论文部分内容阅读
摘要：快速有效地对农作物图像（特别是大田监控图像）进行绿色植被分割，在图像处理技术在农业中的应用中具有重要意义。小麦是我国一个重要的粮食作物，小麦田中植物呈现绿色，与土壤背景颜色有明显的差异，合适的选取颜色空间可进行有效分割，进而计算特定时段麦田的植被覆盖度，长势等信息。本研究首先通过对常见颜色模型各单通道图像进行初步对比分析，选取HSV的H分量、YCbCr的Cr分量、L*a*b*的a*分量、RGB颜色空间的G与R减运算量，通过2013年11月至2014年3月的大量小麦监控图像，人工选取34幅图像进行植被分割，并从结果数据中统计分析每种彩色分量的分割准确度和标准差。最终得出了在对麦田监控图像进行植被分割中.L*a*b*颜色模型的a*通道具有最准确和最稳定的结果：34幅不同时点的麦田监控图像，图像分割平均准确度近90%，分割准确度标准差在0.08以下。
关键词：麦田监控，图像预处理，图像阈值分割，颜色空间，植被覆盖度
引言
随着计算机技术的快速发展，在农业方面，利用大田的监控设备，分析农作物的长势，诊断农作物病虫草害，识别农作物的营养状况等方面，图像处理技术显示出了巨大的应用潜力。在这些研究中，大部分都利用了彩色图像的分割技术，这就不可避免的要进行颜色空间的筛选，近年来学者们提出了很多不同的颜色空间，合适地理解和使用颜色特征对进行彩色图像分割来说至关重要。目前还没有任何一种颜色空间可适合所有彩色图像的分割，颜色空间的筛选是彩色图像分割中，首先要面对的一个难题。
1 研究概述
苗情诊断是小麦实现丰产的基础，尽管不同小麦生育期有多种形态指标，但植被覆盖度和叶片颜色在各生育期都是主要形态指标，且具有连续动态变化特征，能直接反映苗情状况。为了获取以上相关指标就需要有效识别小麦大田监控图像的植被部分，从而计算植被覆盖度并判断苗情，彩色图像分割是以上研究最基础和最重要的第一步，为此本文进行了基于不同颜色空间的小麦大田监控图像分割技术研究，具体内容如下：
（1）研究常见的颜色空间模型（RGB，HSV，L*a*b，YCbCr等），并进行相应分量的选择；
（2）基于麦田的监控图像数据，进行不同颜色模型，不同阈值下的绿色植被分割，并获取图像分割结果；
（3）分割效果通过与人工基准图像（Groundtruth）进行对比，进行准确性和稳定性量化评估（quantitative evaluation）。得出麦田监控图像分割效果最优的颜色模型。
2 材料与方法
2.1 实验图像数据采集
本研究采用了河南省农业技术推广总站的小麦部分监控图像作为实验数据，采用多路IP监控摄像头对试验田麦苗进行数据采集（摄像头的拍摄角度与地面垂直，每小时采集一幅图像，夜间不采集，见图1），并通过网络硬盘录像机NVR对图像进行转码储存。图像的格式为jpeg，分辨率为1280*1024。之后由数据处理终端（windows PC）对图像数据进行处理，基于最新的C 语言图像软件库和matlab开发智能图像处理算法，对麦田苗情信息进行提取和识别。
研究采用的图像包括了2013年11月到2014年3月同一监控摄像头下的小麦监控图像数据，在这期间共收集了500余幅图像，最终人工选取了其中能够涵盖不同时间点和小麦不同生长阶段的34幅图像作为研究对象（删除了光照强度过大或过小、极端天气下无法看清、植被被雪覆盖等情况的无法获取有效信息的监控图像见图lb，保留了亮度适中、清晰度较好的图像）。监控图像包含了小麦的完整苗期过程，是大田小麦生长情况的真实反映，极具研究价值。
2.2 常见颜色空间下通道分量的选择
