基于圖像分割的葵花籽脫殼率在線估計(jì)技術(shù)

王 浩，孫福明，賈 旭

(遼寧工業(yè)大學(xué)電子與信息工程學(xué)院，遼寧錦州121001)

近年來(lái)，隨著技術(shù)的進(jìn)步與發(fā)展，自動(dòng)化生產(chǎn)裝備不斷問世?？ㄗ炎鳛橐环N重要的油料來(lái)源和休閑食品，其脫殼機(jī)得到了廣泛的應(yīng)用。脫殼機(jī)的分離系統(tǒng)由風(fēng)機(jī)、導(dǎo)流裝置、分離篩、振動(dòng)電機(jī)等組成［1］，為提高葵花籽脫殼品質(zhì)，在脫殼機(jī)工作時(shí)，經(jīng)常須要手工不斷調(diào)整分離系統(tǒng)的相關(guān)參數(shù)。例如，當(dāng)葵花仁內(nèi)含皮量較多時(shí)，須要及時(shí)調(diào)整風(fēng)機(jī)的進(jìn)風(fēng)量;當(dāng)精仁中含未脫開的籽粒超標(biāo)時(shí)，須要及時(shí)調(diào)整振動(dòng)電機(jī)和篩面的角度，以提高精選效果［2］。如果用戶經(jīng)驗(yàn)不足，則容易導(dǎo)致脫殼率偏低。為此，本研究采用計(jì)算機(jī)視覺技術(shù)，針對(duì)葵花籽脫殼時(shí)獲取的工作面圖像，利用圖像分割算法實(shí)現(xiàn)葵花籽脫殼率的在線實(shí)時(shí)估計(jì)，從而使脫殼機(jī)自動(dòng)調(diào)整相關(guān)參數(shù)。

圖像分割是把圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過程?，F(xiàn)有的圖像分割方法主要有基于閾值的方法、基于區(qū)域的方法、基于邊緣的方法以及其他方法。針對(duì)不同任務(wù)，須要選擇合適的圖像分割算法［3］及彩色空間［4－5］。常用的彩色空間有紅、綠、藍(lán)(red，green，blue，簡(jiǎn)稱 RGB)，青、品紅、黃(cyan，magenta，yellow，簡(jiǎn)稱 CMY)，色調(diào)、飽和度、明度(hue，saturation，value，簡(jiǎn)稱HSV)及色調(diào)、飽和度、亮度(hue，saturation，intensity，簡(jiǎn)稱HSI)等。周麗萍等利用改進(jìn)的最大類間方差(Otsu)算法在HSV空間實(shí)現(xiàn)了規(guī)?；i養(yǎng)殖場(chǎng)中非接觸式體溫檢測(cè)［6］。蘭紅等利用改進(jìn)的Otsu算法在HSV空間實(shí)現(xiàn)了免疫組化圖像分割［7］。李正明等利用改進(jìn)的Otsu算法對(duì)HSV彩色空間的色調(diào)(hue，簡(jiǎn)稱H)分量進(jìn)行分割，克服了目標(biāo)茄子表皮反光對(duì)分割結(jié)果的影響［8］。戴丹利用改進(jìn)的分水嶺算法對(duì)粘連顆粒圖像進(jìn)行分割［9］。繆慧司等結(jié)合距離變換與邊緣梯度的分水嶺算法對(duì)血細(xì)胞圖像進(jìn)行分割［10］。

在脫殼過程中，葵花籽與葵花仁的比例呈動(dòng)態(tài)變化趨勢(shì)，且二者相互堆疊在一起。這種相互堆疊，可導(dǎo)致圖像分割時(shí)，葵花籽和葵花仁的邊緣難以被有效分割，且堆疊處可產(chǎn)生大量孔洞。如果葵花仁較多，這些孔洞易導(dǎo)致對(duì)脫殼率的嚴(yán)重錯(cuò)誤估計(jì)。當(dāng)對(duì)工作面進(jìn)行拍照時(shí)，如果光照度較強(qiáng)，黑色的葵花籽反光強(qiáng)烈呈白化現(xiàn)象，往往導(dǎo)致葵花仁與葵花籽在色調(diào)上十分相似。為消除孔洞、光照及重疊等因素的影響，本研究采取如下措施:(1)針對(duì)由于孔洞過多導(dǎo)致的葵花籽與葵花仁面積難以準(zhǔn)確統(tǒng)計(jì)的問題，通過色調(diào)空間結(jié)合亮度空間來(lái)區(qū)分孔洞;(2)針對(duì)葵花籽的強(qiáng)反光問題，通過對(duì)亮度空間進(jìn)行2次Otsu算法計(jì)算并采用H－mininma技術(shù)提取葵花仁標(biāo)記;(3)針對(duì)圖像中目標(biāo)由于重疊而難以分割的問題，采用分水嶺算法依據(jù)標(biāo)記修正后的形態(tài)學(xué)梯度圖進(jìn)行精確分割［11］。最后，通過統(tǒng)計(jì)圖像分割后的葵花籽與葵花仁所占比例，估計(jì)獲得葵花籽的脫殼率，進(jìn)而引導(dǎo)對(duì)脫殼機(jī)器進(jìn)行參數(shù)調(diào)整操作，提高脫殼機(jī)的工作效率。

