沈雯雯，白杰云，官 俊，任洪娥，3*

(1.東北林業(yè)大學(xué) 信息與計算機工程學(xué)院，哈爾濱 150040；2.哈爾濱工業(yè)大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，哈爾濱 150001；3.黑龍江省林業(yè)智能裝備工程研究中心，哈爾濱 150040)

生態(tài)系統(tǒng)供需失衡導(dǎo)致的全球變暖是當(dāng)今最大的環(huán)境問題之一，而通過測量固碳釋氧量來衡量失衡的程度已經(jīng)成為當(dāng)前研究的熱點之一[1-2]。葉綠素既是植物固碳釋氧的最小單元，又是綠色植物葉片呈色的主要色素，這是使用視頻識別技術(shù)進行固碳釋氧實時無損監(jiān)測測量的基礎(chǔ)，而圖像分割是視頻識別中的一個關(guān)鍵問題。其分割的準(zhǔn)確性直接關(guān)系測量的精度，因此分割精度成為研究的主要問題。

目前對于葉片分割的方法主要有基于灰度特征的灰度圖像分割和基于顏色特征的彩色圖像分割。

對于葉片灰度圖像的分割，劉小川[3]等人采用全局自適應(yīng)模糊閾值算法對病斑葉片進行分割；馬麗[4]等人比較局部閾值和全局閾值對于植物葉片分割的效果，發(fā)現(xiàn)局部閾值分割的效果更佳；毛罕平[5]等人利用像素的灰度值與鄰域均值兩個局部特征，采用模糊C均值算法對棉花病害葉片進行分割；董金勇[6]等人針對單一方法對復(fù)雜目標(biāo)無法進行有效分割的缺點，采用數(shù)學(xué)形態(tài)學(xué)方法對目標(biāo)進行優(yōu)化，對田間棗樹葉片進行分割；王萍[7]等人結(jié)合線性邊緣檢測算法和非線性數(shù)學(xué)形態(tài)學(xué)方法對植物葉片進行分割；任玉剛[8]等人對圖像進行梯度和距離變換，并標(biāo)記其前景和背景，通過分水嶺變換對葉片圖像進行分割。上述方法對相應(yīng)葉片進行合理的分割，但是不免存在以下問題：這些方法都是對于灰度圖像進行分割，未考慮葉片最突出的顏色特征；而全局和局部處理的差異，很大程度上是由于受光照不均勻造成的。

對于葉片彩色圖像的分割，王紅君[9]等人根據(jù)顏色特征，利用分水嶺與自動種子區(qū)域生長相結(jié)合的算法，對植物葉片的彩色圖像進行分割；姚旭國[10]等人在缺素條件下，利用增強綠色分量的過綠體方法，實現(xiàn)了番茄葉片的背景分割；韓殿元[11]等人在RGB非均勻顏色空間下，利用像素彩色通道的相似性，采用自適應(yīng)閾值方法，分割葉片的區(qū)域，同時也發(fā)現(xiàn)受光照不均勻影響，算法的精度會大幅下降；劉君[12]等人開發(fā)了病蟲害自動識別系統(tǒng)，在RGB和HSI顏色空間下，提取顏色特征，采用聚類算法和偏微分水平集方法對病斑葉片進行分割，但是只能對于背景簡單，葉片和背景顏色差異較大的圖像進行分割。上述方法都合理地解決了相應(yīng)的問題，但是仍然存在以下問題：這些方法都突出了顏色特征的重要性，但是并沒有充分考慮光照對于分割效果的影響；而基于聚類和閾值的分割方法，未考慮非均勻空間下歐氏距離不能夠表示色差的問題；沒有考慮高精度分割情況下對于色域的要求、顏色空間的設(shè)備依賴性和適用范圍。

在研究葉片生理和表現(xiàn)關(guān)系后，本文提出了一種基于反射模型的樹葉彩色圖像聚類分割算法。該算法提取了有利于葉片分割的顏色特征，消除了光照影響，選擇了設(shè)備不相關(guān)、色域大和符合人類視覺系統(tǒng)的Lab均勻顏色空間，定義了聚類準(zhǔn)則，以此實現(xiàn)了葉片圖像的分割，滿足了測量精度高的要求。圖像處理過程如圖1所示。

圖1 圖像處理過程

1 反射模型與Lab顏色空間變換

1.1 光照反射模型

按照Lambertian的反射模型，彩色圖像為f(x，y)是光源在物體表面反射后被電子設(shè)備記錄的數(shù)字信息，而每個像素點的顏色特征會因入射強度和角度的不同而有不同。

(1)

為了消除光照對于物體顏色不一致的影響，可以通過估計圖像的光照，并利用VonKries模型將其變換到同一光照條件下。假設(shè)獲得圖像的光照為e，標(biāo)準(zhǔn)白光的光照為e0，在RGB空間下，兩者對應(yīng)的R、G、B值分別為(or，og，ob)和(or0，og0，ob0)。變換矩陣中，kr，kg和kb分別為估計光照與標(biāo)準(zhǔn)光照各個顏色通道的最大響應(yīng)值比值。將圖像從估計光源e變換到標(biāo)準(zhǔn)白光e0下的VonKries變換為：

