CN107067430A - 一种基于特征点聚类的麦田作物行检测方法 - Google Patents

Abstract

本发明采用2G‑R‑B彩色图象灰度化、Otsu图像二值化、左右边缘中心线检测方法对图像进行特征点提取，既能得到作物行信息，又拥有了相对较少数据点的特征点图像；并提出了新的聚类方法，利用特征点的距离特征对特征点进行聚类，可以准确得到代表每个作物行的特征点；对每一类的特征点用最小二乘法进行直线拟合。该方法可以对作物缺失和杂草影响等复杂农田环境下的图像，进行有效地作物行提取，能够满足农田作业机械实时导航的需求。

Description

一种基于特征点聚类的麦田作物行检测方法

技术领域

本发明涉及一种麦田作物行检测方法，具体为一种基于特征点聚类的麦田作物行检测方法，属于数据处理应用领域。

背景技术

作为精准农业的一个重要组成部分，农田作业机械的视觉导航技术越来越备受关注，并已广泛应用于农作物种植、施肥、中耕除草等方面。检测作物行中心线是进行视觉导航的基础。目前常用的作物行检测算法有Hough变换法和最小二乘法。Hough变换算法受噪声影响小，鲁棒性强，缺点是算法的峰值检测困难、时间复杂度和空间复杂度较大。为了减少计算量，Xu等提出随机霍夫变换，采用多到一的映射方法减少计算量，运用动态链表来降低内存。该改进算法虽能一定程度上减少内存，提高运行速度，但对于带有杂草的作物图像，作物行检测精度仍然不高；最小二乘法在用于提取导航线时，能够快速检测出作物行，但该方法的缺点是容易受到图像噪声干扰，当图像包含多个作物行时，不能直接采用最小二乘法进行直线检测。

发明内容

为了解决现有技术存在的以上问题，本发明提出一种基于特征点聚类的麦田作物行检测方法，主要包括以下步骤：

(1)用彩色相机拍摄小麦作物图像；

(2)得到小麦作物二值图像；

(3)运用左右边缘中心线检测方法得到代表小麦作物行的候选特征点；

(4)运用分布在直线周围的特征点到该直线的距离均小于某一阈值的约束方法进行特征点聚类，得到有效特征点；

(5)运用最小二乘法对每一类中的有效特征点进行直线拟合，从而检测出各作物行。

具体地，步骤(4)中，

1)从上到下，从左到右扫描小麦作物二值图像，找到所有像素值为1的特征点(x_i,y_i)，数据空间V中有n个特征点，且i＝1,2,3,...,n；

2)初始化距离阈值dbound，麦田作物行数num。

3)对于任一组合(k_m,b_l)，对应直线y＝k_mx+b_l，计算V中所有特征点(x_i,y_i)到直线y＝k_mx+b_l的距离d，其中1≤m≤max_m，k_m的步长为S_k,1≤l≤max_l，b_l的步长为S_b,且当m＝1时，b_l从b₁遍历到b_{max_l},且b_{max_l}＝b_{max_l-1+}S_b，k_{max_m}＝k_{max_m-1+}S_k,直至k_m从k₁遍历到k_{max_m}；

如果距离d小于阈值dbound，则该特征点认为是属于直线l的有效特征点。设一累加器始终记录组合(k_m,b_l)对应的有效特征点个数的最大值，同时记录该最大值对应的k_m和b_l的值；

4)步骤3)执行完毕，根据累加器中的最大值对应的k_m和b_l的值，找出到直线y＝k_mx+b_l距离小于dbound的所有有效特征点，并将其存储在一维数组中，第一作物行的有效特征点聚类完毕；

5)删除4)中的参与聚类的特征点，更新数据集V，循环执行步骤3)-4)，直到第num行的特征点聚类完毕。

更具体地，在上述步骤中，dbound为麦田宽度的一半。

由于本方法根据距离约束选择覆盖点最多的几条直线，因此只要选取合适的距离阈值d，这些特征点的聚类结果基于能很好地代表作物行的走向。采用本发明后，计算量减少，克服了峰值检测难的问题，且计算速度更快、拟合效果更准确，对噪声点较多的图像具有很强的鲁棒性。

附图说明

图1为小麦处于拔节期时的生长图像。

图2为图1的预处理结果。

图3为特征点聚类结果。

具体实施方式

1.图像获取。在图片采集过程中，使用Samsung S750彩色相机进行拍摄，相机距离地面高度为1.1米，相机光轴与水平线夹角为30度或80度，图像是大小为640pixel×480pixel或480pixel×640pixel的彩色图像。实验所用的计算机配置为CPU主频2.60GHz，内存为1.88GB。图像处理所用的软件为Matlab R2009a。

2.图像预处理

2.1彩色图像灰度化

本发明采用超绿色法即2G-R-B特征因子进行分割。对图1的灰度化结果如图2a。

2.2图像二值化

为了将作物信息从土壤、背景中分离出来，运用Otsu方法对图2a进行二值化处理，二值化结果如图2b。

2.3特征点提取

为了减少图像处理后期工作量，从二值图像图(2b)的作物行中运用左右边缘中心线检测方法提取部分特征点表示作物行。特征点提取过程中，采用从上到下、从左到右的顺序对二值图像进行扫描。每行像素中，将作物看作由长度不同的白色线段组成，取各个线段的中点作为代表作物行的特征点。具体方法如下:对当前行从左到右进行扫描，当像素值从0(背景)跳变到1(作物)，则像素值为1的像素点被视为线段的起点leftx，图像继续向右扫描，当像素值从1(作物)跳变到0(背景)，则该像素值为1的像素点被视为线段的终点rightx。设置一个长度阈值，将长度小于阈值的线段上所有像素视为伪像素点，反之，取该线段的中点为所要找的特征点。接着从rightx后的第二个像素点进行扫描，直至扫描结束。特征点提取图像如图2c。

