林木冠层图像的分割方法研究

李晓冬，王雪峰，贺 鹏

（中国林业科学研究院 资源信息研究所，北京 100091）

林木冠层图像的分割方法研究

李晓冬，王雪峰，贺 鹏

（中国林业科学研究院 资源信息研究所，北京 100091）

现代林业研究中，有效的提取并分析图像数据中树木信息，对树木深层信息挖掘起着很重要的作用。实际上，从复杂的林业图像中准确的分割出目标植物是很多后续图像研究的关键问题之一。大津法是目前使用最为广泛的图像分割算法之一，但是由于树木图像的自然性，该方法对冠层图像临界处分割往往存在较大误差。为解决该问题，本文结合类间方差及类内聚度这两个度量值，改进大津法阈值选取目标函数，并且以银杏冠层图像为例进行分割，结果表明：（1）对于郁闭度较小的冠层图像，两种分割方法得到的分割效果较为相近；（2）对于郁闭度较大的冠层图像，本文改进方法较传统大津法可得到更好的分割效果。（3）改进法分割冠层图像是可行的。

林业图像；银杏；图像分割；大津法；冠层图像

图像分割是图像处理与机器视觉的基本问题之一，其要点是把图像划分成若干互不交迭区域的集合，这些区域或者对当前的任务有意义，或者有助于说明它们与实际物体或物体的某些部分之间的对应关系[1]。图像分割的应用非常广泛，几乎出现在有关图像处理的所有领域，比如在林业研究中针对相邻花朵图像来提取分割花朵的边缘[2]，在遥感应用中合成孔径雷达图像中目标的分割[3]，遥感云图中不同云系和背景分布的分割[4-5]，在交通图像分析中，把车辆目标从背景中分割出来[6]，在面向对象的图像压缩和基于内容的图像数据库查询中，将图像分割成不同的对象区域[7]，在火灾识别应用中，利用图像分割技术在火灾监测图像中准确的提取火焰目标[8]等。这些应用中，分割通常是为了进一步对图像进行分析、识别、压缩编码等。在各类图像的分割算法中，以提取树木图像为目的的分割，由于图像内容复杂的自然属性，是分割中较难处理的一类，且分割精度也相对较低。图像分割大体上分为阈值分割方法、聚类分割方法、边缘检测方法、区域提取方法[9]等。

由于分割对象的多样性，到目前为止还没有一种普遍适用的分割方法，现有的任何一种单独的分割算法都难以适用于多种图像的分割。在目前的众多分割算法中，阈值分割方法最为普遍[10-15]，其中的大津法(Otsu法)[16]被认为是比较有效的阈值分割方法之一。大津法又称为最大类间方差法，由日本学者大津展之在1979年提出发表，该方法计算简单，自适应能力强，分割效果好，因此得到广为使用，他依据的原理是利用类间方差作为判据，选取使类间方差最大的灰度值作为最佳阈值。大津法主要对目标和背景灰度特性区分明显且对信噪比较大的图像分割效果较好。对于背景较复杂、灰度直方图峰值不明显的图像，该分割方法往往将背景与前景目标混杂，难以将前景与背景较好地分割出来，因此产生了各种改进大津算法用于特定对象分割[17-26]。

由于林木多样化、图像背景复杂等系列困难，如何从林业图像数据中自动分割提取目标信息是目前林业信息技术研究中的难题之一，现有的多种图像分割方法不适用于各种林业图像的分割。以银杏人工林内冠层图像为例运用传统大津法进行分割，植物叶边缘由于光衍射的影响，使得前景植物与背景天空临界处的灰度差异不明显，分割结果显示在临界处部分前景植物被划分到背景中，使得前景目标区域偏小，分割效果不准确。为解决该问题，以及针对大津法的缺点，本文在大津法的基础上，对其阈值选取目标函数进行改进，兼顾考虑前景与背景这两类的类间方差与各类内聚度，提出了一种改进大津阈值选取方法，并通过图像实例验证了该改进方法的有效性及其优越性。

1 大津法(Otsu法)

