基于多顏色通道組合的UVI空間農作物陰影去除方法

岳有軍++趙文佳++趙輝++王紅君

摘要：為了有效地解決基于機器視覺的農業機器人在作業任務中受陰影對農作物識別造成的干擾問題，提出一種基于組合的顏色空間，通過較簡單的分割方法可以在組合空間中消除陰影。該方法首先將RGB顏色空間下的圖像轉換到LAB、YUV和HSI中，獲得圖像在每個顏色空間中的分量；然后利用直方圖、熵值、均方誤差和峰值信噪比分析各顏色通道特性，選擇合適的顏色通道進行組合。對組合顏色空間進行仿真數據分析，篩選出適合于農田環境下陰影去除的UVI空間。通過與包含陰影的不同顏色空間中的圖像進行對比試驗，說明顏色空間可以經較簡單的算法實現圖像中陰影的去除，證明該顏色空間對農田環境下陰影去除的有效性、抗干擾性。

關鍵詞：顏色空間；陰影去除；熵值；峰值信噪比；直方圖；均方誤差

中圖分類號：TN911.73文獻標志碼：A文章編號：1002-1302（2017）06-0196-05

基于視覺的農業機器人是當前農業機械化、精確化發展的趨勢，其核心是對采集到的農田圖像進行快速、準確的分析。在自然條件下，由于植株相互遮擋以及太陽入射角的影響，復雜的農田環境對采集圖像常常產生很多干擾，陰影是農田環境下目標識別的主要干擾因素，使得農田中植株識別、顏色提取和陰影區雜草去除等作業任務困難化，從而降低圖像中識別的準確性，同時影響機器人工作效率。因此，有必要對自然狀態下獲取的圖像進行預處理、陰影檢測并去除圖像中的陰影[1]。

針對環境中陰影干擾農作物識別的難題，國內外許多學者都進行了相關的研究。常見的陰影去除算法有基于某一顏色空間下，在該顏色空間下研究陰影區與其周圍非陰影區的特性[1]，通過對這些特性進行分析，來達到消除陰影的目的。Finlayson等提出了基于二維積分的陰影去除算法來獲得消除陰影的圖像[2-3]，其優勢在于很好地保留陰影區域的細節，有較好的視覺效果，但不足之處在于運算復雜度高，而且造成部分細節失真，導致人為干擾因素[4]。部分學者通過陰影補償方法，將圖像中獨立陰影區與周圍的非陰影區進行區域匹配，來完成消除陰影[5]。張華南等提出在單一YUV顏色空間下進行陰影檢測與去除，在獲得Y通道強度的情況下采用閉值法尋找陰影區域，對該區域光照強度補償，然后返回RGB顏色空間中消除陰影[6]。該方法沒有去除陰影區的邊緣效應，在目標識別中仍然存在干擾。張杰等認為陰影區與非陰影區像素點的RGB值之比是一個常量[7]，Barnard等提出了基于顏色比率的陰影去除方法[8-9]，該算法雖然在陰影去除上得到一定的效果，但是由于其算法較復雜，在背景紋理復雜的情況下，容易造成識別錯誤。綜合以上幾種不同的方法，可以看出，針對圖像中存在陰影去除問題取得了一定研究成果，但是仍然存在許多不足之處：算法復雜性、實時性差和陰影區域圖像細節丟失等缺陷問題，所以有必要對陰影問題加深研究。

對于農田中陰影區域下的農作物的識別問題，本研究采用了一種簡單的方法來實現去除陰影。該方法是將單一顏色空間下的圖像轉換到多顏色空間中，在不同顏色通道中獲取圖像特性；利用直方圖、熵值、均方誤差和峰值信噪比得到仿真數據來分析顏色通道特性，構造出適合農田場景下的陰影去除的顏色空間，即UVI顏色空間，該空間可以利用簡單的算法來實現較好的去除陰影，實現圖像中對農作物的識別目的。

1多顏色空間轉換

本研究提出將一幅圖像轉換到不同顏色空間，經過分析不同通道的特性，對組合圖像進行分析，得到不受陰影干擾的組合顏色空間。該方法選擇RGB、HSI、YUV和L*a*b*顏色空間，將采集到的RGB農田環境圖像轉化到其他顏色空間下，通過分析、組合、仿真和檢驗來說明組合空間的去陰影效果。各顏色空間之間的轉換如下：

