圖像處理技術(shù)下的植物葉片分割方法

蘇州大學(xué)機電工程學(xué)院 田 霞 鄒霄貝 丁浩淇

植物葉片分割就是把植物圖像分為植物部分和背景部分，它可以迅速且有效地將圖像背景分離出來。本文針對植物與背景的不同特點，研究了更優(yōu)良的彩色圖像灰度化方法，對比不同的植物葉片分割方法并創(chuàng)造性的提出了適用范圍更廣、處理效果更好的二維OTSU算法，為后續(xù)處理奠定了良好基礎(chǔ)。

近年來，中國智慧農(nóng)業(yè)行業(yè)發(fā)展十分迅速，市場規(guī)模不斷擴大。中國智慧農(nóng)業(yè)的市場規(guī)模有望由2015年的137.42億美元增長至267.61億美元，年復(fù)合增長率達14.3%。農(nóng)業(yè)智能化必須準(zhǔn)確監(jiān)測種植物生長的環(huán)境因子，并根據(jù)種植物的實際生長狀況對環(huán)境因子進行及時的協(xié)同精準(zhǔn)調(diào)節(jié)，才能實現(xiàn)高產(chǎn)、高效和高品質(zhì)。目前對種植物生長狀況的識別主要依賴于人工，針對此問題本研究在國內(nèi)外智慧農(nóng)業(yè)技術(shù)的基礎(chǔ)上，采用圖片識別和圖像處理技術(shù)將綠色植物的葉片從環(huán)境背景中分離出來，運用到田間雜草的清除、辨別植物是否有病蟲害等問題上，加速推動智慧農(nóng)業(yè)的產(chǎn)業(yè)化發(fā)展。

1 圖像預(yù)處理

圖像預(yù)處理就是將彩色圖像轉(zhuǎn)化為更易操作的灰度化圖像，常用的灰度化方法有RGB模型灰度化以及HSV模型灰度化。RGB顏色模型即傳統(tǒng)意義上的紅綠藍模型，由于背景和葉片的RGB均值關(guān)系不同，通過采用不同的灰度化比例進行葉片分割，圖1所示即為不同灰度化比例下的圖像頻率特征。

圖1 RGB模型灰度化直方圖對比

HSV顏色模型是一種更符合人眼觀察特征的顏色空間，H代表色調(diào)（hue）、S代表飽和度（saturation）、V代表亮度（value）。對比之下，HSV顏色模型比RGB顏色模型更接近于人們對彩色圖像的感知，而且H、S、V三分量之間相互獨立，更適用于葉片分割的圖像預(yù)處理。

為了更好的進行灰度化處理，我們將RGB顏色模型轉(zhuǎn)化成HSV顏色模型，轉(zhuǎn)化公式如下：

當(dāng)飽和度S、亮度V滿足下列關(guān)系(2)時，以色調(diào)H為檢測條件，最容易分割綠色，這時H的取值范圍時90>T>30。采用H分割就可以實現(xiàn)植物葉片的提取。

2 葉片分割算法

目前較為經(jīng)典的葉片分割方法有很多種，最為高速簡單的就是定閾值法，即對所要處理的圖像f(x,y)依像素逐次掃描，將結(jié)果和閾值T對比，高于閾值則標(biāo)記為背景，低于閾值則標(biāo)記為植物葉片（如下式）。但是僅適用于葉片圖像有固定閾值的情況，局限性較大。

雙峰法即依據(jù)直方圖尋找直方圖兩峰間的最低點作為閾值，當(dāng)直方圖有多個峰時，則把主要峰的最低點作為閾值，雙峰法較定閾值法更為靈活，但是只有在直方圖有明顯雙峰時該方法才有良好分割效果。迭代法是基于不斷逼近的思想，根據(jù)灰度值的分布規(guī)律，逐次迭代尋找最佳閾值的方法，美中不足的時運算量過于龐大，耗費時間較長，其流程圖如圖2所示。

圖2 迭代法流程圖

OTSU算法，即最大類間方差法又名大津法，是日本學(xué)者大津提出的，被認(rèn)為是圖像分割中選取閾值的最佳算法，計算簡單并且不受對比度和圖像亮度的影響。OTSU算法按灰度值的分布規(guī)律將圖像分為背景和植物葉片兩部分，使得背景和植物葉片的方差值最大的灰度值即為最佳分割閾值。設(shè)圖像灰度級別為L，OTSU算法計算得出的最佳閾值為：

式中t為最佳分割閾值；w0為背景所占比例；u0為背景均值；w1為目標(biāo)所占比例；u1為目標(biāo)均值；u為整幅圖的均值。

OTSU算法本質(zhì)上是對像素點灰度值的計算，所以還需遍歷所有灰度級才可以求出最優(yōu)閾值，計算量大，另一方面當(dāng)存在灰度分布有交叉重疊情況或噪聲擾動時分割效果較差，難以滿足需求。本研究采用二維OTSU算法進行葉片分割。

二維OTSU法閾值的確定是在OTSU算法的基礎(chǔ)上，將臨近區(qū)域的平均灰度值考慮進來之后的計算，可以有效降低噪聲擾動的影響。設(shè)圖像灰度級別為L級，該點自身的灰度值和周圍像素點的平均灰度值組成一個二元數(shù)組(i,j)。G(i,j)為(i,j)出現(xiàn)次數(shù)，P(i,j)為出現(xiàn)概率，即有P(i,j)=G(i,j)/N，將圖像分為背景和目標(biāo)2個部分，用A0和A1表示。設(shè)分割閾值為(s,t)，所以A0和A1的概率為：

A0的均值為：

A1的均值為：

把u0和u1置于一個二維直方圖中：

創(chuàng)建一個離散度矩陣如下：

利用Matlab將已知矢量代入運算，類似于OTSU法，最佳閾值(s',t')滿足如下關(guān)系：

圖3 原始圖

圖4 定閾值法

圖5 雙峰法

圖6 迭代法

圖7 OTSU法

圖8 二維OTSU法

3 實驗結(jié)果與分析

選取一張經(jīng)過HSV模型處理后的灰度化圖像作為原始對照，采取5種不同方法分別處理后得到的結(jié)果如圖3～圖8所示。

對比可以看出，定閾值法處理后的圖像背景雜質(zhì)較多。雙峰法處理效果良好，但主要依靠于閾值的選取，當(dāng)圖像沒有明顯雙峰的時候，處理效果不理想。迭代處理結(jié)果較好，能夠分割出植物葉片與背景部分，但是整體斑點多，且耗費時間長。OTSU法較優(yōu)，但背景中斑點較多，不利于后續(xù)實驗。二維OTSU法分割效果最好，與其他方法相比，去除了葉片表面及背景中區(qū)域較小的斑點部分，有利于后續(xù)處理。

結(jié)論：經(jīng)過一系列研究表明，可以采取HSV模型進行灰度化之后進行葉片分割操作，不同葉片分割方法有不同的適用范圍以及優(yōu)缺點，使用時要對比環(huán)境與噪聲影響，選取不同的分割方法，其中最優(yōu)的是二維OTSU方法，將像素點領(lǐng)域的平均像素值考慮進來提高了分割效果，解決了因光照、噪聲干擾等引起的圖像失真問題，且運行時間尚可接受，實現(xiàn)了較好的分割效果，為后續(xù)對葉片的處理奠定了基礎(chǔ)。