基于K—means聚類與二次分水嶺的果蔬圖像分割方法

巨志勇 李開亮 毛穎穎

摘 要：為解決傳統(tǒng)分水嶺算法在果蔬圖像分割過程中產(chǎn)生的過分割問題，提出了基于K-means聚類與二次分水嶺的果蔬圖像分割方法。該方法首先通過自適應(yīng)中值濾波、直方圖均衡化等方法實(shí)現(xiàn)圖像增強(qiáng)，利用分水嶺算法實(shí)現(xiàn)圖像預(yù)分割，然后對預(yù)分割結(jié)果進(jìn)行K-means聚類和形態(tài)學(xué)處理，并在此基礎(chǔ)上利用分水嶺算法實(shí)現(xiàn)果蔬圖像二次分割。實(shí)驗(yàn)結(jié)果表明，該方法很好地解決了分水嶺算法引起的過分割問題，為后續(xù)圖像分類識(shí)別奠定了基礎(chǔ)。

關(guān)鍵詞：K-means聚類；分水嶺算法；果蔬；圖像分割；形態(tài)學(xué)處理

DOI：10.11907/rjdk.173022

中圖分類號(hào)：TP317.4

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2018）006-0217-03

Abstract：In order to solve the over segmentation problem of traditional watershed algorithm in fruit and vegetable image segmentation process， a segmentation method of fruits and vegetables based on K-means clustering and two watershed is proposed in this paper. Firstly， the method of adaptive median filtering and histogram equalization is used to realize image enhancement. The watershed algorithm is used to realize the image pre-segmentation， then the pre-segmentation results are processed by K-means clustering and morphological processing， and then the watershed algorithm is used to realize the two segmentation of the fruits and vegetables images. The experimental results show that the method proposed in this paper can solve the over segmentation problem caused by watershed algorithm.

Key Words：K-means clustering； watershed algorithm； fruit and vegetable； image segmentation； morphological processing

0 引言

作為目標(biāo)檢測和識(shí)別的基礎(chǔ)，彩色圖像分割是機(jī)器視覺領(lǐng)域一個(gè)重要且具有難度的研究方向，其中基于K-means算法和分水嶺算法的分割方法是近年圖像處理領(lǐng)域的研究熱點(diǎn)。果蔬圖像分割分類方法較多，如Soille和Vincent[1]于1991年提出的模擬浸沒的分水嶺算法。該算法具有快速、準(zhǔn)確等特點(diǎn)，但在噪聲影響下會(huì)導(dǎo)致過分割。對于過分割問題，胡敏等[2]提出了基于形態(tài)學(xué)處理的 H-minima方法標(biāo)記連通域，然后運(yùn)用分水嶺算法實(shí)現(xiàn)標(biāo)記圖像分割。Anderson Rocha[3]通過在HSV顏色空間使用K-means進(jìn)行背景提取，具有良好的分割效果。

本文采用分水嶺方法對預(yù)處理后的圖像進(jìn)行預(yù)分割，根據(jù)分割結(jié)果，使用K-means算法初始化聚類中心，在此基礎(chǔ)上進(jìn)一步采用二次分水嶺方法減少預(yù)處理后的區(qū)域個(gè)數(shù)，并且利用圖像顏色、梯度等信息重構(gòu)新的權(quán)值矩陣，應(yīng)用形態(tài)學(xué)處理實(shí)現(xiàn)圖像分割效果。

