茅正沖, 劉永娟

(江南大學(xué) 輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室,江蘇 無錫 214122)

基于顏色特征的玉米雄穗圖像分割*

茅正沖, 劉永娟

(江南大學(xué) 輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室,江蘇 無錫 214122)

提出了一種基于顏色特征的玉米雄穗分割方法。利用側(cè)抑制網(wǎng)絡(luò)與二維Otsu結(jié)合的分割方法對(duì)玉米雄穗圖像的YCbCr顏色空間的Cr分量進(jìn)行分割，再利用相同方法對(duì)玉米雄穗圖像的超綠特征圖像進(jìn)行分割，取兩個(gè)分割結(jié)果的交集，去除小面積的連通域，得到玉米雄穗的分割圖。為了驗(yàn)證算法的有效性，選用了不同生長(zhǎng)環(huán)境的玉米雄穗圖像，分別利用本文方法、二維Otsu和基于側(cè)抑制的二維Otsu方法進(jìn)行了比較實(shí)驗(yàn)。結(jié)果表明：該方法有很好的抗干擾性，對(duì)生長(zhǎng)環(huán)境有很強(qiáng)的魯棒性。

玉米雄穗； 圖像分割； 側(cè)抑制網(wǎng)絡(luò)； 二維Otsu

0 引 言

玉米抽雄期標(biāo)志著玉米由營(yíng)養(yǎng)生長(zhǎng)轉(zhuǎn)向生殖生長(zhǎng)，是決定玉米產(chǎn)量最關(guān)鍵的時(shí)期。判斷玉米是否進(jìn)入抽雄期的關(guān)鍵是識(shí)別玉米雄穗。此外，在玉米制種及大田生產(chǎn)過程中，都涉及到去雄。有研究表明，玉米去雄能帶來雜交優(yōu)勢(shì)、增產(chǎn)、抗倒伏等多種優(yōu)勢(shì)。人工去雄雖然精細(xì)，但是效率低下、勞動(dòng)強(qiáng)度大，而玉米去雄機(jī)是靠設(shè)定固定高度去雄，降低了勞動(dòng)強(qiáng)度提高效率。其關(guān)鍵技術(shù)也是識(shí)別玉米雄穗。目前國(guó)內(nèi)外對(duì)玉米的研究主要集中于除草及病蟲害的研究，對(duì)玉米雄穗的研究成果非常少，唐文冰等人[1]利用區(qū)域生長(zhǎng)對(duì)HSI空間的H分量進(jìn)行分割，實(shí)現(xiàn)了玉米雄穗圖像的分割，但是不能很好地分割處于干旱環(huán)境下的玉米雄穗。余正泓等人[2]首先對(duì)玉米抽雄期圖像進(jìn)行分塊，利用HOG特征和SVM分類器識(shí)別玉米雄穗圖像，再用顯著性特征對(duì)檢測(cè)出的玉米雄穗圖像進(jìn)行確認(rèn)。但是，他們的方法會(huì)將玉米葉和小麥秸稈誤判為玉米雄穗。Kurtulmus F等人[3]結(jié)合玉米雄穗潛在區(qū)域提取和錯(cuò)誤像素去除來識(shí)別玉米雄穗，但是對(duì)于光照不均、干擾較大的田間環(huán)境這種方法不能有很好的識(shí)別效果。

本文提出了一種玉米雄穗分割方法，利用側(cè)抑制網(wǎng)絡(luò)與二維Otsu結(jié)合的分割方法對(duì)玉米雄穗圖像的YCbCr顏色空間的Cr分量進(jìn)行分割，再利用相同方法對(duì)玉米雄穗圖像的超綠特征圖像進(jìn)行分割，取兩個(gè)分割結(jié)果的交集，利用連通域的面積特征，去除小面積干擾，得到玉米雄穗的分割圖像。方法有很好的抗干擾性，對(duì)生長(zhǎng)環(huán)境有很強(qiáng)的魯棒性。

1 分割方法

1.1 顏色空間轉(zhuǎn)換

目前，大多數(shù)的圖像處理方法都是在RGB空間實(shí)現(xiàn)的，但RGB顏色空間的主要缺點(diǎn)是不能直接從RGB數(shù)值中估計(jì)出顏色的色度，飽和度和亮度等感知屬性。

為了克服RGB空間的不均勻和不直觀性，本文中采用了廣泛應(yīng)用于數(shù)字視頻領(lǐng)域的YCbCr顏色空間[4]。

YCbCr顏色模型用Y，Cb，Cr三個(gè)參數(shù)描述顏色特征[5]，其中，Y分量表示亮度信息，彩色信息用兩個(gè)色差分量Cb和Cr描述，Cb分量是藍(lán)色濃度偏移量，Cr分量是紅色濃度偏移量。

