基于廣義Hough聚類的粘連豬頭尾識(shí)別

楊 心， 朱偉興

(江蘇大學(xué)電氣信息工程學(xué)院，江蘇鎮(zhèn)江 212013)

隨著計(jì)算機(jī)和數(shù)字圖像處理技術(shù)的發(fā)展，機(jī)器視覺(jué)越來(lái)越多地應(yīng)用到生產(chǎn)和生活的各個(gè)領(lǐng)域。在養(yǎng)豬領(lǐng)域內(nèi)，隨著規(guī)?；⒓s化程度的不斷提高，需要長(zhǎng)時(shí)間對(duì)豬的生長(zhǎng)和健康狀況監(jiān)控，其中，豬的個(gè)體身份識(shí)別和行為識(shí)別是監(jiān)控的關(guān)鍵。然而，在豬的群養(yǎng)條件下，豬之間會(huì)存在粘連情況，不能直接得到完整的豬只輪廓。因此，準(zhǔn)確地分割出粘連豬群是進(jìn)行豬個(gè)體身份與行為識(shí)別的前提。

在農(nóng)業(yè)、生物圖像粘連目標(biāo)分割方面，處理細(xì)胞、谷粒[1]等類圓形狀目標(biāo)比較多，對(duì)于形狀不規(guī)則的目標(biāo)分割方面研究比較少。Liao等研究了基于瓶頸檢測(cè)和橢圓擬合的細(xì)胞圖像分割，但是分割的目標(biāo)是類圓形狀的粘連細(xì)胞[2]。Lu等通過(guò)對(duì)粘連幼豬進(jìn)行凹點(diǎn)提取和橢圓擬合，實(shí)現(xiàn)了粗略分割，達(dá)到幼豬計(jì)數(shù)的目的，并沒(méi)有研究豬體的形狀特征[3]。唐莉萍等對(duì)粘連纖維的外輪廓進(jìn)行剝離確定分割點(diǎn)，利用距離變換對(duì)粘連纖維進(jìn)行準(zhǔn)確分割[4]。李文勇等利用形狀因子對(duì)害蟲(chóng)的粘連區(qū)域進(jìn)行判定，最后利用距離變換對(duì)粘連害蟲(chóng)進(jìn)行分割[5]。綜上所述，基于凹點(diǎn)和橢圓擬合的方法分割的主要是類圓目標(biāo)，對(duì)于不規(guī)則形狀的目標(biāo)輪廓會(huì)導(dǎo)致凹點(diǎn)搜索困難，真實(shí)凹點(diǎn)難以確定等問(wèn)題；而分水嶺算法在粘連目標(biāo)的分割中應(yīng)用廣泛[6-8]，但是容易出現(xiàn)分割位置不準(zhǔn)確等問(wèn)題；利用距離變換的思想可以準(zhǔn)確地分割小目標(biāo)粘連物體，但是目前應(yīng)用在像豬這樣的體型較大的粘連目標(biāo)身上較少。此外，利用機(jī)器視覺(jué)技術(shù)對(duì)豬體頭尾特征部位的識(shí)別鮮有相關(guān)文獻(xiàn)報(bào)道。

考慮現(xiàn)代豬場(chǎng)養(yǎng)殖密度大，會(huì)造成豬之間的粘連，使得分析豬個(gè)體的行為和身份難度增大。因此借鑒前人對(duì)不規(guī)則形狀的小型目標(biāo)分割的研究方法，本研究提出了一種基于距離變換與橢圓擬合的分割算法，實(shí)現(xiàn)了粘連豬體的有效分割，再利用廣義Hough聚類對(duì)分割后的個(gè)體進(jìn)行頭尾識(shí)別。

1 材料與方法

1.1 視頻的采集與圖像的獲取

試驗(yàn)視頻的采集地點(diǎn)是江蘇丹陽(yáng)榮鑫農(nóng)牧發(fā)展有限公司的規(guī)模養(yǎng)殖場(chǎng)。改建試驗(yàn)豬舍，安裝俯視的視頻采集系統(tǒng)，攝像機(jī)固定在豬舍正上方，相對(duì)地面垂直高度約3 m，拍攝的豬舍面積為3.5 m×3.0 m。監(jiān)控視頻在白天自然光照下拍攝，采用POINT GREY的攝像機(jī)(型號(hào)：FL3-U3-88S2C-C)，圖像的分別率為1 760×1 840像素，拍攝了50段包含背景的7頭商品豬的RGB彩色視頻，共采集了近70 000幀圖像。

