基于多顏色空間分割的溫室環境視覺導航路徑信息提取

王紅君　陳慧　岳有軍

摘要：針對溫室小范圍復雜作業環境中的農作機器人視覺導航路徑信息的提取方法進行研究。該方法首先對紅、綠、藍（red、green、blue，簡稱RGB）顏色空間各分量算子重新組合比較，在HSI（hue-saturation-intensity）色彩空間對不同光照條件下各分量的均值和標準差進行比較，對圖像的RGB空間的各分量作差得到（G-B）、（R-B）差值圖像，再對G-B、R-B差值圖像和H分量圖像用最大類間方差法（OTSU）分別進行最優閾值分割，然后再合并、濾波，將植物從背景中分離，最后用優化后的Hough變換進行植物行中心線的提取從而確定導航路線。結果表明，該方法能去除雜草和降低光照條件的影響，很好地適應復雜的溫室環境，能準確分割和提取農作物行中心線，算法簡單，實時性、魯棒性強。

關鍵詞：視覺導航；溫室；顏色空間；圖像分割；路徑信息；Hough變換

中圖分類號： TN91173文獻標志碼：

文章編號：1002-1302（2017）16-0202-04

收稿日期：2016-04-05

基金項目：天津市農業科技成果轉化與推廣項目（編號：201203060、201303080）。

作者簡介：王紅君（1963—），女，天津人，碩士，教授，碩士生導師，研究方向為流程工業先進控制技術。E-mail：hongewang@126com。

通信作者：陳慧，碩士，主要研究方向為電氣工程。E-mail：403069145@qqcom。

基于機器人視覺的自主導航技術是農業機器人實現田間連續作業的重要環節和基礎，是農業裝備智能化的關鍵技術。以機器視覺為主的機器人導航路徑檢測已經成為該領域的研究熱點，目前大部分集中在田間作業機器人導航路徑檢測方面。

溫室設施和作物密集度大、空間占用率高的特殊性，增加了溫室作業機器人路徑檢測的難度，使溫室環境視覺導航研究更具挑戰性[1-3]。針對光照不均和作物遮擋對導航路徑檢測的影響，Lv等提出了基于機器視覺的壟間加熱管敏感區域提取方法對導航路徑進行檢測[4]；王新忠等提出g、Cr、Cb色彩分量組合的導航線分割方法，實現了導航信息有效快速識別[5]；袁挺等采用基于與光照無關圖的方法去除陰影干擾，基于圖像分割和優化的Hough變換提取作物行中心線。以上文獻雖然不同程度上解決了光照對導航路徑檢測的影響問題，能很快提取路徑信息但仍然存在不足：Lv等提出的路徑檢測方法中在2行農作物之間都存在路徑標識物，溫室環境過于理想化，適用范圍比較局限[4-5]，而袁挺等提出的提取作物中心線的方法并不能清晰分離植物和背景，存在許多噪聲點，影響路徑提取的魯棒性。

針對溫室小范圍環境無任何路徑標識的情況，提出基于RGB和HSI不同顏色空間圖像分割的視覺導航路徑信息提取方法。首先對RGB顏色空間各分量算子重新組合比較，并在HSI色彩空間對不同光照條件下各分量的均值和標準差進行比較，用OTSU法對圖像的（G-B）、（R-B）差值圖像和H分量圖像分別進行最優閾值分割，初步提取導航目標，然后對各顏色空間的分割圖像進行分析、合并，提高識別準確率。最后，利用優化后的Hough變換對農作物的行中心線進行提取，確定導航路線。

1圖像分割

11圖像采集

從攝像機在溫室內拍攝的錄像中截取動態圖，選取45°的拍攝俯視角，距地面高度為05 m，圖像分辨率為400像素×300像素，土壤呈不均勻黃棕色，有大棚、灌溉管、雜草、陰影等，農作物存在生長不均勻的現象（圖1）。

[FK（W10][TPWHJ1tif][FK）]

