王紅君　陳慧　岳有軍

摘要：針對溫室小范圍復雜作業(yè)環(huán)境中的農作機器人視覺導航路徑信息的提取方法進行研究。該方法首先對紅、綠、藍（red、green、blue，簡稱RGB）顏色空間各分量算子重新組合比較，在HSI（hue-saturation-intensity）色彩空間對不同光照條件下各分量的均值和標準差進行比較，對圖像的RGB空間的各分量作差得到（G-B）、（R-B）差值圖像，再對G-B、R-B差值圖像和H分量圖像用最大類間方差法（OTSU）分別進行最優(yōu)閾值分割，然后再合并、濾波，將植物從背景中分離，最后用優(yōu)化后的Hough變換進行植物行中心線的提取從而確定導航路線。結果表明，該方法能去除雜草和降低光照條件的影響，很好地適應復雜的溫室環(huán)境，能準確分割和提取農作物行中心線，算法簡單，實時性、魯棒性強。

關鍵詞：視覺導航；溫室；顏色空間；圖像分割；路徑信息；Hough變換

中圖分類號： TN91173文獻標志碼：

文章編號：1002-1302（2017）16-0202-04

收稿日期：2016-04-05

基金項目：天津市農業(yè)科技成果轉化與推廣項目（編號：201203060、201303080）。

作者簡介：王紅君（1963—），女，天津人，碩士，教授，碩士生導師，研究方向為流程工業(yè)先進控制技術。E-mail：hongewang@126com。

通信作者：陳慧，碩士，主要研究方向為電氣工程。E-mail：403069145@qqcom。

基于機器人視覺的自主導航技術是農業(yè)機器人實現田間連續(xù)作業(yè)的重要環(huán)節(jié)和基礎，是農業(yè)裝備智能化的關鍵技術。以機器視覺為主的機器人導航路徑檢測已經成為該領域的研究熱點，目前大部分集中在田間作業(yè)機器人導航路徑檢測方面。

溫室設施和作物密集度大、空間占用率高的特殊性，增加了溫室作業(yè)機器人路徑檢測的難度，使溫室環(huán)境視覺導航研究更具挑戰(zhàn)性[1-3]。針對光照不均和作物遮擋對導航路徑檢測的影響，Lv等提出了基于機器視覺的壟間加熱管敏感區(qū)域提取方法對導航路徑進行檢測[4]；王新忠等提出g、Cr、Cb色彩分量組合的導航線分割方法，實現了導航信息有效快速識別[5]；袁挺等采用基于與光照無關圖的方法去除陰影干擾，基于圖像分割和優(yōu)化的Hough變換提取作物行中心線。以上文獻雖然不同程度上解決了光照對導航路徑檢測的影響問題，能很快提取路徑信息但仍然存在不足：Lv等提出的路徑檢測方法中在2行農作物之間都存在路徑標識物，溫室環(huán)境過于理想化，適用范圍比較局限[4-5]，而袁挺等提出的提取作物中心線的方法并不能清晰分離植物和背景，存在許多噪聲點，影響路徑提取的魯棒性。

針對溫室小范圍環(huán)境無任何路徑標識的情況，提出基于RGB和HSI不同顏色空間圖像分割的視覺導航路徑信息提取方法。首先對RGB顏色空間各分量算子重新組合比較，并在HSI色彩空間對不同光照條件下各分量的均值和標準差進行比較，用OTSU法對圖像的（G-B）、（R-B）差值圖像和H分量圖像分別進行最優(yōu)閾值分割，初步提取導航目標，然后對各顏色空間的分割圖像進行分析、合并，提高識別準確率。最后，利用優(yōu)化后的Hough變換對農作物的行中心線進行提取，確定導航路線。

1圖像分割

11圖像采集

從攝像機在溫室內拍攝的錄像中截取動態(tài)圖，選取45°的拍攝俯視角，距地面高度為05 m，圖像分辨率為400像素×300像素，土壤呈不均勻黃棕色，有大棚、灌溉管、雜草、陰影等，農作物存在生長不均勻的現象（圖1）。

[FK（W10][TPWHJ1tif][FK）]

