基于可见光谱色彩指标Otsu法的水稻冠层图像分割

黄巧义，张 木，黄 旭，李 苹，付弘婷，张发宝，唐拴虎

（广东省农业科学院农业资源与环境研究所/农业部南方植物营养与肥料重点实验室/广东省养分资源循环利用与耕地保育重点实验室，广东 广州 510640）

水稻冠层图像的数字图像色彩分析须以精确识别、分割水稻和土壤（或水）背景为前提。基于人工的图像分割耗时耗力，计算机自动分割方法是图像分割的主流和方向。基于目标和背景的类间方差最大或类内方差最小为阈值选取准则的最大类间方差法（Otsu法）具备分割质量稳定、自适应强的特性，分割效果较好［7］。刘亚东等［8］通过CIEL*a*b*色彩空间的a*的Otsu法对冬小麦冠层图像的分割精度较高；方伟等［2］通过HSL色彩模型，应用阈值法对盆栽水稻图像进行了分割；Wang等［9］通过构建G-R色彩指标，发现水稻和土壤像元的G-R色彩指标取值和分布具有明显的双峰性，并将其应用于水稻冠层图像分割；Wang等［10］研究发现，CIEL*a*b*色彩空间的L*a*b*、H、RGB、VIGreen等色彩指标与水稻冠层叶绿素含量均有一定相关性。由此可见，基于色彩指标的阈值分割方法能实现对作物冠层图像中水稻像元和土壤像元的有效分割。但迄今为止，比较各种常用色彩指标的阈值分割方法应用于水稻冠层图像分割的定量比较尚未见报道。基于此，本研究通过在田间直接获取水稻冠层图像，利用水稻与土壤像元图像在单一分量上具有明显差异的色彩指标的Otsu法，对水稻冠层图像分割效果进行定量比较，以优化作物冠层图像分割效能，为水稻冠层数字图像分析技术提供技术支持。

1 材料与方法

1.1 研究区概况

试验区位于江门台山市都斛镇（112.58°E，22.05°N），地处广东省西南部属亚热带海洋性季风气候，年平均气温21.8℃，年均降雨量1 936 mm，无霜期达360 d以上。该区域属滨海三角洲平原，地势平坦，为典型双季稻产区，每年分别于3月上旬和8月上中旬进行早、晚稻插秧。试验地设在具有代表性的较大片农田之中，土壤为壤质黏土，pH值5.78，含有机质40.86 g/kg、碱解氮160.57 mg/kg、有效磷18.96 mg/kg、有效钾230.67 mg/kg。供试水稻品种为新宁丝苗和泰丰优208。

1.2 水稻冠层图像采集及预处理

2016年8月15、28日分别进行两次水稻冠层图像采集。水稻冠层图像采用1 230万有效像素的数码彩色相机（Nikon D90）进行拍摄，选用光圈优先模式，设定ISO感光度为自动，即自动白平衡、自动曝光、多点自动对焦，同时关闭闪光灯。相机镜头统一距水稻冠层顶部1 m，垂直向下拍摄，相片分辨率为4 288×2 848，以JPG格式储存。

数码相机为中心投影成像，相片距离投影中心越远，变形越大［11］。为减少相片几何畸变的影响，将相片采用9分法平均划分，取相片中心区域作为有效像元进行研究。

1.3 水稻冠层图像分割

1.3.1 图像色彩指数提取及计算 RGB色彩模式是数码相片最主要的色彩模式。色彩通过RGB三原色进行呈现，在8 bit图像中，当R=0、G=0、B=0时为黑色，R=255、G=255、B=255时为白色。利用R的EBImage包［12］获取图像的R、G、B，并进一步计算GLD、VIGreen、L*、a*、b*和H等6种色彩指数。绿度叶片指数（GLD）常被用于提取叶片像元，在植被与背景分割中广泛应用［11，13］；VIGreen也是一种广泛用于突出植被特征的一种指数［14-15］，计算公式为：

一是便捷性。 不断完善与发展的网络传播模式使得音乐信息的接收更加及时，人们随时随地只要打开手机、平板电脑等电子设备就可以查看最新发布的音乐信息，收听喜爱的音乐，突破了空间和时间的局限。

同时，CIEL*a*b*色彩空间的L*、a*、b*分量［8，10，14］和 HSV 色彩空间的 H 分量［10］均与水稻冠层叶绿素含量具有一定相关性，也被作为本研究的一个测试对象。

1.3.2 基于Otsu算法的图像分割 Otsu算法于1978年由Otsu提出，以其分割效果较好，在图像分割中广泛应用［7］。该算法通过计算目标和背景的最大类间方差，确定图像的分割阈值从而实现图像分割。本研究分别采用R、G、B、L*、a*、b*、H、GLD、VIgreen色彩指数对图像进行分割。

1.3.3 Otsu算法的图像分割精确度评价 分别随机从90张图像中的水稻和土壤部分复制一小块后人工拼成一张400×400像素的水稻图像和土壤图像，然后拼接成一张400×800的图像（图1，彩插一），构建不同构成比例的水稻-土壤像元图像，使水稻像元分别占整张图像的50%，作为评价分割方法和检验分割效果的参考样本。

