基于分區域特征點聚類的秧苗行中心線提取

廖 娟 汪 鷂 尹俊楠 張 順 劉 路 朱德泉

(安徽農業大學工學院， 合肥 230036)

0 引言

作為智能農業機械的重要組成部分，農業機械自動導航技術備受人們關注，并已廣泛應用于農作物種植、植保、收獲等方面[1-3]。為適應現代化農業的發展需求，水稻插秧機的自主行走成為農業機械智能化的重要研究內容，在水稻插秧機自主行走技術中，自動導航技術是其重要組成部分[4-5]。目前，農業機械自動導航領域的研究主要集中在機器視覺技術和衛星定位(GPS)技術兩種方式上[6]，其中視覺導航具有成本低、范圍廣、適應性強等特點，已成為農業機械導航的研究熱點。

根據我國水稻按照近似直線的行種植特點，插秧機視覺導航可通過提取秧苗行中心線，為確定插秧機的相對位置提供依據[7]。關于作物行中心線的提取，國內外學者提出了多種方法，其中應用較多的是基于Hough變換的作物行中心線檢測方法，該方法結合色彩特征分割出圖像中的作物或壟溝像素，通過Hough變換擬合這些像素，以提取作物行中心線[8-10]。但標準的Hough算法往往存在峰值檢測難、計算復雜度高等缺點，難以滿足農田作業實時處理的要求，且農田環境中光照、雜草等因素會直接影響作物綠色特征的識別[11]，這給準確提取作物行中心線帶了一定困難。

近年來，研究者開始關注改進Hough變換的應用。文獻[12]提取秧苗特征點，用近鄰聚類法對特征點進行聚類，并采用基于已知點的Hough變換[13]提取秧苗行中心線。文獻[14]結合過綠特征和中值濾波算法分割作物行像素，通過隨機Hough變換[15]擬合出作物行中心線。盡管改進的Hough算法在一定程度上降低了內存消耗，提高了線提取速度，但在噪聲大的農田場景下，作物行中心線檢測的準確性和實時性仍有待提高。

除Hough及其相應的改進算法，最小二乘法也常用于作物行檢測[16-17]。相比于Hough變換，最小二乘法實時性好，但其準確性易受噪聲影響，作物行中心線的魯棒性不佳。針對最小二乘法對噪聲敏感等問題，文獻[18-19]基于顏色特征分割出綠色像素，利用線性回歸算法提取作物行，克服了傳統Hough變換的不足，但該方法需已知作物行間距。文獻[20]假設作物行間距相等，采用多窗口移動方法對特征點進行聚類，獲取代表作物行的特征點，擬合特征點提取作物行中心線，該方法能有效去除雜草噪聲的影響，但行間距相等的限定使其適用范圍受限。文獻[21]采用垂直投影法提取水稻稻田圖像秧苗行定位點，利用定位點的鄰近關系對定位點分類，擬合定位點獲取秧苗行中心線，但垂直投影法定位性較差，如不對定位點進行篩選，少量誤差較大的定位點便會對最終的直線擬合效果產生較大的影響。

針對上述問題，為提高秧苗行中心線提取算法的實時性和精度，本文提出一種基于分區域特征點聚類的秧苗行中心線提取方法。在對圖像進行預處理后，基于分區域的思想獲取秧苗行候選特征點，并結合垂直投影方法確定秧苗行數以及起始點，利用特征點的鄰近關系對特征點聚類，根據秧苗行的特征點分布，確定秧苗行的趨勢線，通過趨勢線與特征點的位置關系，篩選特征點，去除噪聲點，并用最小二乘法擬合，獲取秧苗行中心線。

1 秧苗行像素點分析

傳統的作物行中心線提取方法，多是基于作物像素的顏色、亮度等特征將作物從土壤背景中提取出來，采用Hough變換、最小二乘法等方法對分割后的二值圖像進行直線擬合。但分割出的一系列作物像素點還包含許多噪聲和冗余的像素點，會對行中心線的識別造成干擾，降低算法的運行速度。

