基于分水嶺和區(qū)域面積加權(quán)的粘連枸杞分級(jí)方法*

趙君君， 王小鵬， 渠燕紅

(蘭州交通大學(xué) 電子與信息工程學(xué)院，甘肅 蘭州 730070)

基于分水嶺和區(qū)域面積加權(quán)的粘連枸杞分級(jí)方法*

趙君君， 王小鵬， 渠燕紅

(蘭州交通大學(xué) 電子與信息工程學(xué)院，甘肅 蘭州 730070)

針對枸杞分級(jí)過程中出現(xiàn)的粘連枸杞分級(jí)效率不高、準(zhǔn)確性低的缺點(diǎn)，提出了一種基于形態(tài)學(xué)分水嶺和區(qū)域面積加權(quán)的粘連枸杞分級(jí)方法。對粘連的枸杞圖像進(jìn)行形態(tài)學(xué)預(yù)處理消除枸杞烘干晾曬過程中產(chǎn)生的細(xì)小噪聲，在保持區(qū)域輪廓位置不變的同時(shí),盡可能地消除不規(guī)則邊緣；運(yùn)用標(biāo)記極小值的分水嶺算法分割圖像，依據(jù)枸杞紅色分量的分布剔除霉變顆粒，對正常枸杞二值圖像運(yùn)用區(qū)域面積標(biāo)記算法掃描標(biāo)定各個(gè)目標(biāo)獲取顆粒的面積，并用霍特林算法獲取顆粒的長寬比；以長寬比作為面積的權(quán)值對面積加權(quán)修正后進(jìn)行聚類分析,分成3類。實(shí)驗(yàn)結(jié)果表明：該方法能夠較快速、準(zhǔn)確地對不同大小的粘連枸杞顆粒進(jìn)行分類。

粘連枸杞； 形態(tài)學(xué)分水嶺； 區(qū)域面積加權(quán)； 聚類分析； 枸杞分級(jí)

0 引 言

傳統(tǒng)枸杞分級(jí)主要采用人工挑揀方式，人工判別枸杞的大小、顏色及表面缺陷，速度慢、效率低、可靠性不高，影響了枸杞的價(jià)格和銷售，不符合精品外運(yùn)的發(fā)展要求[1]。隨著自動(dòng)化技術(shù)的發(fā)展，國內(nèi)外研究了基于機(jī)器視覺的農(nóng)產(chǎn)品分級(jí)方法，文獻(xiàn)[2，3]針對非粘連紅棗、大米的分級(jí)，通過設(shè)計(jì)硬件系統(tǒng)或者提取目標(biāo)的大小、形狀等特征參數(shù)建立相應(yīng)的模型進(jìn)行分級(jí)，對非粘連農(nóng)產(chǎn)品的分級(jí)效果較好。文獻(xiàn)[4]提出了基于機(jī)器視覺的多鉚釘自動(dòng)檢測算法，提取閾值分割后鉚釘?shù)妮喞ㄟ^計(jì)算鉚釘輪廓各點(diǎn)在兩側(cè)支撐區(qū)間內(nèi)曲率的方法識(shí)別鉚釘。文獻(xiàn)[5]提出了基于機(jī)器視覺的枸杞分級(jí)方法,對非粘連枸杞的色澤特征和大小特征進(jìn)行兩級(jí)分類，第一級(jí)依枸杞的色澤特征分成2類,第二級(jí)依枸杞的大小特征分成3類。針對粘連枸杞進(jìn)行分級(jí),先通過色澤特征剔除霉變顆粒提升分類的效率,然后標(biāo)定正常顆粒的面積和長寬比,并對枸杞顆粒面積進(jìn)行加權(quán)修正,加權(quán)值為對應(yīng)枸杞顆粒的長寬比。CCD圖像傳感器采集粘連枸杞圖像先經(jīng)過預(yù)處理、標(biāo)記極小值的分水嶺算法分割后提取枸杞圖像RGB的R分量，根據(jù)R分量的分布剔除霉變顆粒、運(yùn)用區(qū)域面積標(biāo)記算法和霍特林算法標(biāo)定顆粒面積及長寬比；最后以枸杞顆粒的長寬比作為面積的權(quán)值對面積進(jìn)行修正，對修正后的面積運(yùn)用k-means算法進(jìn)行聚類分析，實(shí)現(xiàn)粘連枸杞的分級(jí)。

