曹洪武+王振磊+姚娜+姚江河
摘要: 針對自然光條件下具有復(fù)雜背景的紅棗圖像,提出了1種新的圖像分割方法。首先,該方法用簡單線性迭代聚類(simple linear iterative clustering,SLIC)算法對圖像進(jìn)行超像素分割,并進(jìn)行迭代合并處理,從而得到不同尺度的圖層;其次,利用圖像局部對比度估計和區(qū)域位置估計來獲取相應(yīng)的顯著性圖;最后,用K-means算法得到紅棗圖像聚類分割結(jié)果。結(jié)果表明,該方法能有效去除圖像的復(fù)雜背景,消除紅棗上光斑的影響,準(zhǔn)確地將紅棗圖像從背景中分割出來。
關(guān)鍵詞: 圖像分割;簡單線性迭代聚類;多尺度;紅棗圖像;顯著性;K-means
中圖分類號: TP391.4;S126 文獻(xiàn)標(biāo)志碼: A 文章編號:1002-1302(2016)03-0455-03
新疆地區(qū)有著豐富的紅棗資源,紅棗的種植和加工已成為新疆特色支柱產(chǎn)業(yè)之一,目前,新疆紅棗產(chǎn)量已居全國首位。因此,進(jìn)行紅棗采摘機(jī)器人研究,對提高采摘效率、節(jié)約勞動力成本有特別的現(xiàn)實意義,而其中紅棗圖像的分割是研發(fā)采摘機(jī)器人的關(guān)鍵步驟。近年來,已有較多國內(nèi)外學(xué)者從不同角度開展了圖像分割研究,典型的方法有直方圖閾值法[1]、特征空間聚類法[2]、區(qū)域分級方法[3]、邊緣檢測方法[4]、顯著性圖像分割方法[5]等。雖然上述方法在各自領(lǐng)域均有較好的應(yīng)用,但仍未有一種通用方法能適合于所有類型的圖像,各種新思路和新算法還在不斷地出現(xiàn)。本研究針對復(fù)雜環(huán)境背景中的紅棗圖像提出了1種基于簡單線性迭代聚類[6](simple linear iterative clustering,SLIC)和多尺度顯著性圖的分割算法進(jìn)行紅棗圖像分割的算法,先利用SLIC算法構(gòu)建超像素,迭代后獲得不同尺度圖層,然后利用顯著性檢測方法獲得不同尺度下的紅棗顯著度圖像,最后利用K-means算法對顯著性圖像進(jìn)行聚類處理,得到最終分割結(jié)果。
1 不同尺度的圖層生成
通過SLIC算法可將圖像分割為包含若干均質(zhì)區(qū)域的超像素圖像,將超像素區(qū)域按從小到大的多個尺度順序進(jìn)行合并處理可得到不同尺度的圖層,可以避免因一次性選擇過大的區(qū)域尺度而產(chǎn)生邊界分割錯誤。通過從較小尺度開始處理超像素,再逐步增大尺度的方式,可以保留圖像主體結(jié)構(gòu),舍棄部分非關(guān)鍵性細(xì)節(jié),消除這些細(xì)節(jié)對關(guān)鍵目標(biāo)的影響。主要步驟為:首先利用SLIC算法對圖像進(jìn)行超像素分割預(yù)處理,得到新圖像I;其次,判定I中各區(qū)域尺度,迭代合并生成不同尺度圖層,先得到圖層L1,并在L1基礎(chǔ)上,同理獲得圖層L2。
1.1 SLIC算法原理
SLIC是1種基于像素色彩和色彩空間來進(jìn)行超像素分割的方法[6],其算法流程如下。
(1)初始化過程。在 CIELAB色彩空間(CIE 1976 L*,a*,b* Color Space)中,依據(jù)超像素區(qū)域數(shù)目控制因子k,將圖像劃分為k個正方形網(wǎng)格,每個網(wǎng)格邊長S=N/K,并將每個網(wǎng)格中心點3×3領(lǐng)域內(nèi)的最小梯度位置初始化為聚類中心,如第j個聚類中心為:Cj[lj,aj,bj,xj,yj]T (lj為像素點光亮度,aj、bj為像素點色度坐標(biāo),xj、yj為像素空間坐標(biāo));并初始化每個像素的分類標(biāo)記l(i)=-1,像素點距離d(i)=∞。
(2)對每個聚類中心Cj進(jìn)行迭代處理。計算Cj與每個像素的距離D,計算范圍為Cj的2S×2S鄰接區(qū)域,當(dāng)D式中:dc為像素點i與聚類中心點j之間的色彩距離;ds為像素點i與聚類中線點j之間的空間距離;m用來確定分割結(jié)果與圖像實際邊界貼合度,m值越小,貼合程度越高。
1.2 區(qū)域的迭代合并處理
為減少區(qū)域的數(shù)量,必須對超像素分割所得圖像的各個區(qū)域進(jìn)行合并處理,主要步驟如下。
(1)定義超像素分割所得任意區(qū)域Ri的尺度。如果存在1個t×t大小的正方形區(qū)域Rt×t,在滿足Rt×tRi的條件下,使得Rt×t面積最大的t值作為區(qū)域Rt×t的尺度值。
