水稻稻穗圖像的分割方法研究

黃 瓊，楊紅云，肖小梅

水稻稻穗圖像的分割方法研究

黃 瓊1，楊紅云2*，肖小梅2

（1. 江西農業大學 計算機與信息工程學院，江西 南昌 330045；2. 江西農業大學 軟件學院，江西 南昌 330045）

針對成熟期稻田光照不均勻、復雜的土壤背景噪聲以及稻葉顏色混淆問題，研究利用Otsu和K-means法分別對局部稻穗圖像和稻田圖像進行稻穗分割，并與最大熵、迭代閾值以及區域生長法的分割效果圖進行哈希相似度對比。在進行局部稻穗圖像分割時，K-means和其他4種算法相比，分割相似度可達90%；在進行稻田圖像分割時，Otsu和其他4種算法相比，分割相似度可達90.94%。試驗結果表明兩種算法能實現稻穗有效提取，為后期稻穗品質評估和稻田產量預測研究提供可靠依據。

水稻稻穗；圖像分割；Otsu算法；K-means算法；哈希算法

水稻產量預測和品質評估是評價農業生產的重要指標，目前人工判斷水稻產量和品質的方法需要耗費大量勞動力，同時會因人的主觀因素產生誤差。隨著計算機視覺的快速發展，將圖像處理應用在水稻產量預測和質量評估方面可以解放勞動力，提高工作效率。圖像分割是圖像處理的基礎，因此對稻穗圖像進行識別分析的重要前提是能準確分割稻穗圖像。稻穗圖像準確分割提取的參數能反映水稻的品質情況和產量高低，它是獲取稻穗特征、進行稻穗樣本產量計數、自動識別稻穗病蟲害和水稻營養狀況以及生育期自動檢測的前期基礎，能為水稻高產育種栽培管理研究提供科學依據，同時也能為農業機械識別系統提供重要參數，是設計農業機械系統的重要基礎。

目前，圖像分割廣泛應用在農業方面。遲德霞等[1]提出了結合EXG因子和Otsu算法的水稻秧苗圖像分割法，該方法噪聲敏感度高，分割效果易受噪聲干擾。Kurtul-mus F等[2]提出了通過去除干擾像素和提取潛在區域結合的方法識別玉米雄穗圖像，該方法對于光照不均勻的田間環境識別效果不佳。陳含等[3]使用Sobel算子對麥穗圖像進行邊緣檢測，通過與加權平均法、G分量法和最大值法處理后的圖像進行對比，發現Sobel算子耗時最少。茅正沖等[4]提出了基于改進K-means和二維Otsu的算法，對不同環境的玉米雄穗圖像進行分割，結果表明改進算法對生長環境具有很強的魯棒性。段凌鳳等[5]首先對大田圖像分塊，然后利用卷積神經網絡SegNet對分塊子圖進行分割，解決了稻穗邊緣嚴重不規則問題，同時提高了計算速度。

本文充分利用K-means和Otsu兩種算法不受圖像亮度和對比度的影響、易于實現的特點，對局部和整體兩種不同角度的稻穗圖像進行分割。最后在試驗結果中給出了Otsu、最大熵、迭代閾值、區域生長以及K-means5種算法分割效果圖和哈希相似度。通過K-means和Otsu算法分割稻穗圖像可以解決在光照不均勻條件下稻穗和混淆稻葉、復雜田間背景難以分割問題。

1 材料與方法

1.1 材料收集

本文隨機選取5塊不同的水稻田，利用相同的圖像采集設備對水稻田間隨機拍攝局部稻穗圖像和稻田稻穗圖像各20幅。試驗采用的稻穗圖像來源于稻粒飽滿的成熟期水稻，在陽光充足的自然光照條件下進行采樣，同時選取局部和稻田兩種不同視角圖像進行研究，使試驗具有有效性和全面性。

1.2 基于閾值的圖像分割

閾值分割算法思想是通過比較選定閾值和灰度值大小來決定目標像素和背景像素，最終將灰度圖像轉換為二值圖像。其中，確定閾值是閾值分割中最重要的步驟，本文將利用Otsu，最大熵，迭代閾值三種算法來確定閾值。

1.2.1 Otsu算法 Otsu算法思想是先通過初始閾值將圖像分割成目標像素和背景像素，再通過公式（1）計算圖像的類間方差值g：

式中，0為背景像素占總像素的比例，1為前景像素占總像素的比例，0為背景像素的平均灰度，1為前景像素的平均灰度，為圖像平均灰度值。當存在使類間方差達到最大值的閾值時，該閾值為Otsu的最佳閾值。

