胡玲艷， 許 巍， 秦 山， 裴悅琨， 汪祖民

(1.大連大學(xué)信息工程學(xué)院，遼寧大連 116000； 2.大連市現(xiàn)代農(nóng)業(yè)生產(chǎn)發(fā)展服務(wù)中心，遼寧大連 116000)

歐洲甜櫻桃[Prunusavium(L.) Moench]作為一種經(jīng)濟(jì)作物，因其營(yíng)養(yǎng)價(jià)值豐富而深受人們喜愛(ài)，被廣泛種植于世界各地，又被稱(chēng)為甜櫻桃、車(chē)?yán)遄?、大櫻桃[1]。歐洲甜櫻桃栽培管理技術(shù)近幾年不斷提高，雖然帶動(dòng)了產(chǎn)業(yè)高速發(fā)展，但仍然面臨著諸多問(wèn)題，如歐洲甜櫻桃栽培管理技術(shù)水平良莠不齊，多以散戶(hù)為主；產(chǎn)品質(zhì)量參差不齊；種植者依靠多年的經(jīng)驗(yàn)管理，未能對(duì)種植中各項(xiàng)因素實(shí)現(xiàn)定量控制；人工成本持續(xù)升高，智能化設(shè)備需求巨大。為了解決上述問(wèn)題，實(shí)現(xiàn)設(shè)施歐洲甜櫻桃標(biāo)準(zhǔn)化、規(guī)模化、智能化生產(chǎn)，首要工作就是對(duì)植物生長(zhǎng)各個(gè)周期的特征和性狀即表型進(jìn)行精準(zhǔn)檢測(cè)。認(rèn)識(shí)植物的表型特征和性狀是生物學(xué)研究的一個(gè)重要命題，缺乏詳盡的表型數(shù)據(jù)，將無(wú)法深刻理解基因組和環(huán)境因素對(duì)植物表型的復(fù)雜作用[2-3]。針對(duì)櫻桃的表型試驗(yàn)是作物優(yōu)良品種選育與栽培技術(shù)研究，滿(mǎn)足未來(lái)農(nóng)業(yè)供給需求的一個(gè)關(guān)鍵因素。傳統(tǒng)的植物表型分析主要由人工測(cè)量各項(xiàng)參數(shù)，分析規(guī)模小、效率低、誤差大。計(jì)算機(jī)視覺(jué)可為自動(dòng)化植物表型分析提供幫助[3-4]。在計(jì)算機(jī)視覺(jué)應(yīng)用于植物表型檢測(cè)與建模過(guò)程中，首先需要通過(guò)各種設(shè)備與成像技術(shù)獲取植物圖像，并將表型特征區(qū)域分割出來(lái)。為了實(shí)現(xiàn)該目的，研究人員采用了多種技術(shù)路線。一方面，運(yùn)用可見(jiàn)光成像技術(shù)獲取RGB圖像，并采用原始圖像分割算法[5]、色彩空間[6-7]、深度學(xué)習(xí)[8-10]等手段選取植物圖像中的特征區(qū)域。此類(lèi)方法所需圖像采集設(shè)備簡(jiǎn)單，分割效果較好，但對(duì)植物圖像拍攝背景要求較高，通常是自頂向下以土壤為背景拍攝植物冠層圖像，無(wú)法適用于復(fù)雜背景下的植物表型關(guān)鍵特征區(qū)域分割。此外，上述研究通常針對(duì)植物生長(zhǎng)的某一特定時(shí)期，無(wú)法將采集與分割方法普適地應(yīng)用于植物生長(zhǎng)發(fā)展的全過(guò)程中。另一方面，深度相機(jī)[11-12]、光幕陣列(LC)[13]、高光譜成像[14-15]等特殊成像設(shè)備及技術(shù)也被應(yīng)用于植物圖像采集中，這些設(shè)備通常配合高通量系統(tǒng)、滑軌、機(jī)械臂等輔助設(shè)施，采用成像設(shè)備的特性從空間中分割出植物圖像。此類(lèi)方法可以以較高精度實(shí)現(xiàn)關(guān)鍵特征區(qū)域的分割，但此類(lèi)方法所需設(shè)備價(jià)格昂貴，且一般應(yīng)用于實(shí)驗(yàn)室環(huán)境中。雖然實(shí)驗(yàn)室中的試驗(yàn)提高了人類(lèi)對(duì)生物系統(tǒng)及其功能的認(rèn)識(shí)，但高昂的價(jià)格與嚴(yán)格的試驗(yàn)環(huán)境阻礙了在實(shí)際種植環(huán)境中的運(yùn)用。綜上，在當(dāng)前的植物表型研究中，缺乏一種較低成本實(shí)現(xiàn)全周期、高精度、高魯棒性的圖像獲取及關(guān)鍵特征區(qū)域自動(dòng)分割方法。為了更好地從歐洲甜櫻桃圖像中提取表型關(guān)鍵特征區(qū)域圖像，本研究基于傳統(tǒng)智能剪刀算法，提出一種分時(shí)重疊算法，即采用普通監(jiān)控?cái)z像頭獲取歐洲甜櫻桃圖像，通過(guò)夜間紅外燈補(bǔ)光灰度圖像中蘊(yùn)含的距離信息獲取初始區(qū)域，“重疊”至日間彩色圖像上，自主尋找歐洲甜櫻桃彩色圖像中的關(guān)鍵特征區(qū)域。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)準(zhǔn)備

