基于顏色特征的自適應閾值林木樹干識別研究

宋文龍 莫沖 王琢

摘? 要： 樹干顏色是進行林木樹干識別的重要依據之一。為實現不同顏色林木樹干的識別，基于樹干的顏色特征，提出一種自適應閾值的樹干識別方法。首先，依據不同顏色林木樹干的顏色值分布特性來選定對樹干圖像分割的閾值區間;其次，在閾值區間內根據樹干的圖形特征自適應閾值對樹干進行圖像分割;最后，對分割結果采用RANSAC算法精確擬合樹干邊緣，實現樹干的識別。實驗選取水曲柳、興安落葉松和紫椴等樹干顏色存在較大差異的樹種，每一樹種隨機選取100棵樹干進行識別，樹干識別率分別達97%，91%和93%。實驗結果表明，對于顏色存在較大差異的林木樹干，所提方法具有較高的樹干識別率。

關鍵詞： 林木樹干識別; 顏色特征; 圖像分割; RANSAC; 精確擬合; 識別率

中圖分類號： TN911.73?34; TP391? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2019）16?0144?05

0? 引? 言

林木樹干識別是林業領域的基礎性研究內容之一，在森林資源調查、林木自動對靶施藥、林地機器人自主導航等方面具有廣泛的應用價值。

目前在二維圖像方面針對樹干識別的研究主要從樹干的紋理特征和顏色特征來展開。基于紋理特征的樹干識別方法利用樹干邊緣整體呈豎直狀態的特點來實現樹干的識別。陳金星等采用Canny邊緣檢測算法提取圖像的邊緣信息，然后在邊緣圖像中提取寬度最大的兩條豎直線段當作樹干的輪廓，實現了樹干的邊緣提取[1]。鄂雪等采用改進的Ncut分割算法識別樹干邊緣[2]。由于復雜環境下圖像的紋理非常復雜，基于紋理特征的樹干識別方法通常需要輔以人工或其他設備來將攝像頭對準樹干才能取得較好的識別效果，因此這類方法應用面較窄，主要應用于林木的胸徑測量。基于顏色特征的樹干識別方法是利用樹干本身特有的顏色特征來識別樹干。與前一類方法相比，這類方法不需要輔助手段來完成樹干的識別，但其本身也有缺陷，即識別顏色相近的樹干才能取得較好的效果。如陳慶豐等以桔子樹干的顏色特征向量作為圖像分割的依據并結合形態學濾波來完成桔子樹干的提取[3]。Liu tianhu等在Cr?Cb顏色坐標系上構建一個多橢圓邊界模型來識別柑橘樹干[4]。但是在林區中由于樹木種類和生長狀況的多樣性，樹干的顏色存在較大差異，對基于顏色特征的樹干識別方法來說，這是目前需要解決的關鍵性難題。研究中針對利用顏色特征識別不同顏色林木樹干難的問題，提出一種采用自適應閾值的林木樹干識別方法。

1? 單個林木樹干的二值化分割

以樣本圖1a）為例，分析單個林木樹干的二值化分割。相機捕獲的圖像通常都是由RGB顏色空間表示的RGB圖像。由于RGB顏色空間中每個分量不僅代表像素的顏色還代表像素的亮暗程度，因此各個分量的顏色值易受環境光強影響。相比于RGB顏色空間，L*a*b*顏色空間由L*分量專門負責表示像素的亮度，a*分量和b*分量表示像素的顏色[5]。因此，可以將圖像從RGB顏色空間轉到L*a*b*顏色空間，然后在a*通道圖像和b*通道圖像中利用樹干的顏色特征來分割樹干從而避免引入環境光強這一不確定性因素。

由于L*a*b*顏色空間是一種均勻的色彩空間[6]，因此樹干在a*通道圖像和b*通道圖像中的顏色值是均勻的。根據這一特性，以樹干在a*通道圖像中的顏色均值作為閾值通過式（1）對圖像進行二值化處理（b*通道圖像同理）;然后采用20行2列的矩形結構元素對二值圖像分別進行腐蝕和膨脹的濾波操作;最后以濾波后的二值圖像中高度最大的連通區域[7]作為樹干的二值化分割結果。a*通道圖像的分割結果和b*通道圖像的分割結果分別如圖1b）和圖1c）所示。 [I（x，y）=255，? ?（TS-c）≤I（x，y）≤（TS+c）0，? ? ? ? else] （1）

