李帼，曹苏艳，钱婷婷，陆声链，3

(1.广西师范大学计算机科学与信息工程学院，广西桂林，541004；2.上海市农业科学院农业科技信息研究所，上海市，201403；3.广西多源信息挖掘与安全重点实验室，广西桂林，541004)

0 引言

作物图像分割是精准农业、植物表型的关键技术。实现自然条件下作物图像的自动分割对农作物生长检测、机器采摘、病虫害识别等应用无疑具有重要意义。图像分割算法已经有几十年的研究历史，常用的图像分割方法包括颜色因子法、阀值分割法和基于机器学习的方法。颜色因子法最早由Woebbecke等[1]于1995年提出，此后经过多年的不断完善改进，陆续形成了以EXG、EXR、EXB为代表的颜色因子算法。时至今日，国内外学者仍然还在不断探索各种颜色因子在植物分割中的应用[2-5]。在基于阈值的图像分割方法中，Ostu(又名最大类间差法)是最经典的方法之一，在植物图像分割中也有较多研究。例如，Montalvo等[6]针对部分丢失绿色特征农田图像，提出采用两次Ostu方法实现农田图像的分割，其分割准确率达到了91.8%；齐锐丽等[7]通过将图像的RGB颜色空间转换到HSV颜色空间，然后利用Ostu方法进行花椒图像的分割。近年来，基于机器学习方法的图像分割得到越来越多的研究。Dhanachandra等[8]采用K-means聚类算法进行自然条件下室外植物图像的分割，他们为了保证K-means聚类算法的初始聚类中心最优，提出了采用减法聚类获取初始聚类中心，结果发现这种处理比直接采用K-means算法好；黄巧义等[9]综合利用RGB、CIE L*a*b*、HSV等多色彩空间和支持向量机(SVM)进行水稻图像分割，获得了不超过4%的分割误差。……