1.1.1 圖像獲取方案分析 本研究根據(jù)設(shè)備特性，選擇普通監(jiān)控?cái)z像頭作為歐洲甜櫻桃圖像采集裝置。一方面，監(jiān)控?cái)z像頭夜間采集紅外補(bǔ)光灰度圖像，結(jié)合照度第二定律，可獲取植株各部位到攝像頭的距離信息。另一方面，以農(nóng)業(yè)為代表的第一產(chǎn)業(yè)具有附加值低且分布廣泛的特點(diǎn)，監(jiān)控?cái)z像頭作為采集裝置可以以低廉的成本獲取歐洲甜櫻桃圖像。

監(jiān)控?cái)z像頭采用電荷耦合元件或互補(bǔ)金屬氧化物半導(dǎo)體捕捉光信號(hào)。當(dāng)可見(jiàn)光較強(qiáng)時(shí)，攝像頭將光低通濾波器置于光路中，大部分紅外光被過(guò)濾，攝像頭采集的圖像可較準(zhǔn)確地還原被攝物的顏色與灰度信號(hào)；當(dāng)可見(jiàn)光較弱時(shí)，光低通濾波器被自動(dòng)移除，此時(shí)主要依靠紅外光成像，電路將自動(dòng)切換，只保留灰度信號(hào)[16]。

為了使夜間成像更加清晰，監(jiān)控?cái)z像頭均配有不同亮度的紅外補(bǔ)光燈，在照度較低時(shí)會(huì)自動(dòng)開(kāi)啟。通常情況下，作物種植于鄉(xiāng)村、林場(chǎng)、溫室等光污染較少的區(qū)域，將攝像頭用于采集植株夜間圖像時(shí)，紅外補(bǔ)光燈可視作唯一點(diǎn)光源。此時(shí)，植物各部分照度符合照度第一定律，即與光線垂直的物體表面上的照度跟光源的發(fā)光強(qiáng)度成正比，跟被照亮的面到光源的距離平方成反比[17]。這意味著夜間植物灰度圖像中不同亮度的部分可以反映出各部分到攝像頭的不同距離，這就為從同一角度日間彩色圖像中分割出植物表型關(guān)鍵特征區(qū)域提供了基礎(chǔ)。相比深度相機(jī)，該方法獲取物體到相機(jī)的距離精度較低，但這足以在空間中分割出特征區(qū)域，且由于監(jiān)控?cái)z像頭價(jià)格低廉，該方法無(wú)疑具有較高的性?xún)r(jià)比。

1.1.2 試驗(yàn)材料 本研究以歐洲甜櫻桃美早(P.avium“Tieton”)圖像作為試驗(yàn)數(shù)據(jù)，分割圖像中的表型關(guān)鍵特征區(qū)域。歐洲甜櫻桃美早最早由美國(guó)華盛頓州立大學(xué)研發(fā)，然后由大連市農(nóng)業(yè)科學(xué)研究所從美國(guó)引入，廣泛種植于我國(guó)遼東半島與膠東半島，是一個(gè)果大、質(zhì)優(yōu)、肉硬、耐貯運(yùn)、豐產(chǎn)的早熟櫻桃的優(yōu)良品種。遼寧省大連市金州區(qū)櫻桃產(chǎn)區(qū)設(shè)施櫻桃全年生長(zhǎng)期從11月至次年4月，全程環(huán)境可控，是研究櫻桃表型的理想對(duì)象。

