基于顏色系數(shù)反向粒子群模型的田間作物分割方法

徐艷蕾，朱熾陽(yáng)，李陳孝，張 奇，孟笑天，王新東

0 引 言

機(jī)器視覺技術(shù)識(shí)別田間作物，具有實(shí)時(shí)性強(qiáng)、準(zhǔn)確性高的特點(diǎn)，該技術(shù)被廣泛應(yīng)用于農(nóng)機(jī)路徑導(dǎo)航、作物病斑識(shí)別以及雜草識(shí)別等領(lǐng)域。其中農(nóng)田作物分割是其關(guān)鍵技術(shù)，分割結(jié)果的好壞直接影響后續(xù)的處理結(jié)果。很多情況下，農(nóng)田作物分割需要在自然光照環(huán)境中進(jìn)行，光照強(qiáng)度、溫度變化等都會(huì)對(duì)分割結(jié)果產(chǎn)生影響[1]。同時(shí)，為了能夠保證農(nóng)田作業(yè)的實(shí)時(shí)性，對(duì)速度要求也越來(lái)越高。因此，研究一種自然光照條件下既能兼顧分割效果，同時(shí)滿足實(shí)時(shí)作業(yè)的農(nóng)田圖像分割算法是非常必要的。

在已有研究中，顏色分割是目前最為常用的分割方法[2]?，F(xiàn)階段利用顏色特征分割作物圖像的常用方法包括歸一化差異指數(shù)法NDI（normalised difference index）[3]、超綠法EXG（excess green index）[4]、植物顏色提取指數(shù)法CIVE（color index of vegetation extraction）[5]、紅綠歸一化差異指數(shù)法NGRDI（normalised green-red difference index）[6]和作物指數(shù)法VEG（vegetative index）[7]等。翟瑞芳等針對(duì)光照變化問(wèn)題利用高斯顏色模型對(duì)大田油菜圖像進(jìn)行分割，其誤差分割率為1.8%[8]；Bai等利用一種新的形態(tài)學(xué)建模方法建立作物在CIE(commission internationale de l’eclairage)空間內(nèi)的色彩模型，能夠在不同的天氣狀況下實(shí)現(xiàn)圖像分割[9]；陳曉倩等利用 SLIC(simple linear iteration cluster)方法和YCgCr顏色空間中的Cg分量為基礎(chǔ)，使用不同的分類器實(shí)現(xiàn)在光照偏強(qiáng)狀態(tài)下農(nóng)田彩色圖像分割[10]；Hernández-Hernández 等[11]利用一種新的概率方法選擇最佳的顏色空間，通過(guò)概率密度函數(shù)的非參數(shù)模型對(duì)植物與土壤進(jìn)行分割；伍艷蓮等[12]通過(guò)改進(jìn)均值漂移算法（MS，Mean-shift algorithm），采用自適應(yīng)設(shè)定帶寬的方法將綠色作物與土壤背景分割開來(lái)，其錯(cuò)分率在6.5%以下。

采用顏色特征分割農(nóng)田圖像可以有效提取前景（作物）與背景（土壤）信息，但就目前常用的顏色模型來(lái)說(shuō)，在充分保留作物形狀特征完整的前提下，并不能同時(shí)滿足速度與光照不敏感的要求。為此，一些研究將機(jī)器學(xué)習(xí)方法應(yīng)用到作物圖像分割問(wèn)題中，以期彌補(bǔ)傳統(tǒng)分割算法存在的缺陷[13-18]。Ruiz-Ruiz[14]結(jié)合環(huán)境自適應(yīng)顏色分割算法（EASA，environmentally adaptive segmentation algorithm），利用HSI顏色模型中的色調(diào)信息消除光照影響；Zheng等將Mean-shift算法與反向傳播神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法（BPNN，back propagation neural network）結(jié)合，利用綠色植被在RGB與HSI顏色空間內(nèi)特征對(duì)作物進(jìn)行分割，該方法的平均誤識(shí)別率為4.2%[15]；Guo等利用決策樹分割模型自適應(yīng)分割閾值，合理消除作物陰影區(qū)域[16]；Guerrero等提出一種基于支持向量機(jī)（SVM, support vector machine）的方法來(lái)識(shí)別綠色植物光譜，該方法能夠有效識(shí)別圖像中的枯萎雜草和缺損作物[17]。將機(jī)器學(xué)習(xí)算法與傳統(tǒng)分割方法相結(jié)合，在農(nóng)田作物目標(biāo)提取問(wèn)題中具有獨(dú)特的優(yōu)勢(shì)。這些方法在不同的光照條件下能夠顯示出更好的分割效果，但是由于機(jī)器學(xué)習(xí)算法結(jié)果依賴于一個(gè)訓(xùn)練階段，當(dāng)訓(xùn)練樣本較小時(shí)，分割效果并不理想，而使用在線學(xué)習(xí)方法對(duì)圖像進(jìn)行分割，處理速度較慢，難以應(yīng)用到實(shí)時(shí)作業(yè)中去[18-21]。