12色彩空間選取

選擇RGB、HSI等2個色彩空間。RGB是最常用的彩色信息表達空間，不須要轉化圖片的色彩空間，避免信息丟失和對原有圖片信息的歪曲[8]。HSI色彩空間中色度（H）表示不同的顏色，飽和度（S）表示顏色的深淺，亮度（I）表示顏色的明暗程度，在HSI顏色模型中，三分量H、S、I具有相對獨立性，可分別對它們進行控制，將亮度 I 與反映色彩本質特征的2個參數色調H和飽和度S分開，對受光照條件影響大的采集圖像可以避免I量[9]。本研究用經典方法實現從RGB色彩空間到HSI色彩空間的轉換，如公式（1）所示。

13基于RGB和HSI色彩空間的彩色圖像分割

本研究提出基于RGB和HSI色彩空間的彩色圖像分割方法，如圖2所示。

131RGB色彩空間的圖像灰度化

在RGB色彩空間對R、G、B分量的灰度圖像進行重新組合，選用組合算子（R-G）、（R-B）、（G-R）、（G-B）作為特征量進行代數運算。經處理發(fā)現，（R-B）灰度圖像的灰度值對農作物和土地區(qū)分不明顯，如圖3所示。（G-R）灰度圖像在很好地識別出農作物的同時，有效地濾除了雜草和大棚背景，但不能全部識別出生長不均勻處的農作物，對植物信息保留不完整，增加了農作物幼苗被濾除的可能性，如圖4所示。而（R-G）、（G-B）灰度圖像保留的農作物細節(jié)比較完整，也較為清晰地保留了灌溉管，且對農作物和背景的區(qū)分也很明顯，如圖5、圖6所示。因此本研究選?。≧-G）、（G-B）的灰度差值圖像作為在RGB空間圖像分割的輸入。

132HSI色彩空間的分量提取

本研究采用的是小范圍溫[CM（25]室環(huán)境，必然會伴隨光照不均（機器人的農作時間點不同和天氣變化等情況）、陰影等問題。在同一位置、不同時間點、不同光照條件下拍攝4張圖像并對其在HSI色彩空間各分量的均值和標準差進行計算，拍攝時間為08：00、10：00、12：00、14：00，如圖7、圖8所示。

由圖7可以看出，在08：00—14：00隨著光照強度的變化，H分量、S分量的均值基本不變，而I分量的均值變化明顯，隨著光照強度的增強而增大，波動幅度較大；由圖8可以看出，在光照條件變化的情況下，H分量的標準差變化很小，而S分量、I分量的標準差隨著光照強度的變化波動較為明顯。

綜上所述，本研究在HSI色彩空間里只考慮其中的H分量，從而降低光照條件的影響，強化了圖像處理時對農業(yè)溫室環(huán)境的針對性。

133圖像分割方法

基于RGB和HSI色彩空間提出的圖像分割方法包括在RGB空間對（R-G）、（G-B）差值圖像和在HSI空間對H分量分別用OTSU最大類間方差法選取最佳閾值，將圖像二值化。

OTSU法是一種使類間方差最大的自動閾值方法，是在最小二乘法原理的基礎上推導得出最佳閾值的求取方法，具有簡單、處理速度快的特點，是一種常用的閾值選取方法[10]。對不同類型的物體，如果灰度值或其他特征值差別很大，此方法能有效地對圖像進行分割[11]。但是，在用OTSU法進行圖像分割時，圖像的灰色直方圖必須呈現雙峰的形式，在彩色圖像中，須要考慮如何利用顏色信息來獲得對分割有效的直方圖[12]。

本研究在RGB顏色空間中對（R-G）、（G-B）差值圖像取反后發(fā)現，農作物目標明亮而土地背景灰暗，能很好地區(qū)分農作物目標和土地背景，并且與在HSI色彩空間的H分量的灰度直方圖都呈現雙峰型，所以選用OTSU法來進行自動閾值分割。

OTSU法首先根據初始閾值把圖像分為2類，然后計算這2類之間的方差，更新閾值，重新計算類間方差，滿足類間方差最大時的閾值即為所求最佳閾值[11]。具體過程[11-14]如下：

（1）假定一幀農作物圖像f（i，j）的灰度分為k級，灰度值i的像素數為ni，像素總數為N=∑[DD（]ki=1[DD）]ni，求出圖像中的所有像素的分布概率Pi=ni/N；

