基于超像素特征向量的果樹冠層分割方法

張先潔 孫國祥 汪小旵 楊?；? 魏天翔

摘要： 針對無人機(jī)精確植保過程中，果樹冠層區(qū)域顏色特征和雜草相似度較高、難以分割等問題，采用基于超像素特征向量的果樹冠層分割方法，以消除不同雜草特征對樹冠分離的干擾，減小農(nóng)藥噴霧區(qū)域，節(jié)省農(nóng)藥使用量。通過分析無人機(jī)采集合成的樣本圖像在HSV彩色空間上色調(diào)與飽和度的分布情況，選取合適的閾值范圍，提取樣本圖像中包含果樹冠層與雜草的綠色區(qū)域，將提取的綠色區(qū)域RGB圖像轉(zhuǎn)換生成Lab和HSV彩色空間模型下的圖像，然后運(yùn)用簡單的線性迭代聚類（Simple linear iterative clustering，SLIC）超像素分割算法將RGB圖像預(yù)設(shè)分割成250個超像素單元，結(jié)合超像素的分割信息與RGB圖像、Lab圖像、HSV圖像以及灰度圖，提取超像素單元的特征向量，隨機(jī)選取25%的超像素樣本的特征向量作為SVM分類器的訓(xùn)練集，利用SVM分類器對所有樣本進(jìn)行預(yù)測分類，實(shí)現(xiàn)果樹冠層與雜草分割。將基于超像素特征向量的方法和基于光譜閾值、K-means聚類的2種方法進(jìn)行對比分析，結(jié)果顯示，基于超像素特征向量的方法在識別果樹冠層位置方面生產(chǎn)者精度為90.83%，在提取果樹冠層輪廓上F測度值為87.62%，總體分割性能優(yōu)于后兩種方法。說明，基于超像素特征向量的方法能夠較為準(zhǔn)確地分割果樹冠層與雜草，為實(shí)現(xiàn)無人機(jī)在果園中精確植保提供重要支撐。

關(guān)鍵詞： 無人機(jī);植保;果樹冠層;雜草;超像素;分割

中圖分類號： TP242.6+2;S252+.3 文獻(xiàn)標(biāo)識碼： A 文章編號： 1000-4440（2021）03-0724-07

Segmentation method of fruit tree canopy based on super pixel feature vector

ZHANG Xian-jie1， SUN Guo-xiang1， WANG Xiao-chan1，2， YANG Hai-hui1， WEI Tian-xiang1

（1.College of Engineering， Nanjing Agricultural University， Nanjing 210031， China;2.Laboratory of Modern Facility Agricultural Technology and Equipment Engineering in Jiangsu Province， Nanjing 210031， China）

Abstract： Aiming at the problem such as high similarity of color features between canopy area of fruit trees and weeds which are difficult to be segmented in the process of unmanned aerial vehicle （UAV） in precise plant protection， a canopy segmentation method based on super pixel feature vector was adopted to eliminate interference of different weed characteristics to crown separation， reduce the pesticide spray area and save pesticide usage. By analyzing the distribution of hue and saturation of sample images collected and synthesized by UAV in HSV color space， the appropriate threshold range was selected， the green area of the sample image including the canopy of fruit trees and weeds was extracted. The RGB image of the green area extracted was transformed to generate the image under Lab and HSV color space model， and simple linear iterative clustering （SLIC） super pixel segmentation algorithm was then used to divide the RGB image into 250 super pixel units by default. The feature vectors of super pixel unit was extracted by combining the segmentation information of super pixel with RGB image， Lab image， HSV image and gray scale image. Feature vectors of 25% super pixel samples were selected randomly as the training set of SVM classifier， SVM classifier was used in predicting and classifying all samples to realize the segmentation of fruit tree canopy and weeds. The method based on hyper pixel feature vector and methods based on spectral threshold and K-means clustering were compared. The results showed that， the producer accuracy of the method based on super pixel feature vector in recognizing position of fruit tree canopy was 90.83%， the F value for extracting contour of fruit tree canopy was 87.62%. The overall segmentation performance by the method based on hyper pixel feature vector was better than the latter two methods. It can be seen that， the method based on super pixel feature vector can segment fruit tree canopy and weeds accurately， which provides an important support for the realization of UAV in precise plant protection in the orchard.

