基于农业图像处理的杂草分割
王佳玉 刘立群 常琴 杨婷婷 李亦宁
摘要：杂草会同农作物争夺土壤养分与生长空间，妨碍田间通风，遮挡阳光照射，从而影响作物产量与质量。针对传统人工除草费时费力，化学除草药剂使用不当造成环境污染，对牲畜以及人的健康产生危害的问题，为正确使用除草药剂剂量，对田间杂草进行定点除草，采用无人机等摄影设备对农田杂草图像进行采集，研究基于MATLAB的农作物图像处理杂草分割判定办法，并以此开发杂草分割系统。该系统通过图像处理技术，利用绿色植物与周边环境的不同分离植物与环境，并将所得图像进行进一步的分割与降噪，得到最终的只剩杂草的图像，为除草机器智能化奠定基础。实验表明，通过MATLAB图像处理技术，可以获得清晰的杂草图像，并正确判定其位置。
关键词：杂草分割;灰度化;阈值分割;智能化
中图分类号：TP391? ? ? 文献标识码：A
文章编号：1009-3044（2021）17-0017-04
开放科学（资源服务）标识码（OSID）：
Weed Segmentation Based on Agricultural Image Processing
WANG Jia-yu， LIU Li-qun， CHANG Qin， YANG Ting-ting， LI Yi-ning
（College of Information Science and Technology， Gansu Agricultural University， Lanzhou 730070， China）
Abstract： Weeds compete with crops for soil nutrients and growth space， hinder field ventilation and block sunlight， thus affecting crop yield and quality. In view of the traditional artificial weeding laborious， chemical weeding agents use undeserved cause environmental pollution， for livestock， cause harm people's health problems， for proper use of weeding drug dose， to fixed-point weeding weeds in the field， the drones and other photographic equipment for farmland weed image acquisition， crops research based on MATLAB image processing weeds determine segmentation method， and development of weeds segmentation system. Through the image processing technology， the system makes use of the green plants and the surrounding environment to separate the plants and the environment， and further segmentation and noise reduction of the obtained image， to get the final image of only weeds， which lays the foundation for the intelligent weeding machine. The experiment shows that through MATLAB image processing technology， we can get clear weed image and determine its position correctly.
Key words： weed segmentation; gray; threshold segmentation; intelligent
1 背景
