自然環(huán)境下基于Lab空間的成熟蘋果圖像分割

吳慶崗++張衛(wèi)國++李燦林++吳青娥++朱付保

摘要：為了提高自然環(huán)境下成熟蘋果圖像的分割質(zhì)量，通過對自然環(huán)境成熟蘋果顏色特征的分析，提出一種在Lab顏色空間的蘋果圖像分割算法。首先對圖像進(jìn)行均值濾波預(yù)處理以消除噪聲的影響，然后把圖像從RGB空間轉(zhuǎn)換到Lab空間并提取a分量，最后進(jìn)行K-means分割。結(jié)果表明，基于Lab空間中a分量的K-means分割能有效地把蘋果從圖像中提取出來。

關(guān)鍵詞：蘋果；自然環(huán)境；Lab顏色空間；K-means算法；圖像分割

中圖分類號： TP391.41文獻(xiàn)標(biāo)志碼： A

文章編號：1002-1302（2017）09-0177-03

蘋果作為我國的第一大水果品種，其種植面積和產(chǎn)量分別占世界的40%、33%，均居世界首位。在蘋果成熟期，大面積蘋果需要集中在9—10月內(nèi)采摘完畢。目前僅靠人工采摘，不僅耗時耗力，而且隨著我國人力成本的上升，也從側(cè)面推動了蘋果價(jià)格的上升，降低了蘋果在國際上的價(jià)格優(yōu)勢，不利于進(jìn)出口貿(mào)易。如何降低人力采摘成本、實(shí)現(xiàn)成熟蘋果的自動采摘，是研究者急需解決的一個問題。

近年來，隨著計(jì)算機(jī)技術(shù)的發(fā)展，把數(shù)字圖像處理技術(shù)與農(nóng)業(yè)發(fā)展相結(jié)合已經(jīng)成為一種趨勢[1-5]。2009年司永勝等提出一種利用色差R-G和色差比（R-G）/（G-B）相結(jié)合的蘋果識別方法，該方法對蘋果的識別率達(dá)到97%[6]；2011年覃香對自然環(huán)境下蘋果濾波處理后，運(yùn)用R-G/2-B/2色差分量進(jìn)行Otsu閾值分割，識別率可達(dá)98.4%[7]；2016年李宏利等在對成熟蘋果果實(shí)定位的研究中，在RGB空間采用 R/1.7 與G的值比較進(jìn)行分割，結(jié)果表明該方法誤差小，滿足定位效果[8]。目前在自然環(huán)境下進(jìn)行果實(shí)的識別，大部分研究是在RGB空間進(jìn)行的。但是RGB顏色空間中3個分量存在很強(qiáng)的相關(guān)性，不利于蘋果圖像的分割。自然環(huán)境下蘋果圖像背景復(fù)雜，存在光照不均勻、亮度偏暗甚至被樹枝物遮擋等問題，這進(jìn)一步增大了蘋果圖像分割的難度。而Lab顏色空間色域?qū)掗?，不僅包含了RGB的所有色域，而且彌補(bǔ)了RGB空間色彩分布不均的問題[9]。本研究結(jié)合自然環(huán)境下蘋果目標(biāo)和背景的顏色特征，提出一種基于Lab空間上的 K-means分割方法，利用Lab空間中3個分量的特征，準(zhǔn)確提取a分量進(jìn)行 K-means 算法分割。結(jié)果表明，該方法可以有效分割出目標(biāo)區(qū)域。

1圖像預(yù)處理

在自然環(huán)境下拍攝成熟蘋果圖像，由于受成像設(shè)備在傳輸過程和外部環(huán)境干擾等影響導(dǎo)致圖像降質(zhì)。為了獲得完整的蘋果圖像，必須去除或降低噪聲對圖像的干擾，提高圖像的質(zhì)量。圖1-a為蘋果原圖，首先在RGB顏色空間提取R、G、B分量分別采用均值濾波，然后把濾波后的3個分量合并到一起，得到三維濾波后的彩色蘋果圖像如圖1-b所示。

