一种基于改进U‑Net的植物图像分割算法

赵艳杰，郭晓丽，刘洋，娜茜泰，李雅婷，张铭梓，秦文强

（内蒙古大学电子信息工程学院，呼和浩特 010021）

1 引言

图像分割是理解和分析图像的重要环节，即基于图像的颜色、灰度、纹理等特征对图像的主体部分进行提取［1］，目前被广泛的应用于目标识别、目标追踪、3D重构等技术的基础处理过程，本文主要的分割对象为野外采集的花朵型植物和叶片型植物。T.Saitoh等人［2］通过选择局部代价与路径长度之比最小的路径来提取边界，并开发了一种分割识别一体的界面，实验对600幅图片进行测试，获得了97%的花朵分割准确率，但是当待分割主体中心处有清晰边缘时，会出现分割不完整需要手动在边界输入分割点的情况。K Yang［3］等人通过收集标注得到2500张复杂背景叶片图像，分割和识别网络分别为Mask-R-CNN和VGG16，网络的第一部分选择候选目标区域，接着将目标候选区域输入网络的第二部分产生叶片分割图和识别率，最终的误分率（Misclassification Error，ME）为1.15%，但其实验数据量不够充足且模型训练和验证的时间相对较长。刘永波等人［4］使用两组U-Net进行并行计算，实现玉米的叶部病斑分割，其叶片分割的MIOU值达到96.33%，但其只考虑了对叶片的分割，很多病症存在于植物果实等部位，不具有普适性。邓颖等人［5］针对花量密集、多遮挡场景，证明当以ResNeXt50为主卷积网络，Mask-R-CNN获得较高准确率和较低误差率且模型运行时间短，该方法创造性的实现了密集、大量场景中花朵数量的统计但其准确率有待进一步提升。钟伟镇……