1 方法流程

粘連枸杞分級(jí)主要分為2個(gè)部分,如圖1所示，即粘連枸杞圖像分割和粘連枸杞聚類。粘連枸杞圖像分割可分為預(yù)處理和圖像分割；粘連枸杞聚類可分為特征提取、區(qū)域面積及長寬比標(biāo)定和基于k-means面積加權(quán)聚類。1)對粘連枸杞圖像預(yù)處理消除細(xì)小噪聲和不規(guī)則邊緣；2)利用標(biāo)記極小值的分水嶺算法分割粘連圖像；3)提取分割圖像單個(gè)顆粒的R分量，依據(jù)R分量的分布剔除霉變顆粒；4)運(yùn)用區(qū)域面積標(biāo)定算法和霍特林算法標(biāo)定分割區(qū)域的面積及長寬比，以獲取的長寬比作為面積的權(quán)值運(yùn)用k-means聚類算法對加權(quán)面積進(jìn)行聚類分析。

圖1 粘連枸杞分級(jí)流程

2 粘連枸杞分割

2.1 預(yù)處理

枸杞在采摘晾曬烘干過程中容易受到光照、灰塵等因素的影響，導(dǎo)致枸杞顆粒內(nèi)部出現(xiàn)灰點(diǎn)，顆粒邊緣產(chǎn)生不規(guī)則細(xì)節(jié)等噪聲，不利于二值圖像面積和長寬比的準(zhǔn)確標(biāo)定。為此，首先對CCD采集的粘連枸杞圖像進(jìn)行預(yù)處理，灰度化后作高帽變換增強(qiáng)灰度圖像的對比度如圖2(a)所示

I=0.098 9fr+0.257 0fg+0.214 0fb

(1)

式中fr,fg和fb分別為粘連枸杞彩色枸杞圖像RGB分量;I為灰度化之后的圖像。然后采用OTSU法(即大律法或最大類間方差法)，對高帽變換后的圖像作二值化處理，二值化后枸杞圖像中存在由于表面紋理和灰點(diǎn)所產(chǎn)生的孔洞問題給后續(xù)局部極小值的標(biāo)記產(chǎn)生較大影響，導(dǎo)致分水嶺分割時(shí)嚴(yán)重的過分割，如圖2(b)所示。采用3×3的圓盤型結(jié)構(gòu)元素作形態(tài)學(xué)面積開運(yùn)算填充顆粒內(nèi)部的孔洞，并用5×5窗口的中值濾波法平滑顆粒邊緣如圖2(c)所示。

圖2 粘連枸杞圖像預(yù)處理

2.2 圖像分割

粘連枸杞的分割對后續(xù)單個(gè)枸杞面積和長寬比的標(biāo)定、分類至關(guān)重要。與文獻(xiàn)[6]和文獻(xiàn)[7]的分割方法相對比，標(biāo)記極小值的分水嶺算法[8，9]不僅能分割枸杞目標(biāo)與背景，且能分割粘連枸杞。針對圖2(c)運(yùn)用bwareaopen函數(shù)先去除非粘連的顆粒并標(biāo)記粘連顆粒的連通域，然后對該連通域進(jìn)行歐氏距離變換；再標(biāo)記變換后深局部最小區(qū)域位置；最后對深局部最小區(qū)域的距離變換運(yùn)用標(biāo)記極小值的分水嶺算法分割，分割過程如圖3(a)～(f)所示。

圖3 粘連枸杞分割過程

3 粘連枸杞聚類

3.1 特征選擇

大小和色澤特征是枸杞分級(jí)的主要依據(jù)[10]。合并非粘連枸杞顆粒后，圖像由單個(gè)的連通區(qū)域組成，每個(gè)連通區(qū)域?yàn)閱蝹€(gè)枸杞顆粒，依次掃描每個(gè)連通區(qū)域提取單個(gè)枸杞RGB的R分量。選取正常枸杞顆粒和發(fā)生霉變的顆粒各50顆，分別繪制正常顆粒和發(fā)生霉變顆粒的R分布直方圖如圖4(a)，(b)所示，橫軸為R分量0～255等級(jí)，縱軸為每個(gè)等級(jí)出現(xiàn)的平均次數(shù)?？梢钥闯觯赫ｎw粒的R分量分布集中在75～150之間，而霉變顆粒的R分量相對分散分布在0～150之間。因此，根據(jù)枸杞R分量的分布對霉變顆粒進(jìn)行標(biāo)記，用含有霉變顆粒的圖像減去標(biāo)記的霉變顆粒得到正常枸杞顆粒圖像。如圖4(c)為含有霉變顆粒的圖像，圖4(d)為剔除霉變顆粒后的圖像。考慮到枸杞本身的形狀特點(diǎn),將分割顆粒區(qū)域的面積和長寬比作為衡量枸杞大小的特征參數(shù)。枸杞顆粒面積的測量采用區(qū)域面積標(biāo)記算法，逐行、列，從上到下，從左到右掃描二值圖像，每次掃描對單個(gè)顆粒進(jìn)行面積標(biāo)定，如圖5(a)，(b)所示為標(biāo)定2副枸杞顆粒的面積；獲取單個(gè)枸杞顆粒的長寬比時(shí)，首先需要獲取枸杞的邊緣坐標(biāo)，選用bwboundaries函數(shù)獲取枸杞的邊緣和邊緣像素坐標(biāo)，然后運(yùn)用霍特林變換[11]獲取枸杞的最小外接矩形，進(jìn)而得到枸杞的長寬比。部分枸杞標(biāo)定的面積及長、寬比，如表1所示。

