农作物图像分割算法综述

郑小南，杨凡，李富忠

（山西农业大学软件学院，太谷 030801）

0 引言

近年来，在智慧农业概念的大力推广下，传统农业耕作已被逐渐摒弃，农业开始朝着智能化、自动化方向发展。早在20 世纪70 年代，图像处理技术开始应用到农业领域[1]，主要应用于作物病害识别[2]、表型监测[3]、品质分级[4]等方面，极大提高了农业耕作效率和农作物产量。

图像分割是根据图像的灰度值差异，把图像分解划分为若干个区域，研究者从中提取出自己感兴趣区域的过程[5]。图像分割作为图像处理中的关键一环，对图像分析结果有很大的影响。通过图像分割技术，可以高效、无损的获取农作物信息，帮助农民实时了解农作物生长动态，更好的管理农作物。本文主要通过对基于阈值、基于聚类、基于边缘和基于深度学习四种图像分割方法在农作物分割的应用进展进行综述，为后期农作物的图像分割研究提供一定的理论基础。

1 基于阈值的农作物分割

阈值分割算法的基本原理是结合图像的灰度特征计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值进行比较，最后根据比较的结果将像素划分到相应的类别。因此，阈值分割算法的关键是根据一定的准则来求出最优灰度阈值。阈值分割是一种传统的分割算法，因其操作简单，稳定性强，在农业中得到了广泛的应用。袁南星等人[6]运用阈值分割将水稻的杂株进行识别，有利于在水稻育种中排出杂株的危害，结果显示，水稻秧苗期杂株性状少，不易识别，但在水稻抽穗期具有良好的识别效果。梁丽秀等人[7]提出了一种水稻根系分割的综合算法，将形态特征的局部阈值分割算法和自适应阈值分割算法结合，可以有效的将水稻根系的细小根须从图像中分割出来，且保证了根须的连续性。张永梅等人[8]提出了一种成熟花椒果实自动识别的技术，该技术中首先将花椒图像在RGB 和HSV 两种颜色模型下的R 和H 分量提取，然后利用阈值分割算法对花椒果实进行分割。再在分割结果的基础上实现花椒果实采摘点的精确定位。结果显示，对不同光照下的花椒果实均有较好的分割效果，采摘点的选择误差也较小，为后期花椒采摘机器人的研究奠定了一定的基础。Peng 等人[9]基于数字图像处理技术，对石榴的叶绿素进行预测。首先对石榴图像进行阈值分割、噪声处理、背景分离等，以去除背景和噪声干扰。然后通过层叠稀疏自编码（SSAE）网络自动学习叶片RGB 图像的内在特征，获得简洁的数据特征。最后，建立了叶片RGB 图像特征与其SPAD 值之间的预测模型，以此对石榴叶片叶绿素含量进行预测。结果表明，本研究中深度神经网络叶绿素含量检测的准确性和自动化程度均高于传统的机器学习方法。

2 基于聚类的农作物分割

聚类分割主要是将一些相互独立的模式，按一定的相似性进行组合的过程，即同一类别中相似性要比不同类别的相似性更高[10]。聚类分割一般应用于边缘模糊，背景复杂的情况下，相比传统的分割算法，聚类分割具有无监督、高效等优势，现农业中应用最广的聚类算法主要是模糊C 均值算法和K 均值聚类算法。刘智杭等人[11]提出了一种将K-means 算法和局部异常因子（LOF）算法相结合的图像分割算法，对运用LOF 算法筛选过的像素点集合进行k 均值聚类，该方法可以降低孤立点和离群点的影响，实验表明，该算法可以对不同背景和光照下的葡萄果穗精准分割。Van Huy Pham 等人[12]提出了一种基于分割和归并的混合算法，用于水果缺陷检测的图像分割。该算法首先使用K-means 算法将原始图像划分为多个区域，然后使用最小生成树的合并过程，以将相似区域迭代合并为新的区域。这种组合是一种有效的方法，对缺陷分割精度和分割速度方面都呈现出了良好的效果。Yang Yu 等人[13]提出了一种基于多图像特征和加权k 均值聚类算法的快速有效的苹果自动分级方法。该方法提供了一种利用四个图像（顶部、底部和两侧）和每个苹果的平均灰度值来区分苹果缺陷、茎和花萼的新方法。结果显示，用该方法分级的总准确率大于96%。迟德霞等人[14]运用模糊C 均值聚类算法对稻田里的水稻秧苗进行分割，对图像中的泡沫、水、秧苗等物体的RGB 值进行提取，选取正交彩色空间I3 颜色分量灰度值作为样本数据进行聚类处理，结果表明，m=2 时，可以较好地将水稻秧苗从背景中分割出来，平均误差率1.5%。

