鄭小南，張吳平，韓冀皖，楊 凡，劉宇平，梁 靚，李富忠

（山西農(nóng)業(yè)大學(xué)軟件學(xué)院，山西 太谷 030801）

谷子屬于小雜糧中的典型作物，種植面積小、生育期短，具有較高的經(jīng)濟價值［1］。因此對谷子精細管理，監(jiān)測其生長動態(tài)具有重要的意義。目前，谷子的生長監(jiān)測還是以傳統(tǒng)的人為監(jiān)測方式為主，不僅需要耗費大量的人力、物力和財力，而且由于田間的復(fù)雜環(huán)境和惡劣天氣的影響，使得監(jiān)測結(jié)果存在較大誤差。近年來，圖像技術(shù)逐漸被應(yīng)用于農(nóng)作物的生長監(jiān)測中，與傳統(tǒng)方式相比，圖像技術(shù)極大地提高了農(nóng)業(yè)生產(chǎn)的效率和產(chǎn)量。研究表明，作物冠層圖像對于生長參數(shù)的獲取尤為重要，包括葉面積指數(shù)、氮素營養(yǎng)含量、生長狀況等。葉春等［2］通過提取早稻冠層圖像的顏色指數(shù)，構(gòu)建了不同品種、不同氮肥處理下早稻的氮營養(yǎng)元素預(yù)測模型。Liu 等［3］研究發(fā)現(xiàn)水稻冠層的變化與數(shù)字圖像的紅光（R）、綠光（G）和藍光（B）值參數(shù)的變化有關(guān)。建立了一種基于數(shù)字圖像的水稻產(chǎn)量預(yù)測和評價模型，以此快速診斷氮肥施用和種植密度對水稻的影響。Koushik等［4］通過熱成像相機獲取小麥的冠層圖像，利用熱成像技術(shù)確定小麥冠層覆蓋度，估算了不同水分脅迫條件下的小麥葉面積指數(shù)（LAI）。

目前已有大量的算法用來實現(xiàn)農(nóng)作物的冠層圖像分割，常用的分割算法主要有基于閾值的圖像分割、基于聚類的圖像分割和基于邊緣的圖像分割等［5］。程湞湞等［6］提出了一種基于M-SP 特征加權(quán)聚類的果樹冠層分割算法，有效排除了圖像中雜草的干擾。劉立波等［7］提出了一種改進卷積神經(jīng)網(wǎng)絡(luò)的圖像分割算法，實現(xiàn)了棉田冠層圖像的精準(zhǔn)分割。黃巧義等［8］對比了多種色彩空間下SVM 對水稻冠層圖像的分割效果，結(jié)果表明，多色彩空間融合的SVM 分割算法Multi-SVM 分割效果最優(yōu)。

從已有的研究來看，大多是針對農(nóng)作物單一生育期進行探討，然而大田環(huán)境下作物在全生育期生長過程中，存在各種天氣因素對冠層圖像分割造成一定的影響，因此本研究選擇谷子苗期和拔節(jié)期的冠層圖像，對典型環(huán)境條件下的冠層圖像進行提取，基于谷子冠層圖像光照不均、背景復(fù)雜有陰影、露水雨水反光等條件下監(jiān)測難度較大的問題，提出了一種基于H 分量的K 均值聚類算法，將原始的RGB 圖像轉(zhuǎn)換到HSI 空間，提取圖像H 分量，對H 分量下的灰度圖進行聚類，與超綠分割和Lab 空間下K 均值聚類分割對比發(fā)現(xiàn)，超綠分割對背景復(fù)雜有陰影的圖像分割效果最佳，但對于光照不均、露水雨水反光圖像存在欠分割的問題，基于H 分量的K 均值聚類算法可以相對較完整地將4 類圖像進行分割，為田間谷子生長監(jiān)測提供一定的基礎(chǔ)。

