基于圖像特征的小麥胚芽鞘識別

閆建偉，蘇小東,*，趙 源，劉進平

(1.貴州大學 機械工程學院，貴州 貴陽 550025； 2.貴州大學 農學院，貴州 貴陽 550025)

胚芽鞘為單子葉植物所特有，特別是禾本科植物胚芽外的錐形套狀物，是一個鞘狀結構。胚芽鞘是植物葉片的保護組織，有保護胚芽中更幼小的葉和生長錐的作用，胚芽鞘的尖端含有植物生長素，對幼苗的出土有很大意義[1]。在植物培養和生物研究等領域，胚芽鞘相關研究中胚芽鞘的快速準確識別是一項十分重要且繁瑣的工作。傳統的胚芽鞘識別及切割位置的確定主要依靠操作者的經驗及人眼判斷，判斷的準確度很大程度上依賴于判斷者的主觀經驗和專業知識的多少，其合理性和科學性存在明顯不足。手工切割胚芽鞘具有操作效率低、勞動強度大、精度低等問題。機器視覺在圖像分割、目標定位和模式識別相關研究及生產實踐中有一些領域得到廣泛應用，并取得良好的效果。近年來隨著圖像處理技術的快速發展，彩色圖像分割與目標定位成為圖像處理的研究熱點，國內外眾多學者利用目標顏色特征和形態學等在不同角度探討了彩色圖像分割[2-4]、分類[5-8]與定位方法[9-13]。唐駿等[14]利用圖像處理技術提取玉米形態、顏色和紋理等48個特征，然后應用BP神經網絡模型進行綜合識別，分析不同時期識別效果，并建立了玉米品種的葉片投射圖像特征數據庫。何勝美等[15]基于數字圖像分析技術，利用小麥籽粒的20個形態特征和12個顏色特征對小麥樣本進行分類和識別，識別率達到100%，但多類樣本合并后的識別成功率就下降許多。王娜等[16]基于H閾值分割、迭代二值化、圖像形態學運算和輪廓提取等算法提取圖像特征，采用遺傳算法優化選擇分類特征，并利用費歇爾判別法識別玉米葉部病害，準確率達90%。錢建平等[17]提出一種基于混合顏色空間的成熟期蘋果識別方法，在不同光照情況下均可以達到較高的識別成功率。二值圖像細化[18-20]是圖像后處理一個重要部分，被廣泛應用在圖像處理中。圖像處理在胚芽鞘方面的研究未見報道，因此，研究胚芽鞘圖像處理、識別技術及切割位置是一項重要的研究課題。利用圖像處理技術以小麥胚芽鞘的顏色特征為依據，結合胚芽鞘生長特點及形態特征對小麥胚芽鞘進行快速識別及姿態判斷，以期能準確識別小麥胚芽鞘，判斷胚芽鞘姿態和切割位置以及為構建胚芽鞘切割裝置視覺系統和裝置提供技術支持。

1 材料與方法

1.1 圖像采集

小麥種子培育地點為貴州大學西校區農學院實驗室，培養設備為光照培養箱，培養方式為水培、無光照、溫度為25.6～28.6 ℃。培養時間選在2017年12月27日下午。圖像采集于2017年12月31日在實驗室內進行。利用尼康(Nikon)D750相機獲得小麥圖像(圖1)共30幅(樣本從培養皿中隨機選取)，圖片格式為JPG，分辨率為1024×683像素。試驗樣本在2017年12月31日早上10:00拍攝獲得。在PC機上完成小麥胚芽鞘識別算法開發，PC機配置為Inter Core(TM) i5-6200U、CPU 2.3 GHz、內存4 GB，基于Windows 7操作系統，編程工具VS2010+Opencv2.4.10。

