CN107067430A - 一种基于特征点聚类的麦田作物行检测方法 - Google Patents
一种基于特征点聚类的麦田作物行检测方法 Download PDFInfo
- Publication number
- CN107067430A CN107067430A CN201710238165.6A CN201710238165A CN107067430A CN 107067430 A CN107067430 A CN 107067430A CN 201710238165 A CN201710238165 A CN 201710238165A CN 107067430 A CN107067430 A CN 107067430A
- Authority
- CN
- China
- Prior art keywords
- point
- crop
- crop row
- characteristic point
- straight line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30172—Centreline of tubular or elongated structure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
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
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(xi,yi),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(km,bl),对应直线y=kmx+bl,计算V中所有特征点(xi,yi)到直线y=kmx+bl的距离d,其中1≤m≤max_m,km的步长为Sk,1≤l≤max_l,bl的步长为Sb,且当m=1时,bl从b1遍历到bmax_l,且bmax_l=bmax_l-1+Sb,kmax_m=kmax_m-1+Sk,直至km从k1遍历到kmax_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(km,bl)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km和bl的值;
4)步骤3)执行完毕,根据累加器中的最大值对应的km和bl的值,找出到直线y=kmx+bl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km,步长为w1,b的取值范围为b1到bl,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)…,(xn,yn)。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(xn,yn)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(xi,yi),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(km,bl),对应直线y=kmx+bl,计算V中所有特征点(xi,yi)到直线y=kmx+bl的距离d,其中1≤m≤max_m,km的步长为Sk,1≤l≤max_l,bl的步长为Sb,且当m=1时,bl从b1遍历到bmax_l,且kmax_m=kmax_m-1+Sk,直至km从k1遍历到kmax_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(km,bl)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km和bl的值;
4)步骤3)执行完毕,根据累加器中的最大值对应的km和bl的值,找出到直线y=kmx+bl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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710238165.6A CN107067430B (zh) | 2017-04-13 | 2017-04-13 | 一种基于特征点聚类的麦田作物行检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710238165.6A CN107067430B (zh) | 2017-04-13 | 2017-04-13 | 一种基于特征点聚类的麦田作物行检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107067430A true CN107067430A (zh) | 2017-08-18 |
CN107067430B CN107067430B (zh) | 2020-04-21 |
Family
ID=59599418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710238165.6A Expired - Fee Related CN107067430B (zh) | 2017-04-13 | 2017-04-13 | 一种基于特征点聚类的麦田作物行检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107067430B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344843A (zh) * | 2018-09-07 | 2019-02-15 | 华南农业大学 | 水稻秧苗行线提取方法、装置、计算机设备和存储介质 |
CN111080649A (zh) * | 2019-12-10 | 2020-04-28 | 桂林电子科技大学 | 一种基于黎曼流形空间的图像分割处理方法及*** |
CN113111892A (zh) * | 2021-05-12 | 2021-07-13 | 中国科学院地理科学与资源研究所 | 一种基于无人机影像的作物种植行提取方法 |
CN113128576A (zh) * | 2021-04-02 | 2021-07-16 | 中国农业大学 | 基于深度学习图像分割的作物行检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101750051A (zh) * | 2010-01-04 | 2010-06-23 | 中国农业大学 | 一种视觉导航的多作物行检测方法 |