1 基本原理

1.1 HSV 彩色空間

HSV顏色空間的參數(shù)分別是色調(diào)(H)、飽和度(saturation，簡(jiǎn)稱S)、明度(value，簡(jiǎn)稱V)。色調(diào)表示色彩信息，即所處的光譜顏色的位置，該參數(shù)用一角度量來(lái)表示，紅、綠、藍(lán)分別相隔120度，互補(bǔ)色分別相差180度。飽和度為一比例值，范圍從0到1，表示所選顏色的飽和度和該顏色最大飽和度之間的比例，當(dāng)S=0時(shí)，只有灰度。明度表示色彩的明亮程度，范圍從0到1，須要注意的是，它和光照度之間沒有直接聯(lián)系。

RGB彩色空間與HSV彩色空間的轉(zhuǎn)換公式為

式中:R、G、B的取值范圍為0～255。為便于計(jì)算機(jī)進(jìn)行數(shù)據(jù)處理，H取值設(shè)為0～180，S和V取值設(shè)為0～255。

1.2 分水嶺算法

分水嶺算法是一種基于區(qū)域的圖像分割算法?；舅枷胧前褕D像視為測(cè)地學(xué)的拓?fù)涞孛?，圖像中每一點(diǎn)像素的灰度值視為該點(diǎn)的海拔高度，每個(gè)局部極小值及其影響區(qū)域視為集水盆地，其邊界可形成分水嶺［12］?？梢詤⒄战ㄟM(jìn)行理解，在每個(gè)局部極小值表面刺穿一個(gè)小孔，然后把整個(gè)模型浸入水中，隨著浸水程度的加深，每個(gè)局部極小值的影響區(qū)域會(huì)慢慢向外延伸，在集水盆交匯處形成分水嶺［13］。由于輸入圖像存在過多的極小值區(qū)域，所以基于梯度圖像的直接分水嶺算法存在過分割現(xiàn)象，通常采用2種方法處理:(1)依據(jù)某種準(zhǔn)則，對(duì)過分割后的圖像進(jìn)行區(qū)域合并;(2)基于標(biāo)記的分水嶺算法，其原理是通過先驗(yàn)知識(shí)對(duì)圖像中部分像素作標(biāo)記，表示其為已知區(qū)域，分水嶺算法依據(jù)這些初始區(qū)域確定其他像素的所屬區(qū)域。

1.3 二維Otsu算法

最大類間方差法是一種全局的自動(dòng)非參數(shù)無(wú)監(jiān)督的閾值確定方法，又叫大津法，簡(jiǎn)稱Otsu算法［14］。它按照?qǐng)D像的灰度特性，將圖像分成背景和目標(biāo)，且背景和目標(biāo)之間的類間方差越大，表示2個(gè)部分的差別越大。部分目標(biāo)錯(cuò)分為背景或部分背景錯(cuò)分為目標(biāo)都會(huì)導(dǎo)致二者之間的類間方差變小。設(shè)圖像的灰度級(jí)為L(zhǎng)，則灰度級(jí)為i的像素概率密度pi為