圖1 二值圖像的垂直投影曲線Fig.1 Vertical projection curves of binary image

圖1所示為秧苗圖像經二值化后對應的垂直投影曲線，其中，秧苗行線所在位置出現投影值變化的峰值，從土壤背景到秧苗行，垂直投影值向上躍變，從秧苗行到土壤背景，垂直投影值向下躍變。但在秧苗圖像中由于透視投影作用，相鄰兩條平行的秧苗行會交于圖像內部或外部一點，造成部分秧苗行像素出現跨行顯示，如圖1中紅線標記的區域。第1行中的部分秧苗像素點出現在第2行，會被誤檢為第2行的秧苗像素點，同時，田間場景常伴有天氣、光線變化等，這些干擾因素給秧苗分割帶來困難，產生誤分割，從而影響秧苗行中心線的正確提取。此外，二值圖像中包含大量秧苗像素點，如果直接對整幅圖像進行行中心線提取，會增加算法的計算開銷。

從圖1的二值圖像中隨機提取部分秧苗像素點來表示秧苗行特征信息，如圖2所示。圖中紅點為隨機提取的特征點，統計圖中每行白色像素點和紅色特征點的個數，結果如表1所示。采用運算簡單的最小二乘法分別對二值圖像和隨機特征點進行秧苗行中心線提取，得到擬合直線的耗時分別為0.379、0.295 s，行中心線提取結果如圖3所示。由處理結果可以看出，基于秧苗行特征點提取秧苗行中心線可消除冗余的秧苗像素點對檢測精度的影響，又可提高檢測速度，但秧苗行特征點選取準確與否直接影響提取秧苗行中心線準確性?；诖?， 本文提出一種基于分區域特征點聚類的秧苗行中心線提取方法。

圖2 隨機選取的特征點圖Fig.2 Random selection of feature points

個

圖4 圖像預處理Fig.4 Image preprocessing

圖3 秧苗行中心線提取結果Fig.3 Seedling row lines extraction

2 秧苗行中心線提取

本文提出的基于分區域特征點聚類的秧苗行中心線提取方法主要包括圖像預處理、秧苗行特征點獲取以及秧苗行中心線擬合，首先，對采集的秧苗圖像進行預處理，獲取秧苗的二值圖像；然后，對二值圖像進行分區域特征點聚類，提取每一秧苗行的特征點，并利用最小二乘法擬合秧苗行的特征點，獲取秧苗行中心線。

2.1 圖像預處理

圖像預處理包括秧苗圖像灰度化和圖像二值化處理。秧苗圖像中秧苗與非秧苗背景的綠色分量差別較大，基于此，采用超綠特征提取方法[22]進行秧苗圖像灰度化，超綠特征提取公式為

I=2G-R-B

(1)

式中R、G、B——彩色圖像中紅色、綠色、藍色分量

I——轉換后灰度圖像的亮度值

將圖4a所示原始圖像轉換為灰度圖像，如圖4b所示，有效提高綠色秧苗和非綠色背景的對比度，有利于非綠色背景的去除。

彩色圖像經超綠特征法轉換為灰度圖像后，仍不能直接提取圖像中秧苗像素坐標，因此需要對圖像進行二值化處理，分割出秧苗像素和背景像素。對圖4b所示灰度圖像進行最大類間方差法(簡稱Otsu)分割[23]，獲得二值圖像，如圖4c所示，圖像中白色像素點為分割的秧苗像素點，黑色為背景。

2.2 候選特征點提取

為減小后期圖像處理的計算量，聚類前先在二值圖像中分區域提取秧苗行特征點，具體步驟如下：

(1)將圖4c所示二值圖像等分為上下兩部分，對于上半部分再次等分為n份，下半部分等分為m份，根據相機成像原理，實際獲取到的圖像往往存在遠小近大的特性，因此，取n>m。

(2)將m+n個水平子帶豎直等分為h份，形成如圖5所示若干個矩形塊，其中圖像的寬為W，高為H，所得的矩形寬皆為W/h，上半部分矩形(圖5中矩形a)的高為H/(2n), 下半部分矩形(圖5中矩形b)的高為H/(2m)。

