航拍油菜花圖像的自動聚類分割方法

梅 杰,孫開瓊,覃 磊,劉昌華

(武漢輕工大學 數學與計算機學院,湖北 武漢 430023)

0 引言

油菜種植在我國十分廣泛,油菜籽是重要的植物油源,也是植物蛋白粉的主要來源之一[1]。根據國家統(tǒng)計局數據,2018年中國油菜籽產量為1328.12萬t。開花期是油菜種植的關鍵階段,其標志著油菜從營養(yǎng)生長向生殖發(fā)育的過渡。油菜開花信息有助于揭示油菜生長與環(huán)境的關系,并且有助于制定最優(yōu)的作物管理方案[2]。計算機視覺技術是自動量化油菜開花數量和程度,取代耗時的人工測量的重要手段。

顏色閾值和聚類方法通常被用來實現(xiàn)花的分割和比例估計,其圖像來源于不同的成像方式，例如： Fang S, et al.[3]采用油菜冠層反射光譜綠、紅、紅邊和近紅外光譜數據; Wan L, et al.[4]采用紅、綠、藍多光譜。在類似的成像條件下, Aggelopoulou A D, et al.[5]提出的檢測花卉的顏色閾值方法要求在特定的日光時間拍攝圖像,并在樹后設置黑屏去掉背景。Thorp K R,et al.[6]提出了HSI顏色空間中顏色閾值圖像分割方法。Hocevar M, et al.[7]根據HSI空間中顏色的確定閾值來估計蘋果樹的花簇數目。Oppenheim D, et al.[8]采用了兩個閾值區(qū)間來檢測番茄花,閾值區(qū)間的選擇是通過將圖像分成較暗和較淺的圖像來決定的。這種圖像分類是基于對整個圖像的飽和度的統(tǒng)計,因此,該方法對背景變化敏感。Long Y, et al.[9]建立了基于RGB顏色空間的顏色相似性判斷模型,確定了合適的顏色相似性判斷閾值,以對油菜花進行分類。相似度閾值實際上決定了最終結果的聚類數,需要為每個圖像指定聚類數。在聚類方法方面, Shuai D, et al.[10]利用黃色模板去除背景信息,然后用K-means聚類法對油菜花進行分割。還有一些學者[4，10-12]采用不同的聚類數進行花卉分割,這些聚類數均需要人工預先指定。HSI變換通常被認為是戶外農業(yè)場景中可變光照條件下彩色圖像分割的有用方法。研究發(fā)現(xiàn),油菜花面積在H通道中有較穩(wěn)定的統(tǒng)計[6]。已有的花卉閾值分割方法都是在特定的顏色通道中使用目標敏感閾值來簡化多區(qū)域情況,因為人們只關心花與背景的分離[6,8]。然而,閾值的選取對環(huán)境的變化非常敏感。作為解決此問題的一種選擇,伴隨顏色閾值的蒙特卡羅抽樣方法[6]使用多組參數來進行分割，得到多個分割結果,最后綜合所有結果得到最后分割,這導致計算成本增加。利用整個圖像的飽和度統(tǒng)計信息[8],使閾值區(qū)間適應單個測試圖像,這樣的估計并不準確。

本文的研究目標是開發(fā)一種油菜花的分割方法,圖像來源于可見光范圍內的普通數碼相機拍攝成像，這種成像方法的成本低,且易于實現(xiàn)。在對油菜花的分割中，為了克服背景變化對顏色閾值的影響,本文提出了一種基于HSI空間顏色閾值和X均值自動聚類[13]相結合的方法。顏色閾值用來確定候選的目標區(qū)域,然后計算其區(qū)域統(tǒng)計量,包括均值和方差,這些量被用在X均值自動聚類方法[13]中作為約束條件,自動決定聚類數目和目標區(qū)域對應的聚類。與現(xiàn)有的顏色閾值方法不同的是,本文提出的方法并不直接采用顏色閾值得到的二值化結果,而是估計其對應區(qū)域的統(tǒng)計量,相對于現(xiàn)有的聚類方法,提出的方法不需要預先指定聚類數目。整個分割過程如圖1所示。首先,RGB油菜花圖像被轉化至HSI空間[6],通過H通道閾值去掉背景,得到候選目標區(qū)域；然后將圖像再轉至LAB空間,分別計算候選目標區(qū)域在a、b空間的均值和方差;均值作為初始中心，使用X均值自動聚類算法[13]進一步分割油菜花；在聚類過程中,之前計算的候選目標區(qū)域的方差作為一個類是否分裂為兩個子類時兩個子類中心需要滿足的距離條件,形成對新產生的聚類的約束。實驗表明,本文提出的這種方法可以克服背景變化對分割的影響,能夠自動、精準地分割出田間油菜花。