式中:w0表示背景的像素概率密度;μ0表示背景的像素均值;w1表示前景的像素概率密度;μ1表示前景的像素均值。

當(dāng)σ2達(dá)到最大值時(shí)，取得最佳閾值點(diǎn)(H)，公式為

但在實(shí)際應(yīng)用中，由于環(huán)境干擾因素的影響，灰度直方圖的波峰與波谷差異不明顯。此時(shí)，使用Otsu算法得到的閾值難以滿足要求。在原有基礎(chǔ)上，劉建莊等加入像素與鄰域的空間關(guān)系，提出灰度圖像的二維Otsu算法，該方法同時(shí)考慮像素點(diǎn)的灰度值分布及其鄰域像素點(diǎn)的平均灰度值分布，最佳閾值為在二維類間方差下取最大值得到的二維矢量，可大大提高算法的抗噪能力［15］。經(jīng)典二維Otsu算法由于計(jì)算過于復(fù)雜而不適合在線系統(tǒng)。為提高計(jì)算速度，本研究采取迭代的方式得到查詢表來(lái)消除冗余計(jì)算［16］，從而適用于在線估計(jì)。

2 本算法描述

本研究算法流程如圖1所示，主要包括預(yù)濾波、彩色空間轉(zhuǎn)換、目標(biāo)標(biāo)記圖像、圖像分割、后濾波及脫殼率估計(jì)。

本算法具體步驟為(1)將輸入圖像經(jīng)中值濾波預(yù)處理，去除圖像采集時(shí)的噪聲干擾;(2)將圖像由RGB彩色空間轉(zhuǎn)換為HSV彩色空間;(3)使用二維Otsu算法對(duì)S分量進(jìn)行二值化;(4)將V分量和S分量相結(jié)合獲得孔洞標(biāo)記圖;(5)通過形態(tài)學(xué)重建技術(shù)去除V分量中的無(wú)用信息，對(duì)圖像進(jìn)行簡(jiǎn)化處理，通過對(duì)去噪后的V分量進(jìn)行多次二維Otsu運(yùn)算處理，提取出前景標(biāo)記圖與背景標(biāo)記圖，即葵花仁標(biāo)記圖與葵花籽標(biāo)記圖;(6)對(duì)去噪后的V分量進(jìn)行形態(tài)學(xué)梯度運(yùn)算得到物體的邊緣輪廓特征，由于提取的物體邊緣特征圖較為復(fù)雜，直接使用會(huì)因?yàn)榫植繕O小值過多而導(dǎo)致圖像出現(xiàn)嚴(yán)重過分割現(xiàn)象，應(yīng)通過形態(tài)學(xué)極小值標(biāo)定技術(shù)依據(jù)標(biāo)記圖像去除形態(tài)學(xué)梯度圖中過多的局部極小值，再對(duì)處理后的形態(tài)學(xué)梯度圖進(jìn)行分水嶺算法分割，并在分割后的梯度圖中標(biāo)記出孔洞，進(jìn)而更為準(zhǔn)確地計(jì)算出脫殼率。

2.1 顏色空間轉(zhuǎn)換以及形態(tài)學(xué)重構(gòu)

2.1.1 預(yù)濾波處理 圖像在形成和傳輸過程中，會(huì)因受到外界各種離散和隨機(jī)的噪聲干擾而導(dǎo)致其質(zhì)量退化。為減小噪聲的影響，須采用濾波方法對(duì)輸入圖像進(jìn)行預(yù)處理。由于中值濾波能較好地保護(hù)目標(biāo)的邊緣特征，因而本研究采用中值濾波器對(duì)輸入圖像進(jìn)行去噪。樣本圖片分辨率為250×250 pixel，所以本研究中值濾波采用3×3 pixel的窗口對(duì)圖像進(jìn)行濾波處理。

2.1.2 顏色空間轉(zhuǎn)換 葵花籽脫殼率的估計(jì)須要在圖像中分割出葵花籽與葵花仁區(qū)域，但葵花籽與葵花仁互相堆疊造成大量孔洞，且目標(biāo)邊緣不清晰，特別是當(dāng)圖像中葵花仁占比較大時(shí)，簡(jiǎn)單應(yīng)用二維Otsu算法對(duì)原始圖像進(jìn)行二值化分割，效果并不理想。圖像分割的目標(biāo)包括孔洞、葵花籽、葵花仁，使用分水嶺算法［17］可以分割多目標(biāo)和互相重疊的目標(biāo)。由于彩色圖像轉(zhuǎn)換為灰度圖像會(huì)丟失許多信息，單純通過灰度圖像無(wú)法分割出過暗的孔洞，因此須要利用灰度圖像結(jié)合HSV顏色空間中的S分量信息進(jìn)行相關(guān)目標(biāo)判斷。在HSV空間，V分量中孔洞的灰度值低于40且S分量的中數(shù)值接近255。為加強(qiáng)泛化能力，使用Otsu算法對(duì)S分量進(jìn)行二值化處理，并把V分量中數(shù)值低于40且S分量二值化為255的像素點(diǎn)作為空洞的標(biāo)記，如圖2所示。

