基于数字图像处理的苎麻缺营养素手机诊断系统设计

邹威等

摘要：苎麻缺营养素诊断是数字图像处理技术的一个重要应用。本设计基于Android平台，系统后台主要包括接收前台苎麻叶片图像、图像预处理与缺素诊断和返回诊断结果与推送方案等功能，其中叶片图像预处理包括分量法灰度化图像、中值滤波法去噪声、图像阈值分割等和基于颜色RGB模型进行苎麻叶片缺素诊断；前台包括调用本地摄像头拍照并存储图像、选择本地图库图像、输出诊断结果等。系统通过采集苎麻叶片的颜色信息进行图像分析及处理，能够在不破坏苎麻叶片的基础上较为科学进行苎麻叶片缺素诊断，具有一定的实际应用价值。

关键词：图像预处理；缺素诊断； RGB模型；Android

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2015）21-0147-02

The Design of the System for the Diagnosis of the Lack of Nutrient Elements in the Mobile Phone Based on Digital image Processing

ZOU Wei， PENG Jia-hong *， QIU Wei， LIU Xiao-yang， Xu Wen-jia

（Hunan Agricultural University， information science and Technology Institute， Changsha 410128， China）

Abstract： The diagnosis of the nutrient elements in the process of digital image processing is an important application of the technology of digital image processing. This design is based on Android platform， the system mainly includes the processing of the image， image preprocessing and fault diagnosis， and the diagnostic results and the push scheme， including the gray image， the image threshold segmentation and the model based on the color RGB model. The image analysis and processing of the color information of ramie leaves can be used to make a scientific analysis on the basis of non - destructive ramie leaves.

Key words： image preprocessing； RGB model； Android model；

数字图像处理是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术[1]。随着数字图像处理技术的发展，数字图像处理技术已经广泛应用到各个领域，是农业中的一个重要应用。

本设计通过图像处理技术对采集的图片进行预处理与缺素诊断，将数字图像处理技术与Android技术相结合，方便实现苎麻叶片无损诊断。通过数字图像处理技术对植物叶片进行分析与诊断，能够在不破坏苎麻叶片的基础上较为科学的诊断出苎麻叶片的缺素情况，从而更好进行精准科学施肥，减少人力物力。

1 苎麻叶片的处理与诊断

苎麻叶片的处理与诊断基于数字图像处理技术，主要包含分量法灰度化图像、中值滤波法去噪声、图像阈值分割等处理以及基于颜色RGB模型进行苎麻叶片缺素诊断。

1.1 分量法灰度化图像

手机采集的图像是二十四位真彩色包含JPG、BMP等格式的像素图形，包含至少八位用二进制描述的R、G、B值。将其灰度化处理，使R、G、B的值归一到某个特定的区间或相等的这个值就是灰度值，范围一般在0-255之间[2]。本文使用分量法进行灰度化，将采集到的图像中的R、G、B分量作为图像的灰度值，按照如下公式（1）进行计算：

F1（i，j）=R（i，j）；

F2（i，j）=G（i，j）； （1）

F3（i，j）=B（i，j）；

其中，F1、F2、F3即计算后的灰度值，i、j为灰度坐标系坐标。

1.2 中值滤波法去噪声

中值滤波是一种常用的、能有效抑制噪声的非线性信号处理技术，常用于保护边缘信息，是一种经典的平滑噪声的方法[3]。其基本原理是把数字图像中一点的值用该点的一个邻域中各点值的中值代替，使周围的像素值接近的真实值，从而消除孤立的噪声点。

