基于改進(jìn)PCNN的番茄植株夜間圖像分割算法

項(xiàng) 榮 張杰蘭

(中國(guó)計(jì)量大學(xué)質(zhì)量與安全工程學(xué)院，杭州 310018)

0 引言

果蔬采摘機(jī)器人是當(dāng)前農(nóng)業(yè)自動(dòng)化領(lǐng)域的研究熱點(diǎn)[1]。視覺(jué)系統(tǒng)是果蔬采摘機(jī)器人的重要組成部分。在現(xiàn)有視覺(jué)系統(tǒng)研究中，對(duì)果實(shí)識(shí)別的研究較多[2-3]，而對(duì)莖稈等器官識(shí)別的研究較少。在果蔬自動(dòng)采摘過(guò)程中，果蔬采摘機(jī)器人精準(zhǔn)識(shí)別并準(zhǔn)確避開莖稈等障礙物的干擾，不僅可以有效提高生產(chǎn)效率，還可避免莖稈等障礙物對(duì)機(jī)械臂造成損壞。

果蔬植株圖像分割是實(shí)現(xiàn)果蔬莖稈等器官識(shí)別的前提。當(dāng)前,果蔬植株圖像分割主要聚焦于日間自然光照條件[4-5]。為延長(zhǎng)果蔬采摘機(jī)器人的作業(yè)時(shí)間，進(jìn)行果蔬植株夜間圖像分割算法研究很有必要。近年來(lái)，國(guó)內(nèi)外學(xué)者開展了夜間果蔬圖像分割算法的研究[6-8]。果蔬植株夜間圖像分割的主要難點(diǎn)[9-10]：圖像采集距離的變化造成光照條件變化、夜間主動(dòng)照明在相機(jī)視場(chǎng)范圍內(nèi)光照強(qiáng)度不均勻、枝葉遮擋形成陰影、主動(dòng)照明形成光斑等。

脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse coupled neural network,PCNN)被稱為第三代新型神經(jīng)網(wǎng)絡(luò)，以單個(gè)像素為神經(jīng)元，并在相似的神經(jīng)元間建立聯(lián)系，通過(guò)脈沖縮小相似神經(jīng)元間的距離，使目標(biāo)和背景區(qū)域鄰域中相似像素都能保持很好的連續(xù)性[11-12]，從而可使目標(biāo)像素更完整地被分割。PCNN的特點(diǎn)非常適用于果蔬植株夜間圖像分割，但傳統(tǒng)PCNN模型參數(shù)為人工設(shè)置，較為繁瑣，且PCNN迭代次數(shù)多。雖然部分研究應(yīng)用最大類間方差(Maximum inter-class variance)算法(Otsu算法)對(duì)PCNN模型進(jìn)行了改進(jìn)，如胡蓉等[13]以O(shè)tsu算法所獲閾值作為PCNN模型閾值方程中的初始閾值，張松等[14]應(yīng)用改進(jìn)Otsu算法作為簡(jiǎn)化PCNN模型迭代過(guò)程中最佳圖像分割結(jié)果評(píng)價(jià)方法，但PCNN網(wǎng)絡(luò)參數(shù)仍依賴人工設(shè)置，且PCNN迭代次數(shù)仍較多。為實(shí)現(xiàn)PCNN模型參數(shù)的自適應(yīng)設(shè)置，提高算法運(yùn)行速度，本文提出一種基于Otsu算法的改進(jìn)PCNN算法，并將其應(yīng)用于番茄植株夜間圖像分割。

1 試驗(yàn)設(shè)備與方案

1.1 試驗(yàn)材料與設(shè)備

圖1 夜間照明系統(tǒng)

試驗(yàn)材料為大棚中種植的虹越大番茄植株。夜間照明系統(tǒng)的照明方式包括雙光源對(duì)角分布照明和雙光源上下分布照明。圖像采集距離分為300、450、600 mm。光源類型包括：2 W LED燈、5 W LED燈、10 W LED燈、15 W白熾燈、25 W白熾燈、18 W鹵素?zé)簟?8 W鹵素?zé)簟? W熒光燈和5 W熒光燈。為便于選擇光源布局和光源種類，參照文獻(xiàn)[7]，優(yōu)化和改進(jìn)了一種光源支架，如圖1所示。通過(guò)開關(guān)控制不同光源布局，共可實(shí)現(xiàn)3種光源布局方式：四角布局CEDF(長(zhǎng)×寬為700 mm×600 mm)、雙光源上下布局AB和雙光源對(duì)角布局CD或EF。試驗(yàn)中選擇AB和CD兩種布局進(jìn)行圖像采集。

