自然環境下基于Lab空間的成熟蘋果圖像分割

吳慶崗++張衛國++李燦林++吳青娥++朱付保

摘要：為了提高自然環境下成熟蘋果圖像的分割質量，通過對自然環境成熟蘋果顏色特征的分析，提出一種在Lab顏色空間的蘋果圖像分割算法。首先對圖像進行均值濾波預處理以消除噪聲的影響，然后把圖像從RGB空間轉換到Lab空間并提取a分量，最后進行K-means分割。結果表明，基于Lab空間中a分量的K-means分割能有效地把蘋果從圖像中提取出來。

關鍵詞：蘋果；自然環境；Lab顏色空間；K-means算法；圖像分割

中圖分類號： TP391.41文獻標志碼： A

文章編號：1002-1302（2017）09-0177-03

蘋果作為我國的第一大水果品種，其種植面積和產量分別占世界的40%、33%，均居世界首位。在蘋果成熟期，大面積蘋果需要集中在9—10月內采摘完畢。目前僅靠人工采摘，不僅耗時耗力，而且隨著我國人力成本的上升，也從側面推動了蘋果價格的上升，降低了蘋果在國際上的價格優勢，不利于進出口貿易。如何降低人力采摘成本、實現成熟蘋果的自動采摘，是研究者急需解決的一個問題。

近年來，隨著計算機技術的發展，把數字圖像處理技術與農業發展相結合已經成為一種趨勢[1-5]。2009年司永勝等提出一種利用色差R-G和色差比（R-G）/（G-B）相結合的蘋果識別方法，該方法對蘋果的識別率達到97%[6]；2011年覃香對自然環境下蘋果濾波處理后，運用R-G/2-B/2色差分量進行Otsu閾值分割，識別率可達98.4%[7]；2016年李宏利等在對成熟蘋果果實定位的研究中，在RGB空間采用 R/1.7 與G的值比較進行分割，結果表明該方法誤差小，滿足定位效果[8]。目前在自然環境下進行果實的識別，大部分研究是在RGB空間進行的。但是RGB顏色空間中3個分量存在很強的相關性，不利于蘋果圖像的分割。自然環境下蘋果圖像背景復雜，存在光照不均勻、亮度偏暗甚至被樹枝物遮擋等問題，這進一步增大了蘋果圖像分割的難度。而Lab顏色空間色域寬闊，不僅包含了RGB的所有色域，而且彌補了RGB空間色彩分布不均的問題[9]。本研究結合自然環境下蘋果目標和背景的顏色特征，提出一種基于Lab空間上的 K-means分割方法，利用Lab空間中3個分量的特征，準確提取a分量進行 K-means 算法分割。結果表明，該方法可以有效分割出目標區域。

1圖像預處理

在自然環境下拍攝成熟蘋果圖像，由于受成像設備在傳輸過程和外部環境干擾等影響導致圖像降質。為了獲得完整的蘋果圖像，必須去除或降低噪聲對圖像的干擾，提高圖像的質量。圖1-a為蘋果原圖，首先在RGB顏色空間提取R、G、B分量分別采用均值濾波，然后把濾波后的3個分量合并到一起，得到三維濾波后的彩色蘋果圖像如圖1-b所示。