(3)從下到上、從左到右掃描每一矩形塊并統計矩形內白色秧苗像素數，以圖5中矩形b為例，若矩形內秧苗像素點數大于預先設置的閾值Th，計算所有秧苗像素點坐標pb(xj,yj)平均值pavg_b(x,y)，計算公式為

(2)

式中xj、yj——矩形b中第j個秧苗像素點坐標

N——矩形b中秧苗像素點總數

將pavg_b(x,y)作為候選特征點坐標，存入候選特征點集Q中；否則，跳至下一矩形塊進行相關判斷，提取的候選秧苗特征點如圖6所示。

圖5 區域分割矩形示意圖Fig.5 Schematic of area division

圖6 候選特征點圖Fig.6 Initial feature points image

2.3 特征點聚類

秧苗行中心線提取可以看作是對秧苗行特征點進行直線擬合，為確定秧苗行的精確位置，需判斷當前圖像中有效的秧苗行數，并利用每行秧苗特征點間的鄰近關系對特征點進行準確聚類。具體如下：

(1)對圖5中圖像頂端首條水平子帶進行垂直投影，計算出該水平子帶的每一列中白色像素點數s(j)，并求出子帶的平均白色像素數savg。

(2)根據s(j)與savg的關系，確定升降點位置[24]。如果s(j-1)savg>s(j+1)，記點j為下降點pd。

(3)計算升降點pu和pd之間的橫向距離d(k)和距離平均值davg，若d(k)

(4)設第i行起始點的坐標為pri(x,y)，在圖7中定義以pri(x,y)為圓心，R為半徑的圓CR(pri(x,y))，如圖7a所示，圖中黑色實心圓點代表候選特征點集Q中特征點，如果pi(xj,yj)在圓CR(ai(xj,yj))內，則表明點pi(xj,yj)屬于pri(x,y)所在的秧苗行，將pi(xj,yj)點作為當前點并把該點坐標存入特征點子集Qi中，以pi(xj,yj)為圓心構建上述圓，繼續掃描其他特征點。

(5)采用步驟(4)中方法掃描該行所有特征點，直至當前圓內除圓心外不存在其他特征點時，結束該行特征點掃描，輸出該行特征點子集Qi。

(6)重復步驟(4)、(5)，將候選特征點集Q中所有特征點均歸類，圖6中候選秧苗行特征點的聚類結果如圖7b所示，不同顏色代表不同秧苗行的特征點聚類結果。

圖7 特征點聚類Fig.7 Feature points clustering

2.4 中心線提取

秧苗行特征點選取準確與否直接影響提取秧苗行中心線準確性，但候選特征點會因田間環境復雜而存在噪聲點，且遠離秧苗行中心線的噪聲點對檢測結果影響較大。由于秧苗為行種植模式，每行有條趨勢線[25]，通過趨勢線與特征點的位置關系，設置合適的距離閾值，對已聚類的各行秧苗行特征點進行篩選，去除離趨勢線遠的特征點。

圖8 特征點篩選示意圖Fig.8 Schematic of feature point filtering

基于趨勢線篩選特征點的示意圖如圖8所示，其中趨勢線方程為y=ax+b，設置合適的距離閾值c，可以確定兩條與趨勢線平行的直線，兩直線構成的條形區域以外的特征點為遠距離點，如圖8中紅色標記的特征點，將被移出特征點集，從而獲取最終的秧苗行特征點集，具體算法流程如下：

(1)連接第i行秧苗特征點集Qi中起點與終點，得到第i行秧苗的趨勢線Li，趨勢線方程為y=aix+bi。

(2)統計第i行特征點集Qi中特征點的總數t，計算特征點集Qi中每一個特征點到趨勢線Li的距離和距離閾值ci。

(3)

