梅 杰,孫開瓊,覃 磊,劉昌華

(武漢輕工大學(xué) 數(shù)學(xué)與計(jì)算機(jī)學(xué)院,湖北 武漢 430023)

0 引言

油菜種植在我國十分廣泛,油菜籽是重要的植物油源,也是植物蛋白粉的主要來源之一[1]。根據(jù)國家統(tǒng)計(jì)局?jǐn)?shù)據(jù),2018年中國油菜籽產(chǎn)量為1328.12萬t。開花期是油菜種植的關(guān)鍵階段,其標(biāo)志著油菜從營養(yǎng)生長向生殖發(fā)育的過渡。油菜開花信息有助于揭示油菜生長與環(huán)境的關(guān)系,并且有助于制定最優(yōu)的作物管理方案[2]。計(jì)算機(jī)視覺技術(shù)是自動量化油菜開花數(shù)量和程度,取代耗時(shí)的人工測量的重要手段。

顏色閾值和聚類方法通常被用來實(shí)現(xiàn)花的分割和比例估計(jì),其圖像來源于不同的成像方式，例如： Fang S, et al.[3]采用油菜冠層反射光譜綠、紅、紅邊和近紅外光譜數(shù)據(jù); Wan L, et al.[4]采用紅、綠、藍(lán)多光譜。在類似的成像條件下, Aggelopoulou A D, et al.[5]提出的檢測花卉的顏色閾值方法要求在特定的日光時(shí)間拍攝圖像,并在樹后設(shè)置黑屏去掉背景。Thorp K R,et al.[6]提出了HSI顏色空間中顏色閾值圖像分割方法。Hocevar M, et al.[7]根據(jù)HSI空間中顏色的確定閾值來估計(jì)蘋果樹的花簇?cái)?shù)目。Oppenheim D, et al.[8]采用了兩個閾值區(qū)間來檢測番茄花,閾值區(qū)間的選擇是通過將圖像分成較暗和較淺的圖像來決定的。這種圖像分類是基于對整個圖像的飽和度的統(tǒng)計(jì),因此,該方法對背景變化敏感。Long Y, et al.[9]建立了基于RGB顏色空間的顏色相似性判斷模型,確定了合適的顏色相似性判斷閾值,以對油菜花進(jìn)行分類。相似度閾值實(shí)際上決定了最終結(jié)果的聚類數(shù),需要為每個圖像指定聚類數(shù)。在聚類方法方面, Shuai D, et al.[10]利用黃色模板去除背景信息,然后用K-means聚類法對油菜花進(jìn)行分割。還有一些學(xué)者[4，10-12]采用不同的聚類數(shù)進(jìn)行花卉分割,這些聚類數(shù)均需要人工預(yù)先指定。HSI變換通常被認(rèn)為是戶外農(nóng)業(yè)場景中可變光照條件下彩色圖像分割的有用方法。研究發(fā)現(xiàn),油菜花面積在H通道中有較穩(wěn)定的統(tǒng)計(jì)[6]。已有的花卉閾值分割方法都是在特定的顏色通道中使用目標(biāo)敏感閾值來簡化多區(qū)域情況,因?yàn)槿藗冎魂P(guān)心花與背景的分離[6,8]。然而,閾值的選取對環(huán)境的變化非常敏感。作為解決此問題的一種選擇,伴隨顏色閾值的蒙特卡羅抽樣方法[6]使用多組參數(shù)來進(jìn)行分割，得到多個分割結(jié)果,最后綜合所有結(jié)果得到最后分割,這導(dǎo)致計(jì)算成本增加。利用整個圖像的飽和度統(tǒng)計(jì)信息[8],使閾值區(qū)間適應(yīng)單個測試圖像,這樣的估計(jì)并不準(zhǔn)確。

本文的研究目標(biāo)是開發(fā)一種油菜花的分割方法,圖像來源于可見光范圍內(nèi)的普通數(shù)碼相機(jī)拍攝成像，這種成像方法的成本低,且易于實(shí)現(xiàn)。在對油菜花的分割中，為了克服背景變化對顏色閾值的影響,本文提出了一種基于HSI空間顏色閾值和X均值自動聚類[13]相結(jié)合的方法。顏色閾值用來確定候選的目標(biāo)區(qū)域,然后計(jì)算其區(qū)域統(tǒng)計(jì)量,包括均值和方差,這些量被用在X均值自動聚類方法[13]中作為約束條件,自動決定聚類數(shù)目和目標(biāo)區(qū)域?qū)?yīng)的聚類。與現(xiàn)有的顏色閾值方法不同的是,本文提出的方法并不直接采用顏色閾值得到的二值化結(jié)果,而是估計(jì)其對應(yīng)區(qū)域的統(tǒng)計(jì)量,相對于現(xiàn)有的聚類方法,提出的方法不需要預(yù)先指定聚類數(shù)目。整個分割過程如圖1所示。首先,RGB油菜花圖像被轉(zhuǎn)化至HSI空間[6],通過H通道閾值去掉背景,得到候選目標(biāo)區(qū)域；然后將圖像再轉(zhuǎn)至LAB空間,分別計(jì)算候選目標(biāo)區(qū)域在a、b空間的均值和方差;均值作為初始中心，使用X均值自動聚類算法[13]進(jìn)一步分割油菜花；在聚類過程中,之前計(jì)算的候選目標(biāo)區(qū)域的方差作為一個類是否分裂為兩個子類時(shí)兩個子類中心需要滿足的距離條件,形成對新產(chǎn)生的聚類的約束。實(shí)驗(yàn)表明,本文提出的這種方法可以克服背景變化對分割的影響,能夠自動、精準(zhǔn)地分割出田間油菜花。

