宋文龙 莫冲 王琢

摘  要： 树干颜色是进行林木树干识别的重要依据之一。为实现不同颜色林木树干的识别，基于树干的颜色特征，提出一种自适应阈值的树干识别方法。首先，依据不同颜色林木树干的颜色值分布特性来选定对树干图像分割的阈值区间;其次，在阈值区间内根据树干的图形特征自适应阈值对树干进行图像分割;最后，对分割结果采用RANSAC算法精确拟合树干边缘，实现树干的识别。实验选取水曲柳、兴安落叶松和紫椴等树干颜色存在较大差异的树种，每一树种随机选取100棵树干进行识别，树干识别率分别达97%，91%和93%。实验结果表明，对于颜色存在较大差异的林木树干，所提方法具有较高的树干识别率。

关键词： 林木树干识别; 颜色特征; 图像分割; RANSAC; 精确拟合; 识别率

中图分类号： TN911.73?34; TP391                 文献标识码： A                    文章编号： 1004?373X（2019）16?0144?05

0  引  言

林木树干识别是林业领域的基础性研究内容之一，在森林资源调查、林木自动对靶施药、林地机器人自主导航等方面具有广泛的应用价值。

目前在二维图像方面针对树干识别的研究主要从树干的纹理特征和颜色特征来展开。基于纹理特征的树干识别方法利用树干边缘整体呈竖直状态的特点来实现树干的识别。陈金星等采用Canny边缘检测算法提取图像的边缘信息，然后在边缘图像中提取宽度最大的两条竖直线段当作树干的轮廓，实现了树干的边缘提取[1]。鄂雪等采用改进的Ncut分割算法识别树干边缘[2]。由于复杂环境下图像的纹理非常复杂，基于纹理特征的树干识别方法通常需要辅以人工或其他设备来将摄像头对准树干才能取得较好的识别效果，因此这类方法应用面较窄，主要应用于林木的胸径测量。基于颜色特征的树干识别方法是利用树干本身特有的颜色特征来识别树干。与前一类方法相比，这类方法不需要辅助手段来完成树干的识别，但其本身也有缺陷，即识别颜色相近的树干才能取得较好的效果。如陈庆丰等以桔子树干的颜色特征向量作为图像分割的依据并结合形态学滤波来完成桔子树干的提取[3]。Liu tianhu等在Cr?Cb颜色坐标系上构建一个多椭圆边界模型来识别柑橘树干[4]。但是在林区中由于树木种类和生长状况的多样性，树干的颜色存在较大差异，对基于颜色特征的树干识别方法来说，这是目前需要解决的关键性难题。研究中针对利用颜色特征识别不同颜色林木树干难的问题，提出一种采用自适应阈值的林木树干识别方法。

1  单个林木树干的二值化分割

以样本图1a）为例，分析单个林木树干的二值化分割。相机捕获的图像通常都是由RGB颜色空间表示的RGB图像。由于RGB颜色空间中每个分量不仅代表像素的颜色还代表像素的亮暗程度，因此各个分量的颜色值易受环境光强影响。相比于RGB颜色空间，L*a*b*颜色空间由L*分量专门负责表示像素的亮度，a*分量和b*分量表示像素的颜色[5]。因此，可以将图像从RGB颜色空间转到L*a*b*颜色空间，然后在a*通道图像和b*通道图像中利用树干的颜色特征来分割树干从而避免引入环境光强这一不确定性因素。

由于L*a*b*颜色空间是一种均匀的色彩空间[6]，因此树干在a*通道图像和b*通道图像中的颜色值是均匀的。根据这一特性，以树干在a*通道图像中的颜色均值作为阈值通过式（1）对图像进行二值化处理（b*通道图像同理）;然后采用20行2列的矩形结构元素对二值图像分别进行腐蚀和膨胀的滤波操作;最后以滤波后的二值图像中高度最大的连通区域[7]作为树干的二值化分割结果。a*通道图像的分割结果和b*通道图像的分割结果分别如图1b）和图1c）所示。 [I（x，y）=255，   （TS-c）≤I（x，y）≤（TS+c）0，        else] （1）