1.1.3 試驗(yàn)圖像 不失一般性，本研究采用?？低昳DS-2DC4223IW-/GLT(S5)型號(hào)與iDS-2DC2204IW(S6)型號(hào)攝像頭，搭建了一套遠(yuǎn)程圖像采集裝置(圖1)，采集遼寧省大連市金州區(qū)6個(gè)不同溫室大棚中的美早櫻桃圖像作為試驗(yàn)數(shù)據(jù)。攝像頭云臺(tái)轉(zhuǎn)動(dòng)并變焦，采集不同角度的美早櫻桃植株圖像。彩色圖片捕獲時(shí)間為15：00，灰度圖片拍攝時(shí)間為18：00。從時(shí)間序列圖像中隨機(jī)選取9組黑白與彩色圖片對(duì)作為試驗(yàn)材料，圖像的采集日期、大棚編號(hào)、拍攝時(shí)的歐洲甜櫻桃物候期、拍攝景別記錄于表1中。試驗(yàn)圖像采集于不同日期、不同大棚、不同景別，具有較強(qiáng)代表性。

表1 分時(shí)重疊分割算法性能

在獲取最佳權(quán)重及評(píng)價(jià)算法時(shí)，須要計(jì)算歐洲甜櫻桃表型關(guān)鍵特征實(shí)際區(qū)域與算法得出的區(qū)域的交并比(IoU)。試驗(yàn)中用作標(biāo)準(zhǔn)對(duì)比的歐洲甜櫻桃表型關(guān)鍵特征實(shí)際區(qū)域是人工提取的。攝像頭捕獲的部分彩色圖像及其對(duì)應(yīng)的灰度圖像、歐洲甜櫻桃表型關(guān)鍵特征實(shí)際區(qū)域圖像見(jiàn)圖2。

1.2 分時(shí)重疊算法獲取歐洲甜櫻桃圖像表型關(guān)鍵特征區(qū)域

為了自動(dòng)分割歐洲甜櫻桃圖像表型關(guān)鍵特征區(qū)域，本研究對(duì)原始智能剪刀算法[18-19]進(jìn)行改進(jìn)設(shè)計(jì)，提出分時(shí)重疊分割算法。原始智能剪刀是一種輔助用戶(hù)手動(dòng)選擇特征區(qū)域的交互式工具，可以從任意復(fù)雜的背景中快速提取物體。選擇一個(gè)接近目標(biāo)邊緣的種子點(diǎn)，鼠標(biāo)沿著物體邊緣不斷移動(dòng)，該算法計(jì)算出一條火線(live-wire)自動(dòng)貼合所需要的邊界[18-19]。然而，原始智能剪刀算法的應(yīng)用場(chǎng)景為針對(duì)單張照片交互式手動(dòng)選擇特征區(qū)域邊界，無(wú)法自動(dòng)實(shí)現(xiàn)從歐洲甜櫻桃圖像中分割出特征區(qū)域。

由圖3可知，對(duì)于攝像頭捕獲的夜間紅外補(bǔ)光灰度圖像，采用二值化閾值處理方法提取夜間灰度圖像中的空間信息。植株易受風(fēng)力擾動(dòng)、植物生長(zhǎng)等影響，采用夜間灰度圖確定的目標(biāo)區(qū)域與日間彩色圖像區(qū)域不能完全吻合，需要進(jìn)一步調(diào)整選區(qū)。對(duì)于攝像頭捕獲的日間圖像，首先建立權(quán)重圖，并將二值化圖像邊緣輪廓作為前置條件，對(duì)日間彩色圖像自動(dòng)尋找關(guān)鍵特征區(qū)域邊緣路徑。采用粒子群算法求解算法中部分參數(shù)在某些條件下的最優(yōu)值。分時(shí)重疊分割算法詳細(xì)示意見(jiàn)圖4-a至圖 4-f，算法設(shè)計(jì)過(guò)程分析如下。

