姜士輝 任洪娥 董本志等

摘要[目的]根據(jù)原木端面圖像的彩色特征，提出一種基于RGB顏色空間的彩色圖像分割算法。[方法]選取圖像中指定區(qū)域作為樣本，統(tǒng)計樣本中像素點的彩色分量，利用其彩色閾值區(qū)間，通過逐點匹配法對圖像進行分割。[結(jié)果]該方法不僅消除了陰影干擾，而且能夠準確地對原木端面進行分割。分割結(jié)果圖像優(yōu)化處理后，完整地反映出圖像中的原木端面。采用目標圖像外接矩形的內(nèi)接橢圓算法對原木端面圖像進行參數(shù)測算，結(jié)果表明，該算法的測算結(jié)果相對誤差小于0.5%。[結(jié)論]基于RGB彩色空間的原木端面圖像分隔方法分隔效果較優(yōu)，參數(shù)測算結(jié)果較準確。

關鍵詞RGB彩色空間；原木端面圖像；圖像分割；陰影干擾；內(nèi)接橢圓

中圖分類號S126文獻標識碼A文章編號0517-6611（2014）23-08039-04

基金項目國家林業(yè)局“948”項目（2010-4-05）。

作者簡介姜士輝（1988-），男，黑龍江哈爾濱人，碩士研究生，研究方向：模式識別與智能控制。*通訊作者，教授，博士，博士生導師，從事模式識別與智能控制、現(xiàn)代信息技術與信息安全研究。

收稿日期20140704在基于數(shù)字圖像的原木自動檢尺過程中，識別原木端面是十分重要的前提。通過對原木端面圖像的識別、處理與測算，獲得原木端面的長徑、短徑、圓心、紋理、色澤等參數(shù)，這些參數(shù)不僅在原木材積計算中有著重要的作用，而且在原木種類識別等應用中也有著非常重要的地位[1]。原木端面圖像參數(shù)測算的結(jié)果與圖像分割結(jié)果的質(zhì)量息息相關，分割結(jié)果的好與壞直接決定整個圖像處理過程是否可以繼續(xù)進行[2-3]。國內(nèi)外學者已經(jīng)提出多種圖像分割算法，大都是針對具體問題的，基本沒有適合所有圖像的通用算法[4-5]。目前，分割圖像的方法主要是基于閾值分割技術，而閾值分割算法大部分是基于灰度圖像[6-7]。由于彩色圖像提供了比灰度圖像更為豐富的信息，基于彩色圖像的處理算法越來越受到人們的關注，例如基于RGB顏色空間的圖像分割方法[8-11]。將彩色圖像轉(zhuǎn)化為灰度圖像，不僅會丟失原圖像中的彩色信息，而且會使原圖像中差異很大的彩色像素點位于同一個灰度區(qū)間，這對分割灰度化圖像造成了很大的阻礙。

針對灰度圖像的分割問題，筆者根據(jù)原木端面圖像的顏色特征，提出了一種基于RGB彩色空間的原木端面圖像分割方法。首先，在圖像中選取部分像素點作為分割樣本；然后，利用剔除奇異點算法對樣本進行優(yōu)化并提取優(yōu)化樣本的彩色閾值區(qū)間；最后，根據(jù)優(yōu)化樣本的彩色閾值范圍對圖像進行分割。

1 原木端面圖像分割

1.1 灰度化圖像閾值分割迭代法、Otsu法等算法常常用來確定分割灰度圖像的全局閾值。（a）是彩色原木端面圖像，（b）是（a）的灰度化圖像，（c）是灰度圖像（b）的灰度直方圖，灰度直方圖中雖然存在一個波谷，但由于原圖像中原木端面的灰度值和原木陰影的灰度值相近，所以選擇波谷處的灰度值作為閾值分割圖像的效果較差，灰度直方（c）中波谷位置對應的灰度值約為130。（d）和（e）分別是灰度閾值T=130時和T=80時分割的結(jié)果圖像。（f）是迭代法閾值分割的結(jié)果圖像，迭代法得到的閾值約為116。（g）是Otsu法閾值分割的結(jié)果圖像，Otsu法得的閾值約為125。從（b）～（e）4幅分割結(jié)果圖像上可以看出，常用的幾種灰度閾值分割方法不宜分割該研究中的原木端面圖像?；诨叶乳撝祬^(qū)間的分割方法如式（1）所示。

g（i，j）=0，其他

1，threshold_A≤f（i，j）≤threshold_B （1）

（h）是根據(jù)式（1）分割的結(jié)果圖像，其中threshold_A=70，threshold_B=110，該灰度閾值區(qū)間是經(jīng)過多次對比圖像的分割效果而得出的。

