摘 要：通過對青椒RGB模型,、顏色因子、直方圖閾值的分析,提出了一種顏色特征與直方圖閾值相結(jié)合進行田間青椒圖像分割的方法,，該方法無需灰度轉(zhuǎn)換,。試驗結(jié)果表明，該算法能很好地從圖像背景中分離田間青椒果實,并較好地保存青椒輪廓信息,分割成功率高于85%,。進一步對分割的圖像進行平滑,形態(tài)學(xué)處理,如膨脹,、腐蝕等,可以有效消除孔洞現(xiàn)象,有利于對青椒的進一步識別。
關(guān)鍵詞：顏色特征,；圖像分割,；采摘機器人；閾值

    隨著農(nóng)業(yè)的不斷發(fā)展,，自動化是現(xiàn)代化農(nóng)業(yè)的一個首要標志,。在青椒采摘機器人的研制中，田間青椒果實與其背景的分離是首要的任務(wù)。由于機器人采集的圖像受到自然光的影響,青椒果實表面與其周圍葉片等環(huán)境存在一定的差別, 目前常用的圖像分割方法有兩種：利用圖像的顏色特征進行分割以及利用BP神經(jīng)網(wǎng)絡(luò)對圖像進行分割,。本文經(jīng)過對青椒果實的顏色因子和青椒葉子的顏色因子分析發(fā)現(xiàn),，通過RGB顏色因子G與B的差值和G與R的差值的疊加可以將青椒從其背景中有效分割出來。
1 圖像的采集
    (1)采集時間：圖像獲取的時間,，應(yīng)根據(jù)青椒作物的生長狀況和生長規(guī)律而定,，選擇青椒有較明顯特征時進行拍攝。
    (2)采集地點：東北農(nóng)業(yè)大學(xué)園藝田,。
    (3)所用儀器：SONY彩色數(shù)碼照相機,。
    (4)采集方法：用數(shù)碼相機在園藝田中拍攝青椒作物圖片，選擇具有典型代表的圖片進行處理,，獲取的圖像以JPG格式存儲在存儲卡中,，在并行口與計算機相連，將圖像存儲于硬盤中并轉(zhuǎn)成BMP格式的24位真彩圖,。
    在實際應(yīng)用系統(tǒng)中可考慮采用CCD攝像機動態(tài)采集圖像,，通過圖像采集卡將圖像實時地傳入到控制臺的計算機內(nèi)。由于數(shù)字圖像處理具有數(shù)據(jù)量大,、處理費時的特點,，考慮到實際操作時，青椒識別系統(tǒng)的實時性要求高,，因而要求計算機的性能較高,，尤其是處理速度要高，在滿足識別系統(tǒng)要求的情況下,，選擇性價比高的硬件配置,。
2 田間青椒圖像顏色特征的分析算法
    顏色是自然界中一種常見的物理現(xiàn)象,，是外界的光刺激引起人的顏色視覺細胞的感應(yīng),。目前，用于定量地描述顏色的模型有許多種,，在與數(shù)字圖像處理有關(guān)的研究中使用得最多的顏色模型是RGB模型和HIZ模型,。RGB顏色模型基于人類視覺的三基色原理，是最基本的一種顏色模型,，因此本文采用此顏色模型進行分析研究,。在這種顏色模型中，彩色圖像中每個像素的顏色都能用三維空間中第一象限的一個點來表示,，如圖1所示,。

    所謂的顏色特征提取方法是從彩色圖像中獲取三基色(R、G,、B)的原始數(shù)據(jù),，或經(jīng)一定數(shù)學(xué)處理的算子(顏色因子)，對果實與周圍背景進行顏色區(qū)分。在采集的圖像中,，其豐富的色彩信息為青椒圖像的分割提供了便利,。在顏色特征提取分析過程中，利用 Photoshop圖像處理軟件對圖像中各對象(青椒,、青椒葉)的感興趣區(qū)域ROI(Region of Interest)進行分析和比較,， 圖2是ROI的選取示意圖。

　　表1,、表2是圖像中各對象(青椒,、葉子)顏色特征的R、G,、B值和顏色因子G-R,、G-B、|G-R|+|G-B|的值,，共有30組,。

    在提取各對象R、G,、B成份值后,，用Excel對數(shù)據(jù)進行了統(tǒng)計分析，比較了青椒和青椒葉兩者間的G-R,、G-B,、|G-R|+|G-B|的顏色因子。通過表1和表2的對比發(fā)現(xiàn),，青椒與葉子G-R,、G-B顏色因子的值都比較接近，而青椒和青椒葉|G-R|+|G-B|顏色因子的值存在較大的差別,，因此,，可以利用顏色因子|G-R|+|G-B|將青椒果實與其背景的差別顯現(xiàn)出來。對圖像G-R顏色因子處理后的圖像如圖3所示,。