1.2.1 閾值處理并提取初始邊緣 根據(jù)照度第一定律，歐洲甜櫻桃植株各部分照度與被照亮的面到光源的距離平方成反比，反映在圖像上即為不同亮度的區(qū)域。為了提取初始的輪廓，首先要對(duì)灰度圖進(jìn)行閾值處理，使圖像中像素轉(zhuǎn)化為黑色或白色，從而凸顯出植物表型關(guān)鍵特征區(qū)域的輪廓，該過(guò)程被稱(chēng)為二值化[20]。對(duì)于圖像f(x，y)，二值化后的圖像g(x，y) 為

式中：T1表示二值化時(shí)的閾值下限；T2表示閾值上限，maxval表示當(dāng)前圖像系統(tǒng)的最大值?；叶戎翟陂撝祬^(qū)間內(nèi)的像素點(diǎn)全置為maxval，否則置為0，對(duì)于大部分?jǐn)?shù)字圖像系統(tǒng)maxval=255。由于在夜間灰度圖像中，像素的亮度中蘊(yùn)含了空間上的距離信息，故T1、T2的值可參考特征區(qū)域到攝像頭的距離手動(dòng)選定。

當(dāng)表型關(guān)鍵特征區(qū)域在圖像中占比較大時(shí)，還可以采用大律法(Otsu法)自動(dòng)尋找1個(gè)閾值并進(jìn)行分割。Otsu是一種非參數(shù)、無(wú)監(jiān)督的圖像分割閾值自動(dòng)選擇方法。通過(guò)判別準(zhǔn)則選擇一個(gè)最優(yōu)閾值，最大限度地提高生成類(lèi)在灰度級(jí)上的可分性[21]。

對(duì)二值圖像進(jìn)行形態(tài)學(xué)濾波以便更好地提取區(qū)域輪廓。首先以13×13的結(jié)構(gòu)元進(jìn)行形態(tài)學(xué)閉運(yùn)算，填充因光照不均勻而在閾值處理后產(chǎn)生的細(xì)小孔洞，平滑邊緣。再以9×9的結(jié)構(gòu)元進(jìn)行形態(tài)學(xué)開(kāi)運(yùn)算，進(jìn)一步平滑邊緣。采用基于邊界跟蹤的數(shù)字化二值圖像拓?fù)浣Y(jié)構(gòu)分析獲取區(qū)域邊界[22]，此邊界即為日間圖像中歐洲甜櫻桃表型關(guān)鍵特征區(qū)域初始邊緣。令p為邊界點(diǎn)(x，y)處的像素，C記為邊界的點(diǎn)集，即P∈C。

圖4-a至圖4-c即為夜間灰度圖像閾值處理并提取初始邊緣的整個(gè)過(guò)程，圖4-a為灰度圖原圖，圖4-b是灰度圖經(jīng)過(guò)Otsu閾值處理，并進(jìn)行開(kāi)運(yùn)算與閉運(yùn)算后的圖像，圖4-c是獲取的二值化圖像邊界。

1.2.2 權(quán)重圖生成 從夜間灰度圖得出初始邊緣后，即可以此為前置條件，開(kāi)始自適應(yīng)地尋找日間彩色圖像中的歐洲甜櫻桃表型圖像關(guān)鍵特征區(qū)域，首先需要計(jì)算含有每個(gè)像素到相鄰像素路徑代價(jià)的權(quán)重圖。

與原始智能剪刀算法類(lèi)似，對(duì)于彩色圖像，從任意一個(gè)像素點(diǎn)s到其相鄰的像素點(diǎn)t的局部代價(jià)I(s，t)為

I(s，t)=ωZ·fZ(t)+ωD·fD(s，t)+ωG·fG(t)。

式中：fZ表示拉普拉斯過(guò)零點(diǎn)代價(jià)，確保像素節(jié)點(diǎn)位于邊緣點(diǎn)上；fG表示像素在x和y方向上的梯度，當(dāng)有較大梯度值時(shí)，說(shuō)明圖像存在邊緣；fD表示梯度方向代價(jià)，當(dāng)2個(gè)像素具有相似的梯度方向但該方向和它們之間連接的方向接近垂直時(shí)給予高代，當(dāng)2個(gè)像素具有相似的梯度方向且和它們之間連接的方向一致時(shí)給予低代價(jià)[18-19]。ωZ、ωD、ωG均表示權(quán)值，本研究通過(guò)粒子群優(yōu)化算法獲取最佳權(quán)值。

