基于数字图像处理课程内容的创新实践项目实施——以“基于数字图像处理的作物颗粒计数”为例

马慧敏，黄金日，焦 俊，乔 焰，沈春山

(安徽农业大学 信息与计算机学院，安徽 合肥 230036)

1 《数字图像处理》课程的教学现状

《数字图像处理》是电子信息类专业重要的专业课。随着信息、电子技术及人工智能的快速发展，数字图像处理技术已被广泛应用于计算机视觉、模式识别、交通运输、医学和国防军事等各个领域，且在这些领域发挥着越来越重要的作用[1,2]。近年来，不仅本科、硕士研究生甚至博士研究生阶段，有越来越多的专业开设数字图像处理课程。安徽农业大学电子信息类专业、物联网工程专业、电气工程专业都开设了《数字图像处理》课程。虽然《数字图像处理》课程是一门实践性强、应用非常广的课程，教学实践中我们却发现学生普遍认为该课程学起来枯燥难度大，缺乏学习兴趣，对本课程往往心存畏惧，毕业后从事相关领域工作者较少。

目前，该课程知识点多且杂，理论课时设置偏少，一般32-40课时，且大都没有安排实验或实践学时。教学中，教师注重传授分散的理论知识点，学生几乎没有动手操作的机会，理论知识很难得到实践操作和验证，学生也很难对数字图像处理技术建立起一个完整的认识和实践体系。另外，《数字图像处理》课程的理论算法要求学生具备较好的数学基础，如概率统计，向量、矩阵和线性系统等方面的知识，并具备一定的计算机编程能力。然而，应用型本科院校的学生往往数学基础不够扎实，不习惯从数学的角度对数字图像处理算法进行推理和学习。在学习的过程中，学生感觉本课程的内容偏于深奥。

为了解决上述问题，进一步提高《数字图像处理》课程的教学效果，以激发学生的兴趣，增强学生的信心，提高学生在人工智能机器视觉领域的就业竞争力。我们从工程应用出发，计划在创新实践中结合《数字图像处理》课程教学内容引入案例或项目实施，通过精心选择应用实例，培养学生的学习兴趣，结合教师的科研项目和学生竞赛，对图像处理算法进行设计并实现，以提高学生的动手能力。使学生既能了解基本原理，又能从实践项目中找到基本理论的落脚点，可以做到真正的理论与实践一体化，来提升课程的教学效果。

2 《数字图像处理》课程内容结构

在教学过程中，《数字图像处理》课程的教学内容分为3个部分：概述部分、理论基础部分和应用基础部分，内容体系结构如图1所示。

图1 《数字图像处理》课程内容结构

1.概述部分：主要介绍数字图像处理的发展历史、研究内容和基本概念，这一部分主要帮助学生了解该学科的发展方向及应用领域，整体了解数字图像处理的基础理论和解决问题的思路框架，为学生解决问题做好铺垫，激发学生的学习兴趣。

2.数字图像处理理论基础部分：主要介绍数字图像处理基础的概念、基本运算以及图像变换，按照空间域处理（点处理、直方图、代数运算、几何运算）、频域处理（傅里叶离散变换、滤波处理）和统计方法处理几个方面来教学。

3.数字图像处理应用技术部分：这一部分包括图像增强、图像压缩、图像复原、图像分割和特征提取等应用技术，重点讲述应用基础理论和方法来解决实际问题。

从教学内容中看，《数字图像处理》课程内容涉及到的理论和应用知识点多，而且在实际应用中这些知识点需要综合应用，进行项目实践对《数字图像处理》课程知识点综合应用是很有必要和行之有效的教学方法。

3 基于MATLAB的数字图像处理创新实践项目实施

本论文以“基于数字图像处理的作物颗粒计数”创新实践项目为例，讲述项目的实施的过程、内容及结果。

3.1 图像获取及预处理

在现实环境中采集的图片会受到噪声、光照等原因的影响，给计数带来了很大的麻烦，因此，图像的预处理是作物颗粒计数的一个至关重要的环节。将采集到的原始作物颗粒图片进行灰度值处理、中值滤波、二值化、腐蚀、空洞填充、形态学开运算等预处理，以便后期对作物颗粒进行计数。

3.1.1 图像采集

通过数码相机采集大豆种子图像，再上传到计算机中进行保存。分别采集了紫豆、黄豆、绿豆3种不同种子的混合图像，采集到的4 张图像如图2所示。

图2 采集到的豆类作物种子图像

3.1.2 图像灰度化处理

彩色图像在一定的灰度化处理基础上可以转变为灰度图像。图像颜色和R、G、B

ωR、ωG、ωB分别为R、G、B权值，取不同的值而得到一定的灰度图像。由于人眼对不同颜色的敏感度不同，绿色的最高，因此使ωR＞ωG＞ωB将得到更容易分辨的图像。对比可知，ωR=0.299 、ωG=0.587、ωB=0.114 得到的灰度图像效果最好[4]。通过以上方法处理所得结果如图3所示。

