一種逆向雜草定位方法及定位裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種雜草定位技術(shù)，特別是一種先定位作物，再定位雜草的逆向雜草 定位方法及定位裝置。
【背景技術(shù)】
[0002] 農(nóng)田雜草是農(nóng)業(yè)生產(chǎn)的大敵，也是困擾農(nóng)作物生長的基本問題之一。因此，如何快 速、準確地自動獲取農(nóng)田雜草信息，成為雜草精準控制技術(shù)所面臨的首要問題，也是制約其 實現(xiàn)的瓶頸。盡管目前有關(guān)研究雜草識別的研究比較多，但由于田間雜草種類較多，如何準 確的定位識別出每一種雜草是非常困難的。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有技術(shù)的上述問題，提供一種逆向雜草定位 方法及定位裝置，可以根據(jù)作物的HU不變矩特征以及作物形狀特征等自動分析識別田間 作物，然后把作物區(qū)域以外的綠色植物均認定為雜草。
[0004] 為了實現(xiàn)上述目的，本發(fā)明提供了一種逆向雜草定位方法，用于農(nóng)作物的田間雜 草定位，其中，包括以下步驟：
[0005] S100,作物定位，通過分析農(nóng)作物的圖像信息，根據(jù)該農(nóng)作物的擴展HU不變矩的 特征值以及該農(nóng)作物的形狀特征分析識別田間農(nóng)作物，并標記該農(nóng)作物區(qū)域，所述農(nóng)作物 的形狀特征包括縱橫軸比、矩形度、面積凹凸比、周長凹凸比、球狀性、圓形度、偏心率和形 狀參數(shù)特征；
[0006] S200,雜草定位，將所述農(nóng)作物區(qū)域以外的綠色植物均認定為雜草，并標記為雜草 區(qū)域；以及
[0007] S300,結(jié)果輸出，輸出并顯示該農(nóng)作物區(qū)域和/或雜草區(qū)域。
[0008] 上述的逆向雜草定位方法，其中，所述步驟S100進一步包括：
[0009] S101，圖像采集，實時采集田間圖像信息；
[0010] S102,圖像處理，利用2G-R-B超綠模型灰度化所述步驟S101采集的田間圖像，并 將該灰度化的田間圖像用0TSU自動閾值法二值化處理；
[0011] S103,模板特征提取，對所述二值化處理的田間圖像利用n*n模板進行特征提取， 計算出該模板對應的不變矩值及所述農(nóng)作物的形狀特征值，其中，采用擴展HU不變矩，得 到7個不變矩特征值；
[0012] S104,特征匹配，對所述7個HU不變矩特征值和所述農(nóng)作物的形狀特征值利用最 臨近分類器法與預存的該田間作物的HU不變矩值和農(nóng)作物的形狀特征值進行特征匹配； 以及
[0013] S105,作物定位，對所述步驟S104的匹配結(jié)果認定為農(nóng)作物的對應圖像進行標 記。
[0014] 上述的逆向雜草定位方法，其中，所述步驟S100還包括：
[0015] S106,圖像遍歷，對所述步驟S102二值化處理的田間圖像從該田間圖像的左上角 開始從左到右、從上到下按順序遍歷，重復所述步驟S103至步驟S105,直到所有圖像均被 遍歷一邊為止。
[0016] 上述的逆向雜草定位方法，其中，在所述步驟S103中所述7個不變矩特征值的計 算進一步包括：
[0017] S1031，采用離散情況下的不變矩，積分用求和代替，p+q(p、q為任意非負整數(shù)）階 幾何矩mpq定義為：
[0018]
( .1 ) X V
[0019] 式中f(x，y)為圖像的灰度，X，y為圖像坐標；
[0020] S1032,定義p+q階中心矩為：
(9 Λ
[0021] v J
[0022] 式中?，$是圖像的重心坐標，其中= ，j = *>4 ;
[0023] 歸一化的中心距定義為：
[0024] npq = upq/u〇〇r r = (p+q)/2 p+q = 2, 3,...... (3)
[0025] 采用滿足平移、旋轉(zhuǎn)、比例不變的p+q < 3的7個不變矩，其公式如下：
[0026] φ 1 - Γ[ 20+ Π 02
[0027] Φ2 = (n2〇- n〇2)2+4 nn2
[0028] Φ a = (η 30-3 η 12) 2+ (3 η 21- η 03)2
[ο029] Φ 4 = (η 3〇+ η 12) 2+ (η 2ι+ η 〇3)2
