基于改進的Retinex算法的草坪雜草識別

化春鍵，張愛榕，陳瑩

摘要：針對草坪雜草圖像前景與背景灰度相近導致圖像前景難以識別的問題，本研究提出一種基于局部密度的Retinex增強算法。首先，為了突出圖像前景，平滑雜亂背景，利用局部方差對圖像進行預處理。其次，為了更準確地得到所需部分像素的空間信息，利用多閾值分割和開運算差分將像素分為前景、背景和待細分像素3類，利用局部密度提取待細分像素的空間信息。最后，為了融合局部密度信息，采用Sigmoid函數優化反射分量灰度變換系數，得到增強圖像。結果表明，本研究算法增強效果良好，能有效擴大雜草與草坪草的灰度差，抑制背景噪聲，峰值信噪比相對傳統Retinex算法提高24.23%。

關鍵詞：圖像增強;局部方差;局部密度;Retinex算法;草坪雜草

中圖分類號： TP391.41;S451.1文獻標識碼：A文章編號：1000-4440（2021）06-1417-08

Lawn weed recognition based on improved Retinex algorithm

HUA Chun-jian1，2，ZHANG Ai-rong1，2，CHEN Ying3

（1.School of Mechanical Engineering， Jiangnan University， Wuxi 214122， China;2.Jiangsu Key Laboratory of Advanced Food Manufacturing Equipment & Technology， Wuxi 214122， China;3.School of Internet of Things Engineering， Jiangnan University， Wuxi 214122， China）

Abstract：Aiming at the problem of indiscernible foreground of lawn weed images caused by the similarity of gray level between image background and image foreground， a Retinex enhancement algorithm based on local density was proposed. Firstly， to highlight the foreground and smooth the background clutter of the images， local variance was used to preprocess the images. Secondly， to obtain the spatial information of the required part of the pixels more accurately， the pixels were divided into three kinds， such as foreground pixels， background pixels and pixels to be subdivided by using multi threshold segmentation and open operation difference. The spatial information of the pixels to be subdivided was extracted by local density method. Finally， to incorporate the local density information， Sigmoid function was used to optimize the gray level transformation coefficient of reflection component to obtain the enhanced images. The results showed that， the proposed algorithm had good enhancement effect， which could expand the gray level difference effectively between weeds and lawn grasses， and could suppress background noise. The peak signal-to-noise ratio by this method was 24.23% higher compared with the traditional Retinex algorithm.

Key words：image enhancement;local variance;local density;Retinex algorithm;lawn weed

雜草會降低草坪的觀賞性，大量生長的雜草與草坪草爭搶養分、生長空間，會引起草坪早衰，縮短草坪生命周期。因此，草坪的雜草管理是草坪養護的重要環節[1]。傳統的雜草管理分為人工除草和化學除草。人工除草效果良好，但是費時費力。化學除草經濟高效，但大范圍施藥易引發草坪藥害和環境污染[2]。采用基于機器視覺的雜草識別技術可以精確縮小除草劑的噴灑范圍，實現精準施藥。雜草圖像識別的關鍵在于將雜草與草坪草分離。由于雜草與草坪草顏色相近，灰度差異較小，基于灰度[3]、形態[4]等特性的傳統分割算法都不能很好地直接分割圖像，因此需要對雜草圖像進行增強，擴大前景與背景的灰度差異。

