基于HSV空間再生稻植株與土壤背景圖像分割

郭翰林， 林 建 ，張 翔

(福建農林大學 機電工程學院，福州 350002)

?

基于HSV空間再生稻植株與土壤背景圖像分割

郭翰林， 林 建 ，張 翔

(福建農林大學 機電工程學院，福州 350002)

針對再生稻收割機視覺導航的稻田圖像分割問題，結合再生稻植株的生長特點和再生稻避莊的要求,利用相機于農田采集再生稻圖片，結合RGB、HSV、YCrCb空間中的常用灰度化因子，進行灰度化對比試驗并分析其直方圖特征，得出在HSV空間的S分量灰度化；采用最大類間方差法(Otsu)得到初步分割閾值T，經進一步分析為保留較完整的不同成熟度再生稻植株特征，加入修正因子 - a得到閾值T - a 對圖像二值化；再通過數學形態學，面積法過濾等后續處理，形成收割機行走的左右邊界區域。結果表明：處理1副像素419×310的圖像平均耗時0.053 s，可滿足今后的實時性要求，分割出的圖像基本上反應了再生稻植株的走勢特征，與人眼判斷植株邊緣位置基本相符合。

再生稻；農田環境；HSV顏色空間；圖像分割

0 引言

農業機器人視覺導航的首要問題是找到一種適合于農田環境下將作物從土壤背景中識別出來的方法[1]，因此將再生稻植株從土壤中分割出來是視覺導航的關鍵。圖像分割是圖像分析和模式識別的首要問題,也是圖像處理的經典難題之一,是機器視覺的重要組成部分[2]。目前，在農田中的應用多見于表層視野范圍內采集圖像，分割目標農作物和非目標植物(如雜草)、作物行和壟行[3]，較少涉及深入中低層進行采集圖像的應用。文獻[4]提出了在HSV顏色空間，將外層視野范圍內采集的圖像，利用遺傳算法進行植物和背景的分割，但對解決植物葉片交疊情況的效果不佳。文獻[5]將攝像機安裝在收割機頂部采集圖像，根據農田中作物未收獲區域和已經收獲區域RGB空間中R分量灰度變換明顯，提出在RGB 空間中選擇 R 分量對圖像進行灰度處理分割圖像。文獻[6]在水田整體視野內采集圖像，除草機器人針對不同時期水田秧苗圖像的顏色特征進行分析，采用4個顏色特征因子灰度化彩色圖像，并進行秧苗特征提取。文獻[2]研究了中低層桑樹圖像特點，采用區域生長的方法分割桑樹與路徑；但其研究的對象行間距較大，圖像邊界清晰，視野范圍內采集的圖像易于處理。

隨著視覺應用的推廣，對農田作物進行諸如施肥、除草、灌溉等操作時， 機器人可能需要深入作物行的中低層行走，視覺導航具有信息探測范圍寬、目標信息完整、適應能力強等優勢，便于獲取導航圖像進行預處理而后導航[7]。再生稻的特點是在一季稻成熟之后，大約只割下植株上2/3的部位，收取稻穗，保留下面的1/3植株[8]。這就要求收割機行走輪盡量減少碾壓嫩芽稻莊。因此，需要深入再生稻中底采集路徑信息規劃導航線。由于頭季再生稻收割時，采用的是排水烤田以利于收割機行走，因此形成的稻田圖像背景主要是棕褐色路面干泥。結合中低層水稻植株本身具有的復雜性、稻葉生長的不確定性和反光導致的模糊性等特點，提出在再生稻植株圖像中運用HSV顏色空間的S分量灰度化，并采用修正閾值二值化灰度圖以保留更完整植株特征，進行一系列的降噪處理，實現再生稻植株和路徑的分割，為后續導航線擬合算法奠定了基礎。