圖1 算法過程流程圖

1 HSI顏色空間的閾值分割

HSI顏色模型[6]采用H、S、I三個參數來描述彩色圖像,其中H表示顏色的波長,稱為色調;S表示顏色的深淺程度,稱為飽和度;I表示強度或亮度。從RGB空間轉換成為HSI空間的公式為:

I=(r+g+b)/3

(1)

(2)

(3)

式(3)中θ的定義為:

(4)

在轉換前,圖像的R、G、B的值需要進行歸一化處理,分別得到歸一化值r,g,b，然后根據(1)、(2)、(3)式將RGB圖像轉為HSI顏色空間模型,轉換后的H、S、I值也在[0,1]區(qū)間。Thorp K R, et al.[6]統(tǒng)計了有關黃色花朵在HSI顏色空間每個通道的邊界信息,邊界信息由最大和最小色調、最大和最小飽和度、最大和最小強度六個參數組成,各個通道的值如表1所列。本文只利用H通道的邊界值,即[0.1216,0.1768]。將在邊界條件范圍內的像素值設為1,其它不在范圍內的設為0,得到二值圖像。圖2b給出了圖2a中的原始圖像通過以上顏色閾值后對應的目標區(qū)域,其中背景為黑色,目標為原始圖像中的RGB顏色。

表1 油菜花圖像分割所用的邊界信息

a b

2 自動聚類

X均值自動聚類法[13]是一種典型的無監(jiān)督聚類算法。在X均值聚類中,只需給出種類的上限和下限,它便會將數據集合劃分為合適的聚類,同時得到聚類數目。與傳統(tǒng)的K均值聚類相比,X均值聚類輸出的不僅有質心集,還有根據模型選擇標準在得分最高處的K值。該算法從給定范圍下限Kmin開始,在需要的地方繼續(xù)添加質心,直到達到上限為止,而決定是否需要增加質心采用貝葉斯信息標準。在此過程中,記錄得分最高的質心集,作為最終輸出的質心集。

2.1 貝葉斯信息標準

假定D為給定的數據集合,Mj是可選的模型對應不同的聚類數K得到的聚類結果。為了判斷模型是否合適,采用后驗概率Pr[Mj|D]對模型打分,并用下面的貝葉斯信息標準來擬合后驗概率:

(5)

在高斯假設下,并假設所有類的方差相同,方差的極大似然估計為:

(6)

式(6)中：μ(i)是對應點xi的聚類中心;xi是聚類像素的值,其概率為:

(7)

式(7)中：R(i)為點xi對應聚類的點數目;M為數據的維度。

對于所有像素點的對數似然函數為:

(8)

對某個第n(1≤n≤K)類,如果只關注屬于質心n范圍的集合Dn,并考慮最大似然估計,則得到:

+RnlogRn-RnlogR

(9)

2.2 X均值自動聚類

利用前面的貝葉斯信息標準,X均值自動聚類算法包括以下4個操作:(1)輸入Kmin、Kmax和數據集D；(2)運行傳統(tǒng)的K均值聚類算法(K=Kmin)；(3)對當前已有的所有聚類,進行K均值聚類(K=2)；(4)根據貝葉斯信息標準計算聚類及其兩個子類的分數，決定是否進行二分聚類。對第(3)步到第(4)步進行迭代,如果兩次結果(中心點數量)一樣或達到Kmax,則結束迭代。

