林木冠層圖像的分割方法研究

李曉冬，王雪峰，賀 鵬

（中國(guó)林業(yè)科學(xué)研究院 資源信息研究所，北京 100091）

林木冠層圖像的分割方法研究

李曉冬，王雪峰，賀 鵬

（中國(guó)林業(yè)科學(xué)研究院 資源信息研究所，北京 100091）

現(xiàn)代林業(yè)研究中，有效的提取并分析圖像數(shù)據(jù)中樹(shù)木信息，對(duì)樹(shù)木深層信息挖掘起著很重要的作用。實(shí)際上，從復(fù)雜的林業(yè)圖像中準(zhǔn)確的分割出目標(biāo)植物是很多后續(xù)圖像研究的關(guān)鍵問(wèn)題之一。大津法是目前使用最為廣泛的圖像分割算法之一，但是由于樹(shù)木圖像的自然性，該方法對(duì)冠層圖像臨界處分割往往存在較大誤差。為解決該問(wèn)題，本文結(jié)合類(lèi)間方差及類(lèi)內(nèi)聚度這兩個(gè)度量值，改進(jìn)大津法閾值選取目標(biāo)函數(shù)，并且以銀杏冠層圖像為例進(jìn)行分割，結(jié)果表明：（1）對(duì)于郁閉度較小的冠層圖像，兩種分割方法得到的分割效果較為相近；（2）對(duì)于郁閉度較大的冠層圖像，本文改進(jìn)方法較傳統(tǒng)大津法可得到更好的分割效果。（3）改進(jìn)法分割冠層圖像是可行的。

林業(yè)圖像；銀杏；圖像分割；大津法；冠層圖像

圖像分割是圖像處理與機(jī)器視覺(jué)的基本問(wèn)題之一，其要點(diǎn)是把圖像劃分成若干互不交迭區(qū)域的集合，這些區(qū)域或者對(duì)當(dāng)前的任務(wù)有意義，或者有助于說(shuō)明它們與實(shí)際物體或物體的某些部分之間的對(duì)應(yīng)關(guān)系[1]。圖像分割的應(yīng)用非常廣泛，幾乎出現(xiàn)在有關(guān)圖像處理的所有領(lǐng)域，比如在林業(yè)研究中針對(duì)相鄰花朵圖像來(lái)提取分割花朵的邊緣[2]，在遙感應(yīng)用中合成孔徑雷達(dá)圖像中目標(biāo)的分割[3]，遙感云圖中不同云系和背景分布的分割[4-5]，在交通圖像分析中，把車(chē)輛目標(biāo)從背景中分割出來(lái)[6]，在面向?qū)ο蟮膱D像壓縮和基于內(nèi)容的圖像數(shù)據(jù)庫(kù)查詢(xún)中，將圖像分割成不同的對(duì)象區(qū)域[7]，在火災(zāi)識(shí)別應(yīng)用中，利用圖像分割技術(shù)在火災(zāi)監(jiān)測(cè)圖像中準(zhǔn)確的提取火焰目標(biāo)[8]等。這些應(yīng)用中，分割通常是為了進(jìn)一步對(duì)圖像進(jìn)行分析、識(shí)別、壓縮編碼等。在各類(lèi)圖像的分割算法中，以提取樹(shù)木圖像為目的的分割，由于圖像內(nèi)容復(fù)雜的自然屬性，是分割中較難處理的一類(lèi)，且分割精度也相對(duì)較低。圖像分割大體上分為閾值分割方法、聚類(lèi)分割方法、邊緣檢測(cè)方法、區(qū)域提取方法[9]等。

由于分割對(duì)象的多樣性，到目前為止還沒(méi)有一種普遍適用的分割方法，現(xiàn)有的任何一種單獨(dú)的分割算法都難以適用于多種圖像的分割。在目前的眾多分割算法中，閾值分割方法最為普遍[10-15]，其中的大津法(Otsu法)[16]被認(rèn)為是比較有效的閾值分割方法之一。大津法又稱(chēng)為最大類(lèi)間方差法，由日本學(xué)者大津展之在1979年提出發(fā)表，該方法計(jì)算簡(jiǎn)單，自適應(yīng)能力強(qiáng)，分割效果好，因此得到廣為使用，他依據(jù)的原理是利用類(lèi)間方差作為判據(jù)，選取使類(lèi)間方差最大的灰度值作為最佳閾值。大津法主要對(duì)目標(biāo)和背景灰度特性區(qū)分明顯且對(duì)信噪比較大的圖像分割效果較好。對(duì)于背景較復(fù)雜、灰度直方圖峰值不明顯的圖像，該分割方法往往將背景與前景目標(biāo)混雜，難以將前景與背景較好地分割出來(lái)，因此產(chǎn)生了各種改進(jìn)大津算法用于特定對(duì)象分割[17-26]。

