基于LAB空間和自適應(yīng)聚類的害蟲圖像分割方法

呂金娜

（河南科技學(xué)院,河南新鄉(xiāng)453003）

基于LAB空間和自適應(yīng)聚類的害蟲圖像分割方法

呂金娜

（河南科技學(xué)院,河南新鄉(xiāng)453003）

為了提高多種棉花害蟲圖像分割的效率與準(zhǔn)確度,提出一種基于LAB顏色空間的棉花害蟲普適K聚類害蟲圖像分割方案.利用LAB顏色空間特性將棉花害蟲圖像的亮度信息和色彩信息分開分析,并將目標(biāo)區(qū)域圖像a分量進行歸一化,自適應(yīng)選取K值.算法核心思想是將K值轉(zhuǎn)換成只與色彩、光照差異有關(guān)的閾值C,再利用K-means聚類算法根據(jù)提取的害蟲圖像特征進行分割.實驗結(jié)果證明,該方案能有效地對典型棉花害蟲的圖像進行分割.

LAB空間；K均值聚類；圖像分割；棉花；害蟲特征

棉花是中國最主要的經(jīng)濟作物之一,具有分布廣、用途多等特點,有效快速的害蟲分割與識別是提高棉花產(chǎn)量的重要途徑之一,因此對棉花害蟲圖像進行分割或識別也成為精細(xì)農(nóng)業(yè)研究的熱點.常用的圖像分割方法有基于閾值的分割方法[1-2],基于邊緣的分割方法和均值漂移算法[3-4],這些分割方法利用不同顏色植被把綠色植物或病害從土壤背景中分割出來,對害蟲的分割研究也大多集中在倉儲害蟲識別上,如文獻[5]比較幾種邊緣檢測算法在糧樣害蟲中的分割,文獻[6]主要是提取害蟲的單一特征,在特定的光源和設(shè)定的背景下針對害蟲進行識別研究,推廣到田間的棉花等作物多種害蟲的識別效果不是很好. K均值聚類算法在圖像分割中得到廣泛應(yīng)用[7-8],基于K均值聚類法進行圖像分割時通過找到特征空間中像素值的空間聚類,并把每一個像素劃分到不同的聚類中來實現(xiàn)圖像的分割.

但上述研究主要還停留在簡單背景（先用人為的方式將需要研究的目標(biāo)直接從背景中提取出來,再將目標(biāo)放在單色背景下進行拍照,最后對單色背景中的目標(biāo)進行算法處理）條件下的病蟲害識別階段,或者對田間圖像進行病害檢測[9],棉花害蟲圖像分割方面的研究較少.而且常用的圖像閾值分割方法一般直接利用圖像中存在灰度差異的目標(biāo)和背景進行分割,在農(nóng)田棉花害蟲圖片上,害蟲在整幅圖像上所占的篇幅很小,不能有效地利用像素灰度值來統(tǒng)計平均取值的分割閾值方法來展示棉花害蟲的像素灰度值.周圍光照強度不同,噪聲等因素對棉花害蟲圖像有很大的干擾[10].因此,直接采用像素灰度值分割圖像算法不能有效地對棉花害蟲圖像進行圖像分割[11].本文提出一種基于LAB顏色空間的K聚類分割算法,利用棉花害蟲的形態(tài)特征解決復(fù)雜背景下目標(biāo)和背景粘連問題.

1 顏色空間模型變換

傳統(tǒng)的圖像分割技術(shù)受到硬件速度的制約,通常是基于灰度圖像進行處理的.彩色圖像較灰色圖像含有更豐富的信息,基于彩色圖像的圖像分割的性能更高.

RGB顏色空間模型是最常用的顏色空間模型,適用于圖像的顏色顯示,但RGB模型的3個分量具有高度相關(guān)性,同時對光照很敏感,在自然光條件下很難保證光照強度的一致性.利用閾值對像素灰度化的棉花害蟲圖像進行圖像分割,同時對于周圍環(huán)境而言,棉花害蟲蟲體目標(biāo)較小,光照強度存在差異等因素,使得圖像分割效果不明顯.基于以上考慮,本文通過對比棉花害蟲的顏色與周圍環(huán)境顏色的差異,嘗試采用基于LAB顏色模型的圖像分割技術(shù),以實現(xiàn)害蟲目標(biāo)圖像的有效分割.

