基于支持向量機的葉片圖像分割

吳張倩　汪慶

摘? 要：針對自然環(huán)境下的葉片圖像分割，提出了一種基于支持向量機的葉片圖像分割算法。該方法首先將圖像少量像素點分別標記為葉片前景樣本和葉片背景樣本，然后根據(jù)樣本數(shù)據(jù)建立支持向量機分類決策模型，最后根據(jù)預測模型對整個圖像像素點進行分類，將葉片圖像從背景中分割出來。實驗結(jié)果表明，該方法能夠?qū)蟹垂鈪^(qū)域的葉片實現(xiàn)準確分割，相比基于聚類的葉片分割算法分割精度更好，算法耗費時間更短。

關(guān)鍵詞：葉片分割;支持向量機;自然環(huán)境;反光區(qū)域

中圖分類號：TP391.41? ? ?文獻標識碼：A

Leaf Image Segmentation based on Support Vector Machine

WU Zhangqian， WANG Qing

Abstract： For leaf image segmentation in natural environment， this paper proposes a leaf image segmentation algorithm based on support vector machine. Firstly， a small number of image pixels are marked as leaf foreground samples and leaf background samples. Then， a classification decision model of support vector machine is established according to the sample data. Finally， the entire image pixels are classified according to the prediction model， and the leaf image is segmented from the background. Experimental results show that the proposed method can accurately segment the leaves with reflective areas. Compared with the clustering-based leaf segmentation algorithm， it has better accuracy in segmentation and takes less time.

Keywords： leaf segmentation; support vector machine; natural environment; reflective area

1? ?引言（Introduction）

葉片是植物展現(xiàn)的重要外部特征，葉片識別對植物資源普查具有重要意義。準確地分割出葉片區(qū)域，分析葉片包含的特征信息是一種最直觀可行的識別植物種類的方法。自然環(huán)境中的葉片圖像易于獲取，但圖像背景較為復雜，難以準確分割。因此，自然環(huán)境中的葉片分割算法一直是近年來該領(lǐng)域研究的重難點問題。李余康等[1]使用遷移模型ResNet101結(jié)合DeepLab v3+語義分割模型實現(xiàn)自然光照環(huán)境中的葡萄葉片圖像的分割;喬虹等[2]使用Mask R-CNN實現(xiàn)了自然環(huán)境中不同品種葡萄葉片圖像的分割;趙艷杰等[3]使用引入雙通道注意力機制的U?Net網(wǎng)絡實現(xiàn)對數(shù)據(jù)集中葉片圖像的分割;鄭艷梅等[4]使用BiseNet卷積神經(jīng)網(wǎng)絡結(jié)合引導濾波完成了蘋果葉片圖像的自動分割。

本文針對自然環(huán)境中的植物葉片圖像特點，提出了一種基于支持向量機的葉片圖像分割方法。該方法利用支持向量機易于計算小樣本、高維數(shù)據(jù)的特點，針對自然界中含有反光區(qū)域的葉片圖像，通過對獲取的少量樣本建立模型，對前景圖像和背景圖像進行分類預測，從而實現(xiàn)葉片圖像的分割。

2? 支持向量機與LIBSVM工具箱（Support vector machines and LIBSVM toolbox）

支持向量機是一種基于有監(jiān)督學習的優(yōu)化算法，在解決小樣本、非線性、高維模式等問題上有很好的效果。該模型基于結(jié)構(gòu)風險最小化原理，通過構(gòu)造一個N 維超平面作為決策曲面，使得正負樣本之間的分類間隔被最大化，通過對正負樣本集訓練分類模型，再將測試數(shù)據(jù)進行分類，從而達到對圖像進行分割的目的。

近年來，支持向量機算法在許多領(lǐng)域得到了成功的應用，如種子圖像分類[5]、去霧模型訓練[6]、人臉識別[7]等，現(xiàn)已成為機器學習和數(shù)據(jù)挖掘領(lǐng)域的重要工具。支持向量機算法的決策函數(shù)公式為：

（1）

其中，是樣本總數(shù)，是Lagrange算子，是核函數(shù)。

LIBSVM[8]是MAYANK等人開發(fā)的一個調(diào)試使用支持向量機的軟件包。該軟件包對支持向量機的參數(shù)調(diào)節(jié)相對比較少，提供了很多默認參數(shù)，利用該軟件包可以較快速地進行支持向量機相關(guān)的實驗，利用函數(shù)自帶的參數(shù)可以對很多問題進行快速調(diào)試。LIBSVM模型訓練函數(shù)為：

（2）

式（2）中，模型訓練函數(shù)前兩個參數(shù)分別代表訓練標簽和訓練特征，第三個參數(shù)用于設置核函數(shù)參數(shù)。核函數(shù)類型參數(shù)為“-t”，“0”代表線性核函數(shù)，“1”代表多項式核函數(shù)，“2”代表徑向基核函數(shù)，“3”代表Sigmoid核函數(shù)。核函數(shù)設置默認類型為“-t 2”，即徑向基核函數(shù);針對多項式核函數(shù)，其degree默認設置為“3”，本文使用“-t 1 -d 1”實現(xiàn)。