1 樣本數(shù)據(jù)獲取與處理

1.1 果蔬圖像獲取

為了更接近真實(shí)環(huán)境，獲取更具代表性的樣本數(shù)據(jù)[4]，實(shí)驗(yàn)使用的果蔬圖像主要來源為數(shù)碼相機(jī)拍攝，背景為白色，分別在不同光照強(qiáng)度、角度、相機(jī)抖動(dòng)等情況下獲取相關(guān)數(shù)據(jù)，主要場景為各大型超市、批發(fā)市場等，還有部分?jǐn)?shù)據(jù)來源于網(wǎng)上圖像數(shù)據(jù)庫。本文果蔬圖像獲取及數(shù)據(jù)庫構(gòu)建主要針對市面上常見的水果蔬菜。果蔬圖像數(shù)據(jù)集共30種，包括水果15種，蔬菜15種，蔬菜包括西紅柿、黃瓜、包菜、娃娃菜、土豆、蘿卜、香菇、菜椒、茄子、芹菜、杏鮑菇、金針菇、四季豆、油菜、秋葵；水果包括香蕉、蘋果、桔子、雪梨、芒果、火龍果、核桃、榴蓮、荔枝、菠蘿、葡萄、西瓜、抽子、龍眼、草莓。每種果蔬圖像30張，共計(jì)900幅。為便于處理，對采集圖像尺寸進(jìn)行歸一化處理，得到640×480彩色圖像。部分果蔬圖像見圖1。

1.2 果蔬圖像預(yù)處理

圖像的預(yù)處理主要包括圖像空間變換、濾波、圖像增強(qiáng)等，增強(qiáng)圖像對比度是應(yīng)用計(jì)算機(jī)視覺進(jìn)行圖像處理的重要環(huán)節(jié)，增強(qiáng)后的圖像更適合于人的視覺特征和機(jī)器識(shí)別。為了實(shí)現(xiàn)更好的分割效果，需要研究彩色空間選擇與濾波器選擇問題。

1.2.1 彩色空間選擇

在眾多顏色空間中，RGB顏色空間的亮度信息與色度信息沒有分離，關(guān)聯(lián)太大且每個(gè)通道都編入了亮度信息，邊緣像素信息不能很好地保存。但是HSV顏色空間的H通道能消除物體姿態(tài)和周邊環(huán)境對亮度的影響，保證圖像信息的穩(wěn)定性。V通道通常依據(jù)圖像 RGB 三色組合得到，能反應(yīng)出物體表征的信號(hào)強(qiáng)度信息[5]。本文先將采集的圖像轉(zhuǎn)換至HSV空間，通過調(diào)整HSV中的V通道實(shí)現(xiàn)對亮度的調(diào)整，再對V進(jìn)行直方圖均衡化處理，實(shí)現(xiàn)圖片的亮度調(diào)整。S通道對亮度變化不太敏感，顏色特征由色度通道H和S計(jì)算，并對S通道進(jìn)行閾值化操作，再轉(zhuǎn)回 RGB空間得到最終增強(qiáng)結(jié)果[6]。由RGB到HSV的轉(zhuǎn)換，先要計(jì)算RGB通道的最大值和最小值，轉(zhuǎn)換公式如下：

設(shè)（B，G，R）分別為RGB空間任一像素的藍(lán)、綠、紅坐標(biāo)，它們的值為0～1之間的實(shí)數(shù)。設(shè)Max等于B、G、R中的最大值， Min等于B、G、R中的最小值。HSV空間（H， S， V） 中 H∈ [0， 360）是角度的色相角，而S，V∈ [0，1]對應(yīng)飽和度和亮度。

1.2.2 濾波器選擇

圖2顯示取內(nèi)核值或參數(shù)值均為4的情況下5種常見的濾波，包括方框?yàn)V波、均值濾波、高斯濾波3種線性濾波，中值濾波、雙邊濾波兩種非線性濾波的濾波效果。

對比分析可發(fā)現(xiàn)，均值濾波在去噪的同時(shí)破壞了圖像的細(xì)節(jié)部分，使圖像變得更加模糊。高斯濾波與均值濾波效果相似，都會(huì)較明顯地模糊邊緣，但對于高頻細(xì)節(jié)保護(hù)效果不明顯。雙邊濾波是結(jié)合圖像空間鄰近度和像素值相似度的一種折中處理，同時(shí)考慮空域信息和灰度相似性。對于彩色圖像里的高頻噪聲，雙邊濾波器不能干凈地濾掉，只能對低頻信息進(jìn)行較好的濾波。均值濾波在去噪的同時(shí)破壞了圖像的細(xì)節(jié)部分，使得圖像變得模糊。在眾多濾波效果中，中值濾波[7]是用像素點(diǎn)鄰域灰度值的中值代替該像素的灰度值，和均值濾波器相比，中值濾波在消除噪聲的同時(shí)，能很大程度地保護(hù)圖像細(xì)節(jié)，不會(huì)造成大的模糊。本文使用加權(quán)自適應(yīng)中值濾波能夠更好地保護(hù)圖像中的邊緣細(xì)節(jié)部分。

