基于過渡區(qū)的皇帝柑圖像分割

摘要：針對過渡區(qū)的特點，提出一種局部鄰域二階差分的過渡區(qū)閾值圖像分割算法。該方法首先選取局部鄰域二階差分較大的像素作為過渡區(qū)的像素點，再對過渡區(qū)進行填充，最后剔除過渡區(qū)中的背景點，獲得圖像中目標。為了檢驗該算法的有效性，采用分類誤差、假陽性率、重疊系數(shù)和運算速度等4個指標與經(jīng)典算法進行比較，結(jié)果顯示，該算法具有更快的運行速度和更好的提取皇帝柑圖像目標的性能。

關(guān)鍵詞：局部鄰域二階差分;皇帝柑;過渡區(qū);圖像分割

中圖分類號： TP391.41 ?文獻標志碼： A ?文章編號：1002-1302（2019）14-0248-03

我國水果總產(chǎn)量雖然位居世界第一，但是出口量不足總產(chǎn)量的5%，且售價約為國際平均售價的1/2[1]，主要原因之一是對采摘的水果沒有進行等級分揀。針對這種情況，基于圖像處理的水果等級分類方法不斷涌現(xiàn)。文獻[2-7]分別將色差分量、鄰差和、支持向量機、對數(shù)相似度約束、邊緣檢測和框架檢測理論應(yīng)用于水果圖像分割。文獻[8-10]分別采用色差分量、Canny算子進行柑橘圖像分割。近年來，基于過渡區(qū)的圖像分割算法成為研究熱點之一。文獻[11]對過渡區(qū)的相關(guān)文獻進行綜述，并將過渡區(qū)的相關(guān)文獻分為3類：第一類是考慮灰度變化幅度，如文獻[12]提出了基于韋伯定律的過渡區(qū)提取算法，文獻[13]提出了基于有效平均梯度（effective average gradient，EAG）的過渡區(qū)提取算法，該方法首先采用2個灰度剪切函數(shù)對圖像進行處理，得到2個EAG（L）～L曲線，再通過計算2條曲線的峰值確定閾值區(qū)間，灰度級位于該閾值區(qū)間的像素就構(gòu)成了圖像的過渡區(qū)域;第二類是考慮灰度變化頻率，如文獻[14]提出了基于局部熵（local entropy，LE）的過渡區(qū)提取算法，該算法先計算圖像的每個像素點對應(yīng)的局部熵，構(gòu)成熵矩陣，再選取某種規(guī)則確定熵閾值，最后由熵大于該閾值的像素點構(gòu)成圖像的過渡區(qū)域;第三類是考慮灰度變化幅度和頻率，如文獻[15]結(jié)合灰度復雜度和差異度提取過渡區(qū)。針對已有文獻沒有采用基于過渡區(qū)的閾值分割算法分割水果圖像的情況，本研究將基于局部鄰域二階差分的過渡區(qū)圖像分割算法引入到水果圖像的分割中。

1 主要研究思路

由于文獻[13]提出的有效平均梯度法和文獻[14]提出的局部熵法對噪聲圖像敏感且算法的復雜度較高，因此本研究提出基于局部鄰域二階差分的過渡區(qū)提取算法，該算法的基本思路為首先提取圖像的過渡區(qū)，再對過渡區(qū)進行填充，然后去除過渡區(qū)中的背景點，得到分割結(jié)果。本研究算法提取的圖1-a過渡區(qū)如圖1-b所示，過渡區(qū)把目標包圍在中間;填充過渡區(qū)后如圖1-c所示，剔除圖1-c中過渡區(qū)的背景點后如圖1-d所示;根據(jù)圖1-d獲得的圖像目標分類結(jié)果如圖1-e所示。

2 基于局部鄰域二階差分的過渡區(qū)提取算法

2.1 局部鄰域二階差分

3.3 試驗結(jié)果與分析

通過試驗檢驗本研究方法在含有高光、陰影和葉子的圖像中提取皇帝柑的效果。將本研究方法的分割效果與文獻[13-14]提出的算法作對比試驗。采用分類誤差（ME）、假陽性率（FPR）、疊加系數(shù)（OI）和運行時間4個指標檢驗分割效果。參考圖像是采用MATLAB提供的函數(shù)roipoly人工分割獲取的。

