基于MATLAB的玉米株型图像分割技术

基于MATLAB的玉米株型图像分割技术
作者：梁淑敏
来源：《农业与技术》2012年第06期
摘要：计算机视觉技术的发展使MATLAB越来越广泛的应用于农业的各个领域，在处理数字玉米图片中，为了更好的将物体与背景分割开，用对MATLAB对玉米成株株型进行分割。

成功将自然光下图像中的物体与背景分割开。

关键词：MATLAB；玉米；背景分割
中图分类号：S126文献标识码：Ａ
在作物栽培和育种实践中，掌握作物株型是非常重要的。

作物株型不仅影响作物的光合效率，营养分配，抗倒性和栽培最佳密度等，而且还是农学实验的重要检测指标，因此对作物株型作精确、定量化描述有重要意义。

要对作物形态进行精确定量化描述，图像处理技术是解决此问题的一种先进方法，对图像预处理的重要方面就是对图像进行分割，克服了传统方法的效率低，准确性差等缺点。

要对作物形态进行精确定量化描述，图像处理技术是解决此问题的一种先进方法。

数字图像处理的目的是对图像进行加工和分析，为了增强图像中的有用成分，抑制噪声成分，以达到有效提取玉米株型图像中所包含的某些特征或特殊信息，因此必须用计算机视觉技术对图像进行预处理，克服了传统方法的效率低，准确性差等缺点。

模板运算可完成对图像的滤波，如图像平滑和图像锐化。

图像平滑的目的是模糊和消除噪声，平滑采用低通滤波器完成，在空域中全是正值。

图像锐化的目的增强被模糊的细节，锐化采用高通滤波器完成，在空域中，接近原点处为正值，在远离原点处为负值。

图像增强可用模版卷积完成。

下面就MATLAB在图像处理中各方面的应用分别进行介绍。

图像处理工具包是由一系列支持图像处理操作的函数组成的，是MATLAB工具包中的一种，它所支持的图像处理操作有:图像的几何操作、邻域和区域操作、图像变换、图像恢复与增强、线性滤波和滤波器设计、变换(DCT 变换等) 、图像分析和统计、二值图像操作等。

１图像文件格式的读写和显示
MATLAB提供了图像文件读入函数imread( ),用来读取如: bmp、tif、jpg、pcx、tiff、gpeg、hdf、xwd等格式图像文件;图像写出函数imwrite( )，还有图像显示函数image( )、imshow( )等等。

2图像处理的基本运算
MATLAB提供了图像的和、差等线性运算，以及卷积、相关、滤波等非线性运算。

例如，conv2(I，J)实现了I，J两幅图像的卷积。

3图像变换
MATLAB提供了一维和二维离散傅立叶变换(DFT)、快速傅立叶变换(FFT)、离散余弦变换(DCT)及其反变换函数，以及连续小波变换(CWT)、离散小波变换(DWT)及其反变换。

4图像的分析和增强
针对图像的统计计算，MATLAB提供了校正、直方图均衡、中值滤波、对比度调整、自适应滤波等对图像进行的处理。

5图像的数学形态学处理
针对二值图像，MATLAB提供了数学形态学运算函数:腐蚀( Erode)、膨胀(Dilate)算子，以及在此基础上的开(Open)、闭(Close)算子、厚化(Thicken)、薄化(Thin)算子等丰富的数学形态学运算。

以上所提到的MATLAB在图像中的应用都是由相应的MATLAB 函数来实现的，使用时，只需按照函数的调用语法正确输入参数即可。

具体的用法可参考MATLAB丰富的帮助文档。

图像边缘对图像识别和计算机分析十分有用，下面是MATLAB在图像分割和边缘检测研究中的一个具体应用实例。

在MATLAB中，利用Sobel方法、Prewitt方法、Robert方法、Laplacian-Gaussian方法进行滤波。

成功将自然光下图像中的物体与背景分割开。

；%读取图像
figure ，imshow(xx)；%显示图像
xx=double(xx)/255；
xx1=imcrop(xx，［80 15 300 568］)；%对图像进行切割，选取有用的图像
xx2=xx1(:，:，3)；图像的蓝色通道图像imshow(xx2)；
imhist(xx2，100)；图像的灰度直方图
图１
binary_xx=im2bw(xx2，；图像的二值图
figure，imshow(binary_xx)；
（1）利用二个低通邻域平均模版（3*3和9*9）对一幅图像进行平滑，验证模板尺寸对图像模糊效果的影响。