圖像采集時(shí)間為2018年7月21、25、26日19:30—23:00。本研究主要是番茄植株莖稈識(shí)別和定位，使用Point Grey Research公司的Bumblebee2型雙目立體相機(jī)進(jìn)行番茄植株圖像采集，后續(xù)進(jìn)行番茄植株莖稈的定位研究。所采集圖像存儲(chǔ)為JPG格式(640像素×480像素)。雙目立體相機(jī)安裝于三腳架，通過(guò)1394連接線和采集卡MOGE 1394與計(jì)算機(jī)相連。計(jì)算機(jī)為 DELL E4300，內(nèi)存2 GB，CPU為Intel Core2 Duo P9400，Windows 7操作系統(tǒng)，編程環(huán)境為 Matlab R2016a。

在溫室大棚中分別采用9種不同的光照條件進(jìn)行番茄植株夜間圖像采集，共采集圖像849幅，圖像采集條件及數(shù)量如表1所示。

表1 圖像采集條件及數(shù)量

1.2 番茄植株夜間圖像分割算法

傳統(tǒng)PCNN模型由于網(wǎng)絡(luò)參數(shù)較多，針對(duì)不同的圖像需經(jīng)人工多次試驗(yàn)確定參數(shù)值。另外，對(duì)于復(fù)雜圖像，PCNN模型在圖像分割過(guò)程中迭代次數(shù)多且難以準(zhǔn)確確定，使得該模型的有效性和實(shí)時(shí)性較差。因此，本文對(duì)傳統(tǒng)PCNN模型進(jìn)行了改進(jìn)。

1.2.1改進(jìn)PCNN模型

PCNN模型在圖像分割過(guò)程中迭代次數(shù)的確定是關(guān)鍵問(wèn)題之一[15]，迭代次數(shù)過(guò)少，則圖像分割結(jié)果不準(zhǔn)確，迭代次數(shù)過(guò)多，則實(shí)時(shí)性較差。另外，由于決定不同神經(jīng)元激活時(shí)間的關(guān)鍵因素為外部激勵(lì)[16]，傳統(tǒng)PCNN圖像分割會(huì)由于過(guò)大的鏈接輸入項(xiàng)導(dǎo)致內(nèi)部活動(dòng)項(xiàng)過(guò)大，從而導(dǎo)致圖像相鄰迭代分割時(shí)可點(diǎn)火的像素點(diǎn)過(guò)多，圖像分割易出現(xiàn)欠分割現(xiàn)象。為確保PCNN圖像分割正確率的同時(shí)，減少迭代次數(shù)，改進(jìn)PCNN的實(shí)時(shí)性，本文對(duì)簡(jiǎn)化PCNN模型進(jìn)行了改進(jìn)，將PCNN模型中鏈接輸入項(xiàng)進(jìn)行加權(quán)。改進(jìn)后的PCNN模型如圖2所示。改進(jìn)后的PCNN數(shù)學(xué)模型為

Fij(n)=Sij

(1)

(0

(2)

Uij(n)=Fij(n)(1+βLij(n))

(3)

(4)

Eij(n)=e-αEEij(n-1)+VEYij(n)

(5)

式中Fij——神經(jīng)元的反饋輸入

Sij——輸入激勵(lì)信號(hào)，即圖像像素的灰度

Lij——鏈接輸入項(xiàng)

Uij——內(nèi)部活動(dòng)項(xiàng)

Wijkl——L通道鏈接權(quán)值

Ykl——鄰域像素點(diǎn)(k,l)的脈沖信息

Eij——?jiǎng)討B(tài)門限

Yij——脈沖輸出值n——迭代次數(shù)

i、j——像素的圖像坐標(biāo)值

k、l——鄰域像素圖像坐標(biāo)值

β——突觸間鏈接系數(shù)

