论文部分内容阅读
【摘 要】田间图像分割阈值是影响分割效果的重要参数，针对田间导航线的提取，对比了不同阈值分割效果提取田间导航线间的差异。对9幅田间图像分别采取不同阈值提取导航线，进行方差分析均存在显著差异。这表明分割阈值对田间导航线提取存在显著影响。
【关键词】分割阈值；田间；导航线
通过农业机械的广泛使用减少劳动强度已经成为现代农业的共识，而通过引入自动控制技术实现农业机械的自动化和智能化成为现代农业的新方向。为实现农业机械自动行驶，近年来视觉导航技术逐渐成为研究的热点[1][2][3][4]。在农业设备视觉导航中，田间图像的分割阈值是重要影响因素，因此对分割阈值对导航线提取影响的研究将为相关设备的开发提供理论基础。
1.田间导航线提取算法
现有的田间导航技术一般分为3个步骤：图像分割，特征点提取，导航线拟合。其中图像分割是后续步骤的基础。现有视觉导航设备采集到的田间图像多为RGB图像，即运用R、G、B三个值表示每个像素点红、绿、蓝的程度，进而表示每个像素点的颜色。田间采集到用于导航的田间图像一般如图1（a）所示。
图像分割就是将田间图像中绿色的植被与其他颜色的背景分离开，从而根据绿色作物提取绿色作物中间的垄间道路，也就是农业设备的导航线。现有研究中一般采用超绿特征（2G-R-B）进行阈值分割，也有采用归一化后的超绿特征进行分割。但是对于阈值的选取缺乏公认的方法。图1（a）阈值分割后的图像如图1（b）所示。分割图中白色的部分表示绿色植被，数值为1。分割图中黑色的部分表示背景，数值为0。因为分割图中只有0和1两种数值，因此这也被称为二值图。
获取分割后的二值图后，一般需要提取特征点，最多见的方法就是逐行扫描图像，提取每行绿色植物的中心点，也就是白色坐标的中心点。当然，也有其他方法，比如提取中间垄线的中线点，但是提取绿色作物的中心点误差较为稳定，所以较为多见。这些中心点坐标就是导航线拟合中需要的特征点。
提取特征点后，就需要根据特征点拟合导航线。现在最常见的导航线提取算法一般是最小二乘法和HOUGH变换。两种方法拟合的效果差别不大，其主要思想都是找到一条直线使得尽量符合已知特征点的坐标规律。如图1（b）提取绿色植被各行中心点为特征点，运用最小二乘法拟合直线结果如图1（c）所示。
2.分割阈值影响分析
显然，分割阈值的不同将使得田间导航图像的分割结果不同，一些点可能由绿色植被判断为背景，或者将背景判断为作物。因此，分割阈值影响分割精度得到共识。但是，经过特征点提取和导航线拟合后分割阈值带来的差异影响是否存在并无定论。
如果在分割过程中由于田间图像的某些特点存在误差抵消的情况，甚至可能使得不同分割阈值带来的差异消失。一旦这一假设成立，在研究中则可以考虑忽略分割阈值的影响，这对于分割阈值的选取具有较大影响。
3.实验与结果
为验证相关情况，选择9幅田间导航图像，采用超绿特征分割图像。分割中采取两个不同的阈值进行分割。分割后分别提取每行绿色作物中心点为特征点，拟合直线作为导航线。所拟合直线y=ax+b中系数a和b分别如表1所示。为分析不同分割阈值的结果，对每幅图像所得两条导航线在图像中每行的点进行配对样本t检验，得到每幅图像两条导航线的显著性概率如表1所示。
如表1所示，9幅图像的不同阈值分割后所获取的导航线之间的显著概率都近似为0，这表明导航线之间存在显著差异。这就表明分割阈值的选取直接影响导航线提取的精度。
参考文献：
[1]戴青玲， 李克俭， 黄玲， 胡波. 曲线导航线提取中腐蚀参数的分析. 安徽农业科学，2011（7）.
[2]张志斌， 潘华稳， 李琛， 王冰清. 一种基于平均垄间距的视觉导航垄线识别算法. 计算机工程与应用，2011（22）.
[3]张成涛， 谭彧， 吴刚， 王书茂. 基于达芬奇技术的收割机视觉导航图像处理算法试验系统. 农业工程学报，2012（22）.
