大田作物长势监控图像中绿色植物识别方法.docVIP

大田作物长势监控图像中绿色植物识别方法 　　摘要：为实现对大田作物长势的智能监控，对监控图像中绿色植物的识别方法进行了研究，提出了一种基于HSV和颜色离差决策树的绿色植物识别方法。将采集的图像从RGB颜色空间转换到HSV颜色空间，实现图像颜色属性与亮度属性的分离，解决由于自然光拍摄条件产生的图像亮度变化问题；通过构建基于HSV和颜色离差的决策树，实现绿色植物与玉米秸、麦秸、地膜、黄土、红土、黑土、灰烬等背景元素的分离，解决由于大田拍摄环境造成的图像背景复杂问题。试验结果表明，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，能够较好地适应野外大田环境造成的图像亮度变化和复杂背景。 　　关键词：大田作物；绿色识别；决策树；HSV；颜色离差 　　中图分类号： TP391.41文献标志码： A文章编号：1002-1302（2015）11-0478-05 　　收稿日期：2015-04-17 　　基金项目：国家国际科技合作专项（编号：2013DFA11320）。 　　作者简介：王思乐（1971―），男，河北保定人，讲师，主要从事计算机应用与模式识别方向研究。E-mail：fontain@163.com。 　　通信作者：杨文柱，教授，硕士生导师。E-mail：wenzhuyang@。1研究背景 　　精细农业的核心是实时获取农田区块的土壤和农作物信息、诊断作物长势，并对地块进行准确的灌溉、施肥、喷药等农业活动，最大限度地提高水、肥和杀虫剂的利用效率，获得最佳的经济效益和生态效益[1-3]。 　　大田作物长势分析是精细农业的一个重要研究内容，目的是为施肥、灌溉、杀虫等农业活动提供准确的决策依据。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。遥感的分辨率较低，但观测面积大，比较适合进行大区域的作物长势监控；基于相机的监控分辨率较高，却观测面积有限，适合进行地块级的精确监控。本研究选择基于田间相机的监控方式，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提供基础数据。 　　大田作物的长势监控图像拍摄于野外环境，因此图像的亮度、对比度等容易受天气、时间的影响；大田环境复杂，土壤颜色多变，且土壤表面可能覆盖麦秸、玉米秸、秸秆灰烬、地膜等，这些因素都使得从监控图像中正确识别出其中的绿色植物变得极其困难。 　　为解决上述难题，很多科学家正在积极研究如何在复杂的大田作物长势监控图像中准确地识别出其中的绿色植物[10-15]。目前较典型的方法是基于可见光谱因子的方法，如超绿因子法（the Excess Green index，简称ExG），超绿减红因子法（the Excess Green minus Excess Red index，简称ExGR），植被指数法（the Vegetative index，简称VEG），植被颜色指数抽取法（the Color Index of Vegetation Extraction，简称CIVE），综合指数法（the Combined index，简称COM）等[16]。 　　基于可见光谱因子的识别方法这样的事实，即在归一化的RGB颜色空间中，绿色植物总是拥有比其他元素更大的绿色因子。得到图像的绿色因子矩阵后，通过阈值分割就能得到其中的绿色植物。基本原理如下： 　　通过计算图像中每个像素的可见光谱因子，得到1个与图像大小相同的矩阵；将这个矩阵看作灰度图像，对它进行阈值分割，就可以得到图像中的绿色植物。 　　上述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，比如晴天时亮度和对比度较高，而阴天时较低；植物的颜色也不总是明亮的绿色，而是与作物生长状态（如健康、患病、缺肥、干旱、虫害等）密切相关；图像的背景也不仅仅是单一的土壤，大田的土壤可能是黑土、黄土或红土，土壤表面可能覆盖着麦秸、玉米秸、灰烬或地膜等。上述因素导致基于可见光谱因子的方法在某些情况下失效，因此亟需寻找一种能够适应大田环境的绿色植物识别方法。 　　2材料与方法 　　大田玉米苗图像见图1，由索尼相机拍摄，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、阴天2种天气状况进行拍摄，拍摄包括单一土壤背景、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，拍摄时间为2014年6月，2次拍摄间隔大约为1周，第1次拍摄时为晴天，第2次拍摄时为阴天。通过观察发现，图像中玉米苗的颜色有从深绿色到亮绿色的变化，且还包括反光情况。