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。