2 算法分析

2.1 K-means聚類算法與二次分水嶺算法

K-means 算法通過反復(fù)迭代，目的是使聚類域中所有的樣品到聚類中心距離的平方和J（C）最小，實(shí)現(xiàn)各聚類本身盡可能緊湊、聚類之間盡可能分開。

分水嶺算法是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)分割方法，該算法先將一幅圖像轉(zhuǎn)換成梯度圖，將其類比為地形，將梯度圖中像素灰度值類比成地形高度，將局部極小值類比為盆地，局部極大值類比為山頂，介于兩者之間的值類比為山坡。通過模擬浸沒方法，從局部極小值處開始浸入水中，垂直向下移動(dòng)，這樣每個(gè)局部極小值作為一個(gè)聚類中心開始向外擴(kuò)展，最終會(huì)在盆地之間形成分水嶺。目前經(jīng)典的分水嶺算法是由Vincent等[9]提出的模擬浸沒算法。該方法主要分為排序和淹沒兩個(gè)過程，先將圖像按灰度等級從高到低排序，再進(jìn)行模擬浸沒。分水嶺算法的輸入為梯度圖像，即

2.2 K-means聚類與二次分水嶺相結(jié)合的分割方法

綜合K-means聚類算法、分水嶺分割方法，本文提出基于K-means聚類與二次分水嶺的圖像分割方法[10]，步驟如下：①首先在預(yù)處理基礎(chǔ)上使用sobel算子獲取梯度圖像G。通過分水嶺算法對G進(jìn)行預(yù)分割，設(shè)原始圖像被初步分割為N集水盆地，原始圖像對應(yīng)區(qū)域設(shè)為X；②通過K-means聚類方法對初步分割的N個(gè)集水盆地進(jìn)行聚類，獲得聚類數(shù)目和初始聚類中心，由于步驟①得到的N個(gè)集水盆地遠(yuǎn)小于圖像像素個(gè)數(shù)，因此在進(jìn)行K-means聚類和二次分水嶺分割圖像時(shí)運(yùn)行效率更高；③使用形態(tài)學(xué)處理獲取二值化圖像，標(biāo)記背景和未知區(qū)域，通過對白色前景的深度膨脹運(yùn)算獲得一個(gè)超過前景實(shí)際大小的物體，然后用反向閾值將深度膨脹后的圖像中的黑色部分轉(zhuǎn)換成固定灰度值，即完成背景像素的標(biāo)記；④根據(jù)二值化圖像找到感興趣區(qū)域，將前景、背景及未知區(qū)域合成為一個(gè)標(biāo)記圖像，并用原始像素強(qiáng)度替換為二進(jìn)制值；⑤利用分水嶺算法分割圖像：將標(biāo)記圖像和原圖輸入分水嶺算法，執(zhí)行分水嶺算法，將修改后的標(biāo)記圖轉(zhuǎn)換為可顯示的8位灰度圖并返回分割結(jié)果；⑥將切割圖片與填充空洞圖片進(jìn)行交集運(yùn)算，得到去背景果蔬圖片，并將目標(biāo)圖像由HSV空間轉(zhuǎn)換至RGB空間顯示。