(2)

1.2 Lab顏色空間變換

人類的視覺系統(tǒng)可以不受光照的影響，保持對于物體顏色的恒定辨識。但是對于依賴顏色特征進行識別的機器視覺問題，會受到光照不一致的影響，因此，選擇并提取有效的顏色特征是必須的。

目前普遍采用RGB顏色空間來表示圖像的色彩，但是對于提取顏色特征，進行圖像分割，其存在以下缺點：①存在負的三刺激值；②與人眼視覺系統(tǒng)不同，光照的亮度分量集成在每一個顏色通道分量中，不能單獨統(tǒng)一的對亮度分量進行濾波；③其為非均勻空間，因而兩點間的色差不能用歐氏距離來表示；④不能直接消除亮度分量對于圖像色彩的影響，只能通過對各個顏色通道濾波，這樣的處理會嚴重影響其精度；⑤其為設(shè)備相關(guān)性顏色空間。而Lab顏色空間為均勻空間，其對于顏色的評價不依賴于設(shè)備，可以獨立處理亮度分量，并且該顏色空間是基于人類視覺系統(tǒng)設(shè)計的，其色域大，可以有效地提高色差精度。

從RGB顏色空間到Lab空間的變換過程如下：

(1)從RGB到XYZ空間的變換公式：

(3)

(2)從XYZ到Lab空間的變換公式：

(4)

a=500*(f(X/Xn)-f(Y/Yn))。

(5)

b=200*(f(Y/Yn)-f(Z/Zn))。

(6)

式中：Xn，Yn，Zn為白光條件下的刺激值。

式中：L∈[1，100]，a∈[-100，100]，b∈[-100，100]。

2 聚類分析與圖像分割

2.1 相似性度量和聚類準(zhǔn)則

在Lab顏色空間下，去除亮度分量L來消除光照的影響，只對顏色分量a和b進行聚類分析。設(shè)兩個顏色A和B，對應(yīng)的色度分量分別為(a，b)和(a′，b′)，它們之間的相似性采用歐氏距離表示：

(7)

設(shè)將圖像分成c類，其中各類的集合分別表示為D1，…，Dc，ni為第i類集合的像素點數(shù)，mi為第i個類集合的均值，X表示特征向量(aX，bX)，Je為聚類準(zhǔn)則函數(shù)，則聚類準(zhǔn)則為：

(8)

2.2 圖像分割過程

針對樹葉圖像分割中受光照影響而無法獲得較好分割結(jié)果的問題，本文采用下述過程，實現(xiàn)彩色樹葉的圖像分割，具體過程如下：

Step1：按照光照反射模型，估計各個顏色通道的光照；

(9)

式中：i表示第i個顏色通道；Ii，max表示通道i中像素的最大值。

Step2：按照公式(2)，利用VonKries模型變換對圖像進行濾波預(yù)處理，其中kr=1/I1,max，kg=1/I2，max，kb=1/I3，max。

Step3：按照公式(3)～(6)將圖像從RGB空間轉(zhuǎn)變到Lab空間。

Step4：給定分類數(shù)目和初始聚類中心。

Step5：按照公式(7)計算各個像素點與聚類中心的相似性，并確定其類別。

Step6：迭代完一次，按照聚類準(zhǔn)則公式(8)重新計算聚類中心。

Step7：按照公式(8)計算聚類準(zhǔn)則函數(shù)，相鄰兩次迭代聚類中心不同轉(zhuǎn)至step5，否則終止。

3 實驗結(jié)果與分析

3.1 預(yù)處理

圖2(a)、圖2(b)和圖2(c)分別為RGB顏色空間各個通道的灰度分布直方圖，圖3(a)為原圖像，圖3(b)為使用各個顏色通道最大值作為光照的濾波結(jié)果，圖3(c)為改進方法的濾波結(jié)果。

根據(jù)反射模型理論，只有物體將入射光照全部反射，并被電子設(shè)備記錄下來，那么該點可以作為光照估計(即各個顏色通道的最大值)，但是該方法存在致命的缺點：大多數(shù)圖像并不存在這樣的點，另外還要考慮噪聲的影響。而直方圖可以反映特定像素強度的數(shù)量，選擇一定百分比像素值作為光照的強度[13-14]，以此可以有效地增強圖像。一般以1%或者更小的比例去除白點，該方法假設(shè)所有的通道只有1%的像素點被去除掉，這種假設(shè)是只有一小部分白點，如圖3(c)為改進的方法，與原方法圖3(a)相比，經(jīng)過改進方法的處理結(jié)果，雖然整體偏暗，但是處理后，整個葉片的色澤幾乎一致。