為解決上述方法中存在的不足，提高機(jī)器學(xué)習(xí)算法的實(shí)用價(jià)值，本文提出一種基于反向變異粒子群優(yōu)化顏色系數(shù)模型的田間作物分割方法。該分割方法分為離線和在線兩個(gè)部分。離線部分，本文提出一種反向變異策略（RM，reverse mutation）形成反向變異粒子群優(yōu)化（reverse mutation- particle swarm optimization，RM-PSO）算法，通過(guò)小樣本訓(xùn)練提取樣本圖像的最優(yōu)特征顏色系數(shù)，節(jié)省訓(xùn)練時(shí)間，降低外界環(huán)境變化對(duì)分割效果的干擾，并能提高算法全局搜索的準(zhǔn)確性，避免最優(yōu)粒子陷入局部最優(yōu)，保證算法的快速性和準(zhǔn)確性。在線實(shí)時(shí)采集圖像，采用離線提取的最優(yōu)顏色系數(shù)對(duì)作物圖像灰度化，進(jìn)而對(duì)圖像進(jìn)行閾值分割得到最終的分割結(jié)果。

1 反向變異粒子群優(yōu)化(RM-PSO)算法

PSO算法模擬鳥群覓食行為，通過(guò)個(gè)體間的信息交流與競(jìng)爭(zhēng)，搜索復(fù)雜空間的最優(yōu)解[22-25]。在PSO建立的速度位置搜索模型內(nèi)，每一個(gè)粒子都代表一個(gè)候選解，每一個(gè)解的優(yōu)劣程度由適應(yīng)度函數(shù)值決定，算法的基本原理如下：

假設(shè)在一個(gè)D維搜索空間內(nèi)，由n個(gè)粒子組成的群體X，種群內(nèi)第 i個(gè)粒子的空間位置為 Xi=(xi1, xi2··, xiD)T，根據(jù)每個(gè)粒子對(duì)應(yīng)位置的適應(yīng)度值，得到該粒子經(jīng)過(guò)的最優(yōu)位置 Pi=(Pi1, Pi2··, PiD)T，Pg=(Pg1, Pg2··, PgD)T是整個(gè)粒子群搜索到的最優(yōu)位置，每個(gè)粒子的飛行速度用Vi=(Vi1,Vi2··, ViD)T表示。其速度與位置更新策略如式（1）～（2）所示：

式中k代表當(dāng)前進(jìn)化代數(shù)；c1，c2是2個(gè)非負(fù)參數(shù)，用以控制粒子加速度；r1，r2為分布于[0，1]的隨機(jī)數(shù)；ω為慣性權(quán)重，起到平衡全局搜索、控制鄰代速度影響的作用，d表示為當(dāng)前維度（1≤d

1.1 粒子群反向策略（Reverse）

PSO算法對(duì)初值敏感，每個(gè)粒子的初始位置會(huì)直接影響算法的收斂速度，出現(xiàn)適應(yīng)度不佳粒子過(guò)多，進(jìn)而影響算法的有效搜索范圍。巢淵等[26]提出了反向?qū)W習(xí)算法，可以有效提高初始粒子整體質(zhì)量，加快粒子群收斂速度，擴(kuò)大有效搜索范圍，反向粒子定義如式（3）～（4）所示。

式中μ為[0,1]的隨機(jī)系數(shù)，Δ為反向中心點(diǎn)，ad、bd為全局搜索的最小與最大邊界值，Xid表示初始粒子群組中D維第i個(gè)粒子所在位置；為原始粒子生成的反向粒子。此方法先利用隨機(jī)比例系數(shù)確定中心點(diǎn)位置，再通過(guò)隨機(jī)中心點(diǎn)空間折疊確定反向粒子位置。但在彩色圖像提取最優(yōu)顏色系數(shù)組合問(wèn)題中，由于算法在多維空間內(nèi)進(jìn)行尋優(yōu)，顏色系數(shù)邊界范圍較小，容易造成反向解溢出邊界[27]。

針對(duì)以上問(wèn)題，本文通過(guò)生成有效反向量度粒子，增強(qiáng)初始粒子多樣性，利用隨機(jī)調(diào)節(jié)因子φ限制反向粒子范圍，克服了原算法粒子容易溢出的缺點(diǎn)。具體反向策略表達(dá)式如式（5）～（7）所示：

其中Δ內(nèi)含隨機(jī)調(diào)節(jié)因子φ，通過(guò)不斷調(diào)整反向中心點(diǎn)位置隨機(jī)生成反向粒子，確保反向粒子始終落在有效位置內(nèi)。得到反向粒子后，對(duì)原始粒子和反向粒子進(jìn)行適應(yīng)度函數(shù)優(yōu)劣度評(píng)價(jià)（適應(yīng)度函數(shù)的構(gòu)建在2.1節(jié)進(jìn)行詳細(xì)討論）。當(dāng)原始粒子質(zhì)量fit(Xid)更優(yōu)時(shí)，原始粒子保持不變并消除反向粒子；反之反向粒子替代原始粒子組成新的粒子群組，如式（8）所示。

