活立木圖像分割算法研究

代英鵬 王昱潭 薛君蕊 高垚垚 劉博瀚 馬程浩

(寧夏大學機械工程學院 寧夏 銀川 750021)

活立木圖像分割算法研究

代英鵬 王昱潭*薛君蕊 高垚垚 劉博瀚 馬程浩

(寧夏大學機械工程學院 寧夏 銀川 750021)

為了更好地避免圖像過分割的缺陷，提高機器識別的準確度，提出一種基于分水嶺算法的活立木圖像分割算法。通過分析分水嶺算法在實際分割中存在缺陷的原因，使用前處理與后處理相結合的方法克服過分割的缺陷。使用形態(tài)學重建技術進行圖像前處理；使用分水嶺算法對圖像進行分割，并且利用標記對象法對圖像進行標記；利用目標對象的色彩信息進行區(qū)域合并以及去除多余水壩，最終得到分割圖像。針對10幅活立木圖像，通過與人工分割的方法進行比較，所提出的基于分水嶺算法的活立木圖像分割算法能夠有效地提取活立木的目標區(qū)域，分割的正確率達到88.42%。

圖像處理 特征提取 活立木 分水嶺算法

0 引 言

人工駕駛采育機進行林間作業(yè)具有很多的弊端[1]。對此，諸多國家很早就對林業(yè)自主機器人進行了研究[2-3]。近年，我國在農林業(yè)自動化方面的發(fā)展也較為迅速[3-6]。他們都以機器視覺系統(tǒng)為基礎，檢測辨識前方的物體以及測定物體的尺寸等。這些研究為自主機器人的研制提供理支持。

對于林木綜合采育機自動識別活立木的過程中，林間活立木圖像的實時處理與識別是其關鍵技術。而對活立木的特征提取又是圖像處理與識別的關鍵點與難點。在圖像中提取目標物的關鍵問題是圖像分割，圖像分割的準確程度直接決定了目標物提取的準確度，也影響著機器自動識別活立木的準確度。目前，圖像分割的方法多種多樣[7-9]。其中，分水嶺算法的應用非常廣泛。但由于直接使用分水嶺算法，往往會出現嚴重的過分割現象，所以本文對分水嶺算法進行改進，使其能夠很好地克服這種缺陷。

1 概 述

傳統(tǒng)的分水嶺算法常使被分割圖像出現過分割的缺陷，從而難以對物體的特征進行有效的提取。為消除這一缺陷，目前主要的解決方法是將其與前處理方法結合使用。對于簡單的前處理方法，抑制過分割的效果不夠明顯，而復雜的前處理方法又不能滿足實時處理的要求。本文提出基于梯度分水嶺的活立木圖像分割算法，采用前處理與后處理相結合的方法，首先對圖像進行基于形態(tài)學重建技術的前處理，達到減輕或抑制過分割的目的。隨后利用標記提取以及統(tǒng)計學原理對圖像進行合并的后處理，最大程度、準確地提取活立木的目標區(qū)域。

2 材料與方法

2.1 活立木的圖像采集

圖像采集系統(tǒng)硬件設備為聯想手機與惠普PC機。手機型號為Lenovo P700手機，800萬像素，PC機型號為HP Pavilion g series，Inter(R) Core(TM) i3-2310M CPU @ 2.10 GHz，內存2.00 GB，Windows 7旗艦版32位操作系統(tǒng)。在晴天自然光源下進行采集，以JPG格式儲存。為方便實驗，將圖像裁剪為650×900大小，如圖1所示。

圖1 原圖像

2.2 圖像的預處理

在圖像獲取或傳輸的過程中，可能會被高斯噪聲[10]、椒鹽噪聲[11]以及混合噪聲[12]等污染。本文圖像預處理方法是3×3均值濾波處理[13]。

對圖像采用3×3均值濾波，則在像素(i,j)處，其鄰域Z像素分布如表1所示。

表1 像素的鄰域分布

以g(i,j)代替原像素(i,j)處的像素值：

(1)