式中i——秧苗行數

j——Qi的第j個特征點

di,j——第i行第j個特征點到趨勢線的距離

(3)逐點掃描第i行特征點，若di,j>ci，則將該特征點從Qi中去除，反之不處理，直至該行所有特征點掃描完畢。

(4)重復步驟(1)～(3)直至圖像中所有行特征點篩選完畢，輸出最終的特征點集Qi。

圖9 特征點篩選結果Fig.9 Result of feature point filtering

圖9是基于趨勢線與特征點位置篩選后秧苗行特征點圖，對比圖7b，可見遠距離的特征點被有效去除。最小二乘法通過最小化誤差的平方和尋找數據的最佳函數匹配，尤其對數據量較少時，擬合精度高、速度快。因此，本文采用最小二乘法對圖9中每一行特征點進行直線擬合，擬合結果如圖10所示，圖中紅色的直線即為提取的秧苗行中心線。綜上所述，基于分區域特征點聚類的秧苗行中心線提取方法流程如圖11所示。

圖10 秧苗行中心線檢測結果Fig.10 Result of seedling rows detection

圖11 基于分區域特征點聚類的秧苗行中心線提取流程圖Fig.11 Flow chart of seedling row centerlines detection based on sub-regional feature points clustering

3 實驗結果與分析

為判斷秧苗行中心線提取的準確性，人工擬合出秧苗行中心線作為衡量基準，以判斷算法提取出的秧苗行中心線的準確率。人工擬合是在實驗圖像上通過手工繪制秧苗行直線并取其平均值作為秧苗行的參考直線，人工擬合的秧苗行中心線與實際提取的秧苗行中心線之間的夾角為誤差角，該誤差角用來衡量算法獲取行線的準確率，為滿足農機農藝要求，當誤差角大于5°，則視提取的秧苗行線無效，以此計算識別率。

于2018年6月在安徽農業大學郭河實驗基地采集秧苗圖像，圖像自動采集裝置如圖12所示，主要包括便攜式計算機、帶有USB接口的MV-CA050-20UM/C型相機和插秧機移動平臺，相機安裝在插秧機移動平臺的前方，距離地面高度為1.5 m，相機中心線相對移動平臺縱軸中心線向下傾斜15°，獲得的圖像通過USB線傳輸到計算機，并保存為2 560像素×1 920像素JPG格式的24位彩色圖像。為減小圖像處理的計算量，實驗中圖像分辨率縮小為320像素×237像素，所用計算機的CPU為Intel Core i7-7700HQ，主頻為2.8 GHz，內存8 GB，操作系統為Windows 10 64位系統，圖像處理所用的軟件是Microsoft Visual Studio 2017和OpenCV 3.0。

圖12 圖像采集裝置Fig.12 Equipment of image acquisition1.便攜式計算機 2.工業相機

共采集了3種不同天氣下若干數量的圖像，實驗中以300幅圖像進行秧苗行中心線檢測測試，其中晴天天氣下秧苗圖像120幅，多云天氣下秧苗圖像90幅，陰天天氣下秧苗圖像90幅。將本文算法分別與標準Hough變換和隨機Hough變換進行比較和分析，標準Hough變換和隨機Hough變換擬合秧苗行中心線的大致步驟如下: 采用2G-R-B提取秧苗超綠特征圖像，并進行 Otsu二值分割，以及膨脹、腐蝕等形態學操作，將秧苗從土壤背景中分割出來，采用Hough變換或隨機Hough變換對分割后的秧苗二值圖像進行直線擬合。其中，標準Hough變換算法中參數θ∈[-90°,90°]、ρ∈[-398,398]， 且θ的量化精度為1°；隨機Hough變換算法中最短直線的投票閾值為3，本文算法中參數m=10、n=20、h=50、Th=25、R=20。表2為3種算法的識別率、準確率和耗時數據。

表2 不同算法的識別率、準確率和耗時的比較Tab.2 Comparison of recognition rate, accuracy rate and time-consuming