利用隨機(jī)調(diào)節(jié)因子確定反向中心點(diǎn)，通過(guò)隨機(jī)中心點(diǎn)空間折疊確定反向粒子位置，可以提高初始粒子整體質(zhì)量，加快粒子群收斂速度，擴(kuò)大搜索范圍。

1.2 粒子群變異策略（Mutation）

在粒子群迭代過(guò)程中，當(dāng)粒子所在位置靠近局部最優(yōu)粒子時(shí)，容易早熟陷入局部最優(yōu)范圍。其主要原因是當(dāng)gdP 陷入局部最優(yōu)時(shí)，粒子惰性加大，其余粒子向惰性粒子靠攏，無(wú)法獲得最優(yōu)解?？挛髯儺惒呗訡M（cauchy mutation）[28-29]能夠?qū)θ肿顑?yōu)解進(jìn)行變異，但僅對(duì)gdP 進(jìn)行小范圍變異，存在一定的局限性，對(duì)一部分函數(shù)來(lái)說(shuō)不能取得較好的脫離效果。同時(shí)，連續(xù)對(duì)粒子進(jìn)行變異，影響算法的收斂速度，但不進(jìn)行變異，一旦粒子陷入局部最優(yōu)區(qū)域便難以逃離。

因此，本文提出一種新的變異策略對(duì)粒子群進(jìn)行調(diào)整。首先，引入變量L，對(duì)比粒子群內(nèi)粒子的更新速度與移動(dòng)距離，判斷粒子是否處于穩(wěn)定狀態(tài)：

式中 Psum為粒子群粒子總數(shù)，當(dāng)粒子滿足穩(wěn)定狀態(tài)條件時(shí)，計(jì)算全局平均粒子移動(dòng)速度，通過(guò)式（12），改變?cè)歼M(jìn)化速度，對(duì)惰性粒子位置進(jìn)行變異。N（0,1）為標(biāo)準(zhǔn)正態(tài)分布函數(shù)，T為粒子最大迭代次數(shù)。同時(shí)，為避免整個(gè)粒子群始終處于活躍狀態(tài)，無(wú)法收斂，增加限制條件，如式（13）所示。當(dāng)?shù)螖?shù)超過(guò)一定范圍停止對(duì)粒子進(jìn)行變異。

1.3 基于反向變異策略的粒子群優(yōu)化算法

本文提出的反向策略和變異策略應(yīng)用到傳統(tǒng)粒子群算法中，就形成了反向變異粒子群優(yōu)化（RM-PSO）算法。該算法利用反向策略，生成反向粒子群組，引入隨機(jī)調(diào)節(jié)因子調(diào)節(jié)反向中心點(diǎn)，增強(qiáng)粒子群搜索空間多樣性，避免反向粒子跳有效搜索空間。同時(shí)，對(duì)初始粒子與反向粒子進(jìn)行適應(yīng)度函數(shù)計(jì)算，若反向粒子質(zhì)量?jī)?yōu)于初始粒子，則根據(jù)式（8）對(duì)原始粒子進(jìn)行替代，從而提高初始粒子整體質(zhì)量。

組成新的初代粒子群后，對(duì)粒子進(jìn)行位置與速度更新。在新的粒子群迭代過(guò)程中，引入粒子穩(wěn)定性判定條件，形成新的位置更新策略，如式（14）所示，可以在不影響粒子正常收斂的情況下，通過(guò)對(duì)惰性粒子變異，幫助惰性粒子及時(shí)跳出局部最優(yōu)區(qū)域，提高粒子搜索精度。

2 基于RM-PSO算法的田間作物分割方法

通常情況下田間作物圖像為彩色圖像，因此首先對(duì)作物圖像進(jìn)行灰度化處理，對(duì)灰度圖像進(jìn)行二值化處理。圖像灰度化處理是關(guān)鍵步驟，灰度化處理的結(jié)果將直接影響分割效果。本文采用RM-PSO算法提取最優(yōu)顏色系數(shù)對(duì)作物圖像進(jìn)行灰度化處理。利用顏色系數(shù)將彩色圖像轉(zhuǎn)換成一維灰度圖像，如式（15）所示。

式中i，j代表像素位置，input為顏色系數(shù)，G(i,j)為彩色像素點(diǎn)一維灰度值。由式（15）可以看出，對(duì)圖像r、g、b顏色分量的提取相當(dāng)于在一個(gè)三維搜索空間內(nèi)選取最優(yōu)解問(wèn)題。

2.1 RM-PSO提取顏色系數(shù)的關(guān)鍵問(wèn)題

RM-PSO算法尋優(yōu)過(guò)程中，在不利用外部信息前提下，整個(gè)算法的收斂依據(jù)由適應(yīng)度函數(shù)來(lái)決定。

2.1.1 構(gòu)造適應(yīng)度函數(shù)