3 基于边缘的农作物分割

基于边缘检测的图像分割是先确定研究者感兴趣的区域边缘像素，然后再把这些边缘像素连接起来，就组成了分割的目标区域边界。反映到图像中的灰度，即灰度值发生突变的区域。较常见的边缘检测算子有：Prewitt 算子、Sobel 算子、Canny 算子和 Roberts 算子[15]。王建仑[16]提出了一种田间叶片分割和图像三维重建的新方法，图像分割主要采用Canny 和OTSU 相结合的方法，去除了复杂背景的干扰，对算法进行优化后，有效地将叶子边缘区域完整分割，实验表明，田间叶子分割精度为72.5%。冯青春等人[17]通过将阈值分割和Robert 边缘检测算子相结合，分割出黄瓜果实的目标区域，并以此确定黄瓜机器人的目标采摘区域，实验显示该算法有效地减少了定位误差，定位精度可达2 mm。Long Li 等人[18]研制了一种用于苹果表面损伤和内部品质检测的光学传感系统。研究了等高线提取与标记约束分水岭分割相结合的方法，解决了苹果图像中灰度不均匀的问题。实验中对300 个未损伤的苹果进行分割，正确分割率为97.3%。Xi Tian 等人[19]采用主成分分析（PCA）、伪彩色图像变换技术和改进的分水岭分割算法（IWSA）等图像处理方法，分析了基于声音和腐烂橘子的高光谱透射率扫描图像（325-1098 nm）进行衰减检测的可行性。将伪彩色图像中G 分量提取，增强病变组织与正常组织的图像对比度，然后利用IWSA 可以对橘子病变区域进行精准分割。陈含等[20]提出了一种基于Sobel 算子，对小麦麦穗进行边缘检测并实现图像分割的方法，将该方法与最大值法、G 分量法和加权平均法进行比较，结果表明，运用Sobel 算子边缘分割可以有效地将小麦麦穗从复杂背景中分割出来，分割的效率和精度均优于以上三种算法。

4 基于深度学习的农作物分割

传统的图像分割需要研究者手动设置特征参数，这需要研究者在图像分割领域有一定的知识和经验，而且分割结果有时也不能满足研究者的需求[21]，近年来，深度学习成为当前的研究热点，该技术也被逐渐应用到农作物图像分割中，与传统的分割算法相比，分割性能有了很大的提升。熊雄[22]用三种基于深度学习的算法（即：Panicle-SEG、Panicle Net 和 Panicle Net v2）对稻穗分割，对比发现，基于深度学习的分割效果比传统的方法效果更优异，对细小稻穗的的敏感度更高，且三种分割算法中，Panicle Net v2 的分割效果最好。乔虹等人[23]运用Mask R-CNN 的分割算法对田间的葡萄叶片进行分割，该算法是对Faster R-CNN 进行优化来实现分割，实验结果显示，对不同天气（晴天、阴天）正常、病害、不同品种葡萄叶片分割的平均精度均大于88%。王鹏飞[24]通过Mask R-CNN 网络对玉米田间的杂草进行分割。将Mask R-CNN 网络和一些常见的图像分割网络对杂草分割效果进行对比，对比结果显示，当IoU=0.5 时，对玉米及杂草的边缘分割效果较好，平均精度为0.8133。Jin Shichao 等人[25]提出了一种结合深度学习和区域生长算法从陆地激光雷达数据中分割单个玉米的方法。运用R-CNN（基于区域的卷积神经网络）模型，对三个不同种植密度的地块进行试验。结果表明，深度学习与区域生长算法相结合的方法在玉米个体分割中具有较好的应用前景，三个种植密度不同的试验点的r、p、F 值均大于0.9。此外，算法切分的玉米高度与人工测量的高度高度相关（r2＞0.9）。

5 结语

农作物的图像分割主要是对农作物果实、叶片、根系等一些主要器官进行分割，为农作物生长状况实时监测，以及农业采摘机器人的研发提供了一定的理论基础。这种技术的使用，有效的解决了传统农业效率低、周期长、人为主观性强等不足，但随着该技术的大量推广与使用，图像分割中存在的一些弊端也逐渐呈现出来。①农作物种类繁多，现有的图像分割算法仅适用于一些特征显著，背景相对简单的情况，所以算法的性能还需要进一步的提高。②目前的图像分割算法不具有普遍性，对于不同的农作物，甚至相同农作物的不同形态背景，都需要研究适应的分割算法来实现。