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.