結(jié)合Lab顏色空間的河道水岸線提取研究

高強

（武夷學院機電工程學院 福建省武夷山市 354300）

1 引言

隨著無人駕駛船舶技術(shù)的興起，自動作業(yè)清漂船得到了廣闊的發(fā)展，它可以代替人在骯臟、危險、極低溫或極高溫環(huán)境中作業(yè)，擁有較高的自動化、智能化水平，是理想的水面垃圾漂浮物清理裝備，有廣闊的應(yīng)用前景。因數(shù)字圖像處理技術(shù)的不斷發(fā)展，計算機視覺導航成為一種嶄新的導航技術(shù)，它使用攝像系統(tǒng)獲取外界環(huán)境圖像信息，然后對圖像信息進行處理，獲取目標有效特征來進行導航。自動作業(yè)清漂船在使用視覺導航中，需要依據(jù)河道水岸線完成岸上區(qū)域與水面區(qū)域的分割識別、船體航行姿態(tài)的估計和調(diào)整、避障導航等功能，因此河道水岸線的精確提取是完成清漂船視覺導航的關(guān)鍵所在，有著十分重要的應(yīng)用價值[1,2]。

目前在無人船平臺中使用圖像處理方法提取水岸線的相關(guān)研究較少，主要集中在使用擬合方法和邊緣檢測算法。宋濤[3]等通過對視頻中某一幀圖像與下一幀做差，對結(jié)果圖像采用線性采樣和雙線性插值法提取出光照不均勻、背景復雜的船舶圖像中水線特征；余加俊[4]等在使用Sobel 邊緣檢測的基礎(chǔ)上，對河道邊界輪廓線進行線性擬合，有效解決岸邊水草、樹木帶來的影響，可將直線河道和彎曲河道進行有效提??；沈建軍[5]等在Canny 邊緣檢測的基礎(chǔ)上，使用改進的Deeplab v3+分割算法提取出水岸線，能夠有效克服岸邊樹木、水中波紋、光照不均勻帶來的提取不利條件；Krohnert M[6]利用水面中的波紋特征，進行參數(shù)擬合，從智能手機拍攝的圖像中提取出水岸線，該方法可有效消除水面波紋對水岸線提取造成的影響。但是，通過邊緣檢測和擬合方法在提取水岸線中，對水岸線的平滑性有一定的要求，對于復雜性較高、彎曲較多的水岸線提取精確度較差。

為此，本文通過將原始河道圖像從RGB 顏色空間轉(zhuǎn)換為Lab，對a 通道下的圖像進行圖像分割，得到水面種子點區(qū)域；使用區(qū)域生長算法，在既定的生長規(guī)則下從種子點區(qū)域進行區(qū)域生長，得到水面區(qū)域，畫出水面區(qū)域的輪廓線，該輪廓線就是河道的水岸線。同時，本文選取3 組不同背景下拍攝的水岸線圖像，采用本文提出的方法，從3 組圖像中精確提取出水岸線，驗證了本文提出方法的可行性。

2 河道水岸線提取方法

2.1 Lab顏色空間轉(zhuǎn)換

原始河道水岸線圖像由RGB 三色混合而來，如圖1所示，在該顏色空間下有紅、綠、藍三個顏色通道，每個顏色與其他兩個顏色有較大的線性相關(guān)性，當其中一個顏色發(fā)生較大變化時，其他兩種亦會跟隨變化，在此顏色空間下不適合進行圖像閾值處理和分割，因此無法在此顏色空間下對水岸線圖像進行水岸線特征的提取。

圖1：河道水岸線圖像

Lab 顏色空間[7-9]解決了人眼視覺系統(tǒng)對RGB 敏感度不同的問題，且不受圖像拍攝設(shè)備的影響，有三個通道，其中L 為亮度通道、a 為紅綠色的數(shù)值變化、b 為藍黃色的數(shù)值變化。Lab 顏色空間通過L(0 ～100)、a(-128 ～127)、b(-128 ～127)的數(shù)字化使得顏色分布較均勻、有更廣的色域描述、對彩色圖像分割有更好的結(jié)果。將RGB 顏色空間轉(zhuǎn)換為Lab，需先借助XYZ 參數(shù)，即：