由于林木多樣化、圖像背景復(fù)雜等系列困難，如何從林業(yè)圖像數(shù)據(jù)中自動(dòng)分割提取目標(biāo)信息是目前林業(yè)信息技術(shù)研究中的難題之一，現(xiàn)有的多種圖像分割方法不適用于各種林業(yè)圖像的分割。以銀杏人工林內(nèi)冠層圖像為例運(yùn)用傳統(tǒng)大津法進(jìn)行分割，植物葉邊緣由于光衍射的影響，使得前景植物與背景天空臨界處的灰度差異不明顯，分割結(jié)果顯示在臨界處部分前景植物被劃分到背景中，使得前景目標(biāo)區(qū)域偏小，分割效果不準(zhǔn)確。為解決該問(wèn)題，以及針對(duì)大津法的缺點(diǎn)，本文在大津法的基礎(chǔ)上，對(duì)其閾值選取目標(biāo)函數(shù)進(jìn)行改進(jìn)，兼顧考慮前景與背景這兩類(lèi)的類(lèi)間方差與各類(lèi)內(nèi)聚度，提出了一種改進(jìn)大津閾值選取方法，并通過(guò)圖像實(shí)例驗(yàn)證了該改進(jìn)方法的有效性及其優(yōu)越性。

1 大津法(Otsu法)

大津法的基本原理是以圖像的灰度值分布建立一維灰度直方圖，將圖像背景與目標(biāo)的類(lèi)間方差作為閾值選取準(zhǔn)則。對(duì)于給定的一張灰度級(jí)為[0,2，…，L-1]，灰度級(jí)i的像素?cái)?shù)為ni的數(shù)字圖像，其最佳閾值自動(dòng)選取的目標(biāo)函數(shù)為：

當(dāng)閾值為t∈[0，L-1]時(shí)，將像素按照灰度級(jí)劃分為兩類(lèi)C0（前景）和C1（背景），即C0={0，…，t}，C1={t+1，…，L-1}，其中 )(2tσB表示圖像灰度直方圖中的類(lèi)間方差：

類(lèi)間方差是圖像像素灰度值分布均勻性度量值，類(lèi)間方差越大，圖像中兩類(lèi)間的像素均勻性就越差，背景和目標(biāo)的差別就越大，分割效果越好。

2 改進(jìn)大津法

根據(jù)大津法的原理，我們可以理解為在最佳閾值t下分割得到的前景和背景的都最大可能的遠(yuǎn)離圖像中心，μ0和μ1之間的距離d也將盡可能達(dá)到最大。

與此同時(shí)，根據(jù)圖像分割的目的，很顯然分割得到的各個(gè)類(lèi)內(nèi)的像素與類(lèi)中心的間距應(yīng)該盡可能小，此時(shí)各個(gè)類(lèi)內(nèi)的像素內(nèi)聚性越好，圖像表現(xiàn)將是前景與背景分割的越好。為了度量前景與背景這兩類(lèi)的類(lèi)內(nèi)像素的內(nèi)聚性，假設(shè)一個(gè)內(nèi)聚度量——類(lèi)平均方差根據(jù)經(jīng)典大津法，顯然兩類(lèi)間距d越大，前景與背景區(qū)別越大，分割效果越好。同時(shí)，圖像分割的核心目標(biāo)之一，是使各類(lèi)內(nèi)平均方差和越小，各個(gè)類(lèi)內(nèi)的像素內(nèi)聚性越好，則分割效果越好。因此，在大津法的基礎(chǔ)上，選取最佳分割閾值T時(shí)，如果能夠同時(shí)考慮這兩個(gè)度量值，即使得類(lèi)間距離d盡可能大，同時(shí)令兩個(gè)類(lèi)內(nèi)聚度盡可能小，這樣就可以得到更為理想的分割效果?；谠撓敕?，本文假設(shè)一個(gè)中間度量值K(t)，當(dāng)K(t)取得最大值，此時(shí)的分子盡可能大而分母盡可能小，即可以同時(shí)使得類(lèi)間距和類(lèi)內(nèi)方差這兩個(gè)因素達(dá)到理想狀態(tài)。