3 實(shí)驗(yàn)結(jié)果

按照算法處理步驟，在Windows10操作系統(tǒng)平臺(tái)上，利用Visual Studio2013配置OpenCV2.4.9對果蔬圖像數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。計(jì)算機(jī)基本配置為 CPU Intel（R）Core（TM）i5-3230M，2.60GHz，運(yùn)行內(nèi)存為8GB。實(shí)驗(yàn)結(jié)果如圖3所示，圖3（a）為復(fù)雜光照下拍攝的原始圖像，圖3（b） 為經(jīng)過預(yù)處理之后通過sobel算子獲取的梯度圖像 ，圖3（c）分水嶺預(yù)分割圖像 ，圖3（d）為K-means聚類和分水嶺變換后的二值化圖像，圖3（e）為背景分割圖像。

為進(jìn)一步驗(yàn)證本文提出方法的有效性，對果蔬圖像庫中的部分圖像分別用基于形態(tài)學(xué)的分水嶺分割方法和本文方法作對比測試。如圖4所示，第一列為原始圖像，第二列為基于形態(tài)學(xué)的分水嶺分割算法結(jié)果，第三列為本文算法結(jié)果。通過實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，使用分水嶺算法還會(huì)出現(xiàn)過分割現(xiàn)象，本文提出的方法可有效解決復(fù)雜光照情況下圖像準(zhǔn)確分割問題，同時(shí)可準(zhǔn)確定位目標(biāo)位置，保留圖像的形狀、顏色、紋理、邊緣等信息。

4 結(jié)語

由于農(nóng)產(chǎn)品的多樣性和相似性，現(xiàn)有的分割識(shí)別方法難以精準(zhǔn)適用于農(nóng)業(yè)領(lǐng)域。本文基于顏色、形狀和紋理特征，對水果蔬菜進(jìn)行處理和分析，解決了不同種類果蔬圖像在不同光照條件下的分割問題。實(shí)驗(yàn)結(jié)果表明，本文提出的結(jié)合K-means聚類的二次分水嶺分割方法，可有效提取感興趣區(qū)域，并能很好地保留圖像的邊緣、紋理、形狀等信息，為下一步分類識(shí)別奠定了基礎(chǔ)。

參考文獻(xiàn)：

[1] VINCENT L，PIERRE S. Watershed in digital spaces： An efficient algorithm based on immersion simulations[J]. IEEE Transactions of Pattem Analysis and Machine Intelligence，1991，13（6）：583-598.

[2] 胡敏，蔡慧芬.基于形態(tài)學(xué)標(biāo)記聯(lián)通的分水嶺圖像分割[J].電子測量與儀器學(xué)報(bào)，2011，25（10）：864-869.

[3] ROCHA A， HAUAGGE D C， WAINER J，et al. Automatic fruit and vegetable classification from images [J].Computers and Electronics in Agriculture， 2010，70（1）：96-104

[4] ARIVAZHAGAN S，SHEBIAH R N，NIDHYANANDHAN S S，et al. Fruit recognition using color and texture features [J]. Journal of Emerging Trends in Computing and Information Sciences，2010，1（2）：90-94.

[5] 王水平，唐振民，范春年，等.基于SVM的水果分類算法研究[J].武漢理工大學(xué)學(xué)報(bào)，2010（16）：44-47.

[6] 許欣，陳強(qiáng)，孫懷江，等.改進(jìn)的自動(dòng)顏色均衡化圖像對比度增強(qiáng)[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（18）：4-6.

[7] 趙高長，張磊，武風(fēng)波.改進(jìn)的中值濾波算法在圖像去噪中的應(yīng)用[J].應(yīng)用光學(xué)，2011（4）：678-680.

[8] 王千，王成，馮振元，等.K-means聚類算法研究綜述[J].電子設(shè)計(jì)工程，2012，20（7）：21-24.

[9] VINCENT L，SOILLE P. Watersheds in digital spaces： an efficient algorithm based on immersion simulations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1991，13（6）：583-598.

[10] 邰瀅瀅，吳彥海，張利.基于快速mean-shift聚類與標(biāo)記分水嶺的圖像分割方法[J].計(jì)算機(jī)應(yīng)用與軟件，2015，8（3）：156-159.

（責(zé)任編輯：杜能鋼）