圖 3-5 視覺式生物量監測系統之流程圖 Training Sample Extraction
Image Segmentation
Growth Rate Estimation
Noise Removing
Image Stitching Input Sequence
System Start
Growth Rate Cover Rate
17
視覺式生物量監測系統之流程如圖所示，主要分為五個主要的步驟，分別為 training sample extraction、image segmentation、noise removing、image sititching 與 growth rate estimation。每一個步驟又可細分為若干個子步驟，詳細的流程內容會 在後面章節做進一步的介紹。
系統啟動後會先進入流程圖中 training sample extraction 部分，本步驟的主要 目的是將輸入影像中具有代表性的區域保留下來，並且刪除影像中一致性較低(變 異數大)的區域。本步驟首先在輸入影像中擷取本研究定義的取自灰階值之亂度特 徵，並且利用 SLIC 演算法將輸入影像分割為 N 個 superpixels 所組成的分割影像。
接著使用根據輸入影像灰階值亂度特徵決定出的 RGB 變異數閥值 Tvar 對 N 個 superpixels 進行篩選。保留篩選後變異數較小的 superpixels 並且決定輸入影像中 superpixels 的刪除比例。
Training sample extraction 之後，系統接著進入 image segmentation 的部分。
本步驟的主要目的是建立準確的前景物件特徵模型，以擷取出完整的前景區域。
系統首先將 training sample extraction 之後保留下來的 superpixels 由 RGB 色彩空 間轉換為 HSV 色彩空間，接著使用 K-means 演算法找到 K 個群中心。由於系統 偵測之茶樹主體為綠色，故系統將落在綠色範圍內之群中心視為前景物件的群中 心，落在綠色範圍外的群中心則視為背景物件的群中心。有了前景物件與背景物 件的群中心後，系統便能夠針對輸入影像的每一個像點進行像點與 K 個群中心的 距離計算，並且找出距離該像點最近的群中心。如圖 3-6 所示，圖 3-6(a)為輸入 影像，圖 3-6(b)為 HSV 色彩空間中 K-means 演算法的分群結果。若像點的最近群
(a) (b)
圖 3-6 HSV 色彩空間分群結果(a)input image (b)K-means clustering 之結果
H S
V
18
中心為前景物件群中心即圖中綠色區域處標示的群中心，則該像點則屬於前景物 件。反之，若像點的最近群中心為背景物件群中心即圖中紅色區域處標示的群中 心，則該像點則屬於背景物件。
透過 K-means 演算法擷取出前景物件之後，影像的分割結果破碎且分散，於 是系統需要透過 noise removing 步驟來去除影像中的雜訊。首先系統會針對不同 的影像大小計算出適合的 superpixel 數量 N，並且使用 SLIC 演算法將影像分為 N 個 superpixels。接著系統針對每個 superpixel 進行投票，若某一 superpixel 中屬於 前景物件的像點較多，則整個 superpixel 視為前景物件。反之，若某一 superpixel 中屬於背景物件的像點較多，則整個 superpixel 歸類為背景。
系統擷取出個別輸入影像二值化分割結果後就能夠透過 image stitching 將這 些二值化分割結果整合成一張由連續影像組成的完整分割結果。前面曾提到，空 拍機拍攝的影像為連續影像，因此，本研究將連續輸入影像二值化分割結果接合 成完整分割結果，此一作法可以較準確的估計整個茶園的茶樹鬱閉度。另外，由 於每張輸入影像具有不同的亂度特徵，也需要不同的 RGB 變異數閥值 Tvar與不同 的 superpixels 個數 N 來做影像分割。所以系統將每張影像分割為二值化影像後才 將數張二值化分割影像整合成一張完整的二值化分割結果圖。
首先系統會根據飛行的方向將影像縫合的程序分為水平縫合與垂直縫合兩 個步驟。系統先沿著拍攝的主要飛行方向將輸入影像縫合成長條狀，接著再將數 段長條狀的影像縫合成一張完整的二值化分割結果圖，最後計算分割結果圖中前 景物件所佔的比例作為輸入影像拍攝區域的鬱閉度輸出結果。
接著系統透過 growth rate estimation 計算出不同時間點所擷取出的二值化分 割結果圖之間的茶樹成長率。首先系統需要將一張時間較早的分割結果圖與一張 時間較晚的分割結果圖做重疊，於是本研究採人工的方式將圖中固定在茶園裡的 長方形藍色水箱與長方形白色水箱的八個頂點作為兩張圖的對應點，因為兩長方 形水箱固定在地上不會移動，也不會改變形狀，故可作為影像中的對應點。
由於兩張影像的 superpixels 的分割結果可能不盡相同，所以雖然經過 noise removing 的步驟後同一個 superpixel 內的每個像點結果都一樣，但是系統還是必 須透過對應像點的相減才能夠更準確的計算出兩張影像間的成長率。系統將一張 時間較早的分割結果圖與一張時間較晚的分割結果圖之對應像點位置的值相減
19
得到差異結果。相減結果分為正、為負、為零三種，若相減結果為正則視該像點 為枯損點，若為負則視該像點為生長點，若為零則視該像點為無變化，接著利用 該差異結果與原先時間較早的分割結果圖合併計算出兩個時間點之間的茶樹成 長率與枯損率作為輸出。
20
第4章 茶樹偵測與分割參數決定
本章介紹茶樹偵測及決定分割參數的方法，主要分為五個步驟，分別為訓練 集的篩選(training sample extraction)、影像分割(image segmentation)、去除雜訊 (noise removing)、影像縫合(image sititching)與成長率估計(growth rate estimation)。
各步驟的詳細過程將在本章分別討論。因此，本章第一節介紹訓練集的篩選 (training sample extraction)細部流程，第二節介紹影像分割(image segmentation)細 部流程，第三節介紹去除雜訊(noise removing)細部流程。第四節介紹影像縫合 (image sititching)細部流程。第五節介紹成長率估計(growth rate estimation)細部流 程。