基于分水嶺算法的靈武長棗圖像分割方法研究

劉向南，王昱潭，趙 琛，朱超偉，李樂凱

寧夏大學(xué) 機(jī)械工程學(xué)院，銀川 750021

1 引言

靈武長棗是隸屬寧夏回族自治區(qū)的靈武市特有的一種重要經(jīng)濟(jì)林果，它的采摘季節(jié)在每年的9月中旬到10月初，采摘期比較集中。由于其自身的生長成熟特性，對智能化自動采摘提出強(qiáng)烈需求。在智能化采摘的過程當(dāng)中，需要借助機(jī)器視覺當(dāng)中的機(jī)器識別與定位來對靈武長棗圖像進(jìn)行研究。作為機(jī)器視覺的基礎(chǔ)，圖像處理是必不可少的。圖像分割是從圖像預(yù)處理到圖像識別和分析理解的關(guān)鍵步驟，在圖像處理中占據(jù)重要的位置。許多國內(nèi)外的學(xué)者在此之前也對林果類圖像的分割算法進(jìn)行了各種各樣的研究。浙江大學(xué)的應(yīng)義斌教授早在2000年就提出基于區(qū)域閾值的黃花梨圖像分割的方法[1]。Shigehiko等人提出基于顏色特征和形態(tài)學(xué)特征的茄子圖像分割方法[2]。Bulanon等人于2002年利用基于蘋果果色與背景的差異所建立的顏色模型對紅富士蘋果圖像進(jìn)行了分割[3]。西北農(nóng)林科技大學(xué)的劉小英、何東健等人在2006年利用改進(jìn)的迭代算法確定分割的最佳閾值，然后再采用RGB閾值法和亮度閾值法對葡萄干圖像進(jìn)行了分割[4]。北京林業(yè)大學(xué)的闞江明教授在2007年研究了基于機(jī)器視覺的立木直徑測量以及三維重建等[5-6]。而王昱潭博士則在2014年研究了基于機(jī)器視覺的靈武長棗定位和成熟度判別的方法[7]，并在2017年利用最大熵算法對靈武長棗圖像進(jìn)行了分割研究[8]。本文嘗試?yán)眠z傳算法選取最優(yōu)閾值，再利用改進(jìn)后的分水嶺分割算法，對靈武長棗圖像進(jìn)行分割，為后續(xù)處理奠定基礎(chǔ)。

2 實(shí)驗(yàn)材料與方法

2.1 靈武長棗圖像的采集

本實(shí)驗(yàn)采用數(shù)碼相機(jī)對靈武長棗圖像進(jìn)行采集，并采用聯(lián)想PC機(jī)對圖像進(jìn)行處理。其中數(shù)碼相機(jī)的型號是FUJIFILM FinePix S1800，像素可以達(dá)到1220萬。而PC機(jī)的型號為LENOVO 20149 Inter?Core? i5-3230M CPU@2.60 Hz，4.00 GB安裝內(nèi)存，Windows 10家庭中文版，64位操作系統(tǒng)。實(shí)驗(yàn)所用靈武長棗圖像是在晴天自然光源下進(jìn)行采集的，并已經(jīng)過前期處理的。該實(shí)驗(yàn)所用圖像以JPG格式進(jìn)行儲存。為了方便對圖像進(jìn)行處理，本實(shí)驗(yàn)將圖像的分辨率設(shè)定為400×350像素大小，如圖1所示。

圖1 原始圖像

2.2 圖像的預(yù)處理

2.2.1 均值濾波

在采集與傳輸?shù)倪^程中，由于受到成像設(shè)備與前景目標(biāo)的周圍環(huán)境的影響，本實(shí)驗(yàn)所采集到的圖像會受到噪聲的污染。這些噪聲能夠獲取圖像的像素值，但卻不能反映真實(shí)場景亮度的誤差。更重要的是，當(dāng)采用帶有噪聲的圖像進(jìn)行實(shí)驗(yàn)時，噪聲有可能會被放大從而影響圖像分割的效果。本文采用3×3均值濾波[9]直接在空間域上對圖像進(jìn)行平滑處理，這樣可以達(dá)到減弱或者消除部分噪聲的目的。在像素( )x,y處，其鄰域Z像素分布如表1所示。

表1 像素鄰域分布

所以

其中 f(x+a,y+b)代表各個像素處的值，g(x,y)代表進(jìn)行均值濾波后像素(x,y)的像素值。因?yàn)榫禐V波對R、G、B三個顏色通道使用的都是3×3均值濾波器的模板，對各個通道的影響一樣，且不影響各個通道之間的相互關(guān)系，所以可以避免造成圖像失真現(xiàn)象。圖2是經(jīng)過均值濾波后的靈武長棗圖像。

