自然图像中的绿色植物提取

李小敏 贾春鹤

(1. 广东省地图院, 广东 广州 511500; 2. 泗水县自然资源和规划局, 山东 济宁 273200)

0 引言

随着现代科学技术的发展,利用计算机对图像进行识别变得越来越流行。在农田中通过图像来识别绿色作物,有利于向智慧农业的方向发展。同时便于监测绿色植被的变化情况,在日常监测中可以节省大量劳动力。首先要解决的问题是如何提取绿色作物信息。肖太平[1]采用面向对象分割技术对图像进行分割处理,然后利用植被的光谱特征和空间信息特征构造知识库,实现对植被的提取工作。面向对象处理能够较好地利用图像的空间信息特征,但工作量较大,较难应用在实际应用中。马海艺等[2]通过对全卷积神经网络模型进行改进,提高了植被提取精度,有效减弱噪声影响。但该方法需要大量的训练数据才能获得较好的模型参数。王蓉等[3]采用随机森林算法,结合主成分分析、红边归一化植被指数和纹理特征提取了冬季小麦种植信息。魏瑄[4]提出了一种基于纹理特征的湿地植被群落自动分类算法,通过实验证明,该方法在湿地植被提取的过程中较为有效。董心玉等[5]采用面向对象的分类方法,对植被的信息进行分类处理,提高了分类的精度。陶佳等[6]针对植被遥感图像分类识别需求,采用马尔科夫和遗传算法对图像进行处理,证明了该方法在图像分割中是较为有效的。潘黄儒等[7]基于影像数据,通过最大值合成法、趋势分析法、线性回归以及相关分析等研究方法,分析了某一地区在较长时间段内植被覆盖时空演变与动态变化规律。王美琪等[8]通过RGB(红(R)、绿(G)、蓝(B))颜色空间转换为HSV(色相(Hue)、饱和度(Saturation)、亮度(Value))颜色空间的方式,限定H和S的值获取绿色植被信息。袁金国等[9]利用CBERS影像数据对冬小麦进行信息提取。叶满珠[10]对绿色植被二级分类计算机解译方法进行了研究。王小刚[11]采用了分水岭变换的多尺度方法对遥感图像进行试验分析。孙培蕾等[12]采用贝叶斯框架和γ分布对合成孔径雷达(Synthetic Aperture Radar,SAR)图像分割研究,获得了较高的精度。遥感影像可用波段较多[13],但获取有效遥感影像数据的时效性较差。随着无人机技术的发展,当下获取自然图像较容易,且具有较高的时效性。因此，如何更好地利用自然图像波段提取地物是一个急需解决的问题。本文以自然图像为基础,通过突出颜色信息,结合分割技术将绿色植被提取出来。利用自然图像提取绿色植被信息的研究有利于智慧农业的方向发展。

1 研究方法

图像分割是地物提取过程中的一个重要环节,由于直接对植被图像进行分割效果不是很好,这主要是因为在图像分割中仅考虑到灰度值的大小。若采用一定的方法将颜色信息转化为灰度信息,使得绿色信息偏离其他颜色信息,就可以将图像中的绿色信息提取出来。对于一幅图像,它的直方图反映了该图像的基本特征。如图1所示。

图1 灰度图像及直方图

从图1(b)中可以看出,该图像的灰度直方图为单峰,不易分割,若采用大津阈值分割法,阈值的确定将成为主要问题,此时大津阈值法得到的阈值不能很好地将图像分割开。考虑到图像的变化检测方法中的差值法。对自然图像来说有R、G和B三个波段。因此能否将差值法应用到同一幅图像处理上,如果利用绿色波段与红色波段作差,理论上来说,绿色区域会和背景色区分开。在灰度图像上则表现为灰度值的不同。通过对灰度图像的分割,从而实现绿色植被与背景的分割。假设自然图像用X表示,则X1表示图像的第一波段,X2表示图像的第二波段,X3表示图像的第三波段,其中第二波段为绿色波段。通过三个波段的合成获得自然图像。当然在获得自然图像后也可以将其分解为R、G和B三个波段。如果用Di,j表示为第j波段和第i波段的差值。那么差值图像可以用公式(1)表示:

