作者：葛玉峰 周宏平 郑加强 张慧春

　　论文关键词:相对色彩因子  图像分割  精确林业
　　论文摘要:图像分割是利用实时视觉传感技术指导农药精确对靶施用进行林木化学防治的难点。笔者提出了基于相对色彩因子的树木图像分割算法。与传统方法相比,新图像分割算法在不影响分割效果的同时大大提高了图像分割的实时性,在“精确林业”中将有很好的应用前景。
　　利用实时视觉传感技术指导农药精确对靶施用进行林木化学防治时,主要的难点是如何把视觉传感器(如CCD摄像头)采集的树木图像从其错综复杂的背景中分割出来。从20世纪90年代初“精确农业”思想提出开始,国外的许多专家学者致力于研究农田作物(如红薯、棉花等)与其背景(主要是土壤和杂草)间的图像分割技术,提出了很多分割算法,包括基于颜色的分割算法,基于纹理的分割算法和基于灰度图的分割算法等。其中基于颜色的分割算法应用最为广泛,许多算法实例能较好地应用于特定的场合,成功地将目标作物和背景分割开来。如田磊等人运用机器视觉及彩色图像分割进行田间杂草密度估算[1];Swapana等人应用彩色图像分割进行红薯识别和分类(grading)[2]。然而,基于颜色的分割算法同样存在不足之处。首先,基于颜色的分割算法一般涉及图像像素的R,G,B(红,绿,蓝)值,算法涉及到三维数组的处理,因此数据量大,效率低;其次,在很多情况下,由于环境因素的影响,图像像素的R,G,B值并不直接反映物体的光谱反射特性,像素值的多义性给算法设计带来难度。
　　基于颜色的分割算法一般要进行色彩空间的转换,以此来降低图像色彩的维数,同时削弱环境(如光照强度、入射角)对图像像素值的影响。通常将获取作物的图像从RGB空间转换到HSI(Hue色调,Saturation饱和度,Intensity光照强度)空间[5],或者将原始图像用色度(Normalized rgb)来表示。此方法存在的问题是:色彩空间的转换需要非常耗时的运算,并且在实时性要求较高的农药精确对靶施用过程中,这些图像分割的算法并不适用。同时和田间环境相比,林业生产过程中施药环境的背景更加复杂,对于精确对靶施药系统的图像分割算法的要求也更加严格。因此必须寻找简洁高效的树木图像分割算法。
　　1　算法的提出
　　从绿色植物的全波段反射光谱(reflectance spectrum)可以看出,在可见光范围内,绿色植物在绿色波段(波长在550μm左右)会有一个反射峰值(green peak)。这是由于健康的绿色植物进行光合作用(叶绿素在光合作用过程中吸收可见光谱中的红色波段)引起的。因此,对于绿色植物的数字图像,绿色分量相对于红色和蓝色分量大。这个特性是健康的绿色植物所固有的,不会随环境因素改变。在实验室可控光条件下及室外自然光条件下拍摄大量绿色树木的图像进行RGB各分量的分析也证实了这一点。这一特性提供了一个绿色树木图像分割的可行方法:利用图像RGB分量之间的相对关系进行树木图像分割。
　　类似的研究已经出现在国外的一些文献中。如Weobbecke DM等人利用像素的RGB值建立了ExG参数来区分植物和土壤,准确率达到99%[3]。孙明,高照桥夫等利用色差信号(G-Y)和(R-B)进行苹果分割,平均正确率达到80%以上。EI-Faki MS等人对这一类方法进行了较为系统的概括,指出彩色图像像素的RGB灰度级在很大程度上依赖于光照强度[4]。在不同的光照条件下,直接用RGB值进行识别会导致错误的结果。而利用简单的算术运算组合RGB分量形成相对色彩因子(Relative Color Indices)可以大大降低光照强度或其他因素的影响。同时他们设计了一些具有典型意义的色彩因子代表了彩色图像的光强(Intensity),单相、两相色彩对比度(One,Two-Color Contrast)等,并通过这些因子的组合来实现农田作物的分割。
　　为了能有效的将绿色树木与其背景分割开来,达到较好的分割效果,首先引入2×G/(R+B)这一色彩因子。其优点:(1)在全面考虑像素RGB分量的同时突出了G分量在像素中的比重;(2)利用比值关系可以抑制环境因素(如光强)的影响。在初期研究中仅利用这一色彩因子进行分割,发现分割结果中会出现许多错误的孤立点。进一步研究表明这是由于原始图像中的暗噪声(或暗区域)引起的。因此又引入了(R+B+G)/3这一因子,通过该因子阈值的设定可以去除这些图像中的暗噪声或相对暗区。
　　2　算法的效果及分析
　　2.1　分割方法
　　试验时采用全局阈值分割的方法。全局阈值分割的优点为运用单一阈值对整个图像进行分割,简单高效,但自适应性较差。对于在不同背景下采集到的树木图像,阈值将有所不同。在实验室里采集两幅不同光照条件下绿色模拟树木图像,并用不同的阈值进行图像分割。由于(R+B+G)/3这一因子仅仅使像素有足够的强度,因此在分割过程中,(R+B+G)/3的阈值是不变的,在两次分割中都将其设定为50。分割效果如图1所示。