從（h）可以看出，利用灰度閾值區(qū)間的分割方法識別出了大部分目標圖像的像素點，然而隨著拍攝條件以及原木端面的變化，分割效果較好的灰度閾值區(qū)間也將隨之變化。一個固定的閾值區(qū)間很難滿足所有原木端面圖像的分割，進而在基于灰度閾值區(qū)間分割原木端面圖像的過程中，必須不斷地調(diào)整灰度閾值區(qū)間并觀察圖像分割效果，整個過程非常繁瑣，甚至會有找不到合適閾值區(qū)間的情況。

幾種灰度閾值分割方法效果1.2彩色圖像閾值分割通過對待分割的原木端面圖像分析，由原木端面的顏色相對統(tǒng)一，可以確定原木端面上像素點的RGB顏色分量值在一定區(qū)間范圍內(nèi)。為了避免分割過程中目標圖像灰度值與陰影灰度值相近的問題和在閾值區(qū)間選取過程中繁瑣的人機交互問題，該研究提出一種基于RGB顏色空間自動分割識別原木端面彩色圖像的算法，具體步驟如下。

（1）在待分割原木端面彩色圖像幾何中心選取一個正方形區(qū)域，正方形邊長為l=1/8*min（width，height），其中width、height為圖像寬高的像素長度。此正方形區(qū)域內(nèi)的像素點主要是由具備原木端面顏色特征的像素點組成，將該區(qū)域作為分割圖像的樣本，統(tǒng)計樣本區(qū)域所有像素點的R、G、B值，分別保存在矩陣R256、G256、B256中。

（2）在樣本區(qū)域內(nèi)包含一些不具備端面顏色特征的像素點，該研究中將此類點稱為奇異點，比如其中的黑白點，為了優(yōu)化樣本，用剔除算法將這些點剔除。算法為循環(huán)將矩陣R256、G256、B256中的最大值和最小值賦值為對應矩陣的均值，循環(huán)次數(shù)n為8，即取樣本區(qū)域邊長的1/8然后向上取整。統(tǒng)計出優(yōu)化樣本的彩色閾值區(qū)間：Rmin

（3）逐點掃描整幅圖像，如果當前檢測點的各個顏色分量值均在優(yōu)化樣本的對應彩色閾值范圍內(nèi)，則將該點的R、G、B 3個顏色分量的值保留下來，否則將該像素點置為黑色，即R、G、B 3個值均為0。

（4）在第3步的結(jié)果圖像中保留了一些非原木端面而又符合彩色分量閾值范圍的像素點，為了消除這些噪聲，需要采用一系列圖像處理算法優(yōu)化分割結(jié)果圖像。首先對第3步得到的結(jié)果圖像進行二值化，然后依次用空洞填充算法、中值濾波算法、數(shù)學形態(tài)學算法、去除小面積算法對該二值圖像進行優(yōu)化處理，分割算法結(jié)束。

在拍攝原木端面圖像的過程中，通過調(diào)整照相機位置使目標位于照相機窗口的中央位置，并在整幅圖像中占有主要地位，如果占有比重過少，樣本區(qū)域會包含比較多的非目標像素點，會對由樣本統(tǒng)計出的彩色閾值區(qū)間造成很大的影響。（a）是通過手機拍攝的一幅原木端面彩色圖像，圖像大小為526*296。（a）中的品紅色正方形區(qū)域是為了分割原木端面圖像1（a）而選擇的樣本區(qū)域。（b）是基于優(yōu)化樣本的閾值區(qū)間對原木端面圖像1（a）進行分割識別的結(jié)果圖像。從（b）與中的分割結(jié)果對比可以看出，該研究提出的分割算法在避免了背景像素點干擾的同時，分割識別出絕大多數(shù)原木端面目標像素點。從分割效果和人機交互兩方面看，基于RGB彩色空間分割原木端面圖像的方法要優(yōu)于基于灰度圖像的分割算法。（c）是將分割結(jié)果圖像（b）進行二值化的結(jié)果圖像，其目的是方便后續(xù)的圖像處理。（a）原木端面上包含有一些奇異點和原木端面的小缺陷以及在原木端面上粘貼的藍色標尺圓，這些像素點在圖像分割過程中都會被劃分成背景像素點，采用空洞填充算法來填充這些大大小小的空洞。采用中值濾波算法消除孤立的噪聲點。采用開運算算法消除小對象噪聲，分離原木端面部分和一些被錯分的背景像素點的粘連，以及平滑原木端面圖像的邊界，同時并不明顯改變原木端面的面積。采用去除小面積算法主要作用是消除一些相對比較大的噪聲。（d）是依次利用空洞填充、中值濾波、開運算、去除小面積算法對（c）進行處理后的結(jié)果圖像。