目前常見的圖像增強算法有直方圖均衡化[5]、小波變換[6]以及Retinex算法[7]等。Retinex算法符合生理學對人眼視覺系統的認知，近年來得到了不斷發展。針對圖像增強過程中背景噪聲的抑制問題，文獻[8]提出一種基于空間自適應L2范數的Retinex增強算法，使用亮通道先驗生成的空間自適應權值增強正則化參數以抑制弱噪聲并保持紋理。文獻[9]使用Sobel算子對引導濾波器參數進行修正，增加邊緣間的灰度差，然后利用改進后的引導濾波器代替高斯濾波核估算圖像的入射分量，在不犧牲去噪性能的前提下可以獲得更多的邊緣細節。文獻[9]的算法可以有效擴大前景與背景的灰度差異，有效抑制暗區域噪聲，但是在強噪聲區域的去噪性能較弱。文獻[10]通過線性引導濾波估算圖像的照度分量，在馬爾科夫隨機場模型下對圖像的噪聲進行平滑處理，在保持圖像邊緣信息的基礎上校正圖像亮度，達到較好的去噪效果。上述算法在圖像增強過程中對暗區域噪聲都起到了較好的抑制效果，但是也存在亮區域高頻噪聲抑制效果不佳、像素點的空間信息利用不充分的問題。

為了改善草坪雜草圖像前景與背景灰度相近導致難以識別的問題，本研究提出一種基于局部密度的Retinex增強算法。首先，利用局部方差對圖像進行預處理，抑制局部方差較大的草坪草雜亂的背景，突出圖像前景。其次，利用多閾值分割與開運算差分篩選預處理后灰度特征區分度不足的待細分像素，通過局部密度提取像素點的空間信息。最后，采用sigmoid函數融合局部密度信息，優化Retinex反射分量灰度變換增益系數，得到增強后的圖像。

1材料與方法

1.1試驗材料

本研究采用的圖像采集設備為SONY DSC-W830數碼相機，選用如圖1所示的草坪生長過程中5種不同生長狀態的常見雜草（樣本1～樣本5）進行試驗。圖1A、圖1C、圖1D拍攝天氣為多云，圖1B拍攝天氣為陰，圖1E拍攝天氣為晴。本研究算法的試驗環境為Matlab 2016b，處理器為i5-9300H，內存為16 G。

A：細葉雜草（樣本1）;B：闊葉雜草（樣本2）;C：稀疏草坪雜草（樣本3）;D：黃葉草坪雜草（樣本4）;E：高亮度草坪雜草（樣本5）。

1.2局部方差預處理

城市草坪草大多數為禾本科草本植物，細小而密生。相比而言，雜草的葉片較寬，葉片稀疏。在1幅含雜草的草坪草圖像中，雜草作為前景，草坪草作為背景，密生的草坪草之間灰度變化較大，而雜草的葉片較寬，灰度變化均勻。

局部方差[11]可以用來衡量區域內灰度變化的劇烈程度。對于像素點（x，y），f（x，y）為其灰度值。以該點為中心，選擇3×3的正方形窗口作為局部方差的計算鄰域，則該點的局部方差v（x，y）表示為：

v（x，y）=1i=-11j=-1[f（x-i，y-j）-f（x，y）—————]29（1）

其中，f（x，y）為像素點（x，y）的灰度值，f（x，y）—————為窗口內9個像素點灰度值的均值，其表達式如公式（2）所示：

f（x，y）—————=1i=-11j=-1f（x-i，y-j）9（2）

由于草坪草和雜草均為綠色，選用G分量對圖像進行進一步處理可以盡量保持圖像的信息完整度。為了方便對圖像數據進行函數處理，將圖像數據統一為double類型，圖像灰度范圍為[0，1]，故f（x，y）與 f（x，y）—————的變化范圍均為[0，1]。將其代入公式（1）經平方運算后f（x，y）與f（x，y）—————的差異被壓縮，導致方差數據的差異不夠明顯，因此需要對計算出的方差進行歸一化處理。當草坪草稀疏時，經線性歸一化的局部方差運算后草坪草背景灰度值得到一定程度的抑制。但在部分草坪草密集區域，經線性歸一化的局部方差運算后草坪草與雜草的灰度差異仍不顯著，不能有效區分草坪背景與雜草前景，而采用非線性歸一化處理，在草葉稀疏和密集的地方，局部方差均能對草坪背景產生較好的抑制效果，保留對雜草的初步增強效果。采用的非線性歸一化公式如公式（3）所示，其與線性歸一化的對比輸出如圖2所示。

