基于超像素的粘連谷粒分割算法

(南京理工大學(xué)計算機科學(xué)與工程學(xué)院,江蘇南京 210094)

0 引言

影響水稻產(chǎn)量的重要因素有稻谷形狀,該因素受基因控制,谷粒形態(tài)已成為水稻品種評價和選種的主要衡量指標之一。最初,是通過工作人員利用長度測量設(shè)備來得到谷粒形態(tài),但該方法耗時耗力。接著,出現(xiàn)了谷粒測量機器,但在測量之前,也需要工作人員對谷粒進行一定的預(yù)處理,仍需要耗費人力。隨著圖像處理技術(shù)的快速發(fā)展,目前基于圖像的谷粒形態(tài)測量方法已被廣泛使用[1]。在測量谷粒形態(tài)之前,首先需要將谷粒從圖像中準確分割出來。常用的分割方法包括OTSU、直方圖閾值法以及分水嶺分割等[2]。由于谷粒間存在不同程度的粘連,如果采用分水嶺分割,則會造成欠分割。另外,谷粒圖像受不同光照和背景影響,如果采用OTSU 和直方圖閾值法分割,則會造成分割錯誤。針對上述問題,本文提出了基于超像素的粘連谷粒分割算法。

1 基于超像素的粘連谷粒分割算法

1.1 超像素初步分割

超像素分割,就是把一些鄰近的,并且屬性相近的像素聚類成一個大的“像素”,稱之為超像素。這里像素的屬性,包括像素的亮度,顏色值,紋理等因素。對圖像作超像素分割的優(yōu)點是,可以降低處理復(fù)雜度,同時也可以去除噪聲點。

由于單個像素的RGB值易受噪聲影響,為提高分割準確率,本文采用SLIC(Simple Linear Iterative Clustering)超像素分割方法[3]對谷粒圖像進行初步分割,將其分為一定大小的超像素。SLIC超像素分割算法如下:

(1)輸入谷粒圖像I,假定該圖像中共包含N個像素,將圖像從RGB空間轉(zhuǎn)換到Lab空間。

(2)確定初始聚類中心。首先,輸入超像素的數(shù)目M,則定義作為初始聚類中心之間的距離。按S在圖像中確定M 個初始聚類中心,表示為Ci=(li,ai,bi,xi,yi),。

(3)調(diào)整初始聚類中心位置。如果初始聚類中心位于圖像中梯度較大位置,則初始聚類中心相當(dāng)于位于圖像邊緣,這會造成分割錯誤。因此,需要將初始聚類中心按其梯度值進行調(diào)整,將其移至梯度值較小的位置。例如,圖1是對谷粒圖像中的局部區(qū)域經(jīng)放大后的效果,由于A點位于圖像的邊緣,我們不希望初始聚類中心位于A 點,而B點和C點位于圖像中較為平穩(wěn)的位置,這兩個位置的梯度值都較小,可以將B 點和C 點作為初始聚類中心。

圖1 初始聚類中心的不同位置Fig.1 The different position of initial clustering centers

(4)利用k-means算法[4],計算聚類中心鄰域范圍(2S×2S)內(nèi)各像素到其之間的距離,并將像素歸類到與其距離最近的初始聚類中心。

圖2 SLIC 分割結(jié)果Fig.2 The segmentation result of SLIC

像素到聚類中心之間的距離定義為:

其中,i為第i個聚類中心,j是第j個像素點,Ns等于步長S,Nc為顏色分量的最大距離。

(5)迭代運算。對每個新得到的簇重新計算其聚類中心,當(dāng)聚類中心不再變化,則聚類結(jié)束,輸出聚類結(jié)果。

圖2顯示了利用SLIC超像素分割的結(jié)果,從圖中可見,有的單個谷粒被分割為一個超像素,有的則被分割成多個超像素。接下來,需要對谷粒部分利用超像素分割結(jié)果進行進一步分割。

1.2 谷粒分割

谷粒的顏色是黃色,而黃色的特點是像素的紅色,綠色和藍色三個分量中,紅色和綠色的值要大于藍色,利用該特點,我們可以在超像素分割基礎(chǔ)上對谷粒作進一步分割。

圖3 四種算法的分割結(jié)果Fig.3 The segmentation results of four algorithms

表1 四種算法的分割準確率 (%)Tab.1 The segmentation accuracy of four algorithms (%)

假定谷粒圖像的顏色用RGB空間表示,即圖像中各像素表示為(R,G,B)三基色值,我們先將RGB空間變換到(R-B,G-B)空間,即像素點采用(rb,gb)兩個數(shù)值表示。

接著,統(tǒng)計各超像素塊中rb和gb分別大于閾值的像素的數(shù)目nrg,實驗發(fā)現(xiàn),谷粒中像素的rb要大于gb。本文將滿足式(6)的像素統(tǒng)計進nrg中:

其中,threshold1和threshold2分別定義35和20。

得到nrg之后,計算各超像素的比值ratio:

其中,n為超像素塊中像素的總數(shù)。

我們可以假定,當(dāng)超像素為谷粒時,其中大部分像素應(yīng)該滿足式(6),即ratio值應(yīng)該偏大,而當(dāng)超像素為背景時,則其ratio值應(yīng)該偏小。因此,我們將ratio值大于0.5的超像素作為谷粒,否則作為非谷粒。

2 實驗結(jié)果

為驗證本文算法的有效性,我們將本文算法與直方圖閾值法,OTSU,以及分水嶺分割法進行了對比實驗。圖3顯示了利用以上4種算法得到的分割結(jié)果。從圖3可見,本文算法的分割效果最好。另外,本文選取了不同光照、尺度下的谷粒圖像,利用四種算法進行分割實驗,得到表1所示的分割準確率[5]。從表1可見,本文算法的平均分割準確率為94%,在四種算法中最高。