（1）HSI是從人的視覺系統出發，用色調（H）、色飽和度（S）和亮度（I）來描述色彩[10]。RGB顏色空間轉化為HSI顏色空間的算法如下：

（2）L*a*b*顏色空間要比RGB、HSI顏色空間大，說明L*a*b*空間可以包含RGB與HSI所能描述的色彩信息[11]。L*a*b*顏色空間中L*為亮度；a*正表示紅色，負表示綠色；b*正表示黃色，負表示藍色。RGB顏色空間轉化為L*a*b*顏色空間的算法如下：

（3）YUV是歐洲電視系統所采用的一種顏色編碼方法，Y表示明亮度，U和V則表示彩色的2個分量，作用是描述影像色彩及飽和度，用于指定像素的顏色[12]。RGB顏色空間轉化為YUV顏色空間的算法如下：

2多顏色空間的分析方法

通過顏色空間的轉換，得到各顏色通道的分量，為了合理利用顏色通道中包含的信息及縮短圖像分析的時間，保證圖像處理的實時性，利用圖像所包含的有效信息量、像素分布等特點，從圖像的均方誤差、峰值性噪比、灰度圖像熵值和直方圖這4個方面對顏色空間的不同通道進行組合分析，并得到去陰影效果良好的組合空間。

（1）均方誤差（MSE），是權衡“平均誤差”的一種較方便的方法，用來評價圖像中包含數據的變化程度。定義為：

3結果與分析

3.1多顏色通道的分析結果

以圖2中RGB原圖為數據，對原圖進行顏色空間的轉換，得到各顏色空間下的分量。通過Matlab 7.0對各顏色通道進行數據分析。

在信息論中，熵越小，不確定性就越小，信息量越大。從表1分析各顏色空間所包含熵值大小，判斷各顏色通道所包含的信息量的有效性是合理的，同時結合HSI空間中I分量與圖像的色彩基本無關聯的特點，選取I、a*、b*、U、V 5個顏色通道進行組合。

從圖3至圖10的灰度直方圖分析組合顏色空間：（1）組合顏色空間的直方圖窄而集中于灰度級的中部，說明其全部為低對比度圖像；（2）從圖3至圖8可以看出相同的顏色通道的不同順序組合表現出不同的灰度直方圖，說明其中包含不同的信息。從其背景與前景有很好的峰谷間隙可以說明圖8、圖9和圖10這3個組合顏色空間有較好的可分割性。通過直方圖無法進一步分析出它們顏色空間的其他特點。

從表2分析進一步說明：（1）UVI顏色空間的熵值最小，其包含信息量大，信息越有效；（2）峰值信噪比反應整個圖像的失真程度，峰值信噪比愈大的圖像其質量愈高，同樣說明UVI的圖像質量較高；（3）均方誤差反映數據的變化程度，可以看到UVI顏色空間的變化程度最小，精度高。綜合以上所有的數據結果可以得到UVI組合顏色空間在圖像評價中有較好的特性。

3.2多顏色空間對比結果

3.2.1對圖2 RGB圖像進行仿真試驗為了進一步說明UVI組合顏色空間對含有陰影的農田圖形的有效性， 本研究

通過使用Matlab 7.0編程軟件對包含陰影圖像進行仿真試驗對比。通過對同一幅圖像在不同顏色空間下按照相同的算法流程進行分析，得到不同的分割效果圖，來驗證UVI組合顏色空間在陰影去除中的優越性。

通過對常見的顏色空間與UVI組合顏色空間進行圖像分割的仿真對比，得到圖11至圖15的分割圖像，從這些分割圖像中可以很清晰地看到陰影對農田中農作物識別帶來的干擾問題。圖12可以看到HSI空間各顏色通道的獨立性表現出較好的處理效果，但是仍然受到陰影干擾，不能很好地分割圖像中的目標。從圖15中可以明顯地看到UVI組合顏色空間對圖像中的陰影和噪聲等干擾因素有較好的處理能力，對圖像中農作物識別有很大的幫助。

