基于多尺度特征的园艺草割过与未割过自然图像分割.docxVIP

基于多尺度特征的园艺草割过与未割过自然图像分割 农田作业辅助导航 在农业、昆虫和收获机械等多感知独立导航的基础上，被动视觉辅助提供了基于自然作物、土壤和植物之间纹理和颜色的导航支持，以增强综合独立行为的效率和及时性。研究该问题对解决集约化农业生产中, 人在野外重复性作业环境下的驾驶疲劳和安全具有重要意义。 在野外自主导航中, 被动传感器的主动视觉具有感知信息量大的优点, 是野外自主导航技术的基础。目前研究较多的是基于结构化道路的导航, 一般采用多种假设来化简问题, 然而, 农田作业是自然纹理图像, 用上述方法对其分割存在适应性局限, 故利用对农作物割过与未割过的边缘线的实时识别进行作业机械自主导航是一项很困难的工作。Ollis等基于彩色直方图, 通过求作物割过与未割过的像点条件概率来检测边缘线;Gerrish等用视觉与GPS的多信息融合进行拖拉机的田间作业导航;沈明霞等利用灭点检测, 探讨了自主行走农业机器人的自定位。Chandler等基于小波纹理分析提出了一个对割草机进行自主导航的概念框架, 对静态的草地纹理图像取得了较好的两类分割结果, 但其实验系统尚不能自主跟踪割过与未割过草地的边缘线, 对结构化道路的跟踪尚存在S型行走甩尾现象。Benson等提出了单目视觉导航农业联合收获机的系统, 采用连通域分析将玉米作物行与背景分离, 图像处理速度为2帧/s(对应最大前进速度1.3m/s) , 可昼夜提供导航作业控制。Broggi等基于蚁群优化提出的雪橇痕迹实时视觉跟踪导航方法较成功, 但其用3×3平滑模板的滤波不能解决农作物之类的自然纹理图像。本文从高相似度、非结构化自然图像的两类边缘线跟踪入手, 提出了两种高效率的分割方法, 以自主做出作业机的理想移动方向决策。 1 兴趣区域压缩加权中等值的狭窄带法 该方法源于这样一种直觉:作物割过与未割过表面存在着统计差异, 使得肉眼能依稀分辨出不同特征来。 1.1 边缘模糊的自然图像的多尺度投影直方图分析 肉眼在分辨作物的纹理和颜色边缘时并不总能认识每棵作物的细节形态。对边缘模糊的自然图像的多尺度投影直方图分析见图1, 尺度加大后, 干扰杂波明显减少。因此, 适当提高图像的跟踪尺度能在减少计算成本的同时, 增强导航线输出的鲁棒性。 1.2 单一投影能量直方图 通过调查HSV色彩模型的显像特征, 发现用V图能反映作物割过与未割过的两类差异。因图像大部区域以相似同类呈现, 故以一维投影能量直方图初步定出前进方向上作物割过与未割过边缘线所在兴趣区。显然, 在割过与未割过边缘带可能存在统计峰谷形态, 以最大-最小值的分布区间便可划出初始分割兴趣区。 1.3 中值点集的确定 通过统计初始兴趣区内各像素点的亮度分布发现, 同时提取兴趣区内亮度最大、次大的像素点与亮度最小、次小的像素点位置, 再加权取算术平均, 能在初始兴趣区内求出边缘的窄带统计分布 (见图2) 。兴趣区压缩后的边缘特征点集Xmed可描述为 {X(i)min=1n(i)1(minn∑x=1m∑y=1Ι(x,y))X(i)max=1n(i)2(maxn∑x=1m∑y=1Ι(x,y))(i=1?2)(1)?????????????X(i)min=1n(i)1(min∑x=1n∑y=1mI(x,y))X(i)max=1n(i)2(max∑x=1n∑y=1mI(x,y))(i=1?2)(1) Xmed=med∑i,j∈RdXij=[ω1(X(1)min+X(1)max) /2+ω2(X(2)min+X(2)max) /2]/2 (2) 式中 I (x, y) ——图像兴趣区域m×n中各像素点的亮度值 X(i)min、X(i)max——像素值出现最小、次小和最大、次大值点集的坐标位置 n(i)1、n(i)2——应投影直方图亮度最小、次小和最大、次大的像素点数量 ω1、ω2——对不同作物进行暗分量与亮分量调节的权值, 取ω1=0.8, ω2=1 因此, 由兴趣区点集Xij的最小、次小和最大、次大值求得的中值点集Xmed为窄带兴趣区Rd, 而且满足子空间Rd=m(x2-x1) ?R=mn。 1.4 小化残差的估计 图2a和图2b表示窄带兴趣区两侧形成的统计独立的相似亮度特征点集。通过求类似点集的加权算术平均, 便可找出其两类边缘线的分割点集 (见图2c) 。用最小中值二乘回归拟合形成边缘点集的第一主成分线, 取得导航方向线参数。在最小中值二乘回归方法中, 模型参数?θ的估计可由极小化残差平方中值求得, 即 min?θmedi(r2i)(3) 然而, 最小中值二乘回归 (或称鲁棒回归) 的计算成本较高。事实上, 从式 (2) 已获得图像兴趣区的压缩分布形态 (纹理边缘点集落在图3c中的白线内) 。出于应用实时性考虑, 可将该窄带兴趣区划分为上