Key words： unmanned aerial vehicle （UAV）;plant protection;canopy of fruit trees;weed;super pixel;segmentation

無人機(jī)噴藥相對于傳統(tǒng)的地面移動式噴藥可以忽視復(fù)雜的地形阻礙，同時無人機(jī)旋翼可以吹動樹冠，使農(nóng)藥能更均勻垂直地覆蓋果樹冠層。近年來無人機(jī)載藥量不斷增加，采用無人機(jī)噴藥逐漸成為果園植保的一個重要方式[1-3]。由于果樹冠層與雜草等綠色植物在圖像中顏色特征差異較小，導(dǎo)致無人機(jī)對圖像中果樹冠層圖像分割的準(zhǔn)確率較低，進(jìn)而降低了無人機(jī)噴藥的準(zhǔn)確率。采用有效的圖像分割方法準(zhǔn)確分割圖像中果樹冠層是提高無人機(jī)噴藥的農(nóng)藥利用率、實(shí)現(xiàn)果園中無人機(jī)精確植保的重要保障[4-7]。

針對圖像中作物冠層與雜草的分割，國內(nèi)外學(xué)者進(jìn)行了廣泛的研究[8-12]。目前大多數(shù)圖像中作物冠層與雜草分割的研究是基于深度學(xué)習(xí)的方法[13]，該類方法分割效果較好，但前期需要大量的人工標(biāo)注作為深度學(xué)習(xí)樣本，應(yīng)用成本較高。也有部分學(xué)者采用其他方法實(shí)現(xiàn)圖像中作物冠層與雜草分割[14-15]。Le等[16]通過結(jié)合局部二值算子與植物葉片輪廓特征提高了分割作物冠層與雜草的準(zhǔn)確率，該方法對圖片中作物冠層與雜草輪廓細(xì)節(jié)的要求較高，應(yīng)用場景主要為可近距離拍攝的盆栽植物冠層與雜草。程湞湞等[17]在單棵果樹的側(cè)拍圖像中，利用雜草的空間位置特征將圖片下方的雜草剔除，但該方法不適用于高空俯拍圖像中的果樹冠層與雜草分割。針對圖像中作物冠層與雜草的分割已經(jīng)有了較多的研究，但針對高空俯拍圖像中果樹冠層與雜草分割的方法研究較少。

本研究提出一種基于超像素特征向量的果樹冠層分割方法，以超像素作為基本分類單元，增強(qiáng)圖像中果樹冠層單元與雜草單元的差異性，提取超像素的顏色特征與紋理特征組成超像素特征向量，采用基于小樣本機(jī)器學(xué)習(xí)方法的SVM（支持向量機(jī)）分類器，以較少的樣本標(biāo)注實(shí)現(xiàn)果樹冠層與雜草分割。選取基于光譜閾值、K-means聚類的2種方法與基于超像素特征向量的方法進(jìn)行對比，對3種方法識別果樹樹冠位置與提取果樹冠層輪廓的精度進(jìn)行評價(jià)分析，驗(yàn)證基于超像素特征向量的方法在果樹冠層與雜草分割上的性能。

1 材料與方法

1.1 果樹正射影像圖獲取與預(yù)處理

本研究以山東省煙臺市棲霞市官道鎮(zhèn)的某個蘋果園作為研究對象，蘋果樹樹齡為8～9年，果樹品種為煙富3。2019年10月12日，光照較好，風(fēng)力1～2級以下，晴天，在10∶00-15∶00時使用Parrot無人機(jī)采集果樹冠層圖像，飛行高度為50 m，獲得了76張分辨率為4 608×3 456像素的高分辨率RGB圖像，使用Pix4Dmapper 4.1生成正射影像圖。采集果園圖像區(qū)域的長、寬分別為34 m、107 m，根據(jù)區(qū)域雜草干擾程度分為雜草干擾程度一般的地塊（A）與雜草干擾程度嚴(yán)重的地塊（B）。

圖像的預(yù)處理工作主要包含兩方面，一是對獲取到的圖像進(jìn)行濾波處理，選取高斯濾波器對獲得的圖像進(jìn)行濾波處理得到RGB圖像;二是對提取綠色區(qū)域后的圖像進(jìn)行彩色空間轉(zhuǎn)換，將RGB圖像分別轉(zhuǎn)化為Lab圖像、HSV圖像。