中國自古就是一个农业国家，伴随着水稻、小麦等粮食的栽培，田间杂草的生长也成了一大难题，而如何去除杂草也成了种植农作物不可忽视的问题。从如今来看，人们经常采用的除草方式大致可分为三种：一是人工除草;二是机械除草;三是化学除草[1]。然而人工除草需要种植者长时间在田间劳作，不仅耗时费力而且效率不高。化学除草比起人工除草虽然可以节省劳动力，节约大量的时间，提高农作物的生产效率;但它的弊端也是很明显的，有以下几点：有时候会引起药害，对人、牲畜的健康产生影响，甚至会污染环境，破坏生态平衡[2]。近几年，由于农业现代化的不断发展，智能化机械的身影逐渐出现在大众面前，一部分种植者在农作物的种植到成熟的整个过程中，都会用到与其相关的智能化机械产品，通过借助数字图像技术对杂草进行识别和研究[3]，可以使除草药剂定量地喷洒到田间的同时使得环境污染得到遏制，针对如何快速有效地识别作物与杂草[2]，更好地在减轻种植者的负担的同时防止环境污染，并提高除草效率的问题，我们开发设计了基于农业图像处理的杂草分割系统，该系统利用无人机对田间杂草进行图像采集，然后通过MATLAB图像处理技术对图像进行分割、识别，从而得到了清晰的杂草图像。本课题可以快速且高效地得到杂草图像处理结果，大大提高除草效率，这对农业智能化的发展具有重要意义。
2 系统原理
基于农业数字图像处理的杂草分割系统是以杂草为研究对象，利用MATLAB数字图像处理技术对所采集的农作物杂草图像进行处理，以实现对杂草的分割与识别，为除草机械自动化提供理论支持。其处理步骤可分为图像采集、图像分割、图像识别三大步骤如图1所示。
首先我们利用无人机或摄像机等摄影设备拍摄采集田间农作物与杂草的图像，并由人工进行简单筛查，以此删除拍摄过程中因设备不稳定等原因产生的模糊不清，无法看到农作物与杂草的图像，将筛选过后的图像上传至系统文件相应位置，利用MATLAB图像处理技术，对所采集的图像进行预处理，使彩色图像转变为灰色图像，减少图像中所包含的信息内容，其次利用阈值分割法对杂草边缘进行分割，进一步得到清晰的农作物杂草图像，此时图像中的绿色植物已与自然环境完全分离，然后利用区域生长法，通过像素点的连接，使农作物于杂草分离，通过形态学滤波法滤除杂质凸显杂草区域，从而得到清晰的杂草图像，以此进行杂草的识别定位，从而为除草自动化提供基础。
3 系统的总体设计与实现
基于农业图像处理的杂草分割系统的总体设计与实现思路如图2 所示。该系统包括图像预处理、二值化、阈值分割、形态学滤波等功能。
3.1 图像预处理
图像预处理的目的是为了消除图像中无用的信息，恢复有效的真实信息，增强有关真实有效信息的可检测性、最大限度地使数据简化，从而改进图像分割、匹配和识别的可靠性[4]。
图像灰度化是将彩色的图像变为灰白色图片，其中的原理是把图片上的像素点的灰度值进行变化，从而使图片成为灰白色。我们可以在程序中读入一个彩色图像，然后将这个图像灰度化，最后用编程语言将图像进行处理。在我们的项目中，图像预处理运用在将杂草和杂草周围的土壤分割出来，由于彩色图像中包括了太多元素，很难将杂草和土壤精确地分割出来，而图像预处理可以先将彩色的图像灰度化，以便在后期的图像分割中更容易地将杂草和土壤分割出来。
当图像灰度化之后，在这里我们就可以利用二值化处理，将图像中的大于预先设定的灰度值的像素点转变为黑色，并将小于预先设定的灰度值的灰度像素点转变为白色，将灰白图像进一步转变为黑白图像，得到更加分明的杂草图像，以便于更好地分割图像。图像二值化处理广泛应用在图像的分割等方面，在图像分析、图像识别上具有重要的意义[5]，本文旨在把杂草图像经过二值化处理后，杂草图像变成二值图像，为后期的图像处理打下了基础。
3.2 阈值分割
图像分割是从图像处理到图像分析的关键步骤，图像分割结果的好坏直接影响到对图像的理解[6]。阈值分割以其简单、高效的优良性在图像分割技术中占据重要位置[7]，其基本思想为把图像分割为不同的区域，划分图片所有像素，得到的每个小集合会成为子集，每个子集都会有与之相对应的图像区域，不同区域有不同的性质，但内部性质一样。
由于在之前的图像预处理步骤中，已经将图像灰度化，图片会呈现出不同的灰度值，这样我们就可以用阈值分割法将不同的灰度值分割开来，以此分割杂草和自然环境。然而阈值分割的阈值不能太高，也不能太低，所以我们通过迭代法来求取最佳的阈值选择，具体步骤有以下六个步骤：1）将图像中的像素点分为两部分，得到最小灰度阈值T1和最大灰度阈值T2;2）利用得到的阈值T1与T2，计算阈值平均值Tk的估值;3）将图像的像素点与Tk比较，并分为区域1和区域2;4）分别计算区域1和区域2的平均灰度值K1、K2;5）根据以上步骤得到新的阈值：TK=1/2（K1+K2）;6）重复除步骤1）以外的所有步骤，直到得到的T值小于定义的参数T的估计值。
