基于马氏距离的小麦彩色图像无监督分割研究

时 雷， 庞晓丹， 闫 宇， 马新明， 席 磊

(1.河南农业大学信息与管理科学学院，河南 郑州 450002； 2.河南粮食作物协同创新中心，河南 郑州 450002；3.上海交通大学电子信息与电气工程学院，上海 200240)

基于马氏距离的小麦彩色图像无监督分割研究

时 雷1,2， 庞晓丹1， 闫 宇3， 马新明1,2， 席 磊1,2

(1.河南农业大学信息与管理科学学院，河南 郑州 450002； 2.河南粮食作物协同创新中心，河南 郑州 450002；3.上海交通大学电子信息与电气工程学院，上海 200240)

为了实现小麦彩色图像的自动分割，通过采集大田环境下6个品种的小麦图像样本，基于RGB颜色空间，采用马氏距离对图像的像素进行分类，并构建一个无监督分割模型.结果表明，该模型可以快速的分离出小麦图像与背景图像，与有监督的分割方法的分割效果相当，差异性在19%以下，可以应用于大田环境下小麦群体图像的自动分割.

小麦；图像处理;无监督分割

随着信息技术和人工智能的发展，计算机数字图像处理技术逐渐发展起来并开始广泛应用于农业工程领域，利用图像处理技术来对作物叶片的生长情况监测逐渐成为人们的研究热点.河南省是农业大省，小麦是主要的粮食作物之一.利用图像处理技术对小麦的生长进行监测是实现农业信息化的重要步骤，具有长远意义.目前利用图像处理技术在小麦生产中的应用已经延伸到小麦叶面积估测[1～3]、群体特征[4～6]、杂草识别[7]、营养诊断[8～11]、品种分类[12～14]、病害识别[15]等方面.在图像处理技术体系中，图像分割是图像分析和模式识别的重要组成部分，决定着图像的最终分析质量和模式识别的判别结果[16].已有研究表明，图像分割技术在小麦叶面积指数提取、冠层生物量垂直分布特征及氮营养诊断中具有重要作用[1,17]，如何准确分割冠层图像与土壤背景是获得生长参数的基础.对于小麦图像的分割，近年来已有相关的研究.黄芬等[18]提出一种基于HIS空间下H分量的K均值聚类算法，可以对不同施氮量、不同光照、不同生长时期小麦冠层图像的进行分割.何建斌等[19]采用K均值聚类和数学形态学相结合的方法实现了小麦植株与背景的分离.陈含等[20]通过基于Sobel算子的边缘检测方法实现了小麦麦穗图像的分割.李明等[1]提出了一种改进动态阈值分割方法能够以较高精度提取小麦的叶面积指数.目前针对小麦的图像分割大都是基于有人工参与的有监督的图像分割，在实际操作中往往因效率低下、工作量大等缺点而难于投入实际应用.因此，一种智能化的、自动的、无监督的图像分割方法对促进小麦图像识别、营养诊断等方面的研究尤为重要.本研究通过采集大田环境下的小麦图像，基于RGB颜色空间与马氏距离，构建了一个无监督图像分割模型，为图像处理技术在小麦生产中的推广应用奠定了理论基础，并为推动小麦生产的农业信息化进程提供了技术依据.

1 试验材料的获取

试验图像为小麦拔节期图像，采集时间为2013年的3月和4月，在河南农业大学科教园区进行.图像采集的小麦品种有：矮早8(AZ8)、衡观35(HG35)、新麦19(XM19)、偃展4110(YZ4110)、豫麦49-198(YM49-198)和郑麦366(ZM366).图像采集均选择光照充沛、晴朗无风的天气于11：00—14：00之间进行.采集日期分别为：2013-03-15，03-22，04-02，04-08，04-15，04-23.

