基于改進分水嶺算法的熏烤肉圖像分割*

何 鵬，王成琳，王福剛

(齊齊哈爾大學(xué) 通信與電子工程學(xué)院，黑龍江 齊齊哈爾 161006)

目前，利用計算機視覺技術(shù)進行食品安全檢測已成為研究的熱點。在熏烤制品方面，國外部分學(xué)者利用計算機視覺技術(shù)對制品表面的顏色與致癌物質(zhì)丙烯酰胺的關(guān)系作出了研究，提出了很多彩色圖像的分割算法。如參考文獻[1]指出肉制品在高溫熏烤的同時，其丙烯酰胺的含量會隨制品表面黑色的加深而升高。參考文獻[2]在研究薯片表面顏色時，提出將彩色圖像變換為灰度圖像，結(jié)合設(shè)定閾值的邊緣檢測，從而對圖像進行分割的方法。參考文獻[3]提出手動選取烤雞翅表面3塊不同顏色的小區(qū)域，根據(jù)其各自色彩平均值將彩色圖像聚類分割的方法。而國內(nèi)尚未見到利用計算機視覺技術(shù)對熏烤肉進行的研究的報道。

圖像分割是圖像處理和分析的關(guān)鍵環(huán)節(jié)。彩色圖像的分割方法有很多，其中傳統(tǒng)分水嶺算法以其快速得到封閉連續(xù)的目標(biāo)邊界、自動完成圖像的分割、無需參數(shù)的設(shè)置而中斷程序等優(yōu)點被廣泛使用。但是由于圖像噪聲或區(qū)域細節(jié)的影響，使得該算法容易產(chǎn)生過度分割現(xiàn)象[4]。

針對上述研究現(xiàn)狀，本文提出一種改進分水嶺算法并用以分割熏烤肉表面的顏色。先用巴特沃茲低通濾波和背景色彩壓制對熏烤肉圖像預(yù)處理、濾除噪聲，抑制區(qū)域中隱藏的細節(jié)，然后進行傳統(tǒng)分水嶺變換。對產(chǎn)生的過度分割區(qū)域，在RGB顏色空間中以相對歐氏距離為準則進行自動種子選取及種子區(qū)域生長，最后對剩余小區(qū)域進行合并，得到分割圖像。實驗證明，該方法減少了傳統(tǒng)分水嶺變換產(chǎn)生的過度分割現(xiàn)象，成功地對熏烤肉表面不同顏色進行分割，為之后的圖像分析(如對熏烤肉表面顏色與其丙烯酰胺含量關(guān)系的研究)奠定了基礎(chǔ)。

1 材料和獲取裝置

圖像獲取的硬件裝置由具有靈敏度高、抗強光、體積小等特點的CCD攝像機組成,CPU為Intel Pentium 4，內(nèi)存1 GB，硬盤80 GB的計算機，以黑布為背景的暗箱及固定在暗箱上的2個高精密度光源所組成。暗箱用來阻止外界光的干擾，CCD攝像機與計算機相連，安插固定在暗箱上方。黑布起到純化背景的作用，將熏烤肉放在黑布上，2個高靈敏光源與被測制品均成45°，既充當(dāng)了自然光，又消除了被測制品在背景留下的陰影。通過計算機控制調(diào)整CCD攝像機與制品的距離，從而獲取熏烤肉原始圖像，并存儲在計算機內(nèi)。硬件裝置如圖1所示。軟件選擇Matlab，圖像處理工具箱中自帶的圖像處理函數(shù)和簡單的語法結(jié)構(gòu)，使得仿真試驗可以方便快速地進行。

2 算法

為了達到準確的分割效果，本文提出了對傳統(tǒng)分水嶺變換做前后處理從而抑制過度分割的算法。算法包括三部分：前處理(預(yù)處理)，即對獲取的原始熏烤肉圖像做巴特沃茲低通濾波和背景色彩壓制；傳統(tǒng)分水嶺分割算法；后處理，即對經(jīng)傳統(tǒng)分水嶺變換得到的過度分割區(qū)域,在RGB色彩空間中進行以相對歐式距離為準則的自動種子區(qū)域選取、種子區(qū)域生長及剩余小區(qū)域合并。