3.2 區(qū)域面積標(biāo)定

設(shè)置一個(gè)標(biāo)記目標(biāo)區(qū)域的標(biāo)記符數(shù)組flag，初始值為1；設(shè)置一個(gè)標(biāo)記顆粒個(gè)數(shù)的變量final，初始值為0。

1)以4鄰域方式掃描二值圖像當(dāng)前像素的左、左上、上及右上像素，并對連通域用當(dāng)前flag值進(jìn)行標(biāo)記，每次標(biāo)記一個(gè)連通域,flag值加1。

圖4 R分布剔除霉變枸杞

圖5 枸杞顆粒面積標(biāo)記

圖像a標(biāo)號(hào)面積長寬比圖像b標(biāo)號(hào)面積長寬比114542.16113922.21213932.24218112.17313741.78313772.01416321.47415091.14515311.5354341.64616741.79614352.29716651.69712212.14815111.12815341.15917632.23915841.091015821.791016101.261116591.621115141.34123431.05123861.18

2)判斷同一目標(biāo)是否有不同標(biāo)記符，如果有,則存入等價(jià)數(shù)組equal[12];否則,回到步驟(1)繼續(xù)掃描。

3)設(shè)置一個(gè)標(biāo)號(hào)矩陣label保存所有的標(biāo)記符，同時(shí)flag值減1。

4)掃描等價(jià)數(shù)組equal，檢測并替換等價(jià)標(biāo)記符獲得顆粒總數(shù)final，根據(jù)final值重新掃描標(biāo)號(hào)矩陣label，替換等價(jià)標(biāo)號(hào)。

5)根據(jù)final值遍歷所有已標(biāo)記的連通域,并對每個(gè)連通域重新進(jìn)行標(biāo)號(hào),更新標(biāo)號(hào)矩陣label，并統(tǒng)計(jì)標(biāo)號(hào)區(qū)域的像素?cái)?shù)作為相應(yīng)的枸杞面積。

3.3 獲取區(qū)域長寬比

按照各單連通區(qū)域的標(biāo)號(hào)依次獲取枸杞顆粒的邊緣坐標(biāo),每個(gè)邊緣像素點(diǎn)作為一個(gè)二維向量Xi=[ai,bi]T,i=1,2,…,n，其中,n為邊緣像素點(diǎn)的個(gè)數(shù)。根據(jù)Xi計(jì)算枸杞邊緣像素坐標(biāo)的均值向量mx和協(xié)方差矩陣cx,即

(2)

(3)

由于cx是2×2階的實(shí)對稱矩陣，故特征向量只有2個(gè)，特征向量矩陣A=(e1,e2)T，用式(3)進(jìn)行霍特林變換得到新的坐標(biāo)系向量

Yi=A(Xi-mx),i=1,2,…,n

(4)

該坐標(biāo)系以枸杞顆粒的質(zhì)心(均值向量坐標(biāo)mx)為原點(diǎn)，以最大特征值對應(yīng)的特征向量e1，e2的方向作為新坐標(biāo)系橫軸和縱軸方向，坐標(biāo)軸旋轉(zhuǎn)變換后得到枸杞顆粒最小外接矩形的長寬比

(5)

式中 xmax和xmin為新坐標(biāo)系下枸杞顆粒邊緣像素點(diǎn)橫坐標(biāo)的最大值和最小值;ymax和ymin為縱坐標(biāo)的最大值和最小值。

