自然环境下嫩芽与茶梗自动分割方法的研究

我国作为茶叶生产大国，西湖龙井、黄山毛峰等茶叶深受海内外人们的喜爱。随着生活水平的不断提高，人们对茶叶质量的要求也越来越高。茶叶市场中以假乱真、以次充好等现象严重扰乱茶叶市场的信誉和稳定。国内外学者将图像处理等技术成功应用于嫩芽智能采摘[1-3]、茶叶种类识别[4-6]、茶叶品质鉴定[7-8]等环节。目前茶叶茶梗的自动分拣技术由于分拣机械的效率和精准度的不足仍然无法满足茶叶大规模生产的要求[9]。张俊峰[10]、陈笋[11]等通过提取茶叶与茶梗的形态特征分别结合SVM和贝叶斯分类器实现了茶梗的自动分离。以上方法均针对于干茶样本，对于自然条件下嫩芽智能采摘过程中嫩芽与鲜梗的自动分离鲜有报道。以自然环境下茶叶图像为研究对象，首先探讨不同颜色模型下新茶（嫩芽与鲜梗）与背景的目标分割，然后结合嫩芽与茶梗的生长形态，利用腐蚀和逐行扫描等方法实现了嫩芽与鲜梗的自动分离，为整个茶叶生产过程智能化提供理论基础。 1 材料与方法 1.1 茶叶图像采集 清明前夕于安徽省黄山市茅山茶场，在自然光照条件下利用尼康D90数码相机水平拍摄毛峰新茶图像，共30幅，以jpg格式存储。为加快计算机处理速度，将图像统一裁剪为640*640像素。利用Lenovo ThinkPad E550C（CPU型号Intel酷睿i5 4210 U 1.7 GHz，内存8 G，显卡AMD Radeon R7 M265，硬盘1 TB）实现图像增强、背景分割和目标分离等操作。程序均在MATLAB2014a环境下编制。 1.2 茶叶图像分割 图像分割的好坏直接影响最终嫩芽与鲜梗的分离和后期的智能采摘。首先探讨RGB、HSV两种颜色空间不同分量图下新茶与背景的差异，然后结合直方图获取阈值实现背景分割，最后利用形态学处理和逻辑与操作实现彩色分割。 1.2.1 图像增强 在图像采集过程中，容易受到机械振动、外界环境等因素的影响使图像质量下降。利用标量中值滤波方法对原始彩色图像三通道分别进行滤波后合成茶叶增强图像，以提高茶叶图像可懂性。 图1 自然环境下茶叶彩色图像Fig.1 Color image of tea under nature conditions 1.2.2 颜色空间转换 颜色空间转换是指一种颜色空间下颜色数据转换成另一种颜色空间下数据，即不同数据表示相同的颜色。RGB和HSV模型作为两种常用的色彩空间，前者是通过红、绿、蓝三分量的变化及相互之间的叠加得到各种颜色；后者是从人类视觉机理角度提出，由色调、饱和度和亮度组成，其描述的色彩更符合人的视觉特性。 图2 自然环境下茶叶增强图像Fig.2 Enhanced image of tea under nature conditions 图3 自然环境下茶叶RGB图像Fig.3 RGB image of tea under nature conditions 图4 自然环境下茶叶HSV图像Fig.4 HSV image of tea under nature conditions 1.2.3直方图分割 灰度直方图是对图像中灰度级分布的统计。根据不同分量图中新茶与背景的直方图统计确定分割阈值，利用最大类间方差法实现茶叶的二值分割，并利用去除伪目标、填充等形态学处理获取较为纯净的二值图像，最后与原始图像进行逻辑与实现彩色分割。 1.2.4 腐蚀操作 腐蚀运算作为数学形态学中最基本的运算之一，其基本思想是利用“结构元素”对“图像集合”进行消除边界点，使边界向内部收缩，使茶叶二值图像变细，进而消除小且无意义的目标。梗的分割点，并确定坐标显示。具体流程如下： 2 结果 2.1 基于颜色的茶叶图像分割 待分割灰度图像及阈值的选取直接影响茶叶嫩芽图像分割的质量。经实验发现R、G、B、H、S、V 6个单一分量和G-B、R-B两个色差因子中，G-B分量图中新茶与背景差异最为明显，选取该分量图作为新茶分割的输入。根据灰度直方图呈现的峰谷特性，选取55作为分割阈值，利用OTSU法结合伪目标去除和填充处理等实现新茶图像自动分割。 g=rgb（：，：，2）； b=rgb（：，：，3）； gJb=g-b；%获得g-b灰度图，经试验g-b为目标与背景区别最大灰度图 figure，imshow（gJb）； figure，imhist（gJb）； %显示灰度直方图，获取分割阈值 bw=im2bw（gJb，55/255）；%图像分割 figure，imshow（bw）； BW=bwareaopen（bw，1 000）；%剔除面积小于1 000个像素的小目标 BW1=imfill（BW，'holes'）；%填充孔洞 se=strel（'disk'，6）； BW1=imerode（BW1，se）； figure，imshow（BW1）。 