水稻稻穗圖像的分割方法研究

黃 瓊，楊紅云，肖小梅

水稻稻穗圖像的分割方法研究

黃 瓊1，楊紅云2*，肖小梅2

（1. 江西農(nóng)業(yè)大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，江西 南昌 330045；2. 江西農(nóng)業(yè)大學(xué) 軟件學(xué)院，江西 南昌 330045）

針對(duì)成熟期稻田光照不均勻、復(fù)雜的土壤背景噪聲以及稻葉顏色混淆問題，研究利用Otsu和K-means法分別對(duì)局部稻穗圖像和稻田圖像進(jìn)行稻穗分割，并與最大熵、迭代閾值以及區(qū)域生長(zhǎng)法的分割效果圖進(jìn)行哈希相似度對(duì)比。在進(jìn)行局部稻穗圖像分割時(shí)，K-means和其他4種算法相比，分割相似度可達(dá)90%；在進(jìn)行稻田圖像分割時(shí)，Otsu和其他4種算法相比，分割相似度可達(dá)90.94%。試驗(yàn)結(jié)果表明兩種算法能實(shí)現(xiàn)稻穗有效提取，為后期稻穗品質(zhì)評(píng)估和稻田產(chǎn)量預(yù)測(cè)研究提供可靠依據(jù)。

水稻稻穗；圖像分割；Otsu算法；K-means算法；哈希算法

水稻產(chǎn)量預(yù)測(cè)和品質(zhì)評(píng)估是評(píng)價(jià)農(nóng)業(yè)生產(chǎn)的重要指標(biāo)，目前人工判斷水稻產(chǎn)量和品質(zhì)的方法需要耗費(fèi)大量勞動(dòng)力，同時(shí)會(huì)因人的主觀因素產(chǎn)生誤差。隨著計(jì)算機(jī)視覺的快速發(fā)展，將圖像處理應(yīng)用在水稻產(chǎn)量預(yù)測(cè)和質(zhì)量評(píng)估方面可以解放勞動(dòng)力，提高工作效率。圖像分割是圖像處理的基礎(chǔ)，因此對(duì)稻穗圖像進(jìn)行識(shí)別分析的重要前提是能準(zhǔn)確分割稻穗圖像。稻穗圖像準(zhǔn)確分割提取的參數(shù)能反映水稻的品質(zhì)情況和產(chǎn)量高低，它是獲取稻穗特征、進(jìn)行稻穗樣本產(chǎn)量計(jì)數(shù)、自動(dòng)識(shí)別稻穗病蟲害和水稻營(yíng)養(yǎng)狀況以及生育期自動(dòng)檢測(cè)的前期基礎(chǔ)，能為水稻高產(chǎn)育種栽培管理研究提供科學(xué)依據(jù)，同時(shí)也能為農(nóng)業(yè)機(jī)械識(shí)別系統(tǒng)提供重要參數(shù)，是設(shè)計(jì)農(nóng)業(yè)機(jī)械系統(tǒng)的重要基礎(chǔ)。

目前，圖像分割廣泛應(yīng)用在農(nóng)業(yè)方面。遲德霞等[1]提出了結(jié)合EXG因子和Otsu算法的水稻秧苗圖像分割法，該方法噪聲敏感度高，分割效果易受噪聲干擾。Kurtul-mus F等[2]提出了通過去除干擾像素和提取潛在區(qū)域結(jié)合的方法識(shí)別玉米雄穗圖像，該方法對(duì)于光照不均勻的田間環(huán)境識(shí)別效果不佳。陳含等[3]使用Sobel算子對(duì)麥穗圖像進(jìn)行邊緣檢測(cè)，通過與加權(quán)平均法、G分量法和最大值法處理后的圖像進(jìn)行對(duì)比，發(fā)現(xiàn)Sobel算子耗時(shí)最少。茅正沖等[4]提出了基于改進(jìn)K-means和二維Otsu的算法，對(duì)不同環(huán)境的玉米雄穗圖像進(jìn)行分割，結(jié)果表明改進(jìn)算法對(duì)生長(zhǎng)環(huán)境具有很強(qiáng)的魯棒性。段凌鳳等[5]首先對(duì)大田圖像分塊，然后利用卷積神經(jīng)網(wǎng)絡(luò)SegNet對(duì)分塊子圖進(jìn)行分割，解決了稻穗邊緣嚴(yán)重不規(guī)則問題，同時(shí)提高了計(jì)算速度。

