5.杂草与土壤背景实时分割的研究
1.图像分割概述：
图像分割是图像处理当中最重要的部分，也是一种基本的计算机视觉技术。它根据某种同一性把一整幅图像划分为若干子区域，每一区域对应于某一物体或物体的一部分。进行图像分割的最终目的是为了对景物或物体进行描述，而许多不同种类的图像或景物部分都可作为据以分割的分片，并且有许多不同的方法可从图像中提取这些部分。
图像分割分为灰度图像分割和彩色图像分割，它们的大部分算法在分割思想上是一致的，只是彩色图像要比灰度图像包含着更多的信息，而且具有多种彩色空间表达方式。尽管人们在图像分割方面做了许多研究工作，但由于没有通用的分割理论，现已提出的分割算法大都是针对具体问题的，并没有一种适合所有图像的通用分割算法。那么彩色图像分割算法的关键就在于利用丰富的彩色信息达到图像分割的目的。
本课题中的图像分割，主要是去除杂草图像中的土壤背景。为了将绿色植物与土壤有效的分割，需要对原始图像数据进行变换，从而得到最能反映分类本质的特征。对于彩色图像分割的问题，首先要选择好合适的方法，利用这个颜色特征将彩色图像转变成灰度图像，再确定阈值将灰度图像二值化。
2.阈值分割方法：
利用上述颜色特征组合将彩色图像转化成灰度图像，然后根据图像中要提取的杂草区与背景区在灰度特性上的差异把图像视为具有不同灰度级的区域组合，通过选取阈值将杂草区域从背景中分离出来。采用阈值法分割阈值的选取至关重要，如果阈值选得过高，则过多的目标点将被误分为背景，阈值选的过低，则目标点不能完全分离出.这将影响分割后二值图像
目标大小和形状，甚至使目标丢失。因此，本书中采用迭代法求取最佳阈值的分割算法，具体步骤如下:
1.求出图像中最大和最小灰度值S1和Sh，令初始阈值为：
2. 根据阈值Tk将灰度图像分成目标和背景两部分（第一次分割时Tk=T0），然后求出目标和背景两部分的平均灰度值S1和S2：
式中：S（i，j）为图像上（i,j）点的灰度值；N(i,j)为（i，j）
点的权重系数，一般来说N（i,j）=1或者0；
3. 求出新的阈值：
4. 如果Tk=Tk+1,则算法结束；否者k→k+1,转步骤2继续执行。 3．区域生长：
区域生长是指从图像的某个位置开始，使每块区域变大，直到被比较的像素与区域像素具有显著差异为止。具体实现时，在每个要分割的区域内确定一个种子点，判断种子像素周围邻域是否具有与种子像素相似的像素，若有，就将新的像素包含到区域内，并作为新的种子继续生长，直到没有满足条件的像素点时为止。
区域生长实现分割有下列三个关键技术，不同的算法主要区别在于这三点的不同。
1. 种子点的选取。通常选择待提取区域的具有代表性的点，可以是单个像素也可以是包括若干个像素的子区域，可根据具体问题利用先验知识来选择。
2. 生长准则的确定（相似性准则）。一般根据图像的特点，采用与种子点的距离度量（彩色、灰度、梯度等量之间的距离）。
3. 区域停止生长的条件。可以采用区域大小、迭代次数或区域饱和等条件。
4、形态学滤波：
数学形态学是由一组形态学的代数运算子组成的，它的基本运算有4个： 膨胀（或扩张）、腐蚀（或侵蚀）、开启和闭合，它们在二值图像和灰度图像中各有特点。基于这些基本运算还可推导和组合成各种数学形态学实用算法，用它们可以进行图像形状和结构的分析及处理，包括图像分割、特征抽取、边缘检测、 图像滤波、图像增强和恢复等。
滤波使用的几种简单对称结构元素（圆形、方形、菱形）如下图所示：
基本形态学变换： 1． 膨胀运算：
膨胀是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。可以用来填补物体中的空洞。一般意义的膨