圖2 均值濾波后圖像

2.2.2 顏色分量的提取

靈武長棗圖像屬于RGB圖像，通過提取各顏色分量[10]可以得到R、G、B三種顏色的分量圖。為了增大前景目標(biāo)與背景的差別，可以將紅色分量與其他顏色分量相減。圖3為靈武長棗圖像的各顏色分量折線圖，通過圖3可以得知：R顏色分量的灰度值最大，且與G顏色分量相差較大，因此采用R分量與G分量相減。

由圖3可得，紅色分量占主導(dǎo)的區(qū)域?yàn)殪`武長棗，其余為背景物體?；谝陨戏治?，得出靈武長棗R顏色分量與G顏色分量相減的圖像，可以將此圖像作為本實(shí)驗(yàn)進(jìn)行分割的輸入圖像。R顏色分量減去G顏色分量圖如圖4所示。

2.2.3 形態(tài)學(xué)重構(gòu)

利用一幅掩模圖像的圖像特征對另外一幅標(biāo)記圖像重復(fù)地進(jìn)行形態(tài)學(xué)當(dāng)中的膨脹操作，使得標(biāo)記圖像的灰度值不再發(fā)生變化，這樣的方法叫做形態(tài)學(xué)重構(gòu)。在本文中，由于需要先將靈武長棗圖像當(dāng)中的一些細(xì)小并且不屬于靈武長棗的背景物體消除，然后再將前景目標(biāo)當(dāng)中的一些未填充的地方恢復(fù)原樣，因此選擇腐蝕形態(tài)學(xué)重構(gòu)。形態(tài)學(xué)重構(gòu)原理圖如圖5所示。

圖3 顏色分量折線圖

圖4 R與G顏色分量相減圖

圖5 形態(tài)學(xué)重構(gòu)原理圖

在本實(shí)驗(yàn)當(dāng)中，先將輸入的靈武長棗圖像進(jìn)行腐蝕，把腐蝕過的圖像作為掩模圖像，輸入的圖像作為標(biāo)記圖像，然后進(jìn)行形態(tài)學(xué)重構(gòu)。在腐蝕的過程中，為了使結(jié)構(gòu)元素與需要提取的前景目標(biāo)相對應(yīng)，并且使前景目標(biāo)的邊緣更明顯，本文創(chuàng)建的是平面圓形結(jié)構(gòu)元素。形態(tài)學(xué)重構(gòu)結(jié)果如圖6所示。

圖6 形態(tài)學(xué)重構(gòu)結(jié)果

2.3 分水嶺算法

2.3.1 蒲瑞維特算法

靈武長棗圖像在經(jīng)過轉(zhuǎn)換和傳輸后，由于受預(yù)處理中均值濾波的影響，傳遞函數(shù)對圖像的高頻成分有衰減作用，這樣就不可避免地造成了圖像模糊。本文采用蒲瑞維特算法[11]來對圖像進(jìn)行處理。蒲瑞維特算法屬于圖像銳化，它可以通過增強(qiáng)高頻分量來突出圖像輪廓邊緣，從而使圖像變得清晰。

設(shè)靈武長棗圖像為 f(x,y)，則它的梯度定義為：

式（2）中G[f(x,y)]是圖像 f(x,y)的梯度，也就是靈武長棗圖像 f(x,y)的梯度圖像。而在蒲瑞維特算法當(dāng)中可以進(jìn)一步這樣表示：

其中

a0,a1,…,a7之間的關(guān)系如圖7所示，d1和d2的模板分別如圖8和圖9所示。

這樣通過蒲瑞維特算法，可以將原始靈武長棗圖f(x,y)轉(zhuǎn)變?yōu)樘荻葓D像G[f(x,y)]，這樣就可以方便利用分水嶺算法對梯度圖像進(jìn)行分割。