图像采集设备为数码相机，型号为Canon EOS 5D Mark2，传感器类型为CMOS，传感器尺寸为全画幅(36 mm×24 mm)，有效像素为2 110万，图像分辨率为5 616×3 744.在进行图像采集时，像机设置为自动对焦，光圈优先，快门速度使用相机默认，关闭闪光灯，感光度为相机默认(ISO 100～ISO 6 400)，自动白平衡，图像存储格式为CR2(RAW格式，RAW格式为数码相机传感器捕获图像的原始数字底片，它保留了大部分的图像信息).图像拍摄角度为逆光45°，最大程度上避免叶片反射造成的颜色信息丢失.

2 无监督图像分割模型的构建

2.1基于马氏距离的图像分割算法

在目前的彩色模型中，常用于图像处理的彩色模型主要的RGB，HSI，L*a*b*等.其中，RGB彩色模型是基于硬件的颜色表示方式，在图像处理中，所有其他的彩色模型都需要从RGB彩色模型经过相应的变换得到，最终的处理结果也要返回到RGB彩色模型中来.从图像的采集到结果图像的显示，RGB彩色模型都是唯一的图像色彩组织方式.故本研究选取RGB彩色模型来进行图像分割.

图1 RGB 彩色模型Fig.1 The RGB color model

在RGB彩色模型中，图像的颜色是由红、绿、蓝3种原色分量组合而成，其颜色分布是基于笛卡尔坐标系，如图1所示.对于小麦图像，假设小麦叶片的颜色是相似的并且分布在彩色模型中的一定区域，那么就可以对图像中的颜色通过空间距离来进行分类以完成小麦叶片与背景的分割.

马氏距离是由印度统计学家MAHALANOBIS提出的，是一种通过数据的协方差距离来检验数据相似度的一种方法，见公式(1).向量z表示颜色空间中的任意一点，向量a为小麦颜色区域的一个平均颜色估计，C为小麦颜色区域样本点的协方差矩阵.满足条件D(z,a)≤D0的点的轨道描述了一个三维椭球体，如图2所示.在小麦图像中，对每一个像素点进行分类，落入到该椭球体内的像素点为小麦颜色进行保留，否则视为背景颜色并删除.

(1)

图2 RGB彩色模型中的颜色分割区域Fig.2 Segment area of RGB color model

通过马氏距离对图像进行分割的算法如下：

(⊕：代表矩阵中对应位置相乘.)

(1)对于待分割的图像F，提取其感兴趣的区域mask，mask是感兴趣区域所有像素的RGB颜色值的集合.

(2)对mask重新排列为一个N行3列的矩阵I.

(3)计算矩阵I的均值m和协方差矩阵C，均值m确定了图所示的颜色空间中的椭圆中心点，矩阵C确定了该椭圆的空间方向.

(4)定义矩阵f为与原图像大小相同的二值图像，对原图像F，对其中的每个像素点进行距离计算，大于D0的像素点在f中赋值为0，否则赋值为1.

(5)f为分割后的图像，通过与原图像F执行⊕运算可得到分割后的彩色图像F’.

通过该算法对小麦图像进行分割，分割所得结果是二值图像f及彩色图像F’，图像分割效果如图3所示.

图3 小麦图像分割效果Fig.3 The result of wheat image segmentation

2.2图像颜色信息分布

图像分割的二值图像反映了原始图像中小麦像素与背景像素的索引(其中，1代表小麦像素位置，0代表背景相像位置)，根据索引可以得到原图像中代表小麦像素点及代表背景像素点的颜色样本，该样本能够反映小麦颜色及其背景颜色在RGB颜色空间中的分布情况.以往的研究常使用直方图来分析图像颜色，直方图虽然可以从整体上反映出图像的颜色分布情况，但只能针对各颜色通道，忽略了各颜色通道之间的空间关系.本研究通过在颜色空间中进行像素描点来反映图像的颜色分布.图4为不同视角下小麦颜色及背景颜色在RGB颜色空间中的分布情况.从图4可以看出，小麦颜色点及背景颜色点分别聚集成群，点集无混沌交叉，说明通过该算法进行图像分割是可行的，分割结果明显.另外，点集之间有明显区域性接触，可能是小麦株体阴影区域颜色造成的，对分割结果并未造成影响.

