目前，我国森林病虫害形势相当严峻，森林病虫害防治的最有效方法是使用药物防治；可是在农药使用的同时却伴随着环境污染、农药残留、害物的抗药性、人畜农药中毒以及低效的使用等弊端。对此，需要研究农药安全、精确的使用技术，减少农药对环境的污染以及人畜和农药接触的机会，并提高农药的使用效率。从目前的资料分析看，还没有在林业上进行基于机器视觉的精确农药使用技术的探索。利用机器视觉技术可以实现树木图像的实时采集、边缘检测、分割以及树木图像的特征提取与识别，而且根据所得到的识别结果，可以分离施药目标与非施药目标，并以此为依据产生精确喷雾的控制策略，从而实现在林业上进行基于机器视觉的精确农药使用，最终做到有目的地科学使用农药，既可提高农药的使用效率又可以减少因农药造成的环境污染，同时能降低农药使用成本(郑加强等，2001；Gopalapillai et al., 1999；Cho et al., 1999)。本文以室内模拟树木以及实际树木为研究对象，研制了一套适应树木检测的彩色机器视觉识别系统。

1 机器视觉识别系统构成

图 1为所研制的室内模拟树木检测的机器视觉识别系统原型。图 2为其总体示意图，该系统由计算机、DC30 PLUS真彩色图像采集卡、松下CP450型彩色CCD(Charge Coupled Device电荷耦合器件)摄像头和输送带式模拟实验台组成。图像采集卡的最大分辨率为1 024×1 024×24像素。摄像头安装在输送带式模拟实验台的一侧，同时采用西门子矢量型变频器6SE3214实现实验台无级平稳运动，以模拟室外摄像头与树木之间的相对运动，系统未使用特殊的光源以反映室外自然环境。

2 树木图像处理算法研究

如图 3所示为针对树木图像处理的识别算法，对采集得到的连续视频图像，首先提取单帧图像进行预处理以后，将图像由采集得到的RGB(三原色，Red红, Green绿, Blue蓝)图像转换为色度图像。再将转换后的色度图像中绿色(G)通道分离出来进行图像分割、边缘提取、特征提取与识别后，输出识别结果。

2.1 图像采集

本系统构造了自己的基于VFW的Capture采集类可以完成单幅图像或连续图像的采集，并能在采集过程中实时地从连续视频中提取单帧图像数据进行分析，对图像采集卡、计算机等硬件设备没有特别限制。

2.2 图像预处理

由于在自然光条件下，有时光线照度不理想，进行预处理的目的是使得图像清晰。预处理包括对图像进行亮度、对比度调整和平滑滤波。亮度和对比度的调整可以使得树木图像特征明显，易于识别。平滑滤波的目的是去掉尖锐不连续的噪声(方如明等，1999)。

2.3 RGB表示转换为色度表示

真彩色图像采集卡采集得到的原始图像是由RGB色彩空间表示的彩色图像。在分割采集到的彩色图像时，要利用色彩的聚类性质。通常物体的色度由构成物体的材料所具有的光线吸收和反射特性决定，而亮度明显地受光照和视角的影响，因此根据色度分割图像比较可靠。根据这一点，通常将RGB空间的图像转换到HSI(Hue色度，Saturation饱和度，Illuminance光照度)空间中以完成彩色图像分割，但由于RGB到HSI空间的转换计算量很大，较为耗时，在实时性要求很高的识别系统中不适用(陈晓光等，2001；Blackshaw et al., 1998；EI-Faki et al., 2000)。本文采用式(1)来实现RGB图像中色度和明度的分离，只用反映色彩本质特性的色度来进行聚类分析，可以获得比较好的识别效果。

(1)

