白元明，孔令成，張志華，趙江海，戴魏魏

（1.常州大學(xué)信息科學(xué)與工程學(xué)院，江蘇常州 213164；2.中國(guó)科學(xué)院合肥物質(zhì)科學(xué)研究院先進(jìn)制造技術(shù)研究所，江蘇常州 213164；3.南京國(guó)際船舶設(shè)備配件有限公司技術(shù)信息研發(fā)部，江蘇南京 211121）

圖像分割是圖像處理的關(guān)鍵步驟之一，是對(duì)圖像進(jìn)行模式識(shí)別與視覺(jué)分析的前提工作。隨著智能產(chǎn)業(yè)、機(jī)器視覺(jué)的不斷發(fā)展，提出了許多圖像分割方法，主要包括區(qū)域分割［1］、邊緣分割［2］、閾值分割［3］等方法。其中，閾值分割因其實(shí)現(xiàn)簡(jiǎn)單且有效而處于圖像分割的核心地位［4］。OTSU作為一種無(wú)監(jiān)督無(wú)參的分類(lèi)方法，由于其穩(wěn)定有效、自適應(yīng)強(qiáng)以及計(jì)算簡(jiǎn)單而成為應(yīng)用最為廣泛的自動(dòng)閾值分割算法之一。但是，OTSU法需要遍歷所有像素值來(lái)計(jì)算最佳閾值，計(jì)算時(shí)間復(fù)雜度較高、效率低，難以滿足對(duì)實(shí)時(shí)性要求比較高的系統(tǒng)的需求，這在一定程度上限制了OTSU算法的應(yīng)用。所以有學(xué)者引入智能優(yōu)化算法來(lái)優(yōu)化傳統(tǒng)的OTSU算法，如遺傳算法［5］、模擬退火算法［6］、粒子群算法［7］等。相比遺傳算法，粒子群算法采用了速度-位移模型，在避免了繁瑣的遺傳操作的前提下保留了種群的全局搜索策略，由于PSO具有算法簡(jiǎn)單、參數(shù)設(shè)置少、收斂速度快等特點(diǎn)，已經(jīng)得到了廣泛應(yīng)用。由于標(biāo)準(zhǔn)粒子群算法存在尋優(yōu)時(shí)容易陷入局部最優(yōu)以及收斂速度慢等缺點(diǎn)，所以提出了一種新的自適應(yīng)動(dòng)態(tài)調(diào)整慣性權(quán)重因子和學(xué)習(xí)因子的更新策略。通過(guò)研究自然環(huán)境下作物圖像，發(fā)現(xiàn)其具有顏色特殊性，結(jié)合實(shí)際需要提出了一種改進(jìn)超綠圖像模型。最終將算法應(yīng)用于改進(jìn)超綠圖像，經(jīng)過(guò)試驗(yàn)發(fā)現(xiàn)改進(jìn)PSO+OTSU算法使分割準(zhǔn)確性、效率、穩(wěn)定性以及健壯性四者之間達(dá)到了平衡，在保證分割效率的基礎(chǔ)上具有穩(wěn)定性強(qiáng)、準(zhǔn)確性高、健壯性好的優(yōu)點(diǎn)。

1 算法介紹與設(shè)計(jì)

1.1 顏色模型選擇

農(nóng)田環(huán)境中植物與土壤在顏色上存在明顯差異，通過(guò)在自然農(nóng)田環(huán)境下拍攝的一種豌豆圖像中分別隨機(jī)截取作物、背景各20張圖片進(jìn)行RGB通道分離研究。如圖1所示，自然農(nóng)田環(huán)境包括晴天、陰天、雨天。通過(guò)RGB通道分離試驗(yàn)可以發(fā)現(xiàn)，不論是什么天氣情況下，作物均表現(xiàn)為土壤背景則表現(xiàn)為而對(duì)于標(biāo)準(zhǔn)差來(lái)說(shuō)，不論是土壤背景還是綠色植物均滿足σR≈σG≈σB，說(shuō)明單就某一種圖像類(lèi)別的各個(gè)分量來(lái)看，它們值之間的離散程度非常接近，而作物圖像的各通道分量標(biāo)準(zhǔn)差均在7左右，表明同一種植物其顏色保持在一個(gè)相對(duì)穩(wěn)定的范圍。其中，分別為圖像紅色平均分量和標(biāo)準(zhǔn)差分別為綠色平均分量和標(biāo)準(zhǔn)差，為藍(lán)色平均分量和標(biāo)準(zhǔn)差。

