本發(fā)明涉及一種田間拍攝圖片的玉米植株自動(dòng)獲取方法，尤其是一種基于支持向量數(shù)據(jù)描述的田間玉米植株識(shí)別方法，基于支持向量數(shù)據(jù)描述的分割算法，用于將玉米植株從復(fù)雜背景中準(zhǔn)確提取出來。

背景技術(shù)：

玉米是世界總產(chǎn)量最高的糧食作物和主要的畜牧業(yè)飼料來源，同時(shí)也是工業(yè)生產(chǎn)中的重要原料，隨著計(jì)算機(jī)軟硬件技術(shù)及數(shù)字圖像處理技術(shù)的迅速發(fā)展，它在農(nóng)業(yè)上的應(yīng)用研究有了較大的進(jìn)展。目前基于圖像的機(jī)器視覺和圖像分析技術(shù)已經(jīng)在農(nóng)業(yè)領(lǐng)域得到廣泛的應(yīng)用，它在特征的提取方面，尤其是在顏色、形狀和紋理方面具有顯著的優(yōu)勢。機(jī)器視覺技術(shù)包括圖像獲取、圖像處理以及模式識(shí)別等，用機(jī)器視覺可模擬人眼對農(nóng)作物進(jìn)行可見光譜的近距離拍攝，然后運(yùn)用數(shù)字圖像處理等技術(shù)對獲取的圖像信息進(jìn)行分析研究對象所需的信息。長期以來，田間觀測主要通過人工進(jìn)行的方式，這種方式不僅費(fèi)時(shí)費(fèi)力，且受到人主觀因素的影響較大。因此借助圖像處理的手段對田間玉米進(jìn)行實(shí)時(shí)監(jiān)控是十分必要的。

雜草的適應(yīng)性以及繁殖力都很強(qiáng)，它們會(huì)與農(nóng)作物及土壤爭奪養(yǎng)分、水分、陽光以及生長空間，妨礙作物通風(fēng)、透氣，影響土壤表層的溫度，直接造成農(nóng)作物的嚴(yán)重減產(chǎn)，更不利于土壤的可持續(xù)利用。可見，為了維持農(nóng)作物的高產(chǎn)，去除雜草是十分必要的。智能除草在保護(hù)自然環(huán)境的同時(shí)，又不至于使農(nóng)作物減產(chǎn)。也就是說，如果操作者知道哪些地方有雜草，哪些地方?jīng)]有雜草，那么在噴灑藥劑的時(shí)候就會(huì)對有雜草的地方噴灑除草劑，對沒有雜草的地方不噴灑除草劑，這樣既節(jié)省了成本，降低了投入，又減少了對農(nóng)業(yè)生態(tài)環(huán)境的污染，有利于農(nóng)業(yè)的可持續(xù)發(fā)展，這也是如今精準(zhǔn)農(nóng)業(yè)方面比較清晰的一個(gè)趨勢。為了降低雜草危害程度，保護(hù)生態(tài)環(huán)境不受污染，提高產(chǎn)品的質(zhì)量和產(chǎn)量，盡快實(shí)現(xiàn)雜草控制的自動(dòng)化與科學(xué)化已成為一個(gè)很現(xiàn)實(shí)的課題。因此，智能除草的研制與應(yīng)用，對促進(jìn)我國農(nóng)業(yè)現(xiàn)代化的發(fā)展有著十分重要的經(jīng)濟(jì)和環(huán)保意義。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是克服現(xiàn)有技術(shù)中存在的不足，提供一種基于支持向量數(shù)據(jù)描述的田間玉米植株識(shí)別方法，能夠?qū)崿F(xiàn)田間拍攝圖片中玉米植株的自動(dòng)識(shí)別，算法計(jì)算簡單，并具有較高的魯棒性。

按照本發(fā)明提供的技術(shù)方案，所述基于支持向量數(shù)據(jù)描述的田間玉米植株識(shí)別方法，其特征是，包括以下步驟：

(1)訓(xùn)練階段：采集不同時(shí)間段的玉米田間圖片作為訓(xùn)練樣本，提取玉米田間圖片中的玉米植株區(qū)域，獲取玉米植株區(qū)域的圖片特征；計(jì)算原始圖片特征對第一主成分的貢獻(xiàn)率W，設(shè)定閾值，選擇較大貢獻(xiàn)率W所對應(yīng)的特征作為最優(yōu)特征，輸出最優(yōu)特征集合，建立SVDD模型；