RGB空間到Y(jié)CbCr空間的轉(zhuǎn)換公式如下

(1)

通過利用大量玉米雄穗圖像進(jìn)行仿真實(shí)驗(yàn)發(fā)現(xiàn)，Cr分量圖中玉米雄穗和玉米葉在灰度值上存在很大差異，所以在對(duì)顏色空間進(jìn)行轉(zhuǎn)換之后，針對(duì)Cr分量進(jìn)行單獨(dú)的分割處理，最終分割出玉米雄穗。

1.2 側(cè)抑制網(wǎng)絡(luò)

側(cè)抑制是生物視覺神經(jīng)系統(tǒng)處理信息的基本原則之一。側(cè)抑制是指當(dāng)刺激某個(gè)神經(jīng)元使其產(chǎn)生興奮時(shí)，再刺激周邊的神經(jīng)元，后者所產(chǎn)生的興奮對(duì)前者有抑制作用。從自側(cè)抑制現(xiàn)象被人類發(fā)現(xiàn)以來，學(xué)者們根據(jù)不同的研究對(duì)象，在生理實(shí)驗(yàn)的基礎(chǔ)上提出了各種數(shù)學(xué)模型來解釋側(cè)抑制現(xiàn)象。為了使側(cè)抑制網(wǎng)絡(luò)能應(yīng)用于數(shù)字圖像處理，在總結(jié)了各學(xué)者提出的數(shù)學(xué)模型基礎(chǔ)之上，根據(jù)不同的分類方式，二維側(cè)抑制網(wǎng)絡(luò)的數(shù)學(xué)模型分為[6]：二維減法非循環(huán)型網(wǎng)絡(luò)、二維分流非循環(huán)型網(wǎng)絡(luò)、二維減法循環(huán)型網(wǎng)絡(luò)。

1.3 傳統(tǒng)的二維直方圖

劉建莊等人[8]在Otsu算法基礎(chǔ)上引入像素點(diǎn)的空間信息，提出了二維Otsu算法。JiaJP等人[9]利用改進(jìn)的二維Otsu實(shí)現(xiàn)了水下焊接V型縫隙圖像的分割。對(duì)于一幅M×N的數(shù)字圖像，設(shè)其灰度等級(jí)為L(zhǎng)，圖中像素灰度的取值為[0,1,…,L-1]。用f(m,n)表示圖像上坐標(biāo)為(m,n)的像素點(diǎn)的灰度值，g(m,n)表示圖像上坐標(biāo)為(m,n)的像素點(diǎn)的3×3鄰域平均灰度值，g(m,n)的定義如下

(2)

式中 ?·」為取整。以橫坐標(biāo)表示圖像像素點(diǎn)的灰度值，縱坐標(biāo)表示圖像像素點(diǎn)的鄰域平均灰度值，構(gòu)造二維直方圖。直方圖上任意一點(diǎn)的值定義為p(x,y)，由下式確定

(3)

1.4 改進(jìn)二維直方圖

由于減法非循環(huán)型側(cè)抑制網(wǎng)絡(luò)模型具有更強(qiáng)的增強(qiáng)反差、突出邊框的能力[10]，因此,本文選擇使用該網(wǎng)絡(luò)模型來處理Cr分量圖，利用Cr分量圖代替原始灰度圖，進(jìn)而將圖像特征進(jìn)行融合，擴(kuò)大圖像所含有的時(shí)間空間信息，減少不確定性，增加可靠性[11]。

利用側(cè)抑制網(wǎng)絡(luò)處理Cr圖之后，可以建立Cr側(cè)抑制直方圖，以橫坐標(biāo)表示圖像Cr分量圖的灰度值f(m,n)，縱坐標(biāo)表示側(cè)抑制圖像的灰度值h(m,n)。

在計(jì)算出圖像的Cr側(cè)抑制二維直方圖之后，本文采用類間方差最大作為最佳閾值的選取準(zhǔn)則。假定Cr側(cè)抑制二維直方圖存在兩類，分別代表背景和目標(biāo)。兩類具有不同的概率密度函數(shù)分布。設(shè)閾值為(s,t)，則兩類的概率分別為

(4)

(5)

其中，pi,j如式(3)計(jì)算所得。

兩類對(duì)應(yīng)的均值矢量分別為

(6)

(7)

二維直方圖上總的均值矢量為

(8)

定義一個(gè)類間的離散度矩陣

SB=P0[(u0-uT)(u0-uT)T]+

P1[(u1-uT)(u1-uT)T]

(9)

使用SB的跡trSB作為類間的離散度測(cè)度，有

trSB=P0[(u00-uT0)(u01-uT1)T]+

P1[(u10-uT0)(u11-uT1)T]

(10)

則最佳閾值由下式確定

(11)

