基于改進(jìn)的Retinex算法的草坪雜草識(shí)別

化春鍵，張愛榕，陳瑩

摘要：針對(duì)草坪雜草圖像前景與背景灰度相近導(dǎo)致圖像前景難以識(shí)別的問題，本研究提出一種基于局部密度的Retinex增強(qiáng)算法。首先，為了突出圖像前景，平滑雜亂背景，利用局部方差對(duì)圖像進(jìn)行預(yù)處理。其次，為了更準(zhǔn)確地得到所需部分像素的空間信息，利用多閾值分割和開運(yùn)算差分將像素分為前景、背景和待細(xì)分像素3類，利用局部密度提取待細(xì)分像素的空間信息。最后，為了融合局部密度信息，采用Sigmoid函數(shù)優(yōu)化反射分量灰度變換系數(shù)，得到增強(qiáng)圖像。結(jié)果表明，本研究算法增強(qiáng)效果良好，能有效擴(kuò)大雜草與草坪草的灰度差，抑制背景噪聲，峰值信噪比相對(duì)傳統(tǒng)Retinex算法提高24.23%。

關(guān)鍵詞：圖像增強(qiáng);局部方差;局部密度;Retinex算法;草坪雜草

中圖分類號(hào)： TP391.41;S451.1文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1000-4440（2021）06-1417-08

Lawn weed recognition based on improved Retinex algorithm

HUA Chun-jian1，2，ZHANG Ai-rong1，2，CHEN Ying3

（1.School of Mechanical Engineering， Jiangnan University， Wuxi 214122， China;2.Jiangsu Key Laboratory of Advanced Food Manufacturing Equipment & Technology， Wuxi 214122， China;3.School of Internet of Things Engineering， Jiangnan University， Wuxi 214122， China）

Abstract：Aiming at the problem of indiscernible foreground of lawn weed images caused by the similarity of gray level between image background and image foreground， a Retinex enhancement algorithm based on local density was proposed. Firstly， to highlight the foreground and smooth the background clutter of the images， local variance was used to preprocess the images. Secondly， to obtain the spatial information of the required part of the pixels more accurately， the pixels were divided into three kinds， such as foreground pixels， background pixels and pixels to be subdivided by using multi threshold segmentation and open operation difference. The spatial information of the pixels to be subdivided was extracted by local density method. Finally， to incorporate the local density information， Sigmoid function was used to optimize the gray level transformation coefficient of reflection component to obtain the enhanced images. The results showed that， the proposed algorithm had good enhancement effect， which could expand the gray level difference effectively between weeds and lawn grasses， and could suppress background noise. The peak signal-to-noise ratio by this method was 24.23% higher compared with the traditional Retinex algorithm.

Key words：image enhancement;local variance;local density;Retinex algorithm;lawn weed

雜草會(huì)降低草坪的觀賞性，大量生長(zhǎng)的雜草與草坪草爭(zhēng)搶養(yǎng)分、生長(zhǎng)空間，會(huì)引起草坪早衰，縮短草坪生命周期。因此，草坪的雜草管理是草坪養(yǎng)護(hù)的重要環(huán)節(jié)[1]。傳統(tǒng)的雜草管理分為人工除草和化學(xué)除草。人工除草效果良好，但是費(fèi)時(shí)費(fèi)力。化學(xué)除草經(jīng)濟(jì)高效，但大范圍施藥易引發(fā)草坪藥害和環(huán)境污染[2]。采用基于機(jī)器視覺的雜草識(shí)別技術(shù)可以精確縮小除草劑的噴灑范圍，實(shí)現(xiàn)精準(zhǔn)施藥。雜草圖像識(shí)別的關(guān)鍵在于將雜草與草坪草分離。由于雜草與草坪草顏色相近，灰度差異較小，基于灰度[3]、形態(tài)[4]等特性的傳統(tǒng)分割算法都不能很好地直接分割圖像，因此需要對(duì)雜草圖像進(jìn)行增強(qiáng)，擴(kuò)大前景與背景的灰度差異。

