CN101226633B - 基于均值漂移的农作物冠层图像分割方法 - Google Patents

Abstract

本发明提供的是一种基于均值漂移的农作物冠层图像分割方法。首先，将在RGB颜色空间中表示的作物冠层图像进行重新采样；然后，将作物冠层图像变换到HSI空间中；接下来，将作物冠层图像中的每一个像素用四个特征值组成的四元组表示，即G-R、G-B、H、S，其中R、G、B分别表示像素的在RGB空间中的红色分量、绿色分量和兰色分量，H、S分别表示像素的在HSI颜色空间中的色度和饱和度；然后，利用均值漂移算法将作物冠层图像分割为不同的类；最后，计算每一类的特征均值，若该均值的第一、第二个分量均大于0则判断为作物，否则为非作物。本发明的有益效果是，需要设定的参数较少，特征提取过程简单明了，算法易于实现，分割正确率高。

Description

基于均值漂移的农作物冠层图像分割方法

(一)技术领域

本发明涉及的是一种图像分割方法，特别是涉及一种农作物冠层图像分割方法。

(二)背景技术

作物的许多群体特征同时也是视觉特征，因此可以利用数字图像技术对其进行分析。所谓数字图像技术是指利用计算机对获取的数字化图像进行处理、分析并提取信息。利用数字图像技术分析作物群体特征的关键一步就是图像分割——将作物冠层图像分成作物和非作物(土壤和残余物)。

目前，利用数字图像技术分割作物冠层图像时采用两种方法——基于图像处理软件的手动方法和基于图像分割技术的自动方法。其中，手动方法分割精度高，但是需要较多的人工参与，使用起来不方便。这类方法有：王晓静等人和纪秀峰采用Adobe Photoshop 7.0直接去除土壤背景方法；Lukina利用软件Micrografxpixture，通过交互调节数字影像的对比度和色彩平衡方法分割小麦冠层图像；Ewing利用软件RGBcal，DyEye和RootEdge通过交互调节红绿蓝颜色、色调、明度、和饱和度的的阈值及红绿蓝的主成分分析方法分割玉米冠层图像；Richardson利用软件SigmaScan Pro通过交互调节色调和饱和度的阈值分割草地图像。

自动方法不需要人的直接参与，这类方法有：王桂琴、雷咏雯、袁道军、单成钢、Cescatti、Ling、Shresthal、Reid、Stefan、Wang等人采用的基于阈值的分割方法；Neto等人采用的基于连通元、模糊聚类和遗传优化算法的分割方法；Bunting、Lhermitte等人采用的基于植被指数的分割方法；Mallinis、Grandi、Wang、Kampa、Li等人采用的多尺度分割方法；Onyango等人采用的基于物理反射模型的分割方法；Clement采用的基于直方图的分割方法；Dong等人采用的基于高斯-马尔可夫随机域模型的分割方法；Ouchi等人采用的高斯期望最大化分割方法；Crespo等人采用的基于神经网络的分割方法；Oliver等人采用的基于纹理的分割方法；Moigne等人采用的基于边缘和区域的分割方法；Gallo等人采用的基于形状分析的分割方法；Rodriguez等人采用的规范分析方法的分割方法；陈水森、Sadjadi等人采用的基于预先存储的模型的分割方法。

在这两大类方法中，半自动方法需要较多的人工干预，但是分割精度较高，自动分割方法不需要人工干预，但是分割效果不尽如人意。

(三)发明内容

本发明的目的在于提供一种需要设定的参数较少，特征提取过程简单明了，易于实现，分割正确率高的基于均值漂移的农作物冠层图像分割方法。

本发明的目的是这样实现的：首先，将在RGB颜色空间中表示的作物冠层图像进行重新采样；然后，将作物冠层图像变换到HSI空间中；接下来，将作物冠层图像中的每一个像素用四个特征值组成的四元组表示，即G-R、G-B、H、S，其中R、G、B分别表示像素的在RGB空间中的红色分量、绿色分量和兰色分量，H、S分别表示像素的在HSI颜色空间中的色度和饱和度；然后，利用均值漂移算法将作物冠层图像分割为不同的类；最后，计算每一类的特征均值，若该均值的第一、第二个分量均大于0则判断为作物，否则为非作物。

考虑到农作物冠层图像相对来说颜色比较均匀，因此，所述的利用均值漂移算法将作物冠层图像分割为不同的类是在计算重心时不是对整个图像进行加权平均，而是在事先规定的一个m×m窗口中进行。首先设定采样后图像中任意未被分类的像素p为m×m窗口的重心，然后，利用均值漂移向量计算以p为中心的m×m窗口的重心与像素p之间的偏移量，从而得到新的重心位置；这个过程反复叠代，直到每一次计算的偏移量小于预先设定的阈值。这种方法只在以像素p为中心m×m窗口范围内计算偏移量，大大减小了计算量，节省了计算时间。

本发明所采用的技术方案是，首先，将在RGB颜色空间中表示的作物冠层图像进行重新采样，以减小图像尺寸，加快图像处理的速度；然后，将作物冠层图像变换到HSI空间中；接下来，将作物冠层图像中的每一个像素用四个特征值组成的四元组表示，即(G-R，G-B，H，S)，其中R、G、B分别表示像素的在RGB空间中的红色分量、绿色分量和兰色分量，H、S分别表示像素的在HSI颜色空间中的色度和饱和度；然后，利用均值漂移算法将作物冠层图像分割为不同的类，在这一步中，为了加快运算速度，在计算重心时不是对整个图像进行加权平均，而是在事先规定的一个m×m窗口中进行；最后，计算每一类的特征均值，若该均值的第一、第二个分量均大于0则判断为作物，否则为非作物。本发明的有益效果是，对农作物冠层图像的分割率较高，需要设定的参数不仅各数较少，而且具有明确的物理意义，同时，特征提取过程简单明了，算法易于实现。

