室外多變光照條件下農田綠色作物的圖像分割方法

王 雪, 尹來武, 郭鑫鑫

(吉林農業科技學院 網絡信息中心, 吉林 吉林 132101)

基于機器視覺技術的農業自動導航系統進行作業時, 首先要對采集到的田間圖像進行目標與背景的分割, 提取圖像中的關鍵信息進而完成路徑導航、 農作物及雜草識別[1-2]等過程. 因此, 在農田室外自然環境下, 如何實現綠色作物與土壤背景的快速精準分割是實現農業機器視覺技術的關鍵.

顏色是人眼識別物體的重要特征之一, 通常情況下, 農田作物均呈綠色, 而農田土壤顏色呈黃褐色或黑色等, 并且對光照變化不敏感, 計算簡單, 更符合實時操作的要求. 因此, 利用作物與土壤背景的顏色特征進行農田圖像分割是目前應用較廣的方法之一. 其中被廣泛采用的顏色指數包括ExG[3],ExR[4],CIVE[5]和EXG-EXR[6]等. 此外, 利用G和R分量的NDI指標也被廣泛應用[7-8]. 在圖像分割算法中, 主要有閾值分割算法[9-10]、 聚類分割算法[11-12]和邊緣分割算法[13]. 張志斌等[14]研究表明, RGB顏色空間中作物存在綠色“恒量”的特征, 認為作物的顏色特征為G>R且G>B, 因此提出了一種基于作物綠色特征提取壟行的分割方法, 是一種簡單有效的綠色作物分割方法, 對作物和土壤、 光照變化不敏感, 但該方法對陰影部分分割不理想； 張春龍[15]采用G-R>Tr且G-B>Tb的方法進行田間背景圖像分割, 該方法需要根據不同光照情況手動調節閾值Tr和Tb, 難以滿足對光照變化魯棒性和穩定性的要求. 因此, 基于機器視覺的農田作業目標信息的獲取, 對圖像目標識別的準確度和實時性要求較高, 本文結合綠色作物在RGB顏色空間各分量的分布特點, 提出一種基于G-R分量特征, 結合Otsu和面積閾值法的綠色作物快速分割方法. 實驗結果表明, 該方法不僅可消除圖像陰影及部分綠色雜草的影響, 而且計算簡單, 具有較好的魯棒性和穩定性.

1 圖像采集與分析

考慮到自然環境下, 農田彩色圖像的復雜性, 因此本文采集了包含不同光照條件及土壤背景的農田綠色作物圖像作為研究對象, 圖像分辨率為480×640, 圖像格式為.jpg. 隨機選取如圖1所示的3幅典型不同光照條件及土壤背景的自然環境下玉米苗期圖像. 在RGB顏色空間, 各圖像中綠色作物和土壤背景R,G,B3個分量的均值統計結果列于表1.

圖1 自然環境下采集的玉米苗期圖像Fig.1 Images of seedling stage of corn collected in natural environment

類型RGB圖1(A)土壤背景1009482圖1(A)玉米植株137174104圖1(B)土壤背景132131126圖1(B)玉米植株133169117圖1(C)土壤背景191170131圖1(C)玉米植株12716152

由表1可見, 對于陰影遮擋、 光線強弱等光照條件變化以及土壤背景中含有殘茬等環境, 玉米植株像素中的均值關系為G>R且G>B； 土壤背景像素中, 隨著光照條件的變化, 具有一定的波動性, 總體均值關系為R>G>B, 但受局部陰影影響, 存在G>R和G

2 算法設計

根據上述分析, 本文提出一種基于室外多變光照條件下農田綠色作物的快速分割方法, 步驟如下：

1) 采用加權法提取G-R分量特征對彩色圖像進行灰度化, 消除光照變化及土壤背景環境對綠色作物信息提取的干擾；

2) 采用中值濾波法對灰度圖像進行去噪預處理, 減少噪聲點對圖像后續分割精度的影響；

3) 采用Otsu算法進行自動閾值分割, 得到初步二值圖像;

4) 對二值圖像進行膨脹腐蝕后續處理, 求取八連通區域, 利用面積閾值法過濾綠色小面積雜草等假目標.