故改進(jìn)大津法的目標(biāo)函數(shù)為：

即當(dāng)K(t)取得最大值時(shí)的灰度級(jí)t即為所求的最佳分割閾值T。

3 改進(jìn)大津法的實(shí)現(xiàn)

針對(duì)所提出的改進(jìn)大津法，對(duì)多種不同郁閉度的林內(nèi)冠層圖像進(jìn)行閾值分割，檢索每個(gè)灰度值t∈[0，L-1]作為分割閾值，計(jì)算對(duì)應(yīng)的每個(gè)中間度量值K(t)，選取使得K(t)達(dá)到最大值時(shí)候的灰度t，將其作為最終的圖像分割閾值對(duì)特定圖像進(jìn)行目標(biāo)與背景的分割。在Microsoft Visual C++6.0平臺(tái)編寫(xiě)代碼，改進(jìn)大津法的實(shí)現(xiàn)步驟如下：

定義存放圖像灰度級(jí)的一維數(shù)組i=0，1，…，L-1，并統(tǒng)計(jì)圖像像素個(gè)數(shù)N；

計(jì)算圖像的各像素值概率，即灰度概率分布pi；

逐個(gè)檢索閾值為t∈[0，L-1]時(shí)，分別計(jì)算前景目標(biāo)與背景區(qū)域的像素概率ω0(t)和ω1(t)，兩類(lèi)的像素平均值μ0(t)和μ1(t)，類(lèi)間方差以及各類(lèi)內(nèi)的平均方差

計(jì)算閾值為t∈[0，L-1]時(shí)的中間度量值K(t)；

逐個(gè)檢索比較K(t)的大小，尋找當(dāng)K(t)達(dá)到最大值時(shí)的閾值t，記為T(mén)；

將T作為最佳分割閾值，用f(x,y)表示圖像中坐標(biāo)點(diǎn)為(x,y)的像素值，按照如下法則對(duì)指定圖像實(shí)例進(jìn)行分割：

根據(jù)上述算法，在Microsoft Visual C++ 6.0平臺(tái)編寫(xiě)代碼，實(shí)現(xiàn)對(duì)系列圖像前景與背景的分割，并計(jì)算目標(biāo)前景像素占圖像總像素的百分比。

4 實(shí)例分析

運(yùn)用上述改進(jìn)大津法程序，對(duì)多種不同郁閉度的林內(nèi)冠層圖像進(jìn)行分割，圖像大小均為3 504×2 336，灰度級(jí)為256，由0到255。選取其中三張不同郁閉度銀杏冠層圖像為例，分別運(yùn)用兩種方法分割并計(jì)算相應(yīng)的目標(biāo)前景像素占圖像總像素的百分比，其結(jié)果如圖1所示。

圖(a)、(b)和(c)為銀杏人工林冠層原始圖像，圖(a1)、(b1)和 (c1)分別為運(yùn)用傳統(tǒng)大津圖像分割法得到的圖像，圖(a2)、(b2)和 (c2)本文改進(jìn)大津法分割得到的圖像。將分割得到的圖像背景部分表示為白色，前景部分表示為黑色。對(duì)郁閉度較小的圖(a)分割結(jié)果顯示，大津法（圖(a1)）和本文方法（圖(a2)）的分割結(jié)果相近，目標(biāo)前景像素占圖像總像素的比值分別為52.21%和52.47%，從分割得到的二值圖像可以看出，兩種方法都達(dá)到了較為理想的分割效果，但是大津法的分割邊緣比較跳躍而本文改進(jìn)法分割邊緣稍柔和。而對(duì)于圖(b)和圖(c)，由于郁閉度較大，樹(shù)葉縫隙較小，造成光的衍射明顯影響圖像臨界處的灰度，使得背景與前景目標(biāo)邊緣模糊。圖(b1) 和圖(c1)的前景像素比值分別為85.78%和87.29%，都小于本文分割法得到的結(jié)果90.25%（圖(b2)）和93.52%（圖(c2)）。由于沒(méi)有實(shí)際的前景像素比值作為參照標(biāo)準(zhǔn)，無(wú)法直接從得到的比值結(jié)果比較哪一種分割結(jié)果較為準(zhǔn)確，但是由分割得到的二值圖像分別與原圖（圖(b)和圖(c)）做比較可以明顯看出，大津法分割得到的二值圖像（圖(b1)和圖(c1)）臨界處變化較劇烈，部分前景目標(biāo)被歸類(lèi)到背景當(dāng)中，會(huì)使得前景比例比實(shí)際值小。而本文改進(jìn)大津法得到的圖像（圖(b2)和圖(c2)）分割邊緣比較柔和，對(duì)前景與背景臨界處的分割更加接近實(shí)際情況。由于在考慮類(lèi)間方差的同時(shí)考慮到了類(lèi)內(nèi)聚度，同時(shí)兼有大津法的優(yōu)點(diǎn)，令本文改進(jìn)方法具有更好的實(shí)用性。理論上，該方法增加了類(lèi)內(nèi)方差計(jì)算，計(jì)算量會(huì)有所增加，但是實(shí)際操作表明，其對(duì)運(yùn)算速度影響極小。