2.1 傳統(tǒng)分水嶺算法

基于形態(tài)學(xué)的分水嶺分割算法是以對圖像進行三維可視化處理為基礎(chǔ)，主要目標(biāo)是找出分水線。假設(shè)在每個區(qū)域最小值的位置打一個洞并且讓水以均勻地上升速率從洞中涌出，從低到高淹沒整個地形。當(dāng)處在不同的匯聚盆地中的水將要聚合在一起時，修建的大壩將阻止聚合。水將只能到達大壩的頂部處于水線之上的程度，這些大壩就是分水嶺的分割線。本文選擇分水嶺算法，是因為該算法可以快速得到封閉連續(xù)的目標(biāo)邊界(用分割線給出)，分割出熏烤肉表面不同的色彩。同時Matlab軟件中自帶分水嶺函數(shù)，無需設(shè)置參數(shù)，即可自動完成圖像分割。但是，由于噪聲或其他因素影響，使得分水嶺算法對細節(jié)敏感，易造成過度分割。

2.2 圖像預(yù)處理

針對傳統(tǒng)分水嶺易產(chǎn)生過度分割的問題，首先采用巴特沃茲低通濾波對原始圖像進行預(yù)處理。巴特沃茲低通濾波器是一個具有最大平坦幅度的低通濾波器，在線性相位、衰減斜率和加載特性三個方面具有特性均衡的優(yōu)點。n級巴特沃茲低通濾波器的傳遞函數(shù)(且截至頻率距原點的距離為D0)的定義如下：

其中，D(u,v)為點(u,v)到傅里葉變換中心（原點）的距離。對熏烤肉原始圖像的三個色彩分量R、G、B分別進行濾波、移除高頻部分、增強色彩的變化和邊緣信息。D0可選擇 15、30、80，n選擇 2階。實驗表明，當(dāng)D0取 30時，既濾去了高頻噪聲，又增強了邊緣色彩變化，達到了濾波的目的。為了防止背景色彩對實物信息的干擾，對巴特沃茲低通濾波的結(jié)果做背景色彩壓制。至此，圖像預(yù)處理結(jié)束。實驗證明，經(jīng)預(yù)處理后的圖像再進行分水嶺分割，過分割現(xiàn)象明顯減少。

2.3 圖像后處理

為了達到最佳的分割效果，對經(jīng)預(yù)處理和傳統(tǒng)分水嶺變換后得到的分割區(qū)域做后期處理。該部分包括：自動種子區(qū)域選取、區(qū)域生長及剩余小區(qū)域合并。

2.3.1 自動種子區(qū)域選取和區(qū)域生長

RGB彩色空間建立在笛卡爾立體空間坐標(biāo)系中，以紅、綠、藍三種基本顏色的不同值相互疊加來表示彩色圖像，同時運行在RGB顏色空間中的算法不需要進行顏色空間的轉(zhuǎn)換，運算速度最。因此，本文改進算法針對傳統(tǒng)分水嶺算法對預(yù)處理圖像變換生成的過度分割區(qū)域，在RGB顏色空間中自動選取部分區(qū)域作為種子區(qū)域，并計算其各自的RGB平均值，以該值代表此區(qū)域。

如圖2所示，如果選取了種子區(qū)域為Ri，其相鄰區(qū)Rj（j=1,2,…,n），n為相鄰區(qū)域的個數(shù)。相對歐氏距離為：

則該區(qū)域也定義為種子區(qū)域。閾值T的取值影響到種子區(qū)域的選取。區(qū)域生長用來考察非種子區(qū)域與種子區(qū)域的相似性，滿足以下標(biāo)準的區(qū)域納入該種子區(qū)域，實現(xiàn)了區(qū)域合并。標(biāo)準為：