1.2 顏色空間選取

RGB(red，green，blue，即紅、綠、藍)顏色空間是工業界的一種顏色標準，是基于紅、綠、藍三原色理論建立的顏色空間，但RGB是一種不均勻的顏色模型，3個顏色分量的相關性很高。HSV色彩模型(hue/saturation/value，色度/飽和度/純度)是根據顏色的直觀特性由Smith在1978年創建的一種顏色空間。HSV空間是比RGB顏色空間更接近于人們的經驗和對色彩的感知，可以通過HSV的取值來理解判斷圖像的顏色、深淺和明亮程度，HSV消除了3個分量的相關性，可以分別處理而且是相互獨立的[21-22]。本文采用HSV顏色空間，飽和度(S)是指色彩的純度，越高色彩越純，低則逐漸變灰，取0～100%的數值。明度(V)，取0～MAX(計算機中HSV取值范圍和存儲的長度有關)。HSV顏色空間可以用一個圓錐空間模型來描述。圓錐的頂點處，V=0，H和S無定義，代表黑色。圓錐的頂面中心處V=MAX，S=0，H無定義，代表白色。HSV模型分量中的H、S和V與RGB顏色模型轉換公式如式(1)：

圖1 原始圖像Fig.1 Original image

(1)

式(1)中R、G、B為RGB顏色空間3個顏色分量，R、G、B∈[0，255]，H∈[0°，360°]，S∈[0，255]，V∈[0，255]，R、G和B歸一化到范圍[0，1]時，H∈[0°，360°]，S∈[0，1]，V∈[0，1]。

1.3 圖像分割

小麥胚芽鞘(圖1)由小麥種子、種子根和胚芽鞘3部分組成，根部為亮白色，小麥種子為橙黃色，胚芽鞘以黃色為主要顏色。小麥胚芽鞘3部分顏色區分比較明顯，可以通過顏色特征進行圖像分割進而獲得種子完整輪廓圖像。

1.3.1 小麥種子圖像分割

根據小麥種子顏色特征和HSV空間顏色分量范圍(圖2)，確定H、S、V分割閾值(H、S、V范圍為11、43、46至21、255、255)，進而進行圖像分割獲得預分割圖像(圖3-A)。預分割我們通過遍歷整個圖像每個像素點，像素點H、S、V值在分割閾值范圍內則H、S、V值不變，反之為0。預處理圖像中噪聲通過中值濾波和開運算進行處理，最后獲得小麥種子完整圖像(圖3-B)。中值濾波和開運算采用11×11的卷積核。

圖2 HSV顏色空間Fig.2 HSV color space

圖3 小麥種子圖像分割Fig.3 Segmentation of wheat seed image

1.3.2 小麥胚芽鞘圖像分割

根據胚芽鞘顏色特征和HSV空間顏色分量范圍，確定H、S、V分割閾值(H、S、V的范圍為21、43、46至77、255、255)，進而進行圖像分割獲得預分割圖像(圖4-A)，預分割我們通過遍歷整個圖像每個像素點，像素點H、S、V值在分割閾值范圍內則H、S、V值不變，反之為0。預處理圖像中噪聲通過面積閾值、顏色替換和開運算進行處理，最后獲得小麥胚芽鞘完整圖像(圖4-B)。開運算采用11×11的卷積核，面積閾值大小取3 000，將輪廓面積小于3 000的部分替換為黑色(0，0，0)。

1.4 圖像細化

本文圖像細化采用Zhang-Suen圖像細化算法[23]。Zhang-Suen圖像細化算法是一個迭代算法，通過循環所有前景像素點，對符合條件的像素點進行標記刪除，直到沒有像素滿足條件為止，輸出即為二值圖像細化圖像。試驗結果表明，此方法細化條狀胚芽鞘圖像效果良好(圖5)。

1.5 切割位置判斷

1.5.1 計算種子質心

針對已分割小麥種子圖像特征，按照灰度化→二值化→計算輪廓距→輪廓質心等步驟(圖6)。二值化采用Ostu方法又稱最大類間差方法，小麥種子輪廓矩和質心坐標由公式(2)計算得出。

Hu提出了對于評價旋轉和大小尺度變化不變矩，常用于形狀識別，刻畫事物的形狀特征[24]，在連續情況下，圖像函數f(x，y)，那么圖像的p+q階中心距定義為：

圖4 胚芽鞘分割Fig.4 Segmentation of the coleoptile

圖5 胚芽鞘圖像細化Fig.5 Coleoptile image refinement

(2)

