劉連忠， 李孟杰， 寧井銘

(1.安徽農(nóng)業(yè)大學(xué)信息與計(jì)算機(jī)學(xué)院，安徽 合肥 230036; 2.茶樹生物學(xué)與資源利用國家重點(diǎn)實(shí)驗(yàn)室，安徽 合肥 230036)

近年來，人工智能以其非線性、自學(xué)習(xí)、適用性強(qiáng)的優(yōu)勢，在多個(gè)領(lǐng)域得到廣泛應(yīng)用。機(jī)器視覺作為其關(guān)鍵技術(shù)之一，也得到了極大的發(fā)展，目前已較為廣泛地應(yīng)用于農(nóng)業(yè)研究[1-4]。機(jī)器視覺在農(nóng)作物生長信息監(jiān)測方面的應(yīng)用，推動了農(nóng)業(yè)信息化、智能化、精細(xì)化進(jìn)程[5]。Revathi等[6]利用移動設(shè)備采集棉花葉斑病圖像，使用基于邊緣檢測的圖像分割得到病斑部分，并提出棉花病害檢測的同類像素計(jì)數(shù)技術(shù)(Homogeneous pixel counting technique for cotton diseases detection, HPCCDD)對分割出的病斑部分進(jìn)行分類。Silva等[7]使用人工視覺系統(tǒng)(Artificial visual system, AVS)提取玉米葉片圖像的缺陷特征，診斷出玉米葉片中鎂的濃度。張玨等[8]利用數(shù)碼相機(jī)獲取甜菜冠層數(shù)字圖像，基于灰度值的閾值分割方法提取冠層圖像的R、G、B值，交互調(diào)優(yōu)R、G、B單色分量權(quán)重，提出三原色權(quán)值調(diào)優(yōu)方法，用調(diào)優(yōu)參數(shù)BOP(Basic optimal parameter)、NOP(normalized optimal parameter)建立的甜菜氮素營養(yǎng)監(jiān)測模型預(yù)測精度均高于用常規(guī)參數(shù)G/R、紅光標(biāo)準(zhǔn)值 (NRI)建立的模型。

獲得穩(wěn)定的圖像特征參數(shù)是使用機(jī)器視覺的前提條件。然而，自然條件下太陽光照變化復(fù)雜，會在作物圖像上產(chǎn)生反光、陰影等干擾因素，導(dǎo)致難以獲取穩(wěn)定的圖像特征。為了避免光照干擾對結(jié)果的影響，目前大多數(shù)農(nóng)業(yè)圖像方面的研究刻意選擇在無陽光直射時(shí)采集圖像，或通過對圖像進(jìn)行色彩調(diào)整來模擬光照變化。吳雪梅等[9]基于圖像的顏色信息進(jìn)行茶葉嫩葉識別時(shí)，為避免光照的干擾，選擇在無陽光直射的時(shí)間采集圖像。孫肖肖等[10]基于深度學(xué)習(xí)算法識別茶樹嫩芽時(shí)，為了更好地增強(qiáng)模型對不同光照的適應(yīng)能力，對采集的茶葉圖像進(jìn)行了改變光照亮度操作。前者的研究結(jié)果具有極大的局限性，無法應(yīng)用到實(shí)際生產(chǎn)中；后者的方法無法對真實(shí)光照情況進(jìn)行建模仿真，難免在實(shí)際應(yīng)用時(shí)出現(xiàn)不確定的結(jié)果。

傳統(tǒng)的閾值分割、聚類分割等分割方法雖然能進(jìn)行像素級別的精準(zhǔn)分割，但均存在一定缺陷[11]。閾值分割法通過設(shè)定不同的特征閾值把圖像像素點(diǎn)分為若干類，一方面需要人為設(shè)定閾值，該閾值需要根據(jù)光照度的不同進(jìn)行調(diào)整以獲得最佳分割效果；另一方面，閾值分割的效果對閾值非常敏感，閾值的變化會直接影響圖像特征參數(shù)的數(shù)值。聚類分割法通過特定算法把具有相似特征的數(shù)據(jù)點(diǎn)聚類或分組到一起，它不需要根據(jù)圖像設(shè)定閾值，但容易出現(xiàn)過分割現(xiàn)象，分割后的圖像往往變得無法觀察，且會丟失圖像細(xì)節(jié)信息。自然環(huán)境下農(nóng)業(yè)圖像極容易受光照、遮擋、背景等因素的影響，傳統(tǒng)分割方法在此環(huán)境下魯棒性較差[12-13]。