適應(yīng)度函數(shù)應(yīng)能準(zhǔn)確描述粒子優(yōu)劣程度，本文構(gòu)建了適應(yīng)度函數(shù)并對(duì)函數(shù)參數(shù)進(jìn)行設(shè)置。首先使用 GIMP（GNU image manipulation program）軟件對(duì)全部樣本圖片進(jìn)行人工處理，通過(guò)人工標(biāo)注的方式對(duì)圖片中難以識(shí)別的區(qū)域進(jìn)行標(biāo)注，得到符合用戶需求的二值矩陣 Fs。通過(guò)待測(cè)粒子r、g、b參數(shù)對(duì)樣本圖像進(jìn)行灰度化處理，再經(jīng)過(guò) OTSU函數(shù)對(duì)樣本圖像進(jìn)行分割，得到參數(shù)矩陣Ft。通過(guò)計(jì)算矩陣絕對(duì)差值和樣本圖像像素點(diǎn)總數(shù) Cn，求出樣本圖像適應(yīng)度函數(shù)值。

當(dāng)|Fs-Ft|值變小，兩幅圖像相似程度越高，適應(yīng)度函數(shù)值變大。也就是說(shuō)，當(dāng)利用待測(cè)粒子分割圖像更符合用戶要求時(shí)，算法的適應(yīng)度越好，符合描述粒子優(yōu)劣的要求。

2.1.2 構(gòu)造滿意度函數(shù)

通過(guò)RM-PSO提取最優(yōu)顏色系數(shù)，只能對(duì)單個(gè)樣本圖像進(jìn)行最優(yōu)值搜尋，在面對(duì)不同的外界環(huán)境干擾時(shí)，使用單一圖像提取最優(yōu)解對(duì)圖像進(jìn)行分割并不具有普適性。因此，本文將不同環(huán)境下采集的樣本圖片進(jìn)行分類并建立樣本數(shù)據(jù)庫(kù)，通過(guò)構(gòu)建滿意度模型，對(duì)數(shù)據(jù)庫(kù)中所有圖片的最優(yōu)解進(jìn)行滿意度評(píng)估，通過(guò)離線計(jì)算，選取滿意度最高的顏色系數(shù)解作為最優(yōu)顏色系數(shù)。滿意度模型如式（17）~（19）所示：

式中Sat為粒子滿意度系數(shù)；N為樣本圖像總數(shù)；u為粒子穩(wěn)定系數(shù)；Pgj表示第 j幅樣本圖像的全局最優(yōu)解，xj表示第j幅圖像的絕對(duì)差值。根據(jù)上式可以看出，最優(yōu)解集內(nèi)元素對(duì)整個(gè)樣本數(shù)據(jù)庫(kù)適應(yīng)性越好，u值越大，Sat值也隨之提高。采用最優(yōu)顏色系數(shù)對(duì)實(shí)時(shí)采集圖像進(jìn)行灰度化處理，可以節(jié)省處理圖片時(shí)間。

2.2 提取全局最優(yōu)顏色系數(shù)

本文提出的RM-PSO提取全局最優(yōu)顏色系數(shù)方法具體操作步驟如下：

1）根據(jù)空間整體大小、粒子收斂速度與收斂效果，對(duì)變異反向粒子群各項(xiàng)參數(shù)進(jìn)行初始化，包括設(shè)置粒子群粒子規(guī)模M，粒子迭代次數(shù)上限T，粒子加速度系數(shù)c1、c2，粒子群內(nèi)粒子隨機(jī)初始位置以及初始速度。

2）根據(jù)式（5）置入反向粒子群組，分別計(jì)算初始粒子群組與反向粒子群組適應(yīng)度函數(shù)值。對(duì)初始粒子與反向粒子進(jìn)行篩選組成新的組群進(jìn)行搜索。

3）根據(jù)式（14）判斷粒子是否屬于穩(wěn)定粒子。當(dāng)出現(xiàn)穩(wěn)定狀態(tài)粒子時(shí)，對(duì)該粒子進(jìn)行變異處理，如式（12）。所有粒子均處于活躍狀態(tài)時(shí)轉(zhuǎn)5）。

4）對(duì)活躍粒子進(jìn)行速度位置更新，將穩(wěn)定粒子轉(zhuǎn)為變異粒子后對(duì)全局最優(yōu)粒子進(jìn)行更新，迭代次數(shù)加1，轉(zhuǎn)6）。

5）根據(jù)式（1）～（2）對(duì)粒子位置速度進(jìn)行更新，累加迭代次數(shù)。

6）判斷當(dāng)前迭代次數(shù)是否達(dá)到迭代上限，若迭代次數(shù)大于T，停止迭代，輸出全局最優(yōu)粒子解，否則重回3）。

7）將數(shù)據(jù)庫(kù)內(nèi)所有樣本圖像進(jìn)行最優(yōu)解提取，組成最優(yōu)解集。分別計(jì)算解集內(nèi)每個(gè)元素滿意度系數(shù)。

8）選出滿意度最高粒子，將該粒子解作為最優(yōu)顏色系數(shù)。

2.3 田間作物分割方法

提取出全局最優(yōu)顏色系數(shù)后，代入公式（15）對(duì)采集圖像進(jìn)行灰度化處理。灰度化后的圖像進(jìn)行二值化處理便能完成田間作物的分割。