目前常見的圖像增強(qiáng)算法有直方圖均衡化[5]、小波變換[6]以及Retinex算法[7]等。Retinex算法符合生理學(xué)對(duì)人眼視覺系統(tǒng)的認(rèn)知，近年來(lái)得到了不斷發(fā)展。針對(duì)圖像增強(qiáng)過程中背景噪聲的抑制問題，文獻(xiàn)[8]提出一種基于空間自適應(yīng)L2范數(shù)的Retinex增強(qiáng)算法，使用亮通道先驗(yàn)生成的空間自適應(yīng)權(quán)值增強(qiáng)正則化參數(shù)以抑制弱噪聲并保持紋理。文獻(xiàn)[9]使用Sobel算子對(duì)引導(dǎo)濾波器參數(shù)進(jìn)行修正，增加邊緣間的灰度差，然后利用改進(jìn)后的引導(dǎo)濾波器代替高斯濾波核估算圖像的入射分量，在不犧牲去噪性能的前提下可以獲得更多的邊緣細(xì)節(jié)。文獻(xiàn)[9]的算法可以有效擴(kuò)大前景與背景的灰度差異，有效抑制暗區(qū)域噪聲，但是在強(qiáng)噪聲區(qū)域的去噪性能較弱。文獻(xiàn)[10]通過線性引導(dǎo)濾波估算圖像的照度分量，在馬爾科夫隨機(jī)場(chǎng)模型下對(duì)圖像的噪聲進(jìn)行平滑處理，在保持圖像邊緣信息的基礎(chǔ)上校正圖像亮度，達(dá)到較好的去噪效果。上述算法在圖像增強(qiáng)過程中對(duì)暗區(qū)域噪聲都起到了較好的抑制效果，但是也存在亮區(qū)域高頻噪聲抑制效果不佳、像素點(diǎn)的空間信息利用不充分的問題。

為了改善草坪雜草圖像前景與背景灰度相近導(dǎo)致難以識(shí)別的問題，本研究提出一種基于局部密度的Retinex增強(qiáng)算法。首先，利用局部方差對(duì)圖像進(jìn)行預(yù)處理，抑制局部方差較大的草坪草雜亂的背景，突出圖像前景。其次，利用多閾值分割與開運(yùn)算差分篩選預(yù)處理后灰度特征區(qū)分度不足的待細(xì)分像素，通過局部密度提取像素點(diǎn)的空間信息。最后，采用sigmoid函數(shù)融合局部密度信息，優(yōu)化Retinex反射分量灰度變換增益系數(shù)，得到增強(qiáng)后的圖像。

1材料與方法

1.1試驗(yàn)材料

本研究采用的圖像采集設(shè)備為SONY DSC-W830數(shù)碼相機(jī)，選用如圖1所示的草坪生長(zhǎng)過程中5種不同生長(zhǎng)狀態(tài)的常見雜草（樣本1～樣本5）進(jìn)行試驗(yàn)。圖1A、圖1C、圖1D拍攝天氣為多云，圖1B拍攝天氣為陰，圖1E拍攝天氣為晴。本研究算法的試驗(yàn)環(huán)境為Matlab 2016b，處理器為i5-9300H，內(nèi)存為16 G。

A：細(xì)葉雜草（樣本1）;B：闊葉雜草（樣本2）;C：稀疏草坪雜草（樣本3）;D：黃葉草坪雜草（樣本4）;E：高亮度草坪雜草（樣本5）。

1.2局部方差預(yù)處理

城市草坪草大多數(shù)為禾本科草本植物，細(xì)小而密生。相比而言，雜草的葉片較寬，葉片稀疏。在1幅含雜草的草坪草圖像中，雜草作為前景，草坪草作為背景，密生的草坪草之間灰度變化較大，而雜草的葉片較寬，灰度變化均勻。

局部方差[11]可以用來(lái)衡量區(qū)域內(nèi)灰度變化的劇烈程度。對(duì)于像素點(diǎn)（x，y），f（x，y）為其灰度值。以該點(diǎn)為中心，選擇3×3的正方形窗口作為局部方差的計(jì)算鄰域，則該點(diǎn)的局部方差v（x，y）表示為：

v（x，y）=1i=-11j=-1[f（x-i，y-j）-f（x，y）—————]29（1）

其中，f（x，y）為像素點(diǎn)（x，y）的灰度值，f（x，y）—————為窗口內(nèi)9個(gè)像素點(diǎn)灰度值的均值，其表達(dá)式如公式（2）所示：