通過中值濾波與顏色空間轉(zhuǎn)換可以得到原始圖像的灰度圖像，即使排除孔洞以及光照不均、葵花籽姿態(tài)各異、葵花籽易反光等因素，仍可使部分葵花籽的部分區(qū)域V分量較大，且與葵花仁的V分量部分重合，如果直接使用二維Otsu算法對(duì)灰度圖像進(jìn)行二值化分離，前景與背景會(huì)出現(xiàn)較大誤差。本研究對(duì)V分量采用形態(tài)學(xué)開閉重建運(yùn)算，既可以去除噪聲信息、簡(jiǎn)化圖像，也可以保留物體的主要輪廓。

2.1.3 形態(tài)學(xué)重建處理 形態(tài)學(xué)重建主要涉及3個(gè)部分，分別是結(jié)構(gòu)元素、1幅表示標(biāo)記的圖像和1幅表示掩膜的圖像。標(biāo)記的圖像代表變換的起始，掩膜的圖像用于約束變換過程，結(jié)構(gòu)元素用于定義其中的連接性。測(cè)地膨脹與測(cè)地腐蝕是形態(tài)學(xué)重建運(yùn)算的基本運(yùn)算。測(cè)地膨脹是指根據(jù)某種運(yùn)算規(guī)則使用結(jié)構(gòu)元素對(duì)已標(biāo)記的圖像進(jìn)行重復(fù)膨脹，目的是使多次測(cè)地膨脹迭代后的結(jié)果保留標(biāo)記圖像中大于等于掩膜圖像的區(qū)域信息。測(cè)地腐蝕是指根據(jù)某種運(yùn)算規(guī)則使用結(jié)構(gòu)元素對(duì)已標(biāo)記的圖像進(jìn)行重復(fù)腐蝕，目的是使多次測(cè)地腐蝕迭代后的結(jié)果保留標(biāo)記圖像中小于等于掩膜圖像的區(qū)域信息。

設(shè)圖像為F(x，y)，其掩膜圖像為m(x，y)，則其測(cè)地膨脹定義為

式中:s為迭代次數(shù)，s=1，2，…;B表示結(jié)構(gòu)元素;⊕表示形態(tài)學(xué)膨脹;DB表示形態(tài)學(xué)膨脹的結(jié)果。

測(cè)地腐蝕的定義為

式中:EB表示形態(tài)學(xué)腐蝕結(jié)果;Θ表示形態(tài)學(xué)膨脹。公式(5)、公式(6)為迭代運(yùn)算，迭代停止的條件為迭代次數(shù)達(dá)到

依據(jù)公式(5)、公式(6)2個(gè)基本公式定義形態(tài)學(xué)開重建運(yùn)算和閉重建運(yùn)算定義如下:

式中:。和·分別表示形態(tài)學(xué)的開運(yùn)算與閉運(yùn)算。通常將原圖像作為掩膜圖像，腐蝕后圖像作為標(biāo)記圖像，用形態(tài)學(xué)開運(yùn)算作重構(gòu)操作。相對(duì)應(yīng)閉運(yùn)算的重建為獲得形態(tài)學(xué)膨脹后的圖

式中:B表示的結(jié)構(gòu)元素的尺寸直接影響重建后的結(jié)果，由于本研究的圖像為葵花籽與葵花仁，其形狀接近橢圓形，所以結(jié)構(gòu)元素選用圓盤形狀，該形狀具有各向同性的特點(diǎn)?？紤]圖片分辨率以及噪聲的尺寸，選取半徑為5 pixel的圓形結(jié)構(gòu)元素。雖然經(jīng)過重建后的V分量得到簡(jiǎn)化，但如果直接對(duì)其進(jìn)行二維Otsu算法二值化，依然不能區(qū)分葵花仁與葵花籽。對(duì)圖2－b的V分量進(jìn)行形態(tài)學(xué)開閉重建運(yùn)算的效果如圖3－a所示，對(duì)重建后的V分量進(jìn)行二維Otsu算法二值化的效果如圖3－b所示。從圖3－b中可以看出，多出葵花籽的部分被判斷為前景目標(biāo)。像，并對(duì)其求補(bǔ)后作為標(biāo)記圖像，掩膜圖像則是開運(yùn)算重建后求補(bǔ)的圖像，用閉運(yùn)算進(jìn)行重構(gòu)操作。通過形態(tài)學(xué)開閉重構(gòu)運(yùn)算可以去除比結(jié)構(gòu)元素小的區(qū)域，同時(shí)把沒有被濾除的部分恢復(fù)出來(lái)，且不會(huì)產(chǎn)生新邊界偏移現(xiàn)象。

