基于H 分量K-Means 多種環(huán)境條件下谷子冠層圖像提取

鄭小南，張吳平，韓冀皖，楊 凡，劉宇平，梁 靚，李富忠

（山西農業(yè)大學軟件學院，山西 太谷 030801）

谷子屬于小雜糧中的典型作物，種植面積小、生育期短，具有較高的經濟價值［1］。因此對谷子精細管理，監(jiān)測其生長動態(tài)具有重要的意義。目前，谷子的生長監(jiān)測還是以傳統(tǒng)的人為監(jiān)測方式為主，不僅需要耗費大量的人力、物力和財力，而且由于田間的復雜環(huán)境和惡劣天氣的影響，使得監(jiān)測結果存在較大誤差。近年來，圖像技術逐漸被應用于農作物的生長監(jiān)測中，與傳統(tǒng)方式相比，圖像技術極大地提高了農業(yè)生產的效率和產量。研究表明，作物冠層圖像對于生長參數的獲取尤為重要，包括葉面積指數、氮素營養(yǎng)含量、生長狀況等。葉春等［2］通過提取早稻冠層圖像的顏色指數，構建了不同品種、不同氮肥處理下早稻的氮營養(yǎng)元素預測模型。Liu 等［3］研究發(fā)現水稻冠層的變化與數字圖像的紅光（R）、綠光（G）和藍光（B）值參數的變化有關。建立了一種基于數字圖像的水稻產量預測和評價模型，以此快速診斷氮肥施用和種植密度對水稻的影響。Koushik等［4］通過熱成像相機獲取小麥的冠層圖像，利用熱成像技術確定小麥冠層覆蓋度，估算了不同水分脅迫條件下的小麥葉面積指數（LAI）。

目前已有大量的算法用來實現農作物的冠層圖像分割，常用的分割算法主要有基于閾值的圖像分割、基于聚類的圖像分割和基于邊緣的圖像分割等［5］。程湞湞等［6］提出了一種基于M-SP 特征加權聚類的果樹冠層分割算法，有效排除了圖像中雜草的干擾。劉立波等［7］提出了一種改進卷積神經網絡的圖像分割算法，實現了棉田冠層圖像的精準分割。黃巧義等［8］對比了多種色彩空間下SVM 對水稻冠層圖像的分割效果，結果表明，多色彩空間融合的SVM 分割算法Multi-SVM 分割效果最優(yōu)。

從已有的研究來看，大多是針對農作物單一生育期進行探討，然而大田環(huán)境下作物在全生育期生長過程中，存在各種天氣因素對冠層圖像分割造成一定的影響，因此本研究選擇谷子苗期和拔節(jié)期的冠層圖像，對典型環(huán)境條件下的冠層圖像進行提取，基于谷子冠層圖像光照不均、背景復雜有陰影、露水雨水反光等條件下監(jiān)測難度較大的問題，提出了一種基于H 分量的K 均值聚類算法，將原始的RGB 圖像轉換到HSI 空間，提取圖像H 分量，對H 分量下的灰度圖進行聚類，與超綠分割和Lab 空間下K 均值聚類分割對比發(fā)現，超綠分割對背景復雜有陰影的圖像分割效果最佳，但對于光照不均、露水雨水反光圖像存在欠分割的問題，基于H 分量的K 均值聚類算法可以相對較完整地將4 類圖像進行分割，為田間谷子生長監(jiān)測提供一定的基礎。

1 不同環(huán)境條件下谷子冠層圖像采集

研究以大田種植的晉谷21 為研究對象，分別于7：00—9：00 采集不同環(huán)境條件和生育時期的谷子冠層圖像。數據采集采用佳能EOS-1300D 數碼相機，相機模式調整為自動白平衡和自動曝光，拍攝時相機鏡頭垂直地面，高度距地面統(tǒng)一為1.3 m，圖像大小為4 608×3 456 像素，以JPEG 格式儲存。針對不同天氣狀況，主要獲取了田間自然背景下谷子冠層陰天、背景復雜有陰影、光照不均、露水雨水反光4 類圖像。

2 分割算法

2.1 超綠算法

超綠算法是1995 年由Woebbecke 提出的［9］，該算法基于RGB 顏色空間，通過增大G 通道分量的權重，提高圖像中的綠色作物與背景的對比度，實現對圖像中綠色部分的分割。超綠分割可以增強圖像中的綠色分量，該方法對于光照均勻的綠色作物，有較好的分割效果。將彩色圖像通過2G-R-B 公式實現灰度化，然后采用閾值分割，將綠色作物和復雜背景分離，該方法可以有效地將背景中的土壤、天空、枯草等信息去除，較多用于田間綠色作物的提取，本研究選用此分割算法與基于H 分量的K 均值聚類算法進行對比，超綠分割算法的公式如下所示。

式中，T 代表閾值，EXG 代表灰度值，當像素點的灰度值≥255 時，統(tǒng)一為255；當像素點的灰度值大于閾值T 小于255 時，統(tǒng)一為灰度值；當像素點的灰度值小于等于閾值T 時，統(tǒng)一為0，因此需要選擇合適的閾值T 實現圖像中的目標提取。