1.2.2 最大熵算法 最大熵的“熵”在圖像分割中是指信息熵，被用來描述消息來源的不確定性。熵值越大，說明信息不是同一類的可能性越大。其算法過程是通過熵的定義計算前景和背景像素的熵值，當前景熵和背景熵之和達到最大值時，該閾值就是分割點。

1.2.3 迭代閾值法 迭代閾值分割算法是通過多次計算來求取最佳閾值，算法流程如下：

Step1.求圖像平均灰度值，設為初始閾值0；Step2.使用初始閾值將圖像分割為目標和背景像素，分別求出兩者的平均灰度值，為1，2；Step3.求1和2的平均值設為新閾值；Step4.比較和0，若兩者相等，則是迭代值域的最優閾值；反之，則令0=，重復Step2-3，直到得到最優閾值。

1.3 基于邊緣的圖像分割

在圖像處理中，邊緣是信息變化明顯之處。基于邊緣分割算法思想是通過連接圖像的邊緣像素點構成一個邊界，從而分割圖像。本文采用Sobel算法來尋找邊緣像素。

1.3.1 Sobel算子 利用原始圖像和Sobel的，濾波器做卷積計算，根據（2）式可求出方向的灰度梯度D：

根據（3）式可求方向的灰度梯度D：

式中，表示原始圖像。

為提高效率，采用（4）公式來估計最終梯度|D|，所求的最終梯度就是邊緣像素：

式中，表示綜合灰度梯度。

1.4 基于區域生長的圖像分割

區域生長算法思想是把類似特性（如顏色、紋理、灰度級等）的像素點形成區域。區域生長算法流程如下：

Step1.手工選取若干種子點，在種子點領域（8領域或4領域）中進行擴展；Step2.評判標準是，當某個像素點滿足生長準則時，便被納入種子點區域，反之，不納入；Step3.當不存在符合參加種子點區域的其它像素點時，生長便會停止。

1.5 基于K-means聚類的圖像分割

聚類是一種將相似事物分類到同一集群中的算法。聚類不像分類能事先已知目標，所以它是一種無監督學習。

K-means中的K表示有K個聚類，means表示每個聚類中數據值均值。聚類算法的主要思想是選取中心點進行聚類，通過迭代方法更新中心點，直到聚類效果最佳時便停止迭代，算法流程如下：

Step1.選取每個聚類的集群點；Step2.算出圖像中某個點到各個集群點的距離，比較各個距離的遠近，將該點放到最小距離的集群點的集群中；Step3.新的集群點是每類集群中所有點的坐標的平均數值；Step4.通過Step2-Step3的迭代更新后，如果滿足迭代條件，停止更新迭代。

2 試驗評價方法和結果分析

2.1 圖像分割的評價方法

圖像分割評價方法可以分為：無監督和有監督評價法[6]。無監督評價法是通過計算各種圖像參數，從而評價分割算法的好壞；有監督法是通過比較算法分割結果圖與人工分割標準圖的相似程度可以判斷算法的好壞。

本試驗采用有監督評價法，使用工具人工標記出稻穗圖像的標準圖，并通過感知哈希算法計算分割結果圖和人工標記圖的相似度。

感知哈希算法[7-8]的原理是先通過離散余弦變換壓縮圖片以獲取低頻信息；然后綜合圖像特征，給圖像生成特定“指紋”；最后比較兩個圖像指紋，若“指紋”越接近，則說明兩張圖像相似度越高。

2.2 試驗結果分析

本試驗分別采用Otsu、最大熵、迭代閾值、Sobel算子、區域生長和K-means法對分別稻田稻穗圖像和局部稻穗圖像進行了分割對比，圖1和圖2分別對應局部稻穗圖像和稻田稻穗圖像不同方法處理的結果：（a）原始彩色圖像、（b）基于Otsu算法分割效果圖、（c）基于最大熵算法分割效果圖、（d）基于迭代閾值算法分割效果圖、（e）基于Sobel算法分割效果圖、（f）基于區域生長算法分割效果圖、（g）基于K-means算法分割效果圖、（h）人工標記圖像。通過將5種方法的分割效果圖對比人工標注圖，求出各個方法的平均分割相似度如表1所示。