2.1 灰度化 根據農田綠色作物在室外光照條件變化情況下的顏色特征, 采用加權法灰度化圖像, 計算公式為

Gray(x,y)=W1R(x,y)+W2G(x,y)+W3B(x,y),

(1)

其中: Gray(x,y)表示像素點(x,y)的灰度值；W1,W2,W3表示各分量系數； 本文取W1=-1,W2=1,W3=0, 即

Gray(x,y)=G(x,y)-R(x,y).

(2)

利用

(3)

對圖像進行灰度化, 所得灰度圖像如圖3所示.

圖3 G-R模型下的灰度圖像Fig.3 Gray images in G-R model

2.2 圖像去噪預處理 圖像信息在采集過程中受自然環境及采集方式等影響, 通常存在各種噪聲的干擾, 對后期圖像的分割和分析有一定的影響. 常用的去噪處理有頻域和空域兩種方法. 本文采用計算量小、 處理速度較快的空域法. 中值濾波是一種能有效抑制噪聲的非線性濾波, 對于一些隨機噪聲及椒鹽噪聲具有理想的降噪能力, 其表達式為

g(x,y)=med{f(x-k,y-l),k,l∈W},

(4)

其中:f(x,y)和g(x,y)分別為輸入圖像和輸出圖像；W為二維模板, 本文選取3×3模板進行去噪.

(5)

圖4 Otsu法圖像二值化結果Fig.4 Binarization results of images of Otsu method

2.4 基于面積閾值法的圖像分割 初步二值化分割后的圖像結果受農田綠色雜草的影響, 通常包含綠色雜草等假目標, 通過對二值圖像進一步觀察發現, 這些假目標分布雜亂、 無規律, 且連通區域面積較小. 本文根據二值圖像中綠色作物與綠色雜草在八連通區域面積上的差異性, 選取合適的面積閾值(本文取50)進行分割[17]得到最終分割結果. 圖5為不同算法分割后的結果. 由圖5可見, 受光照強度和陰影影響, EXG-Otsu算法在綠色作物目標分割上存在過分割現象； 文獻[14]算法在光線較弱和陰影區域分割的效果并不理想, 存在誤分的情況. 而本文分割算法取得了較好的分割效果.

3 實驗結果與分析

實驗測試環境為： CPU為Intel(R), Core(TM) i7-4558U @2.80 GHz, 2.10 GHz, 4 GB內存, 開發環境為VS 2010 VC++. 圖像分割性能測試標準采用誤分率即ME值[18], 該值反映了背景或前景像素被誤分到前景或背景區域的百分數, 該值越小表明分割效果越好. 計算公式為

(6)

圖5 不同算法分割結果的比較Fig.5 Comparison of segmentation results of different algorithms

其中:BO和FO分別為人工標記標準掩碼圖像中的背景與前景；BT和FT分別為分割后的背景與前景； |·|表示各部分像素點個數統計值.

為了驗證本文算法在室外自然光照條件下農田綠色作物分割的有效性, 本文對采集到的40幅不同光照環境、 不同綠色作物的彩色圖像進行分割實驗, 統計的ME值和耗時列于表2. 由表2可見, 與其他兩種算法相比, 在耗時相差較小的情況下, 本文算法在誤分率ME值上更有優勢.

表2 多變光照條件下綠色作物圖像各算法的ME值與耗時比較

綜上所述, 本文研究了室外多變光照條件下農田綠色作物圖像的快速分割問題, 通過分析綠色作物在RGB顏色空間上各分量的分布規律, 提出了一種基于G-R分量特征, 結合Otsu和面積閾值法的綠色作物快速分割方法. 實驗中, 選取了陰影遮擋、 弱光照、 強光照及光照不均等多幅農田綠色作物圖像作為研究對象. 實驗結果表明, 在誤分率和耗時上, 本文方法均取得了較好的分割結果, 具有較強的適應性.