局部鄰域最大差分的過(guò)渡區(qū)皇帝柑圖像分割

鄒小林

摘要：為快速提取皇帝柑圖像中的目標(biāo)，提出一種局部鄰域最大差分的過(guò)渡區(qū)閾值圖像分割算法。該方法首先計(jì)算圖像中每個(gè)像素的局部鄰域最大差分;再對(duì)圖像的全部、局部最大差分進(jìn)行排序，選取值較大的像素作為過(guò)渡區(qū)的像素點(diǎn);然后對(duì)過(guò)渡區(qū)的內(nèi)部進(jìn)行填充，使過(guò)渡區(qū)與目標(biāo)合成一體，最后剔除過(guò)渡區(qū)中的背景點(diǎn)，獲得圖像的目標(biāo)。為檢驗(yàn)提出算法的有效性，采用分割誤差、假陽(yáng)性率、重疊系數(shù)和運(yùn)算時(shí)間共4個(gè)指標(biāo)與已有算法進(jìn)行比較，結(jié)果表明，本研究算法的平均分割誤差只有7.76%，比有效平均梯度法和局部熵法分別降低6.93%、6.24%，假陽(yáng)性率分別降低 3.40%、3.05%，重疊系數(shù)分別提高14.6%、11.62%;算法運(yùn)算速度分別提高約3.6、4.6倍。試驗(yàn)結(jié)果表明，本研究算法具有很好的提取皇帝柑圖像中目標(biāo)的性能。

關(guān)鍵詞：局部鄰域最大差分;皇帝柑;過(guò)渡區(qū);圖像分割;假陽(yáng)性率;重疊系數(shù)

中圖分類(lèi)號(hào)： TP391.41? 文獻(xiàn)標(biāo)志碼： A? 文章編號(hào)：1002-1302（2019）10-0235-04

2010年，我國(guó)水果總產(chǎn)量約占世界總產(chǎn)量的30%，產(chǎn)量位居世界第一，但我國(guó)水果出口量不足產(chǎn)量的5%，且售價(jià)只有國(guó)際平均售價(jià)的50%。出現(xiàn)這種狀況的主要原因是對(duì)采摘水果進(jìn)行處理的技術(shù)偏低[2]，沒(méi)有對(duì)銷(xiāo)售水果進(jìn)行等級(jí)分揀。針對(duì)這種情況，基于圖像處理[3]的水果等級(jí)分類(lèi)方法不斷涌現(xiàn)。文獻(xiàn)[4-10]分別采用色差分量、鄰差和、支持向量機(jī)、對(duì)數(shù)相似度約束、邊緣檢測(cè)和框架檢測(cè)等理論結(jié)合Matlab軟件提供的Otsu閾值算法分割水果圖像。關(guān)于柑橘圖像分割與識(shí)別的主要文獻(xiàn)分別采用色差分量、Canny算子結(jié)合Otsu閾值算法分割圖像[11-13]。針對(duì)已有文獻(xiàn)一般都采用Otsu閾值分割算法而沒(méi)有考慮其他閾值算法分割水果圖像，本研究提出基于局部鄰域最大差分的過(guò)渡區(qū)閾值圖像分割算法。

1 高光去除

圖像的高光點(diǎn)表示具有最高亮度值的圖像區(qū)域?；实鄹虉D像中的高光改變了皇帝柑的本色，會(huì)影響皇帝柑圖像中目標(biāo)提取、識(shí)別、分類(lèi)。因此須要去除皇帝柑圖像中的高光，作為皇帝柑圖像分割的預(yù)處理步驟之一。文獻(xiàn)[14]先把圖像從RGB顏色空間轉(zhuǎn)換為YUV顏色空間，再對(duì)亮度通道Y分別進(jìn)行歸一化處理、均衡化處理以及多項(xiàng)式函數(shù)轉(zhuǎn)換，提出的去除高光的算法步驟具體為（1）將圖像讀入R、G、B 3個(gè)通道。（2）將圖像從RGB顏色空間轉(zhuǎn)換為YUV顏色空間。（3）對(duì)亮度通道Y進(jìn)行歸一化處理。（4）對(duì)Y進(jìn)行直方圖均衡化處理。（5）對(duì)Y進(jìn)行多項(xiàng)式轉(zhuǎn)換。