將計(jì)算后的局部代價(jià)權(quán)重圖記為1個(gè)與原圖像相同形狀的矩陣A。

Apq=I(s，t)。

1.2.3 表型關(guān)鍵區(qū)域邊緣路徑尋找 由圖4-d至圖4-e，結(jié)合初始條件，設(shè)計(jì)算法，自主獲取植物表型關(guān)鍵特征區(qū)域。即在獲取權(quán)重圖矩陣A后，結(jié)合初始邊緣集合C，開(kāi)始尋找最終目標(biāo)邊緣集合Aend，步驟如下。

Step1：選取s=1、k=2作為初始的索引，s表示集合C中第s個(gè)元素；k表示集合C中第k個(gè)元素，設(shè)初始路徑計(jì)數(shù)器數(shù)列為

cn=0，n=1，2，3，4，…。

設(shè)初始最終路徑點(diǎn)集合為

Cend=?。

Step2：從二值化圖像的邊緣中選取一個(gè)點(diǎn)ps作為種子點(diǎn)，記為

pseed=ps，pseed∈C。

從pseed的鄰域內(nèi)取一點(diǎn)pk作為自由點(diǎn)，記為

pfree=pk，pfree∈C∩N4(pseed)，ps=C。

其中：N4(pseed)表示像素4臨域。

Step3：通過(guò)pseed、pfree的坐標(biāo)(xseed，yseed)、(xfree，yfree)在權(quán)重圖上定位2個(gè)節(jié)點(diǎn)，即矩陣A中的點(diǎn)Axfreeyfree、Axfreeyfree，使用Dijkstra算法[23]，得出pseed～pfree對(duì)應(yīng)的節(jié)點(diǎn)在權(quán)重圖上的最短路徑，此路徑即為pseed～pfree的特征區(qū)域邊界段，記為數(shù)列{aN}。

Step4：將索引k向前移動(dòng)1位，即

k:=k+1。

Step5：從集合C中取出第k個(gè)元素作為新的自由點(diǎn)，即

pfree=pk，pfree∈C∩N4(pseed)。

同“Step3”，獲取pseed至新的pfree的路徑，記為{bn}。

Step6：比較路徑{an}和{bn}，將路徑上的點(diǎn)按位與，則有數(shù)列{dn}：

dn=an∧bn，n=1，2，3，4，…。

此時(shí)，若在路徑第n個(gè)點(diǎn)上an=bn，則有dn=1；否則，dn=0。

Step7：將重合的路徑點(diǎn)所對(duì)應(yīng)的計(jì)數(shù)器加1，從第1個(gè)不重合點(diǎn)開(kāi)始，后面的路徑對(duì)應(yīng)點(diǎn)計(jì)數(shù)器置0，即設(shè)g、h、m為數(shù)列的索引，則

?!g，dg=0，且?h

則有

ch:=ch+1，cm=，m≥g。

其中：dg、dh分別表示數(shù)列{dn}中的元素；ch、cm表示數(shù)列{cn}中的元素。

Step8：判斷路徑計(jì)數(shù)器數(shù)列{cn}，將大于閾值φ的路徑設(shè)為凍結(jié)路徑，本已經(jīng)中閾值φ通過(guò)粒子群優(yōu)化算法獲取。并將所述凍結(jié)路徑加入最終路徑點(diǎn)集合，同時(shí)重新選取種子點(diǎn)；即設(shè)i、j、l為數(shù)列的索引，則

?!i，?j≤i，cj≥φ；?l>i，cl<φ。

則有

Cend:=Cend∪{bj}。

其中：cj、cl分別表示數(shù)列{cn}中的元素；

此時(shí)最終路徑點(diǎn)集Cend中包含已凍結(jié)路徑點(diǎn)；選取新的種子點(diǎn)為

pseed=pi，pseed∈C。

將路徑計(jì)數(shù)器數(shù)列{cn}、路徑數(shù)列{bn}中對(duì)應(yīng)的已凍結(jié)路徑的數(shù)值丟棄，并將未凍結(jié)的數(shù)值重新排列至前方，即

cn:=cn+i；

bn:=bn+i。

Step9：將索引k向前移動(dòng)1位，并重設(shè)臨時(shí)路徑數(shù)列，即

k:=k+1；

{an}:={bn}。

判斷尋路是否結(jié)束，若?pk∈C，尋路繼續(xù)，返回“Step4”；若?/pk∈C，尋路結(jié)束，此時(shí)需要將路徑數(shù)列{bn}中剩余路徑加入到最終邊界點(diǎn)集Cend中，即