1 不同環(huán)境條件下谷子冠層圖像采集

研究以大田種植的晉谷21 為研究對象，分別于7：00—9：00 采集不同環(huán)境條件和生育時期的谷子冠層圖像。數(shù)據(jù)采集采用佳能EOS-1300D 數(shù)碼相機，相機模式調(diào)整為自動白平衡和自動曝光，拍攝時相機鏡頭垂直地面，高度距地面統(tǒng)一為1.3 m，圖像大小為4 608×3 456 像素，以JPEG 格式儲存。針對不同天氣狀況，主要獲取了田間自然背景下谷子冠層陰天、背景復(fù)雜有陰影、光照不均、露水雨水反光4 類圖像。

2 分割算法

2.1 超綠算法

超綠算法是1995 年由Woebbecke 提出的［9］，該算法基于RGB 顏色空間，通過增大G 通道分量的權(quán)重，提高圖像中的綠色作物與背景的對比度，實現(xiàn)對圖像中綠色部分的分割。超綠分割可以增強圖像中的綠色分量，該方法對于光照均勻的綠色作物，有較好的分割效果。將彩色圖像通過2G-R-B 公式實現(xiàn)灰度化，然后采用閾值分割，將綠色作物和復(fù)雜背景分離，該方法可以有效地將背景中的土壤、天空、枯草等信息去除，較多用于田間綠色作物的提取，本研究選用此分割算法與基于H 分量的K 均值聚類算法進行對比，超綠分割算法的公式如下所示。

式中，T 代表閾值，EXG 代表灰度值，當(dāng)像素點的灰度值≥255 時，統(tǒng)一為255；當(dāng)像素點的灰度值大于閾值T 小于255 時，統(tǒng)一為灰度值；當(dāng)像素點的灰度值小于等于閾值T 時，統(tǒng)一為0，因此需要選擇合適的閾值T 實現(xiàn)圖像中的目標(biāo)提取。

2.2 HSI色彩空間轉(zhuǎn)換

圖像存在多種顏色空間，合適的顏色空間選取有益于提高圖像分割的準(zhǔn)確率，為后期重要參數(shù)的獲取奠定了基礎(chǔ)。數(shù)碼相機獲取的圖像主要以RGB 顏色空間儲存，RGB 顏色空間以R（紅）、G（綠）、B（藍）三原色為基礎(chǔ)色，通過疊加呈現(xiàn)出多種色彩，但不能很好地反映出人眼對色彩的感知，且對光線較敏感，HSI 顏色模型中H 代表色調(diào)，描述一種純正的顏色屬性（例如紅色、黃色、綠色），S 代表飽和度，即純色被白光稀釋程度的度量，也可以理解為顏色的濃淡程度（如深紅色，淡綠色），I代表亮度，描述顏色的亮暗程度，該顏色模型更符合人眼的視覺特性，最大優(yōu)勢體現(xiàn)在可以將顏色和灰度兩種信息分離出來，H 和S 兩個分量與人眼感知色彩的方式非常相似，而I 分量則與顏色信息無關(guān)，消除RGB 圖像中各個色彩通道的耦合性［10］，可以保留圖像中的更多細節(jié)，完整地將谷子與復(fù)雜背景分離。RGB 向HSI空間轉(zhuǎn)換關(guān)系如下。

2.3 基于H 分量的K 均值聚類算法

K 均值聚類算法［11］是一種無監(jiān)督的分類方法，算法操作簡單，易實現(xiàn)，且收斂速度快，已被廣泛應(yīng)用于各類農(nóng)作物的圖像分割中。先隨機分配K 個中心點，通過圖像中像素點灰度值的相似性，迭代更新K 個中心點的位置，直到所有的中心點不再發(fā)生改變，即完成聚類過程。假設(shè)數(shù)據(jù)樣本Y 中包含m 個對象Y=｛Y1，Y2，Y3，…，Ym｝，每個對象的維度是n，算法基本原理如下。

1）任選k 個對象對聚類中心進行初始化｛A1，A2，A3，…，Ak｝，1＜k≤m。

2）計算各個對象到k 個中心點的歐氏距離，計算公式如下所示。

式中，Yi表示第i（1≤i≤m）個對象，Aj表示第j（1≤j≤k）個聚類中心點，Yit表示第i個對象的第t（1≤t≤n）個屬性，Ajt表示第j個聚類中心的第t個屬性。