利用 R、G、B、L*、a*、b*、H、GLD、VIGreen色彩指标对样本图像和评价图像实施分割以后计算分割精度，评价以水稻冠层图像的R、G、B、L*、a*、b*、H、GLD、VIGreen色彩指标，利用Otsu法进行图像分割的效果。

2 结果与分析

分别提取图1（彩插一）中水稻和土壤像元的各种色彩指标，并得到两种图像像元的R、G、B、L*、a*、b*、H、GLD、VIGreen色彩指标的密度直方图（图2）。从图2可以看出，a*、b*、GLD、VIGreen均有明显双峰性特征，且重叠性小，可作为分割水稻与土壤背景的候选色彩指标。而水稻和土壤像元的R、G、B、L*、H色彩指标交叉性大，区分度小，不具备分割水稻与土壤背景的条件。

以a*、b*、GLD、VIGreen色彩指标分别对样本图像（图1，彩插一）实施Otsu算法分割，并统计在水稻和土壤样本图像分割的像元中误判为土壤（水稻）像元的数量，计算分割精度。从表1可以看出，以a*、b*、GLD、VIGreen等4种色彩指标实施Otsu算法分割的精确度均在95%以上，且将水稻像元误判为土壤像元的概率较大。其中，以GLD色彩指标进行Otsu算法图像分割的精确度最高，其次是CIEL*a*b*色彩空间中的a*分量，且该色彩指标可以实现土壤图像的零误判；而以CIEL*a*b*色彩空间的b*分量进行Otsu算法图像分割的精确度相对较低。

基于a*、b*、GLD、VIGreen色彩指标进行Otsu算法图像分割的精确度显著受样本图像的采样影响，为了更明确各种算法对水稻图像分割的准确度，将误判像元定位并还原其原有RGB色彩模式（图3，彩插一）。从图3可以看出，基于CIEL*a*b*色彩空间的a*分量、b*分量和GLD进行Otsu算法图像分割对被遮盖的水稻下层叶片的误判率较高，且基于a*分量、GLD和VIGreen色彩指标进行Otsu算法图像分割常将黄化叶片像元误判为土壤，基于b*分量进行Otsu算法图像分割裸露的、没有青苔的土壤误判率较高，基于GLD进行Otsu算法图像将部分着生青苔的土壤误判为水稻，而基于VIgreen进行Otsu算法图像对淹水环境下形成的白色覆盖物误判率较大。

图2 人工合成的水稻和土壤图像相关色彩指数的分布频率

表1 基于Otsu的各种色彩指标对人工合成图像分割的准确度

从图4（彩插一）可以明显看出，基于CIEL*a*b*色彩空间的b*分量的Otsu算法分割可以将大部分黄色叶片分割出来（红色箭头），但同时也将部分土壤像元误判为水稻像元（白色箭头）；基于a*分量、GLD、VGreen的Otsu算法的分割效果较接近，均将黄色叶片判断为土壤像元，同时在叶片弯曲、扭转部位的噪点较多。

肉眼对图像分割效果的判决主观性较大，可通过对各种算法的分割效果的信噪比和分类误差率进行量化评价［16］，信噪比越大，分割结果越好。通过对图像进行人工分割得到参照图像，以及基于a*、b*、GLD、VGreen色彩指标的Otsu算法的分割结果图像进行逐元相似度比对，得到各种分割效果的信噪比。从表2可以看出，基于CIEL*a*b*色彩空间的a*分量的Otsu算法的信噪比最高、误差率最低、分割效果最好，其次是基于VIGreen的Otsu算法。

表2 基于不同色彩指标的Otsu法的水稻冠层图像分割结果的信噪比和分类误差率

3 结论与讨论

本研究通过提取计算水稻冠层图像多种图像色彩指标，其中目标像元（水稻）和背景像元（水和土壤）a*、b*、GLD、VIGreen色彩指标的分布频率双峰性明显，具备水稻冠层图像分割潜力。基于a*、GLD、VIGreen色彩指标的Otsu法对人工合成的水稻和土壤像元的分割精度均高于b*。基于a*色彩指标的Otsu法对水稻冠层图像分割效果的信噪比最大、误差率最低，是Otsu法水稻冠层图像分割较优的图像色彩指标。

可见光谱数字图像表征了红光（约600 nm）、绿光（约550 nm）、蓝光（约450 nm）3种光子通量的强度空间矩阵。绿色植物可见光谱冠层图像中，绿色植物（目标）与土壤或水（背景）对红光、绿光、蓝光的吸收特性有所不同：绿色植物存在绿光波段的反射峰和红、蓝光吸收谷，而土壤对红光的反射率较大［8］。本研究中，水稻和土壤像元的红光、绿光分布频率出现明显双峰，但重叠性较大，不利于图像分割。为了扩大目标和背景像元的差异度，孙涛等［11］和陆秀明等［17］通过构建绿色叶片指数（GLD：2G-R-B）作为分割阈值进行水稻冠层图像分割；Wang等［9］发现水稻冠层和非冠层像元的G-R值差异显著，并以其作为水稻冠层图像分割阈值。本研究通过构建GLD和VIGreen色彩指标，二者在水稻和背景像元的分布频度双峰性显著，以其灰化图进行Otsu法图像分割，均能获得较高的分割精确度和信噪比。这些图像色彩指标扩大了水稻和背景像元间绿光-红光的差异度，从而优化了水稻冠层图像的分割效果。

