基于超像素分割算法的大田小麥導航路徑獲取

焦崇珊 宋懷波

摘要：實現(xiàn)復雜場景下導航路徑的自動獲取，是大田小麥自主作業(yè)機器人連續(xù)作業(yè)的重要環(huán)節(jié)和基礎。通過簡單線性迭代聚類算法（simple linear iterative cluster，簡稱SLIC），在獲取麥田裸地超像素區(qū)域的基礎上，使用Otsu算法實現(xiàn)了裸地區(qū)域的自適應分割，并通過數(shù)學形態(tài)學閉運算、Canny邊緣檢測、Hough直線檢測等操作實現(xiàn)了導航路徑的精確獲取。為了驗證本研究方法的有效性，將計算所得的導航角度與真實角度值間的平均誤差及均方差作為評價指標，并從34幅不同遮擋類別圖像中隨機選取15幅圖像進行了測試。結(jié)果表明，本研究方法的導航角度平均誤差為1.584°，均方差為1.293°。表明將該方法用于田間小麥導航路徑的獲取是有效的。

關鍵詞：小麥行間導航;SLIC算法;目標分割;導航路徑

中圖分類號： TP391.41? 文獻標志碼： A

文章編號：1002-1302（2020）14-0255-06

自主導航是田間作業(yè)機器人系統(tǒng)的關鍵技術(shù)之一，基于機器視覺的自主導航技術(shù)是農(nóng)業(yè)機器人實現(xiàn)田間連續(xù)作業(yè)的重要發(fā)展方向。如何在復雜田間環(huán)境下實現(xiàn)作業(yè)路徑的精確獲取，已成為田間作業(yè)機器人研究的重點，受到了越來越多的關注[1]。目前，農(nóng)業(yè)機器人導航研究主要包括視覺導航和衛(wèi)星定位導航（GPS）2種方式[2-3]。關卓懷等基于2R-G-B超紅圖像，采用綜合閾值法進行圖像二值化分割，根據(jù)圖像灰度垂直投影值動態(tài)設定感興趣區(qū)域，水平掃描獲取作物線擬合關鍵點，并采用多段三次B樣條曲線擬合法提取水稻待收獲區(qū)域邊界線，4種光線環(huán)境下15個關鍵點的平均誤差為36.5像素，平均距離誤差為45.0 mm，平均相對誤差為2.8%[4];王紅君等采用多顏色空間分割得到差值圖像和分量圖像，采用Otsu算法進行最優(yōu)閾值分割，最后用優(yōu)化的Hough變換確定導航路線，正確識別率為95%[5];高國琴等選取HSI顏色空間中的H分量進行處理，采用K-means算法分割壟間裸地和綠色植物，再通過數(shù)學形態(tài)學消除干擾得到完整的道路信息，該方法的最大誤差為 6.2 cm，平均誤差為3.7 cm，均方誤差為4.1 cm[6];孟慶寬等在YCrCg顏色模型的基礎上，選取與光照無關的Cg分量進行處理，采用模糊C均值聚類算法分割目標和背景，提出了一種快速作物行檢測算法，該方法抗干擾能力較強，在車速為0.6 m/s時最大橫向偏差不超過76 mm，平均值為33.1 mm，標準差為20.6 mm[7]。

超像素分割是實現(xiàn)目標精確分割的有效方法。楊麗艷等結(jié)合SLIC和模糊聚類算法實現(xiàn)了遙感圖像分割，精度為0.775 1，召回率為0.884 1[8];Shi等提出了一種新的分割圖形的全球標準——規(guī)范化分割方法（normalized cut，N-Cut）[9]，這一標準衡量了不同組之間的總差異和總相似;Felzenszwalb等提出了Graph-based方法[10]，給出了一種在圖表示（graph-based）下圖像區(qū)域之間邊界的定義的判斷標準，并使用貪心選擇來實現(xiàn)分割，能夠?qū)⒏咦兓瘏^(qū)域很好地聚合為同一區(qū)域;Levinshtein等提出了Turbopixel方法[11-14]，用于計算圖像的密集過分割，與缺少緊湊性約束的算法相比，緊湊性更高;Achanta等提出SLIC超像素分割算法，采用k均值聚類方法來有效生成超像素，提高了分割性能，并且可以直接擴展到超體素生成[3]。在上述超像素分割算法中，SLIC算法處理速度快，并且超像素塊能夠很好地貼合目標邊界，能夠獲得形狀、大小基本相同的超像素塊。采用SLIC超像素分割對輸入圖像進行處理，能夠減小算法計算復雜度[15]。