12色彩空間選取

選擇RGB、HSI等2個色彩空間。RGB是最常用的彩色信息表達空間，不須要轉化圖片的色彩空間，避免信息丟失和對原有圖片信息的歪曲[8]。HSI色彩空間中色度（H）表示不同的顏色，飽和度（S）表示顏色的深淺，亮度（I）表示顏色的明暗程度，在HSI顏色模型中，三分量H、S、I具有相對獨立性，可分別對它們進行控制，將亮度 I 與反映色彩本質特征的2個參數色調H和飽和度S分開，對受光照條件影響大的采集圖像可以避免I量[9]。本研究用經典方法實現從RGB色彩空間到HSI色彩空間的轉換，如公式（1）所示。

13基于RGB和HSI色彩空間的彩色圖像分割

本研究提出基于RGB和HSI色彩空間的彩色圖像分割方法，如圖2所示。

131RGB色彩空間的圖像灰度化

在RGB色彩空間對R、G、B分量的灰度圖像進行重新組合，選用組合算子（R-G）、（R-B）、（G-R）、（G-B）作為特征量進行代數運算。經處理發現，（R-B）灰度圖像的灰度值對農作物和土地區分不明顯，如圖3所示。（G-R）灰度圖像在很好地識別出農作物的同時，有效地濾除了雜草和大棚背景，但不能全部識別出生長不均勻處的農作物，對植物信息保留不完整，增加了農作物幼苗被濾除的可能性，如圖4所示。而（R-G）、（G-B）灰度圖像保留的農作物細節比較完整，也較為清晰地保留了灌溉管，且對農作物和背景的區分也很明顯，如圖5、圖6所示。因此本研究選取（R-G）、（G-B）的灰度差值圖像作為在RGB空間圖像分割的輸入。

132HSI色彩空間的分量提取

本研究采用的是小范圍溫[CM（25]室環境，必然會伴隨光照不均（機器人的農作時間點不同和天氣變化等情況）、陰影等問題。在同一位置、不同時間點、不同光照條件下拍攝4張圖像并對其在HSI色彩空間各分量的均值和標準差進行計算，拍攝時間為08：00、10：00、12：00、14：00，如圖7、圖8所示。

由圖7可以看出，在08：00—14：00隨著光照強度的變化，H分量、S分量的均值基本不變，而I分量的均值變化明顯，隨著光照強度的增強而增大，波動幅度較大；由圖8可以看出，在光照條件變化的情況下，H分量的標準差變化很小，而S分量、I分量的標準差隨著光照強度的變化波動較為明顯。

綜上所述，本研究在HSI色彩空間里只考慮其中的H分量，從而降低光照條件的影響，強化了圖像處理時對農業溫室環境的針對性。

133圖像分割方法

基于RGB和HSI色彩空間提出的圖像分割方法包括在RGB空間對（R-G）、（G-B）差值圖像和在HSI空間對H分量分別用OTSU最大類間方差法選取最佳閾值，將圖像二值化。

OTSU法是一種使類間方差最大的自動閾值方法，是在最小二乘法原理的基礎上推導得出最佳閾值的求取方法，具有簡單、處理速度快的特點，是一種常用的閾值選取方法[10]。對不同類型的物體，如果灰度值或其他特征值差別很大，此方法能有效地對圖像進行分割[11]。但是，在用OTSU法進行圖像分割時，圖像的灰色直方圖必須呈現雙峰的形式，在彩色圖像中，須要考慮如何利用顏色信息來獲得對分割有效的直方圖[12]。

本研究在RGB顏色空間中對（R-G）、（G-B）差值圖像取反后發現，農作物目標明亮而土地背景灰暗，能很好地區分農作物目標和土地背景，并且與在HSI色彩空間的H分量的灰度直方圖都呈現雙峰型，所以選用OTSU法來進行自動閾值分割。

OTSU法首先根據初始閾值把圖像分為2類，然后計算這2類之間的方差，更新閾值，重新計算類間方差，滿足類間方差最大時的閾值即為所求最佳閾值[11]。具體過程[11-14]如下：

（1）假定一幀農作物圖像f（i，j）的灰度分為k級，灰度值i的像素數為ni，像素總數為N=∑[DD（]ki=1[DD）]ni，求出圖像中的所有像素的分布概率Pi=ni/N；