(2)為了選擇與Ri區(qū)域相鄰的區(qū)域,使用以下公式計算在CIELUV色彩空間[CIE 1976 (L*,u*,v*) color space]中區(qū)域Ri、Rj的色彩均值距離:
Dluv(Ri,Rj)=(lj-li)2+(uj-ui)2+(vj-vi)2。
(3)進(jìn)行區(qū)域迭代合并處理。通過計算與Ri距離最小且閾值大于t的相鄰區(qū)域,使用1個內(nèi)核為t×t的方框濾波器對圖像進(jìn)行濾波處理,如果該區(qū)域能夠完全包含該濾波核,則顏色不作改變;否則,用濾波核范圍內(nèi)該區(qū)域的色彩均值來更新其中心點對應(yīng)位置的色彩值,通過迭代,可實現(xiàn)圖像中各區(qū)域的合并。
2 顯著性圖像的生成
生成紅棗圖像與背景反差盡可能大的顯著性圖,有利于后續(xù)進(jìn)行聚類處理,本研究利用上述生成的不同尺度圖像來獲取對應(yīng)的多個尺度的顯著性圖。顯著性圖像的生成受到圖像中所包含像素的數(shù)量、色彩、關(guān)鍵區(qū)域所處位置及其大小等因素影響,通過綜合考慮區(qū)域局部對比度估計值和圖像位置估計值來計算圖像顯著度[7]。
(1)區(qū)域局部對比度估計。圖像區(qū)域局部對比度可以通過計算待測區(qū)域Ri與其周邊n個區(qū)域的色差加權(quán)和Ci來估計,Ri與其周邊區(qū)域?qū)Ρ榷仍酱?,視覺上越顯著,公式如下:
式中:ci、cj分別是Ri、Rj的顏色;ρ(Rj)為Rj中像素數(shù)量,區(qū)域中擁有的像素數(shù)量越多,對局部對比度權(quán)值的貢獻(xiàn)將越大;φ(i,j)=e-D(Ri,Rj)/σ2表示Ri、Rj間的空間距離影響權(quán)值,與Ri區(qū)域距離越近,則受影響越大,其中σ2為檢測區(qū)域的范圍,D(Ri,Rj)為Ri、Rj中心點的歐氏距離平方。
(2)區(qū)域位置估計。圖像中心點在人類視覺中較容易引起關(guān)注,則距離圖像中心越近的區(qū)域,視覺上越具有顯著性。因此,使用Hi來計算這類區(qū)域,計算區(qū)域Ri中的任意像素坐標(biāo)xi與圖像中心的坐標(biāo)xc間的距離影響權(quán)值,λ為權(quán)重調(diào)節(jié)參數(shù),ρ(Ri)為Ri中的像素數(shù)量,計算公式如下:
3 基于K-means算法的顯著性圖像聚類處理
為了減少上述顯著性圖中的區(qū)域數(shù)量,實現(xiàn)紅棗和背景的分割,本研究使用K-means算法對圖像進(jìn)行聚類處理。K-means算法是一種無監(jiān)督自適應(yīng)的基于樣本間相似性度量的間接聚類方法,其算法主要步驟[8]如下。
(1)在n個像素的數(shù)據(jù)集上隨機(jī)選定k個初始聚類中心,設(shè)置迭代次數(shù)為R次。
(2)計算每個像素到各聚類中心的歐氏距離D(xi,μj)。按最近鄰原則將其劃分到以μj為聚類中心的子類Cj中,得到k個子類:C1,C2,…,Ck。
(3)設(shè)di為第i個子類中所有像素到其聚類中心μi的歐氏距離和,則每個像素到其聚類中心的歐氏距離和為:
4 算法主要步驟
綜上,本研究提出的算法主要步驟歸納如下。
(1)不同尺度圖層的生成。利用SLIC算法對紅棗圖像進(jìn)行超像素分割預(yù)處理,得到圖像I,判定圖像I中各區(qū)域所屬尺度,迭代合并以生成不同尺度圖層。初始化區(qū)域尺度閾值為t,逐一判斷I中每個區(qū)域Ri的尺度,若小于t,則計算該區(qū)域與其相鄰區(qū)域間的CIELUV色彩空間均值距離,找出其中距離最小且閾值大于t的區(qū)域,將其與Ri合并,并更新合并后區(qū)域的尺度和顏色。對圖中滿足條件的所有區(qū)域進(jìn)行迭代合并處理,得到新圖層L1,繼續(xù)增大t值,在L1基礎(chǔ)上重復(fù)上述操作得到圖層L2。
(2)顯著性圖像的生成。通過綜合考慮區(qū)域局部對比度估計值和圖像位置估計值的方法計算圖像顯著度,分別得到圖層L1、L2所對應(yīng)的顯著性圖像S1、S2。
(3)利用K-means算法對各層顯著性圖層進(jìn)行聚類處理。分別得到S1、S2的聚類分割圖像,實現(xiàn)紅棗圖像與背景的分割。
5 結(jié)果與分析
采用3 000×2 250分辨率的紅棗圖像,CPU為Intel i5-3 470 3.2 GHz,內(nèi)存4.0 GB,操作系統(tǒng)為Windows 7,用Matlab 2013b編程實現(xiàn)紅棗圖像的分割。
圖1為原始圖像,設(shè)置SLIC超像素分割數(shù)量k=3 500。為了突出細(xì)節(jié),圖2為SLIC分割的局部放大結(jié)果,截取了從左至右方向上第3個紅棗放大圖,可見圖中各超像素區(qū)域內(nèi)部色彩均勻,分割邊緣與紅棗圖像實際邊緣緊密貼合。