（2）給定一個初值Th=Th0，將圖像分為前景C1和背景C2類，前景C1={1，2，…，Th}，背景C2={Th+1，Th+2，…，k}；

（3）根據公式計算2類圖像的方差δ1、δ2，灰度均值μ1、μ2，以及總體灰度均值μ。

（6）將Th從0到255循環(huán)，分別計算C1和C2的類間方差，當方差最大時對應的Th為最佳分割的閾值Th+。

134圖像合并與濾波

在RGB色彩空間，先將（R-G）和（G-B）反差圖像分割后的圖像作數學運算，再將其與HSI色彩空間H分量上分割后的圖像作數學運算，經過反復的濾波試驗，最終確定用中值濾波對合并后的圖像進行處理，取得最佳分割效果。

14分割結果與分析

本研究提出在RGB顏色空間對 （G-B）、（R-G）的差值圖像和在HSI顏色空間對H分量用OTSU法分別進行最優(yōu)閾值分割，最后再合并、濾波。圖9是在RGB色彩空間直接用OTSU法直接分割的圖像，沒有達到植物與背景分離的效果，圖像效果比較雜亂；圖10是在RGB顏色空間（R-G）反差圖像的分割圖像，農作物可以跟背景分離且對細節(jié)保留較為完整，但存在噪聲點較大等不足；圖11是在RGB顏色空間（G-B）反差圖像的分割圖像，濾除了雜草和大棚，但對農作保留并不完整且存在噪聲；圖12是在HSI顏色空間H分量上的分割圖像，濾除了灌溉管信息，存在少量噪聲；圖13是利用本研究方法得到的分割結果，比單純在RGB色彩空間用OTSU法分割效果要明顯很多，比（R-G）、（G-B）的差值圖像和H分量分割的效果更好，既能有效濾除雜草和噪聲影響，又能準確分離農作物和背景。

從上述分割結果可以看出，本研究提出的分割方法能很清[CM（25]晰地將農作物從土地和大棚背景中分離出來，對農作物的[CM）]

缺失處、生長不均衡處、灌溉管和一些必要的細節(jié)保留很完整，對背景和雜草濾除很干凈，去除噪聲、植物的陰影、光照不均等影響，分割效果較為理想，能準確識別農作物并且很好地適應農業(yè)溫室的復雜環(huán)境。

2導航線檢測

21Hough變換提取導航線

經過圖像分割、合并和濾波，圖像中農作物和灌溉管顯示為黑色，土壤、大棚均為白色。農作物行基本匯集在一個不規(guī)則的長條狀內，可以提取農作物行的中心線為導航線，作為農業(yè)溫室機器人導航的標準線，確定機器人的姿態(tài)[4-6]。對農作物中心線的提取常用Hough變換，該算法抗干擾能力強，受噪聲和作物行內斷裂的影響小，可靠性高、魯棒性強，適合于農業(yè)機器人視覺導航中的導航路徑提取問題。但傳統(tǒng)Hough變換是一種窮盡式搜索，導致算法復雜性很高，且峰值點檢測常出現誤檢測問題，處理時間長，無法滿足在溫室小范圍內實時性的要求，故必須對傳統(tǒng)變換進行優(yōu)化處理。

本研究所采集的圖像視野范圍較遠，為滿足機器人在行走過程中導航的實時性和準確性，只對圖像的下半部分進行處理，縮短了處理時間。采用優(yōu)化的Hough變換來提取農作物的行中心線。Hough變換包括將笛卡爾坐標空間中的直線變換到極坐標空間中，由于y=kx+b形式的直線方程無法表述x=c斜率無窮大形式的直線[15]，因此，對任意方向和任意位置直線的檢測，往往采用極坐標（ρ，θ）作為變換空間，極坐標方程可寫成：

[JZ（]ρ=xcosθ+ysinθ。[JZ）][JY]（8）

在實際計算過程中，為求出（x，y）平面所構成的直線段，對分割后的圖像進行細化處理，根據圖像尺寸確定Hough變換參數空間的大小，將ρ、θ參數空間離散化為許多單元，每1個單元是1個累加器，并分配內存；以2°為θ的步長，對圖像中每一個目標（xi，yi）點，將θ的量化值代入ρ=xicosθ+yisinθ，計算出對應的ρ，所得結果值落在某個單元內，使該單元的累加器加1，獲得參數空間累加器；對參數空間進行中值濾波，去除噪聲點。峰值檢測尋找10個最大值點，根據導航路徑方位角比導航偏移誤差重要的特點，通過導航路徑方位角統(tǒng)計判斷峰值檢測的正確性，得出最能代表導航路徑的最優(yōu)峰值點，最后根據檢測到的峰值點在圖像中繪制出農作物的行中心線[15]。

