光照变化环境下作物图像分割方法
摘要：在农业现代化研究中，对作物图像进行分割是作物图像处理的关键步骤。目前广泛应用的作物分割方法主要包括基于ExG、ExG-ExR、CIVE与HSI空间的大津分割算法等，但传统的分割技术在处理自然光照条件下包含阴影与反射的图像时表现往往不太理想。因此，本文提出一种基于决策树的方法来分割拍摄于光照变化条件下的作物图像（以小麦为例）。这种分割方法采用CART算法在训练图像数据的基础上生成用于分类的决策树，并使用测试图像验证其效果。此外，本文还将这种分割算法与传统分割算法进行比较，讨论不同分割算法的优劣。结果表明，当图像包含大面积的阴影和反射部分时，这种方法在植物提取方面比其他方法更加精确。
目录
摘要 1
关键词 1
Abstract 1
Key words 1
1 图像分割概述 1
1．1 研究背景及意义 2
1．2 图像分割技术发展现状 2
1．3 决策树分类算法发展现状 3
2 基于决策树模型的光照变化条件下的小麦图像分割 3
2．1 光照变化条件下图像分割的方法概述 3
2．2 训练数据的获取 4
2．3 关键颜色特征的确定 5
2．4 决策树的生成 7
2．5 测试图像的分割 8
3 常规算法与基于决策树的分割算法对比 8
3．1 评价标准 8
3. 2 不同分割算法的对比分析 9
4 图像分割演示系统 11
4．1 开发环境和系统结构 11
4．2 光照不变条件分割系统效果图 12
4．3 光照变化条件分割系统效果图 13
5 总结与展望 15
致谢： 16
参考文献： 16
光照变化环境下作物图像分割方法
引言
随着数字图像采集设备在现代农业自动化进程中的广泛应用，实际生产中作物的数字图像往往作为对图像进行研究分析的原始数据，为了对目标作物进行研究通常需要将其进行从背景图像中分割出来，这一处理效果的好坏往往对后续的研究有着不可小觑的影响。
*好棒文|www.hbsrm.com +Q: ^3^5`1^9`1^6^0`7^2#
为了进一步处理数字图像的作物部分并对其进行分析，如何才能精确地将作物从所在背景中分离出来就成为了作物图像处理的关键一步，这种提取目标区域的技术就是我们通常所说的图像分割技术。传统的图像分割技术一般适用于对光照进行控制的环境。但在实际的农业生产过程中，作物生长在不受控制的自然光照条件下，这些作物的图像很可能会包含由于光照变化造成的阴影与反射部分。在这种情况下，采用传统的图像分割方法对作物图像进行精确的分割存在着很大的困难。本文所提出的光照变化环境下基于决策树的作物图像分割算法利用了包含光照反射与阴影的训练图像，经过对大量选定的训练图像的作物与背景部分的数据进行训练，得到训练数据集，来生成通过颜色特征进行分类的决策树。在此基础上，对测试图像每个像素进行“作物”或“背景”的分类，从而达到精确地分割作物图像的效果。
1 图像分割概述
1．1 研究背景及意义
一般情况下，在数字图像处理过程中，首先要对目标图像进行分割并对分割后的区域进行适当的处理，以便进一步地对图像做出后续处理与分析。可见在图像处理过程中图像分割是最为基础与重要的步骤，是对图像进行视觉分析和模式识别的前提[1]。在图像处理领域，把图像分为具有特殊意义且互不相交的不同区域这一过程被称为图像分割，且要求每个区域应满足特定区域的一致性[2]。在现代农业生产过程中自动化图像采集设备使用广泛，因此采集作物的数码图像变得十分方便。为了能够最大限度地发挥自动化图像采集设备的作用，进一步提高农业生产的自动化水平。其关键的一步就是实现自动地将作物部分从一幅图像的背景中分割出来。由于作物的图像经常以非作物部分作为背景，因此如何克服在室外采集到的拍摄图像由于自然光作用下的植物表面的反射和阴影对图像的分割产生的影响就显得尤为重要，如果分割方法使用不当，很有可能会造成作物图像分割不准确，从而造成后续处理的误差甚至使下一步自动化决策产生错误。基于此，研究光照变化条件下的作物图像分割方法对于分割由自动化图像采集设备采集到的图像以及对其进行后续的处理有着至关重要的意义。