其中，Dn為種子區(qū)域像素的相對歐氏距離。實驗表明閾值T1的取值范圍是 0.06～0.08時，得到的分割結(jié)果符合人的視覺效果。

2.3.2 剩余小區(qū)域合并

圖像預(yù)處理減少了傳統(tǒng)分水嶺變換產(chǎn)生的過度分割，但是由于圖像的細節(jié)和細小噪聲的存在，使得部分小面積區(qū)域無法被區(qū)域生長所吞噬，反而納入種子區(qū)域之中。本文在區(qū)域生長之后，再一次考察這些小區(qū)域的RGB平均值。首先與其相鄰的區(qū)域作相對歐氏距離，比較某個閾值，若小于該閾值，則與該區(qū)域合并。如若沒有最優(yōu)閾值，與樣本總體RGB平均值的1%比較，經(jīng)實驗證明，小于該值時，一般為噪聲，可將其舍去。

2.3.3算法示意圖

本文算法流程如圖3所示。

圖3 算法流程圖

3 仿真與結(jié)果分析

針對本文提出的算法，在Matlab7.1環(huán)境下，對在系統(tǒng)硬件裝置下獲取的原始熏烤肉圖像進行仿真，并對算法進行分析。

3.1 仿真

仿真結(jié)果如圖4所示。原始圖像大小為 640×480，對其進行傳統(tǒng)分水嶺變換，得到的分割區(qū)域數(shù)為138 907，如圖4(g)所示。經(jīng)過前期濾波和背景色彩壓制處理后，分割區(qū)域數(shù)為91，如圖4(d)所示。再經(jīng)后期自動種子區(qū)域生長和區(qū)域合并，閾值T取0.03，效果最佳，如圖4(e)所示。本文整體算法最后的分割數(shù)為16，分割圖像如圖4(f)所示，不同的顏色區(qū)域用連續(xù)封閉的分割線框出。表1給出了不同算法的結(jié)果對比。

表1 算法結(jié)果對比

3.2 算法分析

從程序運行的時間來看，由于本文提出的算法流程簡單，易于編程，部分函數(shù)在Matlab中可以直接得到，只是在圖像后處理時用到了循環(huán)判斷語句，消耗了部分時間，整體程序運行時間僅為6.215 0 s。從算法的穩(wěn)定性來看，當(dāng)外界條件發(fā)生變化時(如燈光柔和度、黑布質(zhì)地)，通過圖像前處理可以抑制外界對整體算法的干擾，無需對算法作出整體調(diào)整，體現(xiàn)了本文算法的魯棒性。如圖4(f)所示，分割結(jié)果符合人的視覺效果，將不同顏色的區(qū)域分割出來，體現(xiàn)了準確性。

本研究成功地將計算機視覺技術(shù)應(yīng)用到熏烤肉圖像分割之中，提出了一種改進的分水嶺算法，用來分割熏烤肉表面的顏色。不僅減少了傳統(tǒng)分水嶺算法產(chǎn)生的過度分割現(xiàn)象，而且成功地將熏烤肉表面不同顏色區(qū)域用分割線分割開來，為之后的圖像分析工作(如對熏烤肉表面顏色與其丙烯酰胺含量關(guān)系的研究)奠定了堅實的基礎(chǔ)。

[1]GOKMEN V.Computer vision based image analysis for rapid detection for acrylamide in heated food[C].2nd International MoniQA Conference.Poland,Krakow,2010.

[2]PEDRESCHI F,BUSTOS O,MERY D.Color knetics and acrylamide formation in NaCl soaked potato chips[J].Journal of Food Engeering,2006,79(7):989-997.

[3]GOKMEN V,SENYUV H Z,DULEK B.Computer visionbased image analysis for the estimation of acrylamide concentrations of potato chips and french fries[J].Food Chemistry,2007,101(7):791-798.

[4]刁智華,趙春江,郭新宇,等.分水嶺算法的改進方法研究[J].計算機工程,2010,36(17):4-6.