形態(tài)學(xué)開閉重建運(yùn)算的定義為

2.2 基于標(biāo)記的分水嶺算法分割

2.2.1 標(biāo)記提取 為精確區(qū)分互相堆疊的葵花仁與葵花籽目標(biāo)，利用V分量提取目標(biāo)邊緣特征圖并采用基于標(biāo)記的分水嶺算法對(duì)其進(jìn)行精準(zhǔn)分割，該方法可以避免傳統(tǒng)分水嶺算法嚴(yán)重過分割的問題。為得到精準(zhǔn)的葵花仁標(biāo)記圖，可以對(duì)使用Otsu算法二值化后的圖像中的前景部分再次使用Otsu算法，以進(jìn)一步減少前景中的葵花籽數(shù)量，采用公式(4)計(jì)算閾值，2次Otsu算法的計(jì)算公式為

式中:fgm函數(shù)為根據(jù)H閾值提取輸入圖像的前景圖像;f1(x，y)與f2(x，y)分別為2次提取得到的前景目標(biāo)圖像。處理效果如圖4－a所示，可以看出，前景目標(biāo)中葵花籽的數(shù)量有所減少，但還是有1處葵花籽目標(biāo)，此時(shí)可以結(jié)合后驗(yàn)知識(shí)，對(duì)去噪后的V分量使用Otsu算法取得其前景部分，然后使用形態(tài)學(xué)的擴(kuò)展極小值變換技術(shù)(H－mininma)，通過設(shè)定閾值去除深度小于閾值的區(qū)域，其變換公式為

式中:T為根據(jù)經(jīng)驗(yàn)給出的閾值;Psign為二值化得到的圖像。效果如圖4－b所示。

為使后續(xù)分水嶺算法的分割結(jié)果更加精準(zhǔn)，前景目標(biāo)標(biāo)記圖與背景目標(biāo)標(biāo)記圖間距應(yīng)較遠(yuǎn)。對(duì)于選為背景的葵花籽標(biāo)記圖，利用之前得到的葵花仁標(biāo)記圖(圖4－b)進(jìn)行取反操作，把背景轉(zhuǎn)換為前景，再通過Zhang快速并行細(xì)化算法得到目標(biāo)骨架，該算法的優(yōu)點(diǎn)是快速實(shí)用，并且可保證細(xì)化后曲線的連通性，轉(zhuǎn)換公式為

式中:所得結(jié)果bgm(x，y)為細(xì)化后的背景標(biāo)記圖，如圖5－a所示，總標(biāo)記圖為前景標(biāo)記與背景標(biāo)記的融合圖，融合公式為

式中:total為總標(biāo)記圖，如圖5－b所示。

2.2.2 形態(tài)學(xué)梯度計(jì)算與分水嶺分割 分水嶺分割算法中所說的分水嶺即為圖像中感興趣區(qū)域的基本輪廓，也就是圖像像素強(qiáng)度出現(xiàn)突變的位置，對(duì)圖像的梯度圖像進(jìn)行分割的效果好于直接對(duì)原始圖像進(jìn)行分割的效果，因?yàn)樘荻葓D像能更好地反映圖像中的突變趨勢(shì)。目前在主流求取梯度圖像的算法中，非線性的形態(tài)學(xué)梯度具有較好的效果，可在加強(qiáng)圖像對(duì)比度的同時(shí)，保持原圖中比較平滑的區(qū)域。對(duì)于“2.1.3”節(jié)取得的圖像進(jìn)行形態(tài)學(xué)梯度運(yùn)算的公式為