1.2 果樹冠層分割流程

首先對樣本圖像在HSV彩色空間上進(jìn)行分析，然后選取合適的閾值提取圖像中的綠色區(qū)域，采用SLIC超像素算法將預(yù)處理得到的綠色區(qū)域圖像分割成指定數(shù)量的超像素單元，結(jié)合超像素分割信息、RGB圖像、Lab圖像、HSV圖像及灰度圖，提取超像素的特征向量，以超像素特征向量作為依據(jù)訓(xùn)練SVM分類器并對超像素分類，最后，采用形態(tài)學(xué)方法處理SVM分類結(jié)果，實(shí)現(xiàn)雜草干擾下的果樹冠層提取。

1.3 圖像中綠色區(qū)域的提取

從RGB圖像中提取果樹冠層，首先利用光譜特征上的差異分割綠色植物與背景。在針對光譜特征的數(shù)字圖像處理中常用的顏色模型有RGB、Lab和HSV等，其中HSV顏色模型符合人對顏色的感知心理。HSV顏色模型亮度分量與圖像的彩色信息無關(guān)，如果去除亮度分量，只考慮色調(diào)與飽和度分量反映的顏色信息，可以去除光照條件的影響，準(zhǔn)確地從圖像中篩選出綠色像素區(qū)域。

采用人工標(biāo)注的方法，將樣本圖片的像素分別標(biāo)記為綠色區(qū)域像素與背景像素兩類，針對每類像素分別在色調(diào)和飽和度2個分量上的數(shù)量分布進(jìn)行統(tǒng)計(jì)分析。圖1是對樣本圖像中綠色區(qū)域像素和背景區(qū)域像素在色調(diào)和飽和度2個分量上的統(tǒng)計(jì)分布結(jié)果。

由圖1可知，綠色區(qū)域與背景區(qū)域的飽和度分布差異不明顯;在色調(diào)分布上，背景區(qū)域的色調(diào)主要分布于0～0.15與0.80～1.00，綠色區(qū)域的色調(diào)主要分布在0.05～0.45。考慮到標(biāo)注的綠色區(qū)域存在部分陰影像素，標(biāo)注的背景區(qū)域中也存在未能全部標(biāo)出的綠色像素，故選取0.10～0.45作為綠色區(qū)域的色調(diào)分布區(qū)間。以0.10～0.45作為閾值區(qū)間采用閾值法獲取綠色區(qū)域二值圖像，對二值圖像采用形態(tài)學(xué)處理后結(jié)合原RGB圖像獲得綠色區(qū)域RGB圖像。

1.4 果樹冠層的區(qū)域提取

考慮到果樹冠層與雜草在像素塊上的差異相對于單像素的差異較大，本研究采用超像素算法將RGB圖像預(yù)設(shè)分割為250個超像素，以超像素作為基本操作單元，降低冠層與雜草間的識別難度。單獨(dú)從光譜特征分析或單獨(dú)從紋理特征上分析雜草與果樹冠層的差異，較難得到比較明顯的差異，將光譜特征與紋理特征組合為1個組合特征，從組合特征角度分析雜草與果樹冠層的差異，由于人工分析組合特征上的差異難度較大，本研究選擇一種基于小樣本的機(jī)器學(xué)習(xí)方法訓(xùn)練分類器，使用訓(xùn)練得到的分類器對果樹冠層與雜草進(jìn)行分類。

1.4.1 超像素特征向量提取 超像素算法是指將圖像分成指定數(shù)量大小、形狀不規(guī)則的超像素區(qū)域，每個超像素中的像素具有相似的顏色、亮度等特征。本研究采用Radhakrishna等[18]提出的基于梯度下降的SLIC算法，即簡單線性迭代聚類算法。SLIC算法中參數(shù)K值（即圖像預(yù)先設(shè)置分割的超像素個數(shù)）的大小設(shè)置影響對樹冠目標(biāo)的分割效果。將SLIC算法分割后的樣本圖像中目標(biāo)邊緣的難分類的超像素?cái)?shù)量與超像素總數(shù)的比值記為樣本圖像的目標(biāo)邊緣模糊率，通過分析K值與樣本圖像的目標(biāo)邊緣模糊率之間的關(guān)系選取適當(dāng)?shù)腒值。分別對70張樣本圖像進(jìn)行如下操作，以獲得不同K值下樣本圖像的目標(biāo)邊緣模糊率：

（1）選取的樣本圖像見圖2a，通過人工描繪選出樹冠目標(biāo)區(qū)域，并將目標(biāo)區(qū)域設(shè)置成白色，背景區(qū)域設(shè)置成黑色，保存為二值圖，如圖2b所示。