所設(shè)計(jì)的方法均在CPU為因特爾酷睿i5 2 540M、6 G內(nèi)存的Thinkpad計(jì)算機(jī)上運(yùn)行，開(kāi)發(fā)軟件是MATLAB 2014b。

1.2 分割算法

算法的主要流程包括：首先進(jìn)行圖像預(yù)處理，獲取二值圖像，然后根據(jù)形狀因子判定出粘連豬體，利用距離變換對(duì)粘連豬體進(jìn)行分割，最后對(duì)分割后豬體輪廓的粘連處進(jìn)行橢圓擬合修復(fù)，直到所有粘連豬體分離完成。

1.2.1 粘連目標(biāo)的判定與選取 基于粘連豬體的邊界輪廓比單頭豬的邊界輪廓更復(fù)雜的原理，可以選擇描述目標(biāo)邊界輪廓復(fù)雜程度的形狀因子作為粘連判定的依據(jù)。形狀因子(shape factor)的定義為[9]：

(1)

式中：S為連通區(qū)域的面積像素，C為連通區(qū)域周長(zhǎng)像素。需要注意的是多豬粘連可能形成空洞區(qū)域，那么周長(zhǎng)即為內(nèi)周長(zhǎng)和外周長(zhǎng)之和。形狀因子的取值范圍為0F0時(shí)，連通區(qū)域是單頭豬，當(dāng)F≤F0時(shí)候，豬體間存在粘連。

1.2.2 基于距離變換的分割算法 數(shù)字圖像I是像素點(diǎn)I(x,y)的集合，像素點(diǎn)由對(duì)象點(diǎn)O和背景點(diǎn)B組成。距離變換就是求對(duì)象點(diǎn)O中任意一點(diǎn)I(x,y)到最近的背景點(diǎn)B的距離，用dxy表示。

dxy=min{[(x,y),(i,j)](i,j)∈B}。

(2)

式(2)中，

(3)

式(3)是數(shù)字圖像I的歐式距離變換，在圖像變換過(guò)程中滿足精度要求，反映圖像的真實(shí)信息。

對(duì)一個(gè)粘連目標(biāo)，按歐式距離值從小到大排列，距離值所對(duì)應(yīng)的像素值的集合分別為Sd1，Sd2……，對(duì)粘連目標(biāo)進(jìn)行八領(lǐng)域輪廓跟蹤可以得到對(duì)應(yīng)的像素點(diǎn)集合W1,W2……，然后從W中剝離掉Sd，這個(gè)操作稱為基于外輪廓的剝離。重復(fù)上述所說(shuō)的過(guò)程可以分離出粘連豬群。具體算法過(guò)程可以描述如下：

(1)對(duì)獲取的視頻圖像進(jìn)行預(yù)處理，得到二值圖像；根據(jù)形狀因子判定出粘連目標(biāo)，并選出粘連豬體；然后計(jì)算出二值圖像的歐式距離變換，如圖2，是對(duì)圖1中粘連豬體進(jìn)行選定和歐氏距離變換。

(2)根據(jù)視頻中未粘連豬體的圖像分別計(jì)算出7頭豬的俯視可見(jiàn)面積，取得平均值5.293 cm2(每幀圖像的總面積為224.438 cm2)，設(shè)定5.293 cm2為面積閾值Sth。

(3)在二值圖像中對(duì)選定的粘連目標(biāo)對(duì)象O進(jìn)行基于歐式距離變換的外輪廓的剝離。在剝離過(guò)程中粘連目標(biāo)發(fā)生分離，與步驟(2)的面積閾值Sth進(jìn)行比較，根據(jù)多次試驗(yàn)可以判定，如果分離出來(lái)的目標(biāo)面積小于Sth的1/5，則認(rèn)定為豬的器官部分，不是真正的粘連處，需要繼續(xù)進(jìn)行剝離，直至找到真正的粘連分割點(diǎn)，剝離過(guò)程如圖3所示。

(4)經(jīng)過(guò)剝離找到分割點(diǎn)T，并在原圖上標(biāo)記出對(duì)應(yīng)的分割線pq(圖4)。重復(fù)以上步驟，直到所有粘連豬體都標(biāo)記出分割線。

