超绿色提取绿色植物图像效果较好，阴影、枯 草和土壤图像等均能较明显的被抑制，植物图像更为突出，对于作物识别或杂草的识别最常用的灰度化方法为超绿色法：
ExG=2G-R-B
为将植物和背景分割需先确定一个阈值，然后将每个像素点的灰度值和阈值相比较，根据比较的 结果将该像素划分为植物或者背景。最大类间方差 法（Ostu 法）不需要人为设定其他参数，是一种自 动选择阈值的方法，其计算过程简单、稳定
matlab代码
%超绿特征分割
%先用最大类间方差法自动计算最佳阈值T，然后计算超绿分量ExG=2G-R-B，大于等于T，赋值为255，反之赋值为0
clear all;
clc;
image = imread('test3.png');
image = im2double(image); %图像运算不能用uint8类型，会发生溢出现象，要转成double类型
R = image(:,:,1);
G = image(:,:,2);
B = image(:,:,3);
ExG = 2*G-R-B;
[m,n] = size(ExG);
T = graythresh(ExG);
h = ExG;
for i = 1:m
for j= 1:n
if h(i,j) >= T
h(i,j)=255;
else
h(i,j)=0;
end
end
end
subplot(131),imshow(image),title('原始图片');
subplot(132),imshow(ExG),title('超绿灰度化')
subplot(133),imshow(h),title('超绿分割二值图')
实验结果：
python代码
# -*- coding: utf-8 -*-
"""
Created on Fri Sep 20 14:13:34 2019
@author: ywx
"""
image=cv2.imread('test2.png',cv2.IMREAD_COLOR)
img1 = np.array(image,dtype='int') #转换成int型，不然会导致数据溢出
#超绿灰度图
b, g, r = cv2.split(img1)
#ExG_sub = cv2.subtract(2*g,r)
#ExG = cv2.subtract(ExG_sub,b )
ExG = 2*g-r-b
[m,n] = ExG.shape
for i in range(m):
for j in range(n):
if ExG[i,j]<0:
ExG[i,j]=0
elif ExG[i,j]>255:
ExG[i,j]=255
ExG = np.array(ExG,dtype='uint8') #重新转换成uint8类型
ret2, th2 = cv2.threshold(ExG, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
plt.figure(figsize=(10,5), dpi=80)
plt.subplot(131),plt.imshow(cv2.cvtColor(image,cv2.COLOR_BGR2RGB)),\
plt.title('Original'),plt.axis('off')
plt.subplot(132),plt.imshow(cv2.cvtColor(ExG,cv2.COLOR_BGR2RGB)),\
plt.title('ExG_gray'),plt.axis('off')
plt.subplot(133),plt.imshow(cv2.cvtColor(th2,cv2.COLOR_BGR2RGB)),\
plt.title('OTSU_bw'),plt.axis('off')
plt.show()
注：由于图片是从论文上截图保存下来的，故分辨率没有原作者的高，效果也没原论文好
之后，可以再进行形态学操作（膨胀腐蚀等）使得分割结果更准确。
方法来源论文：基于机器视觉的株间机械除草装置的作物识别与定位方法
知识扩展：
2.2.1灰度化因子
对于采集到的彩色图像，绿色植物和背景土壤在R, G, B三个颜色分量上的取值存在着不同的特点。通过将原始图像分离成三个独立的基色平面，然后选择不同的彩色特征组合，对图像中的每个像素点进行转换，可以达到增强图像中目标作物与背景土壤对比度的目的。由于在这一过程中原始图像转变成了灰度图像，因此我们将转换时应用的颜色特征组合称为灰度化因子。
在下面介绍的灰度化因子中，R, G, B分别代表每个像素的红色分量、绿色分量和
蓝色分量，r, g, b则是归一化后的R, G, B值，具体计算公式为:
来源：作物长势监控图像中绿色植物的识别方法研究-赵晓兰
注：有的论文里面是ExR=1.3R-G
例如：A segmentation method for disease spot images incorporating chrominance in Comprehensive Color Feature and Region Growing