鄂 雪,程朋樂
(北京林業(yè)大學(xué) 工學(xué)院,北京 100083)
立木的胸徑是森林資源調(diào)查中最為重要的測量因子[1],不同胸徑的木材有不同用途,如交通工具、建筑材料、燃燒材料等,對立木胸徑的測量至關(guān)重要。傳統(tǒng)接觸式的人工測量如輪尺、直徑卷尺、鉤尺費時費力,并具有一定的危險性[2],而機器視覺系統(tǒng)則可以提供一種非接觸式的立木胸徑測量方法[3]。如中南林業(yè)科技大學(xué)研制的林業(yè)數(shù)字式測徑儀利用機械原理實現(xiàn)胸徑的測量[4],北京林業(yè)大學(xué)測繪與3S技術(shù)中心研制的電子測樹儀[5],超站儀等設(shè)備進行森林計測[6],但國內(nèi)研制的儀器精度不高,不方便攜帶,操作困難。本研究提出一種融合激光和機器視覺的立木胸徑檢測方法,采用激光光斑對立木進行標(biāo)定,然后利用圖像處理技術(shù)對攝拍的立木進行邊緣提取,提取的關(guān)鍵是立木圖像的分割,傳統(tǒng)的圖像分割方法包括閾值分割、區(qū)域分割和基于邊緣的分割方法[7]。近年來,隨著新理論和新方法的提出,學(xué)者們提出了許多結(jié)合一些特定理論、工具和方法的圖像分割技術(shù),如白雪冰[8]等對彩色樹木的分割及其他神經(jīng)網(wǎng)絡(luò)[9]、免疫算法[10]和圖論[11]等技術(shù)。但它們可以分割某一類的圖像,缺少通用性,并在分割效果上存在一定的過分割或欠分割現(xiàn)象。本研究針對立木圖像的特點,采用改進的歸一化方法分割立木圖像。
圖1為測量系統(tǒng)示意圖,由數(shù)碼相機、光學(xué)鏡頭、擴束激光光源、三腳架、云臺等組成,其中激光光束作為檢測系統(tǒng)的標(biāo)尺,利用量程為0~600 mm的游標(biāo)卡尺進行精度驗證。在圖像處理時,光線太強或太暗都不利于立木邊緣的提取,用LED照度計控制光照強度在10 000~40 000 lx。采集圖片時激光發(fā)射器和數(shù)碼相機安裝在云臺立柱上,通過水平儀器保持設(shè)備水平,云臺立柱與云臺垂直安裝后固定在三腳架上,通過控制三腳架調(diào)節(jié)鏡頭高度。此次試驗采集胸徑在15~25 cm的立木圖片,圖像像素為2 592×1 944。拍攝圖片時利用系統(tǒng)使數(shù)碼相機鏡頭與地面保持水平,鏡頭與地面的距離大約為1.3 m。所用算法在MATLAB 2015環(huán)境下運行,首先對原始圖片進行預(yù)處理和圖像分割,然后識別圖片中激光光斑的圓心,記錄此時坐標(biāo),以標(biāo)尺的圓心為中心左右遍歷灰度值明顯變化時的坐標(biāo),此坐標(biāo)為激光光斑邊緣所在坐標(biāo)系的坐標(biāo)值;接著遍歷灰度值明顯變化時的坐標(biāo),此坐標(biāo)為立木邊緣所在坐標(biāo)系的橫坐標(biāo),立木樹干和樹干上的激光光斑位于同一平面上,與圖片采集系統(tǒng)的水平距離也相同,并且成像時焦距也一樣,所以放大倍數(shù)保持不變,已知激光光斑的實際尺寸為50 mm,由比例關(guān)系可得立木的胸徑值,此值的準(zhǔn)確性與圖像的分割效果密切相關(guān)。
圖1 測量系統(tǒng)Fig.1 Measuring device
在圖像采集時,由于光照不均勻、陰影和傳播路徑等因素導(dǎo)致圖像質(zhì)量的退化很不利于圖像的分析處理,所以要對圖像進行平滑濾波處理,本研究選用具有保邊去噪功能的雙邊濾波器對立木圖像濾波;又因所采用的歸一化分割要求高內(nèi)存,所以在此基礎(chǔ)上用局部均值法進行一定的像素減少處理,克服計算量大的缺點。
2.1.1 雙邊濾波 雙邊濾波器是一種非線性濾波器,它是根據(jù)濾波像素點鄰近像素的加權(quán)平均和灰度差異來實現(xiàn)濾波。它的加權(quán)系數(shù)由2部分組成,通過像素之間的距離確定的稱為空間域濾波核函數(shù),灰度濾波核函數(shù)是通過像素間的灰度值之差確定的。
雙邊濾波器在對原圖像進行平滑處理的同時很好地保護了邊緣信息。濾波后每個像素的灰度值即是其鄰域像素的加權(quán)平均,鄰域像素的加權(quán)系數(shù)即是空間鄰近度因子與灰度相似度因子的乘積[12]。這樣只有空間距離近和灰度值差異不大的鄰域像素對濾波結(jié)果有比較大的影響。