1．2 图像分割技术发展现状
由于对作物图像进行分割在农业现代化进程中有着重要的价值，因此它作为一个研究课题已经有很多的方法被提出。目前经典的图像分割算法包括边缘检测法、区域分割法与阈值分割法等。下面依次介绍这三种经典的图像分割算法。
边缘检测：在图像的基本的特征中，图像边缘是最为重要的图像特征之一，它包含着重要的图像信息，在数字图像的处理与分析中发挥着重要的作用。边缘是指图像局部特性的不连续性，表现为图像的边缘处的信息包括灰度或结构等突然发生变化。从根本上讲，边缘检测实际上是采取某一算法将图像中目标对象与背景的交界线提取出来[3]。经典的边缘检测算法是在观察图像的每个像素在某一邻域内灰度的变化的基础上，利用边缘邻近一阶或二阶方向导数变化规律来对图像边缘进行检测[1]。边缘检测主要是将图像中作物的边缘轮廓提取出来，如果重建分割后的图像还需要进一步处理。
区域分割：基于区域的图像分割方法通常包括区域生长法与区域分裂合并法。区域生长法首先需要选择若干种子点或种子区域,并由此出发，按照一定的相似性准则, 判别邻域像元决定是否进行连接, 当图像中的每一个像元都被归并到相应的区域中即停止上述过程的循环，区域生长法结束。区域分裂合并是从整幅图像开始不断分裂得到各个区域。这种分裂合并方法是利用图像数据的机子他或者四叉树数据结构的层次结构，将图像分为任意大小不重叠的区域，然后根据一定准则进行分裂或者合并。区域分割的关键是找到合适的种子点或种子区域，它的选取对于区域分割的分割效果将产生至关重要的影响。
阈值分割：常用的阈值分割方法大致包括基于像素值的阈值、基于区域性质的阈值和基于坐标位置的阈值三种。总体来说，当不同类的物体灰度值或其它特征值相差较大时,图像分割效果比较明显，但是当图像的灰度差异小、灰度范围重叠较大或者图像存在噪声干扰的时候，对图像进行阈值分割将很难得到精确的分割结果。因此，如何选择阈值是阈值分割法的关键。目前，由Otsu提出的最大类间方差法被认为是经典算法。一些研究曾尝试探索采用最为理想的颜色空间来解决图像的分割问题，比如RGB、HSI、YCbCr和CIELab等颜色空间[4]。但视目标农作物的不同，所需要的颜色空间也不尽相同，目前国内外还没有一系列适合于所有作物进行作物图像分割的颜色空间。其他一些研究则提出新的研究颜色特征的方法——基于植物彩色特征中的绿色强调规则去分割作物图像。比如ExG、ExGExR、CIVE都是这种新定义的颜色特征的例子，且他们当中的一些方法如今已经广泛应用在植物分割领域[5]。在本文中我们会主要使用最大类间方差分割算法作为与基于决策树的分割算法进行比较的常规算法，该算法所采用的阈值就包括颜色空间的某一分量（HIS颜色空间的H分量）以及针对绿色作物分割的颜色特征（超绿指数ExG、超绿超红指数ExGExR和植被提取颜色指数CIVE）。但是，这些采用颜色空间及特征的最大类间方差算法本质上是一种阈值分割算法，因此这些方法都是基于一种盲目假设——作物本身与背景部分像素在每幅图像中都可以被一种事先计算出来的临界值分开并恰当地对应。由于每一幅作物图像临界值通常都会受到图像拍摄时的光照条件的影响，所以在自然光照条件下连续时间内拍摄图像的临界值会产生变化，这使得处理由自动化图像采集设备采集到的大量图像时变得相当麻烦。此外，研究表明，当分割作物与背景时，如果包含反射与阴影部分则会削弱作物图像的颜色特征。因此，这种颜色特征在实际进行数字图像处理的过程中中并不健壮。无论如何，为了利用每一个连续时间段内自动拍摄的图像，我们无法选择光照条件。因此，只能考虑一种算法，使其在不考虑光照变化的条件下，能够尽可能精确地分割作物图像。