本研究提出一種能在光照干擾情況下進(jìn)行圖像分割，獲取穩(wěn)定圖像特征參數(shù)的方法。以茶樹冠層圖像為研究對象，首先對圖像使用改進(jìn)的超像素分割方法獲取超像素塊，接著使用支持向量機(jī)(Support vector machine,SVM)分類器將超像素塊分為3類區(qū)域(背景、正常區(qū)域、反光區(qū)域)，進(jìn)而分割出不含反光區(qū)域和背景的正常區(qū)域，然后提取正常區(qū)域的圖像特征參數(shù)，最后對特征參數(shù)的穩(wěn)定性進(jìn)行分析。

1 材料與方法

1.1 試驗(yàn)對象

試驗(yàn)地位于安徽省合肥市高新技術(shù)農(nóng)業(yè)園，以園內(nèi)種植的農(nóng)抗早茶樹品種為研究對象。茶園環(huán)境如圖1所示。

圖1 茶園環(huán)境Fig.1 The environment of the tea plantation

1.2 改進(jìn)SLIC的超像素分割

超像素是指圖像中局部的、具有一致性的、能夠保持一定圖像局部結(jié)構(gòu)特征的子區(qū)域。超像素分割就是將像素聚合成超像素的處理過程[14]。目前使用較多且效果較好的方法是簡單線性迭代聚類(Simple linear iterative clustering, SLIC)的超像素算法[15]。該算法基于顏色相似度和空間距離關(guān)系進(jìn)行迭代，將圖像像素進(jìn)行聚類。

SLIC分割不涉及具體的分割對象，對于農(nóng)業(yè)圖像而言，需要綜合考慮作物圖像的空間分布特點(diǎn)。圖2為光照干擾下的茶樹局部圖像及其像素點(diǎn)(1/8稀疏化)L*、a*、b*與R、G、B值分布圖。農(nóng)業(yè)圖像大多以綠色為主，枯葉、土壤等與綠葉顏色差異較大，較容易分割，而本研究主要目的是消除光照影響，故將與亮度相關(guān)的L通道信息保留。從圖2中可看出，無論是哪個(gè)區(qū)域，a和b值都較穩(wěn)定，變化很小，對聚類的貢獻(xiàn)度低，所以舍去a和b通道值；R和G值在不同區(qū)域變化范圍較B值大，所以可將R和G通道值替代a、b通道值。G值變化范圍雖然大，但在0.6以下的值區(qū)分度不高?？紤]到農(nóng)業(yè)圖像受光照影響后會產(chǎn)生光斑及陰影區(qū)域，與正常區(qū)域有明顯邊界，另外，農(nóng)作物葉片、花瓣、果實(shí)等也有較為顯著的邊界，所以將圖像的Sobel邊緣信息添加到G通道上，構(gòu)成G-S通道。

A為光照干擾下的茶樹局部圖像(1為正常區(qū)域，2為反光區(qū)域，3為背景區(qū)域)，B和C分別為圖a的像素點(diǎn)(1/8稀疏化)L*、a*、b*與R、G、B值分布圖。圖2 光照干擾下的茶樹局部圖像及其顏色特征值分布Fig.2 Local image of tea plant under light interference and its distribution of color characteristic values

綜上所述，本研究針對作物圖像的特點(diǎn)提出一種改進(jìn)SLIC的超像素分割方法，通過重新定義聚類向量，將傳統(tǒng)SLIC的聚類向量[L*,a*,b*,x,y]改為[L*,R,G-S,x,y]，使其更適用于作物圖像的超像素分割。