Cend:=Aend∪{bn}。

最終，點(diǎn)集Cend即為目標(biāo)邊界點(diǎn)集。圖4-e中藍(lán)線為特征區(qū)域；在圖4-e的局部放大圖4-h中可以看出，邊緣點(diǎn)集Cend相比初始條件點(diǎn)集C更加接近實(shí)際特征區(qū)域邊緣；邊緣點(diǎn)集可進(jìn)一步生成歐洲甜櫻桃表型關(guān)鍵特征區(qū)域圖4-f。

1.2.4 基于粒子群算法的參數(shù)調(diào)優(yōu) 在分時(shí)重疊算法中，權(quán)重圖權(quán)值ωZ、ωD、ωG，凍結(jié)路徑閾值φ均為可調(diào)優(yōu)的參數(shù)，可將求解最優(yōu)參數(shù)的過(guò)程視作1個(gè)連續(xù)非線性函數(shù)的最優(yōu)化問(wèn)題。針對(duì)歐洲甜櫻桃圖像，采用交并比(IoU)[24]描述算法適應(yīng)度，計(jì)算櫻桃表型關(guān)鍵特征實(shí)際區(qū)域與分時(shí)分割重疊算法得出的預(yù)測(cè)區(qū)域之間的交并比。根據(jù)歐洲甜櫻桃植株特征與算法特性，規(guī)定解空間為ωZ∈[0.1，1]、ωD∈[0.1，1]、ωG∈[0.1，1]、φ∈{10，11，特征與算]。構(gòu)建最優(yōu)化問(wèn)題。

minf(ωZ，ωD，ωG，φ)=IoU

s.t. 0.1≤ωZ≤1

0.1≤ωD≤1

0.1≤ωG≤1

8≤φ≤40。

本研究基于粒子群算法求解最優(yōu)參數(shù)。粒子群算法是一種元啟發(fā)式優(yōu)化算法，通過(guò)一組簡(jiǎn)單的數(shù)學(xué)表達(dá)式來(lái)模擬粒子間的通信及在解空間中進(jìn)行的搜索[25]。

2 結(jié)果與分析

2.1 最優(yōu)參數(shù)獲取及性能分析

分別針對(duì)不同歐洲甜櫻桃圖像對(duì)，采用粒子群算法求解優(yōu)權(quán)重圖權(quán)值及最優(yōu)路徑閾值，種群規(guī)模設(shè)為25，經(jīng)過(guò)30次迭代，可獲取最優(yōu)權(quán)重(表 2)?？梢?jiàn)，在不同角度圖片歐洲甜櫻桃表型關(guān)鍵特征區(qū)域提取任務(wù)中，最優(yōu)權(quán)值存在差異。在實(shí)際科研過(guò)程中，通常須要采集不同時(shí)間跨度下的時(shí)間序列圖像進(jìn)行表型分析[26]。在時(shí)間序列中任取1張日間圖像及其對(duì)應(yīng)的夜間圖像，手動(dòng)選擇歐洲甜櫻桃表型關(guān)鍵特征實(shí)際區(qū)域，進(jìn)而通過(guò)粒子群算法獲取最優(yōu)參數(shù)，該參數(shù)可運(yùn)用于整個(gè)時(shí)間序列所有歐洲甜櫻桃圖像中。

本研究采用IoU作為分時(shí)重疊分割算法的性能度量，對(duì)比僅進(jìn)行閾值處理及形態(tài)學(xué)濾波獲得的二值化選區(qū)(簡(jiǎn)稱(chēng)“閾值處理”)與分時(shí)重疊所獲選取選區(qū)(表 2)。由圖5可知，閾值處理平均IoU為 0.834 6，分時(shí)重疊平均IoU為0.849 7，分時(shí)重疊分割算法獲取的特征區(qū)域平均IoU優(yōu)于閾值處理獲取區(qū)域平均IoU。由圖6可知，在大多數(shù)情況下，該算法可有效修正因植物生長(zhǎng)等因素導(dǎo)致的日間圖像與夜間圖像的偏差，使得選區(qū)更加貼合實(shí)際的特征區(qū)域。但仍有少部分情況算法未能起效，這是因?yàn)椴糠謭D像存在日間與夜間圖像局部偏差過(guò)大的情況，使得算法無(wú)法找回正確的特征區(qū)域邊緣路徑。