[0030] φ 5 = ( η 3。-3 n 12) ( n 3。+ n 12) [ ( n 3。+ η 12) 2-3 ( n 21+ η。3)2] + ⑷
[0031 ] (3 η 2「η。3) ( η 21_ η。3) [3 ( η 3。+ η 12) 2_ ( η 21+ η。3)2]
[0032] Φ 6 = (η 2〇- η 〇2) [ (η 30+ η 12) 2-3 (η 21+ η 03)2] +4 η η (η 30+ η 12) (η 21+ η 〇3)
[0033] φ 7 = (3 η 21_ η 03) ( η 30+ η 12) [ ( η 30+ η 12) 2_3 ( η 21+ η 03)2] _
[0034] (η 3〇-3 η 12) (η 21+ η 〇3) [3 (η 30+ η 12)2- (η 21+ η 03)2]
[0035] 通過（3)與⑷式計算出滿足平移、旋轉(zhuǎn)不變的新的不變矩；以及
[0036] S1033,擴展HU不變矩
[0037] 實際采用的不變矩為：
[0038] Ik = log10| <i)k| (k = 1，2,…，7) (5)
[0039] 關(guān)于同一物體的兩幅在對比度、比例、位置和旋轉(zhuǎn)上都有差別的圖像AUy)和 f2(x'，y'），其相互關(guān)系可用下式表示：
[0040] f1(x/ ,y/ )=kf2(x,y)
(δ)
[0041] 1 其中，k是對比度變化因子，C是比例變化因子，θ是旋轉(zhuǎn)角，（a，b)分別是χ方向 和y方向上的位移，使用式（4)，分別對f^iy)和&(1'， 7'）計算出七個度量值，并使用變 換公式（5)，進行變換組合后，得出一組具有對比度、比例、平移和旋轉(zhuǎn)不變性的擴展HU不 變矩：
[0043]
[0044] 將β2, β3, β4, β5, 06作為作物的不變性特征，計算出所述n*n模板的7個不 變矩特征值。
[0045] 上述的逆向雜草定位方法，其中，在所述步驟S103中所述農(nóng)作物的形狀特征值的 計算進一步包括：
[0046] 所述縱橫軸比為葉片最小包圍盒的長寬比值：
[0047] Aspect Ratio = L/ff (8)
[0048] 其中，所述最小包圍盒為把目標葉片區(qū)域包含在內(nèi)的最小面積的矩形，L為長度，W 為寬度；
[0049] 矩形度為葉片面積與葉片最小包圍盒面積的比值：
[0050] Rectangularity = A1/Ah (9)
[0051] 其中，Α:為葉片面積，Ah為葉片最小包圍盒面積；
[0052] 面積凹凸比為葉片面積與葉片凸包面積的比值：
[0053] Area Convexity = kx/kc (10)
[0054] 其中，Ac為葉片凸包面積；
[0055] 周長凹凸比為葉片周長與葉片凸包周長的比值：
[0056] Perimeter Convexity = Pi/P。（11)
[0057] 其中，Ρ:為葉片周長，P。為葉片凸包周長；
[0058] 球狀性為葉片面積與葉片凸包周長的計算值：
[0059] Sphericity = 4 π A) / (PC*PC) (12)
[0060] 圓形度是葉片內(nèi)切圓半徑與葉片外切圓半徑的比值：
[0061] Circularity = Ri/Re (13)
[0062] 其中，民為葉片內(nèi)切圓半徑，Ιζ為葉片外切圓半徑；
[0063] 偏心率為葉片自身長軸與短軸的比值：
[0064] Eccentricity = Xi/Xs (14)
[0065] 其中，Χ:為葉片自身長軸，Xs為葉片自身短軸；
[0066] 形狀參數(shù)為葉片面積和周長的計算值：
[0067] Vorm Factor = (4 π A) / (Ρ,Ρ》 (15)
[0068] 利用公式（8)-(15)計算出n*n模板的8個所述農(nóng)作物的形狀特征值。
[0069] 上述的逆向雜草定位方法，其中，所述步驟S104中，進一步包括：
[0070] S1041，在實時采集的所述田間圖像中提取出具有代表性的單獨葉片，利用所述公 式（7)計算該單獨葉片的7個HU不變矩特征值并作為該田間作物的HU不變矩值預存；
[0071] S1042,在實時采集的所述田間圖像中提取出具有代表性的單獨葉片，利用所述公 式（8)-(15)計算該單獨葉片的8個形狀特征值并作為該田間作物的形狀特征值預存；以及
[0072] S1043,采用最臨近分類器法進行匹配，將預存的該田間作物的HU不變矩值和該 田間作物的形狀特征值分別與步驟S103