基于超綠特征與形態學的植保無人機圖像農作物分割

張庭亮+甄倩倩

摘 要：航拍圖像農作物分割為植保無人機路徑規劃與自主導航提供了新的思路。文章基于超綠特征與形態學的分割方法，在RGB空間下提取圖像超綠特征，采用OTSU算法基于超綠變換進行閾值分割，分割后的圖像使用形體學方法濾除噪聲，掩模運算后得到完整的農作物分割圖像。經過實驗，可以有效分割出植保無人機拍攝的棉花幼苗與玉米苗。

關鍵詞：超綠特征；形態學；植保無人機；圖像分割

中圖分類號：TD40 文獻標志碼：A 文章編號：2095-2945（2017）26-0020-03

農業是國民經濟的基礎，在國家農業政策的推動下，精準農業與規?；蔀檗r業種植的一種趨勢。傳統的作業方式已無法滿足大規模種植的需要，植保無人機應運而生。植保無人機作業具有高效、安全、環保、節能等特點，在植保領域具有獨特優勢，必將成為農機裝備現代化升級的主要助力[1]。在實際的作業條件下，自然環境復雜多變，不同作物形態也存在一定差異。植保無人機自主導航和路徑規劃的能力受限于農作物圖像提取，本文以航拍棉花幼苗和玉米苗為研究對象，可以得到高還原度分割圖像，且具有穩定性與抗干擾能力[2-3]。

1 超綠特征提取

1.1 RGB空間

顏色空間是三維彩色空間中一個可見光子集，包含某個色彩域的所有色彩，建立過程基于人的生物學基礎。視網膜上顏色“傳感器”是錐形感光細胞，主要分為紅敏細胞（？姿=564nm）、綠敏細胞（？姿=534nm）和藍敏細胞（？姿=420nm）。RGB 空間在計算機視覺中是一種常用的顏色空間，每種顏色基于笛卡兒坐標系出現在紅、綠、藍的原色光譜分量中。顏色空間建立如圖1（a）所示的立方體，沿著主對角線從點（0，0，0）的黑色到點（1，1，1）的白色是灰度值。三基色R、G、B相互獨立，其中任一分量均不能由其它分量運算產生，而所有其它顏色都可以由三基色按不同的比例組合得到[4]。RGB 彩色空間顏色域如圖1（b）所示。

RGB三維空間中，目標顏色所對應的三個空間分量都是一個集合，且對于相近的顏色，集合不具有唯一性。無法設定固定閾值進行處理，只能將彩色的分量圖像轉化為我們所熟悉的灰度圖像進行閾值分割。具體的分割過程如圖2所示，首先將RGB農作物圖像進行超綠特征提取，基于超綠特征進行OTSU閾值分割，分割圖像經過形態學濾除噪聲，掩模運算后得到農作物分割圖像。

1.2 超綠特征提取

超綠特征2×G-B-R是農業圖像處理中常用的一種特征模型，它提高了綠色通道的權重，增加了與非綠色背景的對比度，利用該特征能夠較好地提取出綠色農作物的信息。因此該模型被廣泛應用于農業產品檢測、農業機器人的視覺導航以及雜草識別等方面[5]。棉花航拍圖像的超綠特征如圖3所示，玉米航拍圖像的超綠特征如圖4所示。

2 基于超綠特征的閾值分割

經過超綠特征變換的目標圖像，閾值分割的方法選擇較多。OTSU閾值法基于分割后類內方差最小的最優準則[6-11]。設航拍圖像M有L個灰度級數，第i級灰度像素點為Ni，圖像的像素總數為N，則第i級像素點的概率為Pi=Ni/N，我們設定閾值為K，圖像可以分為C0類（灰度級0～（K-1））與C1類（灰度級K～（L-1））。航拍圖像的平均灰度為：

（1）

C0類像素的平均灰度：

（2）

C1類像素的平均灰度：

（3）

類間方差計算式：

其中，？棕0是C0類像素比，？棕1是C1類像素比，閾值K在0～（L-1）中變化，？啄2（k）最小時獲得最優閾值。棉花圖像OTSU閾值分割結果如圖5所示。玉米圖像OTSU閾值分割結果如圖6所示。

3 形態學濾波

圖像形態學運算的基本語言是集合論，利用一個結構集合對目標圖像進行探索，結構集合的選取不同則可以在探索的同時改變目標圖像的幾何特征，達到圖像處理的目的?；A運算如下：

（1）膨脹與腐蝕

二值圖像的形態學運算，灰度分別為0和1，設圖像前景區域是灰度為1的像素集合S，圖像的背景區域是灰度為0的像素集合。結構元素集合C，膨脹用“？茌”表示[7]，定義為：

腐蝕運算用“ ”表示，定義為：

（2）二值開啟和閉合

二值圖像的開啟運算和閉合運算就是膨脹和腐蝕先后順序不同的組合，定義如下，其中“△”表示開啟，“”表示閉合。

形態學濾波過程如圖7所示。

基于MATLAB2015實驗平臺，棉花航拍圖像形態學濾波及分割結果如圖8所示，玉米航拍圖像形態學濾波及分割結果如圖9所示。

4 結束語

在航拍圖像的RGB空間下提取超綠特征，基于特征圖像采用OTSU閾值法進行初分割，采用形態學處理濾除噪聲，MATLAB2015實驗平臺對棉花與玉米的航拍圖像實驗結果表明，對于一般的綠色農作物航拍圖像，該方法具有一定的可行性。有助于農作物長勢預測及特征分析，有助于植保無人機路徑規劃與自主導航。

參考文獻：

[1]冷志杰，蔣天宇，劉飛，等.植保無人機的農業服務公司推廣模式研究[J].農機化研究，2017（01）：6-9.

[2]張俊才，范利勇，李善娟.智能植保機低矮作物自主作業導航線提取方法的研究[J].南方農機，2017（06）：4.

[3]胡泊.基于多維圖像特征的農作物長勢評價方法[D].北京交通大學，2014.

[4]關叢榮，王虹.基于RGB空間的彩色圖像處理GUI設計[J].黑龍江工程學院學報，2008（02）：66-70.

[5]趙博，宋正河，毛文華，等.基于PSO與K-均值算法的農業超綠圖像分割方法[J].農業機械學報，2009（08）：166-169.

[6]張娜.樹木圖像分割方法的研究[D].東北林業大學，2013.

[7]茅正沖，劉永娟.基于顏色特征的玉米雄穗圖像分割[J].傳感器與微系統，2017（02）：1-4.

[8]申鉉京，劉翔，陳海鵬.基于多閾值Otsu準則的閾值分割快速計算[J].電子與信息學報，2017（01）：144-149.

[9]徐青，范九倫.新的基于分解直方圖的三維Otsu分割算法[J].傳感器與微系統，2017（01）：119-122+126.

[10]肖明堯，李雄飛.基于高斯分解的多尺度3D Otsu閾值分割算法[J].吉林大學學報（工學版），2017（01）：255-261.

[11]關強，薛河儒，姜新華.基于二維OTSU的田間植物圖像分割方法[J].江蘇農業科學，2015（12）：437-440.endprint