因此，為了實現(xiàn)大田小麥導航路徑的精確獲取，本研究基于SLIC超像素分割理論，在小麥裸地超像素區(qū)域精確提取的基礎上，利用Otsu算法得到小麥裸地區(qū)域的二值圖像，并使用數(shù)學形態(tài)學、Canny邊緣檢測進行圖像預處理，最后利用Hough直線檢測算法實現(xiàn)導航路徑的準確提取，以期為大田小麥自主作業(yè)機器人的準確導航奠定基礎。

1 測試圖像與運行環(huán)境

為測試算法的有效性和環(huán)境適應性，分別采用多種圖像獲取設備獲取了34幅圖像作為測試樣本。在自然條件下進行路徑的獲取，主要影響因素為小麥葉片的遮擋，當遮擋范圍超過地面的1/2時為嚴重遮擋，本研究所使用的圖像類別見表1，共包含輕微遮擋圖像12幅，嚴重遮擋圖像13幅，無遮擋圖像9幅;手機獲得圖像分辨率為2 268×4 032像素，CCD相機獲得的圖像分辨率為2 592×4 608像素。本研究算法運行于Microsoft Windows 10操作系統(tǒng)，Matlab R2018b與PyCharm 2017.1 x64版本軟件，內(nèi)存8 G，主頻2.20 GHz，機械硬盤空間2 T，固態(tài)硬盤空間128 G。

2 基于SLIC的大田小麥導航線獲取

基于SLIC的導航線獲取方法主要包括基于SLIC算法的裸地區(qū)域分割、裸地區(qū)域的預處理、行間邊緣直線檢測與導航線提取3個部分。從圖1可以看出，首先提取麥田裸地區(qū)域，然后對目標區(qū)域進行預處理，預處理包括圖像的二值化，數(shù)學形態(tài)學處理和邊緣檢測，以去除未連通小區(qū)域和邊緣毛刺等，并得到行間邊緣曲線;利用Hough變換進行直線檢測得到行間邊緣直線，將邊緣直線的角平分線作為前進方向的路徑。

2.1 基于SLIC算法的麥田裸地區(qū)域分割

超像素是指對具有相似特征的相鄰像素進行聚類，特征主要包括紋理、顏色、亮度等，然后產(chǎn)生形狀不完全規(guī)則和具有一定視覺意義的像素塊[13-14]，其實質(zhì)是一種改進的K-means算法。該算法將圖像像素在Lab顏色空間3個顏色分量的值和每個像素在直角坐標系下的2維位置坐標組成N（N為圖像像素點的總數(shù)）個5維特征向量，根據(jù)CLELAB顏色空間和xy坐標下的特征向量構(gòu)造相似度量標準，對相似的像素點聚類生成超像素。SLIC算法能有效抑制“椒鹽”噪聲的問題，不但可以自主設置生成超像素的個數(shù)，而且能夠生成形狀規(guī)則的像素塊且具有較好的邊界附著性。SLIC算法的具體步驟[3]為：

2.1.1 初始化種子點 首先預設其有N個像素點，SLIC算法運行后生成了大小相同的K個超像素，每個超像素的尺寸大小用N/K來表示。種子點間的距離可以表示為S=[KF（]N/K[KF）]。為了避免影響后續(xù)的聚類結(jié)果，種子點在鄰域內(nèi)的3×3的窗口內(nèi)移動，同時計算所有像素點的梯度值，并保證移動到梯度值最小的位置，防止種子點被分配到圖像的邊緣位置或噪聲點位置，并分配標簽到每個種子點上。