[4]李景彬， 陈兵旗， 刘阳， 查涛. 采棉机视觉导航路线图像检测方法. 农业工程学报，2013（11）.
项目基金：
广西大学生创新创业项目（2013CXJH16）
【关键词】分割阈值；田间；导航线
通过农业机械的广泛使用减少劳动强度已经成为现代农业的共识，而通过引入自动控制技术实现农业机械的自动化和智能化成为现代农业的新方向。为实现农业机械自动行驶，近年来视觉导航技术逐渐成为研究的热点[1][2][3][4]。在农业设备视觉导航中，田间图像的分割阈值是重要影响因素，因此对分割阈值对导航线提取影响的研究将为相关设备的开发提供理论基础。
1.田间导航线提取算法
现有的田间导航技术一般分为3个步骤：图像分割，特征点提取，导航线拟合。其中图像分割是后续步骤的基础。现有视觉导航设备采集到的田间图像多为RGB图像，即运用R、G、B三个值表示每个像素点红、绿、蓝的程度，进而表示每个像素点的颜色。田间采集到用于导航的田间图像一般如图1（a）所示。
图像分割就是将田间图像中绿色的植被与其他颜色的背景分离开，从而根据绿色作物提取绿色作物中间的垄间道路，也就是农业设备的导航线。现有研究中一般采用超绿特征（2G-R-B）进行阈值分割，也有采用归一化后的超绿特征进行分割。但是对于阈值的选取缺乏公认的方法。图1（a）阈值分割后的图像如图1（b）所示。分割图中白色的部分表示绿色植被，数值为1。分割图中黑色的部分表示背景，数值为0。因为分割图中只有0和1两种数值，因此这也被称为二值图。
获取分割后的二值图后，一般需要提取特征点，最多见的方法就是逐行扫描图像，提取每行绿色植物的中心点，也就是白色坐标的中心点。当然，也有其他方法，比如提取中间垄线的中线点，但是提取绿色作物的中心点误差较为稳定，所以较为多见。这些中心点坐标就是导航线拟合中需要的特征点。
提取特征点后，就需要根据特征点拟合导航线。现在最常见的导航线提取算法一般是最小二乘法和HOUGH变换。两种方法拟合的效果差别不大，其主要思想都是找到一条直线使得尽量符合已知特征点的坐标规律。如图1（b）提取绿色植被各行中心点为特征点，运用最小二乘法拟合直线结果如图1（c）所示。
2.分割阈值影响分析
显然，分割阈值的不同将使得田间导航图像的分割结果不同，一些点可能由绿色植被判断为背景，或者将背景判断为作物。因此，分割阈值影响分割精度得到共识。但是，经过特征点提取和导航线拟合后分割阈值带来的差异影响是否存在并无定论。
如果在分割过程中由于田间图像的某些特点存在误差抵消的情况，甚至可能使得不同分割阈值带来的差异消失。一旦这一假设成立，在研究中则可以考虑忽略分割阈值的影响，这对于分割阈值的选取具有较大影响。
3.实验与结果
为验证相关情况，选择9幅田间导航图像，采用超绿特征分割图像。分割中采取两个不同的阈值进行分割。分割后分别提取每行绿色作物中心点为特征点，拟合直线作为导航线。所拟合直线y=ax+b中系数a和b分别如表1所示。为分析不同分割阈值的结果，对每幅图像所得两条导航线在图像中每行的点进行配对样本t检验，得到每幅图像两条导航线的显著性概率如表1所示。
如表1所示，9幅图像的不同阈值分割后所获取的导航线之间的显著概率都近似为0，这表明导航线之间存在显著差异。这就表明分割阈值的选取直接影响导航线提取的精度。
参考文献：
[1]戴青玲， 李克俭， 黄玲， 胡波. 曲线导航线提取中腐蚀参数的分析. 安徽农业科学，2011（7）.
[2]张志斌， 潘华稳， 李琛， 王冰清. 一种基于平均垄间距的视觉导航垄线识别算法. 计算机工程与应用，2011（22）.
[3]张成涛， 谭彧， 吴刚， 王书茂. 基于达芬奇技术的收割机视觉导航图像处理算法试验系统. 农业工程学报，2012（22）.
[4]李景彬， 陈兵旗， 刘阳， 查涛. 采棉机视觉导航路线图像检测方法. 农业工程学报，2013（11）.
项目基金：
广西大学生创新创业项目（2013CXJH16）