随着现代农业的不断发展，机器视觉技术逐渐成为现代农业装备开发设计的一个发展方向；而在农业中应用机器视觉进行图像处理，首先需要对农业图像进行分割。因此，针对农业图像的分割已有不少学者进行了针对性研究。

在已有研究中，自然环境下农业图像的分割精度受到光照的影响已成为一个共识。针对光照，或者称为光照环境，现有研究主要从三个途径消除其对图像分割的影响。有的研究尝试通过像素点在颜色空间的转化提取对光照变化相对不敏感的特征，减少光照对分割的影响[1—4]。有的研究主要依靠光照的物理模型，建立光线传播、反射的数学模型对图像中像素点的颜色值的补偿，从而降低光照对分割精度的影响[5—8]。有的研究主要是在直方图提取阈值[9]、多幅图像对比[10]、图像融合[11]、引入智能算法[12]、分改进分割算法[13]等领域优化分割算法进行图像分割的优化。这些研究使得图像分割、特别是农业图像分割的精度得到了一定程度的提高。在收获机器人中树枝识别[2]、果实识别定位[3，8]、杂草识别[4，9]、干旱胁迫识别[10]等领域这些方法取得了较好的效果。

已有针对光照对农业图像分割的研究主要出发点是减少或降低光照的影响，甚至消除光照对农业图像分割的影响。而实际上，由于作物农艺作业的要求时间跨度比较大，很多情况下农业机械设备并不需要全天候、任意自然条件下进行作业。因此，不少学者开始进行特定作业环境下田间图像分割的研究[14，15]。这些研究主要集中在针对阴影条件下[14]、夜间环境[15]收获机器人的开发，而对于田间植被图像的研究较少。

对于田间图像，由于主要以绿色植被为图像采集目标，光照对于分割的影响集中体现在镜面反射上。根据已有机器视觉的研究成果，光线传播方式是较为主要的影响因素之一。所以，从光线传播方式出发，研究各种条件下田间图像分割的效果，寻找田间图像分割精度较高的作业环境成为现有技术条件下开发农业机械装备机器视觉系统的一条有效途径。

  

图1 田间图像Fig.1 Filed images

1 田间图像分割

在农业机器视觉设备开发中，田间图像分割主要是将绿色植被与土壤背景在田间图像中对应的区域分开，如图1所示。图1(a)是机器视觉系统采集到的田间图像，图像为840×620像素的RGB彩色图像，即每个像素由3个8位的二进制数表示像素红(R)、绿(G)、蓝(B)的程度。图1(b)是图1(a)理想的分割结果。分割图像中白色的像素点区域代表绿色的植被，黑色的像素点区域代表土壤等背景信息。

现有研究中，阈值分割是最为通用的田间图像分割算法。在阈值分割中，田间图像每个像素点的颜色值通过分割特征转化为一个特征值，然后通过一个分割阈值判断每个像素点是植被还是背景。阈值分割算法的关键是确定分割特征和分割阈值。针对田间植被多为绿色的情况，较为常见的分割特征是RGB颜色空间中的超绿特征(2G-R-B)和HIS空间中的H特征。在田间图像分割中常见的阈值确定方法是Otsu阈值法和全局固定阈值法。

所以，确定了分割特征和阈值确定方法后就可以对任意田间图像进行阈值分割操作得到分割后的图像。

2 光线传播方式对田间分割效果的影响

如果在讲课时需要暂停课程，可按下面板上的“暂停键”。当按下“电脑键”，则一直录制多媒体电脑画面，不会切换到其他画面。再次按下“录制键”即可完成录制。

缺铁性贫血在6岁以下的贫血患者中占90%[2],这主要是由于疾病早期并无特异表现,家长难以察觉。此疾病与铁元素吸收障碍、摄入不足等均有直接关系,机体可见持续性铁元素缺乏,进而造成血红蛋白合成功能下降[3~6],影响细胞充盈程度,最终引发小细胞低色素性贫血,同时,导致红细胞体积变化,可见其体积不均匀。地中海贫血则主要是因珠蛋白肽链合成障碍所致,根据其基因型可分为单纯性α地贫、单纯性β地贫、αβ复合型地贫。其中受基因缺陷影响,不同患儿珠蛋白肽链也不尽相同,故而患儿可能会出现不同临床表现,严重者可导致进行性溶血性贫血[4~5]。