1.2.3 局部輪廓修復(fù)算法 橢圓擬合算法對(duì)目標(biāo)輪廓的不完整性具有一定的修復(fù)能力，因此當(dāng)利用剝離算法對(duì)粘連豬體進(jìn)行剝離確定分割線時(shí)， 可以利用橢圓擬合算法對(duì)缺失的目標(biāo)輪廓進(jìn)行局部修復(fù)，從而盡量保證粘連豬體分割后的完整性。

一般的二次曲線方程可以表示為：

F(A,X)=ATX=ax2+bxy+cy2+dx+ey+f=0。

(4)

式中：A=[a，b，c，d，e，f]T是曲線的參數(shù)，X=[x2，xy，y2，xy，1]T，x和y分別代表曲線上橫坐標(biāo)和縱坐標(biāo)。當(dāng)方程(4)的系數(shù)滿足4ac-b2=1時(shí)，此時(shí)曲線方程表示為橢圓[10]。具體的輪廓修復(fù)過(guò)程可以描述如下：

(1)對(duì)經(jīng)過(guò)剝離算法確定了分割線的二值圖像進(jìn)行輪廓提取，并標(biāo)記分割線對(duì)應(yīng)的分割點(diǎn)對(duì)(p1,q1)、(p2,q2)。

(2)為了便于擬合的橢圓參數(shù)的確定，考慮到豬體的形狀特征，本研究對(duì)輪廓采用曲率采樣法[11]。曲率采樣法的原則是：小曲率區(qū)域保留少量的點(diǎn)，而大曲率區(qū)域則保留足夠多的點(diǎn)，以精確完整地表示輪廓特征。這樣依靠曲率進(jìn)行采樣可以防止豬體輪廓的細(xì)節(jié)特征丟失。采樣點(diǎn)確定之后，每個(gè)豬體輪廓分別以分割點(diǎn)作為選取特征點(diǎn)的起始點(diǎn)，依次取3個(gè)特征點(diǎn)，共6個(gè)特征點(diǎn)來(lái)確定擬合的橢圓參數(shù)。

(3)通過(guò)分割點(diǎn)對(duì)把每個(gè)擬合的橢圓分割成2個(gè)弧，保留分割后原始輪廓缺失的弧，刪除橢圓的剩余部分。

(4)重復(fù)以上步驟，直至擬合出所有的經(jīng)過(guò)剝離算法分割后的粘連豬體，輪廓的修復(fù)過(guò)程如圖5所示。

1.3 豬體頭尾的判定算法

針對(duì)粘連豬中直接進(jìn)行個(gè)體頭部和尾部判定的困難，本研究提出先對(duì)粘連豬體分割，然后再對(duì)分割后個(gè)體進(jìn)行頭部和尾部的判定?？紤]到Hough聚類識(shí)別只適用明確解析定義的曲線，已有學(xué)者提出了廣義Hough聚類方法[12-13]，使用一組離散的邊界參數(shù)表來(lái)描述任意形狀的邊界曲線。廣義Hough聚類變換的關(guān)鍵在于任意形狀曲線的參數(shù)描述，這給豬體的頭/尾識(shí)別提供了良好途徑。

考慮到只需要判定豬體的頭尾部分，因此截取相應(yīng)比例的頭尾輪廓部分就可以實(shí)現(xiàn)判定的目的，根據(jù)多次試驗(yàn)，分別截取占身長(zhǎng)1/4的頭、尾輪廓可以達(dá)到較好的試驗(yàn)效果。本研究根據(jù)豬體整體橢圓性和位置的多樣性，自適應(yīng)建立直角坐標(biāo)系(圖6)。隨機(jī)選取俯視角度下豬體的抬頭、低頭2種最常見(jiàn)姿勢(shì)建立坐標(biāo)系，以橢圓長(zhǎng)軸方向?yàn)闄M坐標(biāo)、短軸方向?yàn)榭v坐標(biāo)來(lái)建立坐標(biāo)系，根據(jù)預(yù)設(shè)比例截取頭/尾輪廓部分，本研究的截取方法具有旋轉(zhuǎn)不變性，保持了原始豬個(gè)體位置的固定性和上下輪廓對(duì)稱性。按照比例截取出來(lái)的輪廓如圖7所示。