VE——對(duì)應(yīng)的鏈接權(quán)放大系數(shù)

αE——?jiǎng)討B(tài)門限系統(tǒng)的迭代衰減時(shí)間常數(shù)

w——鏈接輸入項(xiàng)權(quán)值

圖2 改進(jìn)PCNN模型

傳統(tǒng)PCNN模型的初始閾值為0，故在第1次點(diǎn)火前，Eij(0)=0，第1次迭代時(shí)，Uij(1)=Sij，故Uij(1)≥Eij(0)，所有神經(jīng)元全部興奮點(diǎn)火，均獲得脈沖，輸出圖像的像素值全為1。之后，動(dòng)態(tài)閾值急劇增大，神經(jīng)元處于熄火狀態(tài)；然后，Eij(n)呈指數(shù)趨勢(shì)下降，直到Uij(2)≥Eij(1)，神經(jīng)元再次點(diǎn)火，完成一個(gè)周期。改進(jìn)后的PCNN模型，第1次迭代與傳統(tǒng)PCNN模型一致。在第2次迭代分割時(shí)，改進(jìn)PCNN模型中的Uij(n)會(huì)小于傳統(tǒng)PCNN模型中的Uij(n)，所以迭代結(jié)果背景像素誤分割成前景像素的情況會(huì)減少。因此，在改進(jìn)PCNN模型中，鏈接輸入項(xiàng)Lij加入權(quán)值后，在每次迭代時(shí)比傳統(tǒng)PCNN的數(shù)值小，即將PCNN迭代的“跨度”減小。由于番茄植株夜間圖像整體亮度和顏色差異不大，因此，減小迭代“跨度”能夠有效預(yù)防欠分割現(xiàn)象。

為驗(yàn)證改進(jìn)的PCNN模型加入權(quán)值后的優(yōu)越性，對(duì)2 W LED燈CD布局條件下采集的圖像進(jìn)行分割對(duì)比，如圖3所示。未加入權(quán)值的傳統(tǒng)PCNN模型對(duì)圖像進(jìn)行分割，在第4次迭代后得到最佳分割圖像結(jié)果，如圖3b所示。改進(jìn)的PCNN模型對(duì)圖像進(jìn)行分割，在第2次迭代后得到最佳圖像分割結(jié)果，如圖3c所示。由圖3可知，改進(jìn)鏈接輸入項(xiàng)使PCNN模型在減少迭代次數(shù)的同時(shí)，確保了PCNN圖像分割正確率。

圖3 鏈接輸入項(xiàng)加權(quán)前后分割效果對(duì)比

由于圖像采集距離的變化以及枝葉遮擋等因素造成夜間番茄植株圖像采集時(shí)光照條件變化，進(jìn)而導(dǎo)致圖像灰度的變化。為實(shí)現(xiàn)鏈接輸入項(xiàng)權(quán)值的自適應(yīng)設(shè)置，本文將Otsu算法獲得的閾值t作為權(quán)值設(shè)置的依據(jù)。同時(shí)，為實(shí)現(xiàn)權(quán)值的精確設(shè)置，本文設(shè)計(jì)了梯度比值K，并以K作為評(píng)價(jià)指標(biāo)，進(jìn)行權(quán)值選擇試驗(yàn)。梯度比值K的計(jì)算公式為

(6)

式中Fp1——權(quán)值1對(duì)應(yīng)的假陽(yáng)誤分割率

Fp2——權(quán)值2對(duì)應(yīng)的假陽(yáng)誤分割率

Fr1——權(quán)值1對(duì)應(yīng)的分割正確率

Fr2——權(quán)值2對(duì)應(yīng)的分割正確率

當(dāng)權(quán)值1修正到權(quán)值2時(shí)，若K減小，說(shuō)明假陽(yáng)誤分割率變化的幅度比分割正確率變化的幅度小，因此，權(quán)值可繼續(xù)按該趨勢(shì)變化；反之，則將權(quán)值1作為選定的權(quán)值。表2為基于K值的權(quán)值選擇試驗(yàn)結(jié)果。