(1)具体光照环境的构建，以上实验仅定性的分析了4种光照情况，实验结果得出了较为明显的指向性结论，但是在具体开发农用机械装备时，需要引入相应的传感器对于光照强度、均匀性等环境指标做定量分析。

  

图2 原始图像Fig.2 Original image

  

图3 分割结果Fig.3 Segmentation results

如图2所示，不同拍摄条件下相同田间对象得到的田间图像存在较大差异。部分像素点在不同图像采集环境下形成了镜面反射，在原图中就体现为部分像素点呈现白色，这样的像素点各个波段的光强都较强，在阈值分割中一般都能得到较大的特征值从而被判断为植被像素点，从而形成分割误差。如图3(a)和图3(b)中的噪声点、图3(c)中左边叶片右边缘的噪声点都属于这一类情况。

3 实验与结果分析

在自动喷洒农药等植保作业中，无论是植被视觉识别、农业机械视觉导航都需要进行田间图像的识别。而多数情况下，许多田间作业对农业机械作业时间的要求并不是非常严格，一天之中早上、中午、晚上作业的区别并不大。因此，为寻找较为理想的作业条件，根据光线传播方式的差异进行各种环境下田间图像的分割实验。

因此，为减少光照引起的镜面反射，可以考虑构建漫射光条件下湿土壤背景的光照环境，使用超绿特征进行田间图像的分割。

1255 Magnetic resonance gadolinium-based contrast agent deposition in brain: status and progress

采用RGB颜色空间中的超绿特征(2G-R-B)和HIS空间中的H特征分别作为分割特征，采用Otsu阈值分割、全局阈值法确定阈值，对每幅田间原始图像进行4次图像分割。7组原始图像的分割结果如表1、表2、表3、表4所示。

 

表1 超绿特征+Otsu阈值分割误差Table 1 The segmentation errors with excess greencharacter and Otsu threshold segmentation

  

组别直射光下的分割误差/%漫射光下的分割误差/%干土壤湿土壤干土壤湿土壤10.490.180.730.1320.730.260.200.4235.230.833.810.7040.090.650.550.52514.989.3217.520.5560.710.770.290.8070.230.130.150.42均值3.211.733.320.51方差5.493.366.400.22

 

表2 超绿特征+固定阈值分割误差Table 2 The segmentation errors with excess greencharacter and fixed threshold segmentation

  

组别直射光下的分割误差/%漫射光下的分割误差/%干土壤湿土壤干土壤湿土壤10.310.600.970.6921.410.180.410.7637.910.812.610.4540.820.880.930.9556.853.310.740.7860.710.853.710.94711.491.8618.080.18均值4.211.213.920.68方差4.481.066.360.27

 

表3 H特征+Otsu阈值分割误差Table 3 The segmentation errors with H character andotsu threshold segmentation

  

组别直射光下的分割误差/%漫射光下的分割误差/%干土壤湿土壤干土壤湿土壤113.57 8.56 7.52 4.0726.93 9.54 4.62 7.8938.20 11.09 9.43 9.6249.51 14.18 5.50 8.73524.23 18.27 28.49 14.5563.05 3.09 3.11 2.7674.33 5.42 3.27 3.93均值9.97 10.02 8.85 7.37方差7.17 5.13 8.95 4.14

 

表4 H特征+固定阈值分割误差Table 4 The segmentation errors with H character andfixed threshold segmentation

  

组别直射光下的分割误差/%漫射光下的分割误差/%干土壤湿土壤干土壤湿土壤113.568.557.364.0326.939.544.597.8736.247.277.918.0249.4914.035.488.68524.2318.2628.3914.5162.832.812.902.5874.075.112.893.70均值9.629.378.507.06方差7.365.288.994.09

