基于清晰度的茶葉嫩芽聚類分割方法

黃濤 方夢(mèng)瑞 夏華鵾 左亮亮 呂軍

摘要：針對(duì)自然環(huán)境下茶葉嫩芽圖像分割易出現(xiàn)過分割和欠分割等問題，提出一種基于清晰度評(píng)價(jià)和顏色聚類級(jí)聯(lián)的嫩芽圖像分割方法，并結(jié)合Tenengrad梯度評(píng)價(jià)和滑動(dòng)分割獲取清晰度較高的圖像區(qū)域，然后在RGB、HSV、Lab、YChCr顏色模型下進(jìn)行聚類分割。結(jié)果表明，選取Tenengrad梯度值的上四分位數(shù)作為清晰度初選閾值，漏選率為25%;在HSV顏色模型下，利用K-means聚類方法完成嫩芽圖像分割，晴天和陰天環(huán)境下嫩芽圖像分割精度分別為72.48%和77.83%，較直接K-means分割方法相比，假陽性率分別減少5.19%和2.03%。該方法能夠?qū)崿F(xiàn)自然環(huán)境下茶葉嫩芽圖像的有效分割，減少欠分割和過分割，為茶葉智能采摘提供理論參考。

關(guān)鍵詞：茶葉嫩芽;清晰度;聚類;圖像分割

中圖分類號(hào)：TP391

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（ 2020） 08-0154-04

D01：10.1408 8/j.cnki.issn0439-8114.2020.08.035

嫩芽采摘作為茶葉生產(chǎn)的首道工序，其采摘時(shí)間、效率和準(zhǔn)確率直接影響成品茶的質(zhì)量。人工采茶的方式已不能滿足當(dāng)前人們對(duì)茶葉質(zhì)量的要求。隨著“互聯(lián)網(wǎng)+農(nóng)業(yè)”的提出與應(yīng)用，基于機(jī)器視覺的茶葉智能采摘成為研究熱點(diǎn)。茶葉嫩芽圖像分割[1-3]主要是分析嫩芽與背景的顏色特征，通過提取有效的顏色因子完成嫩芽圖像分割，但大部分研究主要針對(duì)于室內(nèi)環(huán)境或單株情況[4.5]。

自然環(huán)境下茶葉生長(zhǎng)易受到外界環(huán)境等影響，嫩芽圖像分割算法普適性和魯棒性較差，且茶葉圖像采集時(shí)因遮擋、重疊和景深導(dǎo)致圖像清晰度不均，嫩芽模糊區(qū)域易造成過分割和欠分割問題。針對(duì)自然條件生長(zhǎng)的茶葉嫩芽采摘，提出一種基于清晰度的聚類分割方法，通過圖像滑塊清晰度評(píng)價(jià)初選目標(biāo)區(qū)域，然后通過K-means聚類實(shí)現(xiàn)嫩芽圖像分割，減少欠分割和過分割情況。

1 圖像清晰度評(píng)價(jià)

圖像采集時(shí)采用相機(jī)自動(dòng)對(duì)焦功能，相機(jī)的自動(dòng)對(duì)焦是通過相機(jī)內(nèi)部的微型驅(qū)動(dòng)馬達(dá)，自動(dòng)調(diào)節(jié)相機(jī)鏡頭和CCD之間的距離，保證像平面正好投影至CCD的成像表面，聚焦部分圖像清晰，離焦相對(duì)模糊。為較好地反映圖像質(zhì)量，設(shè)計(jì)清晰度評(píng)價(jià)函數(shù)作為衡量圖像品質(zhì)的標(biāo)準(zhǔn)之一，模糊圖像本質(zhì)是高頻分量的損失，完全聚焦的圖像比離焦圖像包含更多的細(xì)節(jié)信息。目前，圖像清晰度評(píng)價(jià)函數(shù)[6-8]主要包括梯度函數(shù)、灰度統(tǒng)計(jì)函數(shù)、頻譜函數(shù)等。在圖像處理中，一般認(rèn)為對(duì)焦好的圖像具有更尖銳的邊緣，故具有更大的梯度函數(shù)值。本研究采用Tenen-grad梯度法實(shí)現(xiàn)對(duì)圖像清晰度的評(píng)價(jià)，該算子運(yùn)用邊緣檢測(cè)思想，其原理是利用Sobel算子計(jì)算圖像在水平和垂直兩方向的梯度，通過進(jìn)行平方運(yùn)算以放大邊緣梯度，具體定義如下：

在圖像采集過程中，由于多目標(biāo)物距不同、曝光度不夠產(chǎn)生的噪聲和高亮目標(biāo)等因素的影響，直接對(duì)整幅圖像進(jìn)行清晰度的判定易造成誤聚焦，進(jìn)而影響后期的目標(biāo)區(qū)域選取和圖像分割質(zhì)量。利用區(qū)域滑塊完成對(duì)整幅圖像的清晰度評(píng)價(jià)，具體步驟如下：