表2 分時(shí)重疊算法權(quán)重

2.2 方法對(duì)比

試驗(yàn)驗(yàn)證分時(shí)重疊分割算法性能，將各類(lèi)經(jīng)典自動(dòng)與交互式圖像分割算法與本研究方法進(jìn)行對(duì)比。由表 3可知，針對(duì)日間彩色圖片，經(jīng)典圖像分割Ostu算法平均IoU為0.382 6，經(jīng)典綠色植物分割算法ExG-ExR(超綠色-超紅色)[5]平均IoU為0.334 6，需要人手動(dòng)參與分割的交互式圖像分割算法GrabCut[7]及智能剪刀算法[18-19]平均IoU分別為0.753 3、0.850 8。分時(shí)重疊平均IoU為0.849 7，可較準(zhǔn)確地獲取植物表型關(guān)鍵特征區(qū)域；其IoU優(yōu)于GrabCut，接近智能剪刀，表明分時(shí)重疊算法分割植物關(guān)鍵特征區(qū)域能力達(dá)到交互式圖像分割算法相同水平。

表3 各算法IoU對(duì)比

3 結(jié)論

本研究提出并運(yùn)用分時(shí)重疊分割算法，從歐洲甜櫻桃圖像中分割出表型關(guān)鍵特征區(qū)域圖像，其成本低、精度高，可廣泛適用于農(nóng)業(yè)生產(chǎn)環(huán)境。第一，本研究從普通監(jiān)控?cái)z像頭的特性出發(fā)，結(jié)合照度第一定律，明確植物到攝像頭的距離可由夜間紅外補(bǔ)光植物灰度圖像中的亮度表征。第二，對(duì)于夜間紅外補(bǔ)光灰度圖像，對(duì)圖像閾值進(jìn)行處理；進(jìn)行形態(tài)學(xué)濾波，消除孔洞及平滑邊緣；并提取區(qū)域輪廓，輪廓中蘊(yùn)含灰度圖像中的空間信息。對(duì)于日間彩色圖像，將輪廓“重疊”到圖像上，以此作為分割前置條件，自動(dòng)尋找作物本體關(guān)鍵特征區(qū)域邊界。第三，算法中權(quán)重圖權(quán)值及最優(yōu)路徑閾值是可以調(diào)節(jié)的參數(shù)，可將求解最優(yōu)參數(shù)的過(guò)程視作一個(gè)連續(xù)非線性函數(shù)的最優(yōu)化問(wèn)題。構(gòu)建最優(yōu)化問(wèn)題，采用粒子群算法求解，即可獲取特定圖像的最優(yōu)參數(shù)，并可將參數(shù)運(yùn)用于同一角度的時(shí)間序列圖像中。第四，經(jīng)過(guò)測(cè)試，分時(shí)重疊算法平均IoU為0.849 7，分時(shí)重疊算法可較準(zhǔn)確地獲取植物表型關(guān)鍵特征區(qū)域。其IoU優(yōu)于GrabCut，接近智能剪刀，分割植物關(guān)鍵特征區(qū)域能力達(dá)到交互式圖像分割算法相同水平。且與僅進(jìn)行閾值處理與形態(tài)學(xué)濾波的區(qū)域相比，更加貼合實(shí)際的特征區(qū)域。

綜上，分時(shí)重疊方法以較低的采集成本與訓(xùn)練成本，可以獲取較高精度的歐洲甜櫻桃表型關(guān)鍵特征區(qū)域分割結(jié)果，魯棒性強(qiáng)，自動(dòng)化程度高。在后續(xù)研究中將著重考慮獲取特征區(qū)域圖像后如何進(jìn)一步用于農(nóng)業(yè)生產(chǎn)實(shí)際建模，以期最終在歐洲甜櫻桃種植生產(chǎn)調(diào)節(jié)中形成閉環(huán)研究。