鑒于田間作物圖像的這種顏色特殊性，可以選擇使用顏色指標(biāo)對(duì)圖像進(jìn)行灰度化與閾值二值化，顏色指標(biāo)是指使用強(qiáng)化了目標(biāo)的顏色特征，從而達(dá)到更好作物與背景分離的效果。Woebbecke等比較了2g-r-b，r-g和g-b等顏色指標(biāo)對(duì)植物與土壤背景的分割效果［8］，其中2G-R-B在不同的光照條件下能夠很好地對(duì)植物與土壤背景進(jìn)行區(qū)分，2GR-B被稱為超綠指標(biāo)，是目前田間作物與土壤背景分離中使用最廣泛的指標(biāo)［9］。通過(guò)對(duì)已提出的顏色指標(biāo)進(jìn)行試驗(yàn)和研究，提出了一種改進(jìn)的顏色指標(biāo)對(duì)田間圖像進(jìn)行灰度化，稱這種灰度圖像為改進(jìn)超綠圖像，其計(jì)算公式見(jiàn)公式（1）。

式中：e1、e2為調(diào)整系數(shù)，主要用于過(guò)濾一些半干枯或微小作物葉片，可根據(jù)需要調(diào)節(jié)大小。本試驗(yàn)取e1＝e2＝3，α＝0.2，β＝0.8可以取得更好的灰度化效果。經(jīng)過(guò)灰度化之后，便可以對(duì)該灰度圖像進(jìn)行閾值分割，閾值分割可用式（2）表示。

式中：g（x，y）、f（x，y）分別為圖像閾值分割之后和分割之前在（x，y）處像素灰度值，t為閾值。

1.2 傳統(tǒng)OTSU算法

OTSU算法由日本學(xué)者大津在1979年提出，是一種圖像自適應(yīng)二值閾值分割算法［10］，由于OTSU算法通過(guò)圖像的灰度特征確定最佳閾值使得目標(biāo)和背景2個(gè)部分的類(lèi)間方差取最大值，故OTSU算法也被稱為最大類(lèi)間方差法。OTSU算法不受圖像亮度和對(duì)比度的影響且計(jì)算簡(jiǎn)單，所以被認(rèn)為是圖像分割中閾值選取的最佳算法之一。由于方差是圖像灰度等級(jí)分布相似性的一種量度，所以目標(biāo)與背景類(lèi)間方差越大，即表明圖像中目標(biāo)與背景差別越大，所以只要保證類(lèi)間方差最大就會(huì)使得錯(cuò)分的概率最小。

設(shè)圖片I的目標(biāo)與背景分割閾值為t；目標(biāo)像素點(diǎn)平均灰度值為μ1，占整個(gè)圖像像素比例為ω1；背景像素點(diǎn)平均灰度值為μ2，占整個(gè)圖像像素比例為ω2；圖像所有像素平均灰度值為μ，則類(lèi)間方差為σ2數(shù)學(xué)表示如公式（3）所示。

由于類(lèi)間方差越大，圖像目標(biāo)與背景像素差別也就越大，所以當(dāng)σ2取最大值時(shí)所對(duì)應(yīng)的閾值t即為最佳閾值。

1.3 標(biāo)準(zhǔn)粒子群算法

Kennedy等首次提出粒子群算法，PSO是一種群體智能隨機(jī)優(yōu)化迭代算法，采用粒子速度-位置搜索模型［11］。在PSO算法中粒子是實(shí)體的抽象，而所要求解的問(wèn)題正是粒子的最優(yōu)位置。所以粒子群算法是研究1種粒子位置更新的模式，以便于讓算法快速準(zhǔn)確地收斂到全局最優(yōu)解。具體即為根據(jù)整個(gè)種群的全局最優(yōu)位置和粒子自身的歷史最優(yōu)位置，然后在一定的隨機(jī)擾動(dòng)情況下決定下一步的速度。

