关于基于相对色彩因子的树木图像分割算法

1、关于基于相对色彩因子的树木图像支解算法葛玉峰周宏平郑增强张慧春论文关键词:相对色彩因子图像支解正确林业论文摘要:图像支解是使用及时视觉传感技能引导农药正确对靶施用举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支解算法。与传统要领比拟,新图像支解算法在不影响支解结果的同时大大进步了图像支解的及时性,在“正确林业中将有很好的应用远景。使用及时视觉传感技能引导农药正确对靶施用举行林木化学防治时,重要的难点是怎样把视觉传感器(如D摄像头)网罗的树木图像从其错综庞大的配景中支解出来。从20世纪90年代初“正确农业头脑提出开始,外洋的很多专家学者致力于研究农田作物(如红薯、棉花等)与其配景(

2、重要是泥土和杂草)间的图像支解技能,提出了很多支解算法,包罗基于颜色的支解算法,基于纹理的支解算法和基于灰度图的支解算法等。此中基于颜色的支解算法应用最为普及,很多算法实例能较好地应用于特定的场所,乐成地将目的作物和配景支解开来。如田磊等人运用呆板视觉及彩色图像支解举行田间杂草密度估算1;Sapana等人应用彩色图像支解举行红薯识别和分类(grading)2。然而,基于颜色的支解算法同样存在不敷之处。起首,基于颜色的支解算法一样平常涉及图像像素的R,G,B(红,绿,蓝)值,算法涉及到三维数组的处置惩罚,因此数据量大,服从低;其次,在很多环境下,由于环境因素的影响,图像像素的R,G,B值并不直接

3、反响物体的光谱反射特性,像素值的多义性给算法方案带来难度。基于颜色的支解算法一样平常要举行色彩空间的转换,以此来低落图像色彩的维数,同时减弱环境(如光照强度、入射角)对图像像素值的影响。通常将猎取作物的图像从RGB空间转换到HSI(Hue色彩,Saturatin饱和度,Intensity光照强度)空间5,大概将原始图像用色度(Nralizedrgb)来表现。此要领存在的题目是:色彩空间的转换必要非常耗时的运算,而且在及时性要求较高的农药正确对靶施用历程中,这些图像支解的算法并不实用。同时和田间环境比拟,林业消费历程中施药环境的配景越发庞大,对付正确对靶施药体系的图像支解算法的要求也越发严酷。因

4、此必需探求简便高效的树木图像支解算法。1算法的提出从绿色植物的全波段反射光谱(refletanespetru)可以看出,在可见光范畴内,绿色植物在绿色波段(波长在550摆布)会有一个反射峰值(greenpeak)。这是由于康健的绿色植物举行光互助用(叶绿素在光互助用历程中汲取可见光谱中的赤色波段)引起的。因此,对付绿色植物的数字图像,绿色重量相对付赤色和蓝色重量大。这个特性是康健的绿色植物所固有的,不会随环境因素改变。在实行室可控光条件下及室外天然光条件下拍摄大量绿色树木的图像举行RGB各重量的阐发也证明了这一点。这一特性提供了一个绿色树木图像支解的可行要领:使用图像RGB重量之间的相对干系举

5、行树木图像支解。雷同的研究已经出如今外洋的一些文献中。如ebbekeD等人使用像素的RGB值创立了ExG参数来区分植物和泥土,正确率到达99%3。孙明,高照桥夫等使用色差信号(G-Y)和(R-B)举行苹果支解,均匀准确率到达80%以上。Ei-FakiS等人对这一类要领举行了较为体系的归纳综合,指出彩色图像像素的RGB灰度级在很大程度上依靠于光照强度4。在差异的光照条件下,直接用RGB值举行识别会导致错误的结果。而使用简朴的算术运算组合RGB重量形成相对色彩因子(RelativelrIndies)可以大大低落光照强度或其他因素的影响。同时他们方案了一些具有典范意义的色彩因子代表了彩色图像的光强(

6、Intensity),单相、两相色彩比拟度(ne,T-lrntrast)等,并通过这些因子的组合来实现农田作物的支解。为了能有用的将绿色树木与其配景支解开来,到达较好的支解结果,起首引入2G/(R+B)这一色彩因子。其长处:(1)在全面思量像素RGB重量的同时突出了G重量在像素中的比重;(2)使用比值干系可以按捺环境因素(如光强)的影响。在初期研究中仅使用这一色彩因子举行支解,创造支解结果中会出现很多错误的伶仃点。进一步研究表白这是由于原始图像中的暗噪声(或暗地区)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算法的结果及阐发2.1

7、支解要领试验时接纳全局阈值支解的要领。全局阈值支解的长处为运用单一阈值对整个图像举行支解,简朴高效,但自顺应性较差。对付在差异配景下网罗到的树木图像,阈值将有所差异。在实行室里网罗两幅差异光照条件下绿色模拟树木图像,并用差异的阈值举行图像支解。由于(R+B+G)/3这一因子仅仅使像素有充足的强度,因此在支解历程中,(R+B+G)/3的阈值是稳定的,在两次支解中都将其设定为50。支解结果如图1所示。2.2图像阐发图1-1(a1)为在晚上日光灯照耀下网罗到的模拟树木图像,图1-1(b1)、(1)、(d1)、(e1)和(f1)为其在差异的2G/(R+B)阈值下的支解结果。图1-1(b1)、(1)、(

8、d1)、(e1)、(f1)阈值别离为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,部门配景会被错误地分别为目的。而当阈值较大时,那么会出现目的缺失。拔获得当的阈值,支解的结果较好(图1-1(d1)。图1-2(a2)为在白日太阳光照耀下网罗到的模拟树木图像,图1-2(b2)、(2)、(d2)、(e2)和(f2)为其在差异的2G/(R+B)阈值下的支解结果。图1-2(b2)、(2)、(d2)、(e2)、(f2)阈值别离为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)、(2)的支解结果稍差外,其他3个阈值都获得了满足结果。参考文献1St

9、eardBL,TianLF.ahine-visineeddensityestiatinfrrealtie,utdrlightingnditinsJ.TransatinfASAE,1999,42(6):1897-1909.2Sapana,TianLF,TangL.Distane-basedntrlsystefrahinevisin-basedseletivesprayingJ.TransatinsfASAE.2002,45(5):1255-1262.3ebbekeD,eyerGE,VnBargenK,etal.lrindiesfreedidentifiatinundervariussil,residueandlightingnditinsJ.TransatinfASAE,1995a,38(1):259-269.4Ei-FakiS,ZhangN,PetersnDE.Fatrsaffetinglr-basedeeddetetinJ.TransatinfASAE,2000,43(4):1001-1009.5向海涛.基于呆板视觉的树木图像及时网罗与识别D.南京:南京林业大学,2002.6葛玉峰.基于