色彩管理系統(tǒng)采用LAB空間作為顏色坐標(biāo),使圖像顏色從一種顏色空間表示映射到另一種顏色空間表示.在信息系統(tǒng)中,LAB空間作為一種顏色坐標(biāo)轉(zhuǎn)換另一種顏色坐標(biāo)的內(nèi)部顏色模式.LAB空間能夠在不同的系統(tǒng)之間、不同的平臺之間進行無差錯的切換,是與具體系統(tǒng)平臺不相關(guān)的顏色空間.不管使用計算機、打印機或者掃描儀等任何系統(tǒng)設(shè)備創(chuàng)建圖像、輸出圖像,LAB顏色模式輸出的顏色都是一樣的.LAB顏色空間支持任何圖像相關(guān)設(shè)備,來保證圖像輸出設(shè)備轉(zhuǎn)換后的圖像顏色具有一致性,與任何系統(tǒng)硬件的性能和特性無關(guān).相比于RGB等顏色模式依賴于設(shè)備色彩特性,LAB顏色模式彌補了這一不足[12].

LAB顏色空間將圖像的亮度信息和色彩信息分開保存,如圖1所示.取值范圍是[0,100],表示從純黑到純白；a的正數(shù)部分代表紅色,負(fù)數(shù)部分代表綠色,取值范圍為[127,-128]；b的正數(shù)部分代表黃色,負(fù)數(shù)部分代表藍色,取值范圍為[127,-128].LAB顏色空間彌補了RGB色彩模型色彩分布不均的問題.

圖1 LAB顏色空間分量圖Fig.1 Color component of LAB space

為了實現(xiàn)從RGB空間到LAB空間的轉(zhuǎn)換,必須把圖像從RGB空間轉(zhuǎn)換到XYZ空間,然后再轉(zhuǎn)換到LAB空間.式1為RGB到XYZ空間的轉(zhuǎn)換公式

CIE1976均勻顏色空間LAB的計算公式如下

式（1）、式（2）中X、Y、Z是物體的三刺激值；X0、Y0、Z0為CIE標(biāo)準(zhǔn)照明體的三刺激值.

對害蟲圖像進行RGB顏色空間向LAB顏色空間轉(zhuǎn)換后,提取出a、b分量值,可以看出a分量圖像可以突出顯示害蟲目標(biāo).而且,由于棉花害蟲識別圖像的背景一般都是綠色的葉子,所以當(dāng)LAB顏色空間中a的值為負(fù)的時候表示為背景圖像.因此根據(jù)a的值可以初步根據(jù)閾值分割出害蟲目標(biāo)區(qū)域的非綠色區(qū)域和背景區(qū)域,將a分量信息數(shù)值小于閾值T的像素點認(rèn)為是背景區(qū)域,并進行a分量值減弱,大于閾值T的點認(rèn)為是目標(biāo)區(qū)域,并進行區(qū)域a分量值增強.最后對a分量圖像進行歸一化

2 基于LAB顏色空間的K-mean聚類算法

2.1 K-means聚類算法實現(xiàn)棉花害蟲識別

K-means算法是一種使用非常普遍的圖像聚類算法,該算法基本思想是將n個對象劃分到K個集合,其中K是指該算法中所指定集合的個數(shù).確定K個集合的基本原則是像素點之間的相似度.優(yōu)點在于算法簡單、快速,對大數(shù)據(jù)集有較高的效率并且是可伸縮性的,時間復(fù)雜度近于線性,而且適合挖掘大規(guī)模數(shù)據(jù)集.本文方案中使用相似度準(zhǔn)則就是誤差平方和（sum of the squared error,SSE）最小化準(zhǔn)則. K-means算法是最優(yōu)劃分像素數(shù)據(jù)的動態(tài)聚類算法.K-means算法使所有聚類域中像素點到聚類中心的距離的平方達到最小[13].K-means動態(tài)聚類算法采用的最小化誤差平方和準(zhǔn)則SSE定義

式（4）中Ci表示第i個集合,x表示集合Ci中的任何一點,ci表示第i個集合的平均值.