2.3.2 分水嶺算法

分水嶺算法[12]是一種借鑒了形態(tài)學(xué)理論的閾值分割方法，像自然地貌中的地形表面一樣，在分水嶺算法當(dāng)中可以將需要進(jìn)行分割的輸入圖像看作是一個拓?fù)涞匦螆D，每一個像素的灰度值 f(x,y)代表著地形的海拔高度?；叶戎荡蟮膶?yīng)山峰，灰度值小的對應(yīng)山谷。將所有的谷刺穿，山谷谷底開始積水，水平面就開始勻速上升。隨著水平面的上升，積水的面積會越來越大，最后漫過整個地形表面。為了防止不同谷的積水匯合，在匯合處筑壩。當(dāng)水平面完全漫過整個地形表面之后，所筑水壩就會將積水分割成一個一個的區(qū)域。在這個過程中，水壩就是分水嶺，也就是圖像分割完成后的區(qū)域與區(qū)域之間的邊界，而不同的區(qū)域就稱作是積水盆地。由這些不同的積水盆地和分水嶺組成的區(qū)域就是要分割圖像的前景目標(biāo)。分水嶺概念圖如圖10所示。

圖7 各系數(shù)間的位置關(guān)系圖

圖8 蒲瑞維特算法d1的模板

圖9 蒲瑞維特算法d2的模板

圖10 分水嶺概念示意圖

分水嶺算法是一種自適應(yīng)的多閾值分割算法。如圖10所示，在圖像上進(jìn)行閾值選擇時，如果閾值T選得過高，則圖像的許多邊緣會出現(xiàn)丟失或者是破碎的現(xiàn)象；閾值T如果選得過低，圖像又容易產(chǎn)生虛假邊緣現(xiàn)象，這樣使得圖像原本的邊緣會變厚進(jìn)而導(dǎo)致定位不精確。所以，本文利用遺傳算法對分水嶺法所得的圖像分割閾值進(jìn)行尋優(yōu)，以期得到最佳的圖像分割閾值T0。利用控制標(biāo)記符分水嶺分割算法得到圖11。

圖11 分水嶺分割結(jié)果

由圖11的分割效果可以看出，利用傳統(tǒng)的控制標(biāo)記符分水嶺分割方法對靈武長棗圖像直接進(jìn)行分割得到的效果并不理想。在圖11當(dāng)中，由于閾值選取的不合理，兩幅分割結(jié)果圖都存在過分割，即將一部分背景物體分割到了前景目標(biāo)靈武長棗當(dāng)中。因此采用遺傳算法對分割閾值進(jìn)行尋優(yōu)就顯得尤為重要。

2.4 遺傳算法

2.4.1 遺傳算法簡介

遺傳算法又叫基因進(jìn)化算法，是模擬生物在自然環(huán)境中的遺傳和進(jìn)化的過程而形成的自適應(yīng)全局優(yōu)化搜索算法。它借用了生物遺傳學(xué)的觀點(diǎn)，通過選擇、交叉和變異等即進(jìn)化機(jī)制，實(shí)現(xiàn)了對各個個體適應(yīng)性的提高。在本實(shí)驗(yàn)中，通過遺傳算法來實(shí)現(xiàn)對閾值T的尋優(yōu)得到最佳的閾值T0，從而可以將靈武長棗成功分割出來。

2.4.2 群體規(guī)模

群體規(guī)模[13]會影響遺傳優(yōu)化的最終結(jié)果以及遺傳算法的執(zhí)行效率。群體規(guī)模太小，則可能會使遺傳算法陷入局部最優(yōu)解；群體規(guī)模太大，則計算的復(fù)雜度較高。因此，本文設(shè)定閾值T的初始群體規(guī)模是16個，每個閾值個體的染色體基因位數(shù)為8位，即：

利用matlab中的rand函數(shù)可以實(shí)現(xiàn)對第一代閾值種群的隨機(jī)選擇。由于群體規(guī)模較小，因此設(shè)定遺傳運(yùn)算的終止進(jìn)化代數(shù)為100代，當(dāng)進(jìn)行到100代時遺傳算法運(yùn)算結(jié)束。

2.4.3 適應(yīng)度函數(shù)

本文選擇基于圖像區(qū)域類間方差的對比度作為閾值個體T的適應(yīng)度函數(shù)[14]，用適應(yīng)度函數(shù)來評價閾值個體T的優(yōu)劣。計算圖像分割所得的各個區(qū)域的類間方差，計算公式如下：

式中SEC為各個區(qū)域的類間方差，N1,N2,…,Nn分別代表各個區(qū)域的像素點(diǎn)個數(shù)，M是整幅圖像的像素點(diǎn)個數(shù)，U1,U2,…,Un分別代表各個區(qū)域的平均灰度值，U是整幅圖像的平均灰度值。當(dāng)SEC越大時，各個區(qū)域的類間方差就越大，說明各個區(qū)域的差異也就越大。這樣就表示圖像中的前景目標(biāo)靈武長棗與背景差異較大，體現(xiàn)出圖像得到較好的分割效果。

