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。