2.2 基于腐蚀的嫩芽与鲜梗的自动分离 在获取准确的新茶二值图像后与原始RGB图像进行逻辑与操作，实现鲜茶的彩色分割。但嫩芽与鲜梗颜色相同，均呈现亮绿色，很难利用单一的颜色特征进行区分。根据新梗区域呈现细长型等生长统计特性，利用腐蚀操作和逐行扫描法获取嫩芽与鲜 图5 G-B分量灰度图Fig.5 Gray image of G-B component 图6 G-B分量灰度直方图Fig.6 Histogram image of G-B component 图7 茶叶二值图像Fig.7 Binary image of tea 图8 形态学处理后茶叶二值图像Fig.8 Binary image of tea after morphological processing （1）对茶叶纯净二值图像与原始彩色图像进行逻辑与操作，实现茶叶彩色分割； （2）对纯净二值图像进行边缘检测，然后从下向上、从左到右依次扫描每行目标像素的数目； （3）根据（2）中搜索出的像素统计特性，判断像素增长率最大的区域； （4）对纯净二值图像进行多次腐蚀操作，直到（3）中增长率最快区域目标一分为二，即腐蚀后的嫩芽与鲜梗部分； （5）去除（4）中鲜梗部分后，对每个嫩芽独立区域进行从下向上的逐行扫描，以第一个坐标点作为嫩芽与鲜梗的位置连接点，记录该坐标； （6）根据（5）中记录的位置坐标在茶叶彩色分割图像中进行分离点的标记。 图9 茶叶彩色分割图像Fig.9 Color image of tea after segmentation 图10 嫩芽与鲜梗分离标记图Fig.10 Marker image of sorting for tea sprout and stalk 3 讨论 茶叶茶梗的在线分离大部分研究仅限于以干茶为研究对象，采集自然环境下新茶图像，根据新茶（嫩芽与鲜梗）与老叶等背景在颜色上的差异，首先探讨了RGB、HSV两种颜色模型下各色彩因子对背景分割的影响；其次选择对比度最为明显的G-B色差灰度图作为待分割图像，结合OTSU方法实现了茶叶二值分割；最后利用伪目标去除、逻辑与等形态学处理实现了新茶的彩色分割。 根据嫩芽与鲜梗生长形态的差异，利用边缘检测、逐行扫描、腐蚀等操作实现了嫩芽与鲜梗的自动分离，并进行了分离点标记，便于后期茶叶智能采摘。该方法为自然环境下嫩芽与鲜梗的分离提供理论基础，为茶叶生产智能化提供思路。 我国作为茶叶生产大国，西湖龙井、黄山毛峰等茶叶深受海内外人们的喜爱。随着生活水平的不断提高，人们对茶叶质量的要求也越来越高。茶叶市场中以假乱真、以次充好等现象严重扰乱茶叶市场的信誉和稳定。国内外学者将图像处理等技术成功应用于嫩芽智能采摘[1-3]、茶叶种类识别[4-6]、茶叶品质鉴定[7-8]等环节。目前茶叶茶梗的自动分拣技术由于分拣机械的效率和精准度的不足仍然无法满足茶叶大规模生产的要求[9]。张俊峰[10]、陈笋[11]等通过提取茶叶与茶梗的形态特征分别结合SVM和贝叶斯分类器实现了茶梗的自动分离。以上方法均针对于干茶样本，对于自然条件下嫩芽智能采摘过程中嫩芽与鲜梗的自动分离鲜有报道。以自然环境下茶叶图像为研究对象，首先探讨不同颜色模型下新茶（嫩芽与鲜梗）与背景的目标分割，然后结合嫩芽与茶梗的生长形态，利用腐蚀和逐行扫描等方法实现了嫩芽与鲜梗的自动分离，为整个茶叶生产过程智能化提供理论基础。 1 材料与方法 1.1 茶叶图像采集 清明前夕于安徽省黄山市茅山茶场，在自然光照条件下利用尼康D90数码相机水平拍摄毛峰新茶图像，共30幅，以jpg格式存储。为加快计算机处理速度，将图像统一裁剪为640*640像素。利用Lenovo ThinkPad E550C（CPU型号Intel酷睿i5 4210 U 1.7 GHz，内存8 G，显卡AMD Radeon R7 M265，硬盘1 TB）实现图像增强、背景分割和目标分离等操作。程序均在MATLAB2014a环境下编制。 1.2 茶叶图像分割 图像分割的好坏直接影响最终嫩芽与鲜梗的分离和后期的智能采摘。首先探讨RGB、HSV两种颜色空间不同分量图下新茶与背景的差异，然后结合直方图获取阈值实现背景分割，最后利用形态学处理和逻辑与操作实现彩色分割。 1.2.1 图像增强 在图像采集过程中，容易受到机械振动、外界环境等因素的影响使图像质量下降。利用标量中值滤波方法对原始彩色图像三通道分别进行滤波后合成茶叶增强图像，以提高茶叶图像可懂性。 图1 自然环境下茶叶彩色图像Fig.1 Color image of tea under nature conditions 1.2.2 颜色空间转换 颜色空间转换是指一种颜色空间下颜色数据转换成另一种颜色空间下数据，即不同数据表示相同的颜色。RGB和HSV模型作为两种常用的色彩空间，前者是通过红、绿、蓝三分量的变化及相互之间的叠加得到各种颜色；后者是从人类视觉机理角度提出，由色调、饱和度和亮度组成，其描述的色彩更符合人的视觉特性。 