采棉机器人中棉花图像轮廓提取

刘 坤，费树岷，汪木兰

（1.东南大学 自动控制学院，南京 210013；2.南京工程学院 自动化学院，南京 211112）

0 引言

我国作为世界主要产棉大国之一，而棉花的收获几乎完全依靠人工。自1996年起，我国已进入国家级棉花采摘收获机的研究，并将大型自走式采棉机的研制列入国家科技部重点科技攻关项目。但直到目前为止，其产业化效果并不理想。在保持现有棉花基本品种和种植体系的情况下，跳出传统的收获工艺、摆脱化学干扰素对棉花自然生长的影响，开展基于机器视觉的智能化采棉关键技术的研究便成为解决这一问题的方案之一。在棉花采摘机器人视觉系统中，棉桃的准确分割是其中的关键环节，能否快速准确地分割出棉桃，直接影响机器人对棉花识别的准确性。王勇等基于RGB空间下的色差信息模型实现了成熟棉桃的分割、识别，其识别效率均在85%左右，而对棉桃遮挡及重叠等问题均为涉及[1～3]。

要解决棉花成熟度和其空间位置的识别问题必须对棉花图像进行分割。而在此之前必须先确定作为后续研究用的颜色模型空间，即采用何种模型空间的问题。随后要确定所采集图像的分割方式或方法。颜色是光谱中可视频段进入视觉系统的感知结果。要对颜色进行规范化描述和度量，就必须建立一个表示三维属性及各参量之间关系的色彩系统，即颜色空间。采用基于彩色图像分割方法识别工作目标时，首先需要定义目标的颜色，这就涉及到如何选择合适的颜色空间问题。目前常用的颜色空间有RGB、YUV、HSV和CMY等。选择不同的颜色空间将会直接影响到今后的图像分割和目标识别的效果、精度以及运算量。

1 颜色空间选择

研究选用了HSV空间进行分析。这个模型的建立基于两个重要的事实：第一，V分量与图像的彩色信息无关；第二，H和S分量与人感受颜色的方式是紧密相连的。应用HSV模型建立的对应于圆柱坐标系的一个圆锥形子集中圆锥的顶面对应于V=1，代表的颜色较亮；色调H由绕V轴的旋转角给定，红色对应于角度0°，绿色对应于角度120°，每一种颜色和它的补色相差180°；圆锥顶面中心处S=0、V=1、H无定义，代表白色，顶面中心到原点代表亮度渐暗的白色，即不同灰度的白色。

2 图像采集及预处理

采用从江苏省农科院棉花试验场实地拍摄的棉花图像棉花为鲁棉15号，利用数码相机在自然条件下采集。用PC机对图像进行处理，计算机配置奔腾4 CPU2.8GHz、512MB内存、Windows XP操作系统。每幅图像为24位真色彩，其每一个像素的颜色值以R（红）、G（绿）、B（蓝）格式存储。

研究针对100幅棉花图像进行了统计处理，并在每幅图像中分别对棉花花絮、棉荚、棉叶和枝干各处随机选取了20个像素点，分别统计它们的H、S和V值，结果发现棉花的S值均远远小于枝叶、棉荚和背景土壤的S值，此时运用阈值分割法是可行的。

通过对原始图像进行中值滤波，去除图像采集时可能带入的随机噪声，保护图像的边缘，并将去噪后的图像进行色彩空间变换，提取图像S通道，再进一步做灰度拉伸，以对图像的边缘、轮廓和对比度等进行强调，以便于后续处理。S通道棉花图像预处理过程如图1所示。

本项目研究采用了一种自适应的阈值选取方法，其算法如下：

1) 选取初始阈值T作为图像强度的均值；

2) 利用该阈值将图像分成两组，R1和R2；

3) 分别计算它们的均值t1和t2；

4) 选取新的阈值T=(t1+t2)/2。

棉花图像分割过程如图2所示。

图1 S通道棉花图像预处理过程

图2 棉花图像的分割过程

3 棉花图像的快速多尺度边缘检测

通过检测二维小波变换的模极大点可以确定棉花图像的边缘点。由于小波变换在各尺度上都提供了图像的边缘信息，所以称为多尺度边缘。小波变换能够把图像分解成多种尺度成分，并对大小不同的尺度成分采用相应的时域和空域取样步长，从而能够不断地聚焦到对象的任意微小细节。通常，沿边缘走向的幅度变化平缓，垂直于边缘走向的幅度变化剧烈。边缘点的Lipschitz正则性取决于尺度细化过程中模极大的衰减速度。针对采棉机器人的实时性要求，为了加快边缘提取速度，本文提出一种快速多尺度边缘检测算法来提取棉桃边缘。