f（x，y）—————=1i=-11j=-1f（x-i，y-j）9（2）

由于草坪草和雜草均為綠色，選用G分量對(duì)圖像進(jìn)行進(jìn)一步處理可以盡量保持圖像的信息完整度。為了方便對(duì)圖像數(shù)據(jù)進(jìn)行函數(shù)處理，將圖像數(shù)據(jù)統(tǒng)一為double類型，圖像灰度范圍為[0，1]，故f（x，y）與 f（x，y）—————的變化范圍均為[0，1]。將其代入公式（1）經(jīng)平方運(yùn)算后f（x，y）與f（x，y）—————的差異被壓縮，導(dǎo)致方差數(shù)據(jù)的差異不夠明顯，因此需要對(duì)計(jì)算出的方差進(jìn)行歸一化處理。當(dāng)草坪草稀疏時(shí)，經(jīng)線性歸一化的局部方差運(yùn)算后草坪草背景灰度值得到一定程度的抑制。但在部分草坪草密集區(qū)域，經(jīng)線性歸一化的局部方差運(yùn)算后草坪草與雜草的灰度差異仍不顯著，不能有效區(qū)分草坪背景與雜草前景，而采用非線性歸一化處理，在草葉稀疏和密集的地方，局部方差均能對(duì)草坪背景產(chǎn)生較好的抑制效果，保留對(duì)雜草的初步增強(qiáng)效果。采用的非線性歸一化公式如公式（3）所示，其與線性歸一化的對(duì)比輸出如圖2所示。

V（x，y）=a·v（x，y）b·v（x，y）+（a-b）（3）

式中，V（x， y）為歸一化方差，a、b為非線性歸一化系數(shù)，本研究中a=6， b=5。

將所得歸一化局部方差帶入公式（4），即可得到預(yù)處理圖像g（x，y）。

g（x，y）=f（x，y）exp[kV2（x，y）]-m（4）

式中，k、m為優(yōu)化系數(shù)，V2（x，y）為像素點(diǎn)（x，y）處的歸一化局部方差V（x，y）的平方。滿足k>0，k越大對(duì)預(yù)處理圖像中局部方差較小處的灰度抑制效果越明顯。m滿足0<m<1，用以調(diào)節(jié)小方差處的增益效果。本研究選擇k=50， m=0.99，繪制的預(yù)處理函數(shù)輸出結(jié)果如圖3所示。

由圖3可以看出，歸一化局部方差小于0.12時(shí)，對(duì)應(yīng)部分灰度值被增強(qiáng)。當(dāng)歸一化局部方差大于0.12時(shí)，輸出值迅速減小到1.0以下，對(duì)應(yīng)部分灰度值被抑制。經(jīng)過預(yù)處理后的圖像如圖4所示，可見背景的平均灰度值大幅降低，前景灰度值更為突出。但背景區(qū)域仍有相當(dāng)部分的條狀或點(diǎn)狀區(qū)域灰度值與前景相似，對(duì)圖像分割造成一定的影響，因此需要引入增強(qiáng)算法，擴(kuò)大前景與背景的灰度差，同時(shí)抑制背景區(qū)域的遺留噪聲。

a：拍攝所得原圖;b：圖像G分量;c：預(yù)處理后的圖像。

1.3相關(guān)算法簡(jiǎn)介

1.3.1Retinex算法原理Edwin Land基于顏色恒常理論提出了Retinex增強(qiáng)算法。對(duì)于1幅圖像I（x，y），它由入射光L（x，y）與反射光R（x，y）復(fù)合而成，通過算法估算出圖像中的L（x，y），從而在I（x，y）中消除光照對(duì)圖像的影響，達(dá)到圖像增強(qiáng)的目的。算法的一般步驟如下：

（1） 對(duì)圖像灰度值取對(duì)數(shù)，采用高斯卷積核對(duì)圖像I（x，y）進(jìn)行卷積估算L（x，y），得出圖像的反射性質(zhì)r（x， y），如公式（5）所示：

r（x，y）=lgI（x，y）-lg[I（x，y）*G（x，y）]（5）

式中，*表示卷積，G（x，y）為高斯卷積核。

（2） 對(duì)公式（5）所得r（x，y） 求指數(shù)即可得到增強(qiáng)后的反射圖像Rc（x，y）。一般采用線性變換使Rc（x，y）歸一化，如公式（6）所示：

i（x，y）=Rc（x，y）-min[Rc（x，y）]max[Rc（x，y）]-min[Rc（x，y）]（6）

式中，i（x，y）為歸一化后的圖像，min（A）為集合A中的最小值，max（A）為集合A中的最大值。Rc（x，y）為r（x，y）求指數(shù)所得結(jié)果，其表達(dá)式如公式（7）所示：