（2）將SLIC算法中的K值以50為間隔依次設(shè)置成50～400，對樣本圖像進(jìn)行超像素分割，結(jié)合獲得的超像素邊緣與二值圖，獲得超像素邊緣二值圖，如圖2c所示，其中白線為分割出來的超像素邊緣。

（3）讀取超像素邊緣二值圖，依次計(jì)算每個超像素中白色像素（目標(biāo)像素）與總像素?cái)?shù)量的比值，比值大于60%，記為目標(biāo)超像素;比值小于40%，記為背景超像素;比值為40%～60%，記為難分類超像素。

將所有樣本圖像的目標(biāo)邊緣模糊率求平均得到不同K值下的目標(biāo)邊緣模糊率，詳見表1。當(dāng)K值小于250時，目標(biāo)邊緣模糊率相對較大，且隨著K值增大，目標(biāo)邊緣模糊率的下降幅度也較大;當(dāng)K值超過250后，目標(biāo)邊緣模糊率已經(jīng)相對較小，且隨著K值的增大，目標(biāo)邊緣模糊率的下降幅度也較小。綜合考慮邊緣模糊率和后期圖像處理的計(jì)算量等因素，本研究選擇K值為250，即每張樣本圖像預(yù)先設(shè)置分割為250個超像素。

選取合適的K值對樣本圖像進(jìn)行超像素分割獲得樣本圖像的超像素分割信息后，將樣本圖像的超像素分割信息與樣本圖像分別在RGB、Lab、HSV彩色空間模型下的圖像以及灰度圖結(jié)合。提取超像素在RGB、HSV和Lab 3種彩色空間模型下共9個通道（R、G、B、H、S、I、L、a、b）的均值作為顏色特征分量;將灰度圖與超像素分割信息結(jié)合，統(tǒng)計(jì)并繪制超像素的灰度直方圖以獲得超像素的均值、標(biāo)準(zhǔn)差、平滑度以及一致性4個參數(shù)作為超像素紋理特征分量。將獲得的13個特征分量組成超像素的特征向量并歸一化保存，作為SVM分類器分類依據(jù)。

1.4.2 超像素分類 圖像中果樹冠層與雜草分類的目的是在保證目標(biāo)分類準(zhǔn)確性的基礎(chǔ)上盡可能減少人工操作的工作量，這就需要在訓(xùn)練樣本盡可能少的情況下實(shí)現(xiàn)較為準(zhǔn)確的目標(biāo)分類。支持向量機(jī)（Support vector machine，SVM）作為一種基于小樣本的機(jī)器學(xué)習(xí)方法[19-21]，相對于已有方法表現(xiàn)出了更好的性能，本研究選用SVM分類器進(jìn)行超像素的分類訓(xùn)練與預(yù)測。

SVM分類器首先需要確定所選核函數(shù)，應(yīng)用較常見的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基（RBF）核函數(shù)和Sigmoid核函數(shù)4種，其中RBF核函數(shù)適用于多種情況[22]。采用RBF核函數(shù)進(jìn)行SVM分類時，需要確定2個參數(shù)，即誤差懲罰因子（C）和核參數(shù)（γ），2個參數(shù)的選擇是影響SVM分類性能的關(guān)鍵因素。本研究采用網(wǎng)格搜索法確定誤差懲罰因子和核參數(shù)的最優(yōu)組合。具體步驟如下：

（1）隨機(jī)選取25%的樣本圖像超像素的特征向量作為訓(xùn)練樣本集，以所有樣本的超像素特征向量作為測試集。

（2）誤差懲罰因子從1到11以2為步長依次取值，核參數(shù)從0.001到100.000依次乘10取值，依次使用各種組合訓(xùn)練SVM分類器，并對測試集進(jìn)行預(yù)測，記錄預(yù)測準(zhǔn)確率。

（3）為減弱單次訓(xùn)練集隨機(jī)選擇帶來的差異性，步驟（1）和（2）重復(fù)3次，取3次結(jié)果的平均值作為最終結(jié)果，如表2所示。

如表2所示，核參數(shù)為0.010和0.100時，SVM分類準(zhǔn)確率相對較高。在核參數(shù)不變的情況下，不同的誤差懲罰因子對應(yīng)的SVM分類準(zhǔn)確率相差不大。本研究選擇其中分類準(zhǔn)確率最高的誤差懲罰因子和核參數(shù)（分別為3和0.100）的組合。