由于標準Hough變換是對全局的二值圖像進行參數空間的映射，圖像信息量大，降低了檢測速度，且向外分散生長的秧苗葉片和噪聲像素被檢測為秧苗像素，導致秧苗行中心線檢測存在偏差。相比標準Hough，隨機Hough變換采用多對一的映射，降低了運算量，提高了檢測精度，但在處理復雜圖像時隨機采樣會引入無效采樣，從而降低算法的性能。而本文算法在二值圖像的基礎上通過識別、聚類秧苗行特征點來對秧苗行進行定位，克服了最小二乘法受干擾點影響的不足，又充分利用了最小二乘法耗時低于Hough變換的優勢，通過表2可知，該算法可以成功檢測出300幅秧苗圖像中所有秧苗行線，識別率達95.2%，且具有耗時少、準確率高的優勢。

圖13a為選取的3幅不同光照條件下水稻秧苗圖像，從左至右分別為晴天天氣下水稻秧苗圖像、多云天氣下水稻秧苗圖像、陰天天氣下水稻秧苗圖像。圖13b為經過2.1節和2.2節中算法處理后提取候選特征點圖像，由圖可以看出，提取出的特征點可以很好地代表秧苗行的趨勢。用本文提出的算法及標準Hough變換算法、隨機Hough變換算法對圖13b所示的特征點圖進行秧苗行中心線檢測。

圖13c為采用標準Hough變換算法對圖13b中特征點圖像進行秧苗行中心線檢測的結果，紅色直線是實際檢測的行中心線，藍色直線是人工擬合的參考線。由圖中實驗檢測結果與參考直線的夾角可以看出，在秧苗行周圍背景噪聲較少時，標準Hough變換可以成功檢測出秧苗行，但是當秧苗行周圍背景噪聲過多和光照不均時，特征點較為分散，此時標準Hough的檢測結果將出現較大偏差，甚至會出現秧苗行的漏檢測和誤檢測現象，其平均角度偏差為2.847°。

圖13d為基于特征點圖像采用隨機Hough變換進行秧苗行中心線提取的結果，由圖中實驗檢測結果與參考直線的夾角可以看出，隨機Hough變換算法在漏檢測和誤檢測方面較Hough變換有很大改善，但當秧苗行周圍泥土過多和光照不均時，檢測結果依然存在較大偏差，其平均角度偏差為1.803°。

針對以上2種算法對于特征點分散的圖像檢測結果不夠準確的問題，本文對候選特征點進行進一步篩選，如圖13e所示，篩選后的特征點更好地描述了秧苗行中心線的位置。圖13f顯示了本文算法的秧苗行中心線檢測結果，其平均角度偏差為0.794°，對于秧苗行周圍有明顯土壤雜物，以及光照不均的圖像，本文算法仍然可以成功檢測出秧苗行中心線。

圖13 不同算法檢測結果的比較Fig.13 Comparisons of detection lines by different algorithms

綜合上述秧苗行中心線檢測效果分析，所提算法的準確性和檢測速度高于標準Hough變換算法和隨機Hough變換算法。但本文選取的實驗對象是水田秧苗，沒有驗證算法的作物行檢測的適應性，且本文算法處理一幅320像素×237像素的彩色圖像平均耗時為0.467 s，不能滿足實際攝像機幀率為25 f/s的需要。因此在后續的研究中需要開展算法對不同類型農作物和作物不同生長階段的適應性研究，并改進、優化算法，提高算法的適應性和運算速度。

4 結論

(1)采用2G-R-B特征因子和Otsu法對彩色圖像進行預處理，基于秧苗像素點的位置分布，進行分區域的秧苗行特征點提取和聚類，通過最小二乘法擬合秧苗行中心線，可以有效解決秧苗行周圍背景噪聲過多和光照不均的問題，具有較好的魯棒性。

(2)通過對不同天氣下的300幅圖像進行測試，利用本文算法提取秧苗行中心線的準確率為95.6%、識別率為95.2%，高于標準Hough變換和隨機Hough變換算法，同時，算法處理速率也有明顯提升。

(3)采用各算法對隨機選取的不同天氣下3幅秧苗圖像提取秧苗行中心線，并與人工擬合秧苗行中心線對比，結果顯示，標準Hough變換、隨機Hough變換和本文算法的平均偏差角度分別為2.847°、1.803°和0.794°，表明本文算法能夠準確提取秧苗行中心線，可靠性較高。