在公式（1）中，RGB 表示RGB 顏色空間的三個通道，它們的值區(qū)域均位于0 ～100 之間。

將XYZ 參數(shù)轉(zhuǎn)換到Lab 顏色空間：

在公式（2）中，f 表示為一種函數(shù)，其具體描述為：

依據(jù)上述的轉(zhuǎn)換過程，將圖1 從RGB 顏色空間轉(zhuǎn)換為Lab，得到如圖2所示的結(jié)果，分別給出了L 分量、a 分量、b 分量的結(jié)果圖像。從圖2 中可發(fā)現(xiàn)，在a 通道下，岸邊水草、樹木灰度值較小，水面區(qū)域灰度值較大，水面區(qū)域與岸上區(qū)域的灰度值有較大的差異，且樹木在水中的倒影區(qū)域與水面無倒影區(qū)域差別不大，可使用閾值分割方法將可作為種子點初始區(qū)域的水面部分區(qū)域分割出。

圖2：原始圖像轉(zhuǎn)換為Lab 圖像

2.2 改進區(qū)域生長算法提取水岸線

區(qū)域生長算法[10]一般包含三個要素：種子點、生長規(guī)則和生長終止條件，其核心思想是從種子點所在區(qū)域的像素點開始，將其附近的區(qū)域依據(jù)灰度值差來決定是否將此區(qū)域納入生長范圍，當灰度值差過大時，即認為達到終止條件，不在將其納入生長范圍，得到目標區(qū)域。

對圖2(b)圖像進行觀察分析，發(fā)現(xiàn)在該圖像中灰度值較大的區(qū)域為水面和天空區(qū)域。對于清漂船船載攝像設(shè)備拍攝的圖像而言，一般天空區(qū)域位于圖像上方，水面區(qū)域位于圖像下方，因而可以依據(jù)此特征將水面區(qū)域和天空區(qū)域進行區(qū)分。本文采取將圖像自動裁剪的方式來去除天空區(qū)域，對下方僅僅有水面特征區(qū)域的圖像進行最大類間方差法[11]來求取閾值進行圖像分割，得到僅僅包含水面區(qū)域的二值圖像，并依據(jù)此二值圖像在原始圖像中畫出輪廓線，得到如圖3所示的結(jié)果圖像。在圖3 中的紅色輪廓線包含的區(qū)域就是種子點區(qū)域。本文通過將單一種子點更改為區(qū)域集合，減少生長迭代性，增加無人清漂船在視覺導航時的實時性。

圖3：初始生長區(qū)域圖像

從種子點集合區(qū)域開始，通過八鄰域區(qū)域生長的方法來制定生長規(guī)則如下：

在公式（4）中，T 為生長規(guī)則的閾值，W(x,y)為圖像中位于(x,y)位置像素與其鄰域像素的差。當W(x,y)所在的像素點灰度值小于閾值時，將鄰域像素點納入生長區(qū)域中；若大于閾值，不將鄰域像素點納入生長區(qū)域中。

從公式（4）可知，T 的確定在區(qū)域生長算法的執(zhí)行中非常重要，本文采取使用圖像標準差的方式來確定閾值T。圖像標準差[12]是圖像中像素點與像素均值的標準差數(shù)值，通過該數(shù)值可以觀察圖像的紋理多少，其計算方法如下：

在公式（5）中，W 表示圖像的寬，H 表示圖像圖像高，P(x,y)表示位于圖像(x,y)坐標的像素點值。

本文使用的生長規(guī)則閾值即是圖像標準差C 的值。當確定好初始種子點集合區(qū)域和生長閾值后，就可以進行區(qū)域生長算法的執(zhí)行，得到目標區(qū)域。如圖4所示的二值圖像，為執(zhí)行完區(qū)域生長算法得到目標區(qū)域。在圖4 中，白色信息表示水面區(qū)域，黑色信息表示岸上區(qū)域，同時可發(fā)現(xiàn)，有小部分面積不大的孔洞存在，這是因為在水面區(qū)域會存在倒影和波紋的原因，可通過去除團聚灰度值的方法來清除掉這些孔洞，使得水面信息表示完整。最后得到白色有效信息的輪廓線，并將此輪廓線畫在原始水岸線圖像中，即可將水岸線從原始圖像中提取出來，結(jié)果如圖5所示，紅色輪廓線就是原始圖像中的水岸線。對圖5 觀察可知，紅色輪廓線與水岸線高度重合。