1.5 果樹冠層區(qū)域提取的評價(jià)方法

采用基于超像素特征向量的分割方法對所有樣本圖像進(jìn)行分割并組合還原成2個地塊圖像，分別識別果樹冠層位置與提取果樹冠層輪廓，針對提取結(jié)果，分別從林分和單木2個尺度對果樹冠層位置識別和冠層輪廓提取進(jìn)行精度驗(yàn)證。

1.5.1 果樹冠層位置識別精度驗(yàn)證方法 從林分尺度對果樹冠層位置識別精度的評價(jià)，用樹冠相對誤檢率（D）表示，即：

D=NNr-1（1）

式中，N為檢測出的樹冠數(shù)量;Nr為參考的樹冠數(shù)量。

從單木尺度對果樹冠層位置識別精度的評價(jià)，用基于N1∶1的用戶精度（U）和生產(chǎn)者精度（P）[23]表示，即

U=N1∶1Nall×100%（2）

P=N1∶1Nr×100%（3）

式中，Nall為全檢數(shù)，即檢測出的總樹冠數(shù)量，包括正確檢出、錯誤檢出以及過檢出數(shù)目之和;N1∶1為正檢數(shù)，即檢測出的樹冠位置在參考樹冠位置1 m緩沖區(qū)內(nèi)的數(shù)量。

1.5.2 樹冠輪廓提取精度驗(yàn)證方法 從林分尺度對樹冠輪廓提取精度的評價(jià)，用樹冠面積的相對誤差R表示，即

R=Sd-SrSr×100%（4）

式中，Sr為參考的樹冠總面積;Sd為檢測出來的樹冠總面積。

從單木尺度對樹冠輪廓提取精度的評價(jià)，選用F測度值作為評價(jià)標(biāo)準(zhǔn)。將分割得到的樹冠與人工描繪的參考樹冠作對比，若分割得到的樹冠與參考樹冠的重合面積與其中1個樹冠的比值大于0.5，則被認(rèn)為是正確提取。樹冠提取的精確率（Ad）、樹冠提取的召回率（Ar）、F測度值的計(jì)算公式分別為

Ad=NcNd×100%（5）

Ar=NcNr×100%（6）

F=2ArAdAr+Ad×100%（7）

式中：Nc為正確提取樹冠的數(shù)量;Nd為提取樹冠的總數(shù)量;Nr為參考樹冠的總數(shù)量。

2 結(jié)果與分析

2.1 果樹冠層分割結(jié)果

2.1.1 基于超像素特征向量的分割結(jié)果 采用基于超像素特征向量的分割方法對樣本圖像進(jìn)行分割，對分割后得到的圖像進(jìn)行形態(tài)學(xué)孔洞填充以及小目標(biāo)刪除，獲得二值圖像，通過二值圖像對原樣本圖像進(jìn)行掩膜處理，得到最終的分割結(jié)果。從提取綠色區(qū)域到分割雜草與冠層區(qū)域的處理過程見圖3。圖3b為基于色調(diào)閾值提取的綠色區(qū)域，圖3c為基于超像素特征向量分割方法的分割結(jié)果。圖3b顯示，基于超像素特征向量的分割方法有效地區(qū)分果樹冠層與雜草，得到較為準(zhǔn)確的冠層區(qū)域。利用圖3c對原圖進(jìn)行掩膜處理，得到果樹冠層的分割結(jié)果（圖3d），對比圖3d與圖3a可以看出，基于超像素特征向量的分割方法能夠去除雜草干擾，實(shí)現(xiàn)果樹冠層的分割提取。

2.1.2 基于超像素特征向量、光譜閾值和K-means聚類3種方法的分割結(jié)果對比 為驗(yàn)證基于超像素特征向量方法的分割性能，以人工描繪的二值圖為參考，選取基于光譜閾值、K-means聚類2種方法與基于超像素特征向量方法進(jìn)行分割結(jié)果的對比。分別對雜草干擾程度一般的地塊（A）和雜草干擾程度嚴(yán)重的地塊（B）中的樣本圖像進(jìn)行分割，分割結(jié)果如圖4所示。

