曹靖康，段江永，孟 娟

0 引 言

空间植物实验对于揭示植物在太空环境中的生长规律，以及建立人类在太空中生存所需的生命支持系统具有重要意义[1]。这些实验获取的数据通常是植物生长图像[2]。然而由于空间植物的特殊性，处理方法通常是人工观察分析，这样就造成了耗时、主观性强、人眼误差等问题。因此，植物图像信息的自动提取是一个亟待解决的问题，其中植物图像的精细分割是信息提取的基础。

许多传统的植物分割算法采用浅层特征来分割图像[3]，如图像灰度特征(Haar)、颜色特征(直方图)、纹理特征(LBP)、梯度特征(SIFT)等。Kataoka等人[4]基于对大豆和甜菜的研究，采用植被提取颜色指数(CIVE)来分离绿色植物和土壤背景，该指数通过对R、G、B通道赋予不同权值，并增加一个常数偏差来获得，在室外环境下的自然影像中，该指数显示出良好的适应性，但对于阴影适应性较差。Hemming等人[5]、Aitkenhead等人[6]和Tellaeche等人[7]采用灰度直方图的熵来区分植物和土壤，这是一种固定阈值法，主要针对受控照明条件下植物的自然影像。

机器学习方法也被用于提取有效特征[8]。对于无监督学习，Meyer等人[9]采用强化模糊聚类方法从超绿指数和超红指数中提取感兴趣的区域，指数和集群在增强处理后，将感兴趣的区域按照模糊程度进行排序，重新组合标记，模糊程度低的连续区域则为植物群，该方法针对的是向日葵、红根藜、大豆等植物。对于监督学习，Zheng等人[10]提出了一种后向传播神经网络的监督均值平移算法，在算法中使用RGB和HSI颜色空间作为特征进行训练。……