本文采用最大類間方差法（OTSU）對(duì)灰度圖像進(jìn)行二值化處理。最大類間方差法計(jì)算簡(jiǎn)單，在處理灰度直方圖雙峰明顯的圖像時(shí)，不易受圖像對(duì)比度與亮度變化的影響。而對(duì)田間作物圖像來(lái)說(shuō)，一般其圖像紅綠特征比例較大，其灰度直方圖大致都體現(xiàn)為雙峰形式。分割方法框圖如圖1所示。

圖1 田間作物分割方法原理框圖Fig.1 Principle block diagram of field crops segmentation method

3 試驗(yàn)與結(jié)果分析

3.1 離線提取最優(yōu)顏色系數(shù)

為了驗(yàn)證本文算法的分割效果、分割速度以及提取顏色系數(shù)的適應(yīng)性，針對(duì)不同的作物，分別建立樣本容量為 30的數(shù)據(jù)庫(kù)。采集苗期玉米、小麥 、棉花圖片各30幅，其中包括晴天采集圖片15幅、陰天10幅、雨天5幅，其中玉米圖片為2016年于吉林農(nóng)業(yè)大學(xué)試驗(yàn)田采集，棉花及小麥圖片于2016年采集自河北正定。三類圖片的大小均為2347×1728像素、格式為JPG的彩色圖片。

試驗(yàn)采用本文提出的RM-PSO算法離線對(duì)樣本數(shù)據(jù)庫(kù)的最優(yōu)顏色系數(shù)進(jìn)行提取。離線與在線試驗(yàn)均在Matlab R2012a軟件平臺(tái)下進(jìn)行，運(yùn)行計(jì)算機(jī)配置為 Intel Core(TM)i5，3.1 GHz，4 GB內(nèi)存。RM-PSO的各項(xiàng)參數(shù)設(shè)置為：粒子群初始規(guī)模 M=30；最大迭代次數(shù) T=50；學(xué)習(xí)因子 c1=2、c2=1.5；慣性因子ω從 0.95線性遞減到0.5；反向搜索邊界范圍為[–2,2]。

試驗(yàn)結(jié)果顯示，采用RM-PSO方法離線提取的玉米顏色系數(shù)取值為 r=–0.792，g=1.149，b=–0.396；小麥取值為 r=–0.642，g=1.030，b=–0.447；棉花取值為 r=–0.819，g=1.219，b=–0.500。再利用對(duì)應(yīng)作物提取的顏色系數(shù)，分別對(duì)時(shí)間地點(diǎn)均為隨機(jī)采集的30幅對(duì)應(yīng)作物測(cè)試圖像進(jìn)行分割。

3.2 田間作物分割評(píng)價(jià)指標(biāo)及結(jié)果分析

3.2.1 分割評(píng)價(jià)指標(biāo)

錯(cuò)分率ER[30]經(jīng)常用來(lái)評(píng)價(jià)圖像分割質(zhì)量，本文采用錯(cuò)分率對(duì) 5種方法的分割圖像效果及處理時(shí)間進(jìn)行定量評(píng)價(jià)分析，如式（20）所示。

式中sN為圖片像素總數(shù)，eN為分割圖像和標(biāo)準(zhǔn)圖像之間誤差區(qū)域像素?cái)?shù)。當(dāng)分割結(jié)果越接近標(biāo)準(zhǔn)圖像時(shí)，eN值變小，錯(cuò)分率變低。不同算法錯(cuò)分率及處理時(shí)間對(duì)比如表1所示。

表1 不同分割方法錯(cuò)分率及處理時(shí)間對(duì)比Table 1 Comparison of error distinguish rate and processing time of different algorithms

根據(jù)表1中數(shù)據(jù)可以看出，相對(duì)于其他4種方法，在不同的農(nóng)田場(chǎng)景下，本文方法均能保證較低的錯(cuò)分率。統(tǒng)計(jì)90幅測(cè)試圖像數(shù)據(jù)，在算法的分割準(zhǔn)確率方面，本文方法RM-PSO錯(cuò)分率均值為4.8%，低于HSI算法、EXG法、Mean-shift神經(jīng)網(wǎng)絡(luò)算法及傳統(tǒng)PSO方法的11.3%、19.5%、5.7%、7.6%；而在算法穩(wěn)定性方面，本文算法RM-PSO錯(cuò)分率標(biāo)準(zhǔn)差達(dá)到 3.1%，相較于 HSI算法的7.2%、EXG法的14.7%、傳統(tǒng)PSO算法的7.9%，本文算法具有更高的穩(wěn)定性。同時(shí)，傳統(tǒng)PSO方法在小樣本數(shù)據(jù)庫(kù)中訓(xùn)練得到的最優(yōu)顏色系數(shù)，由于單個(gè)樣本容易陷入局部最優(yōu)生成無(wú)效最優(yōu)解，影響提取結(jié)果，而本文方法通過(guò)反向變異策略保證了單個(gè)樣本最優(yōu)解提取質(zhì)量。