1.3 茶樹冠層圖像分割

SVM是Vladimir[16]根據(jù)神經(jīng)網(wǎng)絡(luò)思想提出的一種新的學(xué)習(xí)方法。它基于統(tǒng)計(jì)學(xué)中的VC維(Vapnik-Chervonenkis Dimension)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論，通過核函數(shù)將輸入空間映射到高維的特征空間，然后在高維空間中尋找最優(yōu)解。它可以根據(jù)有限的樣本信息，在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，在解決小樣本、非線性、高維數(shù)和局部極小點(diǎn)等問題上有著獨(dú)特的優(yōu)勢[17]。SVM普遍應(yīng)用于分類及回歸問題。為克服光照和背景對茶樹冠層圖像特征的影響，將像素塊分為正常區(qū)域、背景區(qū)域及反光區(qū)域3類，提取每個(gè)像素塊的13個(gè)圖像特征參數(shù)(R、G、B、H、S、V、L*、a*、b*、熵、能量、對比度、逆差矩)組成向量，通過SVM對所有超像素塊進(jìn)行分類。分類輸出的正常區(qū)域即為消除光照和背景干擾的茶樹冠層圖像。

2 結(jié)果與分析

2.1 SLIC及其改進(jìn)算法分割結(jié)果對比

分別用原始SLIC算法、本研究改進(jìn)SLIC算法以及其他改進(jìn)算法SLICO(SLIC零參版)[18]、MSLIC (Manifold SLIC)[19]對茶樹冠層進(jìn)行超像素分割，分割結(jié)果的細(xì)節(jié)部分對比如圖3所示。該細(xì)節(jié)部分選自像素塊為400左右的分割結(jié)果中，初始圖像大小為639像素×490像素。從圖3中可看出，改進(jìn)SLIC與原始SLIC的分割效果相近，但改進(jìn)SLIC對亮斑的分割更精確，而MSLIC、SLICO的分割效果均不理想。

圖3 原始SLIC算法及其3種改進(jìn)算法分割結(jié)果對比Fig.3 Comparison of segmentation results obtained by SLIC and its improved algorithms

2.2 超像素分割性能評價(jià)

根據(jù)校正欠分割錯(cuò)誤率(CUE)、邊緣召回率(BR)、可達(dá)分割精度(ASA)和算法耗時(shí)幾個(gè)評價(jià)指標(biāo)[20]對超像素分割結(jié)果進(jìn)行對比(圖4)。試驗(yàn)在i7-6700CPU@3.40Hz、8G內(nèi)存、Windows7環(huán)境下進(jìn)行。由于超像素塊是根據(jù)圖像內(nèi)容進(jìn)行迭代產(chǎn)生的，無法準(zhǔn)確控制其最終數(shù)量，故實(shí)際像素塊數(shù)目與整百數(shù)的誤差在±10以內(nèi)。

圖4 4種超像素分割算法的性能評價(jià)指標(biāo)對比圖Fig.4 Indices for performance evaluation of four superpixel segmentation algorithms

從圖4的4個(gè)評價(jià)指標(biāo)折線圖中可以看出，改進(jìn)后的SLIC算法的CUE與ASA表現(xiàn)最好，其次為原始SLIC算法。在BR的表現(xiàn)上，改進(jìn)后的SLIC算法、原始SLIC算法與MSLIC算法的表現(xiàn)相近，均好于SLICO算法。而在時(shí)間消耗上，相同迭代次數(shù)下，MSLIC算法需要計(jì)算7維向量的距離，消耗的時(shí)間是其余3個(gè)算法的3～4倍，故改進(jìn)SLIC算法在茶樹冠層圖像的分割效果上表現(xiàn)出一定優(yōu)勢。由于受初始圖像大小的限制，繼續(xù)增加最終像素塊數(shù)目所得到的分割效果提升并不明顯，且像素塊數(shù)目越多則像素塊越小，不利于后續(xù)像素塊的分類及特征信息提取，故試驗(yàn)確定超像素分割的像素塊數(shù)量為800。

2.3 不同核函數(shù)的SVM模型在超像素塊分類上的對比

選取8張有不同光照度、4張無明顯光照的茶樹冠層圖像(圖像大小為639像素×490像素)，每張圖像均使用超像素分割法分割為近800個(gè)像素塊，從中選擇特征明顯的8 870個(gè)像素塊作為分類模型的訓(xùn)練樣本。測試集為4張有不同光照度、2張無明顯光照的茶樹冠層圖像，每張圖像同樣使用超像素分割法分割為近800像素塊，選取4 788個(gè)像素塊。提取每個(gè)像素塊的9種顏色特征參數(shù)和4種紋理參數(shù)組成向量，使用LIBSVM進(jìn)行訓(xùn)練。SVM的類型為C-SVC，分別選擇線性、多項(xiàng)式和徑向基(Radial basis function, RBF)核函數(shù)進(jìn)行對比。