大津法的基本原理是以图像的灰度值分布建立一维灰度直方图，将图像背景与目标的类间方差作为阈值选取准则。对于给定的一张灰度级为[0,2，…，L-1]，灰度级i的像素数为ni的数字图像，其最佳阈值自动选取的目标函数为：

当阈值为t∈[0，L-1]时，将像素按照灰度级划分为两类C0（前景）和C1（背景），即C0={0，…，t}，C1={t+1，…，L-1}，其中 )(2tσB表示图像灰度直方图中的类间方差：

类间方差是图像像素灰度值分布均匀性度量值，类间方差越大，图像中两类间的像素均匀性就越差，背景和目标的差别就越大，分割效果越好。

2 改进大津法

根据大津法的原理，我们可以理解为在最佳阈值t下分割得到的前景和背景的都最大可能的远离图像中心，μ0和μ1之间的距离d也将尽可能达到最大。

与此同时，根据图像分割的目的，很显然分割得到的各个类内的像素与类中心的间距应该尽可能小，此时各个类内的像素内聚性越好，图像表现将是前景与背景分割的越好。为了度量前景与背景这两类的类内像素的内聚性，假设一个内聚度量——类平均方差根据经典大津法，显然两类间距d越大，前景与背景区别越大，分割效果越好。同时，图像分割的核心目标之一，是使各类内平均方差和越小，各个类内的像素内聚性越好，则分割效果越好。因此，在大津法的基础上，选取最佳分割阈值T时，如果能够同时考虑这两个度量值，即使得类间距离d尽可能大，同时令两个类内聚度尽可能小，这样就可以得到更为理想的分割效果。基于该想法，本文假设一个中间度量值K(t)，当K(t)取得最大值，此时的分子尽可能大而分母尽可能小，即可以同时使得类间距和类内方差这两个因素达到理想状态。

故改进大津法的目标函数为：

即当K(t)取得最大值时的灰度级t即为所求的最佳分割阈值T。

3 改进大津法的实现

针对所提出的改进大津法，对多种不同郁闭度的林内冠层图像进行阈值分割，检索每个灰度值t∈[0，L-1]作为分割阈值，计算对应的每个中间度量值K(t)，选取使得K(t)达到最大值时候的灰度t，将其作为最终的图像分割阈值对特定图像进行目标与背景的分割。在Microsoft Visual C++6.0平台编写代码，改进大津法的实现步骤如下：

定义存放图像灰度级的一维数组i=0，1，…，L-1，并统计图像像素个数N；

计算图像的各像素值概率，即灰度概率分布pi；

逐个检索阈值为t∈[0，L-1]时，分别计算前景目标与背景区域的像素概率ω0(t)和ω1(t)，两类的像素平均值μ0(t)和μ1(t)，类间方差以及各类内的平均方差

计算阈值为t∈[0，L-1]时的中间度量值K(t)；

逐个检索比较K(t)的大小，寻找当K(t)达到最大值时的阈值t，记为T；

将T作为最佳分割阈值，用f(x,y)表示图像中坐标点为(x,y)的像素值，按照如下法则对指定图像实例进行分割：

根据上述算法，在Microsoft Visual C++ 6.0平台编写代码，实现对系列图像前景与背景的分割，并计算目标前景像素占图像总像素的百分比。

4 实例分析

运用上述改进大津法程序，对多种不同郁闭度的林内冠层图像进行分割，图像大小均为3 504×2 336，灰度级为256，由0到255。选取其中三张不同郁闭度银杏冠层图像为例，分别运用两种方法分割并计算相应的目标前景像素占图像总像素的百分比，其结果如图1所示。