如表1、表2、表3、表4所示，分别采用不同的分割特征和分割阈值确定方法，漫射光条件下湿土壤背景的田间图像分割误差平均值、方差都是最小的。这表明在漫射光条件下湿土壤背景的情况下，田间图像的分割精度最为稳定、平均分割精度最高。对于某些田间图像，有可能其他3种光照环境下分割误差小于漫射光条件下湿土壤背景的情况，但是对于不同田间对象所采集图像的分割精度存在较大幅度波动。

在已有的田间图像分割研究中，光照环境是一个影响分割精度的主要因素。光照的影响主要体现在植被叶面形成镜面反射。而光线的传播方式是影响镜面反射的主要因素。

另外，实验主要针对叶片镜面反射情况引入光线传播方式进行分析。所以如表1、表2、表3、表4所示，对比分割特征，可以发现亮度特征H特征的分割效果明显不如超绿特征。

实验以相同植被对象所采集的田间图像为1组图像，如图2所示4幅图像即为一组实验图像。每组图像在自然光照条件下按太阳光直射和漫射、背景土壤干湿分为4种情况。实验中采用USB接口的CMOS摄像头直接连接手提电脑采集图像。每组图像采集前首先固定摄像头，使得摄像头的法线方向垂直于地面。在每组图像采集中，首先采集干土壤背景的图像，然后人工浇水后采集湿土壤背景的图像。对于太阳光是否直射，在实验对象旁设立标志杆，通过观察标志杆的影子进行判断。当标志杆的影子较为清晰时采集的图像视为太阳光直射的情况，当标志杆的影子难以辨认时采集的图像视为太阳光漫射的情况。每种情况采集1幅840×620大小的田间图像。实验采集7组共28幅田间图像。

然而,蠕虫状链模型也存在一些不足.由于蠕虫状链用投影长度来表示分子链尺寸,看上去没有用到统计单元数的统计关系,统计单元的多寡仅影响其投影的长度,不影响计算结果,因此可用于描述那些因统计单元数不足而无法用等效自由结合链来处理的分子链.但实际上,不断投影取最后的投影长度的方法也是统计的结果.这种暗含式的统计处理方法很隐蔽,使人们在将其运用到刚性链时没有觉得有什么不妥.

4 讨论

(2)从实验可以看出，雨后阴天条件下田间图像的分割效果较好，但是在现有技术条件下如何构建这样的环境值得进一步分析。如通过浇水、增加遮挡等方式都需要进一步分析。

在机器视觉理论中，按光线传播方式，光可以分为直射光和漫射光。直射光和漫射光的传播路径存在差异，直射光相对漫射光在叶片容易产生镜面反射。光线在传播过程中，会在土壤等背景形成反射，因此土壤的干湿情况也是影响镜面反射的一个重要因素。图2是相同田间对象4种拍摄条件下获取的4幅840×620像素的RGB田间图像。图2采用阈值分割方法得到的4幅840×620像素二值图像如图3所示。

针对光线传播方式对镜面反射的影响，在实验中得出漫射光条件下湿土壤背景的田间图像分割效果最好，从开发农业机器视觉装备的角度看，以下三个问题仍值得注意。

(3)夜间作业的光照环境更为极端，从农艺角度看夜间作业是完全可行的，所以不少农业机器视觉的研究开始进行夜间作业的研究。因此，夜间作业环境也是值得注意的一个方向。

5 结论

针对田间图像分割中光线传播方式对叶片镜面反射的影响，分4种光照环境采集图像进行了分割精度的对比实验。实验结果表明漫射光条件下湿土壤背景的分割效果最好，这为相应农业机器视觉系统的开发提供了理论支持。

范青青以惊人的速度蜕变，变化明显得让人惊讶，追田铭的敬业精神似乎也在变异。她开始黏田铭了，做饭洗衣服，送礼物，晒照片，性格也更显活泼开朗，整天笑得眉眼如花。因为变化太快，田铭有被愚弄的感觉。她不是刚刚才经历了一场失恋吗，就在前几天她在山上不是还痛苦得不能自已吗？