通过对几种常见的颜色模型（RGB、L*a*b*、YCbCr、HSV）的各单通道图像与直方图（见下图2）情况，进行初步分析可以明显看出，L*a*b*的a*分量，YCbCr的Cr分量，HSV的H分量、RGB的G与R的减运算分量的直方图有明显的双峰，而这些颜色空间的其他分量均为单峰，无法区分，很难进行阈值分割，因此在下面的图像分割实验中，将把L*a*b*的a*分量，YCbCr的Cr分量，HSV的H分量、RGB的G与R的减运算量图像作为进一步图像分割研究的对象。
2.3 图像阈值分割
由于阈值处理比较直观，图像阈值化分割在图像分割应用中处于重要位置，是最常见的一种分割方法。该方法可以极大的压缩数据量，而且实现起来方法简单、计算量小、性能较为稳定，在实际应用中，是最常选择、应用最为广泛的一种方法。该方法难点在于如何选择一个合适的阈值实现较好的分割。考虑到以后大田环境下的应用，对时间和稳定等方面的要求，本研究采用此方法进行图像分割操作。
阈值分割原理：一副图像包括目标、背景等，设定某一阈值T将图像分成两部分：大于T的像素群为背景和小于T的像素群为目标，见如下公式：
在现实操作中，为了显示需要一般将255表示成背景，把0表示成对象物。本研究在分割中大于阈值T的像素赋值255表示土地等背景，小于T的像素赋值0表示为绿色植被（或目标物）。
为了进行各颜色模型下图像分割效果的最优对比，本实验进行图像分割时，把不同颜色空间下分量取值范围进行256均分，作为图像分割的阈值选择，即每幅图都进行256个不同阈值的选择。实验中对不同的分割阈值都进行相应的图像分割，从这些结果中选取最佳分割效果作为实验数据与其他颜色空间进行分析对比。例如L*a*b*的a*分量的取值范围为（0-255）阈值范围也为（0-255），如果在某幅图像阈值为120时，分割效果最好，这个分割效果即为该幅图L*a*b*颜色空间a*分量有效分割数据。各颜色空间分量阈值取值范围见表l。
2.4 图像分割效果评价
分割效果的评价一般采用分割准确度和不同情况下图像分割的准确度稳定性进行评价，因此本研究通过对机器分割图与人工手动处理的基准分割图进行比较（见图3），根据公式2和公式3分别求出相应的分割准确度（Segmentation accuracy，SA）和准确度标准差（），进行分割效果的量化评估。 公式2中，Fo为人工分割图中植被目标的像素数，Fr为分割算法中植被目标的像素数，SA为准确度。SA值越大说明分割效果越好。公式的分子代表机器分割出的目标像素与人工分割目标像素的交集，分母代表机器分割出的目标像素与人工分割目标像素的并集，即考虑到了植被正确分割的情况，又考虑到了植被外分割错误的情况，对分割目标的准确性评价效果较好（见图3）。此公式下，分割结果最差的时候，即算法分割图中植被区域像素为0，也就是Fr为0，那么式2中的分子也为0，SA（分割准确度）得0；最优的情况，如果机器分割出的目标像素与人工分割目标像素匹配达到100%，即算法分割图中植被区域像素Fr与人工分割图中植被目标像素数Fo完全一致，那么公式2的分子与分母一致，也就是SA（分割准确度）的值为100%。
人工分割图说明：在人工选取实验所需的麦田监控图像后，需要借助相应的图像处理工具（本实验中采用Adobe公司的PHOTOSHOP CS4）对选出所有图像（本实验选取34张）进行绿色植被的人工分割（见下图4），以便作为下面不同颜色空间下计算机自动分割效果评价的参考依据。人工分割图，在制作过程中一方面为了保证所有参考图像的制作标准统一，分割工作均由一人完成；另一方面由于监控图像本身非高清，为了实现人工标准图的尽量高标准（见图4），人工分割时在处理麦苗和杂草边缘细节时非常耗时，34副人工分割图的制作时间超过150小时。
公式3中，i为分割图像的序列号，N为进行图像分割的图像总数，MSA为某一颜色空间分量下所有N张分割图像的最佳准确度的均值，MSAi为这一颜色空间下第i张图像分割的最佳准确度，即为这一颜色空间下所有处理图像最佳准确度的标准差。