其對應的3×3卷積模板為：

在RGB顏色空間，用3×3均值濾波對有噪聲的圖像進行濾波，由于其對R、G、B顏色通道使用相同的模板進行處理，所以對通道之間相互聯系的影響較小，有效地避免了因忽略各通道之間的聯系而使圖像失真而導致圖像分割不準確的后果。圖2為預處理結果。

圖2 預處理結果

2.3 基于分水嶺算法的前處理

對圖像進行分水嶺分割的前處理，在一定程度能夠減少過分割現象，有利于目標區(qū)域的提取。算法需要將前景對象與背景對象分開并進行標記，在此將使用形態(tài)學重建技術、歐式距離變換等。

算法需要將圖像的背景對象與前景對象區(qū)別，可以通過形態(tài)學重建技術來完成。形態(tài)學重建技術通過對原始圖像進行濾波，可以在保護重要輪廓信息的同時起到消除噪聲的作用。經過形態(tài)學處理的圖像，通過控制結構元素的大小，可以使不同區(qū)域之間的灰度差變大以及消除區(qū)域內部的部分極值，以此來區(qū)別前景與背景對象，并使前景與背景對象內部的灰度值變化趨于平緩。經過形態(tài)學處理的圖像如圖3(a)。尋找分水嶺的谷底與邊界，分別通過尋找局部最大值與歐式距離變換實現，結果如圖3(b)。經過以上技術對圖像進行前處理，進而使用分水嶺算法進行圖像的分割，結果如圖3(c)。

2.4 基于特征參數法的后處理

通過前處理的圖像消除了大部分過分割，但是依然存在圖像分割不準確等問題。對分割圖像進行合并的后處理分為不同區(qū)域的合并以及對合并區(qū)域水壩的去除。

根據圖像的顏色信息，活立木灰度圖像的灰度值整體比較高，則首先計算通過標記的每個區(qū)域的灰度的平均值：

(2)

式中：P(t)為t區(qū)域的灰度平均值，I(i,j)為t區(qū)域的(i,j)處的灰度值，area(t)為t區(qū)域的面積(或像素數)。設定合并閾值T，t區(qū)域的灰度值I(t)：

(3)

通過每個區(qū)域平均灰度值與閾值的比較，對不同區(qū)域進行合并，如圖4(a)。

劃分區(qū)域的水壩為單像素值，利用形態(tài)學開啟與閉合去除水壩。

開啟：X°B=(XΘB)⊕B

閉合：X·B=(X⊕B)ΘB

式中：X表示形態(tài)學處理圖像；B表示結構元素；此處結構元素使用半徑為1的圓盤；Θ表示形態(tài)學腐蝕；⊕表示形態(tài)學膨脹。通過開啟與閉合操作，可以有效去除區(qū)域之間的水壩，結果如圖4(b)。

圖4 分水嶺分割的后處理

3 算法步驟

本文為分割活立木圖像，綜合利用了分水嶺算法基于標記提取的前處理以及對分割圖像進行合并的后處理，分割出最終的目標區(qū)域，算法流程圖如圖5所示。

圖5 算法流程圖

算法關鍵步驟：

步驟1對原圖像進行預處理并將原圖像轉換為灰度圖像。

步驟2使用形態(tài)學重建技術區(qū)分前景與背景對象，并尋找局部最大值與進行歐式距離變換。

步驟3分水嶺分割圖像。

步驟4標注分割圖像的區(qū)域，通過計算的每個區(qū)域的平均灰度與閾值比較，進行區(qū)域的合并，閾值設為圖像的平均灰度值。

步驟5使用形態(tài)學的開啟與閉合操作消除水壩，最終獲取活立木的目標區(qū)域。

4 實驗結果與分析

本文對類似圖1的10幅900×650像素的活立木圖像進行分割，通過錯誤分割率來檢測本文算法的可靠性。人工分割活立木像素數是指通過Photoshop軟件對活立木目標區(qū)域進行提取而后計算出的像素數目；錯誤分割數為人工分割活立木像素數與本文算法正確提取的像素數的差值；錯分數是錯誤分割數除以人工分割活立木的像素數，統(tǒng)計結果如表2所示，錯分率為11.58%，即正確分割率為88.42%。本文算法圖像與人工分割圖像分別如圖6(a)和圖6(b)。