由圖4可以看出，在雜草干擾程度一般的情況下，基于光譜閾值、K-means聚類的2種方法的分割結(jié)果存在較多顆粒狀和小面積的錯誤分割，基于超像素特征向量方法的分割效果與人工描繪的二值圖最接近;在雜草干擾程度嚴(yán)重的情況下，基于光譜閾值、K-means聚類2種方法的分割結(jié)果均出現(xiàn)了大面積的錯誤分割，基于超像素特征向量方法的分割結(jié)果提取的果樹輪廓與人工描繪的作為參考結(jié)果的果樹輪廓相似。

2.2 不同方法識別果樹冠層位置與提取果樹冠層輪廓的精度評價(jià)與分析

采用基于超像素特征向量、光譜閾值和K-means聚類3種方法分別處理雜草干擾程度一般的地塊（A）和雜草干擾程度嚴(yán)重的地塊（B）的樣本圖像，并將每種方法的處理結(jié)果整合，采用方法1.5提到的評價(jià)指標(biāo)分別對不同方法得到的整合結(jié)果進(jìn)行統(tǒng)計(jì)分析，結(jié)果如表3和表4所示。

在統(tǒng)計(jì)過程中發(fā)現(xiàn)，漏檢較多的情況下可能出現(xiàn)用戶精度偏大，漏檢與過檢同時較多的情況下可能出現(xiàn)相對誤檢率偏小，因此選用生產(chǎn)者精度作為識別果樹冠層位置精度的主要評價(jià)指標(biāo)。由表3可知，基于超像素特征向量方法識別果樹冠層位置的生產(chǎn)者精度為90.83%，相比于基于光譜閾值、K-means聚類2種方法分別提高了10.98個、9.51個百分點(diǎn)，基于超像素特征向量方法的生產(chǎn)者精度與其他2種方法間差異顯著，表明基于超像素特征向量方法在識別果樹冠層位置的精度上優(yōu)于其他2種分割方法。

由于基于光譜閾值方法的分割結(jié)果中存在較多的漏檢，導(dǎo)致該方法相對誤差為負(fù)，因此對3種方法的相對誤差絕對值進(jìn)行比較。由表4可知，基于超像素特征向量方法提取果樹冠層輪廓的相對誤差為2.09%，F(xiàn)測度值為87.62%，相比基于光譜閾值、K-means聚類2種方法的相對誤差絕對值分別降低47.85個百分點(diǎn)、17.93個百分點(diǎn)，F(xiàn)測度值分別提高8.17個百分點(diǎn)、9.77個百分點(diǎn)， 基于超像素特征向量方法的相對誤差和F測度值與其他2種方法間差異顯著。其中在對地塊（A）與地塊（B）提取果樹冠層輪廓時，基于光譜閾值、K-means聚類2種方法的F測度值相差較大，基于超像素特征向量方法的F測度值相差較小。結(jié)果表明，基于超像素特征向量方法在提取果樹冠層輪廓上的精度優(yōu)于其他2種方法。

3 結(jié)論

1）本研究提出一種基于超像素特征向量的果樹冠層分割方法。針對果園中無人機(jī)植保場景下，果樹冠層與雜草存在難以區(qū)分的情況，采用超像素作為圖像分割的基本操作單元，選用依賴較少標(biāo)注樣本的SVM分類器實(shí)現(xiàn)果樹冠層與雜草分割。

2）選取相對誤檢率、生產(chǎn)者精度和用戶精度3個指標(biāo)評價(jià)果樹冠層位置識別精度，選取相對誤差、F測度值2個指標(biāo)評價(jià)果樹冠層輪廓提取精度。基于超像素特征向量方法的相對誤檢率為4.32%，生產(chǎn)者精度為90.83%，用戶精度為89.43%，相對誤差為2.09%，F(xiàn)測度值為87.62%。

3）將基于超像素特征向量的方法與基于光譜閾值、K-means聚類的2種方法作對比分析，結(jié)果表明，基于超像素特征向量的方法在果樹冠層分割上優(yōu)于基于光譜閾值、K-means聚類的2種方法。

參考文獻(xiàn)：

[1] 何 勇，張艷超. 農(nóng)用無人機(jī)現(xiàn)狀與發(fā)展趨勢[J].現(xiàn)代農(nóng)機(jī)，2014（1）：1-5.

[2] 劉春鴿，趙麗偉. 我國植保無人機(jī)現(xiàn)狀及發(fā)展建議[J].農(nóng)業(yè)工程技術(shù)，2018，38（12）：39-42.