图(a)、(b)和(c)为银杏人工林冠层原始图像，图(a1)、(b1)和 (c1)分别为运用传统大津图像分割法得到的图像，图(a2)、(b2)和 (c2)本文改进大津法分割得到的图像。将分割得到的图像背景部分表示为白色，前景部分表示为黑色。对郁闭度较小的图(a)分割结果显示，大津法（图(a1)）和本文方法（图(a2)）的分割结果相近，目标前景像素占图像总像素的比值分别为52.21%和52.47%，从分割得到的二值图像可以看出，两种方法都达到了较为理想的分割效果，但是大津法的分割边缘比较跳跃而本文改进法分割边缘稍柔和。而对于图(b)和图(c)，由于郁闭度较大，树叶缝隙较小，造成光的衍射明显影响图像临界处的灰度，使得背景与前景目标边缘模糊。图(b1) 和图(c1)的前景像素比值分别为85.78%和87.29%，都小于本文分割法得到的结果90.25%（图(b2)）和93.52%（图(c2)）。由于没有实际的前景像素比值作为参照标准，无法直接从得到的比值结果比较哪一种分割结果较为准确，但是由分割得到的二值图像分别与原图（图(b)和图(c)）做比较可以明显看出，大津法分割得到的二值图像（图(b1)和图(c1)）临界处变化较剧烈，部分前景目标被归类到背景当中，会使得前景比例比实际值小。而本文改进大津法得到的图像（图(b2)和图(c2)）分割边缘比较柔和，对前景与背景临界处的分割更加接近实际情况。由于在考虑类间方差的同时考虑到了类内聚度，同时兼有大津法的优点，令本文改进方法具有更好的实用性。理论上，该方法增加了类内方差计算，计算量会有所增加，但是实际操作表明，其对运算速度影响极小。

5 结论与讨论

本文通过改进经典大津图像分割方法，在考虑最大类间方差的同时结合类内聚度，提出了一种新的图像分割阈值选取算法。通过对大量不同郁闭度银杏冠层图像的分割比较表明，对于郁闭度较小的冠层图像，两种分割方法得到的分割效果较为相近；对于郁闭度较大的冠层图像，本文改进方法较传统大津法可以获得更加接近实际情况的分割效果，体现了该算法的有效性以及优越性，是一种适用于银杏等阔叶林冠层图像的较好的阈值分割方法，具有较高的实用价值。

图1 大津法和改进法得到的图像分割结果Fig.1 Images segmented by Otsu method and improved Otsu method

本文算法主要测试了阔叶纯林冠层图像，原则上该算法可以拓展到混交林和针叶林冠层图像的分割，但是针对其它各类冠层图像的分割是否同样适用，需要做进一步的研究。

[1] 王爱民,沈兰荪.图像分割研究综述[J].测控技术,2000,19(5): 1-6.

[2] 付 慧,黄心渊,唐世华,等.基于深度图的相邻花朵图像分割方法[J].中南林业科技大学学报,2011,31(11):172-178.

[3] 薛景浩,章毓晋,林行刚.图像基于Rayleigh分布假设的最小误差阈值化分割[J].电子科学学刊, 1999,21(2):219-225

[4] 陈 哲,冯天谨.基于小波分形特征提取的图像分割方法[J].中国图象图形学报,1999,4A(12): 1072-1077.

[5] Chuang K S, Tzeng H L, Chen S. et al. Fuzzy c-means clustering with spatial information for image segmentation[J].Computerized Medical Imaging and Graphics,2006,30:9-15.

[6] Zhao W D, Qi H, Zhou H Y. Segmentation Algorithm of Traff i c Prohibited Area Based on Wavelet[J]. Advanced Materials Resea rch,2012,542-543:1316-1319.

[7] Swanson M D, Tewfik A H. Fast Progressively Refined Image Retrieval[J].Journal of Electronic Imaging,1998,7(3):443-452.

[8] 李 杰,肖 江.火焰目标提取方法的研究[J].中南林业科技大学学报,2009,29(1):140-143.

[9] Senthilkumaran N, Rajesh R. Edge Detection Techniques for Image Segmentation - A Survey of soft computing approaches[J].International Journal of Recent Trends in Engineering,2009,1(2):250-254.

[10] 魏宏博,吕振肃,蒋田仔.图像分割技术纵览[J].甘肃科学学报,2004,16(2):19-24.

[11] Corneloup G, Moysan J, Maynin I E. DSCAN Image Segmentation by Thresholding Using Concurrence Matrix Aoalysis [J]. Pattern Recognition, 1996, 29(2): 281-206.

[12] Cheng H D, Jiang X H, Wang J L. Color image segmentation based on homogram thresholding and region merging[J]. Pattern Recognition, 2002, 35(2): 373-393.