式中r、g、b分别表示红、绿、蓝三原色的色度坐标值。

2.4 提取绿色(G)通道图像

在彩色图像分割中，可以先将其变换为灰度图像再进行处理，但考虑到彩色图像提供了比灰度图像更多的信息，而且由图 4灰度图像直方图可见，图像灰度值分布比较均匀，不易实现树木与背景的分离。由于树木的色彩大多为绿色基调，色度图像中的G分量包含了较多的树木色彩信息。图 5显示了滤去亮度的色度图像中其G分量的直方图较为符合分割所需的双峰特性，而R分量中有3个峰值，B分量中两个峰值间的差别不够明显，因此只需将G分量的图像提取出来，以实现图像的分割。

2.5 图像分割

把经过上述处理的图像，采用图像最佳分割阈值的算法将树木和背景分离开来成为两类区域的二值图像(章毓晋，2000)。

求出图像中的最小和最大灰度值Z₁和Z_M，令K=0，且阈值初值为

(2)

根据阈值T^k将图像分割成目标和背景两部分，求出两部分的平均灰度值Z_O和Z_B：

(3)

(4)

式中Z(i, j)是图像上(i, j)点的灰度值，N(i, j)是(i, j)点的权重系数，通常N(i, j)=1。

求出新的阈值：

(5)

如果T^k=T^k+1，则结束迭代，以阈值T^k分割图像；否则令k=k+1，转到步骤(2)。

2.6 边缘提取

图 6所示为采用Robert、Sobel、Prewitt、Kirsh和Laplacian边缘检测算子对分割好的图像进行边缘检测，提取模拟树木图像的边缘检测的结果。由于Prewitt算子并不是各向同性的，由图 6d可以看到其检测到的边缘并不是完全连通的，有一定程度的断开。Sobel算子也存在同样的问题。Laplacian算子对噪声比较敏感，检测到的图像边缘较粗，还需要进行进一步的细化。而采用Robert算子和Kirsh算子则可得到较为理想的边缘(方如明等，1999；章毓晋，2000)。由于Kirsh算子运算时间较长，Robert边缘检测算子用较小的运算量产生了较好的边缘检测效果，因此本文采用Robert边缘检测算子完成图像边缘提取。

2.7 特征提取

本研究分别提取了树木的面积A、周长l、圆形度R₀、内切圆半径r、形状复杂度e、重心x坐标mx、重心y坐标my等形状特征参数。这里提取的图像特征参数都是在360×270分辨率的图像中进行的(方如明等，1999；章毓晋，2000；景寒松等，2000)。树木的面积A等于分割好的图像中黑色像素的累积数，周长l等于边缘图像中相邻边缘点之间距离的和。其余各形状特征参数可分别可由式(6)~(10)计算得到。

(6)

(7)

(8)

(9)

(10)

式(9)、(10)中M(0，0)为图像的零阶矩；M(1，0)为图像对y轴的矩；M(0，1)为图像对x轴的矩。

2.8 识别

根据树木外形特征以及试验结果，选择树木的重心高度my、圆形度R₀、形状复杂度e作为树木形状的描述参数。用于树木识别的特征向量X如式(11)所示，采用二叉分类的方法来完成树木图像的识别。

(11)

3 算法测试

为了对上述算法进行测试，使用3种不同类型的模拟目标进行模拟研究，整个软件系统采用VC++6.0开发，结果如图 7所示。本文还对比了同一目标在不同背景下处理的情况，如图 8所示。图 9中所示的是在公路上任意采集的自然光条件下的行道树图像，采用本系统中的算法进行处理的情况。

模拟树木和行道树试验结果表明，本系统研究的图像处理算法对树木图像的处理识别具有普遍适用性。

4 结论

本文研究了室内树木图像采集识别系统，完成了实时采集树木图像的分割与识别以及树木图像特征提取，可为确定农药喷雾控制策略提供依据，在此控制策略基础上完成精确农药喷雾。目前，系统的试验对象为单行多株树木，树木图像的深度信息提取有待进一步研究，以实现成林树木的识别。系统采用VC++平台，利用基于Windows的主流操作系统的可视化编程和面向对象的软件设计方法，开发了树木图像处理及分析软件系统，具有良好的代码重用性。