式中：[I（x，y）]为图像中坐标为[（x，y）]处的像素值;[TS]为阈值;[c]为允许树干颜色值在阈值附近浮动的范围。

由图1b）和图1c）可知，无论采用a*通道图像或b*通道图像分割树干，分割效果基本一样。为了降低算法复杂度，提高算法运行效率，本研究选择在a*通道图像中利用树干的颜色特征。下文将以a*通道图像为例进行阐述。

2  自适应阈值识别林木树干

2.1  林木树干分割阈值区间的分析

由图1中对单个林木树干的二值化分割可知，在a*通道图像中以树干的颜色均值作为分割阈值可实现树干的二值化分割。将问题扩展到一般性，对于颜色存在差异的林木树干，它们在a*通道图像中的顏色均值无法达到一致，使得由式（1）表达的二值化算法无法以一个固定阈值来分割不同颜色的林木树干。为了寻找不同颜色林木树干的颜色值分布规律，在东北林业大学实验林场随机采集了200个颜色存在较大差异的树干样本并计算它们在a*通道图像中的颜色均值。树木样本的颜色均值的分布如图2所示。

由图2可知，树干样本在a*通道图像中的颜色均值集中分布在[[-5，10]]的区间内。出现这一规律的原因为尽管林木树干的颜色不同，但是从整体看颜色为中性色，因此树干在a*通道图像中的颜色均值会落在a*分量的中值，即0附近（注：a*分量的取值范围为[[-128，127]]）。

2.2  自适应阈值分割林木树干

针对不同颜色的林木树干，可以在a*分量的中值附近选取一个固定的分割阈值区间，然后结合树干在图像中呈竖直长条状的形状特征设置筛选条件，在阈值区间内以迭代[8]的方式选取阈值来对待识别树干进行图像分割并筛选满足条件的分割结果。设分割阈值区间为[[a，b]]且[a

迭代算法的流程如图3所示。

3  实验结果与分析

本研究在Ubuntu 16.04操作系统的笔记本电脑上调用OpenCV库进行程序开发。电脑的配置为i5?3230M处理器、主频2.6 GHz，4 GB内存。研究中使用的摄像头为普通的USB免驱高清摄像头，摄像头配备60°无畸变镜头，捕获图像的分辨率设置为[640×480]。实验将树干识别率作为所提方法对林木树干识别效果的评价指标，树干识别率定义为：

为了测试所提方法对不同颜色林木树干的自适应识别能力，实验时在东北林业大学实验林场选取了水曲柳、兴安落叶松和紫椴3种在树干颜色上存在较大差异的树种，每一树种随机选取100棵树干作为识别对象。3个树种的树干识别结果如表1所示，实验中的具体参数如表2所示。

在使用同一套实验参数的情况下，由表1可知所提方法对选取的3个树种的树干识别率均达到90%以上，体现了算法的自适应能力。其中水曲柳的树干识别率最高，其余两个树种的树干识别率略低一些。主要原因为每个树种的树干颜色与背景的区分度不同，导致树干识别率略有波动。由于所提方法以树干呈竖直长条状的形状特征作为筛选条件，因此树干的歪斜或弯曲程度也是影响树干识别率的一个重要因素。

为了证明本实验所选取的3种林木树干测试样本能够代表同种与不同种林木树干之间的颜色差异，实验以样本树干在a*通道图像中的颜色均值作为指标，统计了样本树干的颜色值分布。统计结果如图6所示。

图6表明，3种林木树干测试样本的颜色值的总体分布区间不一样，出现了分层现象，其中兴安落叶松树干的颜色值主要分布在上层，水曲柳树干的颜色值主要分布在中层，紫椴树干的颜色值主要分布在下层，体现了不同种林木树干之间的颜色差异。对于同一种树干，树干之间的颜色值分布也有差异，其中以兴安落叶松树干的颜色值差异最大。

4  结  论

本研究结合林木树干在图像中呈竖直长条状的形状特点提出一种自适应阈值的林木树干识别方法。所提方法对颜色存在较大差异的同种和不同种林木树干具有较高的树干识别率，解决了基于颜色特征的树干识别方法识别不同颜色林木树干难的问题。但是该方法也有一定的局限性，由于利用了林木树干在图像中呈竖直长条状的形状特征，因此对于识别生长比较歪斜或弯曲的林木树干并不会取得较好的识别效果，这是后续需要进行深入研究的地方。

参考文献

[1] 陈金星，岳德鹏，冯仲科，等.树干直径自动识别与测量技术研究[J].农业机械学报，2016，47（3）：349?353.