[3] 婁尚易，薛新宇，顧 偉，等. 農(nóng)用植保無人機(jī)的研究現(xiàn)狀及趨勢[J].農(nóng)機(jī)化研究，2017，39（12）：1-6，31.

[4] 王大帥，張俊雄，李 偉，等. 植保無人機(jī)動態(tài)變量施藥系統(tǒng)設(shè)計(jì)與試驗(yàn)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（5）：86-93.

[5] 陳盛德，蘭玉彬，周志艷，等. 小型植保無人機(jī)噴霧參數(shù)對橘樹冠層霧滴沉積分布的影響[J].華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2017，38（5）：97-102.

[6] 劉劍君，賈世通，杜新武，等. 無人機(jī)低空施藥技術(shù)發(fā)展現(xiàn)狀與趨勢[J].農(nóng)業(yè)工程，2014，4（5）：10-14.

[7] 張?jiān)拼T，史云天，董云哲，等. 農(nóng)用植保無人機(jī)噴灑技術(shù)的研究[J].農(nóng)業(yè)與技術(shù)，2015，35（21）：46-47.

[8] WU J T，YANG J G，YANG H，et al.Extracting apple tree crown information from remote imagery using deep learning[J]. Computers and Electronics in Agriculture，2020，174：105504.

[9] CSILLIK O， JOHN C，ROBERT J，et al. Identification of citrus trees from unmanned aerial vehicle imagery using convolutional neural networks[J].Drones， 2018，2（4）：39-54 .

[10]孫 俊，譚文軍，武小紅，等. 多通道深度可分離卷積模型實(shí)時識別復(fù)雜背景下甜菜與雜草[J].農(nóng)業(yè)工程學(xué)報(bào)，2019，35（12）：184-190.

[11]王 璨，武新慧，李志偉. 基于卷積神經(jīng)網(wǎng)絡(luò)提取多尺度分層特征識別玉米雜草[J].農(nóng)業(yè)工程學(xué)報(bào)，2018，34（5）：144-151.

[12]BERGE T W，GOLDBERG S，KASPERSEN K，et al. Towards machine vision based site-specific weed management in cereals[J]. Computers and Electronics in Agriculture，2012，81：79-86.

[13]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，2016，125：184-199.

[14]BAI X D，CAO Z G，WANG Y，et al. Crop segmentation from images by morphology modeling in the CIE L*a*b* color space[J]. Computers and Electronics in Agriculture，2013，99：21-34.

[15]CAMILO P，LEONARDO S，NELSON V. Weed recognition by SVM texture feature classification in outdoor vegetable crop images[J]. Ingeniería e Investigación， 2017， 37（1）： 68-74.

[16]LE V，SELAM A，BENIAMIN A，et al. A novel method for detecting morphologically similar crops and weeds based on the combination of contour masks and filtered Local Binary Pattern operators[J]. Gigascience，2020，9（3） ：1-16.

[17]程湞湞，祁力鈞，程一帆，等. 基于M-LP特征加權(quán)聚類的果樹冠層圖像分割方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（4）：191-198，260.

[18]RADHAKRISHNA A，APPU S，KEVIN S，et al. SLIC superpixels compared to state-of-the-art superpixel methods[J].IEEE Trans on Pattern Analysis and Machine Intelligence， 2012， 34（11）：2274-2282.

[19]劉俊偉，陳鵬飛，張東彥，等. 基于時序SentineI-2影像的梨樹縣作物種植結(jié)構(gòu)[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2020，36（6）：1428-1436.

[20]董 松，徐曉輝，宋 濤，等. 基于過渡區(qū)研究的黃瓜病害識別方法[J].南方農(nóng)業(yè)學(xué)報(bào)，2019，50（9）：2119-2126.

[21]王 振，張善文，王獻(xiàn)鋒. 基于改進(jìn)全卷積神經(jīng)網(wǎng)絡(luò)的黃瓜葉部病斑分割方法[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2019，35（5）：1054-1060.

[22]林升梁，劉 志. 基于RBF核函數(shù)的支持向量機(jī)參數(shù)選擇[J].浙江工業(yè)大學(xué)學(xué)報(bào)，2007，35（2）：163-167.

[23]陳崇成，李 旭，黃洪宇. 基于無人機(jī)影像匹配點(diǎn)云的苗圃單木冠層三維分割[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（2）：149-155，206.

（責(zé)任編輯：陳海霞）