(2)分割階段：首先將測試圖片的背景區(qū)域去除，提取測試圖片剩余連通區(qū)域的圖片特征；將測試圖片各個(gè)連通區(qū)提取的圖片特征帶入SVDD模型進(jìn)行測試，確定玉米植株區(qū)域和非玉米區(qū)域。

進(jìn)一步的，所述步驟(1)中獲取的玉米植株區(qū)域的圖片特征包括圖片連通區(qū)域的植被指數(shù)特征和紋理特征其中包含L個(gè)樣本和Num個(gè)特征。

進(jìn)一步的，所述植被指數(shù)特征包括Rn、Gn、Bn、Gray、ExG、ExR、CIVE、ExGR、GB、ERI、EGI、EBI十二個(gè)植被指數(shù)特征；所述紋理特征包括四個(gè)方向上的對比度、相關(guān)性、能量和同質(zhì)性紋理特征。

進(jìn)一步的，所述步驟(1)中訓(xùn)練樣本選擇玉米生長初期一天內(nèi)不同時(shí)間段的圖片。

進(jìn)一步的，所述步驟(1)和步驟(2)中使用超綠特征進(jìn)行圖片預(yù)處理，去除圖片背景。

進(jìn)一步的，所述步驟(1)中建立SVDD模型時(shí)，使用主成份分析方法進(jìn)行特征選擇，計(jì)算每個(gè)玉米植株區(qū)域的圖片特征、以及每個(gè)原始特征對第一主成分的貢獻(xiàn)率W，閾值設(shè)定為0.2)。

進(jìn)一步的，所述步驟(2)的具體過程為：將測試圖片去除背景區(qū)域，保留玉米植株連通區(qū)域；計(jì)算各個(gè)連通區(qū)域內(nèi)每個(gè)像素點(diǎn)的植被指數(shù)特征集合，對相同區(qū)域內(nèi)像素點(diǎn)特征進(jìn)行求和取均值操作，得到連通區(qū)域的植被指數(shù)特征；將連通區(qū)域的植被指數(shù)特征和紋理特征代入步驟(1)得到的SVDD模型進(jìn)行測試，確定玉米植株區(qū)域，對非玉米植株區(qū)域進(jìn)行刪除操作。

本發(fā)明所述基于支持向量數(shù)據(jù)描述的田間玉米植株識(shí)別方法，主要利用了作物圖像特征規(guī)律進(jìn)行玉米植株識(shí)別，可以有效避免人工觀測的誤差等問題，同時(shí)針對實(shí)際環(huán)境中雜草種類繁多的特點(diǎn)，使用SVDD算法，最終能夠準(zhǔn)確地識(shí)別田間圖片的玉米植株區(qū)域。該方法對于作物的自動(dòng)化觀測，田間雜草識(shí)別等領(lǐng)域具有重要的意義。

附圖說明

圖1為本發(fā)明所述田間玉米植株識(shí)別方法的整體流程圖。

圖2為依據(jù)超綠特片進(jìn)行圖片預(yù)處理去除背景區(qū)域提取植株區(qū)域的示意圖。

圖3-1～圖3-3為不同時(shí)間下的訓(xùn)練樣本圖片。

圖4-1、圖4-2為訓(xùn)練數(shù)據(jù)進(jìn)行PCA后的得分圖和載荷圖。

圖5-1、圖5-2為對測試圖片進(jìn)行粗分割以及最終決策后的結(jié)果圖。

具體實(shí)施方式

下面結(jié)合具體附圖對本發(fā)明作進(jìn)一步說明。

本發(fā)明所述基于支持向量數(shù)據(jù)描述的田間玉米植株識(shí)別方法，目的在于針對田間復(fù)雜環(huán)境下，在彩色圖片中自動(dòng)識(shí)別植株區(qū)域；如圖1所示，具體包括以下步驟：

(1)訓(xùn)練階段：將圖片采集系統(tǒng)放置在待識(shí)別玉米田間，對玉米生長初期一天內(nèi)不同時(shí)間段的玉米田間圖片進(jìn)行搜集，作為玉米圖片的歷史數(shù)據(jù)，使用超綠特征(2G-R-B)進(jìn)行圖片預(yù)處理，提取玉米植株區(qū)域建立訓(xùn)練模型；