針對(duì)豬體頭尾形狀的差異性，利用廣義Hough聚類識(shí)別對(duì)頭尾進(jìn)行判定。傳統(tǒng)的廣義Hough聚類采樣的方法是在輪廓曲線上連續(xù)采樣，這樣的方法生成的圓數(shù)量多、圓的半徑范圍大、計(jì)算量大。因此針對(duì)傳統(tǒng)的采樣方法，提出了新的采樣方法。以圖7中2種姿勢(shì)的豬體頭/尾輪廓作為采樣對(duì)象，以曲線的其中1個(gè)端點(diǎn)為起始點(diǎn)，在曲線上每隔τ個(gè)像素點(diǎn)確定1個(gè)采樣點(diǎn)(τ根據(jù)實(shí)際試驗(yàn)聚類效果來(lái)確定，本試驗(yàn)τ=4)，按照此過(guò)程，將輪廓曲線用點(diǎn)的形式表示，如圖8所示，這樣的采樣方法可以克服圓的數(shù)量過(guò)多、圓的半徑范圍大等缺點(diǎn)，提高聚類效率。

將確定的輪廓采樣點(diǎn)用一系列坐標(biāo)表示，{(x1,y1),(x2,y2), (x3,y3)… (xj,yj)}，其中j表示每段輪廓曲線確定的采樣點(diǎn)總個(gè)數(shù)。根據(jù)任意不共線3點(diǎn)可唯一確定1個(gè)圓的原理，在輪廓采樣點(diǎn)上按順序選出3點(diǎn)(xi,yi)、(xi+1,yi+1)、(xi+2,yi+2)確定圓及圓心，圓心(m,n)的計(jì)算公式如下[14]：

(5)

(6)

考慮頭尾形狀差異性，尾部的輪廓更接近圓形，圓心點(diǎn)在參數(shù)空間分布更集中。圖10是對(duì)圖6選取出的豬體頭尾輪廓在參數(shù)空間內(nèi)的圓心點(diǎn)的映射結(jié)果，很顯然2種常見(jiàn)姿勢(shì)的豬體尾部輪廓的圓心點(diǎn)聚集度都更高，而頭部輪廓的圓心點(diǎn)就相對(duì)分散。聚集度G的計(jì)算公式如下[15]：

(7)

式中：(m′,n′)是豬體頭尾輪廓映射后的圓心點(diǎn)，(s,t)是聚類中心的坐標(biāo)，K是每段輪廓聚類后的圓心點(diǎn)總個(gè)數(shù)。

2 結(jié)果與分析

首先從采集到的群養(yǎng)豬視頻中選取出其中200幀粘連圖像進(jìn)行實(shí)驗(yàn)，這些圖像中都存在明顯粘連。接著對(duì)選取出來(lái)的圖像進(jìn)行灰度化、二值化、距離變換等預(yù)處理，對(duì)預(yù)處理后的圖像分別用分水嶺和本研究提出來(lái)的方法進(jìn)行分割，隨機(jī)取其中4種粘連圖像進(jìn)行比較(圖11)。

從圖11的結(jié)果分析，分水嶺方法由于無(wú)法準(zhǔn)確地找到粘連處，在分割過(guò)程中產(chǎn)生較多的誤分割現(xiàn)象。在圖11中的a1、b1、c1、d1都出現(xiàn)多處豬的耳朵、頭等部位被分割出來(lái)，此外，分割后提取的豬體輪廓缺損較多，與實(shí)際豬體輪廓存在較大差距。而本研究提出的方法由于利用基于歐式距離的外輪廓?jiǎng)冸x和橢圓擬合的原理，在分割過(guò)程中不但能準(zhǔn)確地找到粘連處，而且可以較好地恢復(fù)豬體原始輪廓，如圖11中的a2、b2、c2、d2所示。試驗(yàn)結(jié)果表明，本研究方法的分割準(zhǔn)確率高于分水嶺的分割方法。

為了驗(yàn)證本研究提出的分割方法的有效性，利用廣義Hough聚類方法對(duì)分割后的豬體頭部和尾部進(jìn)行判定。總共進(jìn)行了2組對(duì)比試驗(yàn)：第一組試驗(yàn)是對(duì)200幀經(jīng)過(guò)分水嶺和本研究方法分割后的粘連圖像進(jìn)行豬體頭尾判定，對(duì)比結(jié)果如圖12所示。第二組試驗(yàn)是先對(duì)200幀本研究方法分割后的粘連圖像的豬體頭尾判定，然后再選取200幀非粘連圖像進(jìn)行頭尾判定對(duì)比，結(jié)果如圖13所示。利用識(shí)別的正確率P進(jìn)行結(jié)果表示，計(jì)算公式如下：

(8)