1）根據(jù)原圖像長(zhǎng)寬比設(shè)定相同比例的矩形感興趣區(qū)域（ Region of interest，ROI）;

2）利用滑塊方式（圖1）獲取每個(gè)ROI區(qū)域的Tenengrad梯度值;

3）分析所有ROI區(qū)域Tenengrad梯度值特征;

4）根據(jù)步驟（3）中呈現(xiàn)特征選取合適的梯度閾值T，完成目標(biāo)區(qū)域的選擇，具體原則如下：

if Tenengrad（ i》T，ROI（ i）=ROI（i）

etse ROI（ i）=0

2 K-means聚類

聚類分析作為一種常見的無監(jiān)督學(xué)習(xí)算法，是將一個(gè)數(shù)據(jù)集劃分成若干個(gè)子集，每個(gè)子集作為一個(gè)簇，簇內(nèi)樣本盡可能相似，而簇與簇間樣本盡可能差異明顯。K-means是常見聚類分析算法之一，其主要步驟為：①設(shè)定類或組數(shù)，隨機(jī)初始化各類的中心點(diǎn);②計(jì)算每個(gè)數(shù)據(jù)點(diǎn)到各類中心點(diǎn)的距離;③將數(shù)據(jù)點(diǎn)歸為最近的中心點(diǎn)類組;④重新計(jì)算各類的中心點(diǎn)作為新的中心點(diǎn)，并重復(fù)完成步驟②至步驟④，直至各類中心點(diǎn)不再發(fā)生變化或小于設(shè)定閾值，迭代停止，即完成聚類。

3 圖像分割評(píng)價(jià)

為驗(yàn)證提出算法的有效性，對(duì)圖像分割結(jié)果進(jìn)行定量分析。將基于圖像的分割效果與手工分割效果進(jìn)行匹配分析，以精確率、假陽性率2個(gè)指標(biāo)進(jìn)行評(píng)價(jià)。定義如下：TP為目標(biāo)被識(shí)別成目標(biāo)的像素個(gè)數(shù)，F(xiàn)P為背景被識(shí)別成目標(biāo)的像素個(gè)數(shù)，F(xiàn)N為目標(biāo)被識(shí)別成背景的像素個(gè)數(shù)，TN為背景被識(shí)別成背景的像素個(gè)數(shù)。2個(gè)指標(biāo)具體定義如下：

精確率=TP/ TP+FPF（3）

假陽性率=FP/FP+TN（4）

4 基于清晰度的嫩芽聚類分割

4.1 茶葉圖像采集與軟硬件環(huán)境

為驗(yàn)證算法的普適性，選擇安徽省黃山市屯溪區(qū)、歙縣和祁門等地區(qū)茶場(chǎng)進(jìn)行圖像采集。在自然生長(zhǎng)狀態(tài)下，使用Nikon D90相機(jī)采集茶葉圖像40幅，其中陰天與晴天（光照度）環(huán)境下各20幅，以jpg格式存儲(chǔ)，圖像如圖2、圖3所示。為提高計(jì)算機(jī)處理速度，統(tǒng)一裁剪為664xl 000。在Lenovo啟天M4650臺(tái)式機(jī)[CPU型號(hào)Intel酷睿i5 6500，內(nèi)存4G，顯卡Inter GMA HD530，硬盤500 G]和Opencv3.3.0環(huán)境下完成茶葉圖像預(yù)處理、清晰度選擇與評(píng)價(jià)、聚類分割程序編制。

4.2 茶葉圖像清晰區(qū)域選擇

按照?qǐng)D像尺寸長(zhǎng)寬比選擇lOOx83矩形框?yàn)镽OI選擇區(qū)域框，橫向以10像素為步長(zhǎng)、縱向以7像素為步驟進(jìn)行滑動(dòng)分塊，共計(jì)7 644個(gè)ROI，提取每個(gè)ROI的Tenengrad梯度值并繪制箱型（圖4）。選擇箱型圖中下四分位數(shù)、中位數(shù)、上四分位數(shù)分別作為梯度閾值，對(duì)40幅圖像進(jìn)行清晰區(qū)域的選擇，并統(tǒng)計(jì)出平均目標(biāo)選中率、錯(cuò)選率、漏選率（表1）。其中，目標(biāo)選中率=（算法選中正確目標(biāo)數(shù)÷算法認(rèn)定目標(biāo)數(shù)）×100%;漏選率=（算法誤判的目標(biāo)數(shù)÷參考目標(biāo)數(shù)）x100%。在目標(biāo)選中滿足90%的情況下，選擇上四分位數(shù)作為閾值的目標(biāo)，漏選率最低，近其他閾值漏選率的1/2，因此，選擇上四分位數(shù)作為目標(biāo)清晰度篩選閾值。