1 采集圖像

為減少算法開發周期，采用普通數碼相機于福建省農業科學院水稻研究所再生稻試驗田(福州市倉山區蓋山鎮),如圖1(a)所示。由于不可避免自然環境中的噪聲、局部光照不均勻、陰影遮擋和再生稻葉子交疊等干擾，采集到的圖像信息比較復雜。經實地考查，再生稻規則成行育秧，中低層的再生稻植株邊界和圖像路徑相對清晰，有利于圖像分割,如圖1(b)所示。將拍攝相機深入再生稻植株中低層，以不同的拍攝角度和離地高度，靜態采集再生稻圖像。由 PC 機完成算法開發，其配置為Intel Core( TM) 2、CPU2.0 GHz、 內存 2GB，基于Window 7操作系統，編程工具為Visual Studio 2010 + Opencv2.4.8。

(a) 試驗田圖像 (b) 中低層再生稻植株

2 圖像分割

2.1 顏色空間分析

利用顏色信息進行初始分割，首先需選擇恰當的顏色空間。在 RGB顏色空間中R、G、B3種顏色的亮度值隨光照強度的不同而改變，因此該模型易受光照條件的影響[8]。在YCrCb顏色模型中，由于Y分量容易受光照變換的影響，且Cr、Cb顏色分量有重疊區域[9]，再生稻植株具有不同成熟度莖葉的特點不易進

行良好的識別。HSV空間是根據顏色的直觀特性由Smith 于 1978 年創建的一種顏色空間[10]。HSV顏色模型的3分量具有相對獨立性，對于一些受光照條件影響大的圖像就可以避免V分量，只考慮H和S分量，使得圖像處理的時候針對性更強[11]。在HSV顏色空間中，路徑區域的S分量與再生稻區域的S分量有明顯的差別，因此選取HSV顏色空間進行目標識別。

2.2 灰度化處理與分析

在上述顏色模型的分析基礎上，將圖1(b)在RGB空間轉換到HSV,如圖2(a)所示，YCrCb空間,如圖2(b)所示。同時，運用RGB、HSV、YCrCb中的常用灰度化因子，對圖1(b)分別在RGB空間的2G-R-B特征因子、HSV空間的S分量、 YCrCb空間的Cb分量，進行灰度化對比試驗和分析，其直方圖特征,如圖3所示。

(a) HIS空間圖像 (b) YCrCb空間圖像

(a) 2G-R-B因子 (b) S分量 (c) Cb分量

結果表明：2G-R-B特征因子雖提取植株的綠色特征，但在存有枯黃莖葉干擾的情況下，易丟失了植株的大部分特征；Cb分量圖像雖然突出了部分作物區域，但再生稻植株區域和路徑區域的差異仍比較?。辉贖SV中的S分量灰度化效果較好，整個灰度空間被分為灰度值具有明顯差異的再生稻植株區域和路徑區域，因此可利用S分量飽和度差異將路徑從復雜的圖像信息中分割出來。對灰度化處理后的圖像分別求其直方圖,如圖4所示。

從灰度化后的直方圖來看：①2G-R-B因子灰度化后的圖像直方圖灰度值主要集中在低級數段，主要代表土壤等深色背景，少數部分高灰度級段表示偏綠色的葉子莖稈。但不足以體現大部分保持植株特征。②經S分量灰度化后的圖像直方圖，灰度級由低到高時，體現再生稻植株成熟過程的漸變性，易于取得閾值實現植物與土壤的分割。③經Cb分量灰度化后的圖像直方圖大多數呈現單峰值，即再生稻植株和路徑沒有明顯的灰度級差別[11]。由此表明：選擇S分量灰度化的分割的效果優于Cb分量，且避免了顏色相近和照度不均勻的影響。因此，在后續處理中選用S分量分割圖像，也顯示了顏色空間選擇的合理性。