Rc（x，y）=exp[r（x，y）]（7）

1.3.2局部密度局部密度是Rodriguez等[12]提出的一種衡量樣本點(diǎn)之間空間信息的度量，它只與樣本點(diǎn)之間的距離和截止距離有關(guān)，如公式（8）所示：

ρi=∑jχ（dij-dc）（8）

式中，ρi為樣本點(diǎn)i的局部密度，dij為樣本點(diǎn)i和j之間的歐式距離。dc為截止距離，可按照所有樣本距離的百分比設(shè)定。χ（x）為信號(hào)函數(shù)，如公式（9）所示：

χ（x）=1x<00x≥0（9）

當(dāng)x<0，即樣本點(diǎn)之間的距離小于截止距離時(shí)，χ（x）=1;當(dāng)x≥0，即樣本點(diǎn)之間的距離≥截止距離時(shí)， χ（x）=0。

1.4改進(jìn)的Retinex增強(qiáng)算法

1.4.1局部密度計(jì)算方法圖像輸入后利用最大類間方差（OSTU）算法進(jìn)行雙閾值分割[13-14]，將像素點(diǎn)初步分為背景像素、待細(xì)分像素和前景像素。由于背景像素中可能存在較亮的點(diǎn)被誤分為前景像素，因此對(duì)前景像素進(jìn)行開運(yùn)算，將初分前景像素點(diǎn)與開運(yùn)算所得結(jié)果的差分像素點(diǎn)也設(shè)定為待細(xì)分像素。

為了提高算法的運(yùn)算速度，考慮到待細(xì)分像素與鄰域像素相關(guān)性較大，使用區(qū)域窗口內(nèi)的局部密度代替在全圖內(nèi)求得的局部密度。以待細(xì)分像素為中心，選取21×21的矩形窗口，求其到窗口內(nèi)前景像素的歐氏距離。若窗口內(nèi)無(wú)前景像素，則將距離記為無(wú)窮大。待細(xì)分像素的局部密度示意圖如圖5所示。分別求圖5中的待細(xì)分像素1、待細(xì)分像素2與6個(gè)前景樣本點(diǎn)的歐氏距離，將所得的12組歐式距離數(shù)據(jù)的中位數(shù)作為截止距離（dc）（圖6）。根據(jù)公式（8）即可求出所有待細(xì)分像素的局部密度（ρ）。

為了方便后續(xù)對(duì)背景像素和前景像素進(jìn)行處理，將所求得的局部密度進(jìn)行線性歸一化處理后對(duì)應(yīng)在局部密度矩陣ρ（x，y）中。令對(duì)應(yīng)背景像素和前景像素所在位置的局部密度等于1，即可得到整體圖像的局部密度矩陣ρ（x，y）。

1.4.2融合局部密度的Retinex增強(qiáng)考察所有待細(xì)分像素的局部密度分布，如圖7所示，噪聲區(qū)域的ρ值普遍較小，處于10-3數(shù)量級(jí)。由于采用像素鄰域的信息來(lái)計(jì)算局部密度，因此屬于前景雜草部分的待細(xì)分像素的局部密度在直方圖中出現(xiàn)了相對(duì)均勻的分布。因此，需要選用適當(dāng)?shù)暮瘮?shù)對(duì)利用局部密度所得的空間信息進(jìn)行修正。Sigmoid函數(shù)[15]是一種常見的S型函數(shù)，本研究選用如公式（10）所示的Sigmoid函數(shù)[S（x）]進(jìn)行空間信息修正，函數(shù)在[0，1]內(nèi)輸出的圖像如圖8所示。