式中：Nr表示正確判定出的豬體頭尾數(shù)，N表示每幀圖像中豬體頭尾總數(shù)。

第一組試驗(yàn)的對(duì)比結(jié)果如圖12所示，利用分水嶺分割后的豬體頭/尾判定的平均正確率為76.61%，變化范圍從 50%～100%，本研究提出的方法分割后的豬體頭/尾判定的平均正確率為87.28%，變化范圍為57.1%%～100%，在第19、150、180等幀圖像分水嶺的正確率只有65%左右，而本研究的分割方法的識(shí)別率可以達(dá)到85%左右，本研究提出的分割方法高于分水嶺11%左右。試驗(yàn)結(jié)果表明，經(jīng)本研究分割后的頭/尾判定的正確率明顯高于分水嶺分割后的頭/尾判定。

第二組試驗(yàn)的對(duì)比結(jié)果如圖13所示，利用廣義Hough聚類識(shí)別非粘連豬體頭/尾的平均正確率為90.72%，變化范圍為64.3%～100%，經(jīng)本研究方法分割后粘連豬體頭/尾聚類識(shí)別的平均正確率為87.28%，變化范圍為57.1%～100%，在第91幀圖像的豬體受到光照、重度重疊等現(xiàn)象，使得頭尾識(shí)別率較低。對(duì)比本研究方法分割后的粘連豬頭尾識(shí)別和非粘連豬的頭尾識(shí)別2種情況，二者利用廣義Hough聚類識(shí)別豬體頭尾的正確率相差3%左右，識(shí)別率接近。通過(guò)圖13的對(duì)比試驗(yàn)，進(jìn)一步證明了本研究分割方法的有效性。

此外，綜合圖12和圖13的對(duì)比結(jié)果，通過(guò)廣義Hough聚類識(shí)別對(duì)粘連和非粘連豬體的頭尾判定的平均正確率為 84.87%，處理每幀圖像平均耗時(shí)1.736 s，不同的頭尾識(shí)別判定算法的對(duì)比結(jié)果如表1所示。表1的對(duì)比結(jié)果表明，綜合比較識(shí)別率和時(shí)間復(fù)雜度2方面，本研究的算法較圓度、面積等算法效果要好，可以滿足試驗(yàn)需求。

表1 不同的豬體頭尾識(shí)別算法的比較

3 結(jié)論

本研究提出來(lái)的基于距離變換與橢圓擬合結(jié)合的分割方法可以有效分割粘連豬體，粘連處定位準(zhǔn)確，并較好地保證豬體輪廓的完整性，分割整體性能優(yōu)于分水嶺算法。

本研究的廣義Hough聚類方法分別對(duì)不同分割方法下的200幀粘連圖像中豬的頭尾判定，基于本研究分割方法的頭尾識(shí)別率高出基于分水嶺的11%左右；此外，對(duì)基于本研究分割方法的200幀粘連圖像與非粘連的200幀圖像的豬個(gè)體頭尾識(shí)別結(jié)果進(jìn)行對(duì)比，識(shí)別率接近，證明本研究的分割方法對(duì)豬的頭/尾判定是有效的。

本研究的廣義Hough聚類識(shí)別方法識(shí)別判定群養(yǎng)豬中個(gè)體的頭部和尾部，平均正確率84.87%，處理每幀平均耗時(shí) 1.736 s，在識(shí)別率和運(yùn)算效率上都可以滿足試驗(yàn)需求。

結(jié)合試驗(yàn)結(jié)果分析，本研究提出的分割粘連豬體和頭尾判定的方法對(duì)觀察和研究視頻中豬群的行為和身份提供了前期準(zhǔn)備和新的思想。目前，本研究的分割方法在時(shí)間復(fù)雜度上還需要進(jìn)一步優(yōu)化，此外該方法處理重度重疊豬體的有效性還在進(jìn)一步研究。

：

[1]Lin P，Chen Y M，He Y，et al. A novel matching algorithm for splitting touching rice kernels based on contour curvature analysis[J]. Computers & Electronics in Agriculture，2014，109：124-133.

[2]Liao M，Zhao Y Q，Li X H，et al. Automatic segmentation for cell images based on bottleneck detection and ellipse fitting[J]. Neurocomputing，2016，173(P3)：615-622.

[3]Lu M，Xiong Y，Li K，et al. An automatic splitting method for the adhesive piglets’ gray scale image based on the ellipse shape feature[J]. Computers & Electronics in Agriculture，2016，120(C)：53-62.

