基于杂草图像处理的阈值分割算法研究①

朱超冉, 张春雨

(1.安徽工程大学机械工程学院,安徽 芜湖 241000;2.安徽科技学院机械工程学院,安徽 凤阳 233100)

0 引 言

目前来说化学除草仍然是人们最常用的除草方式,但是其弊端也是越来越突出[1],比如长期使用化学除草剂不仅会给环境带来负荷,而且最终还会危害人类。因此,研究人员不得不重新寻找一种新型的除草方式,就这样智能除草机器人诞生了。除草机器人这几年也发展的迅速,除草机器人结合多种技术[2],计算机视觉技术、图像处理技术等,对采集的杂草图像进行识别,然后驱动除草装置进行除草的智能化形式。

阈值分割法主要是利用待获取的目标对象和图像背景间的灰度特征差别,通过将目标图像看成是互不相等的两个灰度区域,然后再根据一个适当的阈值来确定图像中的像素点到底属不属于目标区域,由此产生相对应的二值图像[3-4]。

针对采集到的杂草图像进行预处理进而图像分割[5-7],减轻后续进行图像识别的准备工作。

1 图像阈值分割算法

1.1 大津阈值分割(OTSU)

OTSU 算法被称为最大类间算法[8],也被人们叫做大津算法。

设图像I(x,y)当中的背景和前景的分割阈值表示为T ,前景当中的像素点在整个图像的比例表示为w0,其平均灰度等级为μ0;背景当中的像素点在整个图像的比例为w1,其平均灰度等级为μ1。图像的总平均灰度等级表示为μ ,类间方差记作g 。

如果处理的图像背景不是那么亮,整个图像的大小为M ×N ,在整个图像中灰度值小于阈值T的像素表示为N0,灰度值大于阈值T 的像素表示为N1,那么:

1.2 迭代法阈值分割

迭代法的主要思想是逼近,主要步骤如下:

①求出图像的最大灰度值和最小灰度值,分别记为Zmax和Zmin,使得初始阈值

②根据阈值T将图像分成两个区域,求出各自区域的平均灰度值Z0和Zb;

③新阈值公式如式(9):

④如果Tk =Tk+1,即为所求,否则重新进行迭代计算。

1.3 最大熵阈值分割法

(1)熵是用来描述分布均匀程度,熵越大,分布越均匀;熵越小,说明分布的越分散。熵的定义:

(2)最大熵阈值分割

设定一个阈值(0≤q＜K -1),图像分割的两个图像区域C0和C1,概率密度函数为[9]:

P0q（）,P1q（） 分别表示的是图像背景和前景的累积概率,两者加起来等于1。其对应的公式如下:

2 杂草图像阈值分割实验与分析

仿真实验运用MATLAB 软件进行图像阈值分割处理,进行图像处理的图片是采集自农田中经常出现的几种杂草之一狗尾草如图1,图2所示,下面是处理的结果。

2.1 超绿灰度化处理

RGB模型是通过R(红)G(绿)B(蓝)三种颜色的光重叠在一起来达到混色的效果。灰度化是将彩色图像的R,G,B 分量互相相等的过程,即R=G=B。其实在实际操作过程中我们只需要灰度图像中的信息,所以进行灰度化处理的一个重要原因是为了提高运算速度。

采用的是超绿灰度化进行灰度化处理,因为超绿灰度化能更好的提取绿色植物图像,植物部分更加突显,土壤和阴影部分被明显抑制。图1,2是运用MATLAB进行超绿灰度化的结果。

图1 狗尾草原图 图2 超绿灰度化

2.2 直方图均衡化

直方图均衡化[10]是图像处理当中一种相当有效的图像加强的手段,图像中的像素的灰度通过图像的直方图来改变,目的是为了加强动态范围较小的图像的对比度。通过直方图均衡化方式可以把采集到的图像直方图变成相对均匀分布的情形,这样以来相对拓宽了像素与像素之间的灰度值差的动态范围,进而得到加强整个图像对比度的结果。

运用MATLAB进行处理,处理结果如图3-图7所示。

图3 adapthistep均衡 图4 histep均衡

图7 histep均衡后直方图

图5 原图直方图

图6 adathistep均衡后直方图

由原图的直方图可以明显的看出,中间有个小山峰凸起,经过adathistep和histep函数处理之后图像变得很平缓,趋于一条直线。通常在一张直方图中,左半边代表的是暗部的信息,右半部分代表的是亮部的信息。可以看出,原图处理前是左半部分比较高,说明它暗部的信息比较多,经过直方图均衡化后两边都比较平均,增加图像的对比度使得图像中间的波峰降低,左右两边的信息量增加。图像的灰度等级在均衡化后会降低,一些细节会丢失。

2.3 实验结果

对进行阈值分割的算法进行MATLAB仿真,图像经过阈值分割处理,表1显示了三种阈值分割算法的比较结果分析。

表1 阈值分割算法结果

图8-图10,三种图像分割算法对比分析,如图10最大熵阈值分割算法不适合杂草图像分割,分割之后的图像效果没有达到预期,当我们需要的那部分与背景相比灰度差不是很明显时,图像分割的结果就不尽人意,因为这种算法对噪声方面很敏感。如图8的大津阈值分割算法就可以很明显的看到狗尾草的图像。如图9 迭代法阈值分割结果虽然可以清楚的看到狗尾草图像,但是存在噪声,这是自然产生的。所以杂草图像阈值分割处理方面,选用大津阈值算法较为合适。

图8 大津阈值分割

图9 迭代法阈值分割

图10 最大熵阈值分割

3 结 论

通过对图像进行预处理,然后分析三种阈值分割算法得出的结果,分析结论如下:

1)最大熵阈值分割法对于目标的体积和噪声的大小比较敏感,目标图像与背景分离的效果较差;

2)迭代法阈值分割迭代的速度很快,但是存在噪声,对后续处理有影响;

3)大津阈值分割的图像信噪比(SNR)最高,标准差(STD)最小,图像阈值分割效果最好。