式中：[I（x，y）]為圖像中坐標為[（x，y）]處的像素值;[TS]為閾值;[c]為允許樹干顏色值在閾值附近浮動的范圍。

由圖1b）和圖1c）可知，無論采用a*通道圖像或b*通道圖像分割樹干，分割效果基本一樣。為了降低算法復雜度，提高算法運行效率，本研究選擇在a*通道圖像中利用樹干的顏色特征。下文將以a*通道圖像為例進行闡述。

2? 自適應閾值識別林木樹干

2.1? 林木樹干分割閾值區間的分析

由圖1中對單個林木樹干的二值化分割可知，在a*通道圖像中以樹干的顏色均值作為分割閾值可實現樹干的二值化分割。將問題擴展到一般性，對于顏色存在差異的林木樹干，它們在a*通道圖像中的顏色均值無法達到一致，使得由式（1）表達的二值化算法無法以一個固定閾值來分割不同顏色的林木樹干。為了尋找不同顏色林木樹干的顏色值分布規律，在東北林業大學實驗林場隨機采集了200個顏色存在較大差異的樹干樣本并計算它們在a*通道圖像中的顏色均值。樹木樣本的顏色均值的分布如圖2所示。

由圖2可知，樹干樣本在a*通道圖像中的顏色均值集中分布在[[-5，10]]的區間內。出現這一規律的原因為盡管林木樹干的顏色不同，但是從整體看顏色為中性色，因此樹干在a*通道圖像中的顏色均值會落在a*分量的中值，即0附近（注：a*分量的取值范圍為[[-128，127]]）。

2.2? 自適應閾值分割林木樹干

針對不同顏色的林木樹干，可以在a*分量的中值附近選取一個固定的分割閾值區間，然后結合樹干在圖像中呈豎直長條狀的形狀特征設置篩選條件，在閾值區間內以迭代[8]的方式選取閾值來對待識別樹干進行圖像分割并篩選滿足條件的分割結果。設分割閾值區間為[[a，b]]且[a

迭代算法的流程如圖3所示。

3? 實驗結果與分析

本研究在Ubuntu 16.04操作系統的筆記本電腦上調用OpenCV庫進行程序開發。電腦的配置為i5?3230M處理器、主頻2.6 GHz，4 GB內存。研究中使用的攝像頭為普通的USB免驅高清攝像頭，攝像頭配備60°無畸變鏡頭，捕獲圖像的分辨率設置為[640×480]。實驗將樹干識別率作為所提方法對林木樹干識別效果的評價指標，樹干識別率定義為：

為了測試所提方法對不同顏色林木樹干的自適應識別能力，實驗時在東北林業大學實驗林場選取了水曲柳、興安落葉松和紫椴3種在樹干顏色上存在較大差異的樹種，每一樹種隨機選取100棵樹干作為識別對象。3個樹種的樹干識別結果如表1所示，實驗中的具體參數如表2所示。

在使用同一套實驗參數的情況下，由表1可知所提方法對選取的3個樹種的樹干識別率均達到90%以上，體現了算法的自適應能力。其中水曲柳的樹干識別率最高，其余兩個樹種的樹干識別率略低一些。主要原因為每個樹種的樹干顏色與背景的區分度不同，導致樹干識別率略有波動。由于所提方法以樹干呈豎直長條狀的形狀特征作為篩選條件，因此樹干的歪斜或彎曲程度也是影響樹干識別率的一個重要因素。

為了證明本實驗所選取的3種林木樹干測試樣本能夠代表同種與不同種林木樹干之間的顏色差異，實驗以樣本樹干在a*通道圖像中的顏色均值作為指標，統計了樣本樹干的顏色值分布。統計結果如圖6所示。

圖6表明，3種林木樹干測試樣本的顏色值的總體分布區間不一樣，出現了分層現象，其中興安落葉松樹干的顏色值主要分布在上層，水曲柳樹干的顏色值主要分布在中層，紫椴樹干的顏色值主要分布在下層，體現了不同種林木樹干之間的顏色差異。對于同一種樹干，樹干之間的顏色值分布也有差異，其中以興安落葉松樹干的顏色值差異最大。

