长势监控图像中各种图像元素的色调H 和饱和度S 的分布情况，以便找出绿色植物识别的判断依据.

选择玉米苗图像中的深绿、嫩绿、反光的玉米苗，黑色、黄色、红色的土壤，灰烬，地膜，麦秸，棒秸等10种典型元素作为分析对象，其色调H、饱和度S 典型分布曲线如图2，图3所示.

图3 不同图像元素的S分布曲线Fig.3 Sdistribution curves of different elements

由图2可以看出，玉米苗的色调值为35～135，玉米秸的色调远大于135，这意味着通过色调可以很容易地区分玉米苗和玉米秸.地膜、黄土、红土、黑土、灰烬的色调都小于35，这表明通过色调也可以轻易地区分玉米苗与地膜、黄土、红土、黑土、灰烬.但对于麦秸，其色调与嫩绿色玉米苗的色调很接近，甚至存在交叉，因此，单靠H 已无法区分麦秸和玉米苗.通过图3可以发现，尽管麦秸的色调与嫩绿色玉米苗接近甚至存在交叉，但它们的饱和度却存在一定差异.因此通过综合判断色调H 和饱和度S 就可以区分玉米苗和麦秸.

3 基于ExG 和HSV 的绿色识别方法

通过上述分析可知，利用图像在HSV 颜色空间下的H 和S2个颜色属性建立带通滤波器，使得绿色像素可以通过，阻止大部分背景像素，就会得到背景相对简单的彩色图像；对此图像再使用绿色因子法ExG，就可以正确识别出其中的绿色植物.方法描述如下.

3.1 基于H 分量的带通滤波器

令hl和hh分别表示绿色植物的色调最小值和最大值，定义基于H 分量的带通滤波器如下：

式中，hl是绿色植物的最小色调值，hh是绿色植物的最大色调值.

3.2 基于S 分量的带通滤波器

令sl和sh分别表示绿色植物的饱和度最小值和最大值，定义基于S 分量的带通滤波器如下：

式中，s1是绿色植物的最小色调值，sh是绿色植物的最大色调值.

3.3 土壤、灰烬、地膜、棒秸的去除

利用基于H 分量的带通滤波器，可以滤除图像中大部分的土壤、灰烬、地膜、棒秸.令R，G，B 分别表示彩色图像I 的3个颜色通道.定义土壤、灰烬、地膜、棒秸的去除模型如下：

式中，R1，G1，B1分别为经过H1处理3个颜色通道

3.4 麦秸的去除

利用基于S 分量的带通滤波器，可以滤除残余在图像I1中大部分的麦秸.定义麦秸的去除模型如下：

式中，R2，G2，B2分别为经过S1处理3个颜色通道：

3.5 绿色植物的识别

利用绿色因子法ExG 对经过上述处理的彩色图像进行处理，得到图像的绿色因子矩阵Mg.

对Mg进行阈值分割，就得到了代表绿色植物的目标图像Og

式中，T 为分割阈值.

4 结果与讨论

使用在不同环境状况下采集的大田玉米苗图像作为实验材料（部分典型图像如图1所示），对本文方法进行了验证，同时与大津法和基于可见光谱因子法进行了对比.算法利用Matlab实现，计算机的操作系统为Windows 7，计算机处理器为Intel Core i5，内存容量为3GB.

4.1 本文方法的识别结果

利用本文方法对图1中的大田玉米苗图像进行识别，结果如图4所示.实验结果表明，本文提出的方法可以正确识别出图像中的玉米苗，而不论拍摄时的天气如何，也不管背景多么复杂.

图4 本文方法对图1中图像的处理结果Fig.4 Processing results of the images in figure 1using the proposed method

4.2 大津法（Otsu方法）识别结果

大津法是最常用的图像分割方法之一，经常作为标准分割算法，用于跟其他分割算法进行比较.图5为大津法对图1所示图像的分割结果，可以看出，所有图像都未能正确分割.这一结果表明，大津法不适合处理自然光条件下拍摄的大田作物图像.