2.1.2 相似性度量 對每個像素進行搜索，計算像素點與種子點之間的相似程度，包括顏色距離和空間距離，不斷迭代直到收斂，關系如公式（1）至公式（3）：

式中：[lk ak bk xk yk]代表種子點的5維特征向量;[li ai bi xi yi]表示為待判斷像素點的特征向量;k指種子點;i是圖像中的搜索像素點;dlab指的是像素點間的顏色相似程度，dxy為圖像中鄰域內(nèi)像素點的空間距離;S為種子點的間距大小，m是用來衡量顏色信息與空間信息的相似比重。D代表2像素點的相似度，越相似則D取值越大。SLIC算法在2S×2S之間進行搜索，該操作可使算法加快收斂速度。

在麥田裸地區(qū)域分割時，SLIC算法參數(shù)大小的設置會直接影響到超像素分割的效果。大田小麥原始圖像見圖2，可見麥壟的邊緣被小麥枝葉遮擋，這會對裸地區(qū)域的分割與麥壟邊緣的獲取產(chǎn)生影響。SLIC算法采用不同超像素點處理后的結(jié)果見圖3，其中圖3-a為選取600個超像素點的結(jié)果，圖3-b為選取700個超像素點的結(jié)果，圖3-c為選取800個超像素點的結(jié)果，圖3-d為選取900個超像素點的結(jié)果，圖3-e為選取1 000個超像素點的結(jié)果，圖3-f為選取1 100個超像素點的結(jié)果。通過對比發(fā)現(xiàn)，當超像素點個數(shù)小于800時，分割塊過大，目標提取不夠精細;當大于800時，分割結(jié)果過細，不利于后續(xù)顯著性目標的提取，因此本研究選用800個超像素點的處理結(jié)果進行后續(xù)的處理與分析。

2.2 裸地區(qū)域預處理方法研究

麥田裸地區(qū)域的預處理可以有效去除噪聲、平滑區(qū)域邊緣，是導航線精確提取的重要環(huán)節(jié)。本研究主要通過數(shù)學形態(tài)學閉運算及邊緣檢測方法來進行麥田裸地區(qū)域的預處理，處理結(jié)果見圖4。其中圖4-a為利用Otsu算法自適應分割后的結(jié)果，可見目標邊緣存在毛刺等冗余信息，本研究采用大小為300像素的disk型模板進行數(shù)學形態(tài)學閉運算的結(jié)果如圖4-b，可見對未連通的小區(qū)域、邊緣毛刺等冗雜信息處理效果良好;最后通過Canny算子進行行間邊緣曲線的提取結(jié)果見圖4-c，可見圖像預處理后得到的行間邊緣信息良好，可為大田小麥導航路徑的準確提取奠定基礎。

2.3 小麥行間邊緣直線檢測和導航路徑的提取

2.3.1 基于Hough變換的小麥行間邊緣直線檢測

利用Canny算子得到行間邊緣曲線后，本研究通過Hough變換進行直線檢測，以得到行間邊緣直線。Hough變換是一種檢測、定位直線的有效方法，

該方法通過將二值圖像變換到Hough參數(shù)空間，在參數(shù)空間用極值點的檢測來完成目標的檢測，抗干擾能力強[15]。本研究對圖4-c進行Hough直線檢測的結(jié)果見圖5，圖中直線是Hough直線檢測后的小麥行間的邊緣直線，與檢測得到的裸地邊緣基本一致，可為導航路徑的準確檢測奠定基礎。

2.3.2 麥田導航路徑的獲取

若檢測到2側(cè)的邊緣直線，導航路徑為角平分線;若只檢測到1側(cè)的邊緣直線，導航路徑采用檢測到的邊緣直線的參數(shù);若2側(cè)均未檢測到邊緣直線，導航路徑為圖像豎直方向的中間線。圖6中的紅線是2條藍色直線的角平分線，即為計算出的前進方向的路徑，通過計算得出的θ1為90.94°。

導航參數(shù)的分析見圖7。θ1是導航路徑與x軸的夾角，θ2是導航路徑與豎直方向的夾角。當自主作業(yè)機器人無需糾正時θ1在90°左右，θ2在0°左右，所以，導航參數(shù)選擇使用θ2，根據(jù)θ2的正負和大小判斷作業(yè)機器人的偏轉(zhuǎn)方向和偏轉(zhuǎn)角度。