表2 權(quán)值選擇試驗(yàn)結(jié)果

由表2可知，權(quán)值為t時(shí)的梯度比值K最小，故可將權(quán)值設(shè)置為t。

在改進(jìn)后的傳統(tǒng)PCNN模型中，仍存在3個(gè)網(wǎng)絡(luò)參數(shù)需要設(shè)置，分別為鏈接權(quán)放大系數(shù)VE、閾值迭代衰減時(shí)間常數(shù)αE和突觸間鏈接系數(shù)β。對(duì)于不同的圖像在進(jìn)行圖像處理時(shí)，需對(duì)VE、αE和β反復(fù)試驗(yàn)獲取合適的數(shù)值，費(fèi)時(shí)費(fèi)力。故本文進(jìn)一步研究了傳統(tǒng)PCNN模型參數(shù)自適應(yīng)設(shè)置的方法。

1.2.2傳統(tǒng)PCNN模型參數(shù)自適應(yīng)設(shè)置方法

在PCNN模型中，鏈接權(quán)放大系數(shù)VE決定著神經(jīng)元點(diǎn)火后的閾值幅度，其大小直接影響著神經(jīng)元的脈沖發(fā)放周期。閾值迭代衰減時(shí)間常數(shù)αE調(diào)節(jié)PCNN模型每次迭代后閾值的衰減量，控制著輸出的分辨率和迭代次數(shù)，αE越大，閾值衰減越快，分辨率越低，迭代次數(shù)越少；αE越小，閾值衰減越慢，分辨率越高，迭代次數(shù)越多。由式(5)可知，αE對(duì)Eij的影響較小。突觸間鏈接系數(shù)β控制著鄰域?qū)χ行纳窠?jīng)元提前點(diǎn)火的貢獻(xiàn)程度，β越大，神經(jīng)元的捕捉能力越強(qiáng)，引起脈沖同步發(fā)放的范圍越大[17-18]。

實(shí)現(xiàn)上述3個(gè)網(wǎng)絡(luò)參數(shù)的自適應(yīng)設(shè)置將使得PCNN模型不再需要人工試驗(yàn)獲取參數(shù)值。針對(duì)傳統(tǒng)PCNN模型，本文提出了基于Otsu算法的改進(jìn)PCNN模型[19-20]，將Otsu算法所獲閾值作為參數(shù)VE、αE、β的值。

使用Otsu算法所得閾值將復(fù)雜圖像中差距大的像素進(jìn)行初步分類，將閾值賦值給VE、αE和β。此時(shí)，改進(jìn)PCNN模型分割的對(duì)象僅為復(fù)雜圖像中Otsu算法無(wú)法準(zhǔn)確分類的像素，這將大幅度減少PCNN模型圖像分割的時(shí)間。因此，該賦值方式可避免參數(shù)選取中人為因素的干擾，同時(shí)也可減少圖像分割的計(jì)算量。

為驗(yàn)證Otsu算法自適應(yīng)參數(shù)設(shè)置的合理性，基于最大熵和視覺(jué)效果評(píng)價(jià)，將其與手動(dòng)設(shè)置的最優(yōu)參數(shù)進(jìn)行對(duì)比。將3個(gè)參數(shù)手動(dòng)設(shè)置為相同值，且所設(shè)置數(shù)值遞增變化，將所獲圖像分割結(jié)果與Otsu算法自適應(yīng)參數(shù)設(shè)置所獲圖像分割結(jié)果進(jìn)行對(duì)比。由于番茄植株夜間圖像的Otsu閾值范圍為[0.2,0.5]，故在手動(dòng)參數(shù)設(shè)置時(shí)，參數(shù)值在[0.1,0.7]范圍內(nèi)進(jìn)行設(shè)置。以圖3a為例，當(dāng)VE、αE、β值相同即三線重合時(shí)，對(duì)應(yīng)熵的結(jié)果如圖4所示。不同參數(shù)對(duì)應(yīng)圖像分割結(jié)果的熵變化如圖5所示。由圖4可見，當(dāng)手動(dòng)設(shè)置的參數(shù)值遞增時(shí)，最大熵遞減；Otsu閾值處于手動(dòng)設(shè)置參數(shù)值的中間位置，對(duì)應(yīng)最大熵也處于參數(shù)手動(dòng)設(shè)置對(duì)應(yīng)最大熵的中間位置。

