關(guān)于基于相對(duì)色彩因子的樹木圖像分割算法

　　論文關(guān)鍵詞:相對(duì)色彩因子  圖像分割  精確

　　論文摘要:圖像分割是利用實(shí)時(shí)視覺傳感技術(shù)農(nóng)精確對(duì)靶施用進(jìn)行林木化學(xué)防治的難點(diǎn)。筆者提出了基于相對(duì)色彩因子的樹木圖像分割算法。與傳統(tǒng)方法相比,新圖像分割算法在不影響分割效果的同時(shí)大大提高了圖像分割的實(shí)時(shí)性,在“精確林業(yè)”中將有很好的應(yīng)用前景。

　　利用實(shí)時(shí)視覺傳感技術(shù)指導(dǎo)農(nóng)藥精確對(duì)靶施用進(jìn)行林木化學(xué)防治時(shí),主要的難點(diǎn)是如何把視覺傳感器(如CCD攝像頭)采集的樹木圖像從其錯(cuò)綜復(fù)雜的背景中分割出來(lái)。從20世紀(jì)90年代初“精確”思想提出開始,國(guó)外的許多專家學(xué)者致力于研究農(nóng)田作物(如紅薯、棉花等)與其背景(主要是土壤和雜草)間的圖像分割技術(shù),提出了很多分割算法,包括基于顏色的分割算法,基于紋理的分割算法和基于灰度圖的分割算法等。其中基于顏色的分割算法應(yīng)用最為廣泛,許多算法實(shí)例能較好地應(yīng)用于特定的場(chǎng)合,成功地將目標(biāo)作物和背景分割開來(lái)。如田磊等人運(yùn)用機(jī)器視覺及彩色圖像分割進(jìn)行田間雜草密度估算[1];Swapana等人應(yīng)用彩色圖像分割進(jìn)行紅薯識(shí)別和分類(grading)[2]。然而,基于顏色的分割算法同樣存在不足之處。首先,基于顏色的分割算法一般涉及圖像像素的R,G,B(紅,綠,藍(lán))值,算法涉及到三維數(shù)組的處理,因此數(shù)據(jù)量大,效率低;其次,在很多情況下,由于因素的影響,圖像像素的R,G,B值并不直接反映物體的光譜反射特性,像素值的多義性給算法設(shè)計(jì)帶來(lái)難度。

　　基于顏色的分割算法一般要進(jìn)行色彩空間的轉(zhuǎn)換,以此來(lái)降低圖像色彩的維數(shù),同時(shí)削弱環(huán)境(如光照強(qiáng)度、入射角)對(duì)圖像像素值的影響。通常將獲取作物的圖像從RGB空間轉(zhuǎn)換到HSI(Hue色調(diào),Saturation飽和度,Intensity光照強(qiáng)度)空間[5],或者將原始圖像用色度(Normalized rgb)來(lái)表示。此方法存在的問(wèn)題是:色彩空間的轉(zhuǎn)換需要非常耗時(shí)的運(yùn)算,并且在實(shí)時(shí)性要求較高的農(nóng)藥精確對(duì)靶施用過(guò)程中,這些圖像分割的算法并不適用。同時(shí)和田間環(huán)境相比,林業(yè)生產(chǎn)過(guò)程中施藥環(huán)境的背景更加復(fù)雜,對(duì)于精確對(duì)靶施藥系統(tǒng)的圖像分割算法的要求也更加嚴(yán)格。因此必須尋找簡(jiǎn)潔高效的樹木圖像分割算法。

　　1　算法的提出

　　從綠色植物的全波段反射光譜(reflectance spectrum)可以看出,在可見光范圍內(nèi),綠色植物在綠色波段(波長(zhǎng)在550μm左右)會(huì)有一個(gè)反射峰值(green peak)。這是由于健康的綠色植物進(jìn)行光合作用(葉綠素在光合作用過(guò)程中吸收可見光譜中的紅色波段)引起的。因此,對(duì)于綠色植物的數(shù)字圖像,綠色分量相對(duì)于紅色和藍(lán)色分量大。這個(gè)特性是健康的綠色植物所固有的,不會(huì)隨環(huán)境因素改變。在實(shí)驗(yàn)室可控光條件下及室外自然光條件下拍攝大量綠色樹木的圖像進(jìn)行RGB各分量的分析也證實(shí)了這一點(diǎn)。這一特性提供了一個(gè)綠色樹木圖像分割的可行方法:利用圖像RGB分量之間的相對(duì)關(guān)系進(jìn)行樹木圖像分割。