（2）給定一個初值Th=Th0，將圖像分為前景C1和背景C2類，前景C1={1，2，…，Th}，背景C2={Th+1，Th+2，…，k}；

（3）根據公式計算2類圖像的方差δ1、δ2，灰度均值μ1、μ2，以及總體灰度均值μ。

（6）將Th從0到255循環，分別計算C1和C2的類間方差，當方差最大時對應的Th為最佳分割的閾值Th+。

134圖像合并與濾波

在RGB色彩空間，先將（R-G）和（G-B）反差圖像分割后的圖像作數學運算，再將其與HSI色彩空間H分量上分割后的圖像作數學運算，經過反復的濾波試驗，最終確定用中值濾波對合并后的圖像進行處理，取得最佳分割效果。

14分割結果與分析

本研究提出在RGB顏色空間對 （G-B）、（R-G）的差值圖像和在HSI顏色空間對H分量用OTSU法分別進行最優閾值分割，最后再合并、濾波。圖9是在RGB色彩空間直接用OTSU法直接分割的圖像，沒有達到植物與背景分離的效果，圖像效果比較雜亂；圖10是在RGB顏色空間（R-G）反差圖像的分割圖像，農作物可以跟背景分離且對細節保留較為完整，但存在噪聲點較大等不足；圖11是在RGB顏色空間（G-B）反差圖像的分割圖像，濾除了雜草和大棚，但對農作保留并不完整且存在噪聲；圖12是在HSI顏色空間H分量上的分割圖像，濾除了灌溉管信息，存在少量噪聲；圖13是利用本研究方法得到的分割結果，比單純在RGB色彩空間用OTSU法分割效果要明顯很多，比（R-G）、（G-B）的差值圖像和H分量分割的效果更好，既能有效濾除雜草和噪聲影響，又能準確分離農作物和背景。

從上述分割結果可以看出，本研究提出的分割方法能很清[CM（25]晰地將農作物從土地和大棚背景中分離出來，對農作物的[CM）]

缺失處、生長不均衡處、灌溉管和一些必要的細節保留很完整，對背景和雜草濾除很干凈，去除噪聲、植物的陰影、光照不均等影響，分割效果較為理想，能準確識別農作物并且很好地適應農業溫室的復雜環境。

2導航線檢測

21Hough變換提取導航線

經過圖像分割、合并和濾波，圖像中農作物和灌溉管顯示為黑色，土壤、大棚均為白色。農作物行基本匯集在一個不規則的長條狀內，可以提取農作物行的中心線為導航線，作為農業溫室機器人導航的標準線，確定機器人的姿態[4-6]。對農作物中心線的提取常用Hough變換，該算法抗干擾能力強，受噪聲和作物行內斷裂的影響小，可靠性高、魯棒性強，適合于農業機器人視覺導航中的導航路徑提取問題。但傳統Hough變換是一種窮盡式搜索，導致算法復雜性很高，且峰值點檢測常出現誤檢測問題，處理時間長，無法滿足在溫室小范圍內實時性的要求，故必須對傳統變換進行優化處理。

本研究所采集的圖像視野范圍較遠，為滿足機器人在行走過程中導航的實時性和準確性，只對圖像的下半部分進行處理，縮短了處理時間。采用優化的Hough變換來提取農作物的行中心線。Hough變換包括將笛卡爾坐標空間中的直線變換到極坐標空間中，由于y=kx+b形式的直線方程無法表述x=c斜率無窮大形式的直線[15]，因此，對任意方向和任意位置直線的檢測，往往采用極坐標（ρ，θ）作為變換空間，極坐標方程可寫成：

[JZ（]ρ=xcosθ+ysinθ。[JZ）][JY]（8）

在實際計算過程中，為求出（x，y）平面所構成的直線段，對分割后的圖像進行細化處理，根據圖像尺寸確定Hough變換參數空間的大小，將ρ、θ參數空間離散化為許多單元，每1個單元是1個累加器，并分配內存；以2°為θ的步長，對圖像中每一個目標（xi，yi）點，將θ的量化值代入ρ=xicosθ+yisinθ，計算出對應的ρ，所得結果值落在某個單元內，使該單元的累加器加1，獲得參數空間累加器；對參數空間進行中值濾波，去除噪聲點。峰值檢測尋找10個最大值點，根據導航路徑方位角比導航偏移誤差重要的特點，通過導航路徑方位角統計判斷峰值檢測的正確性，得出最能代表導航路徑的最優峰值點，最后根據檢測到的峰值點在圖像中繪制出農作物的行中心線[15]。