圖1 算法過程流程圖

1 HSI顏色空間的閾值分割

HSI顏色模型[6]采用H、S、I三個參數(shù)來描述彩色圖像,其中H表示顏色的波長,稱為色調(diào);S表示顏色的深淺程度,稱為飽和度;I表示強(qiáng)度或亮度。從RGB空間轉(zhuǎn)換成為HSI空間的公式為:

I=(r+g+b)/3

(1)

(2)

(3)

式(3)中θ的定義為:

(4)

在轉(zhuǎn)換前,圖像的R、G、B的值需要進(jìn)行歸一化處理,分別得到歸一化值r,g,b，然后根據(jù)(1)、(2)、(3)式將RGB圖像轉(zhuǎn)為HSI顏色空間模型,轉(zhuǎn)換后的H、S、I值也在[0,1]區(qū)間。Thorp K R, et al.[6]統(tǒng)計(jì)了有關(guān)黃色花朵在HSI顏色空間每個通道的邊界信息,邊界信息由最大和最小色調(diào)、最大和最小飽和度、最大和最小強(qiáng)度六個參數(shù)組成,各個通道的值如表1所列。本文只利用H通道的邊界值,即[0.1216,0.1768]。將在邊界條件范圍內(nèi)的像素值設(shè)為1,其它不在范圍內(nèi)的設(shè)為0,得到二值圖像。圖2b給出了圖2a中的原始圖像通過以上顏色閾值后對應(yīng)的目標(biāo)區(qū)域,其中背景為黑色,目標(biāo)為原始圖像中的RGB顏色。

表1 油菜花圖像分割所用的邊界信息

a b

2 自動聚類

X均值自動聚類法[13]是一種典型的無監(jiān)督聚類算法。在X均值聚類中,只需給出種類的上限和下限,它便會將數(shù)據(jù)集合劃分為合適的聚類,同時(shí)得到聚類數(shù)目。與傳統(tǒng)的K均值聚類相比,X均值聚類輸出的不僅有質(zhì)心集,還有根據(jù)模型選擇標(biāo)準(zhǔn)在得分最高處的K值。該算法從給定范圍下限Kmin開始,在需要的地方繼續(xù)添加質(zhì)心,直到達(dá)到上限為止,而決定是否需要增加質(zhì)心采用貝葉斯信息標(biāo)準(zhǔn)。在此過程中,記錄得分最高的質(zhì)心集,作為最終輸出的質(zhì)心集。

2.1 貝葉斯信息標(biāo)準(zhǔn)

假定D為給定的數(shù)據(jù)集合,Mj是可選的模型對應(yīng)不同的聚類數(shù)K得到的聚類結(jié)果。為了判斷模型是否合適,采用后驗(yàn)概率Pr[Mj|D]對模型打分,并用下面的貝葉斯信息標(biāo)準(zhǔn)來擬合后驗(yàn)概率:

(5)

在高斯假設(shè)下,并假設(shè)所有類的方差相同,方差的極大似然估計(jì)為:

(6)

式(6)中：μ(i)是對應(yīng)點(diǎn)xi的聚類中心;xi是聚類像素的值,其概率為:

(7)

式(7)中：R(i)為點(diǎn)xi對應(yīng)聚類的點(diǎn)數(shù)目;M為數(shù)據(jù)的維度。

對于所有像素點(diǎn)的對數(shù)似然函數(shù)為:

(8)

對某個第n(1≤n≤K)類,如果只關(guān)注屬于質(zhì)心n范圍的集合Dn,并考慮最大似然估計(jì),則得到:

+RnlogRn-RnlogR

(9)

2.2 X均值自動聚類

利用前面的貝葉斯信息標(biāo)準(zhǔn),X均值自動聚類算法包括以下4個操作:(1)輸入Kmin、Kmax和數(shù)據(jù)集D；(2)運(yùn)行傳統(tǒng)的K均值聚類算法(K=Kmin)；(3)對當(dāng)前已有的所有聚類,進(jìn)行K均值聚類(K=2)；(4)根據(jù)貝葉斯信息標(biāo)準(zhǔn)計(jì)算聚類及其兩個子類的分?jǐn)?shù)，決定是否進(jìn)行二分聚類。對第(3)步到第(4)步進(jìn)行迭代,如果兩次結(jié)果(中心點(diǎn)數(shù)量)一樣或達(dá)到Kmax,則結(jié)束迭代。

