基于RGB顏色模型的林區道路圖像分割*

王露露

（浙江農林大學光機電工程學院，浙江 杭州 311300）

近年來，自主導航技術[1]在林業機械上的應用越來越廣泛，極大地提高了勞動者的作業效率和作業質量。機器視覺[2]具有感知信息廣、獲取信息豐富以及成本低的特點，是自主導航的重要組成部分。目標道路從復雜環境背景中有效分離出來，是視覺導航的首要步驟，為后續導航線提取做準備。張熊楚等[3]通過大津法（Otsu）分別對RGB顏色空間下的2G-R-B分量的灰度圖像進行閾值分割；劉波等[4]將圖像轉換至其他顏色空間下，將該顏色空間各分量分離出來，并對其二值化。這類方法由于運算簡單、運行速度快，可以用于實時目標檢測，對于特定的光照環境分割效果較好，因此被廣泛運用。本課題組提取RGB圖像中B顏色分量的灰度圖，采用Otsu對灰度圖進行閾值分割，從而實現道路從背景分離，為后續林區智能運輸裝備的自主導航提供了參考。

1 圖像分割算法及結果分析

圖像采集設備為Intel Realsense D435i機器視覺攝像頭，RGB傳感器以30 f/s的幀率采集道路圖像，每幀道路圖像分辨率為1 920×1 080 pixel，存儲格式為JPEG。文中圖像處理軟件采用Matlab 2018a進行編程；圖像處理硬件采用Intel Core i5-1135處理器，主頻2.42 GHz，內存容量16 GB。針對道路特點，主要采集強光、正常光、低光三種光照強度下道路圖像用于本研究。例圖如圖1所示。

圖1 例圖

大津法閾值分割是由大津提出的二值化圖像處理算法，該算法計算簡單，運行高效，不受圖像亮度和對比度的影響，被認為是圖像分割中閾值選取的最佳算法。因此，在數字圖像處理上得到了廣泛的應用。按照圖像的灰度特性，將圖像分成背景和前景兩部分，大津法按照背景和前景之間的類間方差對圖像進行處理，類間方差越大意味著圖像的兩部分的差別越大，計算類間方差的最大值作為圖像分割的最佳閾值，因此，大津法又稱最大類間方差法。

設一幅unit8類道路圖像I像素總數為N，圖像(x，y)處像素的灰度值為m，灰度范圍為［0，255］，g(m)為圖像類間方差，前景和背景的分割閾值為T，背景像素占整幅圖像比例為ω0，平均灰度為μ0，前景像素占整幅圖像比例為ω0，平均灰度為μ1。

類間方差g(m)為：

遍歷圖像像素灰度值，計算類間方差最大值為最佳閾值T：

則圖像大津法閾值分割的算法為：

按照以上方法對例圖進行閾值分割，得到最終結果如圖2所示。

圖2 Otsu閾值分割圖像

由圖2可以看出正常光照強度圖像對比強光照強度和弱光照強度圖像分割效果較好，如圖3所示，黑色、白色區域分別表示被正確分割的背景和前景，林區環境區域表示被錯誤分割為前景，道路區域表示被錯誤分割為背景。為了定量分析三種方法的分割效果，采用精確率（Precision）、召回率（Recall）、精確率與召回率調和均值F1值對分割效果進行分析，根據式（4）（5）（6）計算：

圖3 道路錯誤分割結果

式中，TP為道路像素被分割為道路像素的數量，FP為道路像素被分割為背景像素的數量，FN為背景像素被分割為道路像素的數量。

Otsu閾值分割結果定量分析如表1所示。Precision、Recall、F1值越高，代表圖像分割效果越好。因此，從表1可以看出，對比正常光照強度、弱光照強度圖像，強光照強度圖像的召回率較低，為0.962 6；弱光照強度圖像的精確率為0.892 2，F1值為0.942 7，在三種光照強度圖像里最低。

表1 Otsu閾值分割結果定量分析

為了提高圖像分割結果的質量，本課題組對RGB道路圖像R、G、B顏色分量的像素灰度值進行分析，分別提取例圖中R、G、B顏色分量的灰度圖，如圖4所示。

圖4 R、G、B分量灰度圖

從圖4中可以看出，相比R、G分量灰度圖，強光、正常光照強度圖像的B分量灰度圖的背景和道路對比度較強，且道路邊界明顯；弱光照圖像的R、G、B分量灰度圖的背景和道路對比度較差，無法判定R、G、B分量灰度圖分割的好壞。因此，單獨統計弱光照強度圖像的R、G、B分量圖像的灰度級像素出現的頻率，用灰度直方圖表示，如圖5所示。

圖5 弱光照強度的R、G、B分量灰度直方圖

從圖5中可以看出，弱光照圖像的B分量相比R、G分量灰度直方圖存在明顯的波峰和波谷，可以將道路從背景中較好地分割出來。因此，對于強光、正常光和弱光照強度的林區道路圖像選擇B分量作為Otsu閾值分割的依據，得到最終分割結果如圖6所示，對比圖2可以看出，選擇B分量進行分割，其分割結果更加精確。繼續采用Precision、Recall對圖6進行定量分析，其結果如表2所示。

圖6 B分量Otsu閾值分割圖

表2 B分量Otsu閾值分割結果定量分析

對比表1，由表2可知，只有強光照強度圖像的Precision值稍微降低，但是其Recall、F1值增高；正常光照、弱光強度的RGB林區道路圖像通過分割B顏色分量二值圖像的Precision、Recall、F1值普遍提高。因此，符合圖像分割精度要求。

2 結論

針對自然光照干擾道路識別的問題，課題組提出了一種基于顏色分量與Otsu閾值分割方法。對不同光照強度、不同地塊的林區道路圖像進行處理，結果顯示：本項目方法分隔道路的Precision、Recall、F1值的均值為0.977 5、0.996 9、0.986 9，精度較高，有效提高了智能運輸裝備視覺導航時對自然環境的適應性。