文獻[7]研究了不同的距離測度（歐氏距離、曼哈頓距離和馬氏距離）對分割結(jié)果的影響,結(jié)果表明馬氏距離能得出比較符合人類視覺的分割的效果,對局部細(xì)節(jié)的分割較好.馬氏距離是由印度統(tǒng)計學(xué)家馬哈拉諾比斯（Mahalanobis P C）提出的,表示數(shù)據(jù)的協(xié)方差距離.與歐式距離不同的是它考慮到各種特性之間的聯(lián)系,并且是尺度無關(guān)的,即獨立于測量尺度.對于一個均值為μ=（μ1,μ2,…,μp）,協(xié)方差矩陣為Σ的多變量向量x=（x1,x2,…,xp）,其馬氏距離為

本文使用K均值聚類算法,在此算法中,聚類數(shù)目K的選擇對K均值算法影響很大.若K取小了就會有的區(qū)域不能分割出來,若K取大了就會出現(xiàn)過分割.所以在分割圖像前,K的值一般都由先驗知識判斷得出.我們提出一種自適應(yīng)選取K值的方法,其核心思想是將K值轉(zhuǎn)換成只與色彩、光照差異有關(guān)的閾值C,通過調(diào)控閾值C的大小自適應(yīng)選擇聚類數(shù)K,從而改善分割結(jié)果.具體算法步驟如下：

Step1.使用K均值聚類算法對歸一化的LAB圖像進行彩色圖像分割,獲得初步目標(biāo)圖像.對光照均勻與不均勻圖像分別作不同處理,光照均勻圖像初始聚類數(shù)K=2,即初步目標(biāo)圖像和背景圖像；光照不均勻圖像初始聚類數(shù)為K=3.

Step2.計算每個數(shù)據(jù)點到這K個中心的距離,采用馬氏距離進行計算,按照最小距離原則分配到最鄰近聚類.

Step3.使用每個聚類中的樣本均值作為新的聚類中心.

Step4.重復(fù)步驟2、3,直到聚類中心不再變化.將聚類中心接近的兩個聚類合并得到初步目標(biāo)圖像,剩余一個聚類則為背景圖像.

2.2 利用形態(tài)特征對害蟲分割圖像進行后續(xù)處理

分割后的圖像含有一些噪聲,有的是分布在背景上的點狀噪聲,有的是分布在害蟲區(qū)域上的孔狀噪聲.本文利用害蟲形態(tài)特征,對分割后的圖像進行后續(xù)處理.

數(shù)學(xué)形態(tài)學(xué)是一門建立在數(shù)學(xué)理論基礎(chǔ)上的學(xué)科,是由一組形態(tài)學(xué)的代數(shù)運算子組成,它包括以下幾種基本的形態(tài)學(xué)運算子：腐蝕（Erosion）、膨脹（Dilation）、開（Opening）和閉（Closing）.本算法利用區(qū)域填充算法,以集合的膨脹、求補和交集為基礎(chǔ).所有非邊界點標(biāo)記為0,則以1賦給p點開始.下列過程將整個區(qū)域用1填充

式（6）中X0=P,B代表害蟲體顏色的像素點.如果Xk=Xk-1,則算法在迭代的第k步結(jié)束.

3 實驗與結(jié)果分析

為了驗證本文方案對棉花害蟲分割的有效性和通用性,對棉花害蟲的3種典型害蟲棉鈴蟲成蟲、棉盲椿、紅蜘蛛的圖片進行RGB到LAB顏色空間的a、b分量提取,可以看出a分量可以突出顯示害蟲蟲體.

圖2 顏色分量提取與分割結(jié)果Fig.2 Color component extraction and segmentation result

實驗驗證,該方案能夠?qū)Χ喾N害蟲蟲體進行有效圖像特征提取,進行有效的害蟲蟲體圖像分割.從實驗結(jié)果上看,害蟲蟲體的大部分得到有效分割,該方案具有有效性.選取多種害蟲蟲體進行分割,具有通用性.

為了驗證本方案的有效性和通用性,對16幅有棉花害蟲的彩色圖片進行害蟲分割實驗,統(tǒng)計的錯誤分割如表1所示.

表1 16幅害蟲圖像的誤提取率Tab.1 False extraction rate of sixteen images

為了驗證本方案的正確檢出率,選取3組的樣本點進行實驗,與其他算法相比,本文提出的方案具有較好的檢出率和較小的誤檢率.實驗結(jié)果如表2所示.