图3 加权平均值法灰度化结果

3.1.3 图像降噪处理

中值滤波方法的主要特征表现为图像的边缘特征不会受到明显的影响，其效果和邻域的空间范围等参数相关，这种方法在滤波过程中可以抑制随机噪声而对图像的边缘没有多少影响[5]。中值滤波的过程如下：

如果M为像素（x0,y0)的邻域集合S（包含（x0,y0))，（x,y)表示M 中的元素，（fx,y)表示（x,y)点的灰度值，|M|表示集合M中元素的个数，Sort 表示排序，则对（x,y)进行平滑可表示为：

中值滤波处理后的图像结果如图4 所示，发现处理后图像的噪声明显的减弱，且边缘也没有变模糊。

图4 中值滤波降噪结果

3.1.4 图像的二值化

二值图像处理是对图像的各个像素点进行0或255 赋值，可以将图片转变为黑白图像。采用闭合边界和连通边界确定出相关的区域从而更好地满足二值化处理要求。在此处理过程中全部灰度级别不低于阈值的像素赋予灰度值为255，表示目标物体，而小于此阈值的像素点都赋值灰度值为0，表示背景。本实践的二值化处理方法使用了最大类间方差法（OTSU）。

OTSU 算法属于一类常用的自适应的阈值分法，其在确定阈值过程中要应用到图像的灰度特性，然后通过其对图像划分而分为目标和背景，二者的类间差越大，则可以说明图像的区分度越大，因此类间方差最大的分割可以取得更好的分割效果，确定出各阈值条件下分割的类间方差，最大的就是阈值。记前景点数占图像的比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度值为u1，这样可以确定出等价的公式为[7]:

使用OTSU算法将以上的方法处理所得图像二值化处理，所得结果如图5 所示，作物种子颗粒在4幅图像中基本都被识别为了目标。

图5 最大类间方差法二值化结果

3.1.5 区域填充及膨胀

二值化后要进行集合的膨胀、求补处理，其中A表示一个非空集合，其子集的元素均是区域的8 联通边界点。然后从相关的边界点开始，不断地通过1 填充，直到全部填充结束。膨胀操作会使物体的边界向外扩张，而在图像内部有空洞情况下，可以将这些空洞填补。所得结果如图6 所示，从图中可以看出，之前处理后图像产生孔洞，不方便后续的处理，膨胀处理后的4 副图像的孔洞都已经填充完好，效果良好。

图6 膨胀处理结果

3.2 籽粒计数实现

作物种子的计数是本次实践的一个关键点，采用区域生长法运用迭代递归算法进行实现的。区域生长是按照事先定义的生长准则将一个像素或者子区域逐步聚合成一个完整独立的连通区域过程。对于图像感兴趣目标区域，然后根据相关算法将全部种子点邻域内满足相似要求的像素合并得到种子群，这样就可以确定出独立连通区域的有效区域，不断的生长，直到满足生长停止条件。其中，相似性准则在判断过程中可以根据图像的颜色等相关的信息进行。方法的步骤是，先确定生长种子点，接着建立相关的规定生长准则，根据生长情况而设定生长停止条件[8]。使用区域生长法，本实践分别从单一种子图像和混合种子图像进行测试，得到了每组测试的结果。

3.2.1 单一品种豆类计数

对单一品种豆类种子图像进行计数，得到的结果如图7所示。测试计数与真实计数对比如表1所示。可以发现图7的第一幅和第二幅图中种子没有出现粘连的情况，这时种子的计数结果准确 率高达100%；图7的第三幅和第四幅图中种子出现 了不少粘连的情况，这是种子的计数结果准确率下降到了72.3%左右。

图7 单一品种豆类计数结果

表1 单一品种豆类计数结果

3.2.2 混合种子计数

对混合种子进行计数，得到的图像如图8所示，测试计数与真实计数对比如表2所示。可以发现图8 第一幅和第二幅图是由3 种大豆种子混合在一起且没有粘连，准确率高达100%。图8 第三幅也是3种大豆种子混合在一起但是出现了部分粘连情况，准确率降到了80.6%。

图8 多品种豆类计数结果

表2 多品种豆类计数结果分析

4 结 语

《数字图像处理课程》是一门基础理论复杂抽象，实践性强且应用非常广的课程，在当下人工智能发展的形式下，更突显了该门课程的实用性。目前该课程的教学普遍理论多，实践少，在教学的过程中往往忽略了知识点之间的相互联系，使得学生对《数字图像处理》课程不能建立起一个完整的认识体系。本文给出针对《数字图像处理》课程知识点综合应用的创新实践项目实施，以“基于数字图像处理的作物颗粒计数”创新实践项目为例，论述项目的实施的过程、内容及结果，对学生综合应用《数字图像处理》课程的专业知识处理实际问题有一定的指导，也收获良好的教学效果。