　　2.2　图像分析
　　图1-1(a1)为在晚上日光灯照射下采集到的模拟树木图像,图1-1(b1)、(c1)、(d1)、(e1)和(f1)为其在不同的2×G/(R+B)阈值下的分割结果。图1-1(b1)、(c1)、(d1)、(e1)、(f1)阈值分别为1.0,1.1,1.2,1.3,1.4。从图1-1中可以看出当阈值较小时,部分背景会被错误地划分为目标。而当阈值较大时,则会出现目标缺失。选取适当的阈值,分割的效果较好(图1-1(d1))。
　　图1-2(a2)为在白天太阳光照射下采集到的模拟树木图像,图1-2(b2)、(c2)、(d2)、(e2)和(f2)为其在不同的2×G/(R+B)阈值下的分割结果。图1-2(b2)、(c2)、(d2)、(e2)、(f2)阈值分别为1.1,1.2,1.3,1.4,1.5。从图1-2中可以看出,除了图1-2(b2)、(c2)的分割效果稍差外,其他3个阈值都取得了满意结果。

　　从以上两组试验的对比可看出,当图像的光照强度较大时,即图像或像素点较亮时,用2×G/(R+B)和(R+G+B)/3这两个因子分割得到的结果比较稳定,阈值可选的范围较大(在第2种情况下阈值的选取从1.3到1.5都是合理的)。而当图像的光照强度较小时,阈值的选取范围就较窄(在第1种情况下阈值在1.2左右比较适合)。同时可以看出,在不同的光强条件下,为了达到最佳分割效果所定的阈值是不同的。因此如何在不同的工作环境中选定一个较为合理的阈值,是该算法成功与否的关键。
　　
　　在以上两组试验中,人为设定的工作环境有一定的典型性。第1组试验在晚间进行,光强很小,用日光灯照射(人造光源)。第2组试验在白天正午进行,光强很大,用太阳光照射(自然光源)。在一般工作环境中,阈值的选取应该介于以上两组试验结果之间(1.2~1.5)。可以以光强为参数在1.2~1.5进行插值,从而得出在一般工作环境中的合理分割阈值。图2为在室外阴天所采集的行道树图像及利用相对色彩因子进行图像分割的结果(2×G/(R+B)的阈值选定为1.3,(R+B+G)/3选定为64)。由于室外背景较为复杂,阈值分割后的图像存在许多噪声,因此应用了3×3的中值滤波器对分割后的图像进行滤波。分割结果较好。
　　3　结　语
　　与传统的基于色彩信息的图像分割算法相比,基于相对色彩因子的图像分割算法简单高效。用RGB分量间的相对比值来削弱光照强度对图像的影响,可以省去传统方法中的色彩模式转换的繁琐运算,提高算法的实时性。分割一帧图像(图像大小为360×270像素)的时间从一般的0.6~0.7 s缩短到0.2 s左右[5]。算法的程序实现也相当容易,核心代码不超过200行。同时当阈值选取合理时,分割的效果令人满意。由于此研究在整个精确林业机器视觉领域还处于初级阶段,并没有深入考虑实际林业生产过程中的复杂情况。因此仍需要不断完善该算法。如将色彩域拓展至整个波谱范围(包括NIR,SWIR,Thermal),将树木所特有的纹理(Texture)特性融入色彩因子等。基于相对色彩因子的图像分割算法可望在实时视觉传感技术的农药精确对靶施用系统中得到广泛地应用。

　　[参考文献]
　　[1] Steward B L,Tian LF.Machine-visionweed density estimation for real time,outdoor lighting conditions[J].Transaction of ASAE,1999,42(6):1897-1909.
　　[2] Swapana,Tian L F,Tang L.Distance-based control system for machine vision-based selective spraying[J].Transactions of ASAE.2002,45(5):1255-1262.
　　[3] Weobbecke D M, Meyer G E, Von Bargen K,et al.Color indices for weed identification under various soil, residue and lighting conditions [J].
Transaction of ASAE, 1995a, 38(1):259-269.
　　[4] EI-Faki MS, Zhang N, Peterson D E. Factors affecting color-based weed detection [J].Transaction of ASAE, 2000, 43(4):1001-1009.
　　[5]向海涛.基于机器视觉的树木图像实时采集与识别[D].南京:南京林业大学,2002.
　　[6]葛玉峰.基于机器视觉的室内模拟农药精确对靶施用系统研究[D].南京:南京林业大学,2003.
　　[7]郑加强.基于计算机视觉的雾滴尺寸测量技术[J].南京林业大学学报(自然科学版),2002,24(6):47-50.
　　[8]贾云得.机器视觉[M].北京:科学出版社, 2000.
　　[9]王新成.高级图像处理技术[M].北京:中国科学技术出版社,2000.