2 有效平均梯度的過(guò)渡區(qū)提取算法

有效平均梯度的過(guò)渡區(qū)提取算法通過(guò)計(jì)算有效平均梯度[15]（EAG）以及對(duì)圖像的灰度進(jìn)行剪切來(lái)確定圖像的過(guò)渡區(qū)，設(shè)（i，j）∈S，其中S為像素坐標(biāo)的集合，f（i，j）為坐標(biāo)為（i，j）的圖像像素灰度值。有效平均梯度定義為

4 局部鄰域最大差分的過(guò)渡區(qū)提取算法

4.1 局部鄰域最大差分

由于過(guò)渡區(qū)位于圖像邊緣附近，所以處于過(guò)渡區(qū)像素的鄰域中一定存在前景或背景中的像素，與其鄰域內(nèi)的像素灰度值差的絕對(duì)值中一般都存在比較大的值。背景區(qū)域和目標(biāo)區(qū)域由于同質(zhì)性較好，因此像素與其鄰域內(nèi)像素的灰度值差的絕對(duì)值一般都比較小。

由公式（10）計(jì)算的局部鄰域最大差分的特點(diǎn)：（1）圖像非過(guò)渡區(qū)具有較高的同質(zhì)性，即非過(guò)渡區(qū)的局部鄰域最大差分較小;（2）圖像過(guò)渡區(qū)的像素灰度值變化大，即過(guò)渡區(qū)的局部鄰域最大差分較大。

4.2 局部鄰域最大差分的過(guò)渡區(qū)提取算法步驟

（2）將W中的局部鄰域最大差分由大到小排序;（3）將排在前面α%的像素選取出來(lái)構(gòu)成過(guò)渡區(qū)，α的取值范圍一般是10～30;（4）過(guò)渡區(qū)內(nèi)部像素點(diǎn)是圖像目標(biāo)點(diǎn)，其外部像素點(diǎn)是圖像背景點(diǎn)，采用Matlab提供的區(qū)域填充算法對(duì)過(guò)渡區(qū)的內(nèi)部進(jìn)行填充。填充后過(guò)渡區(qū)和目標(biāo)合成一個(gè)區(qū)域。（5）對(duì)第4步中的合成區(qū)域的四周向內(nèi)的每個(gè)方向剔除n個(gè)背景像素點(diǎn)，得到圖像目標(biāo)。n的取值范圍一般是1～5。

5 主要研究思路

主要分為2個(gè)部分：（1）圖像預(yù)處理，去掉圖像中的高光;（2）圖像分割。

本研究的圖像預(yù)處理采用文獻(xiàn)[14]中的算法去除圖像的高光。去除圖1-a中高光，結(jié)果如圖1-b所示。圖1-a中的R、G、B分量的取值范圍分別為[25，212]、[6，203]、[0，215]，而去除高光后的圖1-b的R、G、B分量的取值范圍分別為[23，78]、[4，154]、[0，181]。數(shù)據(jù)顯示亮度值大的高光點(diǎn)被消除。

圖像分割采用本研究提出的局部鄰域最大差分的過(guò)渡區(qū)提取算法，分割去除高光后的皇帝柑圖像。提取圖1-a中的過(guò)渡區(qū)結(jié)果，如圖1-c所示。圖1-c顯示過(guò)渡區(qū)把目標(biāo)包圍在中間。用Matlab函數(shù)imfill（）填充過(guò)渡區(qū)后的情況，如圖 1-d所示。對(duì)圖1-d中過(guò)渡區(qū)的背景點(diǎn)剔除后如圖1-e所示。圖1-e中比較容易發(fā)現(xiàn)圖的左下角和圖的正上方有一些背景點(diǎn)被清除。根據(jù)圖1-e獲得的圖像目標(biāo)分類(lèi)結(jié)果，即分割圖像1-a的結(jié)果，如圖1-f所示。

6 試驗(yàn)結(jié)果與分析

6.1 分割質(zhì)量評(píng)價(jià)準(zhǔn)則

采用分類(lèi)誤差（ME）[17]、假陽(yáng)性率（FPR）[18]和疊加系數(shù)（OI）[19]等作為分割效果評(píng)價(jià)標(biāo)準(zhǔn)。

BO和FO分別表示人工分割圖像的背景、目標(biāo);BT和FT分別是根據(jù)算法分割圖像的背景、目標(biāo);||表示集合中元素的個(gè)數(shù)。