在獲得了最佳分割閾值向量后，圖像的閾值化方式為

(12)

式中 fT(m,n)為分割后的二值圖像。

1.5 去除土壤與葉子干擾

由于分割結(jié)果中土壤和葉子干擾比較大，為了去除這些干擾，分析了玉米雄穗與土壤的差異，通過分析其RGB值得出結(jié)論，土壤與作物殘留物等背景區(qū)域以紅色分量占主導(dǎo)地位，但R，G，B分量值差別不大，玉米雄穗及玉米葉卻是以綠色分量為主，G分量值與B分量值差別較大。因此，為了去除干擾，本文方法利用超綠指數(shù)描述玉米雄穗圖像特征。超綠指數(shù)ExG

ExG=G-B

(13)

式中 G和B分別是像素的G和B通道值。

利用上述分割方法對(duì)超綠圖像進(jìn)行分割，比較Cr分割結(jié)果圖和超綠圖像分割結(jié)果圖，發(fā)現(xiàn)去兩者交集可以很好地去除土壤和葉子的干擾。

1.6 連通域閾值面積法

經(jīng)過分割處理之后絕大多數(shù)干擾已經(jīng)被去除掉，但是仍然存在一些孤立的點(diǎn)和小的區(qū)域，針對(duì)這種問題，文中采用了連通域閾值面積法

(14)

式中L為標(biāo)記區(qū)域，S為標(biāo)記區(qū)域的面積，S0為設(shè)定的閾值面積。

2 實(shí)驗(yàn)與結(jié)果分析

在實(shí)驗(yàn)中，側(cè)抑制強(qiáng)度系數(shù)Kw采用雙曲線分布

(15)

式中 dij,pq為兩像素的歐幾里德距離，α為常數(shù)，實(shí)驗(yàn)中取α=1。處理半徑R取3。

實(shí)驗(yàn)中采用不同生長(zhǎng)環(huán)境的玉米雄穗圖像，分別利用二維Otsu、文獻(xiàn)[5]方法和本文算法對(duì)玉米雄穗進(jìn)行分割對(duì)比試驗(yàn)，分割結(jié)果如圖1所示。圖1(a)為正常環(huán)境中玉米雄穗的RGB圖像，圖1(e)為干旱環(huán)境下的玉米雄穗圖像，通過觀察可以發(fā)現(xiàn)，由于玉米生長(zhǎng)環(huán)境缺水，玉米葉變窄，玉米葉顏色偏白，土地干擾較大，致使玉米雄穗分割困難。圖1(b),(c),(d),(f),(g),(h)分別為對(duì)應(yīng)的二維Otsu、文獻(xiàn)[5]方法和本文算法的分割結(jié)果圖。

圖1 分割結(jié)果圖

用錯(cuò)分率(misclassificationerror，ME)來衡量玉米雄穗被正確分割的程度。錯(cuò)分率定義如下

(16)

式中F0為手動(dòng)分割圖中目標(biāo)像素?cái)?shù)，F(xiàn)T為算法分割結(jié)果圖中目標(biāo)像素?cái)?shù)，B0為手動(dòng)分割圖中背景的像素?cái)?shù)，BT為算法分割結(jié)果圖中背景像素?cái)?shù)，ME值越小，表示誤差越小，分割效果越好。

圖2是用三種不同方法對(duì)其中10幅不同生長(zhǎng)環(huán)境下的玉米雄穗圖像分割所得的錯(cuò)分率折線圖。其中二維Otsu算法平均錯(cuò)分率是26.319 %，文獻(xiàn)[5]方法的平均錯(cuò)分率是15.16 %，而本文算法的平均錯(cuò)分率僅為5.153 %。從圖中可以看出，本文算法的錯(cuò)分率明顯小于文獻(xiàn)[5]方法和二維Otsu算法。

圖2 不同圖像分割方法的錯(cuò)分率對(duì)比

從錯(cuò)分率折線圖和分割結(jié)果圖可以看出，二維Otsu方法分割效果很差，將反光葉片及土地都分割了出來，錯(cuò)分率很高。文獻(xiàn)[5]方法能較好地去除土壤的干擾，但其對(duì)與玉米雄穗顏色相近的玉米葉的分割效果不好，雖然將玉米雄穗部分分割出來，但也將許多玉米葉分割出來，錯(cuò)分率較高。本文算法有較好的分割效果，無論是正常環(huán)境中生長(zhǎng)的玉米雄穗還是干旱環(huán)境中的玉米雄穗，本文算法都能分割出玉米雄穗，能很好地去除反光葉片及土地的干擾，錯(cuò)分率相對(duì)較低。從分割結(jié)果看出，本文算法存在欠分割現(xiàn)象，這還需改進(jìn)。但是總的來說，本文算法有較好的分割效果，對(duì)環(huán)境的魯棒性較好，抗干擾能力較強(qiáng)。