S（x）=11+exp（3-50x）（10）

a：部分局部密度區(qū)間;b：完整局部密度區(qū)間。

由公式（6）可知，在傳統(tǒng)Retinex算法中僅考慮像素的灰度信息，未考慮圖像的空間領(lǐng)域信息。故構(gòu)建如公式（11）所示的歸一化公式代替公式（6）。

i（x，y）=S[ρ（x，y）]×Rc（x，y）-min[Rc（x，y）]max[Rc（x，y）]-min[Rc（x，y）]（11）

式中，i（x，y）為歸一化后的圖像，S（x）為公式（10）所示的空間信息修正函數(shù)，ρ（x，y）為像素點(diǎn)（x，y）的局部密度。Rc（x，y）為Retinex算法所估算出的反射分量，min（A）為集合A中的最小值，max（A）為集合A中的最大值。對(duì)于屬于背景區(qū)域的待細(xì)分像素點(diǎn)而言，由于其局部密度極小，從灰度信息中得到的增強(qiáng)結(jié)果被抑制。對(duì)于屬于前景區(qū)域的A類待細(xì)分像素以及與前景像素相鄰但屬于背景區(qū)域的B類待細(xì)分像素而言，根據(jù)局部密度的性質(zhì)可知，ρ（A）>ρ（B）且ρ（B）一般較小。在經(jīng)過Sigmoid函數(shù)修正后，對(duì)B類像素仍具有抑制作用，而對(duì)于A類像素，Retinex算法的增強(qiáng)效果得以保留。

2結(jié)果與分析

2.1局部方差預(yù)處理算法對(duì)比試驗(yàn)

為了驗(yàn)證本研究預(yù)處理算法中局部方差非線性歸一化的必要性，選擇如圖1所示的2張圖片進(jìn)行對(duì)比分析，所得部分結(jié)果如圖9所示。由圖9看出，采用非線性化歸一化的局部方差對(duì)圖像進(jìn)行預(yù)處理可以達(dá)到較好的效果。雜草葉片寬度相對(duì)較大，方差較小，而草坪草葉片較細(xì)，在圖像對(duì)應(yīng)位置中方差較大，通過局部方差處理可以起到增強(qiáng)雜草前景、抑制草坪草雜亂背景的效果。

對(duì)比圖9b1、圖9c1發(fā)現(xiàn)，采用線性歸一化的局部方差處理對(duì)草坪草背景也有一定的抑制作用，且這種抑制作用在草坪草稀疏的地方要強(qiáng)于草坪草密集的地方。而在經(jīng)過非線性歸一化的圖9d1中，在草葉稀疏和密集的地方，局部方差均能對(duì)草坪草背景達(dá)到較好的抑制效果，保留對(duì)雜草的初步增強(qiáng)效果。

在圖9a2中，由于草坪草比較稀疏且葉片寬于圖9a1中的草坪草，導(dǎo)致圖像的背景部分區(qū)域的局部方差較小，此時(shí)線性歸一化的局部方差會(huì)對(duì)這些區(qū)域有較為明顯的增強(qiáng)效果，不利于擴(kuò)大雜草相對(duì)于背景的灰度差。而使用非線性歸一化的圖9d2，對(duì)小方差部分進(jìn)行了一定比例的增大，從而達(dá)到對(duì)背景區(qū)域的抑制效果。

本研究的局部方差預(yù)處理算法提高了圖像前景對(duì)比度，降低了雜亂背景對(duì)后續(xù)處理的影響。

2.2改進(jìn)的Retinex算法對(duì)比試驗(yàn)

為了驗(yàn)證本研究算法的有效性和魯棒性，選擇如圖1所示的5種不同生長(zhǎng)狀態(tài)的草坪雜草圖片分別與文獻(xiàn)[16]中的融合雙邊濾波和高斯金字塔的單尺度Retinex增強(qiáng)、文獻(xiàn)[17]中的動(dòng)態(tài)灰度拉伸的多尺度Retinex算法進(jìn)行比較，所得結(jié)果如圖10所示。從圖10a可以看出，單尺度Retinex算法在圖像增強(qiáng)方面具有明顯的作用。但是在增強(qiáng)前景的同時(shí)，不可避免地增強(qiáng)了背景噪聲，未能達(dá)到擴(kuò)大背景與前景灰度差的目的。由圖10b看出，文獻(xiàn)[16]融合雙邊濾波處理的Retinex算法的去噪性能相比單尺度Retinex算法有一定提升。但是由于雙邊濾波對(duì)高頻信息的保持性，算法對(duì)高頻噪聲處理不夠完善。而且在圖10b中，圖像均出現(xiàn)了不同程度的亮度不均現(xiàn)象，對(duì)圖像整體的視覺效果造成了一定影響。由圖10c看出，文獻(xiàn)[17]通過調(diào)整Retinex算法的灰度變換方式，達(dá)到一定的去噪效果。但是當(dāng)圖像中存在灰度值較大的噪聲時(shí)，去噪效果不夠理想。相比而言，本研究算法在保持前景目標(biāo)完整的前提下擴(kuò)大了前景與噪聲的灰度差異，對(duì)噪聲的抑制達(dá)到了相對(duì)好的效果，有利于圖像的進(jìn)一步處理（圖10d）。