3 结果与分析
本研究的最终目的是通过对不同颜色模型下图像分割的效果进行对比分析，从中找到麦田监控图像分割的最优颜色空间选择。所以，图像分割效果的评价是关键问题，一般图像分割效果的评价主要从分割的准确度和分割效果的稳定性两个方面来分析，因此本研究分别利用不同颜色空间下图像分割的数据信息结果，通过准确度SA（见公式2）和准确度的标准差9（见公式3）对分割的准确度和稳定性分别进行评估，以便进行自然环境下麦田监控图像分割的最佳颜色空间选择。
实验程序使用Matlab R2014a编写开发，使用的计算机配置为：Pentium（R）处理器， DualCore CPU E6600@3.06GHz；6 GB内存；500GB硬盘。
3.1 分割准确度
不同监控图像在不同阈值下的准确度结果数据见图5至图9。图5至图8展示了34幅图像在不同颜色空间相应分量进行阈值分割后，准确度和不同阈值间对应的关系点云图；图9表示的是不同颜色空间下34幅图像与其对应的最佳分割准确度关系图，从中可以看出L*a*b*对所有34幅图像分割的平均最佳准确度达到近90%较其他颜色空间高出5 10个百分点，然后依次为RGB颜色模型G-R量的85.49%、YCbCr颜色模型Cr分量的83.73%、HSV颜色模型H分量的70.24%。不同颜色空间分量下的分割最佳分割效果实例见图10。
图5中纵轴代表图像分割的准确度，横轴代表分割图像时a*分量选择的不同阈值，从图中可以看出，在所有的34张图像中每张图像分割的最佳准确度均出现在a*值为120-130区域内，其中最高值0.9646、最低值为0.5802，图中当阈值小于110或大于135时，图像分割出现全黑或全白的情况，分割结果无参考价值。
图6中纵轴代表图像分割的准确度，横轴代表分割图像时H量选择的不同阈值，由于HSV中H取值范围为0-1，所以在图中H阈值取值进行了255倍放大，例如阈值50代表50/255，在所有的34张图像中每张图像的分割最佳准确度均出现在阈值为110-150区域内，其中最高值0.8454、最低值为0.1904。另外从图中可以看到此种空间分量下，不同图像的分割准确度有较大差异。
图7中，纵轴代表图像分割的准确度，横轴代表分割图像时Cr量选择的不同阈值，在所有的34张图像中每张图像的分割最佳准确度均出现在Cr值为120-130区域内，其中最高值0.9328、最低值为0.5104，图中当阈值小于110或大于135时，图像分割出现全黑或全白的情况，分割结果无参考价值。
图9中，纵轴为图像分割的准确度，横轴为不同分割的对象既监控图像（横坐标1-34分别代表按时间先后顺序选取的不同时期的34幅小麦监控图像），黑色圈代表L*a*b*颜色模型a*分量在（0-255）不同阈值分割的最佳准确度，红色的*代表HSV颜色模型H分量在（0-1）不同阈值分割的最佳准确度，绿色的 号代表YCbCr颜色空间Cr分量在（0-255）不同阈值分割的最佳准确度，黄色的五角星代表RGB颜色模型G分量和R分量做减运算量在（0-255）不同阈值分割的最佳准确度。从图中可以得出：
（1）不同颜色分量下34幅图像分割的平均最佳准确度分别为：a*为0.8997，H为0.7024，Cr为0.8373，R-G为0.8549；
（2）图中可以初步看出，表L*a*b*的a*、RGB的G-R、YCbCr的Cr等彩色空间分量的分割准确度稳定性较好，HSV的H分量的分割稳定性最差。
3.2 准确度标准差