3 分割方法

在復(fù)雜的田間環(huán)境中,影響農(nóng)作物分割的因素有很多,一是自然環(huán)境的影響,如土壤、光照和天氣;二是農(nóng)作物對本身的影響,如葉片、花稈。前面通過顏色閾值得到的目標(biāo)區(qū)域并不準(zhǔn)確,包含與目標(biāo)顏色接近的背景。采用傳統(tǒng)的聚類方法一般可以得到完整的目標(biāo)區(qū)域,但是通常需要人工指定或者調(diào)節(jié)聚類數(shù)目,而常用的自動決定聚類數(shù)的方法基于特定的假設(shè),難以符合本文油菜花分割的情況。X均值自動聚類方法偏向聚類數(shù)目較大的選擇,容易導(dǎo)致過分割。本文采用X均值自動聚類方法[13],但是利用前面顏色閾值得到的目標(biāo)區(qū)域的統(tǒng)計(jì)信息,在自動聚類中增加約束,來實(shí)現(xiàn)完全自動的分割。聚類采用原始圖像在LAB空間的a、b通道的值,如圖2c、圖2d所示。采用上節(jié)的聚類過程,不同的是,在判斷接受當(dāng)前的某個類分裂為兩個子類時(shí),除了前面的貝葉斯信息標(biāo)準(zhǔn),另外增加的條件為:兩個子類的質(zhì)心距離差的平方大于候選目標(biāo)區(qū)域的在對應(yīng)顏色通道的方差,候選目標(biāo)區(qū)域由前面H通道的顏色閾值得到,即滿足下式:

(10)

式(10)中：D是兩個子類質(zhì)心在a、b通道的差;右邊為固定的方差；Ai、Bi是候選目標(biāo)區(qū)域在a、b通道上的點(diǎn)值；分母是候選目標(biāo)區(qū)域的點(diǎn)數(shù)。

圖3a顯示了圖2a原始圖像的聚類分割結(jié)果,與原始顏色閾值的結(jié)果圖2b相比,得到的新結(jié)果有更清晰的目標(biāo)區(qū)域,且干擾的背景像素大量減少。采樣同樣的顏色通道,將聚類數(shù)范圍設(shè)定為[2,10],采用原始的X均值自動聚類方法[13]得到的最優(yōu)聚類數(shù)為5,圖3c和圖3d顯示了其中與候選目標(biāo)區(qū)域顏色最接近的兩個聚類的結(jié)果,與本文提出的方法對比,原始的X均值導(dǎo)致了目標(biāo)的過分割,而本文增加的分裂約束抑制了過分割,得到更完整的目標(biāo)區(qū)域,即圖3a。

a b

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文提出的分割算法的效果,我們使用Matlab 2018b對選取的30張油菜花田航拍圖像進(jìn)行仿真實(shí)驗(yàn)，并將本文方法所得的結(jié)果與傳統(tǒng)的顏色閾值方法相比較。圖4給出了本文的方法與其它3種方法ExG[14]、ExR[15]、兩階段方法[16]比較的結(jié)果。

a b c d e

如圖4所示：ExG和ExR分割方法都將原始圖像中某些黃色枯萎的葉子也分割出來了,以致分割的圖像中出現(xiàn)很多細(xì)小的黃點(diǎn)；兩階段算法相對于ExG和ExR而言較好；本文所提出的方法也避開了黃色葉子的分割錯誤?？傮w上,采用上述4種方法均得到了比較滿意的結(jié)果,區(qū)別在微小的目標(biāo)區(qū)域。

采用同樣的方法對大尺度圖像的分割結(jié)果如圖5所示,由于受背景的影響,大量的背景像素顏色主導(dǎo)了閾值的選擇,因此采用ExG、ExR以及兩階段方法所得的結(jié)果都有大片的背景存在,效果不佳；而采用本文提出的方法并沒有受到背景的明顯的影響,所得結(jié)果對背景的變化并不敏感。由于背景的變化,圖像上實(shí)際的不同目標(biāo)數(shù)量增加,采用固定聚類數(shù)目的方法[10-12]不能適應(yīng)這種變化,需要人為地確定合適的聚類數(shù)目；而本文的方法能夠自動檢測確定合適的聚類數(shù),不需要人工指定,實(shí)現(xiàn)了完全的自動化。

5 結(jié)論與討論

本文提出了一種基于自動聚類的油菜花圖像分割方法,相對于傳統(tǒng)的顏色閾值分割方法,提出的方法能夠?qū)⑴c油菜花顏色相近的土壤剔除掉。與ExG、ExR以及兩階段方法相比，本文提出的方法對背景的變化具有更強(qiáng)的適應(yīng)性,且能自動確定合適的聚類數(shù)。本文方法存在的問題是,對于油菜花中心的綠色花蕊無法分割,造成分割的花朵中心為空,沒有考慮目標(biāo)的形狀信息。