3）計算每個對象到每個聚類中心的歐式距離，并依次比較，以此將各個對象分配到距離最近的聚類中心的類簇中，得到k 個類簇｛Z1，Z2，Z3，…，Zk｝。

4）類簇中心就是類簇內(nèi)所有對象在各個維度的均值，其計算公式如下。

式中，At表示第t（1≤t≤k）個聚類的中心，|Zl|表示第l 個類簇中對象的個數(shù)，Yi表示第l 個類簇中第i（1≤i≤|Zl|）個對象。

圖1 分別為谷子冠層陰天、背景復(fù)雜有陰影、光照不均、露水雨水反光4 類圖像的灰度直方圖和H分量直方圖，對比發(fā)現(xiàn)，4 類圖像的灰度直方圖像素分布較為集中，分割閾值的選取較難，圖像分割難度大。H 分量直方圖則存在明顯波峰波谷，圖像中的目標(biāo)物與背景差異較大，易于閾值的選取，所以選擇H 分量圖像作為K 均值聚類的樣本，對谷子冠層圖像進行提取。

3 結(jié)果與分析

本研究算法采用的計算機配置為Intel（R）Core（TM）i7-5500H CPU ＠2.40GHz 處理器，8.00 GB 內(nèi)存，Windows 7 操作系統(tǒng)。針對谷子冠層陰天、背景復(fù)雜有陰影、光照不均、露水雨水反光4 種條件下采集的圖像進行分割，分別對4 類環(huán)境條件在基于H分量和Lab 空間下進行K 均值聚類分割，同時與原始圖像的超綠分割結(jié)果進行比較分析。分別以k 初始化為1、2、3、4 測試原始圖像在Lab 空間和基于H分量的聚類分割效果。測試發(fā)現(xiàn)Lab 空間下的分割效果最優(yōu)k 值為2，基于H 分量的分割效果最優(yōu)k 值為3，故分別選定數(shù)值2 和3 作為Lab 空間和基于H分量的聚類分割中心數(shù)。

3.1 陰天圖像分割結(jié)果

采用超綠分割、Lab 空間K 均值聚類分割和基于H 分量K 均值聚類分割3 種算法，分析陰天圖像，結(jié)果如圖2 所示。陰天天氣狀況下云層較厚，陽光不穿透或極少穿透云層，因此在拍攝谷子冠層圖像的過程中受光照影響較小，圖像整體光照均勻，葉片呈綠色，與背景中的土壤及紅色標(biāo)簽差異較大，如圖2（a）所示。圖2（b）、圖2（c）、圖2（d）分別為超綠分割、Lab 空間下K 均值聚類分割和基于H 分量K 均值聚類分割效果。3 種算法均可以實現(xiàn)較為理想的分割效果，不同算法之間分割差異較小，均得到相對完整的谷子冠層信息。

3.2 背景復(fù)雜有陰影圖像分割結(jié)果

采用超綠分割、Lab 空間K 均值聚類分割和基于H 分量K 均值聚類分割3 種算法，分析背景復(fù)雜有陰影圖像，結(jié)果如圖3 所示。晴天光照良好的天氣條件下，上午太陽光從一側(cè)照射葉片，葉片對光線遮擋使得另一側(cè)處于背光狀態(tài)，產(chǎn)生葉片自投影的陰影區(qū)域［12］，如圖3（a）所示。陰影導(dǎo)致圖像中谷子葉片呈現(xiàn)出不同的亮暗程度，增加了葉片分割的難度。對比圖3（b）、圖3（c）、圖3（d）中的紅色標(biāo)記部位可以看出，超綠分割效果最優(yōu)異，葉片細節(jié)部位分割較完整，而Lab 空間和基于H 分量的K 均值聚類算法分割出來的葉片均存在一些細節(jié)缺失的問題，但整體差異不大。