假設(shè)圖像I在坐標(biāo)點p=(x,y)的灰度值是Ip,濾波后的圖像在坐標(biāo)點p的灰度值定義為BIp,雙邊濾波的公式為[13]:
(1)
式中,q=(u,v)為中心像素p的鄰域像素點,S為鄰域像素點的集合,Wp為歸一化因子,Gσs為空間鄰近度因子,Gσr為灰度相似度因子。σs是基于高斯函數(shù)的距離標(biāo)準(zhǔn)差,σr是基于高斯函數(shù)的灰度標(biāo)準(zhǔn)差,均為可選擇的參數(shù),不同的參數(shù)表現(xiàn)了雙邊濾波器不同的性能,通過控制像素的空間位置和灰度變化來調(diào)節(jié)像素的加權(quán)值。
2.1.2 局部均值法縮小圖像 設(shè)原圖像的像素大小為W×H,將其縮小為(k1×W)×(k2×H),則采樣區(qū)間為:
ii=1/k1;jj=1/k2
(2)
式中,ii為像素點i與i之間的距離,jj同理,式中k1<1且k2<1,當(dāng)k1=k2時為等比例縮??;當(dāng)k1≠k2時為不等比例縮小。設(shè)原圖為F(x,y),(x=1,2,…,i,…W;y=1,2,…,j,…H),縮小的圖像為G(x,y)(x=1,2,…,i,…M;y=1,2,…,j,…N)其中M=k1×W,N=K2×H,則有原圖像局部子塊為:
(3)
縮小后的圖像G(x,y)為f′(x,y)的均值。
2.2.1 圖論基礎(chǔ) 設(shè)1幅圖像有n個頂點,m條邊,構(gòu)造無向帶權(quán)圖G=(V,E,W),其中V是頂點(v1,v2,…,vi,…,vn)的集合,E是邊(e1,e2,…,vm)的集合,W為圖的權(quán)值矩陣,wij是圖中連接2頂點i、j的權(quán)值,它反映了頂點i、j的相似程度。假設(shè)圖G分為子圖A和B,且A∪B=V,A∩B=?,則連接子圖A和B的所有邊的集合稱為圖的割集,連接子圖A和B的兩條邊e1和e2就是圖G的割集,把割集上的權(quán)值之和稱為割(cut),即:
(4)
2.2.2 權(quán)值矩陣的構(gòu)建 本研究的目的是精確有效地提取標(biāo)尺和立木邊緣,標(biāo)尺采用高亮度的激光光束,成像清晰,與背景的灰度值差別大,容易提取,所以立木邊緣的提取是關(guān)鍵。針對立木圖像的特點,本研究采用改進的歸一化分割方法,在傳統(tǒng)權(quán)值矩陣的基礎(chǔ)上給出了新的定義。
2個像素用邊連接起來后,每個邊需要賦一個權(quán)值表示像素之間的相似性和差異性,包括圖像的顏色、亮度、距離、紋理等方面的信息。傳統(tǒng)權(quán)值計算函數(shù)如下[14]:
(5)
式中,I(i)為節(jié)點vi處所表示的像素的灰度、顏色或紋理信息的特征向量。X(i)為節(jié)點vi的空間位置。σI和σX為調(diào)節(jié)參數(shù)。r為2像素之間的有效距離?!ぁ?表示向量范數(shù),即2-范數(shù),指2像素之間的距離。由公式可知,若2像素之間距離>r,相似度為0,也就是距離>r的2像素之間沒有邊連接。
歸一化分割直接作用立木圖像的像素點,計算量大,內(nèi)存要求高,為了簡化算法,本研究在傳統(tǒng)權(quán)值矩陣的基礎(chǔ)上進行了改進。
(6)
結(jié)合像素的特征和方向最終定義像素點i和j權(quán)值矩陣wij為:
(7)
權(quán)值矩陣wij避免了非立木邊緣像素的計算(圖2),提高了運行效率。
圖2 像素點矩陣Fig.2 Pixel matrix
2.2.3 Ncut算法的求解 當(dāng)cut(G1,G2)最小時,就得到了圖G=(V,E,W)的最優(yōu)分割,但是這種最小割準(zhǔn)常常會把一些孤立點和小區(qū)域分割為一類,特別是當(dāng)圖像中存在噪聲時,這種分割就失去了意義。為克服此缺點而提出的歸一化分割準(zhǔn)則如下:
(8)
表1 9個像素點的權(quán)值Table 1 Weights of 9 pixels
圖3是本算法整體框架圖,主要是基于歸一化割算法對像素點的分割,內(nèi)存要求高,對噪聲敏感,分割出的立木圖像可能會造成其過分割和欠分割,所以對原圖像先進行雙邊濾波處理,去除多余邊緣和噪聲,再通過局部均值法改變圖像的大小和方向,使歸一化割在構(gòu)造權(quán)值矩陣上更加簡單,提高分割時間。
圖3 歸一化分割流程Fig.3 Normalized segmentation flow chart