表1 各分割算法平均相似度對比

通過比較各個算法的分割效果，可以看出：

如圖1的局部稻穗圖像中，通過Otsu、迭代閾值、最大熵算法求得的閾值分別是121、118、132：Otsu和迭代閾值法易受混淆稻葉影響，存在枯黃稻葉分割過度現象。如圖2的稻田稻穗圖像中，通過Otsu、迭代閾值、最大熵算法求得的閾值分別是104、99、118，最大熵算法對偏黃稻葉分割過度；Otsu和迭代閾值法能準確分割稻穗，但Otsu分割效果更好，能抑制雜亂的大田背景，并不受圖像亮度影響，對于光照不均勻的稻穗也能完整分割出來，相較于其它算法，Otsu算法選取的閾值最佳。

Sobel算法對于兩種稻穗圖像來說存在欠分割現象，只能勾勒出稻穗基本邊緣輪廓，不能完整將稻穗顆粒分割出來。

區域生長分割需要人機交互選取種子點，易受主觀影響，實現過程繁瑣，局部稻穗圖像中，部分稻穗沒有被標記為目標像素；稻田圖像中，中間偏黃稻葉被歸類為稻穗。

對于K-means算法，稻穗圖像分割目標是提取稻穗，去除背景，所以本文選擇稻穗目標和背景像素兩個聚類。分割局部稻穗圖像時，K-means能準確地分割稻穗和背景；分割稻田稻穗圖時，少數復雜的田間背景沒有被歸為背景像素。

圖1 局部稻穗分割結果

圖2 稻田稻穗分割結果

綜上所述：在局部稻穗圖像中，分割效果最好的是K-means，分割相似度可達90%，相對生長區域算法來說，不需人工標記種子點，便于實現，能夠克服圖片中存在的復雜背景難以分割問題，在局部稻穗圖像和稻田稻穗圖像中分割效果較好，具有良好的適應性；在稻田圖像中，Otsu的分割效果最好，分割相似度可達90.94%，它既能在光照不均勻、稻穗稻葉相互遮擋的條件下區分稻穗和稻葉，還能去除稻田中其他泥土背景，從而將稻穗分割出來。

3 討論與結論

本文綜合多種經典算法分析，采取哈希算法進行各個算法的相似度計算，比較算法性能，閾值分割方法實現簡單，其中Otsu適用于局部稻穗圖像分割，能克服圖片的光亮度影響；邊緣分割方法存在欠分割現象，只能分割出稻穗輪廓，適用于往后谷粒周長測量；區域生長分割需要人工選取種子點，容易受主觀因素從而影響分割結果，不適用于兩種稻穗圖像分割；聚類方法便于實現，能準確區分稻穗像素和背景像素，適用于局部稻穗圖像分割。

本試驗利用Otsu算法和K-means算法計算量小，在分割時易于實現，不受圖片亮度和對比度的影響的特點，對背景復雜，光照亮度不均勻的稻田稻穗圖像和局部稻穗圖像進行分割，結果表明：將Otsu和K-means兩種算法分割效果圖與其他3種分割算法分割效果圖對比后發現Otsu和K-means兩種算法分割效果較好，能夠克服光照不均勻問題，完整地將稻穗和復雜的稻葉泥土等背景分割開，性能明顯優于其他算法。兩種算法對稻穗圖像分割來說有較好的適應性，對往后稻穗產量計數，稻穗品質評估具有很大的指導意義以及能夠為往后優良育種提供重要參數。

[1] 遲德霞, 張偉, 王洋. 基于EXG因子的水稻秧苗圖像分割[J]. 安徽農業科學, 2012, 40(36): 17902-17903.

[2] Ferhat K, ?smail K. Detecting corn tassels using computer vision and support vector machines[J]. Expert Systems with Applications, 2014, 41(16): 7390-7397．

[3] 陳含, 呂行軍, 田鳳珍, 等. 基于Sobel算子邊緣檢測的麥穗圖像分割[J]. 農機化研究, 2013, 35(3): 33-36.

[4] 茅正沖, 劉永娟. 基于顏色特征的玉米雄穗圖像分割[J]. 傳感器與微系統, 2017, 36(2): 131-133.

[5] 段凌鳳, 熊雄, 劉謙, 等. 基于深度全卷積神經網絡的大田稻穗分割[J]. 農業工程學報, 2018, 34(12): 202-209.

[6] 施佩榮, 陳永富, 劉華, 等. 基于分割評價函數的多尺度分割參數的選擇[J]. 遙感技術與應用, 2018, 33(4): 628-637.

[7] 張慧. 圖像感知哈希測評基準及算法研究[D]. 哈爾濱: 哈爾濱工業大學, 2009.

[8] 牛夏牧, 焦玉華. 感知哈希綜述[J]. 電子學報, 2008, 36(7): 1405-1411.