2.4.4 選擇運(yùn)算

根據(jù)閾值個體的適應(yīng)度，按照一定的規(guī)則和方法，從第一代開始，選擇[15]一些優(yōu)良的閾值個體遺傳到下一代群體當(dāng)中。本文采用個體的適應(yīng)率排序和隨機(jī)產(chǎn)生的混合選擇機(jī)制對閾值個體進(jìn)行選擇。適應(yīng)率是某個閾值個體的適應(yīng)度占所有閾值個體適應(yīng)度之和的百分比。若群體大小是NP，某個閾值個體T的適應(yīng)度值為fT，則T的適應(yīng)率如下所示：

在本實(shí)驗(yàn)中，由于設(shè)定閾值T的初始群體規(guī)模是16個，所以從第二代開始，按照適應(yīng)率的大小由高到低先選出8個閾值個體，再利用Matlab中的rand函數(shù)隨機(jī)產(chǎn)生8個染色體為8位的閾值個體，這樣合起來組成新一代的閾值群體。

2.4.5 交叉運(yùn)算

在選擇出新的閾值種群后，需要將新產(chǎn)生的閾值個體進(jìn)行交叉運(yùn)算[16]。交叉運(yùn)算就是把上一代的兩個閾值個體的一部分結(jié)構(gòu)進(jìn)行替換重組進(jìn)而產(chǎn)生新個體的操作。本文采用單點(diǎn)隨機(jī)雜交算子對選擇出來的閾值種群進(jìn)行交叉運(yùn)算。先等概率的隨機(jī)確定一個基因位置作為雜交點(diǎn)，然后將父代兩個閾值個體從該雜交點(diǎn)分成是前后兩個部分，以雜交概率Pc交換兩個父代閾值個體的后一部分，這樣兩個父代閾值個體就會變成兩個新的子代閾值個體。

設(shè)Tc為單點(diǎn)隨機(jī)雜交算子，Pc是雜交概率，這樣對于任意的(X1,X2)∈S2，Y∈S，則：

2.4.6 變異運(yùn)算

利用遺傳算法中的變異算子進(jìn)行變異的目的有兩個[16]：

（1）使該遺傳算法具備全局的隨機(jī)搜索能力。

（2）使遺傳算法可維持群體多樣性。

當(dāng)對閾值個體進(jìn)行了交叉運(yùn)算后，遺傳算法已經(jīng)具備了局部尋優(yōu)的能力。為了能夠增加全局尋優(yōu)的能力，使得尋優(yōu)不陷入某一個局部，本文采用變異算子對雜交后的閾值個體進(jìn)行運(yùn)算。設(shè)定兩個閾值個體X,Y∈S，則有：

d(X,Y)表示X與Y之間的漢明距離，即：

其中

變異原理如圖12。

圖12 變異原理圖

利用遺傳算法對分割閾值進(jìn)行尋優(yōu)，可以得到最優(yōu)閾值T。

2.5 圖像分割的后處理

2.5.1 最大類間方差法

設(shè)靈武長棗圖像像素數(shù)為N，圖像的灰度范圍為[0,L-1]，對應(yīng)灰度級i的像素數(shù)為Ni，那么它的概率是：

將圖像中的像素按灰度值用閾值T分為兩類C0和C1，C0由灰度值在[0,T]的像素組成，C1由灰度值在[T+1,L-1]的像素值組成，對于灰度分布的概率，整幅圖像的均值

那么C0和C1的均值為：

因此類間方差為：

利用最大類間方差法[17]（Otsu法）對本文算法分割后的靈武長棗圖像進(jìn)行后處理，并利用Matlab中的im2bw函數(shù)將其轉(zhuǎn)換為二值圖像，如圖13所示。

圖13 最大類間方差法二值化圖像

2.5.2 數(shù)學(xué)形態(tài)學(xué)

數(shù)學(xué)形態(tài)學(xué)的基本操作主要包括4種，分別是腐蝕、膨脹、開運(yùn)算和閉運(yùn)算。數(shù)學(xué)形態(tài)學(xué)可以用來對圖像進(jìn)行后續(xù)處理。

（1）腐蝕是一種消除邊界點(diǎn)、使邊界向內(nèi)部收縮的過程，不斷地使像素值為1的邊界點(diǎn)變?yōu)?值像素點(diǎn)。腐蝕可以用來消除小并且無意義的點(diǎn)。計算公式如下：