V（x，y）=a·v（x，y）b·v（x，y）+（a-b）（3）

式中，V（x， y）為歸一化方差，a、b為非線性歸一化系數，本研究中a=6， b=5。

將所得歸一化局部方差帶入公式（4），即可得到預處理圖像g（x，y）。

g（x，y）=f（x，y）exp[kV2（x，y）]-m（4）

式中，k、m為優化系數，V2（x，y）為像素點（x，y）處的歸一化局部方差V（x，y）的平方。滿足k>0，k越大對預處理圖像中局部方差較小處的灰度抑制效果越明顯。m滿足0<m<1，用以調節小方差處的增益效果。本研究選擇k=50， m=0.99，繪制的預處理函數輸出結果如圖3所示。

由圖3可以看出，歸一化局部方差小于0.12時，對應部分灰度值被增強。當歸一化局部方差大于0.12時，輸出值迅速減小到1.0以下，對應部分灰度值被抑制。經過預處理后的圖像如圖4所示，可見背景的平均灰度值大幅降低，前景灰度值更為突出。但背景區域仍有相當部分的條狀或點狀區域灰度值與前景相似，對圖像分割造成一定的影響，因此需要引入增強算法，擴大前景與背景的灰度差，同時抑制背景區域的遺留噪聲。

a：拍攝所得原圖;b：圖像G分量;c：預處理后的圖像。

1.3相關算法簡介

1.3.1Retinex算法原理Edwin Land基于顏色恒常理論提出了Retinex增強算法。對于1幅圖像I（x，y），它由入射光L（x，y）與反射光R（x，y）復合而成，通過算法估算出圖像中的L（x，y），從而在I（x，y）中消除光照對圖像的影響，達到圖像增強的目的。算法的一般步驟如下：

（1） 對圖像灰度值取對數，采用高斯卷積核對圖像I（x，y）進行卷積估算L（x，y），得出圖像的反射性質r（x， y），如公式（5）所示：

r（x，y）=lgI（x，y）-lg[I（x，y）*G（x，y）]（5）

式中，*表示卷積，G（x，y）為高斯卷積核。

（2） 對公式（5）所得r（x，y） 求指數即可得到增強后的反射圖像Rc（x，y）。一般采用線性變換使Rc（x，y）歸一化，如公式（6）所示：

i（x，y）=Rc（x，y）-min[Rc（x，y）]max[Rc（x，y）]-min[Rc（x，y）]（6）

式中，i（x，y）為歸一化后的圖像，min（A）為集合A中的最小值，max（A）為集合A中的最大值。Rc（x，y）為r（x，y）求指數所得結果，其表達式如公式（7）所示：

Rc（x，y）=exp[r（x，y）]（7）

1.3.2局部密度局部密度是Rodriguez等[12]提出的一種衡量樣本點之間空間信息的度量，它只與樣本點之間的距離和截止距離有關，如公式（8）所示：

ρi=∑jχ（dij-dc）（8）

式中，ρi為樣本點i的局部密度，dij為樣本點i和j之間的歐式距離。dc為截止距離，可按照所有樣本距離的百分比設定。χ（x）為信號函數，如公式（9）所示：

χ（x）=1x<00x≥0（9）

當x<0，即樣本點之間的距離小于截止距離時，χ（x）=1;當x≥0，即樣本點之間的距離≥截止距離時， χ（x）=0。

1.4改進的Retinex增強算法

1.4.1局部密度計算方法圖像輸入后利用最大類間方差（OSTU）算法進行雙閾值分割[13-14]，將像素點初步分為背景像素、待細分像素和前景像素。由于背景像素中可能存在較亮的點被誤分為前景像素，因此對前景像素進行開運算，將初分前景像素點與開運算所得結果的差分像素點也設定為待細分像素。

