基于颜色特征与直方图阈值相结合的田间青椒图像分割算法

liyf

随着农业的不断发展，自动化是现代化农业的一个首要标志。在青椒采摘机器人的研制中，田间青椒果实与其背景的分离是首要的任务。由于机器人采集的图像受到自然光的影响,青椒果实表面与其周围叶片等环境存在一定的差别, 目前常用的图像分割方法有两种：利用图像的颜色特征进行分割以及利用bP神经网络对图像进行分割。本文经过对青椒果实的颜色因子和青椒叶子的颜色因子分析发现，通过RGb颜色因子G与b的差值和G与R的差值的叠加可以将青椒从其背景中有效分割出来。1 图像的采集    (1)采集时间：图像获取的时间，应根据青椒作物的生长状况和生长规律而定，选择青椒有较明显特征时进行拍摄。    (2)采集地点：东北农业大学园艺田。    (3)所用仪器：SONY彩色数码照相机。    (4)采集方法：用数码相机在园艺田中拍摄青椒作物图片，选择具有典型代表的图片进行处理，获取的图像以JPG格式存储在存储卡中，在并行口与计算机相连，将图像存储于硬盘中并转成bMP格式的24位真彩图。    在实际应用系统中可考虑采用CCD摄像机动态采集图像，通过图像采集卡将图像实时地传入到控制台的计算机内。由于数字图像处理具有数据量大、处理费时的特点，考虑到实际操作时，青椒识别系统的实时性要求高，因而要求计算机的性能较高，尤其是处理速度要高，在满足识别系统要求的情况下，选择性价比高的硬件配置。2 田间青椒图像颜色特征的分析算法    颜色是自然界中一种常见的物理现象，是外界的光刺激引起人的颜色视觉细胞的感应。目前，用于定量地描述颜色的模型有许多种，在与数字图像处理有关的研究中使用得最多的颜色模型是RGb模型和HIZ模型。RGb颜色模型基于人类视觉的三基色原理，是最基本的一种颜色模型，因此本文采用此颜色模型进行分析研究。在这种颜色模型中，彩色图像中每个像素的颜色都能用三维空间中第一象限的一个点来表示，如图1所示。

    所谓的颜色特征提取方法是从彩色图像中获取三基色(R、G、b)的原始数据，或经一定数学处理的算子(颜色因子)，对果实与周围背景进行颜色区分。在采集的图像中，其丰富的色彩信息为青椒图像的分割提供了便利。在颜色特征提取分析过程中，利用 Photoshop图像处理软件对图像中各对象(青椒、青椒叶)的感兴趣区域ROI(Region of Interest)进行分析和比较， 图2是ROI的选取示意图。

　　表1、表2是图像中各对象(青椒、叶子)颜色特征的R、G、b值和颜色因子G-R、G-b、|G-R|+|G-b|的值，共有30组。



    在提取各对象R、G、b成份值后，用Excel对数据进行了统计分析，比较了青椒和青椒叶两者间的G-R、G-b、|G-R|+|G-b|的颜色因子。通过表1和表2的对比发现，青椒与叶子G-R、G-b颜色因子的值都比较接近，而青椒和青椒叶|G-R|+|G-b|颜色因子的值存在较大的差别，因此，可以利用颜色因子|G-R|+|G-b|将青椒果实与其背景的差别显现出来。对图像G-R颜色因子处理后的图像如图3所示。
                          
                       
                          
                               

    对图像G-b颜色因子处理后的图像如图4所示。

    对图像|G-R|+|G-b|颜色因子处理后的图像如图5所示。

    从图3、图4、图5的对比不难发现，经颜色因子|G-R|+|G-b|处理后的图像，青椒与其背景存在明显的差别。3 直方图阈值分割算法    图像分割是指根据灰度、色彩、空间纹理、几何形状等特征，把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。目前，最常用的图像分割方法是阈值分割。其中阈值选取方法主要有直方图技术和自适应性阈值。    对于含有目标区域和背景区域对比足够大的图像，通常可以借助直方图，可方便地确定物体图像和背景的灰度突变位置，并把阈值选在此处，来进行图像分割。图6为存在峰值点的图像直方图。

    在经过颜色因子|G-R|+|G-b|处理后的图像中，可以看到青椒与其背景的差别很大，通过观察发现，此图像的直方图存在峰值点，因此，可以选择该点作为阈值点进行分割。图像分割结果如图7所示。

4 实验结果分析    由于自然条件中光线的过强或过弱都会对青椒的分割产生较大的影响，因此做如下分析说明。    (1)光线强：由于光线较强，青椒表面对光的反射也随之增强，图像分割后会使青椒表面存在较大的空洞。    (2)光线弱：由于光线较弱，青椒表面部分颜色会与其叶子和背景的颜色相近，分割后会产生一些误判的区域。    以上的情况，在青椒分割后均会使其面积大量地缺失，继而，也会使青椒分割后的轮廓受到严重的影响。    本试验所用青椒图像为使用数码相机在东北农业大学园艺田自然光条件下拍摄的5组照片，图像分辨率为3 072像素×2 304像素。图像处理平台为Windows XP操作系统,编程语言采用Matlab7.1。随机选取一组照片进行实验，采用颜色因子与直方图阈值相结合进行图像分割。由于自然条件的随机性影响，在分割过程中会产生一些误判的小区域，对于这种情况，可以采用小区域面积消除，进行处理。文中对误判小区域进行处理后的图像，如图8所示。

    从图8中可以看到，经过小区域去除后，青椒的轮廓保存较为完整。本文对100个随机样本进行分析验证后，其青椒的分割成功率高于85%。图9所示是图像分割率的统计图。对于未成功分割率的原因作如下分析：

    （1）青椒位于枝叶中的较深部位时，经图像处理后，其R、G、b的值与叶子相似，经直方图阈值法很难找到相应的阈值进行分割。    （2）由于强光的照射，青椒表面经处理后会产生大片的未闭合区域，最终造成“误分割”的结果。    本文所提出的基于颜色特征与直方图阈值相结合的田间青椒图像分割算法,具有分割时间短、分割精度高等优点,能很好地实现田间青椒果实与其背景的分离 ,并较好地保存了青椒的轮廓信息,有利于对青椒的进一步识别。采用形态学的膨胀、腐蚀等方法,可有效地改善图像分割后存在的孔洞现象。