6.2 結(jié)果與分析

采用2個(gè)試驗(yàn)（試驗(yàn)1圖像中不帶葉片，試驗(yàn)2圖像中帶葉片）來(lái)檢驗(yàn)本研究方法的分割效果。本研究方法與文獻(xiàn)[15-16]中提出的算法（有效平均梯度法、局部熵法）作對(duì)比試驗(yàn)。采用分割誤差[17]、假陽(yáng)性率[18]、疊加系數(shù)[19]、運(yùn)算時(shí)間等4個(gè)指標(biāo)檢驗(yàn)分割效果。圖2、圖3中的參考圖像是人工分割獲取的。

試驗(yàn)1的分割結(jié)果（圖2）表明，本研究算法能夠很好地提取圖像中的目標(biāo)（皇帝柑），而文獻(xiàn)[15-16]中提出的算法都存在較為嚴(yán)重的過(guò)度分割。由表1可知，本研究算法的平均分割誤差是 5.22%，而文獻(xiàn)[15-16]中算法的平均分類(lèi)誤差分別為10.51%、8.70%。由表2可知，本研究算法的平均假陽(yáng)性率是7.85%，而文獻(xiàn)[15-16]中算法的平均假陽(yáng)性率分別為9.83%、10.06%。由表3可知，本研究算法的平均疊加系數(shù)是87.27%，而文獻(xiàn)[15-16]中算法的平均疊加系數(shù)分別為73.79%、80.06%。由表4可知，本研究算法的平均運(yùn)行時(shí)間是0.167 3 s，而文獻(xiàn)[15-16]中算法的平均運(yùn)行時(shí)間分別為0.5937、0.755 7 s。本研究算法的平均運(yùn)行時(shí)間分別只有文獻(xiàn)[15-16]中算法的28.18%、22.14%。試驗(yàn)1的結(jié)果表明，本研究算法在分割含有高光和陰影的皇帝柑圖像時(shí)，比文獻(xiàn)[15-16]中算法的運(yùn)行速度快，且具有更好的提取圖像目標(biāo)的性能。

試驗(yàn)2的分割結(jié)果如圖3所示，本研究算法能夠很好地提取圖像中的目標(biāo)（皇帝柑），而文獻(xiàn)[15-16]中的算法均存在較為嚴(yán)重的過(guò)度分割，把很多皇帝柑的高光區(qū)域分割在背景中。由表5可知，本研究算法的平均分割誤差是10.30%，而文獻(xiàn)[15-16]中算法的平均分割誤差分別為18.87%、1929%。由表6可知，本研究算法的平均假陽(yáng)性率是1522%，而文獻(xiàn)[15-16]中算法的平均假陽(yáng)性率分別為2003%、19.10%。由表7可知，本研究算法的平均疊加系數(shù)是79.62%，而文獻(xiàn)[15-16]中算法的平均疊加系數(shù)分別為63.90%、63.59%。由表8可知，本研究算法的平均運(yùn)行時(shí)間是0.164 3 s，而文獻(xiàn)[15-16]中算法的平均運(yùn)行時(shí)間分別為0.594 3、0.750 7 s。本研究算法的平均運(yùn)行時(shí)間分別只有文獻(xiàn)[15-16]中算法的27.65%、21.89%。

綜合2組試驗(yàn)的結(jié)果表明，本研究算法的平均分割誤差是 7.76%，而文獻(xiàn)[15-16]中算法的平均分割誤差分別為14.69%、13.99%，因此本研究算法的分類(lèi)誤差比文獻(xiàn)[15-16]中算法分別下降6.93、6.24百分點(diǎn)。本研究算法的平均假陽(yáng)性率是11.54%，而文獻(xiàn)[15-16]中算法的平均假陽(yáng)性率分別為14.93%、14.58%，因此本研究算法的平均假陽(yáng)性率比文獻(xiàn)[15-16]中算法分別下降3.40、3.05 百分點(diǎn)。本研究算法的平均疊加系數(shù)是83.45%，而文獻(xiàn) [15-16]中算法的平均疊加系數(shù)分別為68.85%、71.83%，因此本研究算法的平均疊加系數(shù)比文獻(xiàn)[15-16]中算法分別提高14.60、11.62 百分點(diǎn)。本研究算法的平均運(yùn)行時(shí)間是0.166 s，而文獻(xiàn)[15-16]中算法的平均運(yùn)行時(shí)間分別為0.594、0.753 s，因此本研究算法的平均運(yùn)行時(shí)間比文獻(xiàn)[15-16]中算法分別下降0.428、0.587 s。本研究算法的平均運(yùn)行速度分別比文獻(xiàn)[15-16]中算法提高3.6、4.6倍。2組試驗(yàn)的結(jié)果表明，本研究算法能夠更好更快地提取皇帝柑圖像中的目標(biāo)，說(shuō)明本研究算法比文獻(xiàn)[15-16]中的算法具有更好地分割性能。

