張庭亮+甄倩倩

摘 要：航拍圖像農(nóng)作物分割為植保無人機(jī)路徑規(guī)劃與自主導(dǎo)航提供了新的思路。文章基于超綠特征與形態(tài)學(xué)的分割方法，在RGB空間下提取圖像超綠特征，采用OTSU算法基于超綠變換進(jìn)行閾值分割，分割后的圖像使用形體學(xué)方法濾除噪聲，掩模運(yùn)算后得到完整的農(nóng)作物分割圖像。經(jīng)過實(shí)驗(yàn)，可以有效分割出植保無人機(jī)拍攝的棉花幼苗與玉米苗。

關(guān)鍵詞：超綠特征；形態(tài)學(xué)；植保無人機(jī)；圖像分割

中圖分類號(hào)：TD40 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2017）26-0020-03

農(nóng)業(yè)是國民經(jīng)濟(jì)的基礎(chǔ)，在國家農(nóng)業(yè)政策的推動(dòng)下，精準(zhǔn)農(nóng)業(yè)與規(guī)模化成為農(nóng)業(yè)種植的一種趨勢。傳統(tǒng)的作業(yè)方式已無法滿足大規(guī)模種植的需要，植保無人機(jī)應(yīng)運(yùn)而生。植保無人機(jī)作業(yè)具有高效、安全、環(huán)保、節(jié)能等特點(diǎn)，在植保領(lǐng)域具有獨(dú)特優(yōu)勢，必將成為農(nóng)機(jī)裝備現(xiàn)代化升級(jí)的主要助力[1]。在實(shí)際的作業(yè)條件下，自然環(huán)境復(fù)雜多變，不同作物形態(tài)也存在一定差異。植保無人機(jī)自主導(dǎo)航和路徑規(guī)劃的能力受限于農(nóng)作物圖像提取，本文以航拍棉花幼苗和玉米苗為研究對(duì)象，可以得到高還原度分割圖像，且具有穩(wěn)定性與抗干擾能力[2-3]。

1 超綠特征提取

1.1 RGB空間

顏色空間是三維彩色空間中一個(gè)可見光子集，包含某個(gè)色彩域的所有色彩，建立過程基于人的生物學(xué)基礎(chǔ)。視網(wǎng)膜上顏色“傳感器”是錐形感光細(xì)胞，主要分為紅敏細(xì)胞（？姿=564nm）、綠敏細(xì)胞（？姿=534nm）和藍(lán)敏細(xì)胞（？姿=420nm）。RGB 空間在計(jì)算機(jī)視覺中是一種常用的顏色空間，每種顏色基于笛卡兒坐標(biāo)系出現(xiàn)在紅、綠、藍(lán)的原色光譜分量中。顏色空間建立如圖1（a）所示的立方體，沿著主對(duì)角線從點(diǎn)（0，0，0）的黑色到點(diǎn)（1，1，1）的白色是灰度值。三基色R、G、B相互獨(dú)立，其中任一分量均不能由其它分量運(yùn)算產(chǎn)生，而所有其它顏色都可以由三基色按不同的比例組合得到[4]。RGB 彩色空間顏色域如圖1（b）所示。

RGB三維空間中，目標(biāo)顏色所對(duì)應(yīng)的三個(gè)空間分量都是一個(gè)集合，且對(duì)于相近的顏色，集合不具有唯一性。無法設(shè)定固定閾值進(jìn)行處理，只能將彩色的分量圖像轉(zhuǎn)化為我們所熟悉的灰度圖像進(jìn)行閾值分割。具體的分割過程如圖2所示，首先將RGB農(nóng)作物圖像進(jìn)行超綠特征提取，基于超綠特征進(jìn)行OTSU閾值分割，分割圖像經(jīng)過形態(tài)學(xué)濾除噪聲，掩模運(yùn)算后得到農(nóng)作物分割圖像。

1.2 超綠特征提取

超綠特征2×G-B-R是農(nóng)業(yè)圖像處理中常用的一種特征模型，它提高了綠色通道的權(quán)重，增加了與非綠色背景的對(duì)比度，利用該特征能夠較好地提取出綠色農(nóng)作物的信息。因此該模型被廣泛應(yīng)用于農(nóng)業(yè)產(chǎn)品檢測、農(nóng)業(yè)機(jī)器人的視覺導(dǎo)航以及雜草識(shí)別等方面[5]。棉花航拍圖像的超綠特征如圖3所示，玉米航拍圖像的超綠特征如圖4所示。