　　類似的研究已經(jīng)出現(xiàn)在國(guó)外的一些文獻(xiàn)中。如Weobbecke DM等人利用像素的RGB值建立了ExG參數(shù)來(lái)區(qū)分植物和土壤,準(zhǔn)確率達(dá)到99%[3]。孫明,高照橋夫等利用色差信號(hào)(G-Y)和(R-B)進(jìn)行蘋果分割,平均正確率達(dá)到80%以上。EI-Faki MS等人對(duì)這一類方法進(jìn)行了較為系統(tǒng)的概括,指出彩色圖像像素的RGB灰度級(jí)在很大程度上依賴于光照強(qiáng)度[4]。在不同的光照條件下,直接用RGB值進(jìn)行識(shí)別會(huì)導(dǎo)致錯(cuò)誤的結(jié)果。而利用簡(jiǎn)單的算術(shù)運(yùn)算組合RGB分量形成相對(duì)色彩因子(Relative Color Indices)可以大大降低光照強(qiáng)度或其他因素的影響。同時(shí)他們?cè)O(shè)計(jì)了一些具有典型意義的色彩因子代表了彩色圖像的光強(qiáng)(Intensity),單相、兩相色彩對(duì)比度(One,Two-Color Contrast)等,并通過(guò)這些因子的組合來(lái)實(shí)現(xiàn)農(nóng)田作物的分割。

　　為了能有效的將綠色樹木與其背景分割開來(lái),達(dá)到較好的分割效果,首先引入2×G/(R+B)這一色彩因子。其優(yōu)點(diǎn):(1)在全面考慮像素RGB分量的同時(shí)突出了G分量在像素中的比重;(2)利用比值關(guān)系可以抑制環(huán)境因素(如光強(qiáng))的影響。在初期研究中僅利用這一色彩因子進(jìn)行分割,發(fā)現(xiàn)分割結(jié)果中會(huì)出現(xiàn)許多錯(cuò)誤的孤立點(diǎn)。進(jìn)一步研究表明這是由于原始圖像中的暗噪聲(或暗區(qū)域)引起的。因此又引入了(R+B+G)/3這一因子,通過(guò)該因子閾值的設(shè)定可以去除這些圖像中的暗噪聲或相對(duì)暗區(qū)。

　　2　算法的效果及分析

　　2.1　分割方法

　　試驗(yàn)時(shí)采用全局閾值分割的方法。全局閾值分割的優(yōu)點(diǎn)為運(yùn)用單一閾值對(duì)整個(gè)圖像進(jìn)行分割,簡(jiǎn)單高效,但自適應(yīng)性較差。對(duì)于在不同背景下采集到的樹木圖像,閾值將有所不同。在實(shí)驗(yàn)室里采集兩幅不同光照條件下綠色模擬樹木圖像,并用不同的閾值進(jìn)行圖像分割。由于(R+B+G)/3這一因子僅僅使像素有足夠的強(qiáng)度,因此在分割過(guò)程中,(R+B+G)/3的閾值是不變的,在兩次分割中都將其設(shè)定為50。分割效果如圖1所示。

　　2.2　圖像分析

　　圖1-1(a1)為在晚上日光燈照射下采集到的模擬樹木圖像,圖1-1(b1)、(c1)、(d1)、(e1)和(f1)為其在不同的2×G/(R+B)閾值下的分割結(jié)果。圖1-1(b1)、(c1)、(d1)、(e1)、(f1)閾值分別為1.0,1.1,1.2,1.3,1.4。從圖1-1中可以看出當(dāng)閾值較小時(shí),部分背景會(huì)被錯(cuò)誤地劃分為目標(biāo)。而當(dāng)閾值較大時(shí),則會(huì)出現(xiàn)目標(biāo)缺失。選取適當(dāng)?shù)?a target="_blank" title="閾">閾值,分割的效果較好(圖1-1(d1))。

　　圖1-2(a2)為在白天太陽(yáng)光照射下采集到的模擬樹木圖像,圖1-2(b2)、(c2)、(d2)、(e2)和(f2)為其在不同的2×G/(R+B)閾值下的分割結(jié)果。圖1-2(b2)、(c2)、(d2)、(e2)、(f2)閾值分別為1.1,1.2,1.3,1.4,1.5。從圖1-2中可以看出,除了圖1-2(b2)、(c2)的分割效果稍差外,其他3個(gè)閾值都取得了滿意結(jié)果。

　　從以上兩組試驗(yàn)的對(duì)比可看出,當(dāng)圖像的光照強(qiáng)度較大時(shí),即圖像或像素點(diǎn)較亮?xí)r,用2×G/(R+B)和(R+G+B)/3這兩個(gè)因子分割得到的結(jié)果比較穩(wěn)定,閾值可選的范圍較大(在第2種情況下閾值的選取從1.3到1.5都是合理的)。而當(dāng)圖像的光照強(qiáng)度較小時(shí),閾值的選取范圍就較窄(在第1種情況下閾值在1.2左右比較適合)。同時(shí)可以看出,在不同的光強(qiáng)條件下,為了達(dá)到最佳分割效果所定的閾值是不同的。因此如何在不同的工作中選定一個(gè)較為合理的閾值,是該算法成功與否的關(guān)鍵。

　　