22導航線提取結果分析

在預先知道區(qū)域形狀的條件下，利用優(yōu)化后的Hough 變換可以方便地得到植物的中心線而將不連續(xù)的像素點連接起來。其主要優(yōu)點是受噪聲和曲線間斷的影響較小，這對農田環(huán)境中檢測機器人跟蹤路徑非常有效。采用優(yōu)化后的Hough變換對農作物行導航圖像進行處理，提取出農作物的行中心，然后對行中心線去均值得出導航路線（圖14）。

[FK（W14][TPWHJ14tif][FK）]

圖像大小為400像素×300像素，由于植物生長不均勻而且分為左右2列，須對左右2列分別進行中心線的提取，目標點偏多，大約用了65 ms的處理時間，比傳統(tǒng)的Hough變換所用時間大概縮短了2/5。在溫室內拍攝的錄像中截取20幅圖像進行處理，正確的識別率可以達到95%，優(yōu)化的Hough變換算法大大減少了運算量，處理時間滿足了視覺導航實時性要求。

3結論

本研究針對溫室小范圍復雜環(huán)境中的農作機器人的視覺導航方法進行研究，提出溫室環(huán)境路徑信息提取的方法并進一步做試驗驗證。結果表明，本研究提出的分割方法效果比較好， 并且算法較為簡單，可降低光照不均等影響，能將圖像快速分割，并準確識別導航目標；采用優(yōu)化的Hough變換能迅速準確提取植物行中心線，能有效去除噪聲和農作物行缺失的影響。隨機在溫室內拍攝的錄像中截取20幅圖像進行處理，正確的識別率可以達到95%。從檢測效果來說，利用優(yōu)化后的Hough變換檢測農作物中心線再取均值，確定導航路線是成功的，魯棒性強。

參考文獻：

趙洲，朱新華，何穎，等 機器人在溫室中的應用研究[J] 農機化研究，2015（1）：238-241

王福娟 溫室環(huán)境視覺導航路徑的識別[J] 農機化研究，2010，32（6）：83-86

[3]Wang J，Sugisaka M Study on the effective visual navigation for an alife mobile robot[C] Beijing：International Conference on Mechatronics and Automation，2011：2211-2215

[4]Lv H M，Dong J W The designation of robot exhibition system based on visual navigation[C] Shanghai：4th International Congress on Image and Signal Processing，2011：1992-1995

[5]王新忠，韓旭，毛罕平，等 基于最小二乘法的溫室番茄壟間視覺導航路徑檢測[J] 農業(yè)機械學報，2012，43（6）：161-166

[6]袁挺，任永新，李偉，等 基于光照色彩穩(wěn)定性分析的溫室機器人導航信息獲取[J] 農業(yè)機械學報，2012，43（10）：161-166[HJ172mm]

[7]安秋，李志臣，姬長英，等 基于光照無關圖的農業(yè)機器人視覺導航算法[J] 農業(yè)工程學報，2009，25（11）：208-212

[8]Liu Z，Chen W，Zou Y，et al Regions of interest extraction based on HSV color space[C] Beijing：10th International Conference on Industrial Informatics （INDIN），2012：481-485

[9]Smith A R Color Gamut Transform Pairs[J] ACM Siggraph Computer Graphics，1978，12（3）：12-19

[10]王婷婷 基于顏色空間的圖像分割方法研究[D] 濟南：山東師范大學，2014

[11]Liu Z，Chen W，Zou Y，et al Salient region detection based on binocular vision[C] 7th IEEE Conference on Industrial Electronics and Applications，2012：1862-1866

[12]尹建軍，王新忠，毛罕平，等 RGB與HSI顏色空間下番茄圖像分割的對比研究[J] 農機化研究，2006（11）：171-174

[13]楊璟，朱雷 基于RGB顏色空間的彩色圖像分割方法[J] 計算機與現代化，2010（8）：147-149

[14]劉瓊，史諾 基于Lab和YUV顏色空間的農田圖像分割方法[J] 國外電子測量技術，2015（4）：39-41

[15]安秋 農業(yè)機器人視覺導航系統(tǒng)及其光照問題的研究[D] 南京：南京農業(yè)大學，2008