- 相關(guān)推薦
關(guān)于基于相對色彩因子的樹(shù)木圖像分割算法
論文關(guān)鍵詞:相對色彩因子 圖像分割 精確
論文摘要:圖像分割是利用實(shí)時(shí)視覺(jué)傳感技術(shù)農精確對靶施用進(jìn)行林木化學(xué)防治的難點(diǎn)。筆者提出了基于相對色彩因子的樹(shù)木圖像分割算法。與傳統方法相比,新圖像分割算法在不影響分割效果的同時(shí)大大提高了圖像分割的實(shí)時(shí)性,在“精確林業(yè)”中將有很好的應用前景。
利用實(shí)時(shí)視覺(jué)傳感技術(shù)指導農藥精確對靶施用進(jìn)行林木化學(xué)防治時(shí),主要的難點(diǎn)是如何把視覺(jué)傳感器(如CCD攝像頭)采集的樹(shù)木圖像從其錯綜復雜的背景中分割出來(lái)。從20世紀90年代初“精確”思想提出開(kāi)始,國外的許多專(zhuān)家學(xué)者致力于研究農田作物(如紅薯、棉花等)與其背景(主要是土壤和雜草)間的圖像分割技術(shù),提出了很多分割算法,包括基于顏色的分割算法,基于紋理的分割算法和基于灰度圖的分割算法等。其中基于顏色的分割算法應用最為廣泛,許多算法實(shí)例能較好地應用于特定的場(chǎng)合,成功地將目標作物和背景分割開(kāi)來(lái)。如田磊等人運用機器視覺(jué)及彩色圖像分割進(jìn)行田間雜草密度估算[1];Swapana等人應用彩色圖像分割進(jìn)行紅薯識別和分類(lèi)(grading)[2]。然而,基于顏色的分割算法同樣存在不足之處。首先,基于顏色的分割算法一般涉及圖像像素的R,G,B(紅,綠,藍)值,算法涉及到三維數組的處理,因此數據量大,效率低;其次,在很多情況下,由于因素的影響,圖像像素的R,G,B值并不直接反映物體的光譜反射特性,像素值的多義性給算法設計帶來(lái)難度。
基于顏色的分割算法一般要進(jìn)行色彩空間的轉換,以此來(lái)降低圖像色彩的維數,同時(shí)削弱環(huán)境(如光照強度、入射角)對圖像像素值的影響。通常將獲取作物的圖像從RGB空間轉換到HSI(Hue色調,Saturation飽和度,Intensity光照強度)空間[5],或者將原始圖像用色度(Normalized rgb)來(lái)表示。此方法存在的問(wèn)題是:色彩空間的轉換需要非常耗時(shí)的運算,并且在實(shí)時(shí)性要求較高的農藥精確對靶施用過(guò)程中,這些圖像分割的算法并不適用。同時(shí)和田間環(huán)境相比,林業(yè)生產(chǎn)過(guò)程中施藥環(huán)境的背景更加復雜,對于精確對靶施藥系統的圖像分割算法的要求也更加嚴格。因此必須尋找簡(jiǎn)潔高效的樹(shù)木圖像分割算法。
1 算法的提出
從綠色植物的全波段反射光譜(reflectance spectrum)可以看出,在可見(jiàn)光范圍內,綠色植物在綠色波段(波長(cháng)在550μm左右)會(huì )有一個(gè)反射峰值(green peak)。這是由于健康的綠色植物進(jìn)行光合作用(葉綠素在光合作用過(guò)程中吸收可見(jiàn)光譜中的紅色波段)引起的。因此,對于綠色植物的數字圖像,綠色分量相對于紅色和藍色分量大。這個(gè)特性是健康的綠色植物所固有的,不會(huì )隨環(huán)境因素改變。在實(shí)驗室可控光條件下及室外自然光條件下拍攝大量綠色樹(shù)木的圖像進(jìn)行RGB各分量的分析也證實(shí)了這一點(diǎn)。這一特性提供了一個(gè)綠色樹(shù)木圖像分割的可行方法:利用圖像RGB分量之間的相對關(guān)系進(jìn)行樹(shù)木圖像分割。