2.2 HSI色彩空間轉換

圖像存在多種顏色空間，合適的顏色空間選取有益于提高圖像分割的準確率，為后期重要參數的獲取奠定了基礎。數碼相機獲取的圖像主要以RGB 顏色空間儲存，RGB 顏色空間以R（紅）、G（綠）、B（藍）三原色為基礎色，通過疊加呈現出多種色彩，但不能很好地反映出人眼對色彩的感知，且對光線較敏感，HSI 顏色模型中H 代表色調，描述一種純正的顏色屬性（例如紅色、黃色、綠色），S 代表飽和度，即純色被白光稀釋程度的度量，也可以理解為顏色的濃淡程度（如深紅色，淡綠色），I代表亮度，描述顏色的亮暗程度，該顏色模型更符合人眼的視覺特性，最大優(yōu)勢體現在可以將顏色和灰度兩種信息分離出來，H 和S 兩個分量與人眼感知色彩的方式非常相似，而I 分量則與顏色信息無關，消除RGB 圖像中各個色彩通道的耦合性［10］，可以保留圖像中的更多細節(jié)，完整地將谷子與復雜背景分離。RGB 向HSI空間轉換關系如下。

2.3 基于H 分量的K 均值聚類算法

K 均值聚類算法［11］是一種無監(jiān)督的分類方法，算法操作簡單，易實現，且收斂速度快，已被廣泛應用于各類農作物的圖像分割中。先隨機分配K 個中心點，通過圖像中像素點灰度值的相似性，迭代更新K 個中心點的位置，直到所有的中心點不再發(fā)生改變，即完成聚類過程。假設數據樣本Y 中包含m 個對象Y=｛Y1，Y2，Y3，…，Ym｝，每個對象的維度是n，算法基本原理如下。

1）任選k 個對象對聚類中心進行初始化｛A1，A2，A3，…，Ak｝，1＜k≤m。

2）計算各個對象到k 個中心點的歐氏距離，計算公式如下所示。

式中，Yi表示第i（1≤i≤m）個對象，Aj表示第j（1≤j≤k）個聚類中心點，Yit表示第i個對象的第t（1≤t≤n）個屬性，Ajt表示第j個聚類中心的第t個屬性。

3）計算每個對象到每個聚類中心的歐式距離，并依次比較，以此將各個對象分配到距離最近的聚類中心的類簇中，得到k 個類簇｛Z1，Z2，Z3，…，Zk｝。

4）類簇中心就是類簇內所有對象在各個維度的均值，其計算公式如下。

式中，At表示第t（1≤t≤k）個聚類的中心，|Zl|表示第l 個類簇中對象的個數，Yi表示第l 個類簇中第i（1≤i≤|Zl|）個對象。

圖1 分別為谷子冠層陰天、背景復雜有陰影、光照不均、露水雨水反光4 類圖像的灰度直方圖和H分量直方圖，對比發(fā)現，4 類圖像的灰度直方圖像素分布較為集中，分割閾值的選取較難，圖像分割難度大。H 分量直方圖則存在明顯波峰波谷，圖像中的目標物與背景差異較大，易于閾值的選取，所以選擇H 分量圖像作為K 均值聚類的樣本，對谷子冠層圖像進行提取。

3 結果與分析

本研究算法采用的計算機配置為Intel（R）Core（TM）i7-5500H CPU ＠2.40GHz 處理器，8.00 GB 內存，Windows 7 操作系統(tǒng)。針對谷子冠層陰天、背景復雜有陰影、光照不均、露水雨水反光4 種條件下采集的圖像進行分割，分別對4 類環(huán)境條件在基于H分量和Lab 空間下進行K 均值聚類分割，同時與原始圖像的超綠分割結果進行比較分析。分別以k 初始化為1、2、3、4 測試原始圖像在Lab 空間和基于H分量的聚類分割效果。測試發(fā)現Lab 空間下的分割效果最優(yōu)k 值為2，基于H 分量的分割效果最優(yōu)k 值為3，故分別選定數值2 和3 作為Lab 空間和基于H分量的聚類分割中心數。

3.1 陰天圖像分割結果

采用超綠分割、Lab 空間K 均值聚類分割和基于H 分量K 均值聚類分割3 種算法，分析陰天圖像，結果如圖2 所示。陰天天氣狀況下云層較厚，陽光不穿透或極少穿透云層，因此在拍攝谷子冠層圖像的過程中受光照影響較小，圖像整體光照均勻，葉片呈綠色，與背景中的土壤及紅色標簽差異較大，如圖2（a）所示。圖2（b）、圖2（c）、圖2（d）分別為超綠分割、Lab 空間下K 均值聚類分割和基于H 分量K 均值聚類分割效果。3 種算法均可以實現較為理想的分割效果，不同算法之間分割差異較小，均得到相對完整的谷子冠層信息。