2顏色空間選取與轉(zhuǎn)換

2.1顏色空間選取

常用顏色空間主要有RGB、HIS、Lab等。在對彩色圖像進(jìn)行分割時，選取適當(dāng)?shù)念伾臻g是一個關(guān)鍵步驟。用不同的顏色空間對同一幅圖像進(jìn)行處理時，不同顏色分量的灰度圖像之間存在很大的差異，因此需要找到能明顯區(qū)分蘋果目標(biāo)與自然背景的顏色分量，目標(biāo)與背景的灰度差別越大越有利于果實(shí)圖像的分割。目前最常見的顏色空間是基于R、G、B三原色的RGB色彩空間，但RGB空間中3個分量存在很強(qiáng)的相關(guān)性，所以RGB的單個分量不適用于自然環(huán)境下成熟蘋果的分割。本研究將自然環(huán)境下成熟蘋果圖像從RGB空間轉(zhuǎn)化到Lab空間，其中L分量表示像素的亮度范圍為0～100；a分量表示從紅色到綠色的變化，值域?yàn)?128～+127；b分量表示從黃色到藍(lán)色的變化，值域?yàn)?128～+127[10]。由于自然環(huán)境下成熟的蘋果圖像主要是以蘋果為主的紅色目標(biāo)和以樹葉為主的綠色背景，而a分量的取值正好介于紅色和綠色之間，所以選擇a分量來刻畫蘋果目標(biāo)特征。從 圖2-d 中的L分量直方圖中可以看出，雖然在L分量中目標(biāo)亮度較大，但相對于背景顏色并沒有明顯的差異；從圖2-f中的b分量直方圖中可以看出，在b分量中背景和目標(biāo)的顏色趨于一致；從圖2-e的a分量的直方圖中可以看出，目標(biāo)和背景呈現(xiàn)明顯的雙峰，這說明a分量中目標(biāo)和背景有明顯的區(qū)別，更容易區(qū)分紅色蘋果目標(biāo)和綠色樹葉背景。

2.2顏色空間轉(zhuǎn)換

Lab色彩空間是國際照明委員會（CIE）推行的顏色度量國[CM（25]際標(biāo)準(zhǔn)[11]。它的色彩空間比RGB空間大，并且是一種與設(shè)備無關(guān)的顏色系統(tǒng)，它以數(shù)字化方式來描述人眼能夠看到的所有顏色，而且處理速度與RGB模型一樣快。由于Lab空間的轉(zhuǎn)換是非線性的，它是在RGB顏色空間的基礎(chǔ)上，用假想的3個原色X、Y、Z建立一個新的顏色空間，先把RGB轉(zhuǎn)換到XYZ上，如公式（1）[12]所示：

然后再從XYZ轉(zhuǎn)換到Lab空間，如公式（2）所示：

其中：

3基于Lab空間中a分量的K-means分割方法

K-means分割方法是一種無監(jiān)督聚類算法，該算法是基于樣本空間相似性度量的聚類方法[13]。它根據(jù)某種屬性將n個對象分為k個簇（k

則Xi∈Wj。（3）計(jì)算k個新的聚類中心，計(jì)算公式為

聚類準(zhǔn)則函數(shù)的計(jì)算公式為

（4）判斷聚類是否合理，判別公式為

若合理，則迭代終止；若不合理，則返回步驟（2）、步驟（3）。

在K-means聚類算法中，首先要確定分類參數(shù)k，理論上，k值越大，聚類越準(zhǔn)確。但是在自然環(huán)境下分割蘋果圖像，由于光照和蘋果成熟度等因素導(dǎo)致蘋果表面顏色不均勻等問題，k值越大，會導(dǎo)致蘋果目標(biāo)被分為不同的子類，并且k值越大，運(yùn)行速度越慢。因此，為了確保運(yùn)行效率，同時考慮本研究只需獲得蘋果目標(biāo)區(qū)域，因此設(shè)定k=2，即將圖像分為目標(biāo)和背景2類。

基于Lab空間的K-means算法具體步驟如下：（1）首先讀入RGB圖像；（2）提取RGB圖像的各個分量進(jìn)行均值濾波，并把濾波后的各個分量進(jìn)行合并；（3）根據(jù)公式（1）和公式（2），把RGB空間的圖像轉(zhuǎn)換到Lab空間；（4）提取Lab空間中的a分量進(jìn)行K-means分割。

4試驗(yàn)結(jié)果與分析

本研究算法實(shí)現(xiàn)環(huán)境是在Inter（R）Core（TM）i5-3470 CPU@3.20 GHz，4.00 GB RAM下應(yīng)用MATLAB R2014a對30幅圖像進(jìn)行K-means分割試驗(yàn)。為了驗(yàn)證本研究算法的有效性，分別與Otsu[14]、迭代法[15]對自然環(huán)境下蘋果進(jìn)行分割比較，分割結(jié)果如圖3所示。圖3-a、圖3-b、圖3-c、圖3-d為同一幅圖像采用不同算法的分割結(jié)果，分別選取4幅典型原始蘋果圖像，其中圖3-a為光照相對均勻圖像、圖3-b 為存在露珠干擾的圖像、圖3-c為背景比較復(fù)雜的圖像、圖3-d為亮度整體偏暗的圖像。