3 結(jié) 論

本文算法利用YCbCr顏色空間中的Cr分類代替文獻(xiàn)[5]方法中的灰度圖，Cr圖中玉米雄穗與玉米葉的灰度差值較大，易于區(qū)分。但是Cr圖中土壤干擾較大，為了解決該問題本文方法利用超綠特征ExG=G-B很好地去除土壤干擾，最終較好地實(shí)現(xiàn)玉米雄穗的分割。

對(duì)比實(shí)驗(yàn)表明：本文算法對(duì)不同生長(zhǎng)環(huán)境下的玉米雄穗均有很好的分割效果，對(duì)玉米生長(zhǎng)環(huán)境有很好的魯棒性，抗干擾能力較強(qiáng)，對(duì)玉米抽雄期的農(nóng)事活動(dòng)有很大的指導(dǎo)意義。

[1] 唐文冰,張彥娥,張東興，等.基于雙目立體視覺的玉米雄穗識(shí)別與定位研究[C]∥中國(guó)農(nóng)業(yè)工程學(xué)會(huì)2011年學(xué)術(shù)年會(huì)論文集，2011:1-6.

[2] Ye M,Cao Z,Yu Z.An image-based approach for automatic detecting tasseling stage of maize using spatio-temporal saliency[C]∥Proceedings of SPIE Conference on Multispectral Image Proces-sing and Pattern Recognition,Wuhan,China,2013:89210Z(1)-89210Z(8).

[3] Kurtulmus F,Kavdir I.Detecting corn tassels using computer vision and support vector machines[J].Expert Syst Appl,2014,41:7390-7397.

[4] 陳天炎,曾思通,吳海彬,等.基于YCbCr顏色空間的火焰圖像分割方法[J].傳感器與微系統(tǒng),2011,30(10):62-64.

[5] 岡薩雷斯.數(shù)字圖像處理(Matlab版)[M].北京:電子工業(yè)出版社,2009.

[6] 董 愨,王江晴,孫陽光,等.基于側(cè)抑制網(wǎng)絡(luò)的二維Otsu閾值分割算法[J].計(jì)算機(jī)工程,2015 (6):195-200.

[7] 陳 卉,歐陽楷.用于圖象增強(qiáng)的側(cè)抑制網(wǎng)絡(luò)模型的仿真比較[J].系統(tǒng)仿真學(xué)報(bào),2003,15(1):100-103.

[8] 劉健莊,栗文青.灰度圖像的二維Otsu自動(dòng)閾值分割法[J].自動(dòng)化學(xué)報(bào),1993,19(1):101-105.

[9] Jia J P,Li H L,Jia Z J,et al.Image segmentation of the underwater welding V-seam image based on improved two-dimensional Ostu algorithm[C]∥2009 The Sixth International Conference on Fuzzy Systems and Knowledge Discovery,FSKD 2009,2009:397-400.

[10] 周 理,高 山,畢篤彥,等.基于視覺側(cè)抑制機(jī)理的強(qiáng)魯棒性圖像分割方法[J].中南大學(xué)學(xué)報(bào):自然科學(xué)版,2013,44(5):1910-1917.

[11] 朱 煉,孫 楓,夏芳莉,等.圖像融合研究綜述[J].傳感器與微系統(tǒng),2014,33(2):14-18.

Corn tassel image segmentation based on color features*

MAO Zheng-chong, LIU Yong-juan

(Key Laboratory of Advanced Process Control for Light Industry,Ministry of Education,Jiangnan University，Wuxi 214122,China)

Corn tassel segmentation method based on color features is proposed. An algorithm based on two-dimensional Otsu algorithm and the lateral inhibition network is used to segmentCrcomponent of corn tassel image inYCbCrcolor space,the same segment method is used again to segment super-green image of corn tassel image,taking the same part ofCrsegmentation image and super-green segmentation image as corn tassel segmentation image,remove the small area connected domain and get the corn tassel segmentation image.In order to verify the effectiveness of the proposed algorithm,the corn tassel images in different growth environment is selected to carry out comparative experiment,the proposed method,2D Otsu and 2D Otsu method based on lateral inhibition.Experimental results show that this method has good immunity and it is robust to the growth environment.

corn tassel; image segmentation; lateral inhibition network; two-dimensional(2D)Otsu

10.13873/J.1000—9787(2017)02—0131—03

2016—03—28

江蘇省自然科學(xué)基金資助項(xiàng)目(BK20131107); 國(guó)家自然科學(xué)基金資助項(xiàng)目(60973095)

TP 391

A

1000—9787(2017)02—0131—03

茅正沖(1964-)，男，碩士，副教授，從事機(jī)器人視聽覺識(shí)別、工業(yè)控制方向研究工作。