基于PSO和視覺顯著性的棉花圖像分割算法

曹洪武++周保平++姚江河

摘要：針對自然光條件下具有復雜背景的棉花圖像，提出了1種新的圖像分割方法。首先，利用粒子群優化（PSO）算法進行聚類預處理，去除圖像中較暗區域；其次，利用簡單線性迭代聚類（SLIC）算法構建超像素，并用1種改進的方法檢測每個超像素在圖像中的獨特性和分布情況權值，利用檢測結果逐像素計算顯著度獲得整幅圖像的顯著圖；最后，利用連通域面積去噪方法得到棉花圖像分割結果。結果表明，該方法能有效去除圖像的復雜背景，消除強光和陰影影響，準確地將棉花圖像從背景中分割出來，效果較理想。

關鍵詞：粒子群優化（PSO）算法；顯著性；簡單線性迭代聚類（SLIC）；棉花分割

中圖分類號： TP391.4；S126文獻標志碼： A文章編號：1002-1302（2016）02-0430-04

收稿日期：2015-09-04

基金項目：國家自然科學基金（編號：61563046）；塔里木大學校長基金平臺建設項目（編號：TDZKPT201201）。

作者簡介：曹洪武（1980—），男，云南開遠人，碩士，講師，主要從事圖像處理、計算機視覺等方面的研究。E-mail：chw0920@163.com。

通信作者：姚江河，碩士，副教授，主要從事農業信息化方面的研究。E-mail：yao9698@163.com。新疆作為中國棉花主產區，總產量長期居于全國首位。近年來，在國家政策鼓勵下，新疆采用機采棉比例日益提高，但棉花采摘質量與手工采摘方式相比仍有很大差距，因此，研究基于計算機視覺的采棉機器人具有較大意義，提升棉花圖像分割算法的精度是實現采棉機器人的關鍵問題之一，這將有效地減少采摘雜質、提高棉花采摘品質。近年來，已有較多學者對棉花圖像的分割處理進行了深入研究，并從不同角度提出了解決方案，比較典型的方法有韋皆頂等基于HSV彩色模型的自然場景下的棉花圖像分割算法[1]，時顥等提出的利用粒子群和K均值混合聚類分割算法[2]，陳欽政等提出的基于SVM的棉花圖像分割算法[3]，王星等提出的基于YCbCr空間和GA神經網絡的棉花圖像分割算法[4]，張豪等提出的最佳熵法的棉花分割方法[5]等，這些方法從不同角度對棉花分割算法進行了改進，也取得了較好的效果，但仍未形成一種適合各種復雜情況的棉花分割的通用算法，采摘精度仍有提升空間。筆者在上述研究基礎上提出1種基于粒子群和視覺顯著性的棉花圖像分割算法：首先，利用粒子群優化（particle swarm optimization，PSO）算法對棉花圖像進行聚類預處理；其次，利用1種改進的顯著性算法進行棉花圖像分割；最后，利用連通域去噪方法消除噪聲，分別實現了棉花圖像在強光和陰影條件下的分割。

1基于PSO算法的圖像聚類預處理

在自然光照條件下采集的棉花圖像組成較為復雜，除棉花本身外，還包括枯枝、雜草及各種陰影等噪聲區域，要將棉花目標分割出來，需要先消除噪聲區域的影響，而棉花本身是色彩感知均勻的，在視覺上屬于高對比度區域，本研究方法首先考慮利用PSO算法對圖像進行聚類預處理，去除圖像中顏色相對較暗區域，減少干擾。處理過后的圖像，顏色較暗的區域被填充為黑色，其余亮度較高區域得以保留，如棉花圖像及若干較小的離散區域，有效減少了檢測范圍，降低后續顯著性檢測的復雜度。