從圖3-a中可以看出，在光照相對均勻的圖像上，Otsu與迭代法可以較好地識別出目標(biāo)，但對于一些陰影部分卻不能很好地識別，如圖3-a中的區(qū)域1，在Otsu與迭代法中均沒有被識別出來，而在本研究算法中可以被很好地識別出來。從圖3-b中可以看出，對于雨后露珠影響的圖像，在Otsu與迭代法中，除了存在陰影的部分沒有被識別出來，在迭代法中也增加了許多噪聲，而在本研究算法中，不僅陰影部分被完全識別出來，而且遮擋物也被明確地識別出來。從圖3-c可以看出，在復(fù)雜的背景下，Otsu與迭代法錯誤地把天空分割成目標(biāo)，而且迭代法受噪聲的影響比較大，而本研究算法能較好地把天空和目標(biāo)分割開，而且對圖像的邊緣信息保存比較完好。而圖3-d中圖像整體較暗時，使用Otsu和迭代法無法完整地識別出蘋果圖像，而是把天空等亮度高的部分錯誤分割為目標(biāo)，而本研究算法可以準(zhǔn)確地識別出目標(biāo)，而且對于目標(biāo)被樹葉遮擋的部分，也能完整地識別出來。

5結(jié)論

本研究提出一種基于Lab空間的K-means分割算法，利用Lab空間中a分量的變化范圍從紅色到綠色的特點(diǎn)，實(shí)現(xiàn)了自然環(huán)境下蘋果圖像的精準(zhǔn)分割。與傳統(tǒng)的Otsu和迭代法相比，本研究方法可以很好地規(guī)避在自然環(huán)境下光照不均、陰影等因素對蘋果圖像分割的影響，提高自然環(huán)境下蘋果圖像分割的精度。

參考文獻(xiàn)：

[1]崔永杰，蘇帥，王霞霞，等. 基于機(jī)器視覺的自然環(huán)境中獼猴桃識別與特征提取[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（5）：247-252.

[2]李正明，王森，孫俊. 圖像分割在成熟茄子目標(biāo)識別中的應(yīng)用[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（增刊1）：105-108.

[3]熊俊濤，鄒湘軍，陳麗娟，等. 基于機(jī)器視覺的自然環(huán)境中成熟荔枝識別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42（9）：162-166.

[4]Mizushima A，Lu R F. An image segmentation method for apple sorting and grading using support vector machine and Otsus method[J]. Computers&Electronics in Agriculture，2013，94（94）：29-37.

[5]夏永泉，曾莎，李耀斌. 一種改進(jìn)的植物葉片病斑區(qū)域邊緣提取技術(shù)[J]. 鄭州輕工業(yè)學(xué)院學(xué)報(bào)（自然科學(xué)版），2015，30（1）：67-70.

[6]司永勝，喬軍，劉剛，等. 基于機(jī)器視覺的蘋果識別和形狀特征提取[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（8）：161-165.

[7]覃香. 自然場景下蘋果檢測系統(tǒng)的研究與實(shí)現(xiàn)[D]. 楊凌：西北農(nóng)林科技大學(xué)，2011.

[8]李宏利，劉全中. 圖像中成熟蘋果果實(shí)定位方法研究[J]. 農(nóng)機(jī)化研究，2016（2）：54-57.

[9]王易偱，趙勛杰. 基于K均值聚類分割色彩圖像算法的改進(jìn)[J]. 計(jì)算機(jī)應(yīng)用與軟件，2010，27（8）：127-130.

[10]石雪強(qiáng)，程新文. 蘋果采摘機(jī)器人視覺系統(tǒng)的目標(biāo)提取研究[J]. 農(nóng)機(jī)化研究，2013，35（10）：46-48，59.

[11]Bai X D，Cao Z G，Wang Y，et al. Crop segmentation from images by morphology modeling in the CIE L*a*b*color space[J]. Computers & Electronics in Agriculture，2013，99（7）：21-34.

[12]鄒秋霞，楊林楠，彭琳，等. 基于Lab空間和K-means聚類的葉片分割算法研究[J]. 農(nóng)機(jī)化研究，2015，37（9）：222-226.

[13]李冠林，馬占鴻，黃沖，等. 基于K-means硬聚類算法的葡萄病害彩色圖像分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26（2）：32-37.

[14]Otsu N. A threshold selection method from gray-Level histogram[J]. Systems Man & Cybernetics IEEE Transactions on，1979，9（1）：62-66.

[15]鄧林華，許駿，程向明. 基于迭代閾值的太陽像分割算法的應(yīng)用研究[J]. 計(jì)算機(jī)與現(xiàn)代化，2010（10）：72-74.