2顏色空間選取與轉換

2.1顏色空間選取

常用顏色空間主要有RGB、HIS、Lab等。在對彩色圖像進行分割時，選取適當的顏色空間是一個關鍵步驟。用不同的顏色空間對同一幅圖像進行處理時，不同顏色分量的灰度圖像之間存在很大的差異，因此需要找到能明顯區分蘋果目標與自然背景的顏色分量，目標與背景的灰度差別越大越有利于果實圖像的分割。目前最常見的顏色空間是基于R、G、B三原色的RGB色彩空間，但RGB空間中3個分量存在很強的相關性，所以RGB的單個分量不適用于自然環境下成熟蘋果的分割。本研究將自然環境下成熟蘋果圖像從RGB空間轉化到Lab空間，其中L分量表示像素的亮度范圍為0～100；a分量表示從紅色到綠色的變化，值域為-128～+127；b分量表示從黃色到藍色的變化，值域為-128～+127[10]。由于自然環境下成熟的蘋果圖像主要是以蘋果為主的紅色目標和以樹葉為主的綠色背景，而a分量的取值正好介于紅色和綠色之間，所以選擇a分量來刻畫蘋果目標特征。從 圖2-d 中的L分量直方圖中可以看出，雖然在L分量中目標亮度較大，但相對于背景顏色并沒有明顯的差異；從圖2-f中的b分量直方圖中可以看出，在b分量中背景和目標的顏色趨于一致；從圖2-e的a分量的直方圖中可以看出，目標和背景呈現明顯的雙峰，這說明a分量中目標和背景有明顯的區別，更容易區分紅色蘋果目標和綠色樹葉背景。

2.2顏色空間轉換

Lab色彩空間是國際照明委員會（CIE）推行的顏色度量國[CM（25]際標準[11]。它的色彩空間比RGB空間大，并且是一種與設備無關的顏色系統，它以數字化方式來描述人眼能夠看到的所有顏色，而且處理速度與RGB模型一樣快。由于Lab空間的轉換是非線性的，它是在RGB顏色空間的基礎上，用假想的3個原色X、Y、Z建立一個新的顏色空間，先把RGB轉換到XYZ上，如公式（1）[12]所示：

然后再從XYZ轉換到Lab空間，如公式（2）所示：

其中：

3基于Lab空間中a分量的K-means分割方法

K-means分割方法是一種無監督聚類算法，該算法是基于樣本空間相似性度量的聚類方法[13]。它根據某種屬性將n個對象分為k個簇（k

則Xi∈Wj。（3）計算k個新的聚類中心，計算公式為

聚類準則函數的計算公式為

（4）判斷聚類是否合理，判別公式為

若合理，則迭代終止；若不合理，則返回步驟（2）、步驟（3）。

在K-means聚類算法中，首先要確定分類參數k，理論上，k值越大，聚類越準確。但是在自然環境下分割蘋果圖像，由于光照和蘋果成熟度等因素導致蘋果表面顏色不均勻等問題，k值越大，會導致蘋果目標被分為不同的子類，并且k值越大，運行速度越慢。因此，為了確保運行效率，同時考慮本研究只需獲得蘋果目標區域，因此設定k=2，即將圖像分為目標和背景2類。

基于Lab空間的K-means算法具體步驟如下：（1）首先讀入RGB圖像；（2）提取RGB圖像的各個分量進行均值濾波，并把濾波后的各個分量進行合并；（3）根據公式（1）和公式（2），把RGB空間的圖像轉換到Lab空間；（4）提取Lab空間中的a分量進行K-means分割。

4試驗結果與分析

本研究算法實現環境是在Inter（R）Core（TM）i5-3470 CPU@3.20 GHz，4.00 GB RAM下應用MATLAB R2014a對30幅圖像進行K-means分割試驗。為了驗證本研究算法的有效性，分別與Otsu[14]、迭代法[15]對自然環境下蘋果進行分割比較，分割結果如圖3所示。圖3-a、圖3-b、圖3-c、圖3-d為同一幅圖像采用不同算法的分割結果，分別選取4幅典型原始蘋果圖像，其中圖3-a為光照相對均勻圖像、圖3-b 為存在露珠干擾的圖像、圖3-c為背景比較復雜的圖像、圖3-d為亮度整體偏暗的圖像。