3.1 快速多尺度边缘检测算法

在二维情况下，边缘检测算法通过计算图像信号f(x,y)的梯度矢量

的模的局部极大值来寻找图像边缘的空间位置。梯度矢量的方向指出了图像灰度值变换最快的方向。

为了计算图像信号的两个偏导数，需要两个有方向性的二维小波，传统的图像多尺度边缘检测中二维小波函数分别是二维平滑函数θ(x,y)的偏导数

θ(x,y)在x-y平面的积分为1，且很快地收敛到0。

本文将边缘检测的二维二进小波设计为一维二进小波的可分积。它们的傅里叶变换为

式中Φ (ω)是一个低通滤波器，而

是一个高通数字滤波器。

为了能用滤波器快速实现二维离散二进小波变换，假定尺度函数满足如下二尺度方程

选择尺度函数为m次样条，即

对二进小波变换在所有尺度时都均匀采样，假定采样间隔等于1，则离散小波系数为

定义原始图像信号为

j＞=0时的平滑图像信号为

那么二维离散二进小波变换的算法表示为如下离散卷积形式

也就是说aj+1是aj沿横向和纵向低通滤波的结果，而是aj沿横向高通滤波的结果，是aj沿着纵向高通滤波的结果。

3.2 边缘检测结果

图3 棉花多尺度边缘检测

依据上述算法，仿真程序运行结果如图3所示。图中依次给出了第1级、第2级和第3级小波变换的模，由仿真图像可以看出第1级小波变换模显示出图像的边缘和纹理，第2，3级小波变换则主要显示出图像的边缘，平滑掉了图像细致的纹理结构。

4 结论

本文基于了HSV彩色模型，棉桃、棉枝及棉叶的H、S、V颜色分量均值，提出一种基于S分量的棉花分割方法。并对分割后的图像采用数学形态学方法进行去躁，然后结合了基本灰度图像和边缘图像的二进小波检测方法的优点，提出了一种基于小波变换的快速检测算法，它既克服了直接从灰度图像中提取所带来的算法复杂、耗时长的缺点，又克服了一般的边缘算法所带来的噪声敏感问题，从而使误判率降低。提高了采棉机器人的识别精度和速度。

[1] Kenneth R Castleman digital image processing [M],Beijing, Prentice Hall, 2000.

[2] M ilan Sonka, V aclav H lavac, Roger Boyle.艾海舟, 武勃,等, 译.图像处理、分析与机器视觉[M].第2版.北京:人民邮电出版社, 2003.

[3] Rafael C Gonzalez, R ichard EWoods.阮秋琦, 阮宇智, 等,译.数字图像处理[M]. 北京: 电子工业出版社, 2004.

[4] 王勇, 沈明霞, 姬长英.采棉期成熟棉花不同部位颜色识别分析[J].农业工程学报, 2007, 23(4): 183-185.

[5] Jiqiang Song, Michael R.Lyu, A Hough transform based line recognition method utilizing both parameter space and image space[J].Patten Recognition, 2005 (38): 539-552.

[6] M.Rizon, H Yazid, P Saad, A comparison of circular object detection using Hough transform and chord intersection[J].Geometric Modeling and imaging[2007.GMAI’ 07.4-6,115-120.

[7] Pui Kin Ser, Wan Chi Siu, A new generalized Hough transform for the detection of irregular objects[J].Journal of Visual Communication and Image Representation,1995(6): 256-264.

[8] E Kavallieratou, N Fakotakis, G Kokkinakis, Skew angle estimation for printed and handwritten documents using the Wigner-ville distribution[J].Image Vision Comput,2002(20): 813-824.

[9] U.Pal, B.B.Chaudhuri, An improved document skew angle estimation technique[J].Pattern Recognition Lett,1996(17): 899–904.