表2 活立木分割數據

從表中可以看出，針對不同的相類似的圖像，得到的結果不盡相同。最高的錯分率可以達到17.94%，而最小的錯分率只有5.13%。對于2號、7號和9號等活立木圖像，其錯分率均達到15%以上，最主要的原因有兩個：一是其活立木圖像的前景對象與背景對象在分界線附近的灰度值很接近；二是活立木圖像的前景對象中混雜著灰度值較低的像素，尤其在分界處存在大量灰度較低的像素，其與背景對象難以區(qū)別。如4號與7號等活立木圖像，其活立木目標區(qū)域占圖像的比例近似，但是分割結果卻有很大差別，其原因也在于此。對于1號、4號等活立木圖像，其前景對象與背景對象在分界處灰度值有較大差別，前景對象中摻雜的灰度值較低的像素少且分散，并且基本沒有分布在邊界處，所以其分割效果較好。

圖6 分割結果的比較

由6(a)和圖6(b)，本文算法分割的圖像與人工分割的圖像相比較，其分割的效果大致相同，在局部出現很小的誤差，達到減小過分割以及正確提取目標區(qū)域的要求。而傳統(tǒng)分水嶺算法將前景圖像、背景圖像分割為多個部分，不能正確地將活立木分割出來。

5 結 語

傳統(tǒng)的分水嶺算法，其過分割現象嚴重，對目標區(qū)域的提取非常困難，甚至不能進行特征區(qū)域的辨別。解決分水嶺過分割的方法分為基于標記提取的前處理以及利用對分割圖像進行合并的后處理兩類。針對本文中提取活立木中高灰度值中摻雜著聚集的低灰度值區(qū)域，并且背景中灰度值變化復雜，尤其在前景對象與背景對象的分界處，前景對象的灰度值與背景對象的灰度值之間的關系比較復雜，對提取目標區(qū)域有很大的影響。如果單純利用前處理或后處理，其最終分割的效果不佳。

雖然本文算法較好地解決了活立木圖像的過分割問題，但圖像消除過分割的效果依賴于形態(tài)學重建技術中對結構元素的參數選取。對結構元素選取較小的參數，能夠較好地保證圖像輪廓的信息，但是對前景對象或是背景圖像內部局部極值的消除效果不好，對分水嶺分割中過分割現象的抑制作用極大削弱。對結構元素選取較大的參數，雖然能夠對圖像局部極值有較好的消除效果，但是對于圖像輪廓的定位就變得不準確，可能造成圖像分割的錯誤。

本文針對活立木的過分割問題，分析了活立木的形態(tài)、紋理與色彩特征之間的規(guī)律，先探索灰度圖像的分割，進而研究彩色圖像的分割算法，提出了一種基于分水嶺算法的活立木圖像特征提取算法。本文綜合利用了分水嶺算法基于標記提取的前處理以及對分割圖像進行合并的后處理，較好地抑制了活立木圖像的過分割問題。通過對10幅類似的活立木圖像的測試，傳統(tǒng)分水嶺算法的運行時間為2.142 0 s，本文算法平均運行時間為2.721 9 s。雖然本文算法在運行速度上較之慢0.579 9 s，但是傳統(tǒng)分水嶺算法不能將圖像正確地分割出來，而本文分割正確率達到88.42%，達到預期的目標，為研制智能林木綜合采育機提供理論依據。

[1] φstensvik T, Veiersted K B, Cuchet E, et al. A search for risk factors of upper extremity disorders among forest machine operators: A comparison between France and Norway[J]. International Journal of Industrial Ergonomics, 2008, 38(11-12):1017-1027.