如圖7-a所示，探測車左偏時θ1∈[0°，90°），根據(jù)公式（4）和公式（5），計算得出θ2∈[0°，90°）;同理，如圖7-b所示，探測車右偏時，θ1∈[90°，180°），計算出θ2∈（-90°，0°]，所以，θ2為正值時，探測車左偏，θ2為負值時探測車右偏。

2.4 評價指標

為測試算法的有效性及適應性，對34幅小麥行間圖像進行了測試。為了進一步驗證本研究算法的有效性，將θ1的計算值與標準值作比較，評價指標采用θ1的真實值與計算值之差的均方差（RMSE），如公式（6）所示。

式中：n是導航系統(tǒng)測試圖像的數(shù)量，i表示第i張測試圖像，θ1i是手工標注得到的角度，θ[DD（-*2][HT6]^[DD）]1i是導航系統(tǒng)計算得到的角度，X[TX-]是θ1的真實值與計算值之差的平均值。

3 測試結(jié)果與分析

3.1 試驗結(jié)果

在前文所述的運行環(huán)境下，用本研究提出的方法處理34幅測試圖像。隨機取15幅測試結(jié)果見表2，角度的標準值通過Visio軟件在原圖像測得。從表2可以看出，15幅圖像測試結(jié)果的平均誤差值為1.584°，均方差為1.293°，表明本研究方法是有效的。本研究按照影響因素將測試圖像分為3類，圖像1～5為輕微遮擋時的結(jié)果，圖像6～10為嚴重遮擋時的結(jié)果，圖像11-15為地面無遮擋時的結(jié)果。其平均誤差及均方差分別為0.870°、0.572°，2.886°、1.358°，0.996°、0.540°，均能達到對路徑識別的要求。

3.2 小麥葉片的遮擋對導航路徑獲取的影響

葉片遮擋是影響大田小麥導航路徑獲取的主要因素，本研究中的SLIC算法會將部分遮擋區(qū)域分割出來，盡可能地實現(xiàn)路徑的精確獲取，減少自然因素的影響，使環(huán)境適應性更高且分割效果更佳，對枝葉的小區(qū)域遮擋能夠適應并且分割效果良好。當?shù)孛姹惠p微遮擋的分割結(jié)果見圖8，可見當?shù)孛姹惠p微遮擋時，能夠?qū)⒈徽趽跆幏指畛鰜怼?/p>

3類不同遮擋類型圖像導航線的獲取過程示例見圖9，其中圖9-a為地面被輕微遮擋時的導航線獲取過程，圖9-b為地面被嚴重遮擋時的導航線獲取過程，圖9-c為地面無遮擋時的導航線獲取過程。從圖9可以看出，當?shù)孛鏌o遮擋或被輕微遮擋時獲取的導航路徑較準確，當?shù)孛姹粐乐卣趽鯐r獲取的導航路徑較無遮擋情況存在偏差。由試驗結(jié)果[KG*3]可知，當?shù)孛姹蝗~片輕微遮擋時，均方差為

0.572°，能夠較準確地提取路徑，與無葉片遮擋時的差別較小;當?shù)孛姹蝗~片嚴重遮擋時，均方差為1358°;當?shù)孛鏌o遮擋時，角度的計算值與真實值之差的均方差為0.540°，說明并未將遮擋產(chǎn)生的影響完全排除，有葉片遮擋較無遮擋時的均方差增加?？梢?，隨著小麥葉片的生長，葉片逐漸伸展，當裸地區(qū)域無法識別時，本方法可能不再適用。

裸地區(qū)域無法識別時的導航線獲取過程見圖10，圖10-a為裸地區(qū)域無法識別時的原圖，圖10-b為SLIC分割結(jié)果，圖10-c為導航線的獲取結(jié)果，其中藍線為檢測到麥壟的邊緣直線，紅線為計算得到的導航線，棕色線為麥壟的實際邊緣直線，黃線為實際導航線，可見檢測到的麥壟邊緣直線與實際邊緣直線差距較大，導致提取的導航線與實際導航線也存在差別。如何實現(xiàn)此類導航路徑的獲取尚需深入研究。