在處理速度方面，由于 HSI算法在空間轉(zhuǎn)換過(guò)程中存在非線性變化，處理時(shí)間相對(duì)較長(zhǎng)，平均處理時(shí)間為0.908 s?；贛ean-shift神經(jīng)網(wǎng)絡(luò)算法雖然利用反向傳播算法通過(guò)在神經(jīng)網(wǎng)絡(luò)里增加一個(gè)隱蔽層，但由于網(wǎng)絡(luò)層數(shù)的增加，算法處理圖片速度達(dá)到了1.942 s，難以滿足作業(yè)中對(duì)實(shí)時(shí)性的要求。而EXG法、傳統(tǒng)PSO方法與本文方法相比均為線性變化，處理時(shí)間相近，分別為0.303、0.319、0.311 s。

3.2.2 分割試驗(yàn)及結(jié)果分析

利用3.1節(jié)中不同作物的最優(yōu)顏色系數(shù)分別對(duì)玉米、棉花、小麥3種作物各30幅隨機(jī)采集的圖像進(jìn)行灰度化，再利用 OTSU算法對(duì)圖像進(jìn)行分割。為了能夠有針對(duì)性地對(duì)試驗(yàn)結(jié)果進(jìn)行討論，本文以玉米為例，對(duì)分割結(jié)果進(jìn)行分析，部分試驗(yàn)結(jié)果如圖 2所示。為了對(duì)比每種分割方法的分割效果，圖2b給出了分割標(biāo)準(zhǔn)圖，標(biāo)準(zhǔn)圖采用 GIMP軟件人工處理選擇有效植被作為分割目標(biāo)。試驗(yàn)選取了目前常用的EXG法、HSI算法、Mean-shift神經(jīng)網(wǎng)絡(luò)分割算法、傳統(tǒng)PSO算法及本文方法RM-PSO對(duì)測(cè)試圖片進(jìn)行了分割，分割結(jié)果如圖4c-4f所示。

圖2 不同處理方法分割結(jié)果Fig.2 Segmentation image using different algorithm

圖2 c可以看出，EXG法能夠適應(yīng)一定范圍的光照變化，同時(shí)不受作物陰影影響，但在面對(duì)光照變化大及干擾物較多的農(nóng)田場(chǎng)景時(shí)，該算法對(duì)作物信息并不敏感，明顯出現(xiàn)作物信息缺失現(xiàn)象。利用HSI空間內(nèi)H分量對(duì)作物信息進(jìn)行提取，能夠應(yīng)對(duì)不同光照?qǐng)鼍?，但從圖 2d不難發(fā)現(xiàn)，該方法易受噪聲干擾，且將干擾物誤認(rèn)為提取目標(biāo)，針對(duì)作物陰影出現(xiàn)了誤識(shí)別。采用 Mean-shift神經(jīng)網(wǎng)絡(luò)分割算法在處理不同光照與作物陰影時(shí)能夠有效提取目標(biāo)作物，但處理時(shí)間較長(zhǎng)。

從圖2f可以看出，傳統(tǒng)PSO方法分割的效果較差，這是因?yàn)閭鹘y(tǒng)PSO方法選取最優(yōu)顏色系數(shù)時(shí)，顏色系數(shù)依賴于初始粒子質(zhì)量，一旦隨機(jī)初始粒子位置不理想，粒子收斂速度過(guò)慢，極易陷入局部最優(yōu)值。傳統(tǒng)方法試驗(yàn)中，當(dāng)訓(xùn)練樣本較小時(shí)，樣本最優(yōu)解集中多個(gè)解的滿意度Sat過(guò)小，使得最終得到的最優(yōu)顏色系數(shù)環(huán)境適應(yīng)度較差，同時(shí)分割效果也并不理想。而本文方法在處理不同光照不同作物密度及干擾物的農(nóng)田圖像時(shí)，均能取得較好的分割效果，提取的顏色系數(shù)具有較強(qiáng)的適應(yīng)性。

4 結(jié) 論

本文提出一種基于RM-PSO（reverse mutation- particle swarm optimization）算法的田間作物分割方法。文中提出了新的反向變異（RM）策略優(yōu)化初始粒子群質(zhì)量，避免粒子群陷入局部最優(yōu)。在RGB顏色空間內(nèi)，采用本文方法搜索空間內(nèi)最優(yōu)解，建立滿意度函數(shù)提取樣本數(shù)據(jù)庫(kù)中的全局最優(yōu)顏色系數(shù)，對(duì)作物圖像進(jìn)行灰度化處理，然后進(jìn)行閾值分割得到田間作物分割的最終結(jié)果。隨機(jī)選取不同作物采集圖片，對(duì)算法進(jìn)行測(cè)試分析，相比于傳統(tǒng)顏色分割方法，本文方法平均錯(cuò)分率僅為4.8%，低于HSI算法、EXG法以及mean-shift神經(jīng)網(wǎng)絡(luò)分割算法的11.3%、19.5%、5.7%；標(biāo)準(zhǔn)差值為3.1%，相較于HSI算法的7.2%、EXG法的14.7%、及傳統(tǒng)PSO方法的7.9%，本文算法具有更高的穩(wěn)定性；本文方法采用離線小樣本訓(xùn)練，減少訓(xùn)練時(shí)間，并采用離線和在線處理相結(jié)合的方式，平均處理時(shí)間為0.311 s，而HSI方法為0.908 s，Mean-shift神經(jīng)網(wǎng)絡(luò)分割算法為1.942 s。綜上所述，本文算法識(shí)別速度快、精度高、訓(xùn)練樣本小，可為農(nóng)田路徑導(dǎo)航，雜草識(shí)別等大田作業(yè)提供技術(shù)支持。