1.3 图像阈值分割

阈值分割是利用图像的成像和背景差异，选定一个特定的值，即阈值，把图像转化为灰度值为0和1的二值图像，是一种较为简单的分割方法[4]。

设T为阈值，当f（i，j）>=T时，对于物体的图像元素g（i，j）=1，当f（i，j）

1.4 基于颜色RGB模型缺素诊断

从RGB色彩空间角度，提取叶片图像R、G、B颜色特征值[5]。其算法如下：

输入：苎麻叶片与处理图像

过程：

XYR=～（（R-G）>diff_R&（R-B）>diff_R）；//提取红色条件是R分量与G、B分量差值大于设定

Mask=Gray（XYR）；//灰照片掩膜

RP_R（XYR）=Mask；RP_G（XYR）=Mask；RP_B（XYR）=Mask；//使非红区域

变为灰色

Image_R（：，：，1）=RP_R；Image_R（：，：，2）=RP_G；Image_R（：，：，3）=RP_B；

Image_G=Image；

GP_R=Image（：，：，1）；GP_G=Image（：，：，2）；GP_B=Image（：，：，3）；

XYG=～（（G-R）>diff_G&（G-B）>diff_G）；//提取绿色条件是G分量与R、B分量差值大于设定

Mask=Gray（XYG）；//灰照片掩膜

GP_R（XYG）=Mask；GP_G（XYG）=Mask；GP_B（XYG）=Mask；//使非绿区域

变为灰色

Image_G（：，：，1）=GP_R；Image_G（：，：，2）=GP_G；Image_R（：，：，3）=GP_B；

Image_B=Image；

BP_R=Image（：，：，1）；BP_G=Image（：，：，2）；BP_B=Image（：，：，3）；

XYB=～（（B-R）>diff_B&（B-G）>diff_B）；//提取蓝色条件是B分量与R、B分量差值大于设定

Mask=Gray（XYB）；//灰照片掩膜

BP_R（XYB）=Mask；BP_G（XYB）=Mask；BP_B（XYB）=Mask；//使非蓝区域

变为灰色

输出：苎麻叶片图像RGB值

然后将其特征值与氮磷钾含量变化进行相关分析得到：G/（R+G+B）可以作为缺氮诊断标准，其值大于0.43时，推断苎麻生长缺氮；R/（R+G+B）可以作为缺磷诊断标准，其值大于0.34时，推断为缺磷。

2 系统设计

2.1 系统功能结构设计

苎麻缺素诊断系统分为前台和后台两大模块[6-8]。系统前台主要功能有苎麻相关信息的介绍、苎麻叶片图像信息诊断、问题解决方案推送。系统后台的功能主要有图片预处理，其中包含图像去噪音、图像灰度化，颜色模型分析和数据输出与方案推送。

2.2 前台模块设计

前台功能主要是介绍苎麻叶片的信息，图像诊断的叶片图像选择，以及常见的问题的解决方案推送。其流程为“开始→图像选择→后台诊断→方案推送→结束”。

2.3 后台模块设计

后台功能主要是图片的预处理的具体实现，运用RGB颜色模型进行图片诊断，与已知的数据进行对比比较，得出诊断的结论并推送相应的解决方案。其流程为“开始→接收前台图像→图像预处理→诊断图像→返回诊断结果→结束”。

3 总结

对于苎麻缺营养素问题，采用数字图像处理技术对苎麻叶片的颜色信息进行分析与诊断其具体所缺营养元素的无损检测，降低了对叶片的伤害。在此基础上，利用Android开发技术以及移动客户端广大用户的优势，进行了基于Android的苎麻缺素诊断系统的设计，能够较为科学诊断苎麻叶片的缺营养素情况，辅助科学施肥。

参考文献：

[1] 朱虹.数字图像处理基础[M].北京：科学出版社，2005.

[2] 冈萨雷斯.数字图像处理学[M]. 阮秋琦，译.北京：电子工业出版社，2004.

[3] 刘直芳，王运琼，朱敏.数字图像处理与分析[M]. 北京：清华大学出版社，2006：34-45，100-106.

[4] 邱伟，彭佳红，刘瑶.基于数字图像处理技术在苎麻缺素诊断上的应用[J].湖南农机， 2014，9（3）：5-8.

[5] 张伟.基于计算机图像处理的黄瓜缺素判别的研究[D]. 苏州： 江苏大学， 2003.

[6] 胡伟 .Android系统架构及其驱动研究[J].广州广播电视大学学报，2008（8）.

[7] 余志龙，陈昱勋，郑名杰.Android SDK开发范例大全[M].北京：人民邮电出版社，2010.

[8] 张利国等.Android移动开发入门与进阶[M].北京：人民邮电出版社，2009.