圖4 自適應(yīng)參數(shù)與手動(dòng)設(shè)置參數(shù)為相同值對(duì)應(yīng)的最大熵

圖5 自適應(yīng)參數(shù)與手動(dòng)設(shè)置參數(shù)組合對(duì)應(yīng)的最大熵

為更全面地進(jìn)行參數(shù)手動(dòng)設(shè)置與Otsu算法自適應(yīng)參數(shù)設(shè)置圖像分割效果對(duì)比，在[0.1,0.7]范圍內(nèi)以0.1為步長(zhǎng)，分別手動(dòng)設(shè)置VE、αE和β的值，即每個(gè)參數(shù)取7個(gè)可能值，合計(jì)共73(343)種參數(shù)組合。從343種參數(shù)組合對(duì)應(yīng)的圖像分割結(jié)果中選出較優(yōu)的圖像分割結(jié)果，并將對(duì)應(yīng)的參數(shù)及最大熵與Otsu算法獲得的閾值及相應(yīng)的最大熵進(jìn)行對(duì)比。選出較優(yōu)的基于手動(dòng)參數(shù)設(shè)置獲得的分割圖像共77幅，其對(duì)應(yīng)的參數(shù)及最大熵分布如圖5所示。其中，大于Otsu算法自適應(yīng)參數(shù)設(shè)置所獲分割結(jié)果圖像最大熵的圖像有28幅，小于Otsu算法自適應(yīng)參數(shù)設(shè)置所獲分割結(jié)果圖像最大熵的有49幅，即Otsu算法參數(shù)自適應(yīng)設(shè)置獲得的圖像分割結(jié)果中有超過(guò)一半優(yōu)于參數(shù)手動(dòng)設(shè)置所獲得的較優(yōu)圖像分割結(jié)果。其余的雖最大熵小于參數(shù)手動(dòng)設(shè)置所獲圖像分割結(jié)果的最大熵，但基于視覺(jué)效果評(píng)價(jià)，其分割結(jié)果與參數(shù)手動(dòng)設(shè)置所獲圖像分割結(jié)果相近。

綜上，當(dāng)VE、αE、β手動(dòng)設(shè)置為相同值且參數(shù)值遞增變化時(shí)，對(duì)應(yīng)的最大熵遞減；而3個(gè)參數(shù)設(shè)置為Otsu算法閾值t時(shí)，對(duì)應(yīng)的最大熵始終處于手動(dòng)設(shè)置參數(shù)對(duì)應(yīng)的較優(yōu)最大熵范圍內(nèi)。此外，當(dāng)手動(dòng)設(shè)置的參數(shù)值連續(xù)變化時(shí)，對(duì)應(yīng)最大熵也連續(xù)變化，而Otsu算法閾值t始終在參數(shù)VE、αE、β手動(dòng)設(shè)置較優(yōu)值的范圍內(nèi)。因此，該結(jié)果說(shuō)明了使用Otsu算法對(duì)VE、αE、β值進(jìn)行自適應(yīng)設(shè)置的合理性。

1.2.3最佳圖像分割評(píng)價(jià)方法

在現(xiàn)有的關(guān)于PCNN模型的研究中，有效減少迭代次數(shù)從而提高圖像分割效率是關(guān)鍵。一般分割后圖像最大熵越大，說(shuō)明分割后從原始圖像中得到的信息量越大，分割圖像細(xì)節(jié)越豐富，因而圖像分割效果也越好。本文基于最大熵對(duì)改進(jìn)的PCNN模型進(jìn)行分割效果評(píng)價(jià)，以確定迭代次數(shù)[21-22]。