(a) 2G-R-B因子 (b) S分量 (c) Cb分量

2.3 大津法閾值選取

σ2=ω0(μ0-μ)2+ω1(μ1-μ)2=ω0ω1(μ1-μ0)2

由于h∈{1,2,3，…,k}，并且使得方差取得最大值maxσ2(h)時h即為最佳閾值。設以該算法得到S分量灰度圖的最佳閾值T，以T二值化圖像,如圖5(b)所示。同時，二值化2G-R-B灰度圖和Cb灰度圖,如圖5所示。

結合S分量的直方圖特征圖4(b), 二值化時適當降低分割閾值有助于保持植株的特征，降低不同成熟度莖葉的干擾。因此，對分割閾值加入修正因子-a，以T - a為閾值二值化S分量圖。經多幅圖像試驗，a取12可以達到較為滿意結果，如圖6所示。農田圖像總體上被分為區別明顯的白色植株區域和黑色土壤路徑區域。該法保留了更多稻莊莖稈信息，有助于形成植株的左右邊界，體現再生稻的走勢特征。

2.4 降噪等后續處理

得到二值圖像后，植株區域出現黑色空洞和路徑區域出現白色點狀噪聲，特別是排水烤田后土壤長出的幼小綠色雜草帶來的噪聲。這些噪聲對后續導航參數提取有很大的影響，故需有效去除分散的噪聲區域。由于植株間存在較多間隙和稻葉交疊現象，經試驗采用開閉運算交叉實驗，結果易偏離再生稻植株的走勢特征，難以達到好的處理效果。經分析首先用7×7方形結構元素膨脹擴大區域的連通性[15]，然后采用連通域面積去噪法[9](取代閉運算，不易改變再生稻走勢特征)，面積TH 1取800個像素點能得到較好的效果；最后，用5×5結構元素進行形態學閉運算進一步去除噪聲結果，如圖7所示。

(a) 2G-R-B因子 (b) S分量 (c) Cb分量

圖6 修正閾值的二值化圖像

圖7 去噪聲后的圖像

3 試驗與分析

為了驗證本文算法的有效性，試驗選取了農田拍攝的較有代表性的5幅圖像，如圖8(a)所示；分割試驗結果，如圖8(b)所示。試驗表明：該算法對中低層采集的、存在不同成熟度莖葉的再生稻圖片分割具有較好的適應性，能有效分割出再生稻植株和路徑區域，形成再生稻植株的左右邊界區域。算法運行時間，如表1所示。

表1 圖像分割耗時

經過多幅圖像分割試驗，本研究提出的方法可以較好地檢測出飽和度變化強烈的區域，對不同成熟的植株莖葉變化比較不敏感，受光照影響較小，對交疊現象的稻葉有較好適應性。分割效果符合人眼的感官判斷，與人工判斷左右邊界位置和中間路徑位置基本相符，基本上可以分割出作為邊界的再生稻植株，為收割機行走輪規劃出行走路徑打下良好基礎。

在土壤路徑區域出現較大的點狀噪聲，主要是受新長出來的雜草幼苗和部分稻葉的干擾。植株區域出現較大的空洞主要是受葉子生長的不確定性和植株間存在一定間隙的影響。同時，還存在稻葉反光交疊、土壤裂縫及作物殘渣等的影響。

1 2 3 4 5

1 2 3 4 5

4 結論

分析了選擇HSV顏色模型并以S分量灰度化再生稻圖像，利用加入修正因子的閾值二值化圖像，能有效分割出再生稻植株和路徑，并采取了一系列降噪處理方法，提高分割效果，形成了適于收割機行走的左右邊界區域，為后續導航線擬合算法奠定了基礎。但由于受再生稻自身生長不確定性和作業時農田周圍風力等的影響，植株的稻葉表現出一定的隨機性，當交疊嚴重時該算法的分割效果降低。因此，研究圖像稻葉和莖稈的像素特征，提高抗干擾性，提高分割精度將是今后的研究重點。

[1] 孫元義,張紹磊,李偉.棉田噴藥農業機器人的導航路徑識別[J].清華大學學報：自然科學版,2007(2):206-209.