1.5.2 計算胚芽鞘長度

在1.4節中我們獲得胚芽鞘細化圖像，因細化圖像為單像素圖像，可以將細化圖像上所有點的連線作為胚芽鞘近似擬合曲線，曲線長度即為胚芽鞘長度。點坐標獲取和遴選我們采用循環遍歷細化圖像輪廓，獲取每個像素點在圖像中的坐標，圖7-A為循環步長取25時獲取的點坐標，并繪制在胚芽鞘圖像上；圖7-B為循環步長為1時獲取的點坐標，同樣繪制在胚芽鞘圖像上。

1.5.3 切割位置確定

因為每個進行圖像識別時每個胚芽鞘姿態位置都不同，在對圖像進行遍歷的時候，胚芽鞘細化圖像輪廓的兩端都可能成為起點(第1個點)，所以我們以種子質心坐標為基準點，選取離種子質心距離較遠的點作為起點，這樣可以保證起點一定是在胚芽鞘頂端(圖8)。

圖6 小麥種子質心Fig.6 Centroid of wheat seed

圖7 胚芽鞘近似曲線獲取Fig.7 Coleoptile approximation curve acquisition

2 結果與分析

圖8 切割位置確定Fig.8 Cutting position determination

試驗結果如圖9所示，樣本處理結果統計見表1。

圖9 結果圖Fig.9 Result graph

表1小麥樣本處理結果統計

Table1Statistics of wheat sample processing result

參數/樣本序號Parameter/Sampleserial number切割點坐標Cutting pointcoordinates切割角度Cutting angle/°1(563,181)-21.82(202,147)03(628,137)04(290,191)14.95(810,495)-86.26(571,168)-3.87(363,158)3.98(290,136)2.29(580,155)-14.910(434,156)-7.611(497,206)14.912(515,229)-3.813(207,295)90.014(311,221)-3.815(358,179)3.816(367,562)75.117(262,462)90.018(527,157)7.619(183,266)78.720(479,166)18.421(800,439)61.922(249,354)2.623(552,203)-11.324(455,169)25.025(375,166)7.626(408,117)-21.827(259,248)-33.728(716,423)64.929(301,373)90.030(227,271)82.4

3 討論

本文在HSV顏色空間下通過小麥胚芽鞘的顏色特征分別對小麥種子和胚芽鞘進行圖像分割，獲得種子和胚芽鞘完整分割圖像，并根據小麥胚芽鞘形態特征提出一種胚芽鞘切割位置和姿態確定方法。試驗結果表明，本文方法可以簡單有效地對小麥胚芽鞘和種子進行圖像分割，快速識別胚芽鞘及切割位置，滿足胚芽鞘切割裝置視覺系統的要求。

試驗樣本從胚芽鞘培養盤的大量胚芽鞘中隨機選取30個進行試驗具有代表性；圖像分割算法和胚芽鞘姿態判斷方法具有客觀性和可重復性，利用本文圖像分割算法只需改變圖像分割H、S和V分量閾值和后續去燥處理閾值，就可以應用于玉米、高粱等與小麥不同品種和種類的胚芽鞘的圖像分割，小麥胚芽鞘姿態判斷方法可以為其他單子葉植物(具有胚芽鞘)胚芽鞘姿態判斷提供理論參考和依據。通過胚芽鞘圖像顏色特征分割獲得胚芽鞘完整圖像，胚芽鞘輪廓近似曲線由圖像細化獲得，曲線長度由多段直線長度來近似，可以最大程度代表胚芽鞘長度。

對不同培養時間的小麥胚芽鞘進行特征對比分析，可以得出培養90 h左右的胚芽鞘生長較好，更適合進行圖像分割試驗和胚芽鞘切割位置判斷，在后續胚芽鞘圖像識別分割和胚芽鞘切割設備試驗時可以選此時期的小麥胚芽鞘樣本作為試驗樣本。

4 結論

本文方法具有較好的適應性。本文提出的胚芽鞘分割算法和胚芽鞘切割位置和姿態的判斷方法具有一定的實用價值，填補了圖像處理技術在胚芽鞘方面的應用，并為后續胚芽鞘自動切割裝置搭建機器視覺系統提供了技術支撐。