基于RGB色彩模式进行作物冠层图像分割效果显著受光照影响［6，18］。为了降低图像亮度差异对作物冠层图像分割的影响，常将RGB转化为不受亮度影响的色彩模式，如CIEL*a*b*色彩模型、HSI等［18］。CIEL*a*b*色彩空间的a*和b*分量分别表征红光-绿光和黄光-蓝光的色彩浓度，同时消除了亮度的干扰［10］。本研究结果表明，水稻冠层图像中水稻和背景像元的CIEL*a*b*色彩空间的a*和b*分量双峰性显著，且重叠性小，其中以a*分量进行Otsu法图像分割准确度最高。刘亚东等［8］也发现冬小麦和土壤像元间CIEL*a*b*色彩空间的a*分量具有明显双峰性，并以其对小麦冠层图像进行Otsu法分割；Macfarlane等［18］通过引入CIEL*a*b*色彩空间的a*和b*分量，降低亮度对基于RGB色彩指标图像分割效果的影响。本研究结果也表明，基于CIEL*a*b*色彩空间的a*分量的Otsu法进行水稻冠层图像分割的效果优于基于GLD和VIGreen色彩指标的Otsu法。

参考文献：

［1］Guo Wei，Fukatsu Tokihiro，Ninomiya Seishi.Automated characterization of flowering dynamics in rice using field-acquired time-series RGB images［J］. Plant Methods，2015，11（1）：7.

［2］方伟，冯慧，杨万能，等. 基于可见光成像的单株水稻植株地上部分生物量无损预测方法研究［J］. 中国农业科技导报，2015（03）：63-69.

［3］Fang H L，Li W J，Wei S S，et al. Seasonal variation of leaf area index（LAI）over paddy rice fields in NE China：Intercomparison of destructive sampling，LAI-2200，digital hemispherical photography（DHP），and AccuPAR methods［J］. Agricultural and Forest Meteorology，2014，198-199：126-141.

［4］Lee K J，Lee B W. Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis［J］. European Journal of Agronomy，2013，48：57-65.

［5］贾良良，范明生，张福锁，等. 应用数码相机进行水稻氮营养诊断［J］. 光谱学与光谱分析，2009（8）：2176-2179.

［6］Rafael M H，Ramon G G，Luis C M，et al.A review of methods for sensing the nitrogen status in plants：Advantages，disadvantages and recent advances［J］. Sensors，2013，13（8）：10823-10843.

［7］何志勇，孙立宁，黄伟国，等. 基于Otsu准则和直线截距直方图的阈值分割［J］. 光学精密工程，2012（10）：2315-2323.

［8］刘亚东，崔日鲜. 基于可见光光谱和随机森林算法的冬小麦冠层图像分割［J］. 光谱学与光谱分析，2015，35（12）：3480-3484.

［9］Wang Y，Wang D，Zhang G，et al. Estimating nitrogen status of rice using the image segmentation of G-R thresholding method［J］.Field Crops Research，2013，149：33-39.

［10］Wang Y，Wang D，Shi P，et al. Estimating rice chlorophyll content and leaf nitrogen concentration with a digital still color camera under natural light［J］. Plant Methods，2014，10（1）：36.

［11］孙涛，刘振波，葛云健，等. 基于数码相片Gamma校正的水稻叶面积指数估算［J］. 生态学报，2014（13）：3548-3557.

［12］Pau G，Fuchs F，Sklyar O，et al. EBImage—an R package for image processing with applications to cellular phenotypes［J］. Bioinformatics，2010，26（7）：979-981.

［13］Chianucci F，Disperati L，Guzzi D，et al.Estimation of canopy attributes in beech forests using true colour digital images from a small fixed-wing UAV［J］. International Journal of Applied Earth Observation and Geoinformation，2016，47：60-68.

［14］Rigon J P G，Capuani S，Fernandes D M，et al.A novel method for the estimation of soybean chlorophyll content using a smartphone and image analysis［J］. Photosynthetica，2016，54（4）：1-9.

［15］Li Y，Chen D，Walker C N，et al. Estimating the nitrogen status of crops using a digital camera［J］.Field Crops Research，2010，118（3）：221-227.

［16］范朝冬，张英杰，欧阳红林，等. 基于改进斜分Otsu法的回转窑火焰图像分割［J］. 自动化学报，2014（11）：2480-2489.

［17］陆秀明，黄庆，孙雪晨，等. 图像处理技术估测水稻叶面积指数的研究［J］. 中国农学通报，2011（3）：65-68.

［18］Macfarlane C，Ogden G N. Automated estimation of foliage cover in forest understorey from digital nadir images［J］. Methods in Ecology and Evolution，2012，3（2）：405-415.