基于二维熵的农业图像目标分割

李志臣，陈 南，安 秋

（1.东南大学博士后流动站，南京 211189；2.南京农业大学工学院，南京 210031；3.东南大学机械学院，南京 211189）

机器视觉技术已广泛的应用于农业领域，在农业领域的生产前、生产中、收获和产后的各个环节中，机器视觉技术越来越多地应用于生产的自动化。近年来由于CCD技术的发展，彩色图像越来越方便地被用于机器视觉。在农业领域的实际应用中，所获得农业田间彩色图像中主要包括绿色植物（作物和杂草）、土壤和残留物等三类，如何把绿色植物从数字彩色图像中分割出来是成功实现机器视觉技术的最关键的基础操作。由于作物与杂草的绿色成分要大于土壤和残留物的绿色成分，利用颜色特征进行目标的分割被广泛地应用于实践中[1-2]。李志臣等分析了基于颜色特征的田间作物的背景分割[3]，无论从实时性的要求还是从分割效果的满意程度来讲，过绿的2G-R-B因子是一个很好的分割因子。但是，在自然条件下拍摄的彩色图像往往会出现失真的现象，例如由于露水水滴、阴影和污损等原因导致彩色图像上出现白色或者黑色斑点。这些斑点的存在就会影响到运用颜色特征进行目标分割的效果。鉴于此，首先利用阈值进行彩色图像的二值化，从而实现目标分割是一个较为理想的选择。

1 阈值二值化

图像的二值化的过程，也就是把图像变成只有黑白两个灰度级的图像。二值化处理是一种灰度处理算法，其原理是给定某阈值，设计程序让大于等于该阈值的点为白点，小于该阈值的点为黑点。例如图像f（x，y）就给定的阈值T二值化的过程如下式：

图像二值化的关键在于阈值的选择，目前图像处理领域中常见的方法有双峰法、P参数法、最大方差自动取阈值法、最小错误阈值法、根据灰度直方图取阈值法[4]等。一维灰度最大熵取阈值法由于其处理速度快而应用较多，但是当一维灰度直方图没有明显的峰谷时，仅仅利用一维灰度值的的分布选取阈值往往难以获得满意的图像分割效果，甚至导致图像分割错误。如果利用图像的灰度信息和邻域空间相关信息，往往能够获得满意的分割效果[4]。所以，利用图像的像素灰度级分布与其邻域平均像素灰度级分布所构成的二维灰度直方图法引起了研究人员的重视。本文主要研究基于像素灰度级和邻域像素灰度级的农业田间图像的目标分割方法。

2 二维熵算法设计

假设一幅图像的灰度级数为L，图像的像素数是 M×N，G={1，2，…L}。则定义像素（x，y）处的n1×n1邻域的平均灰度值为：

如果以灰度和邻域平均灰度这一数据对（f（x，y），g（x，y））来表示一幅图像，以阈值（S，T）分割图像，则二维阈值化函数被定义为[4]：

对于一幅图像，如以rij表示相应灰度-邻域平均灰度对出现的频数，0≤rij≤N2，则可定义相应的联合概率密度Pij为

{Pij}就是图像的二维灰度直方图。二维熵阈值化就是选择阈值（S，T）使目标类和背景类的后验熵为最大，这两个类的熵分别被定义为[4-5]。

选择出的阈值矢量（S，T），必须符合以下判别函数

在实际的算法设计中，如果采用穷举搜索获得阈值矢量，计算量很大，因此在本研究中采用龚坚等介绍的快速算法[4]。

3 材料与方法

选取南京农业大学校园内的一块玉米田作为图像的拍摄试验对象，由于在玉米长至的3～5叶时喷洒除草剂能够取得最佳的防除效果，并且在这一时期的作物与杂草的遮挡较轻，所以在试验田中采集3～5叶期的不同光照条件下（晴天和阴天各50祯）玉米田场景图像。拍摄的图像如图1所示。在拍摄过程中用3CCD的型号为Olympus N438的相机拍摄田间图像，相机与地面相距为1 m且与地面成45°，图像的像素值设置为640×480，拍得的图像随后存入CPU为PentiumⅢ700 MHz的个人计算机以供后续的图像处理。

图1 玉米田图像Fig.1 Image of corn

4 分割结果与分析

用分割质量来评价农业图像的分割效果，分割质量也就是用分割后的图像与原始图像作对照比较，并且分为优秀、一般、差、不能分割4个等级。挑选了6位有图像处理经验的硕士生或博士生对分割后的图像进行打分，根据平均分和评价标准确定图像分割质量的等级。评价标准如表1所示。图2用二维熵法处理后的图像。

表1 图像分割质量的主观评价标准Table 1 Subjective evaluation criteria of segmentation

将在阴天和晴天拍摄的100帧图像用二维熵方法进行目标分割，对分割后的图像用上述的标准和方法进行分割质量的评价，评价结果如表2所示，评价的100帧图像中，有98帧图像的分割获得优秀的评价，优秀率为98%，有2帧图像获得一般的评价，没有被评为分割差或不能分割的图像。

图2 分割后的图像Fig.2 Image after segmentation

表2 图像分割质量评价Table 2 Evaluation of image segmentation

5 结 论

采用二维熵阈值法对在自然光照条件下拍摄的图像进行目标分割，其分割质量很高，能够达到满足实际需要的效果。虽然二维熵阈值法的计算量很大，但是由于采取快速算法和随着计算机运算速度的提高，采用该方法完全能够满足机器视觉的实时性要求。

[1]Woebbecke D M,Meyer G E,Von Bargen K.Color indices for weed identification under various soil,residual,and lighting conditions[J].Transactions of the ASAE,1995,38(1):259-269.

[2]Aitkenhead M J,Dalgetty I A,Mullins C E,et al.Weed and crop discrimination using image analysis and artificial intelligence methods[J].Computers and Electronics in Agriculture,2003,39(3):157-171.

[3]李志臣,姬长英,安秋.基于颜色特征的作物与背景分割的对比研究[J].东北农业大学学报,2008,39(9):117-124.

[4]龚坚,李立源,陈维南.二维熵阈值分割的快速算法[J].东南大学学报,1996(4):31-36.