為了提高算法的運算速度，考慮到待細分像素與鄰域像素相關性較大，使用區域窗口內的局部密度代替在全圖內求得的局部密度。以待細分像素為中心，選取21×21的矩形窗口，求其到窗口內前景像素的歐氏距離。若窗口內無前景像素，則將距離記為無窮大。待細分像素的局部密度示意圖如圖5所示。分別求圖5中的待細分像素1、待細分像素2與6個前景樣本點的歐氏距離，將所得的12組歐式距離數據的中位數作為截止距離（dc）（圖6）。根據公式（8）即可求出所有待細分像素的局部密度（ρ）。

為了方便后續對背景像素和前景像素進行處理，將所求得的局部密度進行線性歸一化處理后對應在局部密度矩陣ρ（x，y）中。令對應背景像素和前景像素所在位置的局部密度等于1，即可得到整體圖像的局部密度矩陣ρ（x，y）。

1.4.2融合局部密度的Retinex增強考察所有待細分像素的局部密度分布，如圖7所示，噪聲區域的ρ值普遍較小，處于10-3數量級。由于采用像素鄰域的信息來計算局部密度，因此屬于前景雜草部分的待細分像素的局部密度在直方圖中出現了相對均勻的分布。因此，需要選用適當的函數對利用局部密度所得的空間信息進行修正。Sigmoid函數[15]是一種常見的S型函數，本研究選用如公式（10）所示的Sigmoid函數[S（x）]進行空間信息修正，函數在[0，1]內輸出的圖像如圖8所示。

S（x）=11+exp（3-50x）（10）

a：部分局部密度區間;b：完整局部密度區間。

由公式（6）可知，在傳統Retinex算法中僅考慮像素的灰度信息，未考慮圖像的空間領域信息。故構建如公式（11）所示的歸一化公式代替公式（6）。

i（x，y）=S[ρ（x，y）]×Rc（x，y）-min[Rc（x，y）]max[Rc（x，y）]-min[Rc（x，y）]（11）

式中，i（x，y）為歸一化后的圖像，S（x）為公式（10）所示的空間信息修正函數，ρ（x，y）為像素點（x，y）的局部密度。Rc（x，y）為Retinex算法所估算出的反射分量，min（A）為集合A中的最小值，max（A）為集合A中的最大值。對于屬于背景區域的待細分像素點而言，由于其局部密度極小，從灰度信息中得到的增強結果被抑制。對于屬于前景區域的A類待細分像素以及與前景像素相鄰但屬于背景區域的B類待細分像素而言，根據局部密度的性質可知，ρ（A）>ρ（B）且ρ（B）一般較小。在經過Sigmoid函數修正后，對B類像素仍具有抑制作用，而對于A類像素，Retinex算法的增強效果得以保留。

2結果與分析

2.1局部方差預處理算法對比試驗

為了驗證本研究預處理算法中局部方差非線性歸一化的必要性，選擇如圖1所示的2張圖片進行對比分析，所得部分結果如圖9所示。由圖9看出，采用非線性化歸一化的局部方差對圖像進行預處理可以達到較好的效果。雜草葉片寬度相對較大，方差較小，而草坪草葉片較細，在圖像對應位置中方差較大，通過局部方差處理可以起到增強雜草前景、抑制草坪草雜亂背景的效果。

對比圖9b1、圖9c1發現，采用線性歸一化的局部方差處理對草坪草背景也有一定的抑制作用，且這種抑制作用在草坪草稀疏的地方要強于草坪草密集的地方。而在經過非線性歸一化的圖9d1中，在草葉稀疏和密集的地方，局部方差均能對草坪草背景達到較好的抑制效果，保留對雜草的初步增強效果。

在圖9a2中，由于草坪草比較稀疏且葉片寬于圖9a1中的草坪草，導致圖像的背景部分區域的局部方差較小，此時線性歸一化的局部方差會對這些區域有較為明顯的增強效果，不利于擴大雜草相對于背景的灰度差。而使用非線性歸一化的圖9d2，對小方差部分進行了一定比例的增大，從而達到對背景區域的抑制效果。