4.3 茶葉圖像聚類分割

自然環(huán)境下茶葉生長(zhǎng)環(huán)境相對(duì)固定，陰天環(huán)境下設(shè)置K=3，而晴天環(huán)境下圖像曝光強(qiáng)，設(shè)置K=4，分別在RCB、HSV、Lab、YCbCr顏色模型下進(jìn)行K-means聚類分割?；赗GB、Lab和YCbCr的嫩芽圖像分割中出現(xiàn)較多的老葉被誤判為嫩芽，HSV顏色模型下嫩芽區(qū)域較為完整。對(duì)HSV模型下K-means聚類嫩芽部分進(jìn)行小目標(biāo)剔除和空洞填充，得到茶葉嫩芽圖像分割圖，如圖5至圖8所示。

4.4 茶葉嫩芽圖像分割評(píng)價(jià)

利用Tenengrad梯度值的上四分位作為閾值，完成對(duì)陰天和晴天各20幅圖像的清晰度區(qū)域選擇，然后利用HSV空間下茶葉嫩芽的K-means聚類分割。對(duì)每幅圖像分別統(tǒng)計(jì)分割精確率和假陽性率后取均值，如表2所示。

5 結(jié)論

針對(duì)自然環(huán)境下茶葉嫩芽圖像分割易受老葉、天氣等因素的影響，提出基于清晰度的茶葉嫩芽K-means聚類分割方法。試驗(yàn)結(jié)果表明，基于原圖的嫩芽K-means分割和基于清晰度的嫩芽K-means分割方法分割精確率平均可達(dá)75.16%和64.81%，假陽性率分別為2.44%和6.05%，尤其是對(duì)于陰天環(huán)境下，假陽性率降低到2.00%。該方法不僅有效地完成了自然環(huán)境（陰天和晴天）下茶葉嫩芽圖像分割，還減少了傳統(tǒng)圖像方法中過分割和欠分割等的影響，為后期自然環(huán)境下基于機(jī)器視覺的嫩芽采摘提供了理論依據(jù)。

參考文獻(xiàn)：

[1]汪建.結(jié)合顏色和區(qū)域生長(zhǎng)的茶葉圖像分割算法研究[J].茶葉科學(xué)，2011，31（1）：72-77

[2]唐仙，吳雪梅，張富貴，等.基于閾值分割法的茶葉嫩芽識(shí)別研究[J].農(nóng)業(yè)裝備技術(shù)，2013，39（6）：10-14.

[3]姚波，汪洋，李小瑞，等.自然環(huán)境下嫩芽與茶梗自動(dòng)分割方法研究[J]黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào)，2017，29（2）：114-117.

[4]劉志杰，田艷娜.楊亮亮，等.重疊條件下茶葉嫩芽的自動(dòng)檢測(cè)方法[J].中國(guó)體視學(xué)與圖像分析，2009（2）：129-132

[5]楊福增，楊亮亮，楊青.基于顏色和形狀特征的茶葉嫩芽識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（增刊）：119-123

[6]馮精武，喻擎蒼，蘆寧，等.調(diào)焦系統(tǒng)中數(shù)字圖像清晰度評(píng)價(jià)函數(shù)的研究[J].機(jī)電工程，2011，28（3）：354-356.

[7]李雪，江曼珊光學(xué)顯微成像系統(tǒng)圖像清晰度評(píng)價(jià)函數(shù)的對(duì)比[J].光學(xué)儀器，2018，40（1）：28-38

[8] REDONDO R， BUENO G. VALDIVIEZO J C，et al. Autofocus eval-uation for brightfield microscopy pathology[J].Journal of biomedi-cal optics， 2012. 17（3）：036008.

基金項(xiàng)目：安徽省高校自然科學(xué)研究項(xiàng)目（ KJHS2018BII）;國(guó)家級(jí)大學(xué)生創(chuàng)新訓(xùn)練計(jì)劃項(xiàng)目（201810375015;201710375006）;安徽省大學(xué)生創(chuàng)新訓(xùn)練計(jì)劃項(xiàng)目（201710375040; 201810375091）

作者簡(jiǎn)介：黃濤（1995-），男，安徽安慶人，在讀本科生，研究方向?yàn)閳D像識(shí)別，（電話）17805591298;通信作者，呂軍（1986-），男，河北滄州人，講師，主要從事農(nóng)業(yè)智能信息處理研究，（電話）15055986023（電子信箱）zstulvjun@126.com。