類(lèi)似的研究已經(jīng)出現在國外的一些文獻中。如Weobbecke DM等人利用像素的RGB值建立了ExG參數來(lái)區分植物和土壤,準確率達到99%[3]。孫明,高照橋夫等利用色差信號(G-Y)和(R-B)進(jìn)行蘋(píng)果分割,平均正確率達到80%以上。EI-Faki MS等人對這一類(lèi)方法進(jìn)行了較為系統的概括,指出彩色圖像像素的RGB灰度級在很大程度上依賴(lài)于光照強度[4]。在不同的光照條件下,直接用RGB值進(jìn)行識別會(huì )導致錯誤的結果。而利用簡(jiǎn)單的算術(shù)運算組合RGB分量形成相對色彩因子(Relative Color Indices)可以大大降低光照強度或其他因素的影響。同時(shí)他們設計了一些具有典型意義的色彩因子代表了彩色圖像的光強(Intensity),單相、兩相色彩對比度(One,Two-Color Contrast)等,并通過(guò)這些因子的組合來(lái)實(shí)現農田作物的分割。
為了能有效的將綠色樹(shù)木與其背景分割開(kāi)來(lái),達到較好的分割效果,首先引入2×G/(R+B)這一色彩因子。其優(yōu)點(diǎn):(1)在全面考慮像素RGB分量的同時(shí)突出了G分量在像素中的比重;(2)利用比值關(guān)系可以抑制環(huán)境因素(如光強)的影響。在初期研究中僅利用這一色彩因子進(jìn)行分割,發(fā)現分割結果中會(huì )出現許多錯誤的孤立點(diǎn)。進(jìn)一步研究表明這是由于原始圖像中的暗噪聲(或暗區域)引起的。因此又引入了(R+B+G)/3這一因子,通過(guò)該因子閾值的設定可以去除這些圖像中的暗噪聲或相對暗區。
2 算法的效果及分析
2.1 分割方法
試驗時(shí)采用全局閾值分割的方法。全局閾值分割的優(yōu)點(diǎn)為運用單一閾值對整個(gè)圖像進(jìn)行分割,簡(jiǎn)單高效,但自適應性較差。對于在不同背景下采集到的樹(shù)木圖像,閾值將有所不同。在實(shí)驗室里采集兩幅不同光照條件下綠色模擬樹(shù)木圖像,并用不同的閾值進(jìn)行圖像分割。由于(R+B+G)/3這一因子僅僅使像素有足夠的強度,因此在分割過(guò)程中,(R+B+G)/3的閾值是不變的,在兩次分割中都將其設定為50。分割效果如圖1所示。
2.2 圖像分析
圖1-1(a1)為在晚上日光燈照射下采集到的模擬樹(shù)木圖像,圖1-1(b1)、(c1)、(d1)、(e1)和(f1)為其在不同的2×G/(R+B)閾值下的分割結果。圖1-1(b1)、(c1)、(d1)、(e1)、(f1)閾值分別為1.0,1.1,1.2,1.3,1.4。從圖1-1中可以看出當閾值較小時(shí),部分背景會(huì )被錯誤地劃分為目標。而當閾值較大時(shí),則會(huì )出現目標缺失。選取適當的閾值,分割的效果較好(圖1-1(d1))。
圖1-2(a2)為在白天太陽(yáng)光照射下采集到的模擬樹(shù)木圖像,圖1-2(b2)、(c2)、(d2)、(e2)和(f2)為其在不同的2×G/(R+B)閾值下的分割結果。圖1-2(b2)、(c2)、(d2)、(e2)、(f2)閾值分別為1.1,1.2,1.3,1.4,1.5。從圖1-2中可以看出,除了圖1-2(b2)、(c2)的分割效果稍差外,其他3個(gè)閾值都取得了滿(mǎn)意結果。