本研究的局部方差預處理算法提高了圖像前景對比度，降低了雜亂背景對后續處理的影響。

2.2改進的Retinex算法對比試驗

為了驗證本研究算法的有效性和魯棒性，選擇如圖1所示的5種不同生長狀態的草坪雜草圖片分別與文獻[16]中的融合雙邊濾波和高斯金字塔的單尺度Retinex增強、文獻[17]中的動態灰度拉伸的多尺度Retinex算法進行比較，所得結果如圖10所示。從圖10a可以看出，單尺度Retinex算法在圖像增強方面具有明顯的作用。但是在增強前景的同時，不可避免地增強了背景噪聲，未能達到擴大背景與前景灰度差的目的。由圖10b看出，文獻[16]融合雙邊濾波處理的Retinex算法的去噪性能相比單尺度Retinex算法有一定提升。但是由于雙邊濾波對高頻信息的保持性，算法對高頻噪聲處理不夠完善。而且在圖10b中，圖像均出現了不同程度的亮度不均現象，對圖像整體的視覺效果造成了一定影響。由圖10c看出，文獻[17]通過調整Retinex算法的灰度變換方式，達到一定的去噪效果。但是當圖像中存在灰度值較大的噪聲時，去噪效果不夠理想。相比而言，本研究算法在保持前景目標完整的前提下擴大了前景與噪聲的灰度差異，對噪聲的抑制達到了相對好的效果，有利于圖像的進一步處理（圖10d）。

a：原圖;b： G分量;c：局部方差線性歸一化處理;d：局部方差非線性歸一化處理。

a：單尺度Retinex算法;b：文獻[15]算法; c：文獻[16]算法; d：本研究算法。

為了進一步客觀評價不同算法的抗噪性能，本研究選用峰值信噪比（PSNR）進行比較。峰值信噪比常用來衡量圖像的失真程度，其值越大表示圖像失真越小。從表1可以看出，文獻[16]、文獻[17]以及本研究算法相對單尺度Retinex算法抗噪性能整體上均有提高。在峰值信噪比方面，本研究算法相比文獻[16]平均增加15.43%，相比文獻[17]平均增加12.65%，比Retinex算法增加24.23%。

由表2可以看出，Retinex增強算法的平均運行時間為1.31 s，文獻[16]的平均運行時間為3.78 s，文獻[17]的平均運行時間為5.75 s，而本研究算法的平均運行時間為2.87 s。本研究算法的運行時間主要取決于待細分像素的數量，當待細分像素數量較少時，本研究算法的運算時間僅次于Retinex增強算法。當待細分像素數量較多時，本研究算法的運行時間與文獻[16]相當，但在峰值信噪比方面仍具有優勢。因此，本研究算法可以滿足工程實際的實時性要求。

為了客觀評價處理后的圖像增強效果，將算法處理后的圖像利用OTSU閾值分割方法進行初步分割，與手動分割的樣本進行比較以衡量算法的改進效果。采用分割準確率（SA）來衡量增強圖像的分割效果，所得結果如表3所示。從表3可以看出，在分割準確率方面，由于樣本1和樣本4的雜草目標像素占比相對較低，因此經文獻[16]、文獻[17]處理的圖像分割準確率較低。樣本5因在強光照條件下拍攝，圖像中草坪草陰影明顯，放大了草坪草的灰度變化程度，使其與雜草區分度增加，分割準確率相對其他樣本較高。經本研究算法處理后的圖像初分割準確率相比文獻[16]平均增加23.85%，相比文獻[17]平均增加26.24%。因此，本研究算法提高了抗噪性能，達到了擴大前景與背景灰度差的目的。

3結論

本研究提出一種基于局部密度的Retinex增強算法，解決了雜草與草坪草灰度相近而難以識別的問題。利用局部方差進行預處理，壓縮圖像背景雜亂信息。利用多閾值分割與開運算差分篩選待細分像素，提取像素點的局部密度空間信息。最后，利用Sigmoid函數融合局部密度信息，優化反射分量灰度變換系數，得到增強圖像。結果表明，本研究算法能有效擴大雜草與草坪草的灰度差，抑制背景噪聲，圖像處理后平均分割正確率為91.4%，具有實際應用價值。

參考文獻：

[1]曾永賢，金晨鐘，向國紅，等. 婁底市草坪雜草種類、分布及危害[J]. 草業科學，2017， 34（11）： 2272-2278.