因為不同環(huán)境下采集到的立木圖像不同,所以按立木背景條件,將立木圖像分為3類分析。新算法在幾種立木圖像上進行分割試驗,并把結(jié)果列表分析,歸納 Normalized Cut方法適用于何種立木圖像,探討Normalized Cut算法在立木圖像分割領(lǐng)域的可行性。本試驗采集的樹木包含各種可能出現(xiàn)的情況,具有普遍性。樹木拍攝距離在10 m左右,取立木1.3 m處的胸徑部位,此部位可利用拍攝系統(tǒng)控制。
圖4為單株立木圖像分割結(jié)果,其目標(biāo)和背景有很強的區(qū)分度,輪廓比較清晰。圖4a是用檢測系統(tǒng)采集的彩色圖像,利用算法自動定位激光部位,以激光為中心取360×210的切割片(圖4b),又因為拍攝圖片受天氣的影響具有一定的噪聲,本研究采用具有保邊去噪功能的雙邊濾波器處理,增強圖片的區(qū)分度,結(jié)果見圖4c,在此基礎(chǔ)上采用局部均值法對圖像進行像素減少處理,使原圖像的長寬都縮小1/2,克服了歸一化割算法要求高內(nèi)存, 計算量大的缺點。圖4e為改進后的歸一化分割結(jié)果,該算法有效地提取了所需信息,達(dá)到了想要的結(jié)果。
圖5a為相互重疊的立木圖像,立木表面紋理清晰,兩根立木有一定的區(qū)分度,邊緣平滑不存在尖銳部分,背景相對簡單。對于這類立木圖像,處理好接連部分并精確找到所測立木邊緣是關(guān)鍵,經(jīng)去噪和尺度變化后得到圖5d的立木圖像,采用結(jié)合特定方向的歸一化分割結(jié)果見圖5e。對于多棵立木相互重疊的圖像,只要識別出激光光斑所在水平線的立木邊緣,分割結(jié)果便可達(dá)到要求。
在采集圖片的過程中盡量避免背景復(fù)雜的情況,但在實際應(yīng)用中,自然環(huán)境無法控制,這種現(xiàn)象不可避免,這就需要我們采用有效的算法提取有用信息。本算法在識別過程中首先識別的是激光光斑的位置,由于激光亮度極高,即使在較強光照下也能清楚成像,找到光斑位置,只需提取以光斑為中心,截取像素大小為360×210的長方形切片,降低了算法的復(fù)雜度。由圖6可見,立木和背景的灰度值很接近,在處理時很容易將有用信息和背景混淆,給邊緣提取帶來了困難。圖6e為本研究所提算法的分割結(jié)果,它基本達(dá)到要求,但存在一定的欠分割現(xiàn)象。
圖4 簡單立木處理結(jié)果Fig.4 Simple stand processing results
圖5 重疊立木處理結(jié)果Fig.5 Overlapping wood processing results
為了驗證本研究所提算法對立木圖像分割的有效性,對采集的30幅立木彩色圖像進行分割,統(tǒng)計的誤提取率見表2。將誤提取率定義為[15]:
(9)
式中,c為誤提取率,d是提取的立木胸徑,t是實際的立木胸徑。立木胸徑的平均誤提取率為1.21%,即正確的分割率為98.79%,滿足現(xiàn)今對于精準(zhǔn)林業(yè)的要求,可以替代傳統(tǒng)的接觸式胸徑測量方法。
表2 立木邊緣提取結(jié)果Table 2 Timber edge extraction results %
改進后的歸一化圖像分割算法解決了傳統(tǒng)算法空間需求大、處理速度慢的缺陷,提高了立木邊緣檢測的效率;通過對簡單立木、立木重疊和背景復(fù)雜的立木邊緣的提取,立木胸徑的平均誤提取率為1.21%,即正確的分割率為98.79%,可以達(dá)到要求,其中背景越簡單,提取的速度越快,準(zhǔn)確率越高。本研究采用具有高亮度特性的激光作為標(biāo)尺,消除自然環(huán)境的光照強度對本測量方法的影響,采用雙邊濾波和局部均值法的預(yù)處理,使原圖像計算更加簡單,對光照變化不明顯。由于本方法是對圖像集體采集后,再在計算機上解算分析,這就不能實時得到立木邊緣信息,在以后的研究中可以和其他設(shè)備共同工作,使本方法更加智能化。在背景復(fù)雜的情況下,本算法不能識別整體立木邊緣,存在欠分割現(xiàn)象,這仍是需要解決的問題。
圖6 復(fù)雜立木處理結(jié)果Fig.6 Complex processing results
參考文獻(xiàn):
[1] 馮仲科,趙春江,聶玉藻,等.精準(zhǔn)林業(yè)[M].北京:中國林業(yè)出版社,2002.