3.4 基于k-means的面積加權(quán)聚類

k-means動(dòng)態(tài)聚類算法[13]是通過迭代尋找c個(gè)聚類的一種劃分方案，用c個(gè)聚類的均值代表相應(yīng)各類樣本時(shí)所得到的總體誤差最小。若Ni是第i類Γi中的面積及長寬比的樣本個(gè)數(shù)，x為面積，k為長寬比，則樣本均值ei可以由面積x以k加權(quán)獲得

(6)

采用基于歐氏距離的最小距離分類器，基本思想是根據(jù)訓(xùn)練集按照算術(shù)平均生成代表該類的中心向量e1,e2,…，ec,c為類別數(shù)目。對于每一個(gè)待分類樣本x,加權(quán)后計(jì)算其與類中心向量之間的距離，最后判定x屬于與之距離最近的類。距離計(jì)算采用歐氏距離

Di=‖k·x-ei‖2,i=1,2,…,c

(7)

將Γi中各樣本x的加權(quán)與均值ei的誤差平方和對所有類相加后為

(8)

式中Je為誤差平方和準(zhǔn)則，度量了c個(gè)樣本子集所產(chǎn)生的總的誤差平方，使得Je最小的聚類是誤差平方和準(zhǔn)則下的最優(yōu)分類。k-means算法步驟如下：

1)初始劃分3個(gè)聚類，計(jì)算第i類樣本Γi的ei及Je，i=1,2,3；

2)任取一個(gè)樣本x,加權(quán)后計(jì)算離它最近的聚類中心ei，并將其歸到所對應(yīng)的聚類ci；

3)更新聚類中心ei及Je，i=1,2,3；

4)迭代計(jì)算Je至收斂，則停止；否則,轉(zhuǎn)步驟(2)。

4 實(shí)驗(yàn)結(jié)果和分析

為了驗(yàn)證對粘連枸杞分級(jí)的有效性，運(yùn)用Matlab對308顆去除霉變顆粒的樣本枸杞面積加權(quán)后進(jìn)行聚類分析，由Silhouette函數(shù)繪制聚類輪廓圖如圖6(a)～(c)所示,相對分成2類和4類而言，分成3類時(shí)類內(nèi)相似度較高，而類間相似度較低，再由聚類散點(diǎn)圖,如圖7所示,分成3類時(shí)各類別較集中，類間相似度較低，效果最佳，針對308顆樣本枸杞訓(xùn)練所得分類基準(zhǔn)如表2所示。選用1 540顆枸杞(約500 g)作面積和長、寬比標(biāo)定，并對加權(quán)面積重復(fù)4次作聚類分析，與采用人工挑揀的方法進(jìn)行對比，實(shí)驗(yàn)結(jié)果如表3所示，本文方法平均每次耗時(shí)約為7.95 s，人工挑揀平均每次耗時(shí)約為300 s；同樣,對1 540顆枸杞運(yùn)用本文方法進(jìn)行聚類分析分成3類準(zhǔn)確性約為96 %，人工挑揀的準(zhǔn)確性約為85 %。實(shí)驗(yàn)結(jié)果表明:該方法相比人工分類能更快速、準(zhǔn)確地對粘連枸杞進(jìn)行分類。

圖6 聚類分析輪廓

圖7 k-means聚類結(jié)果

加權(quán)面積類別分類基準(zhǔn)范圍1類≥25002類≥18003類<1800

表3 本文方法與人工挑揀方式對比

5 結(jié)束語

提出了基于形態(tài)學(xué)分水嶺和區(qū)域面積加權(quán)的粘連枸杞分級(jí)方法，先運(yùn)用標(biāo)記極小值的分水嶺算法對經(jīng)過預(yù)處理除噪后的粘連枸杞圖像進(jìn)行分割，考慮到分類效率的提升，選取枸杞顆粒圖像的R分量，根據(jù)R分量的分布剔除霉變顆粒減少分類的數(shù)量;然后以面積和長寬比為特征參數(shù)，運(yùn)用區(qū)域面積標(biāo)記算法和霍特林算法標(biāo)定各個(gè)正常顆粒面積大小及長寬比，將面積和長寬比特征結(jié)合在一起，以長寬比作為面積的權(quán)值對面積進(jìn)行修正，最后運(yùn)用k-means動(dòng)態(tài)聚類算法對加權(quán)后的面積進(jìn)行聚類分析，實(shí)現(xiàn)了粘連枸杞的分割到分類的完全自動(dòng)化。實(shí)驗(yàn)結(jié)果表明:該方法能夠較快速準(zhǔn)確地對粘連枸杞進(jìn)行分類。

[1] 崔 萍,汪澤鵬.寧夏枸杞產(chǎn)業(yè)發(fā)展現(xiàn)狀及對策[J].北方果樹,2008(5):36-37.