subplot(2，2，1)；imshow(xx)；title(′原图像′)；
subplot(2，2，2)；imshow(xx2)；title(′原蓝色通道图像′)；
J=fspecial(′average′)；J1=filter2(J，binary_xx)；
subplot(2，2，3)；imshow(J1)；title(′3*3 average′)；
K=fspecial(′average′，9)；K1=filter2(K，binary_xx)；
subplot(2，2，4)；imshow(K1)；title(′9*9 average′)；
图２
（2）利用一个低通模板对一幅有噪图像（GAUSS白噪声）进行滤波，检验两种滤波模板（分别使用一个5*5的线性邻域平均模板和一个非线性模板；3*5中值滤波器）对噪声的滤波效果。

binary_xx1=double(binary_xx)；
J=imnoise(binary_xx1，′gaussian′，0，；
figure，subplot(2，2，1)；imshow(binary_xx)；title(′原二值图像′)；
subplot(2，2，2)；imshow(J)；title(′add noise′)；
K=fspecial(′average′，5)；K1=filter2(K，J)；
subplot(2，2，3)；imshow(K1)；title(′5*5 average′)；
L=medfilt2(J，［3 5］)；
subplot(2，2，4)；imshow(L)；title(′3*5 medium′)；
图３
（3）选择一个经过低通滤波器滤波的模糊图像，利用sobel 和prewitt水平边缘增强高通滤波器（模板）对其进行高通滤波图像边缘增强，验证模版的滤波效果。

figure，subplot(2，2，1)；imshow(binary_xx1)；title(′原二值图像′)；
J=fspecial(′average′，3)；J1=filter2(J，binary_xx1)；
subplot(2，2，2)；imshow(J1)；title(′3*3 lowpass′)；
K=fspecial(′prewitt′)；K1=filter2(K，binary_xx1)*5；
subplot(2，2，3)；imshow(K1)；title(′prewitt′)；
L=fspecial(′sobel′)；L1=filter2(L，binary_xx1)*5；
subplot(2，2，4)；imshow(L1)；title(′sobel′)；
图４
（4）选择一幅二值图像分别利用一阶sobel算子和二阶Laplacian算子对其进行边缘检测，比较检测效果。

figure，subplot(2，2，1)；imshow(xx)；title(′原图像′)；
subplot(2，2，2)；imshow(binary_xx1)；title(′原二值图像′)；
K=fspecial(′laplacian′，；K1=filter2(K，binary_xx1)；K1=imadjust(K1，［，］，［0，1］，；
subplot(2，2，3)；imshow(K1)；title(′laplacian′)；
L=fspecial(′sobel′)；L1=filter2(L，binary_xx1)；L1=imadjust(L1，［，］，［0，1］，；
subplot(2，2，4)；imshow(L1)；title(′sobel′)；
图５
结论：从图像上可以看出，3*3低通邻域平均模版对玉米图像与背景进行分割有较好的效果，有效地模糊和消除了图像噪声，提高了图像质量，而二阶Laplacian算子对其进行边缘检测效果较好。

为快速有效的提取玉米图像特征作好了充分准备。

参考文献
［1］张弦，严衍录．用图形图像技术处理作物图像提取作物形态信息［Ｊ］．中国农业科学，1996，29（5）：89－93．
［2］王玉顺．山西农业大学MATLAB上机试验指导书［Ｍ］．85－105．
［3］何希平，张琼华．基于MATLAB的图像处理与分析［Ｊ］．重庆工商大学学报(自然科学版)，２００３，２０（０２）：22－26．
［4］孙兆林．Matlab6．x图像处理［Ｍ］．北京：清华大学出版社，2002．5：146－161．
［5］胡小锋，赵辉．Visual C++/MATLAB图像处理与识别实用案例精选［Ｍ］．北京：人民邮电出版社，2004．9．1：240-249．。