式中:b表示結(jié)構(gòu)元素，效果如圖6－a所示。直接對(duì)形態(tài)學(xué)梯度圖應(yīng)用分水嶺算法進(jìn)行分割將會(huì)導(dǎo)致過分割現(xiàn)象，應(yīng)用形態(tài)學(xué)極小值標(biāo)定技術(shù)進(jìn)行處理，修正Grad中過多的局部極小值，使修正后的梯度圖像中保留下來(lái)的極小值與總標(biāo)記圖total中的區(qū)域相對(duì)應(yīng)，修正梯度圖的運(yùn)算公式為

式中:Min(Grad，total)表示形態(tài)學(xué)極小值標(biāo)定函數(shù)，效果如圖6－b所示。

對(duì)Gmodify進(jìn)行分水嶺算法分割，獲得分割后的圖像Gws，計(jì)算公式為

式中:WaterShed()代表分水嶺變換操作函數(shù)，分割效果如圖7－a所示，通過結(jié)合total與Gws，對(duì)分割后的前景與背景進(jìn)行合并操作，再結(jié)合“2.1.1”節(jié)獲得的孔洞標(biāo)記圖獲取最終的簡(jiǎn)化圖像，簡(jiǎn)化圖像只包括葵花仁、葵花籽、孔洞3個(gè)部分，具體計(jì)算公式為

效果如圖7－b所示。

2.3 脫殼率計(jì)算

計(jì)算脫殼率的目的是為了了解當(dāng)前機(jī)器中葵花籽的脫殼狀況，即葵花仁占比多少。對(duì)圖像Gend求取直方圖，采用函數(shù)imhist()表示求取直方圖的操作，hod(i)表示第i個(gè)灰度級(jí)的統(tǒng)計(jì)個(gè)數(shù)，i∈［0，255］，其中灰度值為0表示孔洞像素和物體邊緣像素，灰度值為50表示葵花籽像素，灰度值為200表示葵花仁像素，其關(guān)系如下:

脫殼率的計(jì)算公式如下:

3 試驗(yàn)部分

本研究通過對(duì)不同葵花籽與葵花仁比例的彩色圖像進(jìn)行試驗(yàn)來(lái)證明所提出算法的有效性，分為3種情況進(jìn)行對(duì)比試驗(yàn):(1)葵花籽占比大的情況;(2)葵花仁與葵花籽占比相當(dāng)?shù)那闆r;(3)葵花仁占比大的情況。

3.1 葵花籽占比大的情況

使用二維Otsu算法直接對(duì)圖像進(jìn)行自動(dòng)閾值分割時(shí)，若圖像中葵花籽較多，則孔洞被分割為葵花籽，且部分反光強(qiáng)烈的葵花籽會(huì)被誤判為葵花仁，而本方法不以單個(gè)像素點(diǎn)作為分割判斷的全部依據(jù)，可提高分割的準(zhǔn)確度。當(dāng)葵花籽占比較大時(shí)，使用本方法的分割結(jié)果如圖8所示。

本研究輸入圖像的分辨率均為500×500 pixel，依據(jù)葵花籽以及噪聲的具體情況，選取圓盤結(jié)構(gòu)元的半徑R=5對(duì)圖像進(jìn)行形態(tài)學(xué)重構(gòu)，并采用同樣大小的結(jié)構(gòu)元提取圖像的形態(tài)學(xué)梯度，依據(jù)圖8－a所得的標(biāo)記圖對(duì)形態(tài)學(xué)梯度圖進(jìn)行修正并利用分水嶺算法進(jìn)行分割，利用公式(17)對(duì)分割后的圖像進(jìn)行合并，得到圖8－d;通過公式(18)、公式(19)可得，當(dāng)前時(shí)刻脫殼率為23.1%，直接使用二維Otsu算法獲得的脫殼率為 30.4%。

3.2 葵花仁與葵花籽比例相當(dāng)?shù)那闆r

使用二維Otsu算法直接對(duì)圖像進(jìn)行自動(dòng)閾值分割，無(wú)法消除孔洞干擾，而使用本方法可適當(dāng)解決這個(gè)問題，結(jié)果如圖9所示。計(jì)算所得脫殼率為57.0%，直接使用二維Otsu算法獲得的脫殼率為53.6%。