图2 自然环境下茶叶增强图像Fig.2 Enhanced image of tea under nature conditions 图3 自然环境下茶叶RGB图像Fig.3 RGB image of tea under nature conditions 图4 自然环境下茶叶HSV图像Fig.4 HSV image of tea under nature conditions 1.2.3直方图分割 灰度直方图是对图像中灰度级分布的统计。根据不同分量图中新茶与背景的直方图统计确定分割阈值，利用最大类间方差法实现茶叶的二值分割，并利用去除伪目标、填充等形态学处理获取较为纯净的二值图像，最后与原始图像进行逻辑与实现彩色分割。 1.2.4 腐蚀操作 腐蚀运算作为数学形态学中最基本的运算之一，其基本思想是利用“结构元素”对“图像集合”进行消除边界点，使边界向内部收缩，使茶叶二值图像变细，进而消除小且无意义的目标。梗的分割点，并确定坐标显示。具体流程如下： 2 结果 2.1 基于颜色的茶叶图像分割 待分割灰度图像及阈值的选取直接影响茶叶嫩芽图像分割的质量。经实验发现R、G、B、H、S、V 6个单一分量和G-B、R-B两个色差因子中，G-B分量图中新茶与背景差异最为明显，选取该分量图作为新茶分割的输入。根据灰度直方图呈现的峰谷特性，选取55作为分割阈值，利用OTSU法结合伪目标去除和填充处理等实现新茶图像自动分割。 g=rgb（：，：，2）； b=rgb（：，：，3）； gJb=g-b；%获得g-b灰度图，经试验g-b为目标与背景区别最大灰度图 figure，imshow（gJb）； figure，imhist（gJb）； %显示灰度直方图，获取分割阈值 bw=im2bw（gJb，55/255）；%图像分割 figure，imshow（bw）； BW=bwareaopen（bw，1 000）；%剔除面积小于1 000个像素的小目标 BW1=imfill（BW，'holes'）；%填充孔洞 se=strel（'disk'，6）； BW1=imerode（BW1，se）； figure，imshow（BW1）。 2.2 基于腐蚀的嫩芽与鲜梗的自动分离 在获取准确的新茶二值图像后与原始RGB图像进行逻辑与操作，实现鲜茶的彩色分割。但嫩芽与鲜梗颜色相同，均呈现亮绿色，很难利用单一的颜色特征进行区分。根据新梗区域呈现细长型等生长统计特性，利用腐蚀操作和逐行扫描法获取嫩芽与鲜 图5 G-B分量灰度图Fig.5 Gray image of G-B component 图6 G-B分量灰度直方图Fig.6 Histogram image of G-B component 图7 茶叶二值图像Fig.7 Binary image of tea 图8 形态学处理后茶叶二值图像Fig.8 Binary image of tea after morphological processing （1）对茶叶纯净二值图像与原始彩色图像进行逻辑与操作，实现茶叶彩色分割； （2）对纯净二值图像进行边缘检测，然后从下向上、从左到右依次扫描每行目标像素的数目； （3）根据（2）中搜索出的像素统计特性，判断像素增长率最大的区域； （4）对纯净二值图像进行多次腐蚀操作，直到（3）中增长率最快区域目标一分为二，即腐蚀后的嫩芽与鲜梗部分； （5）去除（4）中鲜梗部分后，对每个嫩芽独立区域进行从下向上的逐行扫描，以第一个坐标点作为嫩芽与鲜梗的位置连接点，记录该坐标； （6）根据（5）中记录的位置坐标在茶叶彩色分割图像中进行分离点的标记。 图9 茶叶彩色分割图像Fig.9 Color image of tea after segmentation 图10 嫩芽与鲜梗分离标记图Fig.10 Marker image of sorting for tea sprout and stalk 3 讨论 茶叶茶梗的在线分离大部分研究仅限于以干茶为研究对象，采集自然环境下新茶图像，根据新茶（嫩芽与鲜梗）与老叶等背景在颜色上的差异，首先探讨了RGB、HSV两种颜色模型下各色彩因子对背景分割的影响；其次选择对比度最为明显的G-B色差灰度图作为待分割图像，结合OTSU方法实现了茶叶二值分割；最后利用伪目标去除、逻辑与等形态学处理实现了新茶的彩色分割。 根据嫩芽与鲜梗生长形态的差异，利用边缘检测、逐行扫描、腐蚀等操作实现了嫩芽与鲜梗的自动分离，并进行了分离点标记，便于后期茶叶智能采摘。该方法为自然环境下嫩芽与鲜梗的分离提供理论基础，为茶叶生产智能化提供思路。

文章来源：《腐蚀科学与防护技术》 网址: http://www.fskxyfhjszz.cn/qikandaodu/2021/0308/514.html