王露露

（浙江農(nóng)林大學(xué)光機(jī)電工程學(xué)院，浙江 杭州 311300）

近年來，自主導(dǎo)航技術(shù)[1]在林業(yè)機(jī)械上的應(yīng)用越來越廣泛，極大地提高了勞動者的作業(yè)效率和作業(yè)質(zhì)量。機(jī)器視覺[2]具有感知信息廣、獲取信息豐富以及成本低的特點(diǎn)，是自主導(dǎo)航的重要組成部分。目標(biāo)道路從復(fù)雜環(huán)境背景中有效分離出來，是視覺導(dǎo)航的首要步驟，為后續(xù)導(dǎo)航線提取做準(zhǔn)備。張熊楚等[3]通過大津法（Otsu）分別對RGB顏色空間下的2G-R-B分量的灰度圖像進(jìn)行閾值分割；劉波等[4]將圖像轉(zhuǎn)換至其他顏色空間下，將該顏色空間各分量分離出來，并對其二值化。這類方法由于運(yùn)算簡單、運(yùn)行速度快，可以用于實(shí)時(shí)目標(biāo)檢測，對于特定的光照環(huán)境分割效果較好，因此被廣泛運(yùn)用。本課題組提取RGB圖像中B顏色分量的灰度圖，采用Otsu對灰度圖進(jìn)行閾值分割，從而實(shí)現(xiàn)道路從背景分離，為后續(xù)林區(qū)智能運(yùn)輸裝備的自主導(dǎo)航提供了參考。

1 圖像分割算法及結(jié)果分析

圖像采集設(shè)備為Intel Realsense D435i機(jī)器視覺攝像頭，RGB傳感器以30 f/s的幀率采集道路圖像，每幀道路圖像分辨率為1 920×1 080 pixel，存儲格式為JPEG。文中圖像處理軟件采用Matlab 2018a進(jìn)行編程；圖像處理硬件采用Intel Core i5-1135處理器，主頻2.42 GHz，內(nèi)存容量16 GB。針對道路特點(diǎn)，主要采集強(qiáng)光、正常光、低光三種光照強(qiáng)度下道路圖像用于本研究。例圖如圖1所示。

圖1 例圖

大津法閾值分割是由大津提出的二值化圖像處理算法，該算法計(jì)算簡單，運(yùn)行高效，不受圖像亮度和對比度的影響，被認(rèn)為是圖像分割中閾值選取的最佳算法。因此，在數(shù)字圖像處理上得到了廣泛的應(yīng)用。按照圖像的灰度特性，將圖像分成背景和前景兩部分，大津法按照背景和前景之間的類間方差對圖像進(jìn)行處理，類間方差越大意味著圖像的兩部分的差別越大，計(jì)算類間方差的最大值作為圖像分割的最佳閾值，因此，大津法又稱最大類間方差法。

設(shè)一幅unit8類道路圖像I像素總數(shù)為N，圖像(x，y)處像素的灰度值為m，灰度范圍為［0，255］，g(m)為圖像類間方差，前景和背景的分割閾值為T，背景像素占整幅圖像比例為ω0，平均灰度為μ0，前景像素占整幅圖像比例為ω0，平均灰度為μ1。

類間方差g(m)為：

遍歷圖像像素灰度值，計(jì)算類間方差最大值為最佳閾值T：

則圖像大津法閾值分割的算法為：

按照以上方法對例圖進(jìn)行閾值分割，得到最終結(jié)果如圖2所示。

圖2 Otsu閾值分割圖像

由圖2可以看出正常光照強(qiáng)度圖像對比強(qiáng)光照強(qiáng)度和弱光照強(qiáng)度圖像分割效果較好，如圖3所示，黑色、白色區(qū)域分別表示被正確分割的背景和前景，林區(qū)環(huán)境區(qū)域表示被錯(cuò)誤分割為前景，道路區(qū)域表示被錯(cuò)誤分割為背景。為了定量分析三種方法的分割效果，采用精確率（Precision）、召回率（Recall）、精確率與召回率調(diào)和均值F1值對分割效果進(jìn)行分析，根據(jù)式（4）（5）（6）計(jì)算：

圖3 道路錯(cuò)誤分割結(jié)果

式中，TP為道路像素被分割為道路像素的數(shù)量，F(xiàn)P為道路像素被分割為背景像素的數(shù)量，F(xiàn)N為背景像素被分割為道路像素的數(shù)量。

Otsu閾值分割結(jié)果定量分析如表1所示。Precision、Recall、F1值越高，代表圖像分割效果越好。因此，從表1可以看出，對比正常光照強(qiáng)度、弱光照強(qiáng)度圖像，強(qiáng)光照強(qiáng)度圖像的召回率較低，為0.962 6；弱光照強(qiáng)度圖像的精確率為0.892 2，F(xiàn)1值為0.942 7，在三種光照強(qiáng)度圖像里最低。

表1 Otsu閾值分割結(jié)果定量分析

為了提高圖像分割結(jié)果的質(zhì)量，本課題組對RGB道路圖像R、G、B顏色分量的像素灰度值進(jìn)行分析，分別提取例圖中R、G、B顏色分量的灰度圖，如圖4所示。

圖4 R、G、B分量灰度圖

從圖4中可以看出，相比R、G分量灰度圖，強(qiáng)光、正常光照強(qiáng)度圖像的B分量灰度圖的背景和道路對比度較強(qiáng)，且道路邊界明顯；弱光照圖像的R、G、B分量灰度圖的背景和道路對比度較差，無法判定R、G、B分量灰度圖分割的好壞。因此，單獨(dú)統(tǒng)計(jì)弱光照強(qiáng)度圖像的R、G、B分量圖像的灰度級像素出現(xiàn)的頻率，用灰度直方圖表示，如圖5所示。

圖5 弱光照強(qiáng)度的R、G、B分量灰度直方圖

從圖5中可以看出，弱光照圖像的B分量相比R、G分量灰度直方圖存在明顯的波峰和波谷，可以將道路從背景中較好地分割出來。因此，對于強(qiáng)光、正常光和弱光照強(qiáng)度的林區(qū)道路圖像選擇B分量作為Otsu閾值分割的依據(jù)，得到最終分割結(jié)果如圖6所示，對比圖2可以看出，選擇B分量進(jìn)行分割，其分割結(jié)果更加精確。繼續(xù)采用Precision、Recall對圖6進(jìn)行定量分析，其結(jié)果如表2所示。

圖6 B分量Otsu閾值分割圖

表2 B分量Otsu閾值分割結(jié)果定量分析

對比表1，由表2可知，只有強(qiáng)光照強(qiáng)度圖像的Precision值稍微降低，但是其Recall、F1值增高；正常光照、弱光強(qiáng)度的RGB林區(qū)道路圖像通過分割B顏色分量二值圖像的Precision、Recall、F1值普遍提高。因此，符合圖像分割精度要求。

2 結(jié)論

針對自然光照干擾道路識別的問題，課題組提出了一種基于顏色分量與Otsu閾值分割方法。對不同光照強(qiáng)度、不同地塊的林區(qū)道路圖像進(jìn)行處理，結(jié)果顯示：本項(xiàng)目方法分隔道路的Precision、Recall、F1值的均值為0.977 5、0.996 9、0.986 9，精度較高，有效提高了智能運(yùn)輸裝備視覺導(dǎo)航時(shí)對自然環(huán)境的適應(yīng)性。