见表2，可以看到不同颜色模型下，在34幅麦田监控图像分割效果的最佳准确度标准差的对比中，表L*a*b*颜色空间的表现最为突出。具体情况见表2，从中可以看出四种颜色空间下34幅图像的最佳准确度标准差分别为：表L*a*b*为0.0767、HSV为0.1705、YCbCr为0.0889、G-R为0.0874。
表2中，准确度（见公式2）平均值为每个颜色空间分量下，34幅麦田监控图像中每个图像在不同阈值下获得的最佳准确度求和后取的平均值；准确度标准差数值的取得详见公式3。
3.3 小结
本研究通过对34幅麦田监控图像在不同颜色空间分量下的植被分割效果分析和研究，从准确度和准确度标准差两个指标人手，进行数据统计分析，得出以下结论：
（1）大田麦田监控图像在不同颜色模型下进行图像分割时，表L*a*b*颜色空间的a*分量在所选的几种颜色模型中可以获取最优和最稳定的分割效果，然后依次为RGB颜色模型的G-R量、YCbCr颜色模型的Cr分量、HSV颜色模型的H分量。
（2）对34幅大田麦田监控图像在进行单阈值植被分割时，表L*a*b*颜色空间的a*分量的最佳阈值出现为120-130范围内，其准确度的最高值为0.9646，最佳准确度平均值为0.8997； HSV颜色模型的H分量的最佳阈值出现在110-150区域内，其准确度的最高值为0.8454，最佳准确度平均值为0.7024； YCbCr颜色模型的Cr分量的最佳分割阈值出现在120-130区域内，其准确度的最高值为0.9328，最佳准确度平均值为0.8373； RGB颜色模型的G-R分量的分割最佳阈值出现在0 20区域内，其准确度的最高值为0.948，最佳准确度平均值为0.8549。
4 结语
本文在通过对大田环境下2013年11月至2014年3月郑州地区麦田监控图像序列（500余张）进行收集整理，并经过人工筛选（34张）、图像预处理、不同颜色空间下图像的阈值分割、对比人工基准图像进行量化评估、统计分析评价等工作，最终得出表L*a*b*颜色空间的a*分量进行大田植被图像分割具有较好的表现，准确度近90%，图像分割稳定性同样优异，对34幅麦田监控图像的分割准确度的标准差在0.08以下。
本文研究素材直接取自大田监控图像，而非实验环境，因而结果具有重要的应用价值，特别为麦田监控图像分割研究奠定了良好的基础。这些实验结果将对大田环境下小麦的远程苗情分析，以及农田远程信息化管理（农田灌溉、长势判断、杂草控制等）提供重要的技术支持。
关键词：麦田监控，图像预处理，图像阈值分割，颜色空间，植被覆盖度
引言
随着计算机技术的快速发展，在农业方面，利用大田的监控设备，分析农作物的长势，诊断农作物病虫草害，识别农作物的营养状况等方面，图像处理技术显示出了巨大的应用潜力。在这些研究中，大部分都利用了彩色图像的分割技术，这就不可避免的要进行颜色空间的筛选，近年来学者们提出了很多不同的颜色空间，合适地理解和使用颜色特征对进行彩色图像分割来说至关重要。目前还没有任何一种颜色空间可适合所有彩色图像的分割，颜色空间的筛选是彩色图像分割中，首先要面对的一个难题。
1 研究概述
苗情诊断是小麦实现丰产的基础，尽管不同小麦生育期有多种形态指标，但植被覆盖度和叶片颜色在各生育期都是主要形态指标，且具有连续动态变化特征，能直接反映苗情状况。为了获取以上相关指标就需要有效识别小麦大田监控图像的植被部分，从而计算植被覆盖度并判断苗情，彩色图像分割是以上研究最基础和最重要的第一步，为此本文进行了基于不同颜色空间的小麦大田监控图像分割技术研究，具体内容如下：
（1）研究常见的颜色空间模型（RGB，HSV，L*a*b，YCbCr等），并进行相应分量的选择；
（2）基于麦田的监控图像数据，进行不同颜色模型，不同阈值下的绿色植被分割，并获取图像分割结果；