7 結(jié)論

針對(duì)在分割含有高光、陰影和葉子的皇帝柑圖像時(shí)，難以準(zhǔn)確提取圖像中的目標(biāo)這一問(wèn)題，本研究提出局部鄰域最大差分的過(guò)渡區(qū)閾值圖像分割算法，跟經(jīng)典的過(guò)渡區(qū)閾值圖像分割算法相比，該算法能夠很好地分割含有高光、陰影和葉子的皇帝柑圖像。

參考文獻(xiàn)：

[1]劉 曉. 基于多光譜圖像的柑橘糖度含量在線無(wú)損檢測(cè)研究[D]. 南昌：江西農(nóng)業(yè)大學(xué)，2011.

[2]張洪勝，張宗坤，劉萬(wàn)好，等. 我國(guó)有機(jī)水果的生產(chǎn)現(xiàn)狀及發(fā)展前景[J]. 煙臺(tái)果樹(shù)，2008（2）：9-10.

[3]祝謹(jǐn)惠. 基于圖像處理的水果物流分揀中的等級(jí)鑒定技術(shù)[J]. 物流技術(shù)，2014，33（3）：416-418.

[4]趙德安，劉曉洋，陳 玉，等. 蘋(píng)果采摘機(jī)器人夜間識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（3）：15-22.

[5]呂繼東，趙德安，姬 偉. 蘋(píng)果采摘機(jī)器人目標(biāo)果實(shí)快速跟蹤識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（1）：65-72.

[6]郭文川，梁 瑋，宋懷波. 基于鄰差和的農(nóng)產(chǎn)品X射線圖像分割算法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43（11）：214-219.

[7]張春龍，張 楫，張俊雄，等. 近色背景中樹(shù)上綠色蘋(píng)果識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（10）：277-281.

[8]趙瑤池，胡祝華. 基于對(duì)數(shù)相似度約束Otsu的自然場(chǎng)景病害果實(shí)圖像分割[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（11）：9-15.

[9]黃 辰，費(fèi)繼友. 基于圖像特征融合的蘋(píng)果在線分級(jí)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（1）：285-291.

[10]Deb K，Suny A H. Shadow detection and removal based on YCbCr Color Space[J]. Smartcr，2014，4（1）：23-33.

[11]蔡健榮，周小軍，李玉良，等. 基于機(jī)器視覺(jué)自然場(chǎng)景下成熟柑橘識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2008，24（1）：175-178.

[12]彭 輝，文友先，吳蘭蘭，等. 采用自適應(yīng)canny算子的樹(shù)上柑橘圖像邊緣檢測(cè)[J]. 計(jì)算機(jī)工程與應(yīng)用，2011，47（9）：163-166.

[13]周志宇，劉迎春，張建新. 基于自適應(yīng)Canny算子的柑橘邊緣檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2008，24（3）：21-24.

[14]Górny P. Highlight removal method for HDR images[J]. Ecology and Environmental Science，2009，21（10）：321-340.

[15]章毓晉. 過(guò)渡區(qū)和圖像分割[J]. 電子學(xué)報(bào)，1996，24（1）：12-17.

[16]Pun T. A new method for grey-level picture thresholding using the entropy of the histogram[J]. Signal Processing，1980，2（3）：223-237.

[17]Yasnoff W A，Mui J K，Bacus J W. Error measures for scene segmentation[J]. Pattern Recognition，1977，9（4）：217-231.

[18]Hu Q M，Hou Z，Nowinski W L. Supervised range-constrained thresholding[J]. IEEE Transactions on Image Processing，2006，15（1）：228-240.

[19]宋懷波，張衛(wèi)園，張欣欣，等. 基于模糊集理論的蘋(píng)果表面陰影去除方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（3）：135-141.