[2]杭楠，王翔宇，張蘊薇，等. 結縷草草坪雜草化學防除策略[J]. 草業科學， 2019， 36（9）： 2259-2269.

[3]KHAIRUZZAMAN A K M， CHAUDHURY S. Masi entropy based multilevel thresholding for image segmentation[J]. Multimedia Tools and Applications， 2019， 78（23）： 33573-33591.

[4]MOHEBBIFAR M R， OMARMELI K. Defect detection by combination of threshold and multistep watershed techniques[J]. Russian Journal of Nondestructive Testing， 2020， 56（1）： 80-91.

[5]KHAN M F， REN X， KHAN E. Semi dynamic fuzzy histogram equalization[J]. Optik， 2015， 126（21）： 2848-2853.

[6]NARDECCHIA A， VITALE R， DUPONCHEL L. Fusing spectral and spatial information with 2-D stationary wavelet transform （SWT 2-D） for a deeper exploration of spectroscopic images[J]. Talanta， 2021， 224： 121835.

[7]LI M， LIU J， YANG W， et al. Structure-revealing low-light image enhancement via robust Retinex model[J]. IEEE Transactions on Image Processing， 2018， 27（6）： 2828-2841.

[8]PARK S， YU S， MOON B， et al. Low-light image enhancement using variational optimization-based retinex model[J]. IEEE Transactions on Consumer Electronics， 2017， 63（2）： 178-184.

[9]TENG L， XUE F， BAI Q. Remote sensing image enhancement via edge-preserving multi-scale Retinex[J]. IEEE Photonics Journal， 2019， 11（2）： 1-10.

[10]趙宏宇，肖創柏，禹晶，等. 馬爾科夫隨機場模型下的Retinex夜間彩色圖像增強[J]. 光學精密工程， 2014， 22（4）： 1048-1055.

[11]趙鵬，蔣宇中，翟琦，等. 基于局部方差中值濾波的極/超低頻信道噪聲抑制方法[J]. 電子學報， 2019， 47（4）： 955-961.

[12]RODRIGUEZ A， LAIO A. Clustering by fast search and find of density peaks[J]. Science， 2014， 344（6191）： 1492-1496.

[13]吳祿慎，程偉，胡赟. 應用改進布谷鳥算法優化多閾值圖像分割[J]. 吉林大學學報（工學版）， 2021， 51（1）： 358-369.

[14]白元明，孔令成，張志華，等. 基于改進OSTU算法的快速作物圖像分割[J].江蘇農業科學，2019，47（24）：231-236.

[15]代振，王平波，衛紅凱. 非高斯背景下基于Sigmoid函數的信號檢測[J]. 電子與信息學報， 2019， 41（12）： 2945-2950.

[16]林昌，周海峰，陳武. 基于雙邊濾波的高斯金字塔變換Retinex圖像增強算法[J]. 激光與光電子學進展， 2020， 57（16）： 209-215.

[17]湯新雨，李敏，徐靈麗，等. 基于透射率修正的湍流模型與動態調整Retinex的水下圖像增強[J]. 中國圖象圖形學報， 2020， 25（7）： 1380-1392.

（責任編輯：陳海霞）

收稿日期：2021-04-27

基金項目：國家自然科學基金項目（61573168）

作者簡介：化春鍵（1975-），男，北京人，博士，副教授，主要從事圖形圖像處理、計算機視覺等方面的研究。（E-mail）cjhua@jiangnan.edu.cn