Di,j=Xj-Xi

(1)

为突出绿色植被信息,采用两倍的第二波段数据减去第一和第三波段数据。这样绿色信息同背景信息分离开,就实现了将颜色信息转化为灰度信息,便于图像分割处理。颜色信息转化为灰度信息后,反映在灰度信息上就有聚集和离散的趋势。背景信息则趋向于一致性,绿色植被信息表现为聚集在某一范围内。若用D表示转化后的图像。则可用公式(2)表示:

D=2X2-X1-X3

(2)

这样就可以得到转化后的图像。在新的图像中保留了原有绿色植被信息,使背景信息得到了简化。也符合颜色视觉规律特征,便于图像的分割处理。为绿色植物的提取提供了有效的数据保障。通常经过差值处理后的图像灰度直方图如图2所示。

图2 差值处理后灰度直方图

从图2可以看出,通过差值处理,背景信息主要集中在0附近,绿色植被信息主要集中在另一个峰值附近,较好的将图像的灰度直方图从单峰转化到双峰,从而解决了分割难题。对于双峰灰度图像,采用大津阈值分割法可以得到较好的分割效果。对于大津阈值分割的思想就是:当类间差最大时,即得到最佳阈值。若类间差用σ表示,则用公式(3)表示:

(3)

其中u0和u1代表两个集合中的均值，w0和w1代表两个集合分别出现的概率。当σ的值最大时,阈值就达到了最佳值。通过图像差值和图像分割处理,可以简便有效的自动获取绿色植被信息。

2 实例分析

2.1 数据采集

随机用相机采样3幅图片,利用绿色波段同红色波段和蓝色波段做差。得到的灰度图像就是差异图,在差异图中,绿色植被就会突出,背景色就会得到一定的抑制,这样就可以通过灰度阈值分割图像,从而实现绿色植物的提取。为验证本文方法,在公园内,不同地块中采集3幅图像。它们的背景也有所不同。

2.2 实验分析

本实验在MATLAB软件中进行编码实现,首先是对图像波段进行差值处理,获得波段差值图像。然后利用免疫遗传算法对差值图像进行分割。为验证算法的有效性,选择3幅不同的图像,做了3次实验。实验结果如表1所示。

表1 实验对比图

从表1中可以明显看出,对图像进行差值运算后,获得的分割结果要好很多。对绿色植被的提取很有效。在不同土壤为背景的条件下,差值免疫遗传分割都能获得很好的分割效果。从实验1和实验2可以看出,由于背景的不一致,直接利用分割算法得到的分割图,误差很大,不能有效将目标和背景分割开,但通过差值,就可以很好地解决这个问题。从实验3中能够看出,图像分割受到光照影响,光照强的地方灰度值高,光照弱的地方灰度值较低,直接对图像进行分割,会如实验3所示,暗色的土壤和绿色的植被同时被分割出来。枯草和强光路面被归为了背景。而加入波段差值,则这些问题就很好地得到了解决。

3 结束语

本文通过引入波段差值,对图像进行差值运算,获得差异图。然后在利用分割算法对差异图进行分割,获得最终的分割图。通过对图像作差处理,有效地将背景亮度降低,使得目标突出。通过实验对比,本文提出的方法对绿色植被进行分割是很有效的,在直接利用分割算法获得不理想的分割图后,通过差值再利用分割算法可以得到让人很满意的分割效果,实验中对不同背景的绿色植被进行分割,都是能够有效快速地分割出目标和背景。在绿色植被的提取中有着重要的实用价值。由于是利用颜色信息进行的提取,在植被提取过程中,可能也会将绿色非植被地物误提取出来。下一步需要增加纹理信息进行改进,提高提取精度。