（3）分割效果通过与人工基准图像（Groundtruth）进行对比，进行准确性和稳定性量化评估（quantitative evaluation）。得出麦田监控图像分割效果最优的颜色模型。
2 材料与方法
2.1 实验图像数据采集
本研究采用了河南省农业技术推广总站的小麦部分监控图像作为实验数据，采用多路IP监控摄像头对试验田麦苗进行数据采集（摄像头的拍摄角度与地面垂直，每小时采集一幅图像，夜间不采集，见图1），并通过网络硬盘录像机NVR对图像进行转码储存。图像的格式为jpeg，分辨率为1280*1024。之后由数据处理终端（windows PC）对图像数据进行处理，基于最新的C 语言图像软件库和matlab开发智能图像处理算法，对麦田苗情信息进行提取和识别。
研究采用的图像包括了2013年11月到2014年3月同一监控摄像头下的小麦监控图像数据，在这期间共收集了500余幅图像，最终人工选取了其中能够涵盖不同时间点和小麦不同生长阶段的34幅图像作为研究对象（删除了光照强度过大或过小、极端天气下无法看清、植被被雪覆盖等情况的无法获取有效信息的监控图像见图lb，保留了亮度适中、清晰度较好的图像）。监控图像包含了小麦的完整苗期过程，是大田小麦生长情况的真实反映，极具研究价值。
2.2 常见颜色空间下通道分量的选择
通过对几种常见的颜色模型（RGB、L*a*b*、YCbCr、HSV）的各单通道图像与直方图（见下图2）情况，进行初步分析可以明显看出，L*a*b*的a*分量，YCbCr的Cr分量，HSV的H分量、RGB的G与R的减运算分量的直方图有明显的双峰，而这些颜色空间的其他分量均为单峰，无法区分，很难进行阈值分割，因此在下面的图像分割实验中，将把L*a*b*的a*分量，YCbCr的Cr分量，HSV的H分量、RGB的G与R的减运算量图像作为进一步图像分割研究的对象。
2.3 图像阈值分割
由于阈值处理比较直观，图像阈值化分割在图像分割应用中处于重要位置，是最常见的一种分割方法。该方法可以极大的压缩数据量，而且实现起来方法简单、计算量小、性能较为稳定，在实际应用中，是最常选择、应用最为广泛的一种方法。该方法难点在于如何选择一个合适的阈值实现较好的分割。考虑到以后大田环境下的应用，对时间和稳定等方面的要求，本研究采用此方法进行图像分割操作。
阈值分割原理：一副图像包括目标、背景等，设定某一阈值T将图像分成两部分：大于T的像素群为背景和小于T的像素群为目标，见如下公式：
在现实操作中，为了显示需要一般将255表示成背景，把0表示成对象物。本研究在分割中大于阈值T的像素赋值255表示土地等背景，小于T的像素赋值0表示为绿色植被（或目标物）。
为了进行各颜色模型下图像分割效果的最优对比，本实验进行图像分割时，把不同颜色空间下分量取值范围进行256均分，作为图像分割的阈值选择，即每幅图都进行256个不同阈值的选择。实验中对不同的分割阈值都进行相应的图像分割，从这些结果中选取最佳分割效果作为实验数据与其他颜色空间进行分析对比。例如L*a*b*的a*分量的取值范围为（0-255）阈值范围也为（0-255），如果在某幅图像阈值为120时，分割效果最好，这个分割效果即为该幅图L*a*b*颜色空间a*分量有效分割数据。各颜色空间分量阈值取值范围见表l。
2.4 图像分割效果评价