圖6為應(yīng)用改進(jìn)的PCNN模型進(jìn)行番茄植株夜間圖像迭代分割過(guò)程示例。圖6a～6e中，從上到下依次是圖像1、2、3、4。分別選擇在光照條件為2 W LED燈CD布局和28 W鹵素?zé)鬉B布局下采集的圖像作為示例，其中陰影及曝光區(qū)域已在圖6a中用標(biāo)注框標(biāo)出。由圖6可見，改進(jìn)PCNN模型可實(shí)現(xiàn)陰影及曝光區(qū)域的正確分割，同時(shí)在第2次迭代時(shí)圖像分割效果最佳。表3為圖6中4幅圖像分割結(jié)果對(duì)應(yīng)的最大熵。由表3可見，4幅圖像均是在第2次迭代時(shí)所得圖像分割結(jié)果的最大熵?？梢?，改進(jìn)PCNN模型在不同光照條件下可實(shí)現(xiàn)番茄植株夜間圖像的正確分割，且能夠減少迭代次數(shù)，提高了算法的實(shí)時(shí)性。

圖6 基于改進(jìn)PCNN模型的番茄植株夜間圖像迭代分割過(guò)程

表3 迭代過(guò)程中的最大熵

2 試驗(yàn)結(jié)果與討論

為驗(yàn)證改進(jìn)PCNN模型對(duì)番茄植株夜間圖像的分割性能，應(yīng)用本文算法對(duì)所采集的849幅番茄植株夜間圖像進(jìn)行分割試驗(yàn)。

2.1 基于目視及最大熵的圖像分割性能評(píng)價(jià)

由于番茄植株夜間圖像背景為較單一的黑色背景，因此，本文首先對(duì)比分析了基于固定閾值的黑色背景分割算法與改進(jìn)PCNN模型的分割效果，如圖7所示。結(jié)果表明，通過(guò)閾值去除黑色背景實(shí)現(xiàn)番茄植株圖像分割存在如下缺陷：不同光照條件下需設(shè)置不同的閾值；陰影區(qū)域內(nèi)的番茄植株莖稈被誤分割為黑色背景像素，如圖7b中紅色矩形框內(nèi)所示。改進(jìn)PCNN模型則可實(shí)現(xiàn)陰影區(qū)域內(nèi)番茄植株莖稈的正確分割，如圖7c中的紅色矩形框所示。

為檢驗(yàn)本文改進(jìn)PCNN模型的優(yōu)越性和有效性，對(duì)不同光照條件下采集的4幅圖像分別應(yīng)用改進(jìn)PCNN模型、Otsu算法、傳統(tǒng)PCNN模型進(jìn)行分割性能對(duì)比試驗(yàn)，圖像分割結(jié)果如圖8所示。

由圖8可知，Otsu算法無(wú)法實(shí)現(xiàn)陰影區(qū)域的正確分割；傳統(tǒng)PCNN模型對(duì)陰影區(qū)域的分割性能優(yōu)于Otsu算法，但分割不完整；改進(jìn)PCNN模型可實(shí)現(xiàn)不同光照條件下番茄植株圖像分割，且對(duì)番茄植株莖稈的細(xì)節(jié)分割更完整，尤其是對(duì)于被陰影遮擋處的莖稈以及番茄植株莖稈的二級(jí)和三級(jí)分枝分割較好。

表4為圖8中4幅圖像分割結(jié)果對(duì)應(yīng)的最大熵統(tǒng)計(jì)表。由表4可見，Otsu算法的圖像分割效果最差。傳統(tǒng)PCNN模型的圖像分割效果明顯優(yōu)于Otsu算法，但在圖像分割時(shí)需多次迭代得到最佳分割結(jié)果，耗時(shí)較長(zhǎng)。相對(duì)于傳統(tǒng)PCNN模型，改進(jìn)PCNN模型大大縮短運(yùn)算時(shí)間。

圖7 基于固定閾值的黑色背景分割算法與改進(jìn)PCNN模型的分割效果對(duì)比

圖8 圖像分割性能定性比較

表4 基于最大熵的圖像分割性能對(duì)比

2.2 基于分割正確率的圖像分割性能定量評(píng)價(jià)