從以上兩組試驗的對比可看出,當圖像的光照強度較大時(shí),即圖像或像素點(diǎn)較亮時(shí),用2×G/(R+B)和(R+G+B)/3這兩個(gè)因子分割得到的結果比較穩定,閾值可選的范圍較大(在第2種情況下閾值的選取從1.3到1.5都是合理的)。而當圖像的光照強度較小時(shí),閾值的選取范圍就較窄(在第1種情況下閾值在1.2左右比較適合)。同時(shí)可以看出,在不同的光強條件下,為了達到最佳分割效果所定的閾值是不同的。因此如何在不同的工作中選定一個(gè)較為合理的閾值,是該算法成功與否的關(guān)鍵。
在以上兩組試驗中,人為設定的工作環(huán)境有一定的典型性。第1組試驗在晚間進(jìn)行,光強很小,用日光燈照射(人造光源)。第2組試驗在白天正午進(jìn)行,光強很大,用太陽(yáng)光照射(自然光源)。在一般工作環(huán)境中,閾值的選取應該介于以上兩組試驗結果之間(1.2~1.5)�？梢砸怨鈴姙閰翟�1.2~1.5進(jìn)行插值,從而得出在一般工作環(huán)境中的合理分割閾值。圖2為在室外陰天所采集的行道樹(shù)圖像及利用相對色彩因子進(jìn)行圖像分割的結果(2×G/(R+B)的閾值選定為1.3,(R+B+G)/3選定為64)。由于室外背景較為復雜,閾值分割后的圖像存在許多噪聲,因此應用了3×3的中值濾波器對分割后的圖像進(jìn)行濾波。分割結果較好。
3 結 語(yǔ)
與傳統的基于色彩信息的圖像分割算法相比,基于相對色彩因子的圖像分割算法簡(jiǎn)單高效。用RGB分量間的相對比值來(lái)削弱光照強度對圖像的影響,可以省去傳統方法中的色彩模式轉換的繁瑣運算,提高算法的實(shí)時(shí)性。分割一幀圖像(圖像大小為360×270像素)的時(shí)間從一般的0.6~0.7 s縮短到0.2 s左右[5]。算法的程序實(shí)現也相當容易,核心代碼不超過(guò)200行。同時(shí)當閾值選取合理時(shí),分割的效果令人滿(mǎn)意。由于此研究在整個(gè)精確機器視覺(jué)領(lǐng)域還處于初級階段,并沒(méi)有深入考慮實(shí)際林業(yè)生產(chǎn)過(guò)程中的復雜情況。因此仍需要不斷完善該算法。如將色彩域拓展至整個(gè)波譜范圍(包括NIR,SWIR,Thermal),將樹(shù)木所特有的紋理(Texture)特性融入色彩因子等�；谙鄬ι室蜃拥膱D像分割算法可望在實(shí)時(shí)視覺(jué)傳感技術(shù)的農精確對靶施用系統中得到廣泛地應用。
[參考文獻]
[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]向海濤.基于機器視覺(jué)的樹(shù)木圖像實(shí)時(shí)采集與識別[D].南京:南京林業(yè)大學(xué),2002.
[6]葛玉峰.基于機器視覺(jué)的室內模擬農藥精確對靶施用系統研究[D].南京:南京林業(yè)大學(xué),2003.
[7]鄭加強.基于視覺(jué)的霧滴尺寸測量技術(shù)[J].南京林業(yè)大學(xué)學(xué)報(自然科學(xué)版),2002,24(6):47-50.
[8]賈云得.機器視覺(jué)[M].北京:科學(xué)出版社, 2000.
[9]王新成.高級圖像處理技術(shù)[M].北京:中國科學(xué)技術(shù)出版社,2000.
【基于相對色彩因子的樹(shù)木圖像分割算法】相關(guān)文章：
基于階梯細化的圖像放大算法03-07
基于ICA的魯棒圖像水印算法11-22
基于GPRS網(wǎng)絡(luò )的圖像傳輸自適應算法及實(shí)現03-07
圖像拼接算法及實(shí)現03-03
基于智能優(yōu)化算法的MRI圖像適配模板濾波的閾值優(yōu)化03-07
基于BP算法紅外遙感圖像去條帶方法研究03-07