3.3 光照不均圖像分割結(jié)果

采用超綠分割、Lab 空間K 均值聚類分割和基于H 分量K 均值聚類分割3 種算法，分析光照不均圖像，結(jié)果如圖4 所示。由于谷子進入拔節(jié)期，葉片呈狹長披針形，易彎曲折疊，在光照強烈的天氣情況下，葉片不同角度的反射率不同，拍攝過程中會產(chǎn)生光照不均的問題，致使葉片個別部位出現(xiàn)曝光。由圖4（d）藍色標(biāo)記部位可知，采用超綠分割算法存在明顯欠分割的問題，圖4（c）的分割效果與圖4（d）相比也有細微的不足，同時Lab 空間下的K 均值聚類分割對計算機的運算能力有一定的要求，花費時間較長，所以綜合分割效果和分割時間兩方面考慮本研究算法都體現(xiàn)出了較優(yōu)的特性。

圖1 基于H 分量的K 均值聚類不同環(huán)境條件下谷子冠層圖像

3.4 露水雨水反光圖像分割結(jié)果

采用超綠分割、Lab 空間K 均值聚類分割和基于H 分量K 均值聚類分割3 種算法，分析露水雨水反光圖像，結(jié)果如圖5 所示。谷子生長期雨水頻繁，且谷子自身蒸騰大，造成葉片表面存有小水珠，使得圖像中原本綠色的葉片呈現(xiàn)出大面積亮白區(qū)域。由圖5（b）可知，使用超綠分割無法獲取含水珠的葉片部分，Lab 空間K 均值聚類分割效果也并不理想，葉片邊緣存在較多噪點。但采用本研究算法則避免了RGB 空間下各個顏色分量的高度相關(guān)性，對葉片邊緣及反光部位提取較完整，提高了葉片分割的準(zhǔn)確率。

圖2 陰天條件下不同算法谷子冠層圖像分割對比

圖3 背景復(fù)雜有陰影條件下不同算法谷子冠層圖像分割對比

圖4 光照不均條件下不同算法谷子冠層圖像分割對比

圖5 露水雨水反光條件下不同算法谷子冠層圖像分割對比

上述對分割算法的評價均是基于人眼來判斷，具有很強的主觀性，因此引入分割準(zhǔn)確率來進一步評價各個算法的效果，分割準(zhǔn)確率公式如式7 所示。

式中，Ts表示手動分割的葉片像素值，As表示通過算法分割的葉片像素值，|Ts-As|表示誤分割的葉片像素值。分割準(zhǔn)確率對比如表1 所示。從表1 可以看出，超綠分割在陰天和背景復(fù)雜有陰影的圖像中分割精度相對最高，但在光照不均和雨水露水反光的圖像中，分割精度最差，Lab 空間和基于H 分量K均值聚類對于4 種環(huán)境條件下的分割準(zhǔn)確率均達到90%以上，但整體上基于H 分量的分割精度要優(yōu)于Lab 空間K 均值聚類分割精度。

表1 谷子冠層分割準(zhǔn)確率

4 結(jié)論

采用HSI 空間下的H 分量灰度圖作為聚類樣本，對大田谷子冠層圖像進行K 均值聚類處理。Kmeans 算法操作簡單，易實現(xiàn)，且速度快，為后期重要參數(shù)的獲取奠定了基礎(chǔ)。同時對比超綠分割和Lab 空間K 均值聚類分割得出如下結(jié)論。

對于光照不均的谷子冠層圖像，超綠分割對于葉片的曝光部位分割效果最差，Lab 空間K 均值分割葉片存在細小孔洞，而基于H 分量的K 均值分割較完整，分割準(zhǔn)確率為96%。對于露水雨水反光的谷子冠層圖像，超綠分割無法識別圖像中由于露水雨水反光造成葉片亮白的區(qū)域，分割效果最差，Lab 空間K 均值聚類分割效果中葉片存在較多的噪點，而基于H 分量的K 均值分割效果則相對較精準(zhǔn)。對于陰天和背景復(fù)雜有陰影谷子冠層圖像，3 種算法分割準(zhǔn)確率均達到93%以上，分割效果均較理想?；贖 分量的大田谷子冠層圖像K 均值聚類分割較其他2 種算法整體上更優(yōu)異，對陰天、背景復(fù)雜有陰影、光照不均、露水雨水反光4 類環(huán)境條件下谷子冠層圖像均能達到理想的分割效果，為大田作物的表型生長監(jiān)測提供了一定的參考價值，但對于背景復(fù)雜有陰影和強曝光的圖像，細節(jié)部分仍需要進一步改善。