d維空間中第i個(gè)粒子可以由3個(gè)d維向量組成：

（1）當(dāng)前位置，xi＝（xi1，xi2，…，xid）；

（2）歷史最佳位置，即最佳適應(yīng)度，pi＝（pi1，pi2，…，pid）；

（3）速度vi＝（vi1，vi2，…，vid）。

式中：i＝1，2，…，m，m為種群包含的粒子數(shù)目。在每次迭代中，將粒子i當(dāng)前位置與其歷史最優(yōu)位置進(jìn)行比較，若當(dāng)前位置優(yōu)于歷史最優(yōu)位置則更新pi，否則保持歷史最優(yōu)值不變。記pg＝（pg1，pg2，…，pgd）為整個(gè)粒子群的歷史最優(yōu)位置。那么對(duì)于第i個(gè)粒子的第j維位置和速度迭代更新公式可以表示為式（4）。

式中：j＝1，2，…，d，ω為慣性權(quán)重因子，c1、c2為學(xué)習(xí)因子，r1、r2為［0，1］內(nèi)的隨機(jī)數(shù)，t為迭代次數(shù)，通常會(huì)設(shè)定粒子的速度范圍，即vij∈［vmin，vmax］。在應(yīng)用時(shí)，一般選擇c1＝c2＝2，ω＝0.9，可以使PSO算法具有良好的表現(xiàn)。

1.4 改進(jìn)粒子群算法

1.4.1 對(duì)算法的改進(jìn) 優(yōu)化PSO算法可以減少算法的迭代次數(shù)、提高算法的執(zhí)行效率，所以PSO算法的優(yōu)化引起了很多專(zhuān)家學(xué)者的重視?？v觀近幾年優(yōu)化PSO算法的文獻(xiàn)發(fā)現(xiàn)，對(duì)PSO算法的優(yōu)化主要包括2個(gè)方面：一是將其他先進(jìn)的優(yōu)化算法理論引入到PSO算法中，取長(zhǎng)補(bǔ)短，從而實(shí)現(xiàn)對(duì)PSO算法某方面性能的改進(jìn)或全面提升其性能，趙莉等提出，基于量子遺傳的混合粒子群優(yōu)化算法［12］；二是通過(guò)對(duì)PSO算法自身參數(shù)進(jìn)行調(diào)節(jié)從而實(shí)現(xiàn)對(duì)PSO算法的改進(jìn)，其中自身參數(shù)包括最大、最小速度Vmax、Vmin，慣性權(quán)重因子ω，學(xué)習(xí)因子c1、c2，最大迭代次數(shù)tmax。近年來(lái)，對(duì)PSO算法的改進(jìn)主要集中在對(duì)算法自身參數(shù)的改進(jìn)，南杰瓊等通過(guò)加入隨機(jī)擾動(dòng)正弦調(diào)整粒子群的慣性權(quán)重因子，增強(qiáng)算法的搜索能力［13］。宣杰等對(duì)慣性權(quán)重因子進(jìn)行了自適應(yīng)動(dòng)態(tài)調(diào)節(jié)［14］。也有學(xué)者對(duì)學(xué)習(xí)因子和慣性權(quán)重因子同時(shí)改進(jìn)，徐從東等提出了一種自適應(yīng)動(dòng)態(tài)控制參數(shù)的PSO優(yōu)化算法［15］。

通過(guò)對(duì)已經(jīng)提出的優(yōu)化算法進(jìn)行學(xué)習(xí)和總結(jié)發(fā)現(xiàn)，想要提高算法的效率一定要采用雙管齊下的改進(jìn)策略，即要提高粒子的全局搜索能力，也要提高粒子的局部搜索能力，并且要保持好2個(gè)“提高”之間的平衡。在調(diào)研的基礎(chǔ)上，提出了一種新的粒子群優(yōu)化算法，新的粒子群優(yōu)化算法是基于標(biāo)準(zhǔn)PSO算法的改進(jìn)優(yōu)化算法，結(jié)合傳統(tǒng)OTSU算法，形成改進(jìn)PSO+OTSU算法。改進(jìn)PSO算法采用2種改進(jìn)策略：自適應(yīng)動(dòng)態(tài)調(diào)整慣性權(quán)重因子（adaptive inertia，簡(jiǎn)稱AI）和自適應(yīng)動(dòng)態(tài)調(diào)整學(xué)習(xí)因子（adaptive learning，簡(jiǎn)稱AL），改進(jìn)PSO算法慣性權(quán)重因子和學(xué)習(xí)因子可根據(jù)公式（5）更新。