22導航線提取結果分析

在預先知道區域形狀的條件下，利用優化后的Hough 變換可以方便地得到植物的中心線而將不連續的像素點連接起來。其主要優點是受噪聲和曲線間斷的影響較小，這對農田環境中檢測機器人跟蹤路徑非常有效。采用優化后的Hough變換對農作物行導航圖像進行處理，提取出農作物的行中心，然后對行中心線去均值得出導航路線（圖14）。

[FK（W14][TPWHJ14tif][FK）]

圖像大小為400像素×300像素，由于植物生長不均勻而且分為左右2列，須對左右2列分別進行中心線的提取，目標點偏多，大約用了65 ms的處理時間，比傳統的Hough變換所用時間大概縮短了2/5。在溫室內拍攝的錄像中截取20幅圖像進行處理，正確的識別率可以達到95%，優化的Hough變換算法大大減少了運算量，處理時間滿足了視覺導航實時性要求。

3結論

本研究針對溫室小范圍復雜環境中的農作機器人的視覺導航方法進行研究，提出溫室環境路徑信息提取的方法并進一步做試驗驗證。結果表明，本研究提出的分割方法效果比較好， 并且算法較為簡單，可降低光照不均等影響，能將圖像快速分割，并準確識別導航目標；采用優化的Hough變換能迅速準確提取植物行中心線，能有效去除噪聲和農作物行缺失的影響。隨機在溫室內拍攝的錄像中截取20幅圖像進行處理，正確的識別率可以達到95%。從檢測效果來說，利用優化后的Hough變換檢測農作物中心線再取均值，確定導航路線是成功的，魯棒性強。

參考文獻：

趙洲，朱新華，何穎，等 機器人在溫室中的應用研究[J] 農機化研究，2015（1）：238-241

王福娟 溫室環境視覺導航路徑的識別[J] 農機化研究，2010，32（6）：83-86

[3]Wang J，Sugisaka M Study on the effective visual navigation for an alife mobile robot[C] Beijing：International Conference on Mechatronics and Automation，2011：2211-2215

[4]Lv H M，Dong J W The designation of robot exhibition system based on visual navigation[C] Shanghai：4th International Congress on Image and Signal Processing，2011：1992-1995

[5]王新忠，韓旭，毛罕平，等 基于最小二乘法的溫室番茄壟間視覺導航路徑檢測[J] 農業機械學報，2012，43（6）：161-166

[6]袁挺，任永新，李偉，等 基于光照色彩穩定性分析的溫室機器人導航信息獲取[J] 農業機械學報，2012，43（10）：161-166[HJ172mm]

[7]安秋，李志臣，姬長英，等 基于光照無關圖的農業機器人視覺導航算法[J] 農業工程學報，2009，25（11）：208-212

[8]Liu Z，Chen W，Zou Y，et al Regions of interest extraction based on HSV color space[C] Beijing：10th International Conference on Industrial Informatics （INDIN），2012：481-485

[9]Smith A R Color Gamut Transform Pairs[J] ACM Siggraph Computer Graphics，1978，12（3）：12-19

[10]王婷婷 基于顏色空間的圖像分割方法研究[D] 濟南：山東師范大學，2014

[11]Liu Z，Chen W，Zou Y，et al Salient region detection based on binocular vision[C] 7th IEEE Conference on Industrial Electronics and Applications，2012：1862-1866

[12]尹建軍，王新忠，毛罕平，等 RGB與HSI顏色空間下番茄圖像分割的對比研究[J] 農機化研究，2006（11）：171-174

[13]楊璟，朱雷 基于RGB顏色空間的彩色圖像分割方法[J] 計算機與現代化，2010（8）：147-149

[14]劉瓊，史諾 基于Lab和YUV顏色空間的農田圖像分割方法[J] 國外電子測量技術，2015（4）：39-41

[15]安秋 農業機器人視覺導航系統及其光照問題的研究[D] 南京：南京農業大學，2008