目录
摘要 1
关键词 1
Abstract 1
Key words 1
1 图像分割概述 1
1．1 研究背景及意义 2
1．2 图像分割技术发展现状 2
1．3 决策树分类算法发展现状 3
2 基于决策树模型的光照变化条件下的小麦图像分割 3
2．1 光照变化条件下图像分割的方法概述 3
2．2 训练数据的获取 4
2．3 关键颜色特征的确定 5
2．4 决策树的生成 7
2．5 测试图像的分割 8
3 常规算法与基于决策树的分割算法对比 8
3．1 评价标准 8
3. 2 不同分割算法的对比分析 9
4 图像分割演示系统 11
4．1 开发环境和系统结构 11
4．2 光照不变条件分割系统效果图 12
4．3 光照变化条件分割系统效果图 13
5 总结与展望 15
致谢： 16
参考文献： 16
光照变化环境下作物图像分割方法
引言
随着数字图像采集设备在现代农业自动化进程中的广泛应用，实际生产中作物的数字图像往往作为对图像进行研究分析的原始数据，为了对目标作物进行研究通常需要将其进行从背景图像中分割出来，这一处理效果的好坏往往对后续的研究有着不可小觑的影响。
*好棒文|www.hbsrm.com +Q: ^3^5`1^9`1^6^0`7^2#
为了进一步处理数字图像的作物部分并对其进行分析，如何才能精确地将作物从所在背景中分离出来就成为了作物图像处理的关键一步，这种提取目标区域的技术就是我们通常所说的图像分割技术。传统的图像分割技术一般适用于对光照进行控制的环境。但在实际的农业生产过程中，作物生长在不受控制的自然光照条件下，这些作物的图像很可能会包含由于光照变化造成的阴影与反射部分。在这种情况下，采用传统的图像分割方法对作物图像进行精确的分割存在着很大的困难。本文所提出的光照变化环境下基于决策树的作物图像分割算法利用了包含光照反射与阴影的训练图像，经过对大量选定的训练图像的作物与背景部分的数据进行训练，得到训练数据集，来生成通过颜色特征进行分类的决策树。在此基础上，对测试图像每个像素进行“作物”或“背景”的分类，从而达到精确地分割作物图像的效果。
1 图像分割概述
1．1 研究背景及意义
一般情况下，在数字图像处理过程中，首先要对目标图像进行分割并对分割后的区域进行适当的处理，以便进一步地对图像做出后续处理与分析。可见在图像处理过程中图像分割是最为基础与重要的步骤，是对图像进行视觉分析和模式识别的前提[1]。在图像处理领域，把图像分为具有特殊意义且互不相交的不同区域这一过程被称为图像分割，且要求每个区域应满足特定区域的一致性[2]。在现代农业生产过程中自动化图像采集设备使用广泛，因此采集作物的数码图像变得十分方便。为了能够最大限度地发挥自动化图像采集设备的作用，进一步提高农业生产的自动化水平。其关键的一步就是实现自动地将作物部分从一幅图像的背景中分割出来。由于作物的图像经常以非作物部分作为背景，因此如何克服在室外采集到的拍摄图像由于自然光作用下的植物表面的反射和阴影对图像的分割产生的影响就显得尤为重要，如果分割方法使用不当，很有可能会造成作物图像分割不准确，从而造成后续处理的误差甚至使下一步自动化决策产生错误。基于此，研究光照变化条件下的作物图像分割方法对于分割由自动化图像采集设备采集到的图像以及对其进行后续的处理有着至关重要的意义。
1．2 图像分割技术发展现状