式中：n為該粒子的適應(yīng)度在種群中所有粒子適應(yīng)度升序排列序數(shù)；ω′為自適應(yīng)動(dòng)態(tài)慣性權(quán)重因子；c′1、c′2為自適應(yīng)動(dòng)態(tài)學(xué)習(xí)因子；λ（n）為自適應(yīng)系數(shù)。

經(jīng)過(guò)自適應(yīng)系數(shù)的調(diào)整，粒子根據(jù)n以3∶4∶3的比例分為3個(gè)類(lèi)別，第1類(lèi)為n的前30%，粒子的適應(yīng)度值較小，即粒遠(yuǎn)離最優(yōu)位置，可以通過(guò)選取較大的ω值和較小的c1、c2值來(lái)增強(qiáng)全局探索能力；第2類(lèi)為n的后30%，粒子的適應(yīng)度值較大，即粒子靠近準(zhǔn)最優(yōu)位置，可以通過(guò)選取較小的ω值和較大的c1、c2值來(lái)加大粒子的局部搜索能力；第3類(lèi)為n剩余的中間40%，粒子的適應(yīng)度值比較適中，即粒子距準(zhǔn)最優(yōu)位置不是很遠(yuǎn)也不是很近，須要平衡局部和全局的搜索能力，所以采用動(dòng)態(tài)調(diào)整ω、c1和c2值的策略。粒子分類(lèi)使每一個(gè)粒子都在做它自己最擅長(zhǎng)的事情，最終達(dá)到搜尋潛在最優(yōu)適應(yīng)度的目的。以種群數(shù)量為10的粒子群為例，具體自適應(yīng)系數(shù)如公式（6）所示：

式中：N為種群中粒子數(shù)；當(dāng)取λmax＝0.43、λmax＝1.53。α＝4、β＝18時(shí)，自適應(yīng)系數(shù)變化曲線見(jiàn)圖2。

將公式（5）帶入公式（4）對(duì)應(yīng)位置便可得到改進(jìn)PSO算法粒子位置和速度更新公式。

1.4.2 改進(jìn)粒子群算法的流程 改進(jìn)PSO算法流程見(jiàn)圖3，虛線矩形框內(nèi)為一次完整的種群粒子位置信息和速度信息更新過(guò)程。

具體步驟描述：（1）粒子群初始化。產(chǎn)生各粒子的速度和位置信息，確保各個(gè)粒子初始速度是介于最小速度Vmin和最大速度Vmax之間的隨機(jī)值。（2）更新粒子的位置和速度信息。將當(dāng)前慣性權(quán)重因子和學(xué)習(xí)因子帶入式（4）對(duì)應(yīng)位置進(jìn)行粒子的位置和速度更新。（3）計(jì)算目標(biāo)函數(shù)值。利用OTSU最大類(lèi)間方差函數(shù)式（3）對(duì)每一個(gè)粒子計(jì)算其適應(yīng)度，即為其對(duì)應(yīng)閾值的類(lèi)間方差。（4）更新粒子歷史最優(yōu)位置信息。將粒子的當(dāng)前適應(yīng)度值與其歷史最優(yōu)適應(yīng)度值進(jìn)行比較，如果當(dāng)前適應(yīng)度優(yōu)于其歷史最優(yōu)適應(yīng)度，則更新歷史最優(yōu)適應(yīng)度并且將當(dāng)前位置作為粒子新的最優(yōu)位置。（5）更新種群歷史最優(yōu)位置信息。將粒子群中每個(gè)粒子的適應(yīng)度值與種群歷史最優(yōu)適應(yīng)度值進(jìn)行比較，如果某個(gè)粒子的當(dāng)前適應(yīng)度優(yōu)于種群歷史最優(yōu)適應(yīng)度，則用該粒子當(dāng)前適應(yīng)度作為種群歷史最優(yōu)適應(yīng)度，用該粒子的位置作為種群歷史最優(yōu)位置。（6）所有粒子是否計(jì)算完畢。判斷種群中所有粒子的適應(yīng)度是否都已經(jīng)計(jì)算完畢。如果是“否”，則跳轉(zhuǎn)到步驟（2），直至種群中所有粒子的適應(yīng)度全部計(jì)算完畢；如果是“是”，則繼續(xù)進(jìn)行步驟（7）。（7）是否滿足終止條件。如果是“是”，則結(jié)束；如是是“否”，則執(zhí)行步驟（8），直至滿足終止條件。（8）按照適應(yīng)度值排序當(dāng)前粒子。將種群中粒子按照適應(yīng)度值從小到大排序。（9）計(jì)算慣性權(quán)重因子及學(xué)習(xí)因子。根據(jù)公式（5）重新計(jì)算慣性權(quán)重因子和學(xué)習(xí)因子，返回步驟（2）。