從熵值、峰值信噪比和均方誤差3個方面的數據對比各顏色空間的特性（表3），結果表明：（1）HSI顏色空間在峰值信噪比與均方誤差表現出特殊性但是其熵值較大，所包含的信息量少，說明其包含較多的干擾因素；（2）UVI組合顏色空間的熵值最小，說明其包含信息量在這5個顏色空間中最大，有效信息越多；（3）表3中除HSI外，UVI組合顏色空間的峰值信噪比最大，說明圖像質量愈高，對陰影、噪聲的濾除效果最好，圖像分割質量越高；（4）均方誤差反映數據的變化程度，表中除HSI外，UVI組合顏色空間的均方誤差最小，同樣

說明UVI組合空間的穩定性。

3.2.2對深度陰影進行檢驗性仿真試驗為了進一步說明組合顏色空間對圖像中陰影的去除有效性，進行了深度陰影圖像的分割仿真試驗。

圖16是RGB空間下深度陰影的農田作物圖像，由于該圖中陰影較之前圖像有很大加深，圖像中的目標識別難度也相應增加。該圖像經過顏色空間的轉換得到UVI空間，在該顏色空間下對圖像進行處理得到了圖17，通過對其分析可以看出本研究方法對深度陰影同樣有很好的去除作用，說明UVI空間對圖像中的陰影進行了較好地去除，可以較好地識別圖像中的農作物。

4結論

本研究通過對4個顏色空間的12個顏色通道進行熵值分析，選取了I、U、V、a*和b* 5個顏色通道進行顏色空間的組合，對組合的顏色空間進行分析可得：（1）將U、V和b* 3個顏色通道組合，當其組合的順序不同，表現出不同的灰度直方圖和熵值，說明其包含的圖像信息不同。（2）通過對UVa*、UVb*和UVI 3個不同顏色組合空間進行灰度直方圖、熵值、峰值信噪比和均方誤差的仿真數據比較，得到特性較好的UVI組合顏色空間。（3）通過對同一幅在不同顏色空間中表達的圖像進行傳統圖像處理的仿真試驗，通過比較不同顏色空間下的分割結果，證明UVI組合顏色空間在農田陰影環境的去影優勢。

參考文獻：

[1]王寧. 圖像的陰影檢測與去除算法研究[D]. 北京：北京交通大學，2008.

[2]Finlayson G D，Hordley S D，Drew M S. Removing shadows from images[M]. Berlin：Springer Heidelberg，2002：823-836.

[3]Finlayson G D，Hordley S D，Lu C，et al. On the removal of shadows from images[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28（1）：59-68.

[4]劉堂海. 概率學習像素分類法去除農作物視頻中陰影[D]. 重慶：西南大學，2009.

[5]楊俊，趙忠明. 基于歸一化RGB色彩模型的陰影處理方法[J]. 光電工程，2007，34（12）：92-96.

[6]張華南，馮全，楊梅，等. 基于YCbCr顏色空間的葉片陰影檢測與去除[J]. 計算機系統應用，2015，24（11）：262-265.

[7]張杰，丁廣太. 運動人體陰影檢測算法[J]. 計算機工程與設計，2010，31（7）：1519-1522.

[8]Barnard K，Finlayson G D. Shadow identification using colour ratios[C]. Color and Imaging Conference，2000：97-101.

[9]Levine M D，Bhattacharyya J. Removing shadows[J]. Pattern Recognition Letters，2005，26（3）：251-265.

[10]馬大江. 基于圖像內容的結構相似性質量評價研究[D]. 西安：西安科技大學，2013.

[11]王鑫芯. 高動態范圍與霧天彩色圖像畫質增強方法研究[D]. 廈門：廈門大學，2011.

[12]孫承琦. 基于視覺的機器人環境感知系統研究[D]. 天津：中國民用航空學院，2004.

[13]李連勝，陳晚華. 基于MATLAB的數字圖像質量評價[J]. 湖南科技學院學報，2005，26（5）：176-177.

[14]周浩宇. 基于生物視覺模型的圖形圖像處理方法[D]. 長沙：中南大學，2012.

[15]范瑾. 復雜背景下的對象特征提取[D]. 保定：華北電力大學，2007.何玲，陳長喜，許曉華. 基于物聯網的生豬屠宰監管系統關鍵技術研究[J]. 江蘇農業科學，2017，45（6）：201-204.

doi：10.15889/j.issn.1002-1302.2017.06.052