分割效果的评价一般采用分割准确度和不同情况下图像分割的准确度稳定性进行评价，因此本研究通过对机器分割图与人工手动处理的基准分割图进行比较（见图3），根据公式2和公式3分别求出相应的分割准确度（Segmentation accuracy，SA）和准确度标准差（），进行分割效果的量化评估。 公式2中，Fo为人工分割图中植被目标的像素数，Fr为分割算法中植被目标的像素数，SA为准确度。SA值越大说明分割效果越好。公式的分子代表机器分割出的目标像素与人工分割目标像素的交集，分母代表机器分割出的目标像素与人工分割目标像素的并集，即考虑到了植被正确分割的情况，又考虑到了植被外分割错误的情况，对分割目标的准确性评价效果较好（见图3）。此公式下，分割结果最差的时候，即算法分割图中植被区域像素为0，也就是Fr为0，那么式2中的分子也为0，SA（分割准确度）得0；最优的情况，如果机器分割出的目标像素与人工分割目标像素匹配达到100%，即算法分割图中植被区域像素Fr与人工分割图中植被目标像素数Fo完全一致，那么公式2的分子与分母一致，也就是SA（分割准确度）的值为100%。
人工分割图说明：在人工选取实验所需的麦田监控图像后，需要借助相应的图像处理工具（本实验中采用Adobe公司的PHOTOSHOP CS4）对选出所有图像（本实验选取34张）进行绿色植被的人工分割（见下图4），以便作为下面不同颜色空间下计算机自动分割效果评价的参考依据。人工分割图，在制作过程中一方面为了保证所有参考图像的制作标准统一，分割工作均由一人完成；另一方面由于监控图像本身非高清，为了实现人工标准图的尽量高标准（见图4），人工分割时在处理麦苗和杂草边缘细节时非常耗时，34副人工分割图的制作时间超过150小时。
公式3中，i为分割图像的序列号，N为进行图像分割的图像总数，MSA为某一颜色空间分量下所有N张分割图像的最佳准确度的均值，MSAi为这一颜色空间下第i张图像分割的最佳准确度，即为这一颜色空间下所有处理图像最佳准确度的标准差。
3 结果与分析
本研究的最终目的是通过对不同颜色模型下图像分割的效果进行对比分析，从中找到麦田监控图像分割的最优颜色空间选择。所以，图像分割效果的评价是关键问题，一般图像分割效果的评价主要从分割的准确度和分割效果的稳定性两个方面来分析，因此本研究分别利用不同颜色空间下图像分割的数据信息结果，通过准确度SA（见公式2）和准确度的标准差9（见公式3）对分割的准确度和稳定性分别进行评估，以便进行自然环境下麦田监控图像分割的最佳颜色空间选择。
实验程序使用Matlab R2014a编写开发，使用的计算机配置为：Pentium（R）处理器， DualCore CPU E6600@3.06GHz；6 GB内存；500GB硬盘。
3.1 分割准确度
不同监控图像在不同阈值下的准确度结果数据见图5至图9。图5至图8展示了34幅图像在不同颜色空间相应分量进行阈值分割后，准确度和不同阈值间对应的关系点云图；图9表示的是不同颜色空间下34幅图像与其对应的最佳分割准确度关系图，从中可以看出L*a*b*对所有34幅图像分割的平均最佳准确度达到近90%较其他颜色空间高出5 10个百分点，然后依次为RGB颜色模型G-R量的85.49%、YCbCr颜色模型Cr分量的83.73%、HSV颜色模型H分量的70.24%。不同颜色空间分量下的分割最佳分割效果实例见图10。
图5中纵轴代表图像分割的准确度，横轴代表分割图像时a*分量选择的不同阈值，从图中可以看出，在所有的34张图像中每张图像分割的最佳准确度均出现在a*值为120-130区域内，其中最高值0.9646、最低值为0.5802，图中当阈值小于110或大于135时，图像分割出现全黑或全白的情况，分割结果无参考价值。
图6中纵轴代表图像分割的准确度，横轴代表分割图像时H量选择的不同阈值，由于HSV中H取值范围为0-1，所以在图中H阈值取值进行了255倍放大，例如阈值50代表50/255，在所有的34张图像中每张图像的分割最佳准确度均出现在阈值为110-150区域内，其中最高值0.8454、最低值为0.1904。另外从图中可以看到此种空间分量下，不同图像的分割准确度有较大差异。