2 圖像采集與試驗(yàn)設(shè)計(jì)

2.1 環(huán)境與圖像采集

改進(jìn)PSO+OTSU算法試驗(yàn)環(huán)境為Intel? CoreTMi5，主頻率為3.20 GHz、8 G內(nèi)存；Windows 7的64位操作系統(tǒng)，Microsoft Visual Studio 2013+OpenCV 3.0.0、Matlab2017b。以自然環(huán)境下作物圖像為試驗(yàn)對(duì)象，按照實(shí)際需求拍攝50張圖片，圖像分辨率為3 264×2 448，圖像格式為JPEG，從中截取分辨率為688×512的100張圖片進(jìn)行試驗(yàn)（圖4）。此外還拍攝了其他作物圖像用于健壯性試驗(yàn)。

2.2 試驗(yàn)設(shè)計(jì)

改進(jìn)PSO+OTSU算法是在傳統(tǒng)OTSU算法的基礎(chǔ)上進(jìn)行改進(jìn)與優(yōu)化，對(duì)標(biāo)準(zhǔn)PSO算法中的慣性權(quán)重因子ω和學(xué)習(xí)因子c1、c2進(jìn)行自適應(yīng)動(dòng)態(tài)調(diào)整改進(jìn)，利用改進(jìn)PSO+OTSU算法在改進(jìn)的超綠圖像下進(jìn)行試驗(yàn)。算法的分割精度采用結(jié)果圖像對(duì)比來(lái)評(píng)價(jià)，分割效率采用算法運(yùn)行時(shí)間和迭代次數(shù)進(jìn)行評(píng)價(jià)，穩(wěn)定性采用錯(cuò)分率的均值和方差來(lái)評(píng)價(jià)，健壯性測(cè)試采用引入不同光照、不同復(fù)雜背景、不同作物植株條件下的作物圖片進(jìn)行評(píng)價(jià)。將改進(jìn)PSO+OTSU算法分別與傳統(tǒng)OTSU、標(biāo)準(zhǔn)PSO+OTSU算法在分割精度、分割效率、穩(wěn)定性3個(gè)維度下進(jìn)行對(duì)比試驗(yàn)，最后驗(yàn)證改進(jìn)PSO+OTSU算法的健壯性。

3 結(jié)果與分析

3.1 分割精度對(duì)比試驗(yàn)

通過(guò)利用改進(jìn)PSO+OTSU、傳統(tǒng)OTSU算法以及標(biāo)準(zhǔn)PSO+OTSU算法分別應(yīng)用于作物RGB圖片和利用公式（1）所得的改進(jìn)超綠圖像中進(jìn)行對(duì)比試驗(yàn)，結(jié)果見(jiàn)圖5（圖片為圖4逆時(shí)針旋轉(zhuǎn)90°所得）。