本文充分利用K-means和Otsu兩種算法不受圖像亮度和對(duì)比度的影響、易于實(shí)現(xiàn)的特點(diǎn)，對(duì)局部和整體兩種不同角度的稻穗圖像進(jìn)行分割。最后在試驗(yàn)結(jié)果中給出了Otsu、最大熵、迭代閾值、區(qū)域生長(zhǎng)以及K-means5種算法分割效果圖和哈希相似度。通過K-means和Otsu算法分割稻穗圖像可以解決在光照不均勻條件下稻穗和混淆稻葉、復(fù)雜田間背景難以分割問題。

1 材料與方法

1.1 材料收集

本文隨機(jī)選取5塊不同的水稻田，利用相同的圖像采集設(shè)備對(duì)水稻田間隨機(jī)拍攝局部稻穗圖像和稻田稻穗圖像各20幅。試驗(yàn)采用的稻穗圖像來源于稻粒飽滿的成熟期水稻，在陽光充足的自然光照條件下進(jìn)行采樣，同時(shí)選取局部和稻田兩種不同視角圖像進(jìn)行研究，使試驗(yàn)具有有效性和全面性。

1.2 基于閾值的圖像分割

閾值分割算法思想是通過比較選定閾值和灰度值大小來決定目標(biāo)像素和背景像素，最終將灰度圖像轉(zhuǎn)換為二值圖像。其中，確定閾值是閾值分割中最重要的步驟，本文將利用Otsu，最大熵，迭代閾值三種算法來確定閾值。

1.2.1 Otsu算法 Otsu算法思想是先通過初始閾值將圖像分割成目標(biāo)像素和背景像素，再通過公式（1）計(jì)算圖像的類間方差值g：

式中，0為背景像素占總像素的比例，1為前景像素占總像素的比例，0為背景像素的平均灰度，1為前景像素的平均灰度，為圖像平均灰度值。當(dāng)存在使類間方差達(dá)到最大值的閾值時(shí)，該閾值為Otsu的最佳閾值。

1.2.2 最大熵算法 最大熵的“熵”在圖像分割中是指信息熵，被用來描述消息來源的不確定性。熵值越大，說明信息不是同一類的可能性越大。其算法過程是通過熵的定義計(jì)算前景和背景像素的熵值，當(dāng)前景熵和背景熵之和達(dá)到最大值時(shí)，該閾值就是分割點(diǎn)。

1.2.3 迭代閾值法 迭代閾值分割算法是通過多次計(jì)算來求取最佳閾值，算法流程如下：

Step1.求圖像平均灰度值，設(shè)為初始閾值0；Step2.使用初始閾值將圖像分割為目標(biāo)和背景像素，分別求出兩者的平均灰度值，為1，2；Step3.求1和2的平均值設(shè)為新閾值；Step4.比較和0，若兩者相等，則是迭代值域的最優(yōu)閾值；反之，則令0=，重復(fù)Step2-3，直到得到最優(yōu)閾值。

1.3 基于邊緣的圖像分割

在圖像處理中，邊緣是信息變化明顯之處?；谶吘壏指钏惴ㄋ枷胧峭ㄟ^連接圖像的邊緣像素點(diǎn)構(gòu)成一個(gè)邊界，從而分割圖像。本文采用Sobel算法來尋找邊緣像素。

1.3.1 Sobel算子 利用原始圖像和Sobel的，濾波器做卷積計(jì)算，根據(jù)（2）式可求出方向的灰度梯度D：

根據(jù)（3）式可求方向的灰度梯度D：

式中，表示原始圖像。

為提高效率，采用（4）公式來估計(jì)最終梯度|D|，所求的最終梯度就是邊緣像素：

式中，表示綜合灰度梯度。

1.4 基于區(qū)域生長(zhǎng)的圖像分割

區(qū)域生長(zhǎng)算法思想是把類似特性（如顏色、紋理、灰度級(jí)等）的像素點(diǎn)形成區(qū)域。區(qū)域生長(zhǎng)算法流程如下：

Step1.手工選取若干種子點(diǎn)，在種子點(diǎn)領(lǐng)域（8領(lǐng)域或4領(lǐng)域）中進(jìn)行擴(kuò)展；Step2.評(píng)判標(biāo)準(zhǔn)是，當(dāng)某個(gè)像素點(diǎn)滿足生長(zhǎng)準(zhǔn)則時(shí)，便被納入種子點(diǎn)區(qū)域，反之，不納入；Step3.當(dāng)不存在符合參加種子點(diǎn)區(qū)域的其它像素點(diǎn)時(shí)，生長(zhǎng)便會(huì)停止。