圖4：執(zhí)行區(qū)域生長算法的結(jié)果圖像

圖5：提取水岸線的結(jié)果圖像

3 實驗驗證分析

為驗證本文提出檢測水岸線方法的有效性，使用三組圖像進行驗證實驗。這三組圖像，每組20張，為不同背景環(huán)境、不同光照條件、不同角度拍攝的水岸線圖像，從三組圖像中選出具有代表性的三張圖像進行展示，如圖6 中原始圖像a、b、c所示。對三組圖像進行驗證實驗，實驗平臺選擇為在配置為Core i7-8550U（1.8GHz）、4G 內(nèi)存、Window10 操作系統(tǒng)環(huán)境的電腦中運行的MATLAB2019版本軟件。

圖6：驗證實驗結(jié)果圖像

實驗結(jié)果如圖6 中d-i 圖像所示。第一組圖像為自然環(huán)境下的近景圖像，水岸線主要由岸邊水草組成，有樹木和建筑物，水面中亦有倒影。第二組圖像為人工湖的遠景圖像，水岸線為親水臺，水面中有少量的樹木倒影。第三組圖像為自然環(huán)境下的遠景圖像，水面中無倒影，但有大量的波紋，且水面因暴雨影響而整體顯黃色。圖像6 中d、e、f 為在a 通道下執(zhí)行區(qū)域生長算法得到的目標區(qū)域，g、h、i 為從原始圖像中提取的水岸線結(jié)果，使用紅色輪廓線將提取出的水岸線標記出。從結(jié)果圖像中可發(fā)現(xiàn)，不同背景環(huán)境、不同光照條件、不同角度拍攝的圖像，水岸線基本被有效提取出，且提取出的輪廓線與水岸線高度重合。

為對驗證試驗結(jié)果進行量化分析，本文使用偏移均方根誤差[13]來對結(jié)果進行計算，計算公式如下：

在公式6 中，n 為選取的人工選擇水岸線的像素點個數(shù)，本文選取為300；A 為使用本文提出的方法檢測得到水岸線的矩陣，并從該矩陣中均勻選取n 個數(shù)據(jù)；B 為人工選取水岸線得到的n 個數(shù)據(jù)的矩陣；R 的計算結(jié)果為像素點，因此在計算使需對其進行取整處理。R 的值越小，說明水岸線提取越精確。

同時，為驗證本文提出方法的實時性，統(tǒng)計出三組圖像提取水岸線的平均時間，將驗證實驗結(jié)果數(shù)據(jù)列在表1 中。

表1：驗證實驗結(jié)果數(shù)據(jù)

從表1 中的數(shù)據(jù)可知，偏移均方根誤差最大值為7，所需時間基本在50m 以下，由此可知本文提出結(jié)合Lab顏色空間提取水岸線的方法精度較高，實時性較好，滿足無人清漂船使用視覺導航的各項要求。

4 小結(jié)

河道水岸線這一參考特征，對于使用視覺導航的無人清漂船非常重要。清漂船在河道進行清漂作業(yè)時，需要依據(jù)河道水岸線進行航行姿態(tài)、路線的調(diào)整，因此需要從船載攝像系統(tǒng)拍攝的圖像中精確識別檢測河道水岸線。但是在水岸線的周圍常常存在樹木、雜草、建筑物及其倒影，自然場景下光照并不均勻，水面有水波紋，都會對水岸線的精確識別帶來較大的影響。本文提出一種基于Lab 顏色空間和改進區(qū)域生長算法的水岸線提取方法，該方法可將原始圖像從RGB 顏色空間轉(zhuǎn)換到Lab 顏色空間，在a 通道下對水面區(qū)域進行最大類間方差法的閾值獲取，初步獲取部分水面區(qū)域；在此初步區(qū)域上執(zhí)行區(qū)域生長算法，算法中的生長閾值T 通過圖像標準差來計算出，算法執(zhí)行完畢后，得到使用白色信息表示的目標水面區(qū)域二值圖像；最后通過繪制二值圖像的白色區(qū)域輪廓線來得到水岸線，并將該輪廓線繪制在原始圖像中。同時，本文為驗證該方法提取水岸線的精確度和實時性，進行了驗證時實驗，對三組圖像進行實驗，得到驗證實驗結(jié)果數(shù)據(jù)，從結(jié)果數(shù)據(jù)可知，本文方法提取水岸線精度較高，實時性較好，可有效對水岸線進行提取，有較好的魯棒性，滿足視覺導航的實時性。