4 結(jié)論

以大田小麥的行間路徑為研究對象，從裸地區(qū)域目標分割、裸地區(qū)域分割結(jié)果預處理和行間邊緣直線檢測與導航路徑的提取3個部分展開以實現(xiàn)對小麥行間導航路徑的獲取。所取得的主要結(jié)論如下：

（1）利用超像素分割算法能夠很好地分割出小麥行間的裸地區(qū)域，為麥壟邊緣的檢測與導航路徑的提取奠定了良好基礎。（2）通過數(shù)學形態(tài)學閉運算處理使得分割區(qū)域更加平滑，更加接近麥壟的實際形狀，通過Canny算子可以較為精確地提取出麥壟的邊緣。（3）通過Hough變換可以較為精確地檢測小麥壟的2條邊緣直線，兩直線的角平分線即為所需導航線。該方法得到的導航線與實際導航線的導航角度平均誤差為1.584°，均方差為1.293°，表明將該方法用于田間小麥導航路徑提取是有效的。

參考文獻：

[1]趙 洲，朱新華，何 穎，等. 機器人在溫室中的應用研究[J]. 農(nóng)機化研究，2015，37（1）：238-241.

[2]楊為民，李天石，賈鴻社. 農(nóng)業(yè)機械機器視覺導航研究[J]. 農(nóng)業(yè)工程學報，2004，20（1）：160-165.

[3]Achanta R，Shaji A，Smith K，et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（11）：2274-2282.

[4]關卓懷，陳科尹，丁幼春，等. 水稻收獲作業(yè)視覺導航路徑提取方法[J]. 農(nóng)業(yè)機械學報，2020，51（1）：19-28.

[5]王紅君，陳 慧，岳有軍，等. 基于多顏色空間分割的溫室環(huán)境視覺導航路徑信息提取[J]. 江蘇農(nóng)業(yè)科學，2017，45（16）：202-206.

[6]高國琴，李 明. 基于K-means算法的溫室移動機器人導航路徑識別[J]. 農(nóng)業(yè)工程學報，2014，30（7）：25-33.

[7]孟慶寬，張 漫，仇瑞承，等. 基于改進遺傳算法的農(nóng)機具視覺導航線檢測[J]. 農(nóng)業(yè)機械學報，2014，45（10）：39-46.

[8]楊麗艷，趙玉娥，黃 亮. 結(jié)合SLIC和模糊聚類的遙感圖像分割方法[J]. 軟件，2019，40（12）：66-69.

[9]Shi J，Malik J. Normalized cuts and image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22（8）：888-905.

[10]Felzenszwalb P F，Huttenlocher D P. Efficient Graph-based image segmentation[J]. International Journal of Computer Vision，2004，59（2）：167-181.

[11]Levinshtein A，Stere A，Kutulakos K N，et al. TurboPixels：fast superpixels using geometric flows[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2009，31（12）：2290-2297.

[12]趙宏偉，何勁松. 基于貝葉斯框架融合深度信息的顯著性檢測[J]. 光電工程，2018，45（2）：8-15.

[13]Ren X，Malik J. Learning a classification model for segmentation[C]//Proceedings of the ninth IEEE international conference on computer vision.Washington D C：IEEE Computer Society，2003：10-17.

[14]Kanungo T，Mount D，Netanyahu N，et al. An efficient k-means clustering algorithm：analysis and implementation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，24（7）：881-892.

[15]Hough P. Method and means for recognizing complex patterns：US1771560A[P]. 1962-12-18.

收稿日期：2020-02-02

基金項目：國家重點研發(fā)計劃（編號：2019YFD1002401）。

作者簡介：焦崇珊（1999—），男，山東菏澤人，主要從事數(shù)字圖像處理研究。E-mail：997224153@qq.com。

通信作者：宋懷波，博士，副教授，主要從事農(nóng)業(yè)智能化檢測相關研究。E-mail：songyangfeifei@163.com。