[2] 孟憲宇.測樹學(xué)[M].北京:中國林業(yè)出版社,1998.
[3] 程朋樂,劉晉浩,王典.融合激光和機器視覺的立木胸徑檢測方法[J].農(nóng)業(yè)機械學(xué)報,2013,44(11):271-275.
CHENG P L,LIU J H,WANG D.Measuring diameters at breast height using combination method of laser and machine vision[J].Transactions of the CSAM,2013,44(11):271-275.(in Chinese)
[4] 鄢前飛.林業(yè)數(shù)字式測徑儀的研制[J].中南林業(yè)科技大學(xué)學(xué)報:自然科學(xué)版,2008,28(2):95-99.
YAN Q F.Development of forestry digital measurer of diameter[J].Journal of Central South University of Forestry & Technology:Natural Science Edition,2008,28(2):95-99.(in Chinese)
[5] 吳小平,岳德鵬,陳金星,等.RD1000電子測樹儀立木因子測定及適用性研究[J].西北林學(xué)院學(xué)報2016,31(2):219-224.
WU X P,YUE D P,CHEN J X,etal.Measurement of stumpage factors and its applicability of the RD1000[J].Journal of Northwest Forestry University,2016,31(2):219-224.(in Chinese)
[6] 馮仲科,王佳.一種測樹型超站儀及其使用方法:102466476A[P].2012-05-23.
[7] 許新征,丁世飛,賈偉寬,等.圖像分割的新理論和新方法[J].電子學(xué)報,2010,38(Supp.1):76-82.
XU X Z,DING S F ,JIA W K,etal.New theories and methods of image segmentation[J].Acta Electronic Asinica,2010,38(Supp.1):76-82.(in Chinese)
[8] 白雪冰,郭景秋,陳凱,等。結(jié)合 C-V模型水平集與形態(tài)學(xué)的彩色樹木圖像分割[J].西北林學(xué)院學(xué)報2015,30(2):196-200.
BAI X B,GUO J Q,CHEN K,etal.Color tree image segmentation method integrating a set of C-V plane models with morphological processing[J].Journal of Northwest Forestry University,2015,30(2):196-200.(in Chinese)
[9] 柳皓笛,李文彬,闞江明.基于神經(jīng)網(wǎng)絡(luò)的立木枝干測量方法研究[J].湖南農(nóng)業(yè)科學(xué),2009,120(3):115-117.
[10] 薄華,馬縛龍,焦李成.基于免疫算法的SAR圖像分割方法研究[J].電子與信息學(xué)報,2007,29(2):375-378.
BO H,MA F L,JIAO L C.Research on immune algorithm based method for SAR image segmentation[J].Journal of Electronics & Information Technology,2007,29(2):375-378.(in Chinese)
[11] 劉建龍.基于圖論的圖像分割算法研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2006.
[12] 李俊峰.雙邊濾波算法的快速實現(xiàn)及其在圖像處理的應(yīng)用[D].廣州:南方醫(yī)科大學(xué),2013.
[13] 李俊峰,楊豐,黃靖.一種改進的增維型雙邊濾波的快速算法[J]:電路與系統(tǒng)學(xué)報,2013,18(1):137-143.
LI J F,YANG F,HUANG J.A fast implementation of improved bilateral filter based on ascending dimension[J].Journal of Circuits and Systems,2013,18(1):137-143.(in Chinese)
[14] 張麗.基于改進歸一化割的甲狀腺腫瘤B超圖像分割[D].石家莊:河北大學(xué),2013.
[15] GEORGE E M,NETO J C.Verification of color vegetation indices for automated crop imaging applications[J].Computer and Electronics in Agriculture,2008,63(2):282-293.