2原木端面的參數(shù)測算

目前，我國檢尺仍然以手工檢尺為主，檢尺結(jié)果受各種客觀和主觀的影響很大[12]。在原木人工檢尺過程中，檢尺員將原木端面比擬成橢圓，首先測量橢圓的長、短軸，然后計算出長、短軸的平均值，最后根據(jù)該平均值和原木長度查原木材積表取得原木材積大小。基于優(yōu)化后的分割結(jié)果圖像，該研究采用目標圖像外接矩形的內(nèi)接橢圓算法獲得原木端面橢圓，并將其作為進行原木端面參數(shù)測算的對象。

2.1外接矩形的內(nèi)接橢圓算法外接矩形的內(nèi)接橢圓算法首先利用Matlab的minboundrect（）函數(shù)找出目標圖像的最小外接矩形，再利用regionprop.Centroid找出目標圖像的質(zhì)心。假設（a）中的矩形ABCD是目標圖像的外接矩形，點O是目標圖像的質(zhì)心。然后比較質(zhì)心到邊AB與邊CD的距離，將較小者作為橫軸半徑a，比較質(zhì)心到邊BC與邊AD的距離，將較小者作為縱軸半徑b，求出邊AD與X軸正方向的夾角α作為內(nèi)接橢圓的旋轉(zhuǎn)角度。最后以質(zhì)心O為橢圓中心，以a為橢圓橫軸半徑，以b為縱軸半徑，以α為順時針旋轉(zhuǎn)角度，繪制一個旋轉(zhuǎn)后的橢圓。（b）中的紅色矩形為預處理結(jié)果（d）中目標圖像的最小外接矩形，藍色點為目標圖像的質(zhì)心。（c）中的綠色橢圓就是根據(jù)該研究求取橢圓的方法所繪制的內(nèi)接橢圓。（d）是將（d）中目標圖像的最小外接矩形、質(zhì)心以及外接矩形的內(nèi)接橢圓繪制在原木端面圖像1（a）上的結(jié)果圖像，從（d）可以看出，最小外接矩形的內(nèi)接橢圓能夠覆蓋原圖像中原木端面的絕大部分，符合代替原木端面進行參數(shù)測算的要求。

彩色閾值分割效果外接矩形的內(nèi)接橢圓2.2藍色標尺圓識別求取原木端面長、短軸的實際長度，必須首先測算出原木端面上粘貼的藍色標尺圓直徑的像素長度，然后再根據(jù)標尺圓直徑的實際長度利用等比例法求得橢圓長、短軸的實際長度。由于藍色標尺圓的特殊性質(zhì)，該研究對藍色標尺圓的分割識別同樣基于RGB彩色空間。根據(jù)統(tǒng)計多幅原木端面圖像中藍色標尺圓的顏色分量值，可以得出藍色標尺圓的彩色分量值R、G、B存在關系B>R+G和G>R。

由于藍色標尺圓粘貼在原木端面上，其必然在原木端面的外接矩形內(nèi)，將分割識別范圍設定為外接矩形區(qū)域，避免外接矩形以外噪聲的同時加快了分割識別的速度，（a）是根據(jù)限定條件在（a）中分割識別出的藍色標尺圓。（b）是將（a）進行二值化的結(jié)果圖像?？梢岳每斩刺畛?、濾波、開運算、去除小面積等圖像處理算法優(yōu)化（b），（c）是對（b）進行邊緣檢測的結(jié)果圖像。（d）為將藍色標尺圓邊緣繪制在原木端面圖像1（a）上的結(jié)果圖像，從圖像4（d）可以看出，分割識別出的藍色標尺圓是準確的。

識別藍色標尺圓2.3原木端面圖像參數(shù)測算原木端面圖像參數(shù)測算方法的具體步驟如下。

（1）根據(jù)橢圓參數(shù)信息分別測算出橢圓長、短軸的像素長度DP1和DP2。

（2）根據(jù)分割得到的藍色標尺圓測算出它的直徑像素長度RP。

（3）根據(jù)前兩步得到的參數(shù)以及藍色標尺圓直徑實際長度RR，利用公式DR1=RR/RP*DP1和公式DR2=RR/RP*DP2，計算出橢圓長、短軸的實際長度DR1和DR2。

（4）計算出橢圓長、短軸實際長度的平均值D，利用原木材積計算公式計算出原木材積大

42卷23期姜士輝等基于RGB彩色空間的原木端面圖像參數(shù)測算研究3試驗結(jié)果與分析

選取兩幅原木端面圖像，分別用常見的閾值分割方法和該研究提出的方法進行分割。自左到右分別是原圖像、基于迭代法閾值分割的結(jié)果圖像、基于Otsu法閾值分割的結(jié)果圖像、基于閾值區(qū)間分割的結(jié)果圖像、基于閾值區(qū)間分割的結(jié)果圖像的預處理結(jié)果圖像、基于該研究算法分割的結(jié)果圖像、基于該研究算法分割的結(jié)果圖像的預處理結(jié)果圖像。