2 基于超綠特征的閾值分割

經(jīng)過超綠特征變換的目標(biāo)圖像，閾值分割的方法選擇較多。OTSU閾值法基于分割后類內(nèi)方差最小的最優(yōu)準(zhǔn)則[6-11]。設(shè)航拍圖像M有L個(gè)灰度級(jí)數(shù)，第i級(jí)灰度像素點(diǎn)為Ni，圖像的像素總數(shù)為N，則第i級(jí)像素點(diǎn)的概率為Pi=Ni/N，我們?cè)O(shè)定閾值為K，圖像可以分為C0類（灰度級(jí)0～（K-1））與C1類（灰度級(jí)K～（L-1））。航拍圖像的平均灰度為：

（1）

C0類像素的平均灰度：

（2）

C1類像素的平均灰度：

（3）

類間方差計(jì)算式：

其中，？棕0是C0類像素比，？棕1是C1類像素比，閾值K在0～（L-1）中變化，？啄2（k）最小時(shí)獲得最優(yōu)閾值。棉花圖像OTSU閾值分割結(jié)果如圖5所示。玉米圖像OTSU閾值分割結(jié)果如圖6所示。

3 形態(tài)學(xué)濾波

圖像形態(tài)學(xué)運(yùn)算的基本語言是集合論，利用一個(gè)結(jié)構(gòu)集合對(duì)目標(biāo)圖像進(jìn)行探索，結(jié)構(gòu)集合的選取不同則可以在探索的同時(shí)改變目標(biāo)圖像的幾何特征，達(dá)到圖像處理的目的?；A(chǔ)運(yùn)算如下：

（1）膨脹與腐蝕

二值圖像的形態(tài)學(xué)運(yùn)算，灰度分別為0和1，設(shè)圖像前景區(qū)域是灰度為1的像素集合S，圖像的背景區(qū)域是灰度為0的像素集合。結(jié)構(gòu)元素集合C，膨脹用“？茌”表示[7]，定義為：

腐蝕運(yùn)算用“ ”表示，定義為：

（2）二值開啟和閉合

二值圖像的開啟運(yùn)算和閉合運(yùn)算就是膨脹和腐蝕先后順序不同的組合，定義如下，其中“△”表示開啟，“”表示閉合。

形態(tài)學(xué)濾波過程如圖7所示。

基于MATLAB2015實(shí)驗(yàn)平臺(tái)，棉花航拍圖像形態(tài)學(xué)濾波及分割結(jié)果如圖8所示，玉米航拍圖像形態(tài)學(xué)濾波及分割結(jié)果如圖9所示。

4 結(jié)束語

在航拍圖像的RGB空間下提取超綠特征，基于特征圖像采用OTSU閾值法進(jìn)行初分割，采用形態(tài)學(xué)處理濾除噪聲，MATLAB2015實(shí)驗(yàn)平臺(tái)對(duì)棉花與玉米的航拍圖像實(shí)驗(yàn)結(jié)果表明，對(duì)于一般的綠色農(nóng)作物航拍圖像，該方法具有一定的可行性。有助于農(nóng)作物長勢預(yù)測及特征分析，有助于植保無人機(jī)路徑規(guī)劃與自主導(dǎo)航。

參考文獻(xiàn)：

[1]冷志杰，蔣天宇，劉飛，等.植保無人機(jī)的農(nóng)業(yè)服務(wù)公司推廣模式研究[J].農(nóng)機(jī)化研究，2017（01）：6-9.

[2]張俊才，范利勇，李善娟.智能植保機(jī)低矮作物自主作業(yè)導(dǎo)航線提取方法的研究[J].南方農(nóng)機(jī)，2017（06）：4.

[3]胡泊.基于多維圖像特征的農(nóng)作物長勢評(píng)價(jià)方法[D].北京交通大學(xué)，2014.

[4]關(guān)叢榮，王虹.基于RGB空間的彩色圖像處理GUI設(shè)計(jì)[J].黑龍江工程學(xué)院學(xué)報(bào)，2008（02）：66-70.

[5]趙博，宋正河，毛文華，等.基于PSO與K-均值算法的農(nóng)業(yè)超綠圖像分割方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009（08）：166-169.

[6]張娜.樹木圖像分割方法的研究[D].東北林業(yè)大學(xué)，2013.

[7]茅正沖，劉永娟.基于顏色特征的玉米雄穗圖像分割[J].傳感器與微系統(tǒng)，2017（02）：1-4.

[8]申鉉京，劉翔，陳海鵬.基于多閾值Otsu準(zhǔn)則的閾值分割快速計(jì)算[J].電子與信息學(xué)報(bào)，2017（01）：144-149.

[9]徐青，范九倫.新的基于分解直方圖的三維Otsu分割算法[J].傳感器與微系統(tǒng)，2017（01）：119-122+126.

[10]肖明堯，李雄飛.基于高斯分解的多尺度3D Otsu閾值分割算法[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2017（01）：255-261.

[11]關(guān)強(qiáng)，薛河儒，姜新華.基于二維OTSU的田間植物圖像分割方法[J].江蘇農(nóng)業(yè)科學(xué)，2015（12）：437-440.endprint