[4]唐莉萍，曾培峰，張 樂(lè)，等. 基于距離變換剝離的黏連纖維圖像分離算法[J]. 東華大學(xué)學(xué)報(bào)(自然科學(xué)版)，2009，35(5)：560-565.

[5]李文勇，李 明，錢建平，等. 基于形狀因子和分割點(diǎn)定位的粘連害蟲(chóng)圖像分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(5)：175-180.

[6]苗玉彬，王浙明，劉 秦. 水果輪廓特征提取的Zernike矩分水嶺分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(1)：158-163.

[7]任守綱，馬 超，謝忠紅，等. 基于分水嶺和梯度的蝴蝶蘭圖像分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(9)：125-129.

[8]楊蜀秦，何東健，寧紀(jì)鋒. 一種基于分水嶺的連接米粒自動(dòng)分割算法[J]. 光子學(xué)報(bào)，2009，38(10)：2728-2732.

[9]勞鳳丹，滕光輝，李 卓，等. 復(fù)雜環(huán)境中蛋雞識(shí)別及粘連分離方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44(4)：213-216.

[10]朱 周，路小波. 基于橢圓擬合的車輛遮擋處理算法[J]. 儀器儀表學(xué)報(bào)，2015，36(1)：209-214.

[11]吳祿慎，李 澤，陳華偉，等. 改進(jìn)的重采樣算法研究[J]. 機(jī)械設(shè)計(jì)與制造，2015(4)：244-247.

[12]宋曉宇，袁 帥，郭寒冰，等. 基于自適應(yīng)閾值區(qū)間的廣義Hough變換圖形識(shí)別算法[J]. 儀器儀表學(xué)報(bào)，2014，35(5)：1109-1117.

[13]初未萌. 一種基于廣義Hough變換的動(dòng)物圖像識(shí)別方法研究[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)，2013.

[14]歐海晨. 基于區(qū)域劃分與自適應(yīng)聚類算法的隨機(jī)Hough變換對(duì)直線及圓的提取研究[D]. 昆明：昆明理工大學(xué)，2015.

[15]楊 強(qiáng)，黃 兵，劉青寶. 基于成員聚散度的群組運(yùn)動(dòng)模式比較分析[J]. 科學(xué)技術(shù)與工程，2014，14(21)：141-145.

[16]Bai X，Sun C，Zhou F. Splitting touching cells based on concave points and ellipse fitting[J]. Pattern Recognition，2009，42(11)：2434-2446.

[17]Bogovic J A，Prince J L，Bazin P L. A multiple object geometric deformable model for image segmentation[J]. Computer Vision & Image Understanding，2013，117(2)：145-157.

[18]Kashiha M，Bahr C，Ott S，et al. Automatic weight estimation of individual pigs using image analysis[J]. Computers & Electronics in Agriculture，2014，107(3)：38-44.

[19]Pauly M，Gross M，Kobbelt L P. Efficient simplification of point-sampled surfaces[C]. Vis IEEE，2002：163-170.

[20]郭依正，朱偉興，馬長(zhǎng)華，等. 基于Isomap和支持向量機(jī)算法的俯視群養(yǎng)豬個(gè)體識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016(3)：182-187.

[21]Guo Y Z，Zhu W X，Jiao P P，et al. Multi-object extraction from topview group-housed pig images based on adaptive partitioning and multilevel thresholding segmentation[J]. Biosystems Engineering，2015，135：54-60.

[22]彭 江，張建州，喻忠全. 基于歐氏距離變換的肺部粘連腫瘤分割算法[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2008，29(21)：5516-5518.

[23]閆文忠，沈樹(shù)群. 分水嶺算法在粘連染色體圖像分割中的應(yīng)用[C].中國(guó)過(guò)程控制會(huì)議， 2008.

[24]童 振，蒲立新，董方杰. 基于改進(jìn)分水嶺算法和凹點(diǎn)搜索的乳腺癌粘連細(xì)胞分割[J]. 生物醫(yī)學(xué)工程學(xué)雜志，2013(4)：692-696.

[25]鄒益民，汪 渤. 一種基于最小二乘的不完整橢圓擬合算法[J]. 儀器儀表學(xué)報(bào)，2006，27(7)：808-812.

[26]傅 蓉，申 洪，陳 浩. 基于凹點(diǎn)搜尋的重疊細(xì)胞圖像自動(dòng)分離的算法研究[J]. 計(jì)算機(jī)工程與應(yīng)用，2007，43(17)：21-23.