[1] Burgos-Artizzu X P, Ribeiro A, Tellaeche A, et al. Analysis of natural images processing for the extraction of agricultural elements[J]. Image and Vision Computing, 2010, 28(1):138－149.

[2] Hamuda E, Glavin M, Jones E. A survey of image processing techniques for plant extraction and segmentation in the field[J]. Computers and Electronics in Agriculture, 2016,125(7): 184－199.

[3] Woebbecke D M, Meyer G E, Von Bargen K, et al. Plant species identification, size, and enumeration using machine vision techniques on near-binary images[J]. SPIE Opt.Agriculture and Forestry, 1992, 1836(1): 208－219.

[4] Woebbecke D M, Meyer G E, Von Bargen K, et al. Shape features for identifying young weeds using image analysis[J].Transactions on American Society of Agricultural Engineering,1995, 38(1): 271－281.

[5] Neto J C, Meyer G E. Crop species identification using machine vision of computer extracted individual leaves. International Society for Optics and Photonics[J]. Proceedings of SPIE,2005, 5996: 64－74.

[6] Hunt E R, Cavigelli M, Daughtry C S T, et al. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status[J]. Precision Agriculture,2005, 6(4): 359－378.

[7] Hague T, Tillet N D, Wheeler H. Automated crop and weed monitoring in widely spaced cereals[J]. Precision Agriculture,2006, 7(1): 95－113.

[8] 翟瑞芳，方益杭，林承達(dá)，等. 基于高斯 HI 顏色算法的大田油菜圖像分割[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(8)：142－147.Zhai Ruifang, Fang Yihang, Lin Chengda, et al. Segmentation of field rapeseed plant image based on Gaussian HI color algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(8): 142－147. (in Chinese with English abstract)

[9] Bai X D, Cao Z G, Wang Y, et al. Crop segmentation from images by morphology modeling in the CIE Lab color space[J]. Computers and Electronics in Agriculture, 2013,99(11): 21－34.

[10] 陳曉倩，唐晶磊，王棟. 基于 SLIC方法的光照偏強(qiáng)農(nóng)田圖像分割研究[J]. 計(jì)算機(jī)工程與應(yīng)用，2017，11(2)：1－8.Chen Xiaoqian, Tang Jinglei, Wang Dong. Research on farmland image segmentation based on SLIC method under strong light[J]. Computer Engineering and Applications,2017, 11(2): 1－8. (in Chinese with English abstract)

[11] Hernández-Hernández J L, García-Mateos G, González-Esquiva J M, et al. Optimal color space selection method for plant/soil segmentation in agriculture[J]. Computers and Electronics in Agriculture, 2016, 122(3): 124－132.

[12] 伍艷蓮，趙力，姜海燕，等. 基于改進(jìn)均值漂移算法的綠色作物圖像分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(24)：161－167.Wu Yanlian, Zhao Li, Jiang Haiyan, et al. Image segmentation method for green crops using improved mean shift[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(24):161－167. (in Chinese with English abstract)

[13] Bai Xiaodong, Cao Zhiguo, Wang Yu, et al. Vegetation segmentation robust to illumination variations based on clustering and morphology modelling[J]. Bioprocess and Biosystems Engineering, 2014, 125(9): 80－97.

[14] Ruiz-Ruiz G, Gómez-Gil J, Navas-Gracia L M. Testing different color spaces based on hue for the environmentally adaptive segmentation algorithm (EASA)[J]. Computers and Electronics in Agriculture, 2009, 68(1), 88－96.

[15] Zheng L, Zhang J, Wang Q. Mean-shift-based color segmentation of images containing green vegetation[J]. Computers and Electronics in Agriculture, 2009, 65(1): 93－98.

[16] Guo W, Rage U K, Ninomiya S. Illumination invariant segmentation of vegetation for time series wheat images based on decision tree model[J]. Computers and Electronics in Agriculture. 2013, 96(8): 58－66.

[17] Guerrero J M, Pajares G, Montalvo M, et al. Support vector machines for crop/weeds identification in maize fields[J].Expert Systems with Applications, 2012, 39(12): 11149－11155.