[2] Vestlund K, Hellstr?m T. Requirements and system design for a robot performing selective cleaning in young forest stands[J]. Journal of Terramechanics, 2006,43(4):505-525.

[3] Legües A D, Ferland J A, Ribeiro C C, et al. A tabu search approach for solving a difficult forest harvesting machine location problem[J]. European Journal of Operational Research, 2007,179(3):788-805.

[4] 闞江明．基于計算機視覺的活立木三維重建方法[D]．北京：北京林業(yè)大學，2008．

[5] 闞江明，李文彬，孫仁山．基于計算機視覺的立木枝干直徑自動測量方法[J]．北京林業(yè)大學學報,2007，29(4)：5-9．

[6] 孟慶寬，何潔，仇瑞承，等．基于機器視覺的自然環(huán)境下作物行識別與導航線提取[J]．光學學報, 2014，3(7)：0715002．

[7] Wang Yutan, Li Wenbin, Pang Shuai, et al. Segmentation method of lingwu long jujubes based on L*a*b* color space[J]. Telkomnika-Indonesian Journal of Electrical Engineering, 2013,11(9):5344-5351.

[8] Wang Yutan, Kang Jiangming, Li Wenbin, et al. Image segmentation and maturity recognition algorithm based on color features of Lingwu long jujube[J]. Advance Journal of Food Science and Technology, 2013,5(12):1625-1631.

[9] 伍艷蓮，趙力，姜海燕，等．基于改進均值漂移算法的綠色作物圖像分割方法[J]．農業(yè)工程學報, 2014，30(24)：161-167．

[10] 楊先鳳，樊勇，彭博，等．去除高斯噪聲的快速分區(qū)域去噪算法[J]．計算機工程與設計, 2014，35(4)：1341-1346．

[11] 許圣雷．基于均勻空間色差度量的彩色圖像椒鹽噪聲濾波算法研究[D]．昆明：昆明理工大學，2015．

[12] 吳一全，王凱，戴一冕．基于非局部均值和SUSAN算子的混合噪聲濾除[J]．光子學報, 2015，44(9)：0910001．

[13] 楊杰．數字圖像處理及MATLAB實現[M]．北京：電子工業(yè)出版社，2014．

RESEARCHONTHEMETHODOFSEGMENTATIONONCOLORIMAGEOFSTANDINGTREES

Dai Yingpeng Wang Yutan*Xue Junrui Gao Yaoyao Liu Bohan Ma Chenghao

(SchoolofMechanicalEngineering,NingxiaUniversity,Yingchuan750021,Ningxia,China)

In order to avoid the defects of image segmentation and improve the accuracy of machine identification, a new algorithm of segmentation image based on watershed algorithm is proposed. By analyzing the causes of the defect in the actual segmentation, the method of combining pre-treatment and post-processing was used to overcome the shortcomings of over-division. Firstly, the image pre-processing was carried out by using the morphological reconstruction technique. Then the watershed algorithm was used to segment the image, and the image was marked by the marker object method. Finally, the color information of the target object was used to merge the area and removed the redundant dam, and finally the segmented image was obtained. According to the method of artificial segmentation, the proposed algorithm based on watershed algorithm can effectively extracted the target area of living wood, and the correct rate of segmentation was 88.42%.

Image processing Feature extraction Standing tree Watered algorithm

2017-03-07。寧夏大學自然科學研究基金(ZR1409)。代英鵬，碩士生，主研領域：機械制造及其自動化。王昱潭，副教授。薛君蕊，本科生。高垚垚，碩士生。劉博瀚，碩士生。馬程浩，碩士生。

TP391

A

10.3969/j.issn.1000-386x.2017.12.043