　　在以上兩組試驗(yàn)中,人為設(shè)定的工作環(huán)境有一定的典型性。第1組試驗(yàn)在晚間進(jìn)行,光強(qiáng)很小,用日光燈照射(人造光源)。第2組試驗(yàn)在白天正午進(jìn)行,光強(qiáng)很大,用太陽(yáng)光照射(自然光源)。在一般工作環(huán)境中,閾值的選取應(yīng)該介于以上兩組試驗(yàn)結(jié)果之間(1.2~1.5)�？梢砸怨鈴�(qiáng)為參數(shù)在1.2~1.5進(jìn)行插值,從而得出在一般工作環(huán)境中的合理分割閾值。圖2為在室外陰天所采集的行道樹圖像及利用相對(duì)色彩因子進(jìn)行圖像分割的結(jié)果(2×G/(R+B)的閾值選定為1.3,(R+B+G)/3選定為64)。由于室外背景較為復(fù)雜,閾值分割后的圖像存在許多噪聲,因此應(yīng)用了3×3的中值濾波器對(duì)分割后的圖像進(jìn)行濾波。分割結(jié)果較好。

　　3　結(jié)　語(yǔ)

　　與傳統(tǒng)的基于色彩信息的圖像分割算法相比,基于相對(duì)色彩因子的圖像分割算法簡(jiǎn)單高效。用RGB分量間的相對(duì)比值來(lái)削弱光照強(qiáng)度對(duì)圖像的影響,可以省去傳統(tǒng)方法中的色彩模式轉(zhuǎn)換的繁瑣運(yùn)算,提高算法的實(shí)時(shí)性。分割一幀圖像(圖像大小為360×270像素)的時(shí)間從一般的0.6~0.7 s縮短到0.2 s左右[5]。算法的程序?qū)崿F(xiàn)也相當(dāng)容易,核心代碼不超過(guò)200行。同時(shí)當(dāng)閾值選取合理時(shí),分割的效果令人滿意。由于此研究在整個(gè)精確機(jī)器視覺領(lǐng)域還處于初級(jí)階段,并沒(méi)有深入考慮實(shí)際林業(yè)生產(chǎn)過(guò)程中的復(fù)雜情況。因此仍需要不斷完善該算法。如將色彩域拓展至整個(gè)波譜范圍(包括NIR,SWIR,Thermal),將樹木所特有的紋理(Texture)特性融入色彩因子等�；�于相對(duì)色彩因子的圖像分割算法可望在實(shí)時(shí)視覺傳感技術(shù)的農(nóng)精確對(duì)靶施用系統(tǒng)中得到廣泛地應(yīng)用。

　　[參考文獻(xiàn)]

　　[1] Steward B L,Tian LF.Machine-visionweed density estimation for real time,outdoor lighting conditions[J].Transaction of ASAE,1999,42(6):1897-1909.

　　[2] Swapana,Tian L F,Tang L.Distance-based control system for machine vision-based selective spraying[J].Transactions of ASAE.2002,45(5):1255-1262.

　　[3] Weobbecke D M, Meyer G E, Von Bargen K,et al.Color indices for weed identification under various soil, residue and lighting conditions [J].Transaction of ASAE, 1995a, 38(1):259-269.

　　[4] EI-Faki MS, Zhang N, Peterson D E. Factors affecting color-based weed detection [J].Transaction of ASAE, 2000, 43(4):1001-1009.

　　[5]向海濤.基于機(jī)器視覺的樹木圖像實(shí)時(shí)采集與識(shí)別[D].南京:南京林業(yè)大學(xué),2002.

　　[6]葛玉峰.基于機(jī)器視覺的室內(nèi)模擬農(nóng)藥精確對(duì)靶施用系統(tǒng)研究[D].南京:南京林業(yè)大學(xué),2003.

　　[7]鄭加強(qiáng).基于視覺的霧滴尺寸測(cè)量技術(shù)[J].南京林業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2002,24(6):47-50.

　　[8]賈云得.機(jī)器視覺[M].北京:科學(xué)出版社, 2000.

　　[9]王新成.高級(jí)圖像處理技術(shù)[M].北京:中國(guó)科學(xué)技術(shù)出版社,2000.

【基于相對(duì)色彩因子的樹木圖像分割算法】相關(guān)文章：

有關(guān)大豆抗?fàn)I養(yǎng)因子及鈍化的分析11-23

醫(yī)學(xué)圖像領(lǐng)域中數(shù)字圖像處理的應(yīng)用論文04-19

談地理圖像投影導(dǎo)學(xué)法08-21

數(shù)據(jù)關(guān)聯(lián)算法綜述及其性能評(píng)估05-05

基于戰(zhàn)略治理的企業(yè)環(huán)境風(fēng)險(xiǎn)研究08-28

試析基于勝任素質(zhì)的薪酬模式構(gòu)建01-03

基于軟交換的固網(wǎng)智能化05-11

基于BP網(wǎng)遙感影像分類研究與應(yīng)用08-10

基于minigui的網(wǎng)真機(jī)界面的實(shí)現(xiàn)08-05

探析壯族對(duì)色彩的選擇與理解05-31