（2）膨脹是一種增加邊界點(diǎn)、使邊界向外部擴(kuò)散的過程，不斷地使像素值為0的邊界點(diǎn)變?yōu)?值像素點(diǎn)。膨脹可以用來填補(bǔ)物體中的空洞。計算公式如下：

（3）開運(yùn)算也稱作開啟，是一種先腐蝕后膨脹的過程。開啟可以用來消除細(xì)小物體、在纖細(xì)處分離物體和平滑較大物體邊界。計算公式如下：

（4）閉運(yùn)算也稱作閉合，是一種先膨脹后腐蝕的過程。膨脹可以用來填充物體內(nèi)部的細(xì)小空洞、連接臨近物體和平滑邊界。計算公式如下：

在上述圖像分割操作的過程中，由于改進(jìn)后的分水嶺分割算法的主要目的是為了減少過分割，防止部分棗子區(qū)域被分割出去，所以本文主要采用閉合運(yùn)算對分割后的圖像進(jìn)行形態(tài)學(xué)處理，這樣可以連接鄰近物體，使得前景目標(biāo)靈武長棗能夠最大限度地被分割出來。形態(tài)學(xué)處理結(jié)果如圖14所示。

圖14 數(shù)學(xué)形態(tài)學(xué)處理結(jié)果

2.6 實(shí)驗(yàn)算法步驟

為了減少傳統(tǒng)分水嶺算法對靈武長棗圖像所造成的過分割，提高靈武長棗圖像的正確分割率，本文采用了色調(diào)提取、控制標(biāo)記符分水嶺分割算法、遺傳算法、最大類間方差法和數(shù)學(xué)形態(tài)學(xué)等方法對靈武長棗圖像進(jìn)行分割，并最終獲得需要的前景目標(biāo)圖像。

本文算法主要操作步驟如下：

步驟1輸入圖像。

步驟2對輸入的原始圖像進(jìn)行降噪預(yù)處理，如均值濾波等。

步驟3提取R-G顏色分量圖。

步驟4對R-G顏色分量圖進(jìn)行形態(tài)學(xué)重構(gòu)。

步驟5利用遺傳算法產(chǎn)生初始閾值種群并根據(jù)選擇、交叉和變異產(chǎn)生下一代閾值個體。

步驟6判斷遺傳代數(shù)G是否等于100，如果G等于100則轉(zhuǎn)入步驟7，否則轉(zhuǎn)入步驟5。

步驟7利用分水嶺算法分割圖像，閾值選擇步驟6當(dāng)中的最優(yōu)閾值T0。

步驟8進(jìn)行圖像后處理。

步驟9輸出圖像。

圖15為本實(shí)驗(yàn)算法流程圖。

3 數(shù)據(jù)處理與結(jié)果分析

利用本文算法，對類似于圖1的20幅400×350像素的靈武長棗圖像進(jìn)行了圖像分割，其中最優(yōu)閾值T0是利用遺傳算法求得的，通過此閾值利用分水嶺算法可以使靈武長棗圖像達(dá)到最佳的分割狀態(tài)；人工分割靈武長棗像素數(shù)M指的是利用Photoshop CS4軟件來對前景目標(biāo)靈武長棗區(qū)域進(jìn)行提取，然后再計算出這部分區(qū)域的像素個數(shù)；算法分割靈武長棗像素數(shù)N則指的是利用本文所改進(jìn)過的分水嶺算法來對靈武長棗圖像進(jìn)行分割，進(jìn)而計算出分割區(qū)域的像素個數(shù)；錯誤分割率P利用以下公式進(jìn)行計算：

圖15 本實(shí)驗(yàn)算法流程圖

具體圖像分割的統(tǒng)計結(jié)果如表2所示。利用表2當(dāng)中的數(shù)據(jù)可以得出正確分割率達(dá)到89.99%。在這20幅靈武長棗圖像當(dāng)中，序號為2、5、12和18的靈武長棗圖像的錯分率較高，均超過14%；算法分割靈武長棗像素數(shù)N普遍大于人工分割靈武長棗像素數(shù)M，只有圖像5相反?；诒緦?shí)驗(yàn)分析，產(chǎn)生這兩種現(xiàn)象的可能的原因有：錯分率較高圖像的前景目標(biāo)靈武長棗的三種顏色分量所占比例與背景的三種顏色分量所占比例大致相同，使得分割時錯誤識別棗子區(qū)域；在進(jìn)行圖像后處理時，為了減少圖像的過分割并且平滑圖像邊界，采用了形態(tài)學(xué)當(dāng)中的閉合運(yùn)算，使得一部分背景物體包含到了棗子區(qū)域當(dāng)中從而造成算法分割靈武長棗像素數(shù)N較大，而圖像5則可能是因?yàn)闂椬訁^(qū)域青色部分較多使得算法分割靈武長棗像素數(shù)N較小。人工分割圖像與本文算法分割圖像分別如圖16、圖17所示。