(四)具体实施方式

下面举例对本发明做更详细地描述：

首先，为了提高分割速度，将作物冠层图像进行重新采样，以减小图像尺寸。具体作法是：将原图像F分成r×r的小区域，计算每个小区域的RGB颜色平均值，用这个颜色平均值表示该小区域的颜色，得到处理之后的图像I。经过这样的处理之后，图像I的尺寸变为图像F的1/r。

其次，为了提取不同的颜色特征，将重新采样的图像I变换到HSI颜色空间。

然后，对于图像I的每一个像素提取四个特征，即：G-R，G-B，H，S，并将图像I的每一个像素用四元组(G-R，G-B，H，S)表示。

最后，利用均值漂移算法将作物冠层图像分割为作物和非作物，同时为了加快运算速度，在计算重心时不是对整个图像进行加权平均，而是在事先规定的一个m×m窗口中进行，具体做法如下：

步骤1，i＝0；

步骤2，选定图像I的第i个像素，其位置为i，特征值为

x_i＝(G_i-R_i，G_i-B_i，H_i，S_i)，

步骤3，选定图像中以i为中心的m×m窗口，同时令窗口的初始重心C₀＝x_i；

步骤4，使用式(1)计算m×m窗口的新重心C₁，

$C_1=\frac{\underset{j=1}{\overset{m\×m}{\mathrm{\Σ}}}{x}_j\exp (-|\left|\frac{C_0-x_j}{H^{1/2}}\right|\left|\right)}{\underset{j=1}{\overset{m\×m}{\mathrm{\Σ}}}\exp (-|\left|\frac{C_0-x_j}{H^{1/2}}\right|\left|\right)}---\left(1\right)$

其中，H＝(h₁ ²，h₂ ²，h₃ ²，h₄ ²)为带宽矩阵，x_j为m×m窗口中第j个像素的特征值。

步骤5，若‖C₀-C₁‖＜e(e为给定误差限)，转步骤6，否则令C₀＝C₁，转步骤4；

步骤6，令x_i＝C₁，i＝i+1，重复步骤2-步骤6直至遍历图像I的所有像素；

步骤7，重新遍历图像I的所有像素，若像素i和像素j满足如下条件，|x_id-x_jd|＜|h_d|对于d＝1，2，3，4成立

则合并为同一类，其中，x_id表示x_i的第d个分量。

步骤8，删除包含像素个数小于15的类。

步骤9，遍历图像I所包含的所有类，计算类i(i＝1，2….，N；N为类的个数)特征均值M_i＝(M_i1，M_i2，M_i3，M_i4)，若M_i1＞0并且M_i2＞0，则该类所包含的区域为作物，否则为非作物。

Claims (1)

1.一种基于均值漂移的农作物冠层图像分割方法，其特征是：

首先，将作物冠层图像进行重新采样，具体方法是：将原图像F分成rxr的小区域，计算每个小区域的RGB颜色平均值，用这个颜色平均值表示该小区域的颜色，得到处理之后的图像I，经过这样的处理之后，图像I的尺寸变为图像F的1/r；

其次，将重新采样的图像I变换到HSI颜色空间；

然后，对于图像I的每一个像素提取四个特征，即：G-R、G-B、H、S，并将图像I的每一个像素用四元组表示；

最后，利用均值漂移算法将作物冠层图像分割为作物和非作物，在事先规定的一个mxm窗口中进行，具体方法如下：

步骤1，i＝0；

步骤2，选定图像I的第i个像素，其位置为i，特征值为

x_i＝(G_i-R_i，G_i-B_i，H_i，S_i)，

步骤3，选定图像中以i为中心的mxm窗口，同时令窗口的初始重心C₀＝x_i；

步骤4，使用式(1)计算mxm窗口的新重心C₁，

$C_1=\frac{\underset{j=1}{\overset{m\×m}{\mathrm{\Σ}}}{x}_j\exp (-|\left|\frac{C_0-x_j}{H^{1/2}}\right|\left|\right)}{\underset{j=1}{\overset{m\×m}{\mathrm{\Σ}}}\exp (-|\left|\frac{C_0-x_j}{H^{1/2}}\right|\left|\right)}---\left(1\right)$

其中，H＝(h₁ ²，h₂ ²，h₃ ²，h₄ ²)为带宽矩阵，x_j为mxm窗口中第j个像素的特征值；

步骤5，若‖C₀-C₁‖＜e，其中e为给定误差限，转步骤6，否则令C₀＝C₁，转步骤4；

步骤6，令x_i＝C₁，i＝i+1，重复步骤2-步骤6直至遍历图像I的所有像素；

步骤7，重新遍历图像I的所有像素，若像素i和像素j满足如下条件，

|x_id-x_jd|＜|h_d|对于d＝1，2，3，4成立

则合并为同一类，其中，x_id表示x_i的第d个分量；

步骤8，删除包含像素个数小于15的类；

步骤9，遍历图像I所包含的所有类，计算类i，其中i＝1，2....，N、N为类的个数，特征均值M_i＝(M_i1，M_i2，M_i3，M_i4)，若M_i1＞0并且M_i2＞0，则该类所包含的区域为作物，否则为非作物。