    對圖像G-B顏色因子處理后的圖像如圖4所示,。

    對圖像|G-R|+|G-B|顏色因子處理后的圖像如圖5所示。

    從圖3,、圖4,、圖5的對比不難發(fā)現(xiàn)，經(jīng)顏色因子|G-R|+|G-B|處理后的圖像,，青椒與其背景存在明顯的差別,。
3 直方圖閾值分割算法
    圖像分割是指根據(jù)灰度、色彩,、空間紋理,、幾何形狀等特征,，把圖像劃分成若干個互不相交的區(qū)域，使得這些特征在同一區(qū)域內(nèi)表現(xiàn)出一致性或相似性,，而在不同區(qū)域間表現(xiàn)出明顯的不同,。目前，最常用的圖像分割方法是閾值分割,。其中閾值選取方法主要有直方圖技術(shù)和自適應(yīng)性閾值,。
    對于含有目標區(qū)域和背景區(qū)域?qū)Ρ茸銐虼蟮膱D像，通?？梢越柚狈綀D,，可方便地確定物體圖像和背景的灰度突變位置，并把閾值選在此處,，來進行圖像分割,。圖6為存在峰值點的圖像直方圖。

    在經(jīng)過顏色因子|G-R|+|G-B|處理后的圖像中,，可以看到青椒與其背景的差別很大,，通過觀察發(fā)現(xiàn)，此圖像的直方圖存在峰值點,，因此,，可以選擇該點作為閾值點進行分割。圖像分割結(jié)果如圖7所示,。

4 實驗結(jié)果分析
    由于自然條件中光線的過強或過弱都會對青椒的分割產(chǎn)生較大的影響,，因此做如下分析說明。
    (1)光線強：由于光線較強,，青椒表面對光的反射也隨之增強,，圖像分割后會使青椒表面存在較大的空洞。
    (2)光線弱：由于光線較弱,，青椒表面部分顏色會與其葉子和背景的顏色相近,，分割后會產(chǎn)生一些誤判的區(qū)域。
    以上的情況,，在青椒分割后均會使其面積大量地缺失,，繼而,，也會使青椒分割后的輪廓受到嚴重的影響,。
    本試驗所用青椒圖像為使用數(shù)碼相機在東北農(nóng)業(yè)大學(xué)園藝田自然光條件下拍攝的5組照片，圖像分辨率為3 072像素×2 304像素,。圖像處理平臺為Windows XP操作系統(tǒng),編程語言采用Matlab7.1,。隨機選取一組照片進行實驗，采用顏色因子與直方圖閾值相結(jié)合進行圖像分割,。由于自然條件的隨機性影響,，在分割過程中會產(chǎn)生一些誤判的小區(qū)域,，對于這種情況，可以采用小區(qū)域面積消除,，進行處理,。文中對誤判小區(qū)域進行處理后的圖像，如圖8所示,。

    從圖8中可以看到,，經(jīng)過小區(qū)域去除后，青椒的輪廓保存較為完整,。本文對100個隨機樣本進行分析驗證后,，其青椒的分割成功率高于85%。圖9所示是圖像分割率的統(tǒng)計圖,。對于未成功分割率的原因作如下分析：

    （1）青椒位于枝葉中的較深部位時,，經(jīng)圖像處理后，其R,、G,、B的值與葉子相似，經(jīng)直方圖閾值法很難找到相應(yīng)的閾值進行分割,。
    （2）由于強光的照射,，青椒表面經(jīng)處理后會產(chǎn)生大片的未閉合區(qū)域，最終造成“誤分割”的結(jié)果,。
    本文所提出的基于顏色特征與直方圖閾值相結(jié)合的田間青椒圖像分割算法,具有分割時間短,、分割精度高等優(yōu)點,能很好地實現(xiàn)田間青椒果實與其背景的分離 ,并較好地保存了青椒的輪廓信息,有利于對青椒的進一步識別。采用形態(tài)學(xué)的膨脹,、腐蝕等方法,可有效地改善圖像分割后存在的孔洞現(xiàn)象,。
參考文獻
[1] 李弼程，彭天強,，彭波,，等.智能圖像處理技術(shù)[M].北京：電子工業(yè)出版社，2004.
[2] 謝志勇,，張鐵中.基于RGB彩色模型的草莓圖像色調(diào)分割算法[J].中國農(nóng)業(yè)大學(xué)學(xué)報,，2006，11(1):84-86.
[3] 董長虹,，賴志國,，余嘯海.Matlab圖像處理與應(yīng)用[M].北京：國防工業(yè)出版，2004:168-202.
[4] 張志涌.精通MATLAB6.5[M].北京：北京航空航天大學(xué)出版社,，2003.