[9] Salil K, Nisarg T. Mastering openCV android application programming[M]. 北京: 電子工業出版社, 2016.

[10] 張志斌, 羅錫文, 臧英, 等. 基于顏色特征的綠色作物圖像分割算法[J]. 農業工程學報, 2011, 27(7): 183-189.

[11] 范夢揚, 馬欽, 劉峻明, 等. 基于機器視覺的大田環境小麥麥穗計數方法[J]. 農業機械學報, 2015, 46(S1): 234-239.

[12] Adrian K, Gary B. Learning OpenCV 3: computer Vision in C++ with the OpenCV Library[M]. 北京: 清華大學出版社, 2016.

[13] Otsu N. A threshold selection method from gray-level histogram[J]. IEEE Trans, 1979, SMC-9: 62-66.

[14] 任磊. 棉花圖像分割算法研究[D]. 烏魯木齊: 新疆大學, 2013.

[15] 史倩, 吳開華. 區域生長的輪對圖像分割[J]. 中國圖象圖形學報, 2012, 17(9): 1122-1127.

[16] 易三莉, 張桂芳, 賀建峰, 等. 基于最大類間方差的最大熵圖像分割[J]. 計算機工程與科學, 2018, 40(10): 1874-1881.

[17] 吳煥麗, 崔可旺, 張馨, 等. 基于改進K-means圖像分割算法的細葉作物覆蓋度提取[J]. 農業機械學報, 2019, 50(01): 42-50.

[18] Xiong X, Duan L F, Liu L B, et al. Panicle-SEG: a robust image segmentation method for rice panicles in the field based on deep learning and superpixel optimization[J]. Plant Methods, 2017, 13(1): 1746-4811.

[19] Elaziz M A, Bhattacharyya S, Lu S F. Swarm selection method for multilevel thresholding image segmentation[J]. Expert Systems with Applications, 2019, 138(138): 0957-4174.

[20] 茅正沖, 劉永娟. 一種玉米雄穗圖像分割方法[J]. 控制工程, 2018, 25(10): 1892-1897.

[21] 熊雄. 基于深度學習的大田水稻稻穗分割及無損產量預估研究[D]. 武漢：華中科技大學, 2018.

[22] Jothiaruna N, Joseph Abraham Sundar K, Karthikeyan B. A segmentation method for disease spot images incorporating chrominance in comprehensive color feature and region growing[J]. Computers and Electronics in Agriculture, 2019, 165(165): 1688-1699.

[23] 劉俊, 馬燕, 陳坤. 一種改進的基于區域生長的彩色圖像分割方法[J]. 計算機應用與軟件, 2012, 29(11): 288-291.

[24] Tremeau A, Bolel N. A region growing and merging algorithm to color segmentation[J]. Pattern Recognition, 1997, 30(7): 1191-1203.

[25] Pavlidis T, Liow Y T. Integrating region growing and edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1990, 12(3): 225-233.

Research on Segmentation Methods of Rice Ear Images

HUANG Qiong1, YANG Hong-yun2*, XIAO Xiao-mei2

(1. College of Computer and Information Engineering, Jiangxi Agricultural University, Nanchang 330045, China; 2. College of Software, Jiangxi Agricultural University, Nanchang 330045, China)

Aiming at the problems of uneven light in the mature paddy field, complex soil background noise, and the confusion of rice leaf colors, the Otsu and K-means methods were used to segment the partial rice ear images and the rice field images, respectively. These two methods were used to compare with the maximum entropy, iterative threshold and the segmentation effect map of the region growth method to get the hash similarity. K-means had a segmentation similarity of 90% compared with other four algorithms in partial rice ear image segmentation. Otsu had a segmentation similarity of 90.94% compared with other four algorithms in rice field image segmentation. The experimental results showed that the two algorithms could achieve effective extraction of rice ears, and provided a reliable basis for the evaluation of rice ear quality in the later period and the research of rice field yield prediction.

rice ears; image segmentation; Otsu algorithm; K-means algorithm; hash algorithm

S126

A

2095-3704（2020）01-0090-06

2020-01-04

國家自然科學基金項目（61562039)

黃瓊（1997—），女，碩士生，主要從事圖形圖像處理研究，406274397@qq.com；*通信作者：楊紅云，副教授，nc_yhy@163.com。

黃瓊, 楊紅云, 肖小梅. 水稻稻穗圖像的分割方法研究[J]. 生物災害科學, 2020, 43(1): 90-95.

10.3969/j.issn.2095-3704.2020.01.18