CN101807252A (zh) * | 2010-03-24 | 2010-08-18 | 中国农业大学 | 作物行中心线提取方法和*** |
CN105046229A (zh) * | 2015-07-27 | 2015-11-11 | 浙江理工大学 | 一种农作物行的识别方法及装置 |
CN108133471A (zh) * | 2016-11-30 | 2018-06-08 | 天津职业技术师范大学 | 一种自然光照条件下基于人工蜂群算法的农业移动机器人导航路径提取方法及装置 |
-
2017
- 2017-04-13 CN CN201710238165.6A patent/CN107067430B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101750051A (zh) * | 2010-01-04 | 2010-06-23 | 中国农业大学 | 一种视觉导航的多作物行检测方法 |
CN101807252A (zh) * | 2010-03-24 | 2010-08-18 | 中国农业大学 | 作物行中心线提取方法和*** |
CN105046229A (zh) * | 2015-07-27 | 2015-11-11 | 浙江理工大学 | 一种农作物行的识别方法及装置 |
CN108133471A (zh) * | 2016-11-30 | 2018-06-08 | 天津职业技术师范大学 | 一种自然光照条件下基于人工蜂群算法的农业移动机器人导航路径提取方法及装置 |
Non-Patent Citations (3)
Title |
---|
JIANG G等: "Automatic detection of crop rows based on multi-ROIs", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
司永胜等: "基于最小二乘法的早期作物行中心线检测方法", 《农业机械学报》 * |
姜国权等: "基于已知点的作物行检测方法", 《应用基础与工程科学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344843A (zh) * | 2018-09-07 | 2019-02-15 | 华南农业大学 | 水稻秧苗行线提取方法、装置、计算机设备和存储介质 |
CN109344843B (zh) * | 2018-09-07 | 2020-09-25 | 华南农业大学 | 水稻秧苗行线提取方法、装置、计算机设备和存储介质 |
CN111080649A (zh) * | 2019-12-10 | 2020-04-28 | 桂林电子科技大学 | 一种基于黎曼流形空间的图像分割处理方法及*** |
CN111080649B (zh) * | 2019-12-10 | 2023-05-30 | 桂林电子科技大学 | 一种基于黎曼流形空间的图像分割处理方法及*** |
CN113128576A (zh) * | 2021-04-02 | 2021-07-16 | 中国农业大学 | 基于深度学习图像分割的作物行检测方法及装置 |
CN113111892A (zh) * | 2021-05-12 | 2021-07-13 | 中国科学院地理科学与资源研究所 | 一种基于无人机影像的作物种植行提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107067430B (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109215071B (zh) | 基于视觉的智能稻麦收割机割幅测量方法 | |
CN111462225B (zh) | 一种红外光斑图像的质心识别定位方法 | |
CN107067430A (zh) | 一种基于特征点聚类的麦田作物行检测方法 | |
CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
CN110853081B (zh) | 基于单木分割的地面和机载LiDAR点云配准方法 | |
CN106981077B (zh) | 基于dce和lss的红外图像和可见光图像配准方法 | |
CN105117701B (zh) | 基于最大正方形原理的玉米作物行骨架提取方法 | |
CN111753577A (zh) | 自动采摘机器人中的苹果识别与定位方法 | |
CN104182974B (zh) | 一种基于特征点进行图像匹配的加速方法 | |
CN107833206B (zh) | 一种复杂背景下电力线精确提取方法 | |
CN108133471B (zh) | 一种基于人工蜂群算法的机器人导航路径提取方法及装置 | |
CN109190452B (zh) | 作物行识别方法及装置 | |
CN112614147B (zh) | 一种基于rgb影像的作物苗期植株密度估算的方法及*** | |
CN114627367B (zh) | 一种侧扫声呐图像的海底线探测方法 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
CN110335282A (zh) | 一种基于栅格的轮廓线段特征提取算法 | |
CN104881652B (zh) | 一种基于玉米穗凸性特征的行数自动检测方法 | |
CN105046229B (zh) | 一种农作物行的识别方法及装置 | |
CN110689586B (zh) | 中医智能舌诊中的舌像识别方法和用于该方法的便携式校正色卡 | |
CN113421301B (zh) | 一种田间作物中心区域定位方法及*** | |
CN112039439B (zh) | 一种太阳能电池缺陷的自动检测***及检测方法 | |
CN113963255A (zh) | 一种基于田垄颜色特征的垄上作业机械导航线识别方法 | |
CN112446912B (zh) | 一种金融票据宽度计算方法 | |
Germain et al. | Non destructive counting of wheatear with picture analysis | |
Du et al. | Computation method of phenotypic parameters based on distribution map of kernels for corn ears |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200421 Termination date: 20210413 |
|
CF01 | Termination of patent right due to non-payment of annual fee |