為對(duì)改進(jìn)PCNN圖像分割模型的有效性進(jìn)行定量評(píng)價(jià)，基于分割正確率、假陰率及假陽(yáng)率對(duì)圖像分割結(jié)果進(jìn)行評(píng)價(jià)，并與Otsu算法及傳統(tǒng)PCNN模型進(jìn)行對(duì)比分析。對(duì)不同光照條件下采集的849幅番茄植株夜間圖像進(jìn)行對(duì)比試驗(yàn)，試驗(yàn)結(jié)果如表5所示。其中，假陰率為前景目標(biāo)像素誤分割為背景像素的概率，假陽(yáng)率為背景像素誤分割為前景目標(biāo)像素的概率。由于本研究是為后續(xù)莖稈識(shí)別和定位提供圖像分割基礎(chǔ)，為驗(yàn)證本文所提算法對(duì)番茄植株莖稈圖像分割的正確，表5為番茄植株圖像分割結(jié)果中莖稈的圖像分割結(jié)果。

表5 基于莖稈分割正確率的圖像分割性能對(duì)比

由表5可見，改進(jìn)PCNN模型的正確率最高，假陰率最低?；贠tsu算法的PCNN網(wǎng)絡(luò)參數(shù)自適應(yīng)調(diào)整方法不僅避免了繁瑣的參數(shù)手工調(diào)整過(guò)程，且確保了圖像分割的正確率。Otsu算法分割正確率最低是由夜間番茄植株圖像對(duì)應(yīng)的色差灰度圖非理想的雙峰分布造成。

另外，改進(jìn)PCNN模型的假陽(yáng)率高于傳統(tǒng)PCNN模型和Otsu算法，可能是由于改進(jìn)PCNN模型迭代次數(shù)減少，造成了部分像素欠分割。

為進(jìn)一步分析本文算法對(duì)光照變化的適應(yīng)能力，將改進(jìn)PCNN模型對(duì)849幅圖像的試驗(yàn)結(jié)果按光照條件進(jìn)行歸類，如圖9所示?？梢?，改進(jìn)PCNN模型對(duì)光照變化具有較好的適應(yīng)能力。此外，由圖9可見，改進(jìn)PCNN模型對(duì)圖像采集條件為28 W鹵素?zé)羯舷虏季帧D像采集距離為45 cm時(shí)，圖像分割正確率最高，這為照明系統(tǒng)的設(shè)計(jì)及工作距離的確定提供了試驗(yàn)依據(jù)。

2.3 圖像分割實(shí)時(shí)性評(píng)價(jià)

由表4、5可知，應(yīng)用改進(jìn)PCNN模型對(duì)849幅圖像進(jìn)行分割，均在第2次迭代時(shí)獲得最佳圖像分割效果，每幅圖像的平均分割時(shí)間為0.994 4 s。比較而言，傳統(tǒng)PCNN模型達(dá)到最佳圖像分割效果的迭代次數(shù)約為6，平均每幅圖像分割時(shí)間為10.461 0 s。因此，與傳統(tǒng)PCNN模型相比，改進(jìn)PCNN模型的實(shí)時(shí)性得到了顯著提升。與Otsu算法相比，改進(jìn)PCNN模型的實(shí)時(shí)性稍差，主要原因是改進(jìn)PCNN模型的運(yùn)算量大于Otsu算法，且需進(jìn)行兩次迭代。

圖9 在不同光照條件下基于改進(jìn)PCNN模型的夜間番茄植株圖像分割正確率

3 結(jié)論

(1)對(duì)傳統(tǒng)PCNN模型的鏈接輸入項(xiàng)進(jìn)行加權(quán)處理，可減小PCNN模型迭代的“跨度”，有助于提升PCNN模型的實(shí)時(shí)性。

(2)基于Otsu算法的改進(jìn)PCNN模型可實(shí)現(xiàn)參數(shù)自適應(yīng)設(shè)置，在避免手動(dòng)設(shè)置參數(shù)的同時(shí)，確保較高的圖像分割正確率。

(3)基于Otsu算法的改進(jìn)PCNN模型可實(shí)現(xiàn)番茄植株夜間圖像的有效分割。圖像分割正確率平均值為90.43%，優(yōu)于Otsu算法；每幅圖像平均分割時(shí)間為0.994 4 s，優(yōu)于傳統(tǒng)PCNN模型，略長(zhǎng)于Otsu算法的分割時(shí)間。