5 結(jié)論與討論

本文通過(guò)改進(jìn)經(jīng)典大津圖像分割方法，在考慮最大類(lèi)間方差的同時(shí)結(jié)合類(lèi)內(nèi)聚度，提出了一種新的圖像分割閾值選取算法。通過(guò)對(duì)大量不同郁閉度銀杏冠層圖像的分割比較表明，對(duì)于郁閉度較小的冠層圖像，兩種分割方法得到的分割效果較為相近；對(duì)于郁閉度較大的冠層圖像，本文改進(jìn)方法較傳統(tǒng)大津法可以獲得更加接近實(shí)際情況的分割效果，體現(xiàn)了該算法的有效性以及優(yōu)越性，是一種適用于銀杏等闊葉林冠層圖像的較好的閾值分割方法，具有較高的實(shí)用價(jià)值。

圖1 大津法和改進(jìn)法得到的圖像分割結(jié)果Fig.1 Images segmented by Otsu method and improved Otsu method

本文算法主要測(cè)試了闊葉純林冠層圖像，原則上該算法可以拓展到混交林和針葉林冠層圖像的分割，但是針對(duì)其它各類(lèi)冠層圖像的分割是否同樣適用，需要做進(jìn)一步的研究。

[1] 王愛(ài)民,沈蘭蓀.圖像分割研究綜述[J].測(cè)控技術(shù),2000,19(5): 1-6.

[2] 付 慧,黃心淵,唐世華,等.基于深度圖的相鄰花朵圖像分割方法[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2011,31(11):172-178.

[3] 薛景浩,章毓晉,林行剛.圖像基于Rayleigh分布假設(shè)的最小誤差閾值化分割[J].電子科學(xué)學(xué)刊, 1999,21(2):219-225

[4] 陳 哲,馮天謹(jǐn).基于小波分形特征提取的圖像分割方法[J].中國(guó)圖象圖形學(xué)報(bào),1999,4A(12): 1072-1077.

[5] Chuang K S, Tzeng H L, Chen S. et al. Fuzzy c-means clustering with spatial information for image segmentation[J].Computerized Medical Imaging and Graphics,2006,30:9-15.

[6] Zhao W D, Qi H, Zhou H Y. Segmentation Algorithm of Traff i c Prohibited Area Based on Wavelet[J]. Advanced Materials Resea rch,2012,542-543:1316-1319.

[7] Swanson M D, Tewfik A H. Fast Progressively Refined Image Retrieval[J].Journal of Electronic Imaging,1998,7(3):443-452.

[8] 李 杰,肖 江.火焰目標(biāo)提取方法的研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2009,29(1):140-143.

[9] Senthilkumaran N, Rajesh R. Edge Detection Techniques for Image Segmentation - A Survey of soft computing approaches[J].International Journal of Recent Trends in Engineering,2009,1(2):250-254.

[10] 魏宏博,呂振肅,蔣田仔.圖像分割技術(shù)縱覽[J].甘肅科學(xué)學(xué)報(bào),2004,16(2):19-24.

[11] Corneloup G, Moysan J, Maynin I E. DSCAN Image Segmentation by Thresholding Using Concurrence Matrix Aoalysis [J]. Pattern Recognition, 1996, 29(2): 281-206.

[12] Cheng H D, Jiang X H, Wang J L. Color image segmentation based on homogram thresholding and region merging[J]. Pattern Recognition, 2002, 35(2): 373-393.

[13] Li L, Gong J, Chen W. Grey-Level Image Thresholding Based on Fisher Linear Projection of Two-Dimensional Histogram[J].Pattern Recognition, 1997, 30(5): 743-750.