3.3 区域生长法
区域生长是图像分割技术之一。区域生长的基本工作原理是将具有一定相似性的像素集合起来构成一个区域[8]。首先，在每个待分割区域中找到杂草的像素作为起点，然后在将杂草像素与周围生活环境中的其他植物像素数据进行分析对比，将与杂草相似的像素合并到起始杂草像素所在的区域。最后再将杂草的像素作为标准进行，继续向周围环境中的物种像素比较，一直到再没有满足条件的像素可以通过包括进来，这样对于一个区域生长就形成了。区域生长实现的步骤如下：1）在杂草图像中定位一个杂草像素点，设该像素点为K1;2）以K1为中心像素点，比较K1的8邻域像素K2，如果K2符合生长准则，则将它们合并到一个范围中，并将K2入堆栈;3）从堆栈中取出一个像素点，把它当作K1，重复步骤2）[8] ;4）重复步骤1）-3），直到杂草图像中的每个像素点比较完成后停止。在本文中运用这个方法可以將采集到的杂草图像样本进行区域化，以此快速有效识别出图像中的杂草，识别率提高的同时节约了时间和人工成本。
3.4 形态学滤波
形态学滤波的结果就是用具有一定形态特性的结构元素去衡量和提取图像中的对应形状去分析和识别，其基本运算为腐蚀和膨胀。集滤除噪声的形态学算子和同时完整保留图像原有信息的优点于一体的形状滤波器被用在杂草图像恢复处理中。形态学滤波的优点也显而易见，在处理杂草图像的边缘时，不会被一些因素影响，提取的边缘使得后续的处理更加顺畅。同时，形态学滤波提取的图像整体上像素清晰，不会出现断断续续的情况。田间杂草的识别和处理，一般来说，都是人通过观察杂草的稀疏程度来判断喷洒除草剂的量，本文中应用形态学理论分析杂草的特征，采用形态学算法中的技术对图像进行有效的分离[9]。
4 系统的详细设计
MATLAB语言计算结果可视化并且拥有功能强大的图像处理工具箱，所以通过MATLAB进行图像处理，可以提高杂草识别的效率，是设计杂草分割系统很好的选择。在这里我们利用imread函数读取所需处理的图像，经过图像预处理、图像分割、区域生长法，形态学滤波四大步骤后，输出最终图像，并且可以利用figure函数和imshow函数得到每一步的图像处理结果，原图像如图3所示。
4.1 图像预处理
图像预处理流程图如图4所示，图像预处理结果图如图5所示。
4.2 阈值分割
阈值分割流程图如图6所示，阈值分割结果图如图7所示。
4.3 区域生长法
區域生长法流程图如图8所示，区域生长法结果图如图9所示。
4.4 形态学滤波
形态学滤波流程图如图10所示，形态学滤波结果图如图11所示。
5 结束语
通过对农业图像处理的研究与设计，从图像的预处理着手，对图像进行阈值分割、区域生长法、形态学滤波等一系列的处理，最终得到杂草分割图像，使得在减轻农作物种植者除草负担的同时减轻了环境污染，并提高了除草效率的问题，对未来除草机器自动化、智能化提供了理论基础。
参考文献：
[1] 吴国瑞.基于图像处理的杂草种类识别技术研究[D].杨凌：西北农林科技大学，2009.
[2] 张有春.基于卷积神经网络的杂草快速识别研究[J].安徽农业科学，2019，47（14）：242-244.
[3] 耿蕊，于晓敏，迟立颖.基于MATLAB图像处理的农业杂草种类识别研究[J].信息通信，2018（7）：62-63.
[4] CSDN 图像处理之预处理方法[EB/OL].（2018-08-28）[2020-06-24].https：//blog.csdn.net//joaming/article/details/82146604.
[5] 王树文，张长利，房俊龙.基于计算机视觉的田间杂草识别研究[C]//农业工程科技创新与建设现代农业——2005年中国农业工程学会学术年会论文集第三分册.2005：394-398.
[6] 郑三婷.浅谈MATLAB仿真在数字图像处理课程中的应用[J].电子制作，2020（8）：62-63.
[7] 颜世利.灰度图像阈值分割的自适应滤波和快速算法研究[D].桂林：桂林理工大学，2018.
[8] CSDN OpenCV-区域生长算法[EB/OL].（2015-11-27）[2020-07-20].https：//blog.csdn.net/Robin__Chou/article/details/5007 1313.
[9] 李昌盛，王亚娟，黄启俊，等.基于FPGA的人脸检测系统设计[J].电子技术应用，2011，37（10）：13-16.
【通联编辑：谢媛媛】