表2 樣本點的檢測率與誤檢率Tab.2 Detection rate and false detection rate of samples%

4 小結(jié)

本文提出一種基于LAB顏色空間的棉花害蟲普適K聚類害蟲圖像分割方案.旨在提高多種棉花害蟲圖像分割的效率與準(zhǔn)確度,在LAB顏色空間采用自適應(yīng)K聚類圖像分割算法.利用LAB顏色空間將棉花害蟲圖像的亮度信息和色彩信息分開.并將目標(biāo)區(qū)域圖像a分量進行歸一化,自適應(yīng)選取K值.利用K-means均值聚類算法根據(jù)提取的害蟲圖像特征,進行害蟲圖像分割.本方案實現(xiàn)了在自然光條件下,棉花害蟲圖像的正確分割,相較于簡單背景的研究而言,該算法更具有實用性.在未來工作中,通過改進方案,使該方案能夠?qū)Χ喾N害蟲圖像進行有效分割.

[1]Xavier P B A,Angela R,MariaG,et al.Real-time image processing for crop/weeddiscrimination in maize fields[J].Computers andElectronics in Agriculture,2011,75（2）：337-346.

[2]胡波,毛罕平,張艷誠.基于二維直方圖的雜草圖像分割算法[J].農(nóng)業(yè)機械學(xué)報,2007,38（4）：199-202.

[3]ZHENG LY,ZHANG J T,WANG Q Y.Mean-shiftbasedcolor segmentation of images containing green vegetation[J].Computers and Electronics in Agriculture,2009,65（1）：93-98.

[4]吳艷蓮,趙力,姜海燕,等.基于改進均值漂移算法的綠色作物圖像分割方法[J].農(nóng)業(yè)工程學(xué)報,2014,30（24）：161-165.

[5]周龍,牟懌,尤新革.模擬退火算法在糧蟲圖像分割中的應(yīng)用[J].華中科技大學(xué)學(xué)報：自然科學(xué)版,2010,5（38）：72-74.

[6]劉瓊,史諾.基于Lab和YUV顏色空間的農(nóng)田圖像分割方法[J].國外電子測量技術(shù),2015,34（4）：39-59.

[7]偱王易,趙勛杰.基于K均值聚類分割彩色圖像算法的改進[J].計算機應(yīng)用與軟件,2010（27）：127-130.

[8]李光等.基于K均值聚類與區(qū)域合并的彩色圖像分割算法[J].計算機應(yīng)用,2010,32（2）：354-358.

[9]耿楠,于偉,寧紀(jì)鋒.基于水平集和先驗信息的農(nóng)業(yè)圖像分割方法[J].農(nóng)業(yè)機械學(xué)報,2011,42（9）：167-172.

[10]韓瑞珍.基于機器視覺的農(nóng)田害蟲快速檢測與識別研究[D].杭州：浙江大學(xué),2014.

[11]王晏,孫怡.自適應(yīng)Mean Shift算法的彩色圖像平滑與分割算法[J].自動化學(xué)報,2010,36（12）：1637-1644.

[12]陳昌濤,仇國慶,楊平,等.Lab空間色彩分割在快速車牌定位中的應(yīng)用[J].計算機應(yīng)用研究,2010,27（8）：3191-3193.

[13]許曉麗.基于聚類分析的圖像分割算法研究[D].哈爾濱：哈爾濱工程大學(xué),2012.

（責(zé)任編輯：盧奇）

Image segmentation based on LAB color space adaptive clustering algorithm for pest image segmentation

LYU Jinna
（Henan Institute of Science and Technology,Xinxiang 453003,China）

To In order to improve the efficiency and accuracy of the image segmentation,a new image segmentation algorithm based on LAB color space adaptive clustering algorithm for pest image segmentation was proposed.By using the characteristics of the LAB color space,the brightness and color information of the cotton pest image were analyzed separately,then,the a component of the target area was normalized,and the K value was selected adaptively.The core idea is to convert the K value into threshold C,which is only relate to the color and illumination differences.K-means clustering algorithm is used to segment the pest image.Experimental results showed that the proposed algorithm could effectively segment the image of the typical cotton pests.

LAB spaces;K-means clustering;image segmentation;cotton;pest characteristics

TP311.13

A

1008-7516（2016）01-0057-05

10.3969/j.issn.1008-7516.2016.01.013

2015-12-17

呂金娜(1981―),女,河南新鄉(xiāng)人,碩士,講師.主要從事圖像多媒體研究.