對比分析中的圖像分割效果，該研究提出的分割方法分割效果良好。其中，迭代法和Otsu法的分割效果很差，不宜分割該研究中的原木端面圖像?；诨叶乳撝祬^(qū)間分割法不僅會將與原木端面粘連在一起的部分樹皮保留下來，而且選擇合適的灰度閾值區(qū)間比較麻煩，有可能還會找不到合適的灰度閾值區(qū)間。

分割處理效果圖像統(tǒng)計

原木端

圖像原圖迭代法Otsu法 區(qū)間法預處理該研究提出的算法預處理后ab無合適閾值區(qū)間無合適閾值區(qū)間

是用該研究提出的算法測算原木端面圖像（a）的參數(shù)以及實際檢尺的參數(shù)信息統(tǒng)計表。從分析得到，外接矩形內(nèi)接橢圓算法測算的原木材積，與人工檢尺得到的結(jié)果相比較，相對誤差小于0.5%。

通過統(tǒng)計多幅圖像的原木端面參數(shù)測算結(jié)果，得出該研究提出算法的原木材積測算結(jié)果與實際檢尺測得結(jié)果相比較相對誤差很小。

原木端面參數(shù)統(tǒng)計

參數(shù)標尺圓實際檢尺內(nèi)接橢圓像素短徑∥pix29.017 2157.963 1實際短徑∥cm1.900 010.200 010.343 2像素長徑∥pix29.017 2161.641 2實際長徑∥cm1.900 010.800 010.584 0直徑均值∥cm1.900 010.500 010.463 6原木長度∥m10.000 010.000 0原木材積∥m30.181 50.180 6材積誤差∥%0.480 0

4結(jié)語

該研究針對在分割灰度圖像的過程中，由于目標圖像灰度值與陰影灰度值相近，常常產(chǎn)生將陰影誤分割為目標的問題，提出了一種基于RGB顏色空間的彩色圖像分割算法，首先在圖像中選定樣本，然后根據(jù)樣本的彩色閾值區(qū)間對圖像進行分割的算法。試驗表明，該算法在保留更多原木端面圖像像素點的同時，消除了大部分陰影的干擾，明顯優(yōu)于基于灰度圖像的閾值分割方法，分割結(jié)果圖像優(yōu)化處理后，能夠完整地反映出原彩色圖像中的原木端面，該分割算法是一種切實可行的原木端面圖像分割算法。該研究為了模仿人工檢尺求取原木材積的方法，采用目標圖像的最小外接矩形的內(nèi)接橢圓進行原木端面圖像參數(shù)測算，結(jié)果表明，根據(jù)提出的算法測算得到材積大小與實際檢尺測得結(jié)果相比較相對誤差很小。

參考文獻

[1] 梅振榮，任洪娥，朱朦.基于非線性最小二乘原理的原木端面識別算法[J].計算機工程與應用，2012，48（2）：177-178.

[2] 辛穎，薛偉.原木端面面積的數(shù)字圖像檢測方法研究[J].吉林林業(yè)科技，2008，37（6）：36-39.

[3] 楊康葉，鄔春學.基于RGB模型顏色相似性的彩色圖像分割[J].計算機系統(tǒng)應用，2013（3）：128-131.

[4] 劉明媚.基于區(qū)域顯著性的彩色圖像分割[J].電子設計工程，2013，21（18）：133-135.

[5] 劉越，彭宏京，錢素靜.基于核空間 LLE 的彩色圖像分割方法[J].計算機科學，2013，40（06A）：180-183.

[6] 梅振榮.基于端面圖像處理的原木徑級識別算法研究與實現(xiàn)[D].哈爾濱：東北林業(yè)大學，2011.

[7] 趙亞鳳，任洪娥.遺傳算法和同態(tài)濾波在原木端面圖像處理中的應用[J].東北林業(yè)大學學報，2014，42（2）：129-132.

[8] CHENG H D，JIANG X H，SUN Y，et al.Color image segmentation：Advances and prospects[J].Pattern Recognition，2001，34（12）：2259-2281.

[9] 景林，林耀海，溫永仙，等.結(jié)合色彩特征和空域特征的成捆原木輪廓識別[J].計算機系統(tǒng)應用，2013，22（7）：196-199，191.

[10] 楊璟，朱雷.基于RGB顏色空間的彩色圖像分割方法[J].計算機與現(xiàn)代化，2010（8）：147-149，171.

[11] 劉明媚.基于區(qū)域顯著性的彩色圖像分割[J].電子設計工程，2013，21（18）：133-135.

[12] 林靜靜，魏云龍，陳建清，等.基于鏈碼的原木端面圖像檢尺徑識別算法[J].廈門大學學報：自然科學版，2010（1）：57-60.