a：原圖;b： G分量;c：局部方差線性歸一化處理;d：局部方差非線性歸一化處理。

a：?jiǎn)纬叨萊etinex算法;b：文獻(xiàn)[15]算法; c：文獻(xiàn)[16]算法; d：本研究算法。

為了進(jìn)一步客觀評(píng)價(jià)不同算法的抗噪性能，本研究選用峰值信噪比（PSNR）進(jìn)行比較。峰值信噪比常用來(lái)衡量圖像的失真程度，其值越大表示圖像失真越小。從表1可以看出，文獻(xiàn)[16]、文獻(xiàn)[17]以及本研究算法相對(duì)單尺度Retinex算法抗噪性能整體上均有提高。在峰值信噪比方面，本研究算法相比文獻(xiàn)[16]平均增加15.43%，相比文獻(xiàn)[17]平均增加12.65%，比Retinex算法增加24.23%。

由表2可以看出，Retinex增強(qiáng)算法的平均運(yùn)行時(shí)間為1.31 s，文獻(xiàn)[16]的平均運(yùn)行時(shí)間為3.78 s，文獻(xiàn)[17]的平均運(yùn)行時(shí)間為5.75 s，而本研究算法的平均運(yùn)行時(shí)間為2.87 s。本研究算法的運(yùn)行時(shí)間主要取決于待細(xì)分像素的數(shù)量，當(dāng)待細(xì)分像素?cái)?shù)量較少時(shí)，本研究算法的運(yùn)算時(shí)間僅次于Retinex增強(qiáng)算法。當(dāng)待細(xì)分像素?cái)?shù)量較多時(shí)，本研究算法的運(yùn)行時(shí)間與文獻(xiàn)[16]相當(dāng)，但在峰值信噪比方面仍具有優(yōu)勢(shì)。因此，本研究算法可以滿足工程實(shí)際的實(shí)時(shí)性要求。

為了客觀評(píng)價(jià)處理后的圖像增強(qiáng)效果，將算法處理后的圖像利用OTSU閾值分割方法進(jìn)行初步分割，與手動(dòng)分割的樣本進(jìn)行比較以衡量算法的改進(jìn)效果。采用分割準(zhǔn)確率（SA）來(lái)衡量增強(qiáng)圖像的分割效果，所得結(jié)果如表3所示。從表3可以看出，在分割準(zhǔn)確率方面，由于樣本1和樣本4的雜草目標(biāo)像素占比相對(duì)較低，因此經(jīng)文獻(xiàn)[16]、文獻(xiàn)[17]處理的圖像分割準(zhǔn)確率較低。樣本5因在強(qiáng)光照條件下拍攝，圖像中草坪草陰影明顯，放大了草坪草的灰度變化程度，使其與雜草區(qū)分度增加，分割準(zhǔn)確率相對(duì)其他樣本較高。經(jīng)本研究算法處理后的圖像初分割準(zhǔn)確率相比文獻(xiàn)[16]平均增加23.85%，相比文獻(xiàn)[17]平均增加26.24%。因此，本研究算法提高了抗噪性能，達(dá)到了擴(kuò)大前景與背景灰度差的目的。

3結(jié)論

本研究提出一種基于局部密度的Retinex增強(qiáng)算法，解決了雜草與草坪草灰度相近而難以識(shí)別的問題。利用局部方差進(jìn)行預(yù)處理，壓縮圖像背景雜亂信息。利用多閾值分割與開運(yùn)算差分篩選待細(xì)分像素，提取像素點(diǎn)的局部密度空間信息。最后，利用Sigmoid函數(shù)融合局部密度信息，優(yōu)化反射分量灰度變換系數(shù)，得到增強(qiáng)圖像。結(jié)果表明，本研究算法能有效擴(kuò)大雜草與草坪草的灰度差，抑制背景噪聲，圖像處理后平均分割正確率為91.4%，具有實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]曾永賢，金晨鐘，向國(guó)紅，等. 婁底市草坪雜草種類、分布及危害[J]. 草業(yè)科學(xué)，2017， 34（11）： 2272-2278.

