基于图像处理的草莓花朵识别算法研究

作者:未知

  摘要:针对草莓花朵识别算法的研究,对于草莓的生长信息监测、智能施肥和智能授粉等具有非常重要的意义。本文针对草莓图像特点,采用改进K均值聚类方法完成图像的分割,并利用形态学处理和连通区域特征分析提取花朵区域目标。实验结果表明,该方法能够准确完成草莓的花朵识别。
  关键词:草莓花朵;K均值聚类;连通区域
  中图分类号:TP391 文献标识码:A 文章编号:1007-9416(2019)12-0109-03
  0 引言
  随着机器视觉和计算机技术的成熟,图像处理技术已经越来越广泛的应用于农作物生长监测中。目前国内外关于农作物生长监测研究取得了很多的进展。Meyer和Davison利用图像处理技术采集单株植物在不同生长阶段的生长信息并建立植物生长模型。ZENG等提出一种基于机器视觉技术的葡萄果实直径检测系统,该系统实现了重复精度±7um果实的直径测量,为更好地检测植物生长参数提供了有效的工具。李长缨等人利用图像处理技术实现了单株黄瓜幼苗特征参数的无损测量,实验结果表明,检测方法能准确的检测株高、茎粗和叶冠投影面积等特征信息。
  随着草莓智能栽培技术的快速发展,草莓的施肥、授粉等技术已经开始向机械化、智能化方向发展。本文针对草莓生长的智能化监测问题,利用图像处理技术对草莓花朵识别技术进行研究,并提出了相关的检测算法,为草莓的生长监测、智能施肥和智能授粉等提供理论和技术支持。
  1 系统构成
  考虑到草莓监测环境的特殊性,草莓花朵检测系统主要包括摄像头、图像处理控制器和运动控制设备,检测系统在自然光线下工作。
  (1)摄像头和镜头。摄像头负责草莓图像信息的采集,主要依据检测精度、视野尺寸进行选择。镜头参数主要是焦距,其选择主要依据工作距离进行确定。
  (2)图像处理控制器。图像处理控制器负责接收摄像头采集到的图像并进行处理分析,是检测系统的中枢机构,图像处理控制器的性能直接决定图像处理速度。
  (3)运动控制设备。由于相机视野范围有限,需要运动控制设备负责检测系统的整体运动,运动控制设备主要包括控制器、导轨、电机、电机驱动器等构件。
  2 图像检测算法
  图像检测算法是检测系统的核心。针对图像特点,图像处理过程主要包括R颜色空间图像提取、图像滤波、改进K均值聚类分割、形态学处理、连通区域特征分析等步骤,具体图像检测流程如图1所示。
  2.1 图像采集及预处理
  图像采集是图像处理的前提,草莓图像采集后,为了提高图像处理速度和算法的自适应性,针对草莓图像特点,提取图像的R空间颜色特征分量,进行高斯滤波处理,高斯模板通过对二维高斯函数的离散化表示,对于一个大小为的矩阵,其位置的元素表示为:
  (1)
  其中为高斯函数标准差,高斯滤波模板大小为,检测结果如图2所示。
  2.2 图像分割
  针对图像特点,本文利用改进K均值聚类分割算法对图像进行分割,形成分割区域,具体聚类分割算法可以描述如下。
  Step1:首先将样本图像灰度值转换为尺寸大小为的一维样本数据集,其中样本图像像素个数,设迭代运算次数为且聚类类型为时的聚类中心为,从数据集中随机选取一个样本对象作为初始聚类中心。
  计算每个样本与已有聚类中心的最短距离 ,其中为数据集中的第个样本;接着计算每个样本对象被选为下一个聚类中心的概率:
  (2)
  按照轮盘法选择下一个聚类中心重复步骤直到选择出个对象组成初始聚类中心,具体的,聚类中心个数。
  Step2:迭代计算:根据相似度准则计算样本数据集中每个样本与初始聚类中的距离 k,如下式(5)所示,将各个数据对象划分到距离最小的聚类集合簇中,则:
  (3)
  Step3:聚类中心更新:按照聚类中心更新公式计算各聚类集合中的均值作为该集合新的聚类中心,更新得到新的聚类集合中心,设为聚类的元素,聚类的元素个数为,聚类中心更新公式如式(6)所示:
  (4)
  Step4:终止条件:循环更新聚类集合中心,直到各聚类中心不再发生变化或者误差平方和局部最小为止,聚类准则函数计算方法为:
  (5)
  精度误差为,若,则算法结束,终止迭代,否则反复执行迭代计算和聚类中心直至满足终止条件,图像分割结果如图3所示。
  2.3 形态学处理
  经过图像分割得到的区域还存在很多的噪声干扰信息,为了祛除噪声区域,利用形态学处理算法对分割区域进行处理,设表示图像矩阵,表示结构元素,形态学处理方法如下式所示:
   (6)
  采用尺寸为的矩形结构元素对聚类分割区域进行开操作,图像处理结果如图4所示。
  2.4 连通区域特征分析
  经过形态学处理后,细小的噪声干扰区域已經祛除。考虑到草莓花朵的实际大小,需要进一步祛除非目标区域。本文将灰度一致,且满足8邻接的像素判定为相同区域,通过连通区域面积特征,过滤噪声干扰区域,根据如下公式提取出像素面积在的区域,
   (7)
  其中和分别为面积像素的参数下限值和上限值,图像处理结果如图5所示。
  3 结果分析
  为了验证算法的实现效果,本文利用C#完成了上述算法的实现。实验运行环境CPU为Inter Core i7-3517UE CPU2.20GHz,内存为8GB,检测界面如图6所示。结果表明,检测算法能够实现草莓花朵的精确检测,并能显示花朵区域像素面积。
  4 结论
  本文针对草莓花朵识别算法进行研究,提出了一种基于R颜色空间的改进K均值草莓花朵分割算法,并利用形态学处理和连通区域特征分析完成目标区域的选择定位,实现了草莓花朵的检测识别,为草莓生长信息监测提供理论与技术支持。   参考文献
  [1] 王礼.基于图像的观赏植物识别与系统研发[D].浙江农林大学,2018.
  [2] 王礼,方陆明,陈珣,等.基于Lab颜色空间的花朵图像分割算法[J].浙江万里学院学报,2018,31(03):67-73.
  [3] 刘浩洲,陈礼鹏,穆龙涛,等.基于K-means聚类的猕猴桃花朵识别方法[J].农机化研究,2020(2):22-26.
  [4] 樊俊.面向杭白菊采摘機器人的目标识别定位系统研究[D].浙江工业大学,2016.
  [5] 郑玉龙,赵明.基于深度学习的自然环境下花朵识别[J].计算技术与自动化,2019(2):114-118.
  Research on Strawberry Flower Recognition Algorithm Based on Image Processing
  CUI Ming,CHEN Shi-xiong,LI Min-tao
  (Jiangsu Vocational College of  Agriculture and Forestry, Zhenjiang  Jiangsu  212400)
  Abstract:The research of strawberry flower recognition algorithm is very important for Strawberry Growth information monitoring, intelligent fertilization and intelligent pollination. According to the characteristics of strawberry image, the improved k-means clustering method is used to segment the image, and the flower region target is extracted by morphological processing and connected region feature analysis. The experimental results show that this method can complete flower recognition of strawberry accurately.
  Key words:strawberry flower; K-means clustering; connected region
转载注明来源:https://www.xzbu.com/8/view-15142125.htm

服务推荐