2.3小麦图像无监督分割模型构建

前面所述图像分割算法是在有人工参与选择感兴趣区域的条件下进行的一种有监督分割方法.为了构建小麦图像的无监督分割模型，本研究选取每个品种有代表性的图像样本30个，对每个图像样本进行有监督分割，得到各图像的小麦颜色样本点集，并合并为总体颜色样本点集，计算该总体样本点集的均值m和协方差矩阵C作为模型特征向量.该特征向量表征了所有图像中的小麦颜色样本在颜色空间中的分布区域，然后使用该特征向量对每幅图像进行分割，以实现对小麦图像的无监督分割，其处理流程如图5所示.

为了验证该模型的分割精度，将采用无监督分割模型的分割结果与采用有人工参与的分割方案进行比较.通过2种分割方法分别对每一幅原始图像进行分割，并对结果图像中像素点逐一比对得到相异像素点数目X，把X与像素总体S之比作为2种分割方法的相对差异.表1给出了选择不同样本数进行实现所得到的平均相对差异，从表1可以看出，2种分割方法的差异在19%以下，说明自动分割结果已经接近了有人工参与的分割结果.通过该无监督分割方法进行小麦图像的图像分割是可行的.

图6直观的给出了2种分割方法得到的图像分割结果.从图6可以看出，2种分割结果存在着一定的差异性，后者存留有更多的像素点，这是造成分割差异的主要原因.由于有监督的图像分割方法是在有人工参与选择感兴趣区域的情况下进行的，每次产生的分割结果并不一致，也是导致分割差异的原因之一.

图4 小麦及背景像素在颜色空间中的分布Fig.4 Distribution in color space of wheat and background pixels

图5 小麦图像无监督分割流程Fig.5 Workflow of wheat unsupervised image segmentation

表1 无监督图像分割方法的相对差异Table 1 Relative difference rate usingunsupervised image segmentation

图6 2种分割法的图像分割结果Fig.6 Result images of two image segmentation

3 结语

为了实现小麦图像的无监督分割，本研究通过数码相机采集了大田环境下6个品种的小麦群体图像，并通过与马氏距离算法相结果，提出了一种基于RGB颜色空间的图像分割方法，构建了一个无监督分割模型，并应用此模型对小麦彩色群体图像的颜色信息进行分类.试验结果表明，通过该方法能够有效地利用颜色空间信息分离图像中的小麦图像与背景图像，与有监督分割相比，分割差异在19%以下，达到了与有监督图像分割近似的结果，同时消除了人工参与的不确定因素，且提高了分割速度.另外，由于本研究选取的图像均为小麦拔节期图像，方法选取和模型构建可以为小麦其它生长阶段类似问题的解决提供思路，但其是否适合于所有时期的小麦图像还有待进一步的研究与更多图像数据的验证.

[1] 李 明,张长利,房俊龙.基于图像处理技术的小麦叶面积指数的提取[J].农业工程学报,2010,26(1):205-208.

[2] 王桂琴,郑丽敏,朱 虹,等.图像处理技术在冬小麦叶面积指数测定中的应用[J].麦类作物学报,2004,24(4):108-112.

[3] 李少昆,索兴梅,白中英,等.基于BP神经网络的小麦群体图像特征识别[J].中国农业科学, 2002,35(6):616-620.

[4] 单成钢,廖树华,梁振兴,等.小麦群体图像特征识别方法的研究[J].作物学报,2004,30(12):1281-1283.

[5] 肖 波,索兴梅,白中英.应用神经网络方法解决小麦高产群体图像识别[J].计算机应用研究,2004(4):240-242.

