基于机器视觉的玉米穗行数自动检测算法设计

玉米是粮食、饲料、工业原料兼用型作物。玉米生产在国家粮食生产和粮食安全中占有极重要的战略地位。研究证明，玉米优良种的推广使玉米增产40%。种子质量直接关系到玉米产量高低及玉米质量和品质的优劣，而推广优良的杂交种需要大量的优质种子[1-4]。

玉米穗籽粒行数(穗行数)是穗部重要农艺性状之一。不同品种的玉米穗行数有较大差别，生长条件也会影响穗行数，在玉米育种、栽培及新品种DUS测试[5]等科研中准确计数穗行数非常重要。玉米穗行数的传统测定靠人工计数，存在人工计数方法固有的缺陷—易于疲劳、误差大、效率低。

本文基于机器视觉的相关理论即数字图像处理的方法，设计出一种玉米穗行数自动检测算法确定其行数。特别提出用一维最小值滤波器对排序好的角度-半径曲线图进行滤波，这样做可以滤去角度-半径变化曲线中的噪声，避免直接计算其极大值或极小值点的个数，可能会出现的误差。经过检测，该算法可以客观、高效、准确地检测出玉米穗行数，满足我国玉米粮食产业的选种需要。

1 自动检测算法整体方案设计

根据人工行数检测习惯，我们只关心玉米横断面外边缘轮廓图像信息，穗行数是由外边缘轮廓的凸凹变换所决定的。因此，设计基于机器视觉的玉米穗行数自动检测算法，主要包括图像采集，图像预处理，图像特征提取和特征统计四个部分[6-8]。其流程图如图1所示。

在上述流程图中，图像采集即玉米穗横断面照片的获取。将玉米穗横断面放在白色背景上，在它上方加上环形光源，相机在环形光源正中、玉米穗横断面正上进行拍摄获取玉米穗横断面图像。本文在实验中获的图像为JPEG格式，该格式的的特点是具有高压缩比，能够保留RGB颜色模型中的所有颜色信息，可以有效地提取与玉米颜色相关的特征。

2 图像预处理

图像预处理是整个设计的关键步骤[9]，预处理效果直接关系到后面特征提取的效果，进而关系到整个设计的处理精度和准确率。本设计对图像的预处理主要包括对比度增强、彩色图像转换成灰度图像、采样压缩、最大类间方差图像分割。

2.1 对比度增强

由于玉米部分多数为黄白色，而背景部分选择了白色，两部分灰度级差别不大，故需要对图片先进行主题部分加强，通过减小主题部分的细节，增大背景和主题的对比度，来区分玉米穗横断面主题和背景。

图2所示的HSV(Hue-Saturation-Value)颜色空间[10]是一种均匀的颜色空间，能够反映人的视觉对颜色的感觉。色调H饱和度S包含颜色信息，而亮度V与颜色无关。由于饱和度与一定色调的亮度有关，纯光谱色是完全饱和的，随着白光的加入饱和度逐渐减少。而对比度增强就是要减少玉米横断面图像中的黄白色分量即增大S的数值。

本算法采用下面步骤增强对比度：

1) 原有RGB彩色图像转换为HSV颜色模型;

2) 单独提取HSV模型中饱和度S分量进行增强;

3) 利用增强后的S和原有H、V重构图像并转换为RGB颜色模型;

4) 根据公式Gray = 0.2990 * R + 0.58700* G + 0.1140 * B将彩色图像转换为灰度图像。

2.2 图像采样压缩

为提高行数自动检测效率，减少算法执行时间。本文对灰度图像的行和列进行重新采样，采样频率降为原有1/2，图像大小由原有976*1000降为488*500。

以下是实现代码：

p2=2;%图像采样率

f=f(1:p2:end,1:p2:end);%对图像f进行采样压缩

2.3 图像分割

图像分割[11]的目的是把图像空间分成一些有意义的区域。该设计中最关键的部分是能够准确地将采集到的图像分割成两部分，一是玉米穗横断面部分即主题部分，二是图片背景部分，只有正确地分割才能准确地提取玉米穗部分的边缘，才能够顺利地进行后面的工作。

为实现以上目的，需要将压缩后的灰度图片翻转，使玉米穗主题部分变亮，然后再在图片中心增加一个点光源，使玉米穗部分更加亮，增大两部分的灰度值，最后采用阈值分割法将图片分割成两部分，而阈值t的选取是用最大类间方差法(简称otsu法)[12]求解的。

整个预处理的效果图如图3和图4所示。

3 图像特征提取

3.1 边缘检测

通过区域分割，已经把图像分割成很多个区域，其中有我们需要的玉米穗边缘，也存在很多噪声。从这些噪声中如何正确地提取出我们需要的边缘是这一步算法要完成的工作。

图像边缘检测的方法有很多，本算法中边缘检测的工作原理是：检测的图像已是二值图像用0和1来表示，当检测到的是0时就给它赋值为0，当检测到的是1且其周围的数值还是1时就给它赋值0，当检测到的是1但其周围的数值有1还有0时就给它赋值为1，这样就将玉米穗图像边缘检测出来，并将边缘用数值1来表示，其余部分用0来表示。

边缘检测完成