[14] Pikaz A, Averbuch A. Digital Image Thresholding Based on Stable State[J].Pattern Recognition, 1996, 29(5): 829-843.

[15] Yen J C, Chang F J, Chang S. A New Criterion for Automatic Multilevel Thresholding[J]. IEEE Trans. Image Processing, 1995,4(3): 370-377.

[16] Nobuyuki Otsu. A threshold selection method from gray-level histograms[J].IEEE transactions on system, man, and cybernetics,1979, 9(1): 62-66.

[17] 范九倫, 趙 鳳. 灰度圖像的二維Otsu曲線閩值分割法[J].電子學(xué)報(bào),2007,35(4):751-755.

[18] 范九倫, 趙 鳳, 張雪峰. 三維Otsu閡值分割方法的遞推算法[J].電子學(xué)報(bào),2007,35(7): 1398-1402.

[19] 江禹生,宋香麗,任晶晶.基于遺傳算法的二維Otsu算法改進(jìn)[J].計(jì)算機(jī)應(yīng)用研究,2010, 27(3):1189-1191.

[20] 孔 明,孫希平,王永驥.一種改進(jìn)的基于類(lèi)間方差的閾值分割法[J].華中科技大學(xué)學(xué)報(bào):自然科學(xué)版,2004,32(7):46-48.

[21] 瞿 中.基于改進(jìn)的最大類(lèi)間方差算法的圖像分割研究[J].計(jì)算機(jī)科學(xué),2009,36(5): 276-290.

[22] 孫艷忠,柴 毅,尹宏鵬.基于邊緣檢測(cè)與改進(jìn)最大類(lèi)間方差法的火箭序列圖像分割算法[J].計(jì)算機(jī)應(yīng)用,2009,29(11):3027-3032.

[23] Carnicer R. M, Cuevas F.J. M. Unimodal thresholding for edge detection[J]. Pattern Recognition, 2008, 41(7): 2337-2346.

[24] Wang N, Li X, Chen X. Fast three dimensional Otsu thresholding with shuffled frog-leaping algorithm[J]. Pattern Recognition,2010, 31(13): 1809-1815.

[25] 付 慧,黃心淵,唐世華,等.基于深度圖的相鄰花朵圖像分割方法[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2011,31(11):172-178.

[26] 薛曉坡,林 輝,孫 華,等.長(zhǎng)沙市區(qū)景觀動(dòng)態(tài)變化分析[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2009,29(1):64-68.

Segmentation method research for forest canopy image

LI Xiao-dong, WANG Xue-feng, HE Peng
(Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China)

How to extract and analyze the tree information from the image data is very important for deeply excavating the deeper-level information of trees and forests in modern forestry researches. In fact, it is one of the crucial issues in the subsequent image research that accurately segment the target plant from complicated forest image. Among all the image segmentation methods, Otsu method is one of the most widely used threshold selection methods of image segmentation because of its simple calculation and great adaptability.However, due to the naturality of the tree images, it is not able to obtain good segmentation results when the canopy images were segmented by using Otsu method. Considering its poor segmentation results of the canopy images, an improved threshold selection algorithm based on traditional Otsu method was put forward. Both between-class variance and within-class variance were considered that impact on the image segmentation result, the selection of objective function of Otsu method was improved and the image segmentation was conducted by taking the Ginkgo biloba canopy images as the example. The results show (1) for the images of lower canopy density,the results obtained by traditional Otsu method and improved Otsu method were similar each other; (2) for the images of higher canopy density, better segmentation results can be obtained by using the improved method rather than traditional Otsu method; (3) according to the results, it is feasible to segment the canopy images by using the improved Otsu segmentation method.

forestry images; Ginkgo biloba ; image segmentation; Otsu method; canopy image

S771.8

A

1673-923X(2013)07-0040-05

2012-10-16

國(guó)家948項(xiàng)目“原野機(jī)器人苗木遠(yuǎn)程監(jiān)測(cè)分析技術(shù)引進(jìn)”（2011-4-67）

李曉冬（1987-），女，浙江麗水人，碩士研究生，主要研究方向?yàn)榱謽I(yè)信息技術(shù)

王雪峰（1968-），男，內(nèi)蒙古赤峰人，副研究員，博士，主要研究方向?yàn)樯锝y(tǒng)計(jì)模型、圖像處理與計(jì)算機(jī)視覺(jué)

[本文編校：吳 毅]