参考文献

1 杨 彪, 倪蓉蓉, 江大鹏. 一种对光照变化鲁棒的移动目标前景提取方法. 计算机科学, 2016; 43(11): 186—189,192

Yang Biao, Ni Rongrong, Jiang Dapeng. Robust moving object foreground extraction approach to illumination change. Computer Science, 2016; 43(11): 186—189, 192

2 Ji W, Qian Z J, Xu B, et al. Apple tree branch segmentation from images with small gray-level difference for agricultural harvesting robot. Optic, 2016; 127: 11173—11182

3 滕大伟, 宋 健, 王 凯. 基于区域生长的采摘机器人视觉识别方法. 农机化研究, 2017; 39(3): 17—21

Teng Dawei, Song Jian, Wang Kai. Vision recognition method based region growing for picking robot. Journal of Agricultural, 2017; 39(3): 17—21

4 Hamuda E, Ginley B M, Glavin M, et al. Automatic crop detection under field conditions using the HSV colour space and space and morphological operations. Computers and Electronics in Agriculture, 2017; 133: 97—107

5 蔡 珣, 孟祥旭, 郝兴伟, 等. 一种基于物理反射模型颜色不变性的阈值分割算法. 计算机学报, 2009; 32(2): 282—287

Cai Xun, Meng Xiangxu, Hao Xingwei, et al. An image segment method based on color invariance of physical reflection model. Chinese Journal of Computers, 2009; 32(2): 282—287

6 郭永锋, 夏辉丽. 高动态多光照环境下图像灰度校正方法研究. 科学技术与工程, 2017; 17(23): 225—230

Guo Yongfeng, Xia Huili. High dynamic lighting environment image grayscale correction method and studying much. Science Technology and Engineering, 2017; 17(23): 225—230

7 Bai X D, Cao Z G, Wang Y, et al. Vegetation segmentation robust to illumination variations based on clustering and morphology modeling. Biosystems Engineering, 2014; 125: 80—97

8 Wang C L, Tang Y C, Zou X J, et al. A robust fruit image segmentation algorithm against varying illumination for vision system of fruit harvesting robot. Optik, 2017; 131: 626—631

9 胡 波, 毛罕平, 张艳诚, 等. 基于二维直方图的杂草图像分割算法. 农业机械学报, 2007; 38(4): 199—202

Hu Bo, Mao Hanping, Zhang Yangcheng, et al. Weed image segmentation algorithm based on two dimensional histogram. Transactions of the Chinese Society for Agricultural, 2007; 38(4): 199—202

10 王传宇, 郭新宇, 杜建军, 等. 基于时间序列图像的玉米植株干旱胁迫表型检测方法. 农业工程学报, 2016; 32(21): 189—194

Wang Chuanyu, Guo Xinyu, Du Jianjun, et al. Maize plant drought stress phenotype testing method based on time-series images. Transactions of the chinese Society of Agricultural Engineering, 2016; 32(21): 189—194

11 Lu H, Cao Z G, Xiao Y, et al. Region-based colour modelling for joint crop and maize tassel segmentation. Biosystems Engineering, 2016;147: 139—150

12 Subudhi B N, Ghosh S, Cho S B, et al. Integration of fuzzy Markov random field and local information for separation of moving objects and shadows. Information Science, 2016;331: 15—31

13 Ma J C, Du K M, Zhang L X, et al. A segmentation method for greenhouse vegetable foliar disease spots images using color in formation and region growing. Computer and Electronics in Agriculture, 2017;142: 110—117

14 徐黎明, 吕继东. 基于同态滤波和K均值聚类算法的杨梅图像分割.农业工程学报, 2015; 31(14): 202—208

Xu Liming, Lv Jidong. Bayberry image segmentation based on homomorphic filtering and K-means clustering algorithm. Transactions of the chinese Society of Agricultural Engineering, 2015; 31(14): 202—208

15 Liu X Y, Zhao D A, Jia W K, et al. A method of segmenting apples at night based on color and position information. Computer and Electronics in Agriculture,2016; 122: 118—123