3、特征点聚类。目标图像经以上步骤处理后，获得代表作物行的特征点图像。根据每一作物行的特征点应该大致分布在由特征点决定的直线附近的特点，提出以下聚类方法：属于同一类的特征点到目标直线的距离d值很接近，假设V表示特征点构成的数据空间，y＝kx+b表示离散在图像如图2c中的直线，计算V中所有特征点到这些直线的距离，寻找特征点覆盖最多的几条直线即为目标作物行中心线。

具体步骤如下：

(1)从上到下，从左到右扫描特征点图像(图2c)，找到所有像素值为1的特征点，存储其位置信息。

(2)设置两个参数k,b，k的取值范围为k₁到k_m，步长为w₁，b的取值范围为b₁到b_l，步长为w₂。用直线的斜截式表示直线方程为y＝kx+b，该特征点图像中有很多条离散的直线。

(3)该数据空间V中有n个特征点(x₁,y₁),(x₂,y₂)…,(x_n,y_n)。初始化一个0矩阵NUM，大小为M×N，其中

对任一组合(k,b)，从上到下，从左到右扫描图像，计算V中特征点(x_n,y_n)到直线y＝kx+b的距离d，

设定一个距离阈值dbound，根据麦田特征，dbound为麦田宽度的一半。如果d小于dbound，则NUM[i,j]＝NUM[i,j]+1。

(4)找出NUM中最大值所对应的位置对应的k,b，找出到该当前直线y＝kx+b距离小于dbound的所有点，并将其位置索引记录在ntemp[]中，ntemp[]为1×n的一维数组，n的取值由满足距离约束条件的特征点的个数决定。一类聚类完毕。

(5)删除记录在ntemp[]中的位置索引对应的所有特征点，循环执行(1)-(4)，该循环次数由要检测的作物行数确定。

图3把特征点分为六类，剔除不满足距离约束条件的点，留下能代表目标作物行中心线的特征点。

4、基于最小二乘法的作物行中心线检测。

由于离散在特征点图像的直线有限，容易受到噪声点的干扰。因此，本发明通过先聚类，再进行最小二乘法拟合，从而提高最小二乘法的适应性。先运用分布在某条直线周围的点到该直线的距离均小于某一阈值的距离约束对特征点聚类，得到点集，然后在点集上用最小二乘法拟合直线。具体方法如下：

(1)找出NUM中最大值所对应的位置对应的k，b的值，找到点到该目前直线y＝kx+b距离小于dbound的所有点，并将其位置索引记录在ntemp[]中。

(2)将记录在ntemp[]中的位置索引值对应的所有特征点用最小二乘法进行直线拟合。

(3)删除上述步骤(2)中的特征点，循环执行第3步中的(1)-(4)，直至找出所有的目标直线。

由于本方法根据距离约束选择覆盖点最多的几条直线，因此只要选取合适的距离阈值d，这些特征点的聚类结果基于能很好地代表作物行的走向。采用本发明后，计算量减少，克服了峰值检测难的问题，且计算速度更快、拟合效果更准确，对噪声点较多的图像具有很强的鲁棒性。

本发明亦适用于点播作物如大豆、玉米等的行检测。

Claims (3)

1.一种基于特征点聚类的麦田作物行检测方法，其特征在于：该方法步骤如下：

(1)用彩色相机拍摄小麦作物图像；

(2)得到小麦作物二值图像；

(3)运用左右边缘中心线检测方法得到代表小麦作物行的候选特征点；

(4)运用分布在直线周围的特征点到该直线的距离均小于某一阈值的约束方法进行特征点聚类，得到有效特征点；

(5)运用最小二乘法对每一类中的有效特征点进行直线拟合，从而检测出各作物行。

2.根据权利要求1所述的一种基于特征点聚类的麦田作物行检测方法，其特征在于，步骤(4)具体为：

1)从上到下，从左到右扫描小麦作物二值图像，找到所有像素值为1的特征点(x_i,y_i)，数据空间V中有n个特征点，且i＝1,2,3,...,n；

2)初始化距离阈值dbound，麦田作物行数num。

3)对于任一组合(k_m,b_l)，对应直线y＝k_mx+b_l，计算V中所有特征点(x_i,y_i)到直线y＝k_mx+b_l的距离d，其中1≤m≤max_m，k_m的步长为S_k,1≤l≤max_l，b_l的步长为S_b,且当m＝1时，b_l从b₁遍历到b_{max_l},且k_{max_m}＝k_{max_m-1}+S_k,直至k_m从k₁遍历到k_{max_m}；

如果距离d小于阈值dbound，则该特征点认为是属于直线l的有效特征点。设一累加器始终记录组合(k_m,b_l)对应的有效特征点个数的最大值，同时记录该最大值对应的k_m和b_l的值；

4)步骤3)执行完毕，根据累加器中的最大值对应的k_m和b_l的值，找出到直线y＝k_mx+b_l距离小于dbound的所有有效特征点，并将其存储在一维数组中，第一作物行的有效特征点聚类完毕；

5)删除4)中的参与聚类的特征点，更新数据集V，循环执行步骤3)-4)，直到第num行的特征点聚类完毕。

3.根据权利要求1所述的一种基于特征点聚类的麦田作物行检测方法，其特征在于：dbound为麦田宽度的一半。