基于RGB颜色模型的林区道路图像分割*

王露露

（浙江农林大学光机电工程学院，浙江 杭州 311300）

近年来，自主导航技术[1]在林业机械上的应用越来越广泛，极大地提高了劳动者的作业效率和作业质量。机器视觉[2]具有感知信息广、获取信息丰富以及成本低的特点，是自主导航的重要组成部分。目标道路从复杂环境背景中有效分离出来，是视觉导航的首要步骤，为后续导航线提取做准备。张熊楚等[3]通过大津法（Otsu）分别对RGB颜色空间下的2G-R-B分量的灰度图像进行阈值分割；刘波等[4]将图像转换至其他颜色空间下，将该颜色空间各分量分离出来，并对其二值化。这类方法由于运算简单、运行速度快，可以用于实时目标检测，对于特定的光照环境分割效果较好，因此被广泛运用。本课题组提取RGB图像中B颜色分量的灰度图，采用Otsu对灰度图进行阈值分割，从而实现道路从背景分离，为后续林区智能运输装备的自主导航提供了参考。

1 图像分割算法及结果分析

图像采集设备为Intel Realsense D435i机器视觉摄像头，RGB传感器以30 f/s的帧率采集道路图像，每帧道路图像分辨率为1 920×1 080 pixel，存储格式为JPEG。文中图像处理软件采用Matlab 2018a进行编程；图像处理硬件采用Intel Core i5-1135处理器，主频2.42 GHz，内存容量16 GB。针对道路特点，主要采集强光、正常光、低光三种光照强度下道路图像用于本研究。例图如图1所示。

图1 例图

大津法阈值分割是由大津提出的二值化图像处理算法，该算法计算简单，运行高效，不受图像亮度和对比度的影响，被认为是图像分割中阈值选取的最佳算法。因此，在数字图像处理上得到了广泛的应用。按照图像的灰度特性，将图像分成背景和前景两部分，大津法按照背景和前景之间的类间方差对图像进行处理，类间方差越大意味着图像的两部分的差别越大，计算类间方差的最大值作为图像分割的最佳阈值，因此，大津法又称最大类间方差法。

设一幅unit8类道路图像I像素总数为N，图像(x，y)处像素的灰度值为m，灰度范围为［0，255］，g(m)为图像类间方差，前景和背景的分割阈值为T，背景像素占整幅图像比例为ω0，平均灰度为μ0，前景像素占整幅图像比例为ω0，平均灰度为μ1。

类间方差g(m)为：

遍历图像像素灰度值，计算类间方差最大值为最佳阈值T：

则图像大津法阈值分割的算法为：

按照以上方法对例图进行阈值分割，得到最终结果如图2所示。

图2 Otsu阈值分割图像

由图2可以看出正常光照强度图像对比强光照强度和弱光照强度图像分割效果较好，如图3所示，黑色、白色区域分别表示被正确分割的背景和前景，林区环境区域表示被错误分割为前景，道路区域表示被错误分割为背景。为了定量分析三种方法的分割效果，采用精确率（Precision）、召回率（Recall）、精确率与召回率调和均值F1值对分割效果进行分析，根据式（4）（5）（6）计算：

图3 道路错误分割结果

式中，TP为道路像素被分割为道路像素的数量，FP为道路像素被分割为背景像素的数量，FN为背景像素被分割为道路像素的数量。

Otsu阈值分割结果定量分析如表1所示。Precision、Recall、F1值越高，代表图像分割效果越好。因此，从表1可以看出，对比正常光照强度、弱光照强度图像，强光照强度图像的召回率较低，为0.962 6；弱光照强度图像的精确率为0.892 2，F1值为0.942 7，在三种光照强度图像里最低。

表1 Otsu阈值分割结果定量分析

为了提高图像分割结果的质量，本课题组对RGB道路图像R、G、B颜色分量的像素灰度值进行分析，分别提取例图中R、G、B颜色分量的灰度图，如图4所示。

图4 R、G、B分量灰度图

从图4中可以看出，相比R、G分量灰度图，强光、正常光照强度图像的B分量灰度图的背景和道路对比度较强，且道路边界明显；弱光照图像的R、G、B分量灰度图的背景和道路对比度较差，无法判定R、G、B分量灰度图分割的好坏。因此，单独统计弱光照强度图像的R、G、B分量图像的灰度级像素出现的频率，用灰度直方图表示，如图5所示。

图5 弱光照强度的R、G、B分量灰度直方图

从图5中可以看出，弱光照图像的B分量相比R、G分量灰度直方图存在明显的波峰和波谷，可以将道路从背景中较好地分割出来。因此，对于强光、正常光和弱光照强度的林区道路图像选择B分量作为Otsu阈值分割的依据，得到最终分割结果如图6所示，对比图2可以看出，选择B分量进行分割，其分割结果更加精确。继续采用Precision、Recall对图6进行定量分析，其结果如表2所示。

图6 B分量Otsu阈值分割图

表2 B分量Otsu阈值分割结果定量分析

对比表1，由表2可知，只有强光照强度图像的Precision值稍微降低，但是其Recall、F1值增高；正常光照、弱光强度的RGB林区道路图像通过分割B颜色分量二值图像的Precision、Recall、F1值普遍提高。因此，符合图像分割精度要求。

2 结论

针对自然光照干扰道路识别的问题，课题组提出了一种基于颜色分量与Otsu阈值分割方法。对不同光照强度、不同地块的林区道路图像进行处理，结果显示：本项目方法分隔道路的Precision、Recall、F1值的均值为0.977 5、0.996 9、0.986 9，精度较高，有效提高了智能运输装备视觉导航时对自然环境的适应性。