[2] 吳佳藝.基于機器視覺的農林環境導航路徑生成算法研究[D].杭州：浙江工業大學,2009.

[3] 曹倩,王庫,楊永輝，等.基于TMS320DM642的農業機器人視覺導航路徑檢測[J].農業機械學報,2009(7):171-175.

[4] TANGL,TIANL,STEWARDBL.Color image segmentation with genetic algorithm for in-field weed sensing[J].Transaction of the ASAE,2000,43(4):1019-1027.

[5] 吳剛,譚彧,鄭永軍，等.基于機器視覺的谷物聯合收割機行走目標直線檢測[J].農業機械學報,2012(S1):266-270.

[6] 黃小剛.水田除草機器人視覺導航路徑與參數獲取方法研究[D].廣州：華南理工大學,2013.

[7] 楊慶華,吳佳藝,鮑官軍，等.農林環境機器視覺導航路徑生成算法及應用[J].農業機械學報,2009(3):147-151.

[8] 朱鴻,陳鴻飛.福建省再生稻研究現狀與展望[J].亞熱帶農業研究,2006(3):170-175.

[9] 趙德升.基于機器視覺的精確噴施智能除草裝置雜草實時識別技術[D].鎮江：江蘇大學,2009.

[10] 任磊,賴惠成,陳欽政，等.基于改進K均值聚類與HSV模型的棉花分割算法[J].計算機工程與設計,2013(5):1772-1776.

[11] 蘭紅,胡涵.結合HSV空間的改進二維Otsu免疫組化圖像分割[J].計算機應用與軟件,2016(5):200-203.

[12] 趙德升.基于機器視覺的精確噴施智能除草裝置雜草實時識別技術[D].鎮江：江蘇大學,2009.

[13] Otsu.A threshold selection method from gray-lever histogram[J].IEEE Trans on SMC，1979，29(1)：62-66.

[14] 張振升,朱名日.基于HSI顏色空間的蔗糖結晶圖像分割方法[J].計算機工程與應用,2011(11):190-193.

[15] 岡薩雷斯.數字圖像處理(2 版)[M].阮秋奇，譯.北京：電子工業出版社，2003.

Image Segmentation for Identifying Ratooning Rice Area from Soil Background Based on HSV Space

Guo Hanlin, Lin Jian, Zhang Xiang

(College of Mechanical and Electronic Engineering，Fujian Agriculture and Forestry University，Fuzhou 350002，China)

For the issue of image segmentation in the ratooning rice field to the vision navigation of the harvester, combined with the growth characteristics of the plant and the requirement to avoid ratooning rice, a method to the image was proposed. Taking the picture from field environment, combained with the commonly gray scale factor in the RGB、HSV、YCrCb color space, the contrast testing about graying image was took, and the histogram features was analysised. It was varianted in S characteristic by HSV space, and combined with the Otsu to get the initial segmentation threshold T. In order to maintain the integrity of the characteristics in the ratooning rice area with different maturity, the modified factor -awas added to get the segmentation threshold T-a. Then the graying image was binarized by the modified threshold, and used the mathematical morphology , filtered the small area with other subsequent process. Finally, the left and right boundary region to the harvester was formed. The results demonstrate that the average time of processing a 419×310 pixel image was 0.053s and met the need of real-time in the future. The segmented image basically reflected the trend characteristics of the ratooning rice area, which was consistent with the human vision to identify the edge position of the plant.

ratooning rice； cropland field； HSV color space； image segmentation

2016-08-02

福建省自然科學基金項目(2016J01701)；福建農林大學機械工程學科整體學科水平提升計劃項目(612014049)

郭翰林(1989-)，男，福建泉州人，碩士研究生，(E-mail) ffharlen@126.com。

林 建(1971-)，男，福州人，副教授，碩士生導師，(E-mail) 1827740@qq.com。

S225.4；TP391.9

A

1003-188X(2017)07-0169-06