相机视觉系统是快速监测植物叶片的有效方法，可用于监测植物生长、病虫害及进行植物表型分析。然而，由于植物处于户外环境，使用相机视觉系统变得具有挑战性。本文通过比较不同类型的摄像机和分割技术，解决了香根草叶片分割的问题。使用嵌入式设备中的可见光、NoIR相机（NoIR 相机在镜头上没有红外线滤光器，非常适合在低光（夜光）环境中进行红外线摄影和拍照）和热感摄像机拍摄昼夜植物。采用了几种常见的阈值分割技术和K-Means算法进行叶片分割，并使用召回率、精确率和F1分数对它们的性能进行了测量。比较结果显示，可见光相机在白天图像上表现最佳，采用三角阈值法具有最高的召回率（0.934），采用K-Means（K = 3）具有最高的精确率（0.751），采用Multi-Otsu阈值法具有最高的F1分数（0.794）。对于夜间图像，热感摄像机使用Isodata和Otsu阈值法取得了最高的召回率（0.990），NoIR相机采用K-Means（K = 3）取得了最高的精确率（0.572），采用K-Means（K = 3）时NoIR相机具有最高的F1分数（0.636）。为了比较我们的阈值分割技术和K-Means算法在图像数据集和知名植物图像数据集之间的叶片分割性能，我们还使用了Ara2012图像数据集对方法进行了评估。结果显示，K-Means（K = 3）取得了最佳性能。K-Means的执行时间约为3秒，比阈值分割技术长，但对于实时植物监测系统仍然可接受。

图1 多摄像头系统的硬件布置。

图2 可见光相机拍摄的样本图像

图3 NoIR相机拍摄的样本图像：（a）原始图像；（b）变换后图像

图4 热感相机拍摄的样本图像：（a）原始图像；（b）变换后图像。

图5 图解三角形阈值法

图6 全天24小时可见光、NoIR和热图像的强度

图7 NoIR图像拍摄时间：（a）13:00 h；（b）19:00 h。

图8 热图像拍摄时间：（a）13:00 h；（b）19:00 h

图9 真实图像示例：（a）可见相机；（b）NoIR相机

图10 可见光图像的图像分割结果：(a) original tested image; (b) Isodata; (c) Li; (d) Local; (e) Mean; (f) Minimum; (g) Otsu; (h) Multi-Otsu; (i) Triangle; (j) Yen; (k) K-Means (K = 2); (l) K-Means (K = 3)

图11 NoIR图像的图像分割结果：(a) original tested image; (b) Isodata; (c) Li; (d) Local; (e) Mean; (f) Minimum; (g) Otsu; (h) Multi-Otsu; (i) Triangle; (j) Yen; (k) K-Means (K = 2); (l) K-Means (K = 3)

图12 热图像的图像分割结果：(a) original tested image; (b) Isodata; (c) Li; (d) Local; (e) Mean; (f) Minimum; (g) Otsu; (h) Multi-Otsu; (i) Triangle; (j) Yen; (k) K-Means (K = 2); (l) K-Means (K = 3)

图13 Ara2012图像数据集中拟南芥植物的分割性能

图14 （a）我们的数据集；（b）Ara2012数据集的图像直方图