3.3 葵花仁占比較大的情況

使用二維Otsu算法直接對(duì)圖像進(jìn)行自動(dòng)閾值分割，無(wú)法消除孔洞干擾，且當(dāng)圖像中葵花仁占比較大時(shí)，誤差較大，會(huì)把部分顏色較暗的葵花仁分割為葵花籽，而使用本方法可部分解決這個(gè)問題。使用本方法的分割結(jié)果如圖10所示。計(jì)算所得脫殼率為86.8%，直接使用二維Otsu算法獲得的脫殼率為67.6%。

3.4 試驗(yàn)數(shù)據(jù)與分析

理論上，圖像灰度直方圖呈現(xiàn)雙峰圖時(shí)，二維Otsu算法的最佳閾值為雙峰谷底的最低點(diǎn)。當(dāng)葵花仁與葵花籽數(shù)量相當(dāng)時(shí)，其圖像的灰度直方圖呈現(xiàn)雙峰，此時(shí)通過二維Otsu算法取得的脫殼率接近正確值，而當(dāng)工作面中葵花仁占比較大時(shí)，其圖像的灰度直方圖不呈現(xiàn)雙峰特點(diǎn)，即沒有雙峰的谷底存在，此時(shí)使用二維Otsu算法獲得的最佳閾值為錯(cuò)誤的閾值，且二維Otsu算法只把圖像分割為前景與背景2類，無(wú)法區(qū)分孔洞部分，因而，二維Otsu算法無(wú)法給出準(zhǔn)確的分類結(jié)果。

基于標(biāo)記的分水嶺算法在正確選取各個(gè)目標(biāo)標(biāo)記點(diǎn)的同時(shí)可準(zhǔn)確針對(duì)多個(gè)目標(biāo)進(jìn)行分類，且對(duì)于目標(biāo)互相堆疊的情況有較好的適應(yīng)效果。而二維Otsu算法只針對(duì)圖像的灰度圖進(jìn)行分割，由于葵花籽反光現(xiàn)象的存在，單純通過灰度級(jí)閾值對(duì)圖像進(jìn)行分割無(wú)法準(zhǔn)確分割出目標(biāo)。本研究結(jié)合HSV顏色空間、Otsu算法與基于標(biāo)記的分水嶺算法對(duì)葵花籽脫殼機(jī)工作面的多種情況進(jìn)行試驗(yàn)，以確定本算法是有效的。

在上述3種情況下，二維Otsu算法與本方法所得的脫殼率對(duì)比結(jié)果如表1所示。為提高比較的準(zhǔn)確性，對(duì)2種算法均進(jìn)行中值濾波預(yù)處理。

表1 脫殼率測(cè)試結(jié)果

由表1可以看出，二維Otsu算法在葵花仁與葵花籽比例相當(dāng)時(shí)，由于其灰度直方圖出現(xiàn)明顯的波峰與波谷，此時(shí)取得的脫殼率誤差小于其他2種情況，但誤差仍然較大，本方法在3種情況中均可將誤差控制在1.4百分點(diǎn)以內(nèi)，可以滿足實(shí)際需求，該結(jié)果可驗(yàn)證上述理論分析的正確性。

4 結(jié)論

為減少脫殼機(jī)人工干預(yù)頻率，提高其脫殼效率，本研究提出一種基于圖像分割的葵花籽脫殼率估計(jì)方法，該方法具有在線非接觸式估計(jì)的特點(diǎn)。本研究的創(chuàng)新性在于利用計(jì)算機(jī)視覺技術(shù)，針對(duì)脫殼工作面圖像，通過圖像分割統(tǒng)計(jì)葵花籽與葵花仁所占的比例，估計(jì)脫殼率。葵花籽與葵花仁的相互堆疊、光照影響以及孔洞大量存在，導(dǎo)致難以準(zhǔn)確地進(jìn)行圖像分割。本方法在HSV彩色空間上，將葵花籽、葵花仁標(biāo)記圖構(gòu)建成1個(gè)目標(biāo)總標(biāo)記圖，然后引導(dǎo)分水嶺算法對(duì)工作面圖像進(jìn)行圖像分割，提高了葵花籽和葵花仁邊緣的分割精度，減少了錯(cuò)分的誤差率，提高了脫殼率估計(jì)精度。結(jié)果表明，對(duì)于多目標(biāo)、目標(biāo)相互堆疊且邊緣不清晰的圖像，本研究所提出的基于標(biāo)記圖引導(dǎo)的分水嶺算法相比二維Otsu算法自動(dòng)閾值分割算法具有更優(yōu)異的性能。