由圖16和圖17可以看出，利用本文算法分割得到的圖像與人工分割得到的圖像分割效果大致相同，只在棗子與棗子之間、棗子與背景之間的局部邊界處理上存在細(xì)小誤差，從而能夠達(dá)到正確分割前景目標(biāo)的基本要求。

表2 圖像分割數(shù)據(jù)

圖16 人工分割圖像

圖17 本文算法分割圖像

利用遺傳算法對靈武長棗圖像的分割閾值進(jìn)行尋優(yōu)，可以得到最佳分割閾值T。利用上述20幅圖像，分別采用利用遺傳算法進(jìn)行尋優(yōu)的分水嶺法和傳統(tǒng)的分水嶺法對圖像進(jìn)行分割。為了使實(shí)驗(yàn)結(jié)果更具說服力，本文分別選取了兩組未采用遺傳算法進(jìn)行尋優(yōu)的分割實(shí)驗(yàn)結(jié)果與本文算法分割結(jié)果進(jìn)行對比：一種情況是當(dāng)不采用遺傳算法選取閾值時，有可能會將部分背景區(qū)域分割到前景目標(biāo)靈武長棗當(dāng)中；另一種情況是可能不能將前景目標(biāo)靈武長棗分割完整。實(shí)驗(yàn)結(jié)果圖分別如圖18、圖19所示。

圖18 傳統(tǒng)分割圖像

圖19 增加遺傳算法改進(jìn)后分割圖像

4 討論與結(jié)論

本文利用遺傳算法對傳統(tǒng)的控制標(biāo)記符分水嶺算法進(jìn)行改進(jìn)，能夠?qū)崿F(xiàn)對閾值T的尋優(yōu)，從而得到正確的分割圖像。但是在圖像預(yù)處理的過程當(dāng)中，由于一些采集到的靈武長棗圖像中棗子區(qū)域陰影部分較大，導(dǎo)致使用R-G圖時棗子與背景差別不大，從而造成不能正確分割圖像；在形態(tài)學(xué)重構(gòu)當(dāng)中，由于不同的靈武長棗圖像的具體情況不同，當(dāng)選用平面圓形結(jié)構(gòu)元素時，半徑選取的不合適可能會造成圖像無法正確分割；在遺傳算法的選擇運(yùn)算當(dāng)中，由于用到了隨機(jī)選擇的機(jī)制，使得閾值個體的選擇具有一定的不確定性，從而導(dǎo)致所選出的閾值個體可能不是最優(yōu)閾值；在圖像分割的后處理當(dāng)中，由于采用了數(shù)學(xué)形態(tài)學(xué)中的閉合運(yùn)算，所以可能使得一部分背景物體被分割到了靈武長棗區(qū)域當(dāng)中。

本文通過對靈武長棗顏色等特點(diǎn)進(jìn)行研究，將靈武長棗的顏色分量與背景的顏色分量進(jìn)行對比，找出其中的差異性，并利用R-G圖將差異擴(kuò)大。利用形態(tài)學(xué)重構(gòu)將靈武長棗圖像當(dāng)中的局部背景物體清除并將棗子區(qū)域的細(xì)小空洞填充好。在傳統(tǒng)分水嶺算法的基礎(chǔ)上，利用遺傳算法對閾值進(jìn)行尋優(yōu)，從而得到適合靈武長棗圖像分割的閾值T，再利用最大類間方差法和數(shù)學(xué)形態(tài)學(xué)等方法對圖像進(jìn)行后處理，最終得到正確的分割圖像。本文綜合利用了均值濾波、提取顏色分量、形態(tài)學(xué)重構(gòu)、分水嶺算法、遺傳算法、最大類間方差法和數(shù)學(xué)形態(tài)學(xué)等方法，能夠得到最優(yōu)分割閾值。通過對20幅靈武長棗圖像進(jìn)行分割實(shí)驗(yàn)，分割的正確率達(dá)到了89.99%。本文提出的分割算法能夠滿足機(jī)器識別對圖像分割的要求，同時也為靈武長棗的智能化采摘奠定了理論基礎(chǔ)。