本研究算法對測試圖像分割結(jié)果如圖2所示， 在含有高光、陰影和葉子的皇帝柑圖像中能夠較好地提取圖像中的目標，而文獻[13-14]都存在較為嚴重的過分割現(xiàn)象。表1的數(shù)據(jù)顯示，本研究算法的平均分類誤差為11.70%，而文獻[13]、文獻[14]的平均分類誤差分別為18.87%、19.29%。表2的數(shù)據(jù)顯示，本研究算法的平均假陽性率為17.45%，而文獻[13]、文獻[14]的平均假陽性率分別為20.03%、19.10%。表3的數(shù)據(jù)顯示，本研究算法的平均疊加系數(shù)為78.37%，而文獻[13]、文獻[14]的平均疊加系數(shù)分別為63.90%、63.59%。表4的數(shù)據(jù)顯示，本研究算法的平均運行時間為0.245 7 s，而文獻[13]、文獻[14]的平均運行時間分別為0.594 3、0.750 7 s。本研究算法的平均運行時間分別只有文獻[13]和文獻[14]的41.34%、32.73%。試驗結(jié)果表明，本研究算法比文獻[13]和文獻[14]運行速度快，且分割圖像目標更準確。

4 結(jié)論

由于有效平均梯度法和局部熵法對噪聲圖像敏感且算法的復雜度較高，本研究提出了基于局部鄰域二階差分的過渡區(qū)閾值圖像分割算法，該方法首先選取局部鄰域二階差分較大的像素作為過渡區(qū)的像素點，再剔除填充后的過渡區(qū)中背景點，最后獲得圖像中目標。為了檢驗本研究算法的有效性，對比分析本研究算法與經(jīng)典的過渡區(qū)閾值圖像分割算法的分割效果，結(jié)果顯示，該算法具有更快的分割速度和更好的分割含有高光、陰影和葉子的皇帝柑圖像的性能。

參考文獻：

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

[2]趙德安，劉曉洋，陳 玉，等. 蘋果采摘機器人夜間識別方法[J]. 農(nóng)業(yè)機械學報，2015，46（3）：15-22.

[3]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)機械學報，2012，43（11）：214-219.

[4]張春龍，張 楫，張俊雄，等. 近色背景中樹上綠色蘋果識別方法[J]. 農(nóng)業(yè)機械學報，2014，45（10）：277-281.

[5]趙瑤池，胡祝華. 基于對數(shù)相似度約束Otsu的自然場景病害果實圖像分割[J]. 農(nóng)業(yè)機械學報，2015，46（11）：9-15.

[6]黃 辰，費繼友. 基于圖像特征融合的蘋果在線分級方法[J]. 農(nóng)業(yè)工程學報，2017，33（1）：285-291.

[7]Kaushik D，Suny A H. Shadow detection and removal based on YCbCr color space[J]. Smartcr，2014，4（1）：23-33.

[8]蔡健榮，周小軍，李玉良，等. 基于機器視覺自然場景下成熟柑橘識別[J]. 農(nóng)業(yè)工程學報，2008，24（1）：175-178.

[9]彭 輝，文友先，吳蘭蘭，等. 采用自適應(yīng)Canny算子的樹上柑橘圖像邊緣檢測[J]. 計算機工程與應(yīng)用，2011，47（9）：163-166.

[10]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[J]. 農(nóng)業(yè)工程學報，2008，24（3）：21-24.

[11]章毓晉. 圖像分割中基于過渡區(qū)技術(shù)的統(tǒng)計調(diào)查[J]. 計算機輔助設(shè)計與圖形學學報，2015，27（3）：379-387.

[12]鄒小林，馮國燦. 基于韋伯定律的過渡區(qū)提取及閾值分割[J]. 科學技術(shù)與工程，2013，13（15）：4217-4222.

[13]章毓晉. 過渡區(qū)和圖像分割[J]. 電子學報，1996，24（1）：12-17.

[14]Yan C X，Sun N，Zhang T X. Local entropy-based transition region extraction and thresholding[J]. Pattern Recognition Letters，2003，24（16）：2935-2941.

[15]吳 濤，楊俊杰. 融合局部特征的圖像過渡區(qū)提取與閾值化[J]. 計算機應(yīng)用，2013，33（1）：40-43，52.

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

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

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