1.5 基于K-means聚類的圖像分割

聚類是一種將相似事物分類到同一集群中的算法。聚類不像分類能事先已知目標(biāo)，所以它是一種無監(jiān)督學(xué)習(xí)。

K-means中的K表示有K個(gè)聚類，means表示每個(gè)聚類中數(shù)據(jù)值均值。聚類算法的主要思想是選取中心點(diǎn)進(jìn)行聚類，通過迭代方法更新中心點(diǎn)，直到聚類效果最佳時(shí)便停止迭代，算法流程如下：

Step1.選取每個(gè)聚類的集群點(diǎn)；Step2.算出圖像中某個(gè)點(diǎn)到各個(gè)集群點(diǎn)的距離，比較各個(gè)距離的遠(yuǎn)近，將該點(diǎn)放到最小距離的集群點(diǎn)的集群中；Step3.新的集群點(diǎn)是每類集群中所有點(diǎn)的坐標(biāo)的平均數(shù)值；Step4.通過Step2-Step3的迭代更新后，如果滿足迭代條件，停止更新迭代。

2 試驗(yàn)評(píng)價(jià)方法和結(jié)果分析

2.1 圖像分割的評(píng)價(jià)方法

圖像分割評(píng)價(jià)方法可以分為：無監(jiān)督和有監(jiān)督評(píng)價(jià)法[6]。無監(jiān)督評(píng)價(jià)法是通過計(jì)算各種圖像參數(shù)，從而評(píng)價(jià)分割算法的好壞；有監(jiān)督法是通過比較算法分割結(jié)果圖與人工分割標(biāo)準(zhǔn)圖的相似程度可以判斷算法的好壞。

本試驗(yàn)采用有監(jiān)督評(píng)價(jià)法，使用工具人工標(biāo)記出稻穗圖像的標(biāo)準(zhǔn)圖，并通過感知哈希算法計(jì)算分割結(jié)果圖和人工標(biāo)記圖的相似度。

感知哈希算法[7-8]的原理是先通過離散余弦變換壓縮圖片以獲取低頻信息；然后綜合圖像特征，給圖像生成特定“指紋”；最后比較兩個(gè)圖像指紋，若“指紋”越接近，則說明兩張圖像相似度越高。

2.2 試驗(yàn)結(jié)果分析

本試驗(yàn)分別采用Otsu、最大熵、迭代閾值、Sobel算子、區(qū)域生長(zhǎng)和K-means法對(duì)分別稻田稻穗圖像和局部稻穗圖像進(jìn)行了分割對(duì)比，圖1和圖2分別對(duì)應(yīng)局部稻穗圖像和稻田稻穗圖像不同方法處理的結(jié)果：（a）原始彩色圖像、（b）基于Otsu算法分割效果圖、（c）基于最大熵算法分割效果圖、（d）基于迭代閾值算法分割效果圖、（e）基于Sobel算法分割效果圖、（f）基于區(qū)域生長(zhǎng)算法分割效果圖、（g）基于K-means算法分割效果圖、（h）人工標(biāo)記圖像。通過將5種方法的分割效果圖對(duì)比人工標(biāo)注圖，求出各個(gè)方法的平均分割相似度如表1所示。

表1 各分割算法平均相似度對(duì)比

通過比較各個(gè)算法的分割效果，可以看出：

如圖1的局部稻穗圖像中，通過Otsu、迭代閾值、最大熵算法求得的閾值分別是121、118、132：Otsu和迭代閾值法易受混淆稻葉影響，存在枯黃稻葉分割過度現(xiàn)象。如圖2的稻田稻穗圖像中，通過Otsu、迭代閾值、最大熵算法求得的閾值分別是104、99、118，最大熵算法對(duì)偏黃稻葉分割過度；Otsu和迭代閾值法能準(zhǔn)確分割稻穗，但Otsu分割效果更好，能抑制雜亂的大田背景，并不受圖像亮度影響，對(duì)于光照不均勻的稻穗也能完整分割出來，相較于其它算法，Otsu算法選取的閾值最佳。

Sobel算法對(duì)于兩種稻穗圖像來說存在欠分割現(xiàn)象，只能勾勒出稻穗基本邊緣輪廓，不能完整將稻穗顆粒分割出來。

區(qū)域生長(zhǎng)分割需要人機(jī)交互選取種子點(diǎn)，易受主觀影響，實(shí)現(xiàn)過程繁瑣，局部稻穗圖像中，部分稻穗沒有被標(biāo)記為目標(biāo)像素；稻田圖像中，中間偏黃稻葉被歸類為稻穗。