图5 大津法对图1中图像的处理结果Fig.5 Processing results of the images in figure 1using the Otsu method

4.3 基于可见光谱因子的识别结果

经过实验，可见光谱因子法可以正确识别大部分图像中的绿色植物，但也存在部分无法正确识别的图像，其中ExG 无法正确处理背景含有麦秸的图像，EXGR 和COM 无法正确处理背景中含有麦秸和灰烬的图像，部分处理结果如图6所示.VEG 则无法正确处理图1中的所有图像.

图6 基于可见光谱因子方法的部分识别结果Fig.6 Some of the recognition results using methods of the visible spectral index

5 结束语

针对野外拍摄的大田作物长势监控图像由于受光照强度、背景等影响难以正确识别问题，对大田作物长势监控图像中绿色植物的识别方法行了初步探索.使用基于带通滤波和绿色因子的方法实现了绿色植物的识别.实验结果表明，本方法能够正确识别大田作物长势监控图像中的绿色植物，比其他识别方法更能适应野外大田环境造成的亮度变化和复杂背景.

［1］ 王凤花，张淑娟.精细农业田间信息采集关键技术的研究进展［J］.农业机械学报，2008，39（5）：112－121.

［2］ EMANUELE P，GIACAMO C，ERIKA P，et al.Drivers of precision agriculture technologies adoption：a literature review［J］.Procedia Technology，2013，8：61－69.

［3］ 张健钦，屈平，邝朴生.计算机视觉技术在杂草识别中的应用研究进展［J］.河北大学学报：自然科学版，2002，22（4）：410－414.ZHANG Jianqin，QÜPing，KUANG Pusheng.Advance on research and appcication of computer vision teohnique to weed sensing［J］.Journal of Hebei Universitg：Natural Science Edition，2002，22（4）：410－414.

［4］ YU Zhenghong，CAO Zhiguo，WU Xi，et al.Automatic image－based detection technology for two critical growth stages of maize：Emergence and three－leaf stage［J］.Agricultural and Forest Meteorology，2013，174－175：65－84.

［5］ XIANG Haitao，TIAN Lei.An automated stand－alone in－field remote sensing system（SIRSS）for in－season crop monitoring［J］.Computers and Electronics in Agriculture，2011，78（1）：1－8.

［6］ GREGORY D，FREDERIC B，PIERRE D.Remotely sensed green area index for winter wheat crop monitoring：10－Year assessment at regional scale over a fragmented landscape［J］.Agricultural and Forest Meteorology，2012，166－167：156－168.

［7］ YANG Chenghai.A high－resolution airborne four－camera imaging system for agricultural remote sensing［J］.Computers and Electronics in Agriculture，2012，88：13－24.

［8］ MA Yuping，WANG Shili，ZHANG Li，et al.Monitoring winter wheat growth in North China by combining a crop model and remote sensing data［J］.International Journal of Applied Earth Observation and Geoinformation，2008，10（4）：426－437.

［9］ LEE K LEE B.Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis［J］.European Journal of Agronomy，2013，48：57－65.

［10］ DANIEL G，FERNANDEZ P，DAVID E，et al.A digital image－processing－based method for determining the crop coefficient of lettuce crops in the southeast of Spain［J］.Biosystems Engineering，2014，117：23－34.

［11］ WANG Jing，LI Xin，LU Ling，et al.Estimating near future regional corn yields by integrating multi－source observations into a crop growth model［J］.European Journal of Agronomy，2013，49：126－140.

［12］ 张志斌，罗锡文，臧英，等.基于颜色特征的绿色作物图像分割算法［J］.农业工程学报，2011，27（7）：183－189.ZHANG Zhibin，LUO Xiwen，ZANG Ying，et al.Segmentation algorithm based on color feature for green crop plants［J］.Transactions of the CSAE，2011，27（7）：183－189.

［13］ MONTALVO M，GUERRERO J，ROMEO J，et al.Automatic expert system for weeds／crops identification in images from maize fields［J］.Expert Systems with Applications，2013，40（1）：75－82.

［14］ ROMEO J，PAJARES G，MONTALVO M，et al.A new expert system for greenness identification in agricultural images［J］.Expert Systems with Applications，2013，40（6）：2275－2286.

［15］ JOSE M，CHAVES G，MIGUEL A，et al.Detecting skin in face recognition systems：A colour spaces study［J］.Digital Signal Processing，2010，20（3）：806－823.