LIBSVM分類預測函數(shù)為：

（3）

式（3）中，模型預測函數(shù)返回的是訓練集預測后得到的標簽向量，前兩個參數(shù)分別代表訓練樣本的標簽和訓練樣本的特征，第三個參數(shù)為已訓練得到的模型。

3? 基于支持向量機的葉片圖像分割（Leaf image segmentation based on support vector machine）

本文使用支持向量機模型對葉片圖像進行分割，模型本質(zhì)就是對像素點進行分類。為了方便像素分類，本文沒有使用顏色空間變換算法，而是直接使用像素點的RGB數(shù)值作為分類特征。首先，算法在葉片圖像的區(qū)域選取若干個像素點作為前景特征點，再選取其他區(qū)域若干個像素點的泥土、枯葉、碎石等作為背景特征點;其次，對選取的前景和背景樣本設置相應的標簽1和0，即將葉片樣本標簽設置為1，將背景樣本標簽設置為0;然后使用svmtrain函數(shù)訓練支持向量機模型，最后使用svmpredict函數(shù)預測得到前景和背景的標簽對整個圖像的像素進行分類，從而達到對整個圖像分割的目的。

3.1? ?前景和背景獲取

Step 1：分別初始化兩個N×3的矩陣A和B，用于存放前景和背景的樣本數(shù)據(jù)。

Step 2：前景訓練數(shù)據(jù)集。隨機選取前景的N 個樣本點，對應的RGB值存在對應的矩陣列。

Step 3：背景訓練數(shù)據(jù)集。隨機選取背景的N 個樣本點，對應的RGB值存在對應的矩陣列。

3.2? ?建立支持向量機模型

Step 1：訓練標簽集。對前景、背景訓練標簽分別設置1和0。

Step 2：生成訓練數(shù)據(jù)集合，包括前景訓練數(shù)據(jù)集和背景訓練數(shù)據(jù)集。

Step 3：核函數(shù)參數(shù)選取。本算法使用多項式核函數(shù)，并設置degree為1。

3.3? ?預測及分割

Step 1：預測前景和背景的標簽。

Step 2：根據(jù)預測的標簽對整個圖像進行分類，分割整個圖像。

4? ?實驗結(jié)果分析（Analysis of results）

本文實驗的仿真實驗環(huán)境為：i5-3.20 GHz CPU 8 GB內(nèi)存;Windows 7 64 位操作系統(tǒng);MATLAB R2010b;libsvm-3.25軟件包。

為了更好地使用LIBSVM開發(fā)包，需要將開發(fā)包解壓放置于MATLAB安裝目錄的toolbox文件下，并在環(huán)境變量配置中設置路徑。預先安裝Microsoft Visual Studio 2010旗艦版作為C++編譯器，使用make命令編譯生成libsvmread.mexw64、libsvmwrite.mexw64、svmtrain.mexw64、svmpredict.mexw64四個文件。為避免與MATLAB自帶工具箱支持向量機文件沖突，我們將svmtrain.mexw64、svmpredict.mexw64這兩個文件分別重命名為libsvmtrain.mexw64和libsvmpredict.mexw64。

算法分割對象為自然環(huán)境中獲取的植物葉片，圖像分辨率為300×400，選用三幅：不含反光區(qū)域的葉片圖像記為葉片1，如圖1（a）所示;含有局部反光區(qū)域的葉片圖像記為葉片2，如圖2（a）所示;含有較大面積反光區(qū)域的葉片圖像記為葉片3，如圖3（a）所示。

4.1? ?實驗一

對葉片圖像中的20 組像素點樣本分別標記前景和背景，然后使用支持向量機模型對葉片圖像進行分割。

4.2? ?實驗二

本部分內(nèi)容為葉片圖像分割的對比實驗，使用文獻[9]中的葉片分割算法實現(xiàn)，記為EXG_Kmeans算法。該算法使用K均值聚類算法Kmeans，葉片圖像特征提取選取超綠特征EXG，利用超綠特征通道實現(xiàn)聚類。其他聚類參數(shù)設置如下：圖像分割轉(zhuǎn)化為二分類問題，將分割區(qū)域nColors設置為2;距離distance參數(shù)設置為默認的平方歐幾里得距離sqEuclidean，即每個質(zhì)心是該集群中點的平均值;重復聚類的次數(shù)Replicates參數(shù)設置為3。

4.3? ?實驗三

本部分內(nèi)容為葉片圖像分割的另一種對比實驗，使用文獻[10]中的葉片分割算法實現(xiàn)，記為NDI_FCM算法。該實驗算法使用模糊聚類算法FCM，葉片圖像特征使用顏色特征NDI，利用該特征通道實現(xiàn)聚類。FCM聚類算法的相關(guān)參數(shù)設置如下：算法聚類中心個數(shù)設置為2;最大迭代次數(shù)設置為100。

圖1—圖3為使用三種算法對三幅圖像進行分割的實驗過程，其中圖（a）代表自然環(huán)境中獲取的含有不同反光區(qū)域的葉片圖像;圖（b）中“▲”形表示標記的前景像素點，“●”形表示標記的背景像素點;圖（c）是使用本文算法的分割效果圖;圖（d）表示使用EXG_Kmeans算法的分割效果圖;圖（e）表示使用NDI_FCM算法的分割效果圖。