對(duì)于K-means算法，稻穗圖像分割目標(biāo)是提取稻穗，去除背景，所以本文選擇稻穗目標(biāo)和背景像素兩個(gè)聚類。分割局部稻穗圖像時(shí)，K-means能準(zhǔn)確地分割稻穗和背景；分割稻田稻穗圖時(shí)，少數(shù)復(fù)雜的田間背景沒有被歸為背景像素。

圖1 局部稻穗分割結(jié)果

圖2 稻田稻穗分割結(jié)果

綜上所述：在局部稻穗圖像中，分割效果最好的是K-means，分割相似度可達(dá)90%，相對(duì)生長(zhǎng)區(qū)域算法來說，不需人工標(biāo)記種子點(diǎn)，便于實(shí)現(xiàn)，能夠克服圖片中存在的復(fù)雜背景難以分割問題，在局部稻穗圖像和稻田稻穗圖像中分割效果較好，具有良好的適應(yīng)性；在稻田圖像中，Otsu的分割效果最好，分割相似度可達(dá)90.94%，它既能在光照不均勻、稻穗稻葉相互遮擋的條件下區(qū)分稻穗和稻葉，還能去除稻田中其他泥土背景，從而將稻穗分割出來。

3 討論與結(jié)論

本文綜合多種經(jīng)典算法分析，采取哈希算法進(jìn)行各個(gè)算法的相似度計(jì)算，比較算法性能，閾值分割方法實(shí)現(xiàn)簡(jiǎn)單，其中Otsu適用于局部稻穗圖像分割，能克服圖片的光亮度影響；邊緣分割方法存在欠分割現(xiàn)象，只能分割出稻穗輪廓，適用于往后谷粒周長(zhǎng)測(cè)量；區(qū)域生長(zhǎng)分割需要人工選取種子點(diǎn)，容易受主觀因素從而影響分割結(jié)果，不適用于兩種稻穗圖像分割；聚類方法便于實(shí)現(xiàn)，能準(zhǔn)確區(qū)分稻穗像素和背景像素，適用于局部稻穗圖像分割。

本試驗(yàn)利用Otsu算法和K-means算法計(jì)算量小，在分割時(shí)易于實(shí)現(xiàn)，不受圖片亮度和對(duì)比度的影響的特點(diǎn)，對(duì)背景復(fù)雜，光照亮度不均勻的稻田稻穗圖像和局部稻穗圖像進(jìn)行分割，結(jié)果表明：將Otsu和K-means兩種算法分割效果圖與其他3種分割算法分割效果圖對(duì)比后發(fā)現(xiàn)Otsu和K-means兩種算法分割效果較好，能夠克服光照不均勻問題，完整地將稻穗和復(fù)雜的稻葉泥土等背景分割開，性能明顯優(yōu)于其他算法。兩種算法對(duì)稻穗圖像分割來說有較好的適應(yīng)性，對(duì)往后稻穗產(chǎn)量計(jì)數(shù)，稻穗品質(zhì)評(píng)估具有很大的指導(dǎo)意義以及能夠?yàn)橥髢?yōu)良育種提供重要參數(shù)。

[1] 遲德霞, 張偉, 王洋. 基于EXG因子的水稻秧苗圖像分割[J]. 安徽農(nóng)業(yè)科學(xué), 2012, 40(36): 17902-17903.

[2] Ferhat K, ?smail K. Detecting corn tassels using computer vision and support vector machines[J]. Expert Systems with Applications, 2014, 41(16): 7390-7397．

[3] 陳含, 呂行軍, 田鳳珍, 等. 基于Sobel算子邊緣檢測(cè)的麥穗圖像分割[J]. 農(nóng)機(jī)化研究, 2013, 35(3): 33-36.

[4] 茅正沖, 劉永娟. 基于顏色特征的玉米雄穗圖像分割[J]. 傳感器與微系統(tǒng), 2017, 36(2): 131-133.

[5] 段凌鳳, 熊雄, 劉謙, 等. 基于深度全卷積神經(jīng)網(wǎng)絡(luò)的大田稻穗分割[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(12): 202-209.

[6] 施佩榮, 陳永富, 劉華, 等. 基于分割評(píng)價(jià)函數(shù)的多尺度分割參數(shù)的選擇[J]. 遙感技術(shù)與應(yīng)用, 2018, 33(4): 628-637.

[7] 張慧. 圖像感知哈希測(cè)評(píng)基準(zhǔn)及算法研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2009.

[8] 牛夏牧, 焦玉華. 感知哈希綜述[J]. 電子學(xué)報(bào), 2008, 36(7): 1405-1411.

[9] Salil K, Nisarg T. Mastering openCV android application programming[M]. 北京: 電子工業(yè)出版社, 2016.

