關(guān)于基于相對色彩因子的樹木圖像分割算法

　　論文關(guān)鍵詞:相對色彩因子  圖像分割  精確

　　論文摘要:圖像分割是利用實時視覺傳感技術(shù)農(nóng)精確對靶施用進行林木化學(xué)防治的難點。筆者提出了基于相對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大大提高了圖像分割的實時性,在“精確林業(yè)”中將有很好的應(yīng)用前景。

　　利用實時視覺傳感技術(shù)指導(dǎo)農(nóng)藥精確對靶施用進行林木化學(xué)防治時,主要的難點是如何把視覺傳感器(如CCD攝像頭)采集的樹木圖像從其錯綜復(fù)雜的背景中分割出來。從20世紀(jì)90年代初“精確”思想提出開始,國外的許多專家學(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,許多算法實例能較好地應(yīng)用于特定的場合,成功地將目標(biāo)作物和背景分割開來。如田磊等人運用機器視覺及彩色圖像分割進行田間雜草密度估算[1];Swapana等人應(yīng)用彩色圖像分割進行紅薯識別和分類(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)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)計帶來難度。

　　基于顏色的分割算法一般要進行色彩空間的轉(zhuǎn)換,以此來降低圖像色彩的維數(shù),同時削弱環(huán)境(如光照強度、入射角)對圖像像素值的影響。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光照強度)空間[5],或者將原始圖像用色度(Normalized rgb)來表示。此方法存在的問題是:色彩空間的轉(zhuǎn)換需要非常耗時的運算,并且在實時性要求較高的農(nóng)藥精確對靶施用過程中,這些圖像分割的算法并不適用。同時和田間環(huán)境相比,林業(yè)生產(chǎn)過程中施藥環(huán)境的背景更加復(fù)雜,對于精確對靶施藥系統(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(波長在550μm左右)會有一個反射峰值(green peak)。這是由于健康的綠色植物進行光合作用(葉綠素在光合作用過程中吸收可見光譜中的紅色波段)引起的。因此,對于綠色植物的數(shù)字圖像,綠色分量相對于紅色和藍色分量大。這個特性是健康的綠色植物所固有的,不會隨環(huán)境因素改變。在實驗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行RGB各分量的分析也證實了這一點。這一特性提供了一個綠色樹木圖像分割的可行方法:利用圖像RGB分量之間的相對關(guān)系進行樹木圖像分割。

　　類似的研究已經(jīng)出現(xiàn)在國外的一些文獻中。如Weobbecke DM等人利用像素的RGB值建立了ExG參數(shù)來區(qū)分植物和土壤,準(zhǔn)確率達到99%[3]。孫明,高照橋夫等利用色差信號(G-Y)和(R-B)進行蘋果分割,平均正確率達到80%以上。EI-Faki MS等人對這一類方法進行了較為系統(tǒng)的概括,指出彩色圖像像素的RGB灰度級在很大程度上依賴于光照強度[4]。在不同的光照條件下,直接用RGB值進行識別會導(dǎo)致錯誤的結(jié)果。而利用簡單的算術(shù)運算組合RGB分量形成相對色彩因子(Relative Color Indices)可以大大降低光照強度或其他因素的影響。同時他們設(shè)計了一些具有典型意義的色彩因子代表了彩色圖像的光強(Intensity),單相、兩相色彩對比度(One,Two-Color Contrast)等,并通過這些因子的組合來實現(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,達到較好的分割效果,首先引入2×G/(R+B)這一色彩因子。其優(yōu)點:(1)在全面考慮像素RGB分量的同時突出了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)的影響。在初期研究中僅利用這一色彩因子進行分割,發(fā)現(xiàn)分割結(jié)果中會出現(xiàn)許多錯誤的孤立點。進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暗區(qū)。

　　2　算法的效果及分析

　　2.1　分割方法

　　試驗時采用全局閾值分割的方法。全局閾值分割的優(yōu)點為運用單一閾值對整個圖像進行分割,簡單高效,但自適應(yīng)性較差。對于在不同背景下采集到的樹木圖像,閾值將有所不同。在實驗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度,因此在分割過程中,(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,部分背景會被錯誤地劃分為目標(biāo)。而當(dāng)閾值較大時,則會出現(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個閾值都取得了滿意結(jié)果。

　　從以上兩組試驗的對比可看出,當(dāng)圖像的光照強度較大時,即圖像或像素點較亮?xí)r,用2×G/(R+B)和(R+G+B)/3這兩個因子分割得到的結(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)圖像的光照強度較小時,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)。同時可以看出,在不同的光強條件下,為了達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。

　　

　　在以上兩組試驗中,人為設(shè)定的工作環(huán)境有一定的典型性。第1組試驗在晚間進行,光強很小,用日光燈照射(人造光源)。第2組試驗在白天正午進行,光強很大,用太陽光照射(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結(jié)果之間(1.2~1.5)�？梢砸怨鈴姙閰�數(shù)在1.2~1.5進行插值,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色彩因子進行圖像分割的結(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的中值濾波器對分割后的圖像進行濾波。分割結(jié)果較好。

　　3　結(jié)　語

　　與傳統(tǒng)的基于色彩信息的圖像分割算法相比,基于相對色彩因子的圖像分割算法簡單高效。用RGB分量間的相對比值來削弱光照強度對圖像的影響,可以省去傳統(tǒng)方法中的色彩模式轉(zhuǎn)換的繁瑣運算,提高算法的實時性。分割一幀圖像(圖像大小為360×270像素)的時間從一般的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200行。同時當(dāng)閾值選取合理時,分割的效果令人滿意。由于此研究在整個精確機器視覺領(lǐng)域還處于初級階段,并沒有深入考慮實際林業(yè)生產(chǎn)過程中的復(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�；�于相對色彩因子的圖像分割算法可望在實時視覺傳感技術(shù)的農(nóng)精確對靶施用系統(tǒng)中得到廣泛地應(yīng)用。

　　[參考文獻]

　　[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.基于機器視覺的樹木圖像實時采集與識別[D].南京:南京林業(yè)大學(xué),2002.

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

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

　　[8]賈云得.機器視覺[M].北京:科學(xué)出版社, 2000.

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

【基于相對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估05-05

基于戰(zhàn)略治理的企業(yè)環(huán)境風(fēng)險研究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)真機界面的實現(xiàn)08-05

探析壯族對色彩的選擇與理解05-31