3.2 背景復雜有陰影圖像分割結果

采用超綠分割、Lab 空間K 均值聚類分割和基于H 分量K 均值聚類分割3 種算法，分析背景復雜有陰影圖像，結果如圖3 所示。晴天光照良好的天氣條件下，上午太陽光從一側照射葉片，葉片對光線遮擋使得另一側處于背光狀態(tài)，產生葉片自投影的陰影區(qū)域［12］，如圖3（a）所示。陰影導致圖像中谷子葉片呈現出不同的亮暗程度，增加了葉片分割的難度。對比圖3（b）、圖3（c）、圖3（d）中的紅色標記部位可以看出，超綠分割效果最優(yōu)異，葉片細節(jié)部位分割較完整，而Lab 空間和基于H 分量的K 均值聚類算法分割出來的葉片均存在一些細節(jié)缺失的問題，但整體差異不大。

3.3 光照不均圖像分割結果

采用超綠分割、Lab 空間K 均值聚類分割和基于H 分量K 均值聚類分割3 種算法，分析光照不均圖像，結果如圖4 所示。由于谷子進入拔節(jié)期，葉片呈狹長披針形，易彎曲折疊，在光照強烈的天氣情況下，葉片不同角度的反射率不同，拍攝過程中會產生光照不均的問題，致使葉片個別部位出現曝光。由圖4（d）藍色標記部位可知，采用超綠分割算法存在明顯欠分割的問題，圖4（c）的分割效果與圖4（d）相比也有細微的不足，同時Lab 空間下的K 均值聚類分割對計算機的運算能力有一定的要求，花費時間較長，所以綜合分割效果和分割時間兩方面考慮本研究算法都體現出了較優(yōu)的特性。

圖1 基于H 分量的K 均值聚類不同環(huán)境條件下谷子冠層圖像

3.4 露水雨水反光圖像分割結果

采用超綠分割、Lab 空間K 均值聚類分割和基于H 分量K 均值聚類分割3 種算法，分析露水雨水反光圖像，結果如圖5 所示。谷子生長期雨水頻繁，且谷子自身蒸騰大，造成葉片表面存有小水珠，使得圖像中原本綠色的葉片呈現出大面積亮白區(qū)域。由圖5（b）可知，使用超綠分割無法獲取含水珠的葉片部分，Lab 空間K 均值聚類分割效果也并不理想，葉片邊緣存在較多噪點。但采用本研究算法則避免了RGB 空間下各個顏色分量的高度相關性，對葉片邊緣及反光部位提取較完整，提高了葉片分割的準確率。

圖2 陰天條件下不同算法谷子冠層圖像分割對比

圖3 背景復雜有陰影條件下不同算法谷子冠層圖像分割對比

圖4 光照不均條件下不同算法谷子冠層圖像分割對比

圖5 露水雨水反光條件下不同算法谷子冠層圖像分割對比

上述對分割算法的評價均是基于人眼來判斷，具有很強的主觀性，因此引入分割準確率來進一步評價各個算法的效果，分割準確率公式如式7 所示。

式中，Ts表示手動分割的葉片像素值，As表示通過算法分割的葉片像素值，|Ts-As|表示誤分割的葉片像素值。分割準確率對比如表1 所示。從表1 可以看出，超綠分割在陰天和背景復雜有陰影的圖像中分割精度相對最高，但在光照不均和雨水露水反光的圖像中，分割精度最差，Lab 空間和基于H 分量K均值聚類對于4 種環(huán)境條件下的分割準確率均達到90%以上，但整體上基于H 分量的分割精度要優(yōu)于Lab 空間K 均值聚類分割精度。

表1 谷子冠層分割準確率

4 結論

采用HSI 空間下的H 分量灰度圖作為聚類樣本，對大田谷子冠層圖像進行K 均值聚類處理。Kmeans 算法操作簡單，易實現，且速度快，為后期重要參數的獲取奠定了基礎。同時對比超綠分割和Lab 空間K 均值聚類分割得出如下結論。

對于光照不均的谷子冠層圖像，超綠分割對于葉片的曝光部位分割效果最差，Lab 空間K 均值分割葉片存在細小孔洞，而基于H 分量的K 均值分割較完整，分割準確率為96%。對于露水雨水反光的谷子冠層圖像，超綠分割無法識別圖像中由于露水雨水反光造成葉片亮白的區(qū)域，分割效果最差，Lab 空間K 均值聚類分割效果中葉片存在較多的噪點，而基于H 分量的K 均值分割效果則相對較精準。對于陰天和背景復雜有陰影谷子冠層圖像，3 種算法分割準確率均達到93%以上，分割效果均較理想。基于H 分量的大田谷子冠層圖像K 均值聚類分割較其他2 種算法整體上更優(yōu)異，對陰天、背景復雜有陰影、光照不均、露水雨水反光4 類環(huán)境條件下谷子冠層圖像均能達到理想的分割效果，為大田作物的表型生長監(jiān)測提供了一定的參考價值，但對于背景復雜有陰影和強曝光的圖像，細節(jié)部分仍需要進一步改善。