图7中，纵轴代表图像分割的准确度，横轴代表分割图像时Cr量选择的不同阈值，在所有的34张图像中每张图像的分割最佳准确度均出现在Cr值为120-130区域内，其中最高值0.9328、最低值为0.5104，图中当阈值小于110或大于135时，图像分割出现全黑或全白的情况，分割结果无参考价值。
图9中，纵轴为图像分割的准确度，横轴为不同分割的对象既监控图像（横坐标1-34分别代表按时间先后顺序选取的不同时期的34幅小麦监控图像），黑色圈代表L*a*b*颜色模型a*分量在（0-255）不同阈值分割的最佳准确度，红色的*代表HSV颜色模型H分量在（0-1）不同阈值分割的最佳准确度，绿色的 号代表YCbCr颜色空间Cr分量在（0-255）不同阈值分割的最佳准确度，黄色的五角星代表RGB颜色模型G分量和R分量做减运算量在（0-255）不同阈值分割的最佳准确度。从图中可以得出：
（1）不同颜色分量下34幅图像分割的平均最佳准确度分别为：a*为0.8997，H为0.7024，Cr为0.8373，R-G为0.8549；
（2）图中可以初步看出，表L*a*b*的a*、RGB的G-R、YCbCr的Cr等彩色空间分量的分割准确度稳定性较好，HSV的H分量的分割稳定性最差。
3.2 准确度标准差
见表2，可以看到不同颜色模型下，在34幅麦田监控图像分割效果的最佳准确度标准差的对比中，表L*a*b*颜色空间的表现最为突出。具体情况见表2，从中可以看出四种颜色空间下34幅图像的最佳准确度标准差分别为：表L*a*b*为0.0767、HSV为0.1705、YCbCr为0.0889、G-R为0.0874。
表2中，准确度（见公式2）平均值为每个颜色空间分量下，34幅麦田监控图像中每个图像在不同阈值下获得的最佳准确度求和后取的平均值；准确度标准差数值的取得详见公式3。
3.3 小结
本研究通过对34幅麦田监控图像在不同颜色空间分量下的植被分割效果分析和研究，从准确度和准确度标准差两个指标人手，进行数据统计分析，得出以下结论：
（1）大田麦田监控图像在不同颜色模型下进行图像分割时，表L*a*b*颜色空间的a*分量在所选的几种颜色模型中可以获取最优和最稳定的分割效果，然后依次为RGB颜色模型的G-R量、YCbCr颜色模型的Cr分量、HSV颜色模型的H分量。
（2）对34幅大田麦田监控图像在进行单阈值植被分割时，表L*a*b*颜色空间的a*分量的最佳阈值出现为120-130范围内，其准确度的最高值为0.9646，最佳准确度平均值为0.8997； HSV颜色模型的H分量的最佳阈值出现在110-150区域内，其准确度的最高值为0.8454，最佳准确度平均值为0.7024； YCbCr颜色模型的Cr分量的最佳分割阈值出现在120-130区域内，其准确度的最高值为0.9328，最佳准确度平均值为0.8373； RGB颜色模型的G-R分量的分割最佳阈值出现在0 20区域内，其准确度的最高值为0.948，最佳准确度平均值为0.8549。
4 结语
本文在通过对大田环境下2013年11月至2014年3月郑州地区麦田监控图像序列（500余张）进行收集整理，并经过人工筛选（34张）、图像预处理、不同颜色空间下图像的阈值分割、对比人工基准图像进行量化评估、统计分析评价等工作，最终得出表L*a*b*颜色空间的a*分量进行大田植被图像分割具有较好的表现，准确度近90%，图像分割稳定性同样优异，对34幅麦田监控图像的分割准确度的标准差在0.08以下。
本文研究素材直接取自大田监控图像，而非实验环境，因而结果具有重要的应用价值，特别为麦田监控图像分割研究奠定了良好的基础。这些实验结果将对大田环境下小麦的远程苗情分析，以及农田远程信息化管理（农田灌溉、长势判断、杂草控制等）提供重要的技术支持。