由于对作物图像进行分割在农业现代化进程中有着重要的价值，因此它作为一个研究课题已经有很多的方法被提出。目前经典的图像分割算法包括边缘检测法、区域分割法与阈值分割法等。下面依次介绍这三种经典的图像分割算法。
边缘检测：在图像的基本的特征中，图像边缘是最为重要的图像特征之一，它包含着重要的图像信息，在数字图像的处理与分析中发挥着重要的作用。边缘是指图像局部特性的不连续性，表现为图像的边缘处的信息包括灰度或结构等突然发生变化。从根本上讲，边缘检测实际上是采取某一算法将图像中目标对象与背景的交界线提取出来[3]。经典的边缘检测算法是在观察图像的每个像素在某一邻域内灰度的变化的基础上，利用边缘邻近一阶或二阶方向导数变化规律来对图像边缘进行检测[1]。边缘检测主要是将图像中作物的边缘轮廓提取出来，如果重建分割后的图像还需要进一步处理。
区域分割：基于区域的图像分割方法通常包括区域生长法与区域分裂合并法。区域生长法首先需要选择若干种子点或种子区域,并由此出发，按照一定的相似性准则, 判别邻域像元决定是否进行连接, 当图像中的每一个像元都被归并到相应的区域中即停止上述过程的循环，区域生长法结束。区域分裂合并是从整幅图像开始不断分裂得到各个区域。这种分裂合并方法是利用图像数据的机子他或者四叉树数据结构的层次结构，将图像分为任意大小不重叠的区域，然后根据一定准则进行分裂或者合并。区域分割的关键是找到合适的种子点或种子区域，它的选取对于区域分割的分割效果将产生至关重要的影响。
阈值分割：常用的阈值分割方法大致包括基于像素值的阈值、基于区域性质的阈值和基于坐标位置的阈值三种。总体来说，当不同类的物体灰度值或其它特征值相差较大时,图像分割效果比较明显，但是当图像的灰度差异小、灰度范围重叠较大或者图像存在噪声干扰的时候，对图像进行阈值分割将很难得到精确的分割结果。因此，如何选择阈值是阈值分割法的关键。目前，由Otsu提出的最大类间方差法被认为是经典算法。一些研究曾尝试探索采用最为理想的颜色空间来解决图像的分割问题，比如RGB、HSI、YCbCr和CIELab等颜色空间[4]。但视目标农作物的不同，所需要的颜色空间也不尽相同，目前国内外还没有一系列适合于所有作物进行作物图像分割的颜色空间。其他一些研究则提出新的研究颜色特征的方法——基于植物彩色特征中的绿色强调规则去分割作物图像。比如ExG、ExGExR、CIVE都是这种新定义的颜色特征的例子，且他们当中的一些方法如今已经广泛应用在植物分割领域[5]。在本文中我们会主要使用最大类间方差分割算法作为与基于决策树的分割算法进行比较的常规算法，该算法所采用的阈值就包括颜色空间的某一分量（HIS颜色空间的H分量）以及针对绿色作物分割的颜色特征（超绿指数ExG、超绿超红指数ExGExR和植被提取颜色指数CIVE）。但是，这些采用颜色空间及特征的最大类间方差算法本质上是一种阈值分割算法，因此这些方法都是基于一种盲目假设——作物本身与背景部分像素在每幅图像中都可以被一种事先计算出来的临界值分开并恰当地对应。由于每一幅作物图像临界值通常都会受到图像拍摄时的光照条件的影响，所以在自然光照条件下连续时间内拍摄图像的临界值会产生变化，这使得处理由自动化图像采集设备采集到的大量图像时变得相当麻烦。此外，研究表明，当分割作物与背景时，如果包含反射与阴影部分则会削弱作物图像的颜色特征。因此，这种颜色特征在实际进行数字图像处理的过程中中并不健壮。无论如何，为了利用每一个连续时间段内自动拍摄的图像，我们无法选择光照条件。因此，只能考虑一种算法，使其在不考虑光照变化的条件下，能够尽可能精确地分割作物图像。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/wljs/720.html