4? 結? 論

本研究結合林木樹干在圖像中呈豎直長條狀的形狀特點提出一種自適應閾值的林木樹干識別方法。所提方法對顏色存在較大差異的同種和不同種林木樹干具有較高的樹干識別率，解決了基于顏色特征的樹干識別方法識別不同顏色林木樹干難的問題。但是該方法也有一定的局限性，由于利用了林木樹干在圖像中呈豎直長條狀的形狀特征，因此對于識別生長比較歪斜或彎曲的林木樹干并不會取得較好的識別效果，這是后續需要進行深入研究的地方。

參考文獻

[1] 陳金星，岳德鵬，馮仲科，等.樹干直徑自動識別與測量技術研究[J].農業機械學報，2016，47（3）：349?353.

CHEN Jinxing， YUE Depeng， FENG Zhongke， et al. Automatic Recognition and Measurement Technology of Tree Trunk Diameter [J]. Transactions of the Chinese society of agricultural machinery， 2016， 47（3）： 349?353.

[2] 鄂雪，程朋樂.基于改進歸一化割的立木邊緣識別技術研究[J].西北林學院學報，2018，33（3）：232?237.

E Xue， CHENG Pengle. Edge recognition technology of livieng trees based on improved normalized cut [J]. Journal of Northwest Forestry University， 2018， 33（3）： 232?237.

[3] 陳慶豐，邱白晶.基于顏色特征的桔子樹干圖像分割方法[J].農機化研究，2010，32（2）：174?176.

CHEN Qingfeng， QIU Baijing. Image segmentation methods for orange trunk based on color features [J]. Journal of agricultural mechanization research， 2010， 32（2）： 174?176.

[4] LIU Tianhu， EHSANI Reza， TOUDESHKI Arash， et al. Detection of citrus fruit and tree trunks in natural environments using a multi?elliptical boundary model [J]. Computers in industry， 2018， 99： 9?16.

[5] 姜繼春，王曉紅，許秦蓉.基于Lab顏色空間的手寫文字提取算法研究[J].包裝工程，2014，35（7）：139?143.

JIANG Jichun， WANG Xiaohong， XU Qinrong. Handwritten text extraction algorithm based on the lab color space [J]. Packaging engineering， 2014， 35（7）： 139?143.

[6] 陳珠琳，王雪峰.檀香咖啡豹蠹蛾蟲害的樹干區域分類研究[J].北京林業大學學報，2018，40（1）：74?82.

CHEN Zhulin， WANG Xuefeng. Classification of sandalwood trunk area damaged by Zeuzeracoffeaenietner in complex background [J]. Journal of Beijing Forestry University， 2018， 40（1）： 74?82.

[7] 馮海文，牛連強，劉曉明.高效的一遍掃描式連通區域標記算法[J].計算機工程與應用，2014（23）：31?35.

FENG Haiwen， NIU Lianqiang， LIU Xiaoming. Efficient one?scan algorithm for labeling connected component [J]. Computer engineering and applications， 2014（23）： 31?35.

[8] 李家賢，張海軍，劉全.基于變步長迭代算法的微軸承參量特性研究[J].現代電子技術，2017，40（16）：10?12.

LI Jiaxian， ZHANG Haijun， LIU Quan. Study on micro bearing parameter characteristics simulated with variable step size iterative algorithm [J]. Modern electronics technique， 2017， 40（16）： 10?12.

[9] 張艷莉.基于最小二乘法擬合直線的研究[J].信息通信，2014（11）：44?45.

ZHANG Yanli. The research of fitting straight?line least square method [J]. Information & communications， 2014（11）： 44?45.

[10] 袁清珂，張振亞，畢慶.改進RANSAC算法在直線擬合中的應用[J].組合機床與自動化加工技術，2015（1）：123?125.

YUAN Qingke， ZHANG Zhenya， BI Qing. Linear fitting application based on the improved RANSAC algorithm [J]. Modular machine tool&automatic manufacturing technique， 2015（1）： 123?125.

[11] 樊超，狄帥，侯利龍，等.基于改進RANSAC算法的車道線識別方法[J].汽車工程，2014，36（4）：503?508.

FAN Chao， DI Shuai， HOU Lilong， et al. Lane marking detection technique based on improved RANSAC algorithm [J]. Automotive engineering， 2014， 36（4）： 503?508.