[2] 許 敏,馬 鉞,陳 帥.基于計(jì)算機(jī)視覺的紅棗形狀識(shí)別方法研究[J].傳感器與微系統(tǒng),2013,32(4):23-26.

[3] Jain N K,Khanna S O,Jain K R.Development of a classification system for quality evaluation of oryza sativa L(rice)using computer vision[C]∥2014 International Conference on Communication Systems and Network Technologies(CSNT).2014:1088-1092.

[4] 郭全民,胡 輝.基于機(jī)器視覺的多鉚釘自動(dòng)檢測算法研究[J].傳感器與微系統(tǒng),2013,32(4):48-50.

[5] 王履程,譚筠梅,王小鵬,等.基于機(jī)器視覺的枸杞分級(jí)方法[J].計(jì)算機(jī)工程與應(yīng)用,2013,49(24):16-18.

[6] 陳亞軍,劉 丁,梁軍利,等.一種無須預(yù)指定分割區(qū)域數(shù)的自適應(yīng)多閾值圖像分割方法[J].模式識(shí)別與人工智能,2014,27(11):993-1004.

[7] 柯 衛(wèi),王宏力,袁 宇,等.基于區(qū)域生長法的星圖中星的提取方法[J].傳感器與微系統(tǒng),2015,34(12):57-58.

[8] 岡薩雷斯.數(shù)字圖像處理[M].阮秋琦,譯.3版.北京:電子工業(yè)出版社,2011.

[9] 高 麗,楊樹元,李海強(qiáng).一種基于標(biāo)記的分水嶺圖像分割新算法[J].中國圖象圖形學(xué)報(bào),2007,12(6):1025-1032.

[10] 林 楠,楊宗學(xué),藺海明,等.不同產(chǎn)地枸杞質(zhì)量的比較研究[J].甘肅農(nóng)業(yè)大學(xué)學(xué)報(bào),2013,48(2):34-39.

[11] 劉瓔瑛,丁為民,陳建偉,等.基于霍特林變換的稻米彩色圖像粒形檢測算法[J].中國水稻科學(xué),2010,24(3):325-328.

[12] 劉奇琦,龔曉峰.一種二值圖像連通區(qū)域標(biāo)記的新方法[J].計(jì)算機(jī)工程與應(yīng)用,2012,48(11):178-180.

[13] 安計(jì)勇,高貴閣,史志強(qiáng),等.一種改進(jìn)的K均值文本聚類算法[J].傳感器與微系統(tǒng),2015,34(5):130-133.

Method of classification for touching wolfberry based on watershed and regional area weighted*

ZHAO Jun-jun, WANG Xiao-peng, Qü Yan-hong

(School of Electronic and Information Engineering,Lanzhou Jiaotong University,Lanzhou 730070,China)

Aiming at problem of poor efficiency and low accuracy of manual operation of sorting the touching wolfberry,a touching wolfberry classification method based on morphological watershed and regional area weighted is proposed.Morphological operation is used for touching wolfberry image pre-processing to eliminate noise interference caused by drying or basking,remain the position of the region outline unchanged while eliminating irregular edges as much as possible;the watershed algorithm is used for image segmentation that has been marked the minimum region.According to the red(R)component distribution of the single wolfberry in the image,the mildew wolfberry particles will be removed,and through area mark algorithm,particles area of the normal binary wolfberry image will be labeled,and using Hotelling algorithm to obtain length-width ratio of particles;using the length-width ratio as weighting of area for cluster analysis after weighting correction,it is divided into three kinds.The experimental results show that this method can classify different sizes of touching wolfberry more quickly and accurately.

touching wolfberry; morphological watershed; regional area weighted; cluster analysis; wolfberry classification

10.13873/J.1000—9787(2017)09—0049—04

2016—09—26

國家自然科學(xué)基金資助項(xiàng)目(61261029)

TP 391.4

A

1000—9787(2017)09—0049—04

趙君君(1987-)，男，碩士研究生，主要研究方向?yàn)閿?shù)字圖像處理。

王小鵬(1969-)，男，通訊作者，博士，教授，主要從事數(shù)字圖像處理，多媒體技術(shù)以及虛擬現(xiàn)實(shí)技術(shù)等研究工作，E-mail:zjjsincerely@foxmail.com。