如圖2所示，去除背景區(qū)域，提取玉米植株區(qū)域建立訓(xùn)練模型的具體步驟如下：

a、樣本圖像生成，選取一天內(nèi)不同時(shí)間段圖片若干幅(如圖3-1、圖3-2、圖3-3所示)，選擇197處玉米植株區(qū)域，提取玉米植株區(qū)域的圖片特征，作為訓(xùn)練數(shù)據(jù)；所述圖片特征包括Rn、Gn、Bn(Rn、Gn、Bn為歸一化紅綠藍(lán)特征)、Gray(灰度特征)、ExG(超綠特征)、ExR(超紅特征)、CIVE(植被顏色指數(shù))、ExGR(超綠減紅)、GB(綠減紅)、ERI(過紅特征)、EGI(過綠特征)、EBI(過藍(lán)特征)十二個(gè)植被指數(shù)特征、四個(gè)方向上的對比度(0度、45度、90度和135度)、相關(guān)性、能量、同質(zhì)性紋理特征；得到各個(gè)像素點(diǎn)L×Num的特征矩陣，該特征矩陣包含L個(gè)樣本和Num個(gè)特征，可以表示為圖片連通區(qū)域的植被指數(shù)特征和紋理特征其中紋理特征矩陣包含四個(gè)方向上的對比度、相關(guān)性、能量、同質(zhì)性紋理特征；對各個(gè)區(qū)域的植被指數(shù)特征進(jìn)行求和取均值操作；

b、在步驟a生成訓(xùn)練數(shù)據(jù)后，使用主成份分析(PCA)方法進(jìn)行特征選擇，計(jì)算每個(gè)玉米植株區(qū)域的圖片特征、以及每個(gè)原始特征對第一主成分的貢獻(xiàn)率W，設(shè)定閾值(一般閾值設(shè)定為0.2)，選擇貢獻(xiàn)率W值較大的特征所對應(yīng)的特征作為最優(yōu)特征，輸出最優(yōu)特征集合，建立支持向量數(shù)據(jù)描述(SVDD)模型；

如圖4所示，其中發(fā)現(xiàn)玉米雜草可通過第一主成分進(jìn)行分類；因此選取其中對第一主成分權(quán)重大的特征作為最優(yōu)特征，進(jìn)行SVDD建模，得到分類超球面的中心μ和半徑R；

(2)分割階段：利用經(jīng)步驟(1)訓(xùn)練生成的SVDD模型，將測試圖片進(jìn)行分割處理，提取各個(gè)區(qū)域的圖片特征進(jìn)行分類，最終留下玉米植株區(qū)域；具體操作步驟如下：

a、玉米圖像預(yù)處理步驟：先將待分割的彩色圖像基于超綠特征進(jìn)行預(yù)處理，去除背景區(qū)域，保留綠色連通區(qū)域，非植株區(qū)域置為黑色；

b、玉米植株區(qū)域識(shí)別步驟：計(jì)算各個(gè)連通區(qū)域內(nèi)每個(gè)像素點(diǎn)的植被指數(shù)特征集合，對相同區(qū)域內(nèi)像素點(diǎn)特征進(jìn)行求和取均值操作，得到連通區(qū)域的植被指數(shù)特征；將連通區(qū)域的植被指數(shù)特征和紋理特征代入步驟(1)得到的SVDD模型進(jìn)行測試，確定玉米植株區(qū)域，對非玉米植株區(qū)域進(jìn)行刪除操作；

在由SVDD模型進(jìn)行測試時(shí)，將各個(gè)連通區(qū)域的圖片特征均值同SVDD超球面中心的距離，以及超球面半徑進(jìn)行比較，按照相同種類植株差異越小的原則，選擇處于超球面內(nèi)的區(qū)域作為玉米植株。

具體地，如圖5-1、圖5-2所示，圖5-1、圖5-2分別為兩個(gè)測試圖片進(jìn)行粗分割和最終決策后的示意圖，其中，a區(qū)域?yàn)樵紲y試圖片，b區(qū)域?yàn)榻?jīng)圖像預(yù)處理步驟去除背景區(qū)域的示意圖，c區(qū)域?yàn)槿コs草、確定玉米植株區(qū)域的示意圖。