[2]杭楠，王翔宇，張?zhí)N薇，等. 結(jié)縷草草坪雜草化學(xué)防除策略[J]. 草業(yè)科學(xué)， 2019， 36（9）： 2259-2269.

[3]KHAIRUZZAMAN A K M， CHAUDHURY S. Masi entropy based multilevel thresholding for image segmentation[J]. Multimedia Tools and Applications， 2019， 78（23）： 33573-33591.

[4]MOHEBBIFAR M R， OMARMELI K. Defect detection by combination of threshold and multistep watershed techniques[J]. Russian Journal of Nondestructive Testing， 2020， 56（1）： 80-91.

[5]KHAN M F， REN X， KHAN E. Semi dynamic fuzzy histogram equalization[J]. Optik， 2015， 126（21）： 2848-2853.

[6]NARDECCHIA A， VITALE R， DUPONCHEL L. Fusing spectral and spatial information with 2-D stationary wavelet transform （SWT 2-D） for a deeper exploration of spectroscopic images[J]. Talanta， 2021， 224： 121835.

[7]LI M， LIU J， YANG W， et al. Structure-revealing low-light image enhancement via robust Retinex model[J]. IEEE Transactions on Image Processing， 2018， 27（6）： 2828-2841.

[8]PARK S， YU S， MOON B， et al. Low-light image enhancement using variational optimization-based retinex model[J]. IEEE Transactions on Consumer Electronics， 2017， 63（2）： 178-184.

[9]TENG L， XUE F， BAI Q. Remote sensing image enhancement via edge-preserving multi-scale Retinex[J]. IEEE Photonics Journal， 2019， 11（2）： 1-10.

[10]趙宏宇，肖創(chuàng)柏，禹晶，等. 馬爾科夫隨機(jī)場(chǎng)模型下的Retinex夜間彩色圖像增強(qiáng)[J]. 光學(xué)精密工程， 2014， 22（4）： 1048-1055.

[11]趙鵬，蔣宇中，翟琦，等. 基于局部方差中值濾波的極/超低頻信道噪聲抑制方法[J]. 電子學(xué)報(bào)， 2019， 47（4）： 955-961.

[12]RODRIGUEZ A， LAIO A. Clustering by fast search and find of density peaks[J]. Science， 2014， 344（6191）： 1492-1496.

[13]吳祿慎，程偉，胡赟. 應(yīng)用改進(jìn)布谷鳥算法優(yōu)化多閾值圖像分割[J]. 吉林大學(xué)學(xué)報(bào)（工學(xué)版）， 2021， 51（1）： 358-369.

[14]白元明，孔令成，張志華，等. 基于改進(jìn)OSTU算法的快速作物圖像分割[J].江蘇農(nóng)業(yè)科學(xué)，2019，47（24）：231-236.

[15]代振，王平波，衛(wèi)紅凱. 非高斯背景下基于Sigmoid函數(shù)的信號(hào)檢測(cè)[J]. 電子與信息學(xué)報(bào)， 2019， 41（12）： 2945-2950.

[16]林昌，周海峰，陳武. 基于雙邊濾波的高斯金字塔變換Retinex圖像增強(qiáng)算法[J]. 激光與光電子學(xué)進(jìn)展， 2020， 57（16）： 209-215.

[17]湯新雨，李敏，徐靈麗，等. 基于透射率修正的湍流模型與動(dòng)態(tài)調(diào)整Retinex的水下圖像增強(qiáng)[J]. 中國(guó)圖象圖形學(xué)報(bào)， 2020， 25（7）： 1380-1392.

（責(zé)任編輯：陳海霞）

收稿日期：2021-04-27

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（61573168）

作者簡(jiǎn)介：化春鍵（1975-），男，北京人，博士，副教授，主要從事圖形圖像處理、計(jì)算機(jī)視覺等方面的研究。（E-mail）cjhua@jiangnan.edu.cn