選取尺度t的值為55、70,對圖2結(jié)果進(jìn)行迭代合并處理,分別得到2個不同尺度圖像L1、L2,如圖3、圖4所示。分別檢測其顯著性,得到對應(yīng)的顯著性圖像S1、S2,如圖5、圖6所示。S2中紅棗圖像與S1相比,對比度得到進(jìn)一步提高,紅棗邊緣與其周邊區(qū)域有清晰邊界,所包含的區(qū)域數(shù)量大幅減少,有利于后續(xù)進(jìn)行區(qū)域聚類處理。
為了分割出紅棗和背景,設(shè)置K-means算法聚類數(shù)量 k=2,迭代次數(shù)R=-1,即重復(fù)迭代直至收斂,分別得到圖像S1、S2的聚類結(jié)果,如圖7、圖8所示。在圖7中,紅棗圖像分割結(jié)果邊緣部分仍有少量缺失,原因在于所缺失的區(qū)域在迭代過程中仍然沒有被合并到紅棗目標(biāo)區(qū)域中;圖8分割結(jié)果中,紅棗目標(biāo)已經(jīng)被完整分割出來,并且邊緣部分保持完整。為了驗證分割效果,使用Photoshop 14.0軟件對紅棗圖像進(jìn)行手工分割,取得基準(zhǔn)分割圖像,如圖9所示。對比圖8中聚類結(jié)果和圖9手工分割結(jié)果,可見本研究算法比手工分割結(jié)果實際外形總體略微偏小,除紅棗果實被遮擋區(qū)域、相連區(qū)域、果蒂和部分邊緣細(xì)節(jié)與手工分割結(jié)果相比有誤差外,紅棗圖像整體分割效果良好。
6 結(jié)論
通過利用SLIC算法進(jìn)行超像素分割,設(shè)定不同區(qū)域閾值來獲得多個不同尺度的圖層,能夠確保分割邊緣與實際邊緣緊密貼合,避免分割錯誤,確保邊緣完整性。另外,依據(jù)不同尺度的顯著性圖進(jìn)行K-means聚類,能有效去除圖中干擾因素,將紅棗與背景有效分割,確保分割效果。試驗結(jié)果表明,在選擇合適的區(qū)域尺度及分層數(shù)量基礎(chǔ)上,該方法能夠很好地消除紅棗上光斑影響,準(zhǔn)確地將邊緣光滑的紅棗圖像與背景分割開,取得較好的分割效果。在今后的工作中,如何進(jìn)一步提高圖像的分割精度和提高處理效率將是研究重點。
參考文獻(xiàn):
[1]Lan J H,Zeng Y L. Multi-threshold image segmentation using maximum fuzzy entropy based on a new 2D histogram[J]. Optik - International Journal for Light and Electron Optics,2013,124(18):3756-3760.
[2]Jin R,Kou C,Liu R,et al. A color image segmentation method based on improved k-means clustering algorithm[C].Chongqing,China:Proceedings of the International Conference on Information Engineering and Applications,2013:499-505.
[3]張長青. 葛文英與劉國英.一種基于區(qū)域分級合并的彩色圖像分割方法[J]. 計算機(jī)工程與應(yīng)用,2012,48(17):203-206.
[4]王江濤,練 煜,石紅巖. 結(jié)合模糊C均值聚類和邊緣檢測算法的彩色圖像分割[J]. 蘭州文理學(xué)院學(xué)報:自然科學(xué)版,2015,29(2):61-65.
[5]張 辰,楊文柱,劉召海. 基于HSV綜合顯著性的彩色圖像分割方法[J]. 計算機(jī)工程與設(shè)計,2013,34(11):3944-3947.
[6]Achanta R,Shaji A,Smith K,et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(11):2274-2282.
[7]Yan Q,Xu L,Shi J,et al. Hierarchical saliency detection[C]. Portland,Oregon:2013 IEEE Conference on Computer Vision and Pattern Recognition,2013:1155-1162.
[8]霍迎秋,秦仁波,邢彩燕,等. 基于CUDA的并行K-means聚類圖像分割算法優(yōu)化[J]. 農(nóng)業(yè)機(jī)械學(xué)報,2014,45(11):47-53,74.