自然圖像中的綠色植物提取

李小敏 賈春鶴

(1. 廣東省地圖院, 廣東 廣州 511500; 2. 泗水縣自然資源和規(guī)劃局, 山東 濟(jì)寧 273200)

0 引言

隨著現(xiàn)代科學(xué)技術(shù)的發(fā)展,利用計(jì)算機(jī)對(duì)圖像進(jìn)行識(shí)別變得越來(lái)越流行。在農(nóng)田中通過(guò)圖像來(lái)識(shí)別綠色作物,有利于向智慧農(nóng)業(yè)的方向發(fā)展。同時(shí)便于監(jiān)測(cè)綠色植被的變化情況,在日常監(jiān)測(cè)中可以節(jié)省大量勞動(dòng)力。首先要解決的問(wèn)題是如何提取綠色作物信息。肖太平[1]采用面向?qū)ο蠓指罴夹g(shù)對(duì)圖像進(jìn)行分割處理,然后利用植被的光譜特征和空間信息特征構(gòu)造知識(shí)庫(kù),實(shí)現(xiàn)對(duì)植被的提取工作。面向?qū)ο筇幚砟軌蜉^好地利用圖像的空間信息特征,但工作量較大,較難應(yīng)用在實(shí)際應(yīng)用中。馬海藝等[2]通過(guò)對(duì)全卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn),提高了植被提取精度,有效減弱噪聲影響。但該方法需要大量的訓(xùn)練數(shù)據(jù)才能獲得較好的模型參數(shù)。王蓉等[3]采用隨機(jī)森林算法,結(jié)合主成分分析、紅邊歸一化植被指數(shù)和紋理特征提取了冬季小麥種植信息。魏瑄[4]提出了一種基于紋理特征的濕地植被群落自動(dòng)分類算法,通過(guò)實(shí)驗(yàn)證明,該方法在濕地植被提取的過(guò)程中較為有效。董心玉等[5]采用面向?qū)ο蟮姆诸惙椒?對(duì)植被的信息進(jìn)行分類處理,提高了分類的精度。陶佳等[6]針對(duì)植被遙感圖像分類識(shí)別需求,采用馬爾科夫和遺傳算法對(duì)圖像進(jìn)行處理,證明了該方法在圖像分割中是較為有效的。潘黃儒等[7]基于影像數(shù)據(jù),通過(guò)最大值合成法、趨勢(shì)分析法、線性回歸以及相關(guān)分析等研究方法,分析了某一地區(qū)在較長(zhǎng)時(shí)間段內(nèi)植被覆蓋時(shí)空演變與動(dòng)態(tài)變化規(guī)律。王美琪等[8]通過(guò)RGB(紅(R)、綠(G)、藍(lán)(B))顏色空間轉(zhuǎn)換為HSV(色相(Hue)、飽和度(Saturation)、亮度(Value))顏色空間的方式,限定H和S的值獲取綠色植被信息。袁金國(guó)等[9]利用CBERS影像數(shù)據(jù)對(duì)冬小麥進(jìn)行信息提取。葉滿珠[10]對(duì)綠色植被二級(jí)分類計(jì)算機(jī)解譯方法進(jìn)行了研究。王小剛[11]采用了分水嶺變換的多尺度方法對(duì)遙感圖像進(jìn)行試驗(yàn)分析。孫培蕾等[12]采用貝葉斯框架和γ分布對(duì)合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)圖像分割研究,獲得了較高的精度。遙感影像可用波段較多[13],但獲取有效遙感影像數(shù)據(jù)的時(shí)效性較差。隨著無(wú)人機(jī)技術(shù)的發(fā)展,當(dāng)下獲取自然圖像較容易,且具有較高的時(shí)效性。因此，如何更好地利用自然圖像波段提取地物是一個(gè)急需解決的問(wèn)題。本文以自然圖像為基礎(chǔ),通過(guò)突出顏色信息,結(jié)合分割技術(shù)將綠色植被提取出來(lái)。利用自然圖像提取綠色植被信息的研究有利于智慧農(nóng)業(yè)的方向發(fā)展。

1 研究方法

圖像分割是地物提取過(guò)程中的一個(gè)重要環(huán)節(jié),由于直接對(duì)植被圖像進(jìn)行分割效果不是很好,這主要是因?yàn)樵趫D像分割中僅考慮到灰度值的大小。若采用一定的方法將顏色信息轉(zhuǎn)化為灰度信息,使得綠色信息偏離其他顏色信息,就可以將圖像中的綠色信息提取出來(lái)。對(duì)于一幅圖像,它的直方圖反映了該圖像的基本特征。如圖1所示。

圖1 灰度圖像及直方圖

從圖1(b)中可以看出,該圖像的灰度直方圖為單峰,不易分割,若采用大津閾值分割法,閾值的確定將成為主要問(wèn)題,此時(shí)大津閾值法得到的閾值不能很好地將圖像分割開(kāi)。考慮到圖像的變化檢測(cè)方法中的差值法。對(duì)自然圖像來(lái)說(shuō)有R、G和B三個(gè)波段。因此能否將差值法應(yīng)用到同一幅圖像處理上,如果利用綠色波段與紅色波段作差,理論上來(lái)說(shuō),綠色區(qū)域會(huì)和背景色區(qū)分開(kāi)。在灰度圖像上則表現(xiàn)為灰度值的不同。通過(guò)對(duì)灰度圖像的分割,從而實(shí)現(xiàn)綠色植被與背景的分割。假設(shè)自然圖像用X表示,則X1表示圖像的第一波段,X2表示圖像的第二波段,X3表示圖像的第三波段,其中第二波段為綠色波段。通過(guò)三個(gè)波段的合成獲得自然圖像。當(dāng)然在獲得自然圖像后也可以將其分解為R、G和B三個(gè)波段。如果用Di,j表示為第j波段和第i波段的差值。那么差值圖像可以用公式(1)表示:

Di,j=Xj-Xi

(1)

為突出綠色植被信息,采用兩倍的第二波段數(shù)據(jù)減去第一和第三波段數(shù)據(jù)。這樣綠色信息同背景信息分離開(kāi),就實(shí)現(xiàn)了將顏色信息轉(zhuǎn)化為灰度信息,便于圖像分割處理。顏色信息轉(zhuǎn)化為灰度信息后,反映在灰度信息上就有聚集和離散的趨勢(shì)。背景信息則趨向于一致性,綠色植被信息表現(xiàn)為聚集在某一范圍內(nèi)。若用D表示轉(zhuǎn)化后的圖像。則可用公式(2)表示:

D=2X2-X1-X3

(2)

這樣就可以得到轉(zhuǎn)化后的圖像。在新的圖像中保留了原有綠色植被信息,使背景信息得到了簡(jiǎn)化。也符合顏色視覺(jué)規(guī)律特征,便于圖像的分割處理。為綠色植物的提取提供了有效的數(shù)據(jù)保障。通常經(jīng)過(guò)差值處理后的圖像灰度直方圖如圖2所示。

圖2 差值處理后灰度直方圖

從圖2可以看出,通過(guò)差值處理,背景信息主要集中在0附近,綠色植被信息主要集中在另一個(gè)峰值附近,較好的將圖像的灰度直方圖從單峰轉(zhuǎn)化到雙峰,從而解決了分割難題。對(duì)于雙峰灰度圖像,采用大津閾值分割法可以得到較好的分割效果。對(duì)于大津閾值分割的思想就是:當(dāng)類間差最大時(shí),即得到最佳閾值。若類間差用σ表示,則用公式(3)表示:

(3)

其中u0和u1代表兩個(gè)集合中的均值，w0和w1代表兩個(gè)集合分別出現(xiàn)的概率。當(dāng)σ的值最大時(shí),閾值就達(dá)到了最佳值。通過(guò)圖像差值和圖像分割處理,可以簡(jiǎn)便有效的自動(dòng)獲取綠色植被信息。

2 實(shí)例分析

2.1 數(shù)據(jù)采集

隨機(jī)用相機(jī)采樣3幅圖片,利用綠色波段同紅色波段和藍(lán)色波段做差。得到的灰度圖像就是差異圖,在差異圖中,綠色植被就會(huì)突出,背景色就會(huì)得到一定的抑制,這樣就可以通過(guò)灰度閾值分割圖像,從而實(shí)現(xiàn)綠色植物的提取。為驗(yàn)證本文方法,在公園內(nèi),不同地塊中采集3幅圖像。它們的背景也有所不同。

2.2 實(shí)驗(yàn)分析

本實(shí)驗(yàn)在MATLAB軟件中進(jìn)行編碼實(shí)現(xiàn),首先是對(duì)圖像波段進(jìn)行差值處理,獲得波段差值圖像。然后利用免疫遺傳算法對(duì)差值圖像進(jìn)行分割。為驗(yàn)證算法的有效性,選擇3幅不同的圖像,做了3次實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如表1所示。

表1 實(shí)驗(yàn)對(duì)比圖

從表1中可以明顯看出,對(duì)圖像進(jìn)行差值運(yùn)算后,獲得的分割結(jié)果要好很多。對(duì)綠色植被的提取很有效。在不同土壤為背景的條件下,差值免疫遺傳分割都能獲得很好的分割效果。從實(shí)驗(yàn)1和實(shí)驗(yàn)2可以看出,由于背景的不一致,直接利用分割算法得到的分割圖,誤差很大,不能有效將目標(biāo)和背景分割開(kāi),但通過(guò)差值,就可以很好地解決這個(gè)問(wèn)題。從實(shí)驗(yàn)3中能夠看出,圖像分割受到光照影響,光照強(qiáng)的地方灰度值高,光照弱的地方灰度值較低,直接對(duì)圖像進(jìn)行分割,會(huì)如實(shí)驗(yàn)3所示,暗色的土壤和綠色的植被同時(shí)被分割出來(lái)。枯草和強(qiáng)光路面被歸為了背景。而加入波段差值,則這些問(wèn)題就很好地得到了解決。

3 結(jié)束語(yǔ)

本文通過(guò)引入波段差值,對(duì)圖像進(jìn)行差值運(yùn)算,獲得差異圖。然后在利用分割算法對(duì)差異圖進(jìn)行分割,獲得最終的分割圖。通過(guò)對(duì)圖像作差處理,有效地將背景亮度降低,使得目標(biāo)突出。通過(guò)實(shí)驗(yàn)對(duì)比,本文提出的方法對(duì)綠色植被進(jìn)行分割是很有效的,在直接利用分割算法獲得不理想的分割圖后,通過(guò)差值再利用分割算法可以得到讓人很滿意的分割效果,實(shí)驗(yàn)中對(duì)不同背景的綠色植被進(jìn)行分割,都是能夠有效快速地分割出目標(biāo)和背景。在綠色植被的提取中有著重要的實(shí)用價(jià)值。由于是利用顏色信息進(jìn)行的提取,在植被提取過(guò)程中,可能也會(huì)將綠色非植被地物誤提取出來(lái)。下一步需要增加紋理信息進(jìn)行改進(jìn),提高提取精度。