根據(jù)尋找的最優(yōu)參數(shù)(懲罰系數(shù)與伽馬參數(shù))對訓(xùn)練集進(jìn)行訓(xùn)練，得到SVM分類模型，然后使用驗(yàn)證集數(shù)據(jù)對模型進(jìn)行檢驗(yàn)。結(jié)果(表1)表明，線性核函數(shù)模型在2個(gè)數(shù)據(jù)集上準(zhǔn)確率均最低。多項(xiàng)式核函數(shù)模型雖在訓(xùn)練集上略高于RBF核函數(shù)模型，但在驗(yàn)證集上的準(zhǔn)確率不及RBF核函數(shù)模型，綜合考慮后，選擇RBF核函數(shù)的SVM模型(RBF-SVM)作為超像素塊分類模型。

表1 不同核函數(shù)的SVM模型準(zhǔn)確性檢驗(yàn)

2.4 基于改進(jìn)SLIC+SVM的圖像分割結(jié)果

首先使用改進(jìn)SLIC算法將茶樹冠層圖像分割為近800個(gè)像素塊，然后分別提取每個(gè)像素塊的13個(gè)圖像特征(R、G、B、H、S、V、L*、a*、b*、熵、能量、對比度、逆差矩)，使用訓(xùn)練好的RBF-SVM模型對像素塊進(jìn)行分類，標(biāo)注出正常區(qū)域、背景區(qū)域及反光區(qū)域的像素塊，進(jìn)而得到消除光照影響的茶樹冠層圖像(圖5)。

2.5 改進(jìn)SLIC算法的有效性

為驗(yàn)證分割方法的有效性，對分割前、后的圖像特征參數(shù)的穩(wěn)定性進(jìn)行分析。在茶園隨機(jī)選擇1個(gè)監(jiān)測點(diǎn)，獲取該監(jiān)測點(diǎn)某個(gè)晴天上午7∶00至下午5∶00期間的10張圖像(每隔1 h獲取1張)。以下午5∶00無光照干擾的圖像為基準(zhǔn)圖像，計(jì)算13個(gè)特征參數(shù)的最大偏差、標(biāo)準(zhǔn)差、平均相對誤差，比較使用改進(jìn)SLIC算法分割后的圖像與原始圖像的特征參數(shù)的穩(wěn)定性。從表2可以看出，除參數(shù)B、H、S和b*外，經(jīng)改進(jìn)SLIC+SVM算法分割后的圖像特征參數(shù)與基準(zhǔn)圖像特征參數(shù)的最大偏差、標(biāo)準(zhǔn)差、平均相對誤差均較未經(jīng)處理的原始圖像特征參數(shù)與基準(zhǔn)圖像特征參數(shù)的小，表現(xiàn)更為穩(wěn)定，驗(yàn)證了本分割方法的有效性。

圖5 基于改進(jìn)SLIC+SVM的圖像分割結(jié)果Fig.5 Results of image segmentation based on improved SLIC+SVM

表2 特征參數(shù)穩(wěn)定性評價(jià)

3 結(jié) 論

針對自然環(huán)境下光照干擾作物成像的問題，提出了一種基于改進(jìn)SLIC+SVM的分割方法。該方法首先使用改進(jìn)SLIC算法對原始圖像進(jìn)行超像素分割，再對超像素塊進(jìn)行SVM分類，最終分割出不含背景及反光區(qū)域的作物圖像，在光照干擾情況下所提取的圖像特征參數(shù)比原始圖像具有更好的穩(wěn)定性。下一步將對其他作物圖像進(jìn)行試驗(yàn)，檢驗(yàn)此方法的適用性。本研究結(jié)果為自然環(huán)境下提取穩(wěn)定的作物圖像特征提供了一種思路，使機(jī)器視覺技術(shù)能夠更好地應(yīng)用到農(nóng)業(yè)生產(chǎn)實(shí)際中。