3 分割方法

在復雜的田間環(huán)境中,影響農作物分割的因素有很多,一是自然環(huán)境的影響,如土壤、光照和天氣;二是農作物對本身的影響,如葉片、花稈。前面通過顏色閾值得到的目標區(qū)域并不準確,包含與目標顏色接近的背景。采用傳統(tǒng)的聚類方法一般可以得到完整的目標區(qū)域,但是通常需要人工指定或者調節(jié)聚類數目,而常用的自動決定聚類數的方法基于特定的假設,難以符合本文油菜花分割的情況。X均值自動聚類方法偏向聚類數目較大的選擇,容易導致過分割。本文采用X均值自動聚類方法[13],但是利用前面顏色閾值得到的目標區(qū)域的統(tǒng)計信息,在自動聚類中增加約束,來實現(xiàn)完全自動的分割。聚類采用原始圖像在LAB空間的a、b通道的值,如圖2c、圖2d所示。采用上節(jié)的聚類過程,不同的是,在判斷接受當前的某個類分裂為兩個子類時,除了前面的貝葉斯信息標準,另外增加的條件為:兩個子類的質心距離差的平方大于候選目標區(qū)域的在對應顏色通道的方差,候選目標區(qū)域由前面H通道的顏色閾值得到,即滿足下式:

(10)

式(10)中：D是兩個子類質心在a、b通道的差;右邊為固定的方差；Ai、Bi是候選目標區(qū)域在a、b通道上的點值；分母是候選目標區(qū)域的點數。

圖3a顯示了圖2a原始圖像的聚類分割結果,與原始顏色閾值的結果圖2b相比,得到的新結果有更清晰的目標區(qū)域,且干擾的背景像素大量減少。采樣同樣的顏色通道,將聚類數范圍設定為[2,10],采用原始的X均值自動聚類方法[13]得到的最優(yōu)聚類數為5,圖3c和圖3d顯示了其中與候選目標區(qū)域顏色最接近的兩個聚類的結果,與本文提出的方法對比,原始的X均值導致了目標的過分割,而本文增加的分裂約束抑制了過分割,得到更完整的目標區(qū)域,即圖3a。

a b

4 實驗結果與分析

為了驗證本文提出的分割算法的效果,我們使用Matlab 2018b對選取的30張油菜花田航拍圖像進行仿真實驗，并將本文方法所得的結果與傳統(tǒng)的顏色閾值方法相比較。圖4給出了本文的方法與其它3種方法ExG[14]、ExR[15]、兩階段方法[16]比較的結果。

a b c d e

如圖4所示：ExG和ExR分割方法都將原始圖像中某些黃色枯萎的葉子也分割出來了,以致分割的圖像中出現(xiàn)很多細小的黃點；兩階段算法相對于ExG和ExR而言較好；本文所提出的方法也避開了黃色葉子的分割錯誤?？傮w上,采用上述4種方法均得到了比較滿意的結果,區(qū)別在微小的目標區(qū)域。

采用同樣的方法對大尺度圖像的分割結果如圖5所示,由于受背景的影響,大量的背景像素顏色主導了閾值的選擇,因此采用ExG、ExR以及兩階段方法所得的結果都有大片的背景存在,效果不佳；而采用本文提出的方法并沒有受到背景的明顯的影響,所得結果對背景的變化并不敏感。由于背景的變化,圖像上實際的不同目標數量增加,采用固定聚類數目的方法[10-12]不能適應這種變化,需要人為地確定合適的聚類數目；而本文的方法能夠自動檢測確定合適的聚類數,不需要人工指定,實現(xiàn)了完全的自動化。

5 結論與討論

本文提出了一種基于自動聚類的油菜花圖像分割方法,相對于傳統(tǒng)的顏色閾值分割方法,提出的方法能夠將與油菜花顏色相近的土壤剔除掉。與ExG、ExR以及兩階段方法相比，本文提出的方法對背景的變化具有更強的適應性,且能自動確定合適的聚類數。本文方法存在的問題是,對于油菜花中心的綠色花蕊無法分割,造成分割的花朵中心為空,沒有考慮目標的形狀信息。