傳統(tǒng)OTSU、標(biāo)準(zhǔn)PSO+OTSU以及改進(jìn)PSO+OTSU算法分割對(duì)比試驗(yàn)（圖5）顯示，3種算法分割在改進(jìn)超綠圖像下的效果都明顯優(yōu)于RGB圖像，超綠圖像對(duì)植物影子以及土地紋理起到了很好的抑制作用。無(wú)論是對(duì)超綠圖像還是對(duì)RGB圖像，3種算法中改進(jìn)PSO+OTSU算法分割效果都相對(duì)較好。在RGB圖像中，上述3種算法在不同程度上都將作物的影子（圖5-b、圖5-c、圖5-d中矩形框內(nèi)部分）錯(cuò)分為作物圖像，但可以看到改進(jìn)PSO+OTSU算法（圖5-d）將影子錯(cuò)分為植物的面積更小，傳統(tǒng)OTSU算法（圖5-b）次之，標(biāo)準(zhǔn)PSO+OTSU（圖5-c）最差；而在超綠圖像分割中，3種算法都具有出色的表現(xiàn)，改進(jìn)PSO+OTSU算法（圖5-h）將整株作物完整地分割出來(lái)，而傳統(tǒng)OTSU算法（圖5-f）和標(biāo)準(zhǔn)PSO+OTSU（圖5-g）則在有上片葉影子遮擋的下片葉（圖5-f、圖5-g、圖5-h矩形框內(nèi)部分）分割中容易出現(xiàn)錯(cuò)分現(xiàn)象，說(shuō)明改進(jìn)PSO+OTSU算法具有更好的分割精度。

3.2 分割效率對(duì)比試驗(yàn)

利用傳統(tǒng)OTSU、標(biāo)準(zhǔn)PSO+OTSU及改進(jìn)PSO+OTSU算法進(jìn)行試驗(yàn)，分別記錄算法運(yùn)行時(shí)間和迭代次數(shù)，結(jié)果見(jiàn)表1。

表1 3種算法對(duì)超綠圖像的分割效率對(duì)比結(jié)果

從表1可以看出，傳統(tǒng)OTSU 算法的運(yùn)行時(shí)間為3.016 ms，標(biāo)準(zhǔn)PSO+OTSU運(yùn)行時(shí)間為0.861 ms，改進(jìn)PSO+OTSU運(yùn)行時(shí)間為0.764 ms；傳統(tǒng)OTSU算法的迭代次數(shù)為256次，標(biāo)準(zhǔn)PSO+OTSU迭代次數(shù)為11次，改進(jìn)PSO+OTSU迭代次數(shù)為6次。改進(jìn)PSO+OTSU和標(biāo)準(zhǔn)PSO+OTSU對(duì)應(yīng)適應(yīng)度隨迭代次數(shù)收斂曲線見(jiàn)圖6。

從圖6可以看出，改進(jìn)PSO+OTSU算法收斂速度快于標(biāo)準(zhǔn)PSO+OTSU算法。綜合來(lái)看，改進(jìn)PSO+OTSU算法運(yùn)行耗時(shí)最短，迭代次數(shù)最少，相較其他2種算法在分割效率上有明顯的提升，說(shuō)明降低標(biāo)準(zhǔn)PSO+OTSU算法的時(shí)間復(fù)雜度是符合改進(jìn)初衷的。

3.3 穩(wěn)定性對(duì)比試驗(yàn)

分別對(duì)100幅試驗(yàn)圖像利用改進(jìn)PSO+OTSU、傳統(tǒng)OTSU算法以及標(biāo)準(zhǔn)PSO+OTSU算法進(jìn)行分割試驗(yàn)，統(tǒng)計(jì)每幅圖像的錯(cuò)分率并計(jì)算錯(cuò)分率的均值和方差，對(duì)算法的穩(wěn)定性進(jìn)行對(duì)比試驗(yàn)，結(jié)果見(jiàn)表2。

表2 3種算法對(duì)超綠圖像進(jìn)行分割的穩(wěn)定性對(duì)比

傳統(tǒng)OTSU算法的錯(cuò)分率的均值和方差都為0，標(biāo)準(zhǔn)PSO+OTSU算法的錯(cuò)分率的均值和方差分別為2.26%和5.67%，而改進(jìn)PSO+OTSU算法的錯(cuò)分率的均值和方差分別為2.01%和4.49%，表明改進(jìn)PSO+OTSU算法的穩(wěn)定性雖然不如傳統(tǒng)OTSU算法穩(wěn)定，但是比標(biāo)準(zhǔn)PSO+OTSU算法更具有優(yōu)勢(shì)。在滿足實(shí)時(shí)性的前提下，盡量提高算法的穩(wěn)定性是符合優(yōu)化邏輯的，而傳統(tǒng)的OTSU算法計(jì)算量大，一般不適用于對(duì)實(shí)時(shí)性要求比較高的系統(tǒng)。