[6] 李 明,张长利,王晓楠.基于图像处理技术的小麦形态检测方法研究[J].东北农业大学学报,2009, 40(4):111-115.

[7] 朱伟兴,金飞剑,谈蓉蓉.基于颜色特征与多层同质性分割算法的麦田杂草识别[J].农业机械学报,2007,38(12):120-124.

[8] 宋振伟,文新亚,张志鹏,等.基于数字图像技术的冬小麦不同施氮和灌溉处理颜色特征分析[J].中国农学通报,2010,26(14):350-355.

[9] KAWASHING S, NAKATANI M. An algorithm forestimating cholorophyll content in leaves using a video camera[J]. Ann Bot, 1998, 81: 49-54.

[10] ADAMSEN F J, PRINTER P J, BARNES E M, et al. Measuring wheat senescence with a digital camera[J]. Crop Science, 1999,39:719-724.

[11] JIA L L, CHENG X P. Use of digital camera to assess nitrogen status of winter wheat in the northern China Plain[J]. Journal of Plant Nutrition, 2004,27(3):441-450.

[12] 毕 昆,姜 盼,李 磊,等.基于形态学图像处理的麦穗形态特征无损测量[J].农业工程学报,2010, 26(12):212-216.

[13] 龚红菊,姬长英.基于图像处理技术的麦穗产量测量方法[J].农业机械学报,2007,38(12):116-119.

[14] 何胜美,李仲来,何中虎.基于图像识别的小麦品种分类研究[J].中国农业科学,2005,38(9):1869-1875.

[15] 邵 庆,张 楠,路 阳.小麦病害图像识别处理及形状特征提取研究[J].农机化研究,2013,8(8):35-38.

[16] 林开颜,吴军辉,徐立鸿.彩色图像分割方法综述[J].中国图像图形学报,2005,10(1):1-10.

[17] 单成钢,廖树华,龚 宇,等.应用数字图像技术估测冬小麦冠层生物量垂直分布特征的研究[J].作物学报,2007,33(3):419-424.

[18] 黄 芬,于 琪,姚 霞,等.小麦冠层图像H分量的K均值聚类分割[J].计算机工程与应用,2014,50(3):129-134.

[19] 何建斌,梁 威,李晓明.基于K均值聚类和数学形态学的小麦彩色图像分割[J].浙江农业学报,2011,23(4):829-832.

[20] 陈 含,吕行军,田凤珍,等.基于Sobel算子边缘检测的麦穗图像分割[J].农机化研究,2013,3(3):33-36.

(责任编辑：蒋国良)

ResearchonunsupervisedwheatcolorimagesegmentationusingMahalanobisdistance

SHI Lei1, 2, PANG Xiao-dan1,YAN Yu3, MA Xin-ming1, 2, XI Lei1, 2
(1.College of Information and Management Science, Henan Agricultural University, Zhengzhou 450002, China; 2.Collaborative Innovation Center of Henan Grain Crops; Zhengzhou 450002, China; 3.School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University, Shanghai 200240,China)

In order to realize unsupervised wheat color image segmentation, wheat pictures of 6 varieties under field environment were taken, and an unsupervised segment model was built by classifying the image pixels using Mahalanobis distance based on RGB color space. The result showed that the wheat target can be segmented from background rapidly by this model. The segmenting effect corresponds with that of the supervised segmentation and the difference was less than 19%. This unsupervised model could be used to segment the wheat image.

wheat; image processing; unsupervised image segmentation

1000-2340(2014)06-0780-05

TP391.41

：A

2014-05-20

河南省重大科技专项(13220110025)；河南现代农业产业技术体系(S2010-01-G04)；“十二五”国家科技支撑计划(2014BAD10B06)

时 雷，1979年生，女，河南遂平人，副教授，博士，主要从事农业信息技术研究.

马新明，1962年生，男，河南许昌人，教授，博士生导师.