粒子群算法簡介：PSO算法由Kennedy和Eberhart于1995年提出，是一種用于模擬鳥群群體覓食行為的群集智能隨機優化算法[6]。該算法通過在搜索空間中的粒子個體間的協作以及群體信息共享來尋求最優解，其算法主要思想為：在n維搜索空間中，PSO算法初始化為1組粒子，其中每個粒子對應解空間中的1個候選解，它與每個粒子的位置和速度相關，如第i個粒子的位置和速度可分別表示為Xi=（xi1，xi2，…，xin）、Vi=（vi1，vi2，…，vin），每個粒子都有一個被優化函數決定的適應值。通過迭代，粒子能動態追蹤個體極值Pi和群體極值Pg來更新自身的速度和位置，其中Pi=（pi1，pi2，…，pin）表示粒子i所到達的具有最優適應值的位置，Pg=（pg1，pg2，…，pgn）表示群體中所有粒子所到達的最優位置，計算公式如下：

4結語

利用PSO算法進行聚類預處理，能有效去除圖像中較暗區域，同時較完整地分割出包含棉花圖像的色彩感知均勻且較亮區域；在PSO聚類處理結果基礎上進行顯著性檢測能提高檢測效率，同時能有效保留邊緣細節。結果表明，該方法能夠很好地消除強光條件和陰影條件的影響，適應于復雜條件下的棉花圖像分割，分割精度較高。在今后的工作中，如何進一步優化算法、提高圖像分割效率將是研究重點。

參考文獻：

[1]韋皆頂，費樹岷，汪木蘭，等. 基于HSV彩色模型的自然場景下棉花圖像分割策略研究[J]. 棉花學報，2008，20（1）：34-38.

[2]時顥，賴惠成，覃錫忠. 子群與K均值混合聚類的棉花圖像分割算法[J]. 計算機工程與應用，2013（21）：226-229.

[3]陳欽政，賴惠成，王星，等. 一種基于支持向量機的棉花圖像分割算法[J]. 計算機工程，2013，39（5）：266-269.

[4]王星，賴惠成，任磊，等. 基于YCbCr空間和GA神經網絡的棉花圖像分割算法[J]. 計算機工程與應用，2012（11）：176-179.

[5]張豪，郭輝，韓長杰，等. 基于最佳熵法棉花圖像分割與提取的研究[J]. 工業控制計算機，2015（7）：104-105，107.

[6]Kennedy J，Eberhart R. Particle swarm optimization[C]//Proceedings of IEEE International Conference on Neural Networks IV，1995：1942-1948.

[7]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.

[8]Perazzi F，Kraehenbuehl P，Pritch Y A. Saliency filters：contrast based filtering for salient region detection[C].2012 IEEE Conference on Computer Vision and Pattern Recognition，2012：733-740.

[9]孫建成，曾培峰，禹素萍，等. 二值圖像的區域標識與噪聲去除[J]. 天津工業大學學報，2006，25（1）：45-47.

[8]Sarangan V，Devarapalli M R，Radhakrishnan S. A framework for fast RFID tag reading in static and Mobile environments[J]. Computer Networks，2008，52（5）：1058-1073.

[9]劉世明，陳建宏，張宗平，等. 基于RFID的供港蔬菜安全監管溯源系統[J]. 計算機系統應用，2014，23（2）：42-47.

[10]朱鵬. 蔬菜跟蹤追溯物聯網關鍵技術研究[D]. 南京：南京郵電大學，2013.

[11]董金. 現代農業種植和農產品信息管理系統設計[D]. 荊州：長江大學，2013.

[12]龐娜，程德福. 基于ZigBee無線傳感器網絡的溫室監測系統設計[J]. 吉林大學學報：信息科學版，2010，28（1）：55-60.

[13]蔣薇，賴青貴，秦玲，等. 基于ADO.NET數據訪問技術的研究和應用[J]. 微計算機信息，2010，26（30）：141-143.

[14]晏國生，劉君. 基于物聯網的河北果蔬產業全程監測與控制信息服務平臺研究[J]. 農業系統科學與綜合研究，2011，27（3）：371-375.

[15]吳波，呂旭健，陳軍響，等. 基于物聯網的溫州市農產品質量安全監控溯源體系的構建與應用[J]. 浙江農業科學，2013，50（4）：482-485.李哲，田建艷，鄭晟，等. 基于MPU6050和HMC5883L的豬的姿態檢測[J]. 江蘇農業科學，2016，44（2）：434-437.