3.4 健壯性測(cè)試試驗(yàn)

在試驗(yàn)的最后部分分別引入陰天（圖7-a）、小雨天帶有黃色花且有枯葉（圖7-b）、晴天上午透明地膜背景（圖7-c）、晴天下午透明地膜背景（圖7-d）以及晴天中午（圖4逆時(shí)針旋轉(zhuǎn)90°）的植物圖片對(duì)改進(jìn)PSO+OTSU算法的健壯性進(jìn)行驗(yàn)證試驗(yàn)，結(jié)果如圖7-e、圖7-f、圖7-g、圖7-h以及圖5-h所示。這組試驗(yàn)從3個(gè)層面驗(yàn)證改進(jìn)超綠與改進(jìn)PSO+OTSU的組合算法的健壯性：（1）不同光照條件，包括3種天氣狀況和5種光照條件；（2）不同復(fù)雜背景，包括3種復(fù)雜背景；（3）不同植物植株，包括3種不同作物圖像。試驗(yàn)表明，從以上3個(gè)方面，改進(jìn)超綠與改進(jìn)PSO+OTSU的組合算法均具有不錯(cuò)的表現(xiàn)。圖7-e、圖7-f、圖7-g、圖7-h和圖5-h分別為不同光照條件下的分割圖像，除陰影區(qū)域（圖5-h、圖7-g、圖7-h矩形框內(nèi)部分）之外，其余部分均清晰完整，說(shuō)明改進(jìn)組合算法對(duì)光照度不敏感，而對(duì)暗色陰影敏感，因此改進(jìn)組合算法可以適用于各種光照條件。圖7-a為正常土地背景，圖7-b包含黃色花和干枯枝干背景，圖7-c、圖7-d為透明地膜背景，在不同的復(fù)雜背景下改進(jìn)組合分割算法能夠準(zhǔn)確地將植物的綠色部分分割出來(lái)，說(shuō)明改進(jìn)超綠與改進(jìn)PSO+OTSU的組合算法不僅在單一綠色植物和自然土壤背景條件下具有較強(qiáng)的健壯性，而且在具有包含多種顏色的植物圖像復(fù)雜背景條件下同樣具有較強(qiáng)的健壯性。圖7-a、圖7-b、圖7-d為3種不同植物，組合算法同樣具有出色的表現(xiàn)，說(shuō)明組合分割算法在對(duì)常見(jiàn)作物適應(yīng)性上具有非常好的健壯性。

4 結(jié)論

由于傳統(tǒng)OTSU算法計(jì)算復(fù)雜度高，分割效率差，不能滿足實(shí)時(shí)性要求；標(biāo)準(zhǔn)PSO+OTSU雖然減少了迭代次數(shù)和運(yùn)行時(shí)間，提高了分割效率，但是分割效率與分割精度還是不能滿足實(shí)時(shí)性需要。本研究提出了一種基于AI和AL的改進(jìn)PSO+OTSU算法，在改進(jìn)超綠圖像分割中獲得了良好的表現(xiàn)。本研究還提出了一種超綠圖像改進(jìn)策略，通過(guò)G-R和G-B的線性組合得到一幅改良后的灰度圖像，從而過(guò)濾了大部分背景信息，降低復(fù)雜背景對(duì)閾值分割精度的影響。試驗(yàn)結(jié)果表明，相較于標(biāo)準(zhǔn)PSO+OTSU算法，改進(jìn)PSO+OTSU算法在保持較好穩(wěn)定性的前提下具有分割精度好，分割效率高、健壯性強(qiáng)的特點(diǎn)，能夠滿足除草機(jī)器人苗草實(shí)時(shí)分離系統(tǒng)的現(xiàn)實(shí)需要。在本研究的基礎(chǔ)上，進(jìn)一步研究如何減小算法的錯(cuò)分率、提高穩(wěn)定性將是今后研究的主要內(nèi)容。