CHEN Jinxing， YUE Depeng， FENG Zhongke， et al. Automatic Recognition and Measurement Technology of Tree Trunk Diameter [J]. Transactions of the Chinese society of agricultural machinery， 2016， 47（3）： 349?353.

[2] 鄂雪，程朋乐.基于改进归一化割的立木边缘识别技术研究[J].西北林学院学报，2018，33（3）：232?237.

E Xue， CHENG Pengle. Edge recognition technology of livieng trees based on improved normalized cut [J]. Journal of Northwest Forestry University， 2018， 33（3）： 232?237.

[3] 陈庆丰，邱白晶.基于颜色特征的桔子树干图像分割方法[J].农机化研究，2010，32（2）：174?176.

CHEN Qingfeng， QIU Baijing. Image segmentation methods for orange trunk based on color features [J]. Journal of agricultural mechanization research， 2010， 32（2）： 174?176.

[4] LIU Tianhu， EHSANI Reza， TOUDESHKI Arash， et al. Detection of citrus fruit and tree trunks in natural environments using a multi?elliptical boundary model [J]. Computers in industry， 2018， 99： 9?16.

[5] 姜繼春，王晓红，许秦蓉.基于Lab颜色空间的手写文字提取算法研究[J].包装工程，2014，35（7）：139?143.

JIANG Jichun， WANG Xiaohong， XU Qinrong. Handwritten text extraction algorithm based on the lab color space [J]. Packaging engineering， 2014， 35（7）： 139?143.

[6] 陈珠琳，王雪峰.檀香咖啡豹蠹蛾虫害的树干区域分类研究[J].北京林业大学学报，2018，40（1）：74?82.

CHEN Zhulin， WANG Xuefeng. Classification of sandalwood trunk area damaged by Zeuzeracoffeaenietner in complex background [J]. Journal of Beijing Forestry University， 2018， 40（1）： 74?82.

[7] 冯海文，牛连强，刘晓明.高效的一遍扫描式连通区域标记算法[J].计算机工程与应用，2014（23）：31?35.

FENG Haiwen， NIU Lianqiang， LIU Xiaoming. Efficient one?scan algorithm for labeling connected component [J]. Computer engineering and applications， 2014（23）： 31?35.

[8] 李家贤，张海军，刘全.基于变步长迭代算法的微轴承参量特性研究[J].现代电子技术，2017，40（16）：10?12.

LI Jiaxian， ZHANG Haijun， LIU Quan. Study on micro bearing parameter characteristics simulated with variable step size iterative algorithm [J]. Modern electronics technique， 2017， 40（16）： 10?12.

[9] 张艳莉.基于最小二乘法拟合直线的研究[J].信息通信，2014（11）：44?45.

ZHANG Yanli. The research of fitting straight?line least square method [J]. Information & communications， 2014（11）： 44?45.

[10] 袁清珂，张振亚，毕庆.改进RANSAC算法在直線拟合中的应用[J].组合机床与自动化加工技术，2015（1）：123?125.

YUAN Qingke， ZHANG Zhenya， BI Qing. Linear fitting application based on the improved RANSAC algorithm [J]. Modular machine tool&automatic manufacturing technique， 2015（1）： 123?125.

[11] 樊超，狄帅，侯利龙，等.基于改进RANSAC算法的车道线识别方法[J].汽车工程，2014，36（4）：503?508.

FAN Chao， DI Shuai， HOU Lilong， et al. Lane marking detection technique based on improved RANSAC algorithm [J]. Automotive engineering， 2014， 36（4）： 503?508.