從圖3-a中可以看出，在光照相對均勻的圖像上，Otsu與迭代法可以較好地識別出目標，但對于一些陰影部分卻不能很好地識別，如圖3-a中的區域1，在Otsu與迭代法中均沒有被識別出來，而在本研究算法中可以被很好地識別出來。從圖3-b中可以看出，對于雨后露珠影響的圖像，在Otsu與迭代法中，除了存在陰影的部分沒有被識別出來，在迭代法中也增加了許多噪聲，而在本研究算法中，不僅陰影部分被完全識別出來，而且遮擋物也被明確地識別出來。從圖3-c可以看出，在復雜的背景下，Otsu與迭代法錯誤地把天空分割成目標，而且迭代法受噪聲的影響比較大，而本研究算法能較好地把天空和目標分割開，而且對圖像的邊緣信息保存比較完好。而圖3-d中圖像整體較暗時，使用Otsu和迭代法無法完整地識別出蘋果圖像，而是把天空等亮度高的部分錯誤分割為目標，而本研究算法可以準確地識別出目標，而且對于目標被樹葉遮擋的部分，也能完整地識別出來。

5結論

本研究提出一種基于Lab空間的K-means分割算法，利用Lab空間中a分量的變化范圍從紅色到綠色的特點，實現了自然環境下蘋果圖像的精準分割。與傳統的Otsu和迭代法相比，本研究方法可以很好地規避在自然環境下光照不均、陰影等因素對蘋果圖像分割的影響，提高自然環境下蘋果圖像分割的精度。

參考文獻：

[1]崔永杰，蘇帥，王霞霞，等. 基于機器視覺的自然環境中獼猴桃識別與特征提取[J]. 農業機械學報，2013，44（5）：247-252.

[2]李正明，王森，孫俊. 圖像分割在成熟茄子目標識別中的應用[J]. 農業機械學報，2009，40（增刊1）：105-108.

[3]熊俊濤，鄒湘軍，陳麗娟，等. 基于機器視覺的自然環境中成熟荔枝識別[J]. 農業機械學報，2011，42（9）：162-166.

[4]Mizushima A，Lu R F. An image segmentation method for apple sorting and grading using support vector machine and Otsus method[J]. Computers&Electronics in Agriculture，2013，94（94）：29-37.

[5]夏永泉，曾莎，李耀斌. 一種改進的植物葉片病斑區域邊緣提取技術[J]. 鄭州輕工業學院學報（自然科學版），2015，30（1）：67-70.

[6]司永勝，喬軍，劉剛，等. 基于機器視覺的蘋果識別和形狀特征提取[J]. 農業機械學報，2009，40（8）：161-165.

[7]覃香. 自然場景下蘋果檢測系統的研究與實現[D]. 楊凌：西北農林科技大學，2011.

[8]李宏利，劉全中. 圖像中成熟蘋果果實定位方法研究[J]. 農機化研究，2016（2）：54-57.

[9]王易偱，趙勛杰. 基于K均值聚類分割色彩圖像算法的改進[J]. 計算機應用與軟件，2010，27（8）：127-130.

[10]石雪強，程新文. 蘋果采摘機器人視覺系統的目標提取研究[J]. 農機化研究，2013，35（10）：46-48，59.

[11]Bai X D，Cao Z G，Wang Y，et al. Crop segmentation from images by morphology modeling in the CIE L*a*b*color space[J]. Computers & Electronics in Agriculture，2013，99（7）：21-34.

[12]鄒秋霞，楊林楠，彭琳，等. 基于Lab空間和K-means聚類的葉片分割算法研究[J]. 農機化研究，2015，37（9）：222-226.

[13]李冠林，馬占鴻，黃沖，等. 基于K-means硬聚類算法的葡萄病害彩色圖像分割方法[J]. 農業工程學報，2010，26（2）：32-37.

[14]Otsu N. A threshold selection method from gray-Level histogram[J]. Systems Man & Cybernetics IEEE Transactions on，1979，9（1）：62-66.

[15]鄧林華，許駿，程向明. 基于迭代閾值的太陽像分割算法的應用研究[J]. 計算機與現代化，2010（10）：72-74.