基于二維熵的農業圖像目標分割

李志臣，陳 南，安 秋

（1.東南大學博士后流動站，南京 211189；2.南京農業大學工學院，南京 210031；3.東南大學機械學院，南京 211189）

機器視覺技術已廣泛的應用于農業領域，在農業領域的生產前、生產中、收獲和產后的各個環節中，機器視覺技術越來越多地應用于生產的自動化。近年來由于CCD技術的發展，彩色圖像越來越方便地被用于機器視覺。在農業領域的實際應用中，所獲得農業田間彩色圖像中主要包括綠色植物（作物和雜草）、土壤和殘留物等三類，如何把綠色植物從數字彩色圖像中分割出來是成功實現機器視覺技術的最關鍵的基礎操作。由于作物與雜草的綠色成分要大于土壤和殘留物的綠色成分，利用顏色特征進行目標的分割被廣泛地應用于實踐中[1-2]。李志臣等分析了基于顏色特征的田間作物的背景分割[3]，無論從實時性的要求還是從分割效果的滿意程度來講，過綠的2G-R-B因子是一個很好的分割因子。但是，在自然條件下拍攝的彩色圖像往往會出現失真的現象，例如由于露水水滴、陰影和污損等原因導致彩色圖像上出現白色或者黑色斑點。這些斑點的存在就會影響到運用顏色特征進行目標分割的效果。鑒于此，首先利用閾值進行彩色圖像的二值化，從而實現目標分割是一個較為理想的選擇。

1 閾值二值化

圖像的二值化的過程，也就是把圖像變成只有黑白兩個灰度級的圖像。二值化處理是一種灰度處理算法，其原理是給定某閾值，設計程序讓大于等于該閾值的點為白點，小于該閾值的點為黑點。例如圖像f（x，y）就給定的閾值T二值化的過程如下式：

圖像二值化的關鍵在于閾值的選擇，目前圖像處理領域中常見的方法有雙峰法、P參數法、最大方差自動取閾值法、最小錯誤閾值法、根據灰度直方圖取閾值法[4]等。一維灰度最大熵取閾值法由于其處理速度快而應用較多，但是當一維灰度直方圖沒有明顯的峰谷時，僅僅利用一維灰度值的的分布選取閾值往往難以獲得滿意的圖像分割效果，甚至導致圖像分割錯誤。如果利用圖像的灰度信息和鄰域空間相關信息，往往能夠獲得滿意的分割效果[4]。所以，利用圖像的像素灰度級分布與其鄰域平均像素灰度級分布所構成的二維灰度直方圖法引起了研究人員的重視。本文主要研究基于像素灰度級和鄰域像素灰度級的農業田間圖像的目標分割方法。

2 二維熵算法設計

假設一幅圖像的灰度級數為L，圖像的像素數是 M×N，G={1，2，…L}。則定義像素（x，y）處的n1×n1鄰域的平均灰度值為：

如果以灰度和鄰域平均灰度這一數據對（f（x，y），g（x，y））來表示一幅圖像，以閾值（S，T）分割圖像，則二維閾值化函數被定義為[4]：

對于一幅圖像，如以rij表示相應灰度-鄰域平均灰度對出現的頻數，0≤rij≤N2，則可定義相應的聯合概率密度Pij為

{Pij}就是圖像的二維灰度直方圖。二維熵閾值化就是選擇閾值（S，T）使目標類和背景類的后驗熵為最大，這兩個類的熵分別被定義為[4-5]。

選擇出的閾值矢量（S，T），必須符合以下判別函數

在實際的算法設計中，如果采用窮舉搜索獲得閾值矢量，計算量很大，因此在本研究中采用龔堅等介紹的快速算法[4]。

3 材料與方法

選取南京農業大學校園內的一塊玉米田作為圖像的拍攝試驗對象，由于在玉米長至的3～5葉時噴灑除草劑能夠取得最佳的防除效果，并且在這一時期的作物與雜草的遮擋較輕，所以在試驗田中采集3～5葉期的不同光照條件下（晴天和陰天各50禎）玉米田場景圖像。拍攝的圖像如圖1所示。在拍攝過程中用3CCD的型號為Olympus N438的相機拍攝田間圖像，相機與地面相距為1 m且與地面成45°，圖像的像素值設置為640×480，拍得的圖像隨后存入CPU為PentiumⅢ700 MHz的個人計算機以供后續的圖像處理。

圖1 玉米田圖像Fig.1 Image of corn

4 分割結果與分析

用分割質量來評價農業圖像的分割效果，分割質量也就是用分割后的圖像與原始圖像作對照比較，并且分為優秀、一般、差、不能分割4個等級。挑選了6位有圖像處理經驗的碩士生或博士生對分割后的圖像進行打分，根據平均分和評價標準確定圖像分割質量的等級。評價標準如表1所示。圖2用二維熵法處理后的圖像。

表1 圖像分割質量的主觀評價標準Table 1 Subjective evaluation criteria of segmentation

將在陰天和晴天拍攝的100幀圖像用二維熵方法進行目標分割，對分割后的圖像用上述的標準和方法進行分割質量的評價，評價結果如表2所示，評價的100幀圖像中，有98幀圖像的分割獲得優秀的評價，優秀率為98%，有2幀圖像獲得一般的評價，沒有被評為分割差或不能分割的圖像。

圖2 分割后的圖像Fig.2 Image after segmentation

表2 圖像分割質量評價Table 2 Evaluation of image segmentation

5 結 論

采用二維熵閾值法對在自然光照條件下拍攝的圖像進行目標分割，其分割質量很高，能夠達到滿足實際需要的效果。雖然二維熵閾值法的計算量很大，但是由于采取快速算法和隨著計算機運算速度的提高，采用該方法完全能夠滿足機器視覺的實時性要求。

[1]Woebbecke D M,Meyer G E,Von Bargen K.Color indices for weed identification under various soil,residual,and lighting conditions[J].Transactions of the ASAE,1995,38(1):259-269.

[2]Aitkenhead M J,Dalgetty I A,Mullins C E,et al.Weed and crop discrimination using image analysis and artificial intelligence methods[J].Computers and Electronics in Agriculture,2003,39(3):157-171.

[3]李志臣,姬長英,安秋.基于顏色特征的作物與背景分割的對比研究[J].東北農業大學學報,2008,39(9):117-124.

[4]龔堅,李立源,陳維南.二維熵閾值分割的快速算法[J].東南大學學報,1996(4):31-36.