[13] Li L, Gong J, Chen W. Grey-Level Image Thresholding Based on Fisher Linear Projection of Two-Dimensional Histogram[J].Pattern Recognition, 1997, 30(5): 743-750.

[14] Pikaz A, Averbuch A. Digital Image Thresholding Based on Stable State[J].Pattern Recognition, 1996, 29(5): 829-843.

[15] Yen J C, Chang F J, Chang S. A New Criterion for Automatic Multilevel Thresholding[J]. IEEE Trans. Image Processing, 1995,4(3): 370-377.

[16] Nobuyuki Otsu. A threshold selection method from gray-level histograms[J].IEEE transactions on system, man, and cybernetics,1979, 9(1): 62-66.

[17] 范九伦, 赵 凤. 灰度图像的二维Otsu曲线闽值分割法[J].电子学报,2007,35(4):751-755.

[18] 范九伦, 赵 凤, 张雪峰. 三维Otsu阂值分割方法的递推算法[J].电子学报,2007,35(7): 1398-1402.

[19] 江禹生,宋香丽,任晶晶.基于遗传算法的二维Otsu算法改进[J].计算机应用研究,2010, 27(3):1189-1191.

[20] 孔 明,孙希平,王永骥.一种改进的基于类间方差的阈值分割法[J].华中科技大学学报:自然科学版,2004,32(7):46-48.

[21] 瞿 中.基于改进的最大类间方差算法的图像分割研究[J].计算机科学,2009,36(5): 276-290.

[22] 孙艳忠,柴 毅,尹宏鹏.基于边缘检测与改进最大类间方差法的火箭序列图像分割算法[J].计算机应用,2009,29(11):3027-3032.

[23] Carnicer R. M, Cuevas F.J. M. Unimodal thresholding for edge detection[J]. Pattern Recognition, 2008, 41(7): 2337-2346.

[24] Wang N, Li X, Chen X. Fast three dimensional Otsu thresholding with shuffled frog-leaping algorithm[J]. Pattern Recognition,2010, 31(13): 1809-1815.

[25] 付 慧,黄心渊,唐世华,等.基于深度图的相邻花朵图像分割方法[J].中南林业科技大学学报,2011,31(11):172-178.

[26] 薛晓坡,林 辉,孙 华,等.长沙市区景观动态变化分析[J].中南林业科技大学学报,2009,29(1):64-68.

Segmentation method research for forest canopy image

LI Xiao-dong, WANG Xue-feng, HE Peng
(Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China)

How to extract and analyze the tree information from the image data is very important for deeply excavating the deeper-level information of trees and forests in modern forestry researches. In fact, it is one of the crucial issues in the subsequent image research that accurately segment the target plant from complicated forest image. Among all the image segmentation methods, Otsu method is one of the most widely used threshold selection methods of image segmentation because of its simple calculation and great adaptability.However, due to the naturality of the tree images, it is not able to obtain good segmentation results when the canopy images were segmented by using Otsu method. Considering its poor segmentation results of the canopy images, an improved threshold selection algorithm based on traditional Otsu method was put forward. Both between-class variance and within-class variance were considered that impact on the image segmentation result, the selection of objective function of Otsu method was improved and the image segmentation was conducted by taking the Ginkgo biloba canopy images as the example. The results show (1) for the images of lower canopy density,the results obtained by traditional Otsu method and improved Otsu method were similar each other; (2) for the images of higher canopy density, better segmentation results can be obtained by using the improved method rather than traditional Otsu method; (3) according to the results, it is feasible to segment the canopy images by using the improved Otsu segmentation method.

forestry images; Ginkgo biloba ; image segmentation; Otsu method; canopy image

S771.8

A

1673-923X(2013)07-0040-05

2012-10-16

国家948项目“原野机器人苗木远程监测分析技术引进”（2011-4-67）

李晓冬（1987-），女，浙江丽水人，硕士研究生，主要研究方向为林业信息技术

王雪峰（1968-），男，内蒙古赤峰人，副研究员，博士，主要研究方向为生物统计模型、图像处理与计算机视觉

[本文编校：吴 毅]