[18] 張志斌，羅錫文，臧英，等. 基于顏色特征的綠色作物圖像分割算法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27(7)：183－189.Zhang Zhibin, Luo Xiwen, Zang Ying, et al. Segmentation algorithm based on color feature for green crop plants[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(7)：183－189. (in Chinese with English abstract)

[19] 閻慶，梁棟，張東彥，等. 基于監(jiān)督局部線性嵌入算法的玉米田間雜草識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(14)：171－177.Yan Qing, Liang Dong, Zhang Dongyan, et al. Recognition of weed in corn field based on supervised locally linear embedding algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2013, 29(14): 171－177. (in Chinese with English abstract).

[20] 彭紅星，鄒湘軍，陳琰，等. 基于演化算法的水果圖像分割[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(18)：294－301.Peng Hongxing, Zou Xiangjun, Chen Yan, et al. Fruit image segmentation based on evolutionary algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014,30(18): 294－301. (in Chinese with English abstract)

[21] Wang H, Wu Z, Rahnamayan S, et al. Enhancing particle swarm optimization using generalized opposition- based learning[J]. Information Sciences, 2011, 181(20): 4699－4714.

[22] 胥小波，鄭康鋒，李丹，等. 新的混沌粒子群優(yōu)化算法[J].通信學(xué)報(bào)，2012，33(1)：24－37.Xu Xiaobo, Zheng Kangfeng, Li Dan, et al. New chaos-particle swarm optimization algorithm[J]. Journal on Communications,2012, 33(1): 24－37. (in Chinese with English abstract)

[23] 劉愛軍，楊育，李斐，等. 混沌模擬退火粒子群優(yōu)化算法研究及應(yīng)用[J]. 浙江大學(xué)學(xué)報(bào)(工學(xué)版)，2013，47(10)：1722－1730.Liu Aijun, Yang Yu, Li Fei, et al. Research and application of chaotic simulated annealing particle swarm optimization algorithm[J]. Journal of Zhejiang University (Engineering Edition), 2013, 47(10): 1722－1730. (in Chinese with English abstract)

[24] 劉逸. 粒子群優(yōu)化算法的改進(jìn)及應(yīng)用研究[D]. 西安：西安電子科技大學(xué)，2013.Liu Yi. Improvement and Application of Particle Swarm Optimization Algorithm[D]. Xi'an: Xidian University, 2013.(in Chinese with English abstract)

[25] 劉坤，譚營(yíng)，何新貴. 基于粒子群優(yōu)化的過(guò)程神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[J]. 北京大學(xué)學(xué)報(bào)(自然科學(xué)版)，2011，47(2)：238－244.Liu Kun, Tan Ying, He Xingui. The process neural network learning algorithm based on particle swarm optimization[J].Journal of Peking University (Natural Science Edition),2011,47(2): 238－244. (in Chinese with English abstract)

[26] 巢淵，戴敏，陳愷，等. 基于廣義反向粒子群與引力搜索混合算法的多閾值圖像分割[J]. 光學(xué)精密工程，2015，23(3)：879－886.Chao Yuan, Dai Min, Chen Kai, et al. Image segmentation of multilevel threshold using hybrid PSOGSA with generalized opposition-based learning[J]. Optics and Precision Engineering,2015, 23(3): 879－886. (in Chinese with English abstract)

[27] 夏學(xué)文，劉經(jīng)南，高柯夫，等. 具備反向?qū)W習(xí)和局部學(xué)習(xí)能力的粒子群算法[J]. 計(jì)算機(jī)學(xué)報(bào)，2015，38(7)：1397－1407.Xia Xuewen, Liu Jingnan, Gao Kefu, et al. Particle swarm optimization algorithm with reverse-learning and locallearning behavior[J]. Chinese Journal of Computers, 2015,38(7): 1397－1407. (in Chinese with English abstract)

[28] 王暉. 基于柯西變異的混合粒子群算法研究[D]. 北京：中國(guó)地質(zhì)大學(xué)，2008.Wang Hui. Research on Hybrid Particle Swarm Algorithms with Cauchy Mutation[D]. Beijing: China University of Geosciences, 2008. (in Chinese with English abstract)

[29] 呂立國(guó)，季偉東. 結(jié)合質(zhì)心思想和柯西變異策略的粒子群優(yōu)化算法[J]. 計(jì)算機(jī)應(yīng)用，2017，37(5)：1369－1375,1418.Lv Liguo, Li Weidong. Combining the particle swarm optimization algorithm of the center of mass mind and cauchy’s variation strategy [J]. Computer Application, 2017,37(5): 1369－1375,1418. (in Chinese with English abstract)

[30] 鄧曉政，焦李成，盧山. 基于非負(fù)矩陣分解的譜聚類集成SAR圖像分割[J]. 電子學(xué)報(bào)，2011，39(12)：2905－2909.Deng Xiaozheng, Jiao Licheng, Lu Shan. Spectral clustering ensemble applied to SAR image segmentation using nonnegative matrix factorization[J]. Acta Electronica Sinica,2011, 39(12): 2905－2909. (in Chinese with English abstract)