從實驗結(jié)果可以看出，圖1中，在自然環(huán)境中將不含有反光區(qū)域的葉片分割，三種分割算法的結(jié)果圖1（c）、圖1（d）和圖1（e）均取得了令人滿意的分割效果。圖2中，本文使用的分割算法能夠?qū)⒑芯植糠垂鈪^(qū)域的葉片正確分割，而使用EXG_Kmeans算法和NDI_FCM算法的分割結(jié)果圖2（d）和圖2（e）沒有將葉片中含有反光的區(qū)域正確分割。圖3中，本文使用的分割算法能夠?qū)⒑休^大面積反光區(qū)域的葉片正確分割;而使用EXG_Kmeans算法的分割結(jié)果圖3（d）將葉片中含有的較大面積反光區(qū)域錯分為背景區(qū)域，這些反光區(qū)域空洞較大，即使利用數(shù)學形態(tài)學修正也很難完全修復，而且會影響邊緣區(qū)域的細節(jié)特征;另一種NDI_FCM算法的分割結(jié)果圖3（e）沒有將背景區(qū)域正確分割。

本文算法分割結(jié)果圖1（c）、圖2（c）和圖3（c）能夠?qū)⑷~片圖像從自然背景中正確分割出來，對于圖2（a）和圖3（a）的葉片含有反光區(qū)域的情況，本文算法仍然能夠?qū)⑷~片正確分割出來，并且沒有進行濾波、形態(tài)學處理，保留了葉片的原始細節(jié)，有利于后續(xù)的特征提取。該算法對樣本點進行模型訓練，通過訓練的支持向量機算法模型對整個圖像的像素進行分類，使用前景樣本和背景樣本共40 個像素對整個圖片12萬個像素點進行分類，從而完成對自然環(huán)境中葉片目標的分割。本文實驗所用的三種葉片圖像分割算法時間對比如表1所示，相比EXG_Kmeans算法和NDI_FCM算法兩種聚類算法，本文算法耗費時間最短，能夠滿足葉片分割自動處理的實時性要求。

5? ?結(jié)論（Conclusion）

本文針對自然環(huán)境中的葉片圖像分割，提出了一種基于支持向量機的解決方法。首先對獲取的原始圖像的葉片和背景進行標記，然后對樣本像素RGB數(shù)據(jù)建立支持向量機模型，最后利用模型對圖像進行分類預測實現(xiàn)分割。實驗結(jié)果表明，該算法能夠通過少量樣本像素標記去除相關(guān)的葉片背景區(qū)域，提取葉片中的反光區(qū)域，保留區(qū)域特征細節(jié)，實現(xiàn)葉片圖像的分割。

參考文獻（References）

[1] 李余康，翟長遠，王秀，等.基于DeepLab v3+的葡萄葉片分割算法[J].農(nóng)機化研究，2022，44（02）：149-155.

[2] 喬虹，馮全，趙兵，等.基于Mask R-CNN的葡萄葉片實例分割[J].林業(yè)機械與木工設備，2019，47（10）：15-22.

[3] 趙艷杰，郭曉麗，劉洋，等.一種基于改進U-Net的植物圖像分割算法[J].中國傳媒大學學報（自然科學版），2021，28（03）：

32-40.

[4] 鄭艷梅，黃光耀，蘆碧波，等.結(jié)合深度學習和引導濾波的蘋果葉片圖像分割[J].中國農(nóng)業(yè)大學學報，2020，25（09）：112-120.

[5] 楊紅云，黃瓊，孫愛珍，等.基于卷積神經(jīng)網(wǎng)絡和支持向量機的水稻種子圖像分類識別[J].中國糧油學報，2021，36（12）：

144-150.

[6] 袁非牛，李志強，史勁亭，等.兩階段特征提取策略的圖像去霧[J].中國圖象圖形學報，2021，26（03）：568-580.

[7] 張敦鳳，高寧化，王姮，等.基于分塊LBP融合特征和SVM的人臉識別算法[J].傳感器與微系統(tǒng)，2019，38（05）：154-156.

[8] MAYANK S， SUMIT S， JAYADEVA J. Minimal complexity machines under weight quantization[J]. IEEE Transactions on Computers， 2021， 70（8）：1189-1198.

[9] 張智韜，于廣多，吳天奎，等.基于無人機遙感影像的玉米冠層溫度提取及作物水分脅迫監(jiān)測[J].農(nóng)業(yè)工程學報，2021，

37（23）：82-89.

[10] 汪慶，杜煒，馬春，等.結(jié)合顏色差異和模糊聚類的葉片圖像分割[J].安慶師范大學學報（自然科學版），2018，24（02）：27-30.

作者簡介：

吳張倩（1995-），女，碩士，助教.研究領(lǐng)域：深度學習，音頻安全.

汪? ?慶（1983-），男，碩士，實驗師.研究領(lǐng)域：圖像處理.本文通信作者.