圖2 實驗圖像直方圖

3.2 圖像分割

為了驗證本算法的有效性，本算法與目前常使用的彩色圖像分割算法進行了比較。在相同的實驗條件下，分別對過綠體方法(2GRB模型)、H分量分割方法和本文的方法進行比較分析。圖4(a)、圖4(b)和圖4(c)分別是采用2GRB模型提取綠色分量，HSI模型下提取H分量，以及Lab顏色空間的顏色聚類分割處理結(jié)果。

圖4 葉片圖像分割結(jié)果對比

過綠體方法(2GRB模型)是在RGB顏色空間中，利用樹葉綠色分量大于其他分量的固有特征，2G-R-B將樹葉從背景中分割出來，圖4(a)為該方法分割結(jié)果；提取H分量的分割方法，是在HIS非均勻空間中，去除亮度分量，只使用顏色分量H進行分割，圖4(b)為該方法分割結(jié)果。本方法是在Lab均勻空間中，消除亮度分量，使用顏色分量進行聚類分析，圖4(c)為本方法的分割結(jié)果。

過綠體方法分割結(jié)果圖4(a)表明樹葉的綠色分量是有效地顏色特征，其可以有效地將樹葉從背景中分割出來，但是受到光照不一致的影響，分割結(jié)果中引進了許多噪聲。提取H分量的分割結(jié)果圖4(b)與圖4(a)相比，其去除了光照不一致的影響，可以將樹葉中細節(jié)的部分分割出來，左上腳分割效果較好，但是也容易受到噪聲的影響，特別是右下角分割的效果較差。本方法分割結(jié)果與上述兩種方法相比，其不僅可以去除光照不一致的影響，而且其可以準(zhǔn)確地表示色差，結(jié)合兩者的優(yōu)勢獲得了很好的效果，保留了需要分割葉片的主體和細節(jié)，效果較好。

4 結(jié) 論

針對樹葉圖像明顯可辨別的顏色特征，考慮光照對于圖像分割的影響，利用反射模型，在RGB顏色空間下，采用改進的白平衡化方法，使圖像的光照條件相同；依據(jù)人眼的視覺系統(tǒng)，考慮Lab顏色空間的均勻性和色域大的特點，消除亮度分量的影響，只對顏色分量進行聚類分割，與目前采用顏色特征進行圖像分割的方法進行比較分析，證實該方法是有效的。

【參 考 文 獻】

[1]岳 超，王少鵬，朱江玲，等.2050年中國碳排放量的情景預(yù)測—碳排放與社會發(fā)展 Ⅳ[J].北京大學(xué)學(xué)報(自然科學(xué)版)，2010，46(4)：517-524.

[2]國 徽，張思沖，許瀛元，等.黑龍江省森工林區(qū)天然用材林碳匯價值研究[J].森林工程，2012，28(5)：95-98.

[3]劉小川，艾矯燕，唐紀良，等.基于自適應(yīng)模糊閾值的植物黑腐病葉片病斑的分割[J].中國圖象圖形學(xué)報，2009，14(7)：1334-1340.

[4]馬 麗，賈宇琛.基于局部閾值的植物葉片圖像分割算法研究[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2011(7)：34-36.

[5]毛罕平，張艷誠，胡波.基于模糊C均值聚類的作物病害葉片圖像分割方法研究[J].農(nóng)業(yè)工程學(xué)報，2008，24(9)：136-140.

[6]董金勇，王建侖，李道亮，等.田間棗樹葉片復(fù)雜目標(biāo)圖像綜合分割方法[J].農(nóng)業(yè)機械學(xué)報，2011，42(1)：165-170.

[7]王 萍，唐江豐，王 博，等.基于數(shù)學(xué)形態(tài)學(xué)的植物葉片圖像分割方法研究[J].浙江農(nóng)業(yè)學(xué)報，2012，24(3)：509-513.

[8]任玉剛，張 建，李 淼，等.基于分水嶺算法的作物病害葉片圖像分割方法[J].計算機應(yīng)用，2012，32(3)：752-755.

[9]王紅君，陳 偉，趙 輝，等.復(fù)雜背景下植物葉片的彩色圖像分割[J].中國農(nóng)機化學(xué)報，2013，34(2)：207-211.

[10]姚旭國，鄭可鋒.一種改進的作物缺素葉片圖像分割方法[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2009(12)：15-17.

[11]韓殿元，黃心淵，付 慧.基于彩色通道相似性圖像分割方法的植物葉面積計算[J].農(nóng)業(yè)工程學(xué)報，2012，28(6)：179-183.

[12]劉 君，王振中，李寶聚，等.基于圖像處理的作物病害自動識別系統(tǒng)的研究[J].計算機工程與應(yīng)用，2012，48(13)：154-158.

[13]王克奇，馬曉明，白雪冰.基于分形理論和數(shù)學(xué)形態(tài)學(xué)的木材表面缺陷識別的圖像處理[J].森林工程，2013，29(2)：48-50.

[14]Finlayson G D，Schaefer G.Solving for colour constancy using a constrained dichromatic reflection model[J].International Journal of Computer Vision，2001，42(3)：127-144.