[10] 張志斌, 羅錫文, 臧英, 等. 基于顏色特征的綠色作物圖像分割算法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(7): 183-189.

[11] 范夢(mèng)揚(yáng), 馬欽, 劉峻明, 等. 基于機(jī)器視覺的大田環(huán)境小麥麥穗計(jì)數(shù)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(S1): 234-239.

[12] Adrian K, Gary B. Learning OpenCV 3: computer Vision in C++ with the OpenCV Library[M]. 北京: 清華大學(xué)出版社, 2016.

[13] Otsu N. A threshold selection method from gray-level histogram[J]. IEEE Trans, 1979, SMC-9: 62-66.

[14] 任磊. 棉花圖像分割算法研究[D]. 烏魯木齊: 新疆大學(xué), 2013.

[15] 史倩, 吳開華. 區(qū)域生長(zhǎng)的輪對(duì)圖像分割[J]. 中國(guó)圖象圖形學(xué)報(bào), 2012, 17(9): 1122-1127.

[16] 易三莉, 張桂芳, 賀建峰, 等. 基于最大類間方差的最大熵圖像分割[J]. 計(jì)算機(jī)工程與科學(xué), 2018, 40(10): 1874-1881.

[17] 吳煥麗, 崔可旺, 張馨, 等. 基于改進(jìn)K-means圖像分割算法的細(xì)葉作物覆蓋度提取[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2019, 50(01): 42-50.

[18] Xiong X, Duan L F, Liu L B, et al. Panicle-SEG: a robust image segmentation method for rice panicles in the field based on deep learning and superpixel optimization[J]. Plant Methods, 2017, 13(1): 1746-4811.

[19] Elaziz M A, Bhattacharyya S, Lu S F. Swarm selection method for multilevel thresholding image segmentation[J]. Expert Systems with Applications, 2019, 138(138): 0957-4174.

[20] 茅正沖, 劉永娟. 一種玉米雄穗圖像分割方法[J]. 控制工程, 2018, 25(10): 1892-1897.

[21] 熊雄. 基于深度學(xué)習(xí)的大田水稻稻穗分割及無損產(chǎn)量預(yù)估研究[D]. 武漢：華中科技大學(xué), 2018.

[22] Jothiaruna N, Joseph Abraham Sundar K, Karthikeyan B. A segmentation method for disease spot images incorporating chrominance in comprehensive color feature and region growing[J]. Computers and Electronics in Agriculture, 2019, 165(165): 1688-1699.

[23] 劉俊, 馬燕, 陳坤. 一種改進(jìn)的基于區(qū)域生長(zhǎng)的彩色圖像分割方法[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2012, 29(11): 288-291.

[24] Tremeau A, Bolel N. A region growing and merging algorithm to color segmentation[J]. Pattern Recognition, 1997, 30(7): 1191-1203.

[25] Pavlidis T, Liow Y T. Integrating region growing and edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1990, 12(3): 225-233.

Research on Segmentation Methods of Rice Ear Images

HUANG Qiong1, YANG Hong-yun2*, XIAO Xiao-mei2

(1. College of Computer and Information Engineering, Jiangxi Agricultural University, Nanchang 330045, China; 2. College of Software, Jiangxi Agricultural University, Nanchang 330045, China)

Aiming at the problems of uneven light in the mature paddy field, complex soil background noise, and the confusion of rice leaf colors, the Otsu and K-means methods were used to segment the partial rice ear images and the rice field images, respectively. These two methods were used to compare with the maximum entropy, iterative threshold and the segmentation effect map of the region growth method to get the hash similarity. K-means had a segmentation similarity of 90% compared with other four algorithms in partial rice ear image segmentation. Otsu had a segmentation similarity of 90.94% compared with other four algorithms in rice field image segmentation. The experimental results showed that the two algorithms could achieve effective extraction of rice ears, and provided a reliable basis for the evaluation of rice ear quality in the later period and the research of rice field yield prediction.

rice ears; image segmentation; Otsu algorithm; K-means algorithm; hash algorithm

S126

A

2095-3704（2020）01-0090-06

2020-01-04

國(guó)家自然科學(xué)基金項(xiàng)目（61562039)

黃瓊（1997—），女，碩士生，主要從事圖形圖像處理研究，406274397@qq.com；*通信作者：楊紅云，副教授，nc_yhy@163.com。

黃瓊, 楊紅云, 肖小梅. 水稻稻穗圖像的分割方法研究[J]. 生物災(zāi)害科學(xué), 2020, 43(1): 90-95.

10.3969/j.issn.2095-3704.2020.01.18