基于FCM-SVM的生豬紅外熱圖像自動分割方法

陳松楠， 朱艷平， 杜永強

(信陽農林學院信息工程學院，河南信陽 464000)

隨著生豬養殖規模的集成化和規模化，每年都有大量的生豬在全國各地進行流通，給動物檢疫部門帶來了十分繁重的檢疫任務。傳統的生豬監測工作是由具有專業知識的疫情監測人員來完成，受人員不足和檢疫生豬數量多的制約，檢疫部門只能對生豬進行隨即抽檢，通過概率預測的方式來判斷一批生豬是否檢疫合格，該方法并不能實時對患病生豬進行自動監控和預警。為了最終實現生豬疫情的自動預警功能，本研究提出一種基于FCM-SVM的生豬紅外熱圖像自動分割方法，為生豬病變部位的提取提供了源，從而降低了背景圖像的后續干擾。

針對生豬圖像的自動分割，國內外學者做了很多研究。中國農業大學的馬麗等提出了一種基于改進幾何活動輪廓模型的母豬紅外圖像分割算法，通過取不同的分割閾值和構建新的對比度權值函數，實現圖像全局能量和局部能量的權重在圖像各區域的均衡化，結果表明單幅圖像平均分割時間為49.67 s，正確分割率達到98%以上[1]。江蘇大學的朱偉興等提出了一種基于改進主動形狀模型的生豬耳部區域檢測方法，結合紅外和可見光圖像融合算法，以融合圖像的NSCT分解系數作為特征點紋理描述，結果表明自動檢測分割耳部區域與手動分割區域重合度>0.8的檢測結果占比達到84%，檢測效果較好[2]。中國農業機械化科學研究院的周麗萍等提出了一種基于改進Otsu算法的生豬紅熱外圖像耳根特征區域檢測方法，通過對生豬熱紅外圖像進行顏色空間的轉換，生成S層圖像，采用改進的Otsu算法對S層圖像進行二值化處理，從而分割出生豬的外輪廓[3]。江蘇大學的劉波博士認為，由于生豬體表輻射率與豬舍環境輻射率存在較大差異，且溫度不同，生豬體態部分與周圍環境在紅外偽彩色圖像中差異明顯，提出通過Otsu自動閾值分割和孔洞填充、小區域消除等圖像預處理方法，可以大致提出生豬目標前景二值圖像[4]。

上述研究結果表明，當前對生豬熱紅外圖像的分割仍采用閾值分割的方法進行，并沒實現完全自動化。本研究提出一種基于FCM-SVM的圖像分割方法，將生豬紅外熱圖像由RGB顏色空間轉換到HSV顏色空間，根據模糊C均值聚類算法(FCM)將待分割的圖像聚類為2類，并將2類圖像的顏色特征分別作為支持向量機(SVM)模型的正、負訓練樣本，實現對生豬紅外熱圖像的自動分割。

1 圖像顏色空間的轉換

由紅、黃、藍3種原色經過不同比例的組合就能形成不同的顏色，這些顏色的集合組成一個顏色空間。顏色空間模型的種類有面向硬件設備的顏色空間模型、面向視覺感知的顏色空間模型、面向視覺感知的均勻顏色模型等。本研究在前期試驗基礎上，通過對比發現HSV顏色空間模型較適宜圖像自動分割。在對圖像進行預處理階段首先將生豬圖像由RGB顏色空間轉換到HSV顏色空間。HSV顏色空間主要由3個相互獨立的分量(H、S、V)構成，由Smith于1978年首先創建[5]。其中，H代表色調，取值范圍為0°～180°；S代表飽和度，通常取值范圍0%～100%，值越大顏色越飽和；V代表明度，通常取值范圍為0%(黑)～100%(白)。

設RGB顏色空間上的任意像素點(r，g，b)轉換成HSV顏色空間后對應于像素點(h，s，v)，那么則有：

v=max(r,g,b)；

(1)

(2)

(3)

根據文獻[3]，從中國農業機械化科學研究院采集到生豬紅外熱圖像，如圖1-a所示。依據公式(1)、公式(2)、公式(3)將對生豬紅外熱圖像進行顏色空間轉換。為最大限度地降低光照條件對圖像的影響，本研究只考慮h分量和s分量，避免v分量，使得圖像處理時更準確，結果如圖1所示。

由圖1可知，生豬輪廓區域的h分量與背景區域的h分量有明顯的差別，因此在后面的研究中，選取hsv顏色空間的h分量圖像進行試驗。

2 基于FCM-SVM的圖像自動分割方法

基于FCM-SVM的圖像自動分割方法主要由2個部分構成：一是通過模糊C均值聚類算法(FCM)自動將圖像的像素點分成2類，一類作為前景圖像，另一類作為背景圖像；二是分別提取前景圖像和背景圖像特征作為支持向量機(SVM)的訓練樣本，從而訓練分類器對圖像進行分割。基于FCM-SVM的圖像自動分割方法流程如圖2所示。

2.1 基于FCM的樣本分類

模糊C均值聚類算法(FCM)最早由Dunn提出，并由Bezdek進行改進，該算法引入了隸屬度的概念，根據像素點屬于某種確定結果的相似程度把圖像的像素點分類到不同的范圍之內，從而實現對圖像的自動分割[6]。

設有樣本集X={x1,x2,…,xn}被分成C類，其中n為正整數，xn?R，第j類的中心記為cj，則ui,j表示樣本i屬于類j的隸屬度。那么可以定義目標函數Fobj和隸屬度函數U分別為

(1)

(2)

式中：ui,j∈[0,1]；C∈[2,n]；i∈X。

根據公式(1)和公式(2)構造拉格朗日函數如公式(3)所示：

(3)

通過公式(3)分別對ui,j和cj求導得出極值點：

(4)

(5)

對ui,j賦給滿足公式(2)的任意初值，根據公式(4)和公式(5)進行迭代運算，當目標函數Fobj的值趨于穩定時，就可以認為算法收斂于一個較好的結果。式中：m為權重值，一般情況下取m=2。

2.2 基于SVM的圖像分割

支持向量機(SVM)算法的主要思想：首先將訓練樣本的特征信息由低緯空間通過一定的函數映射到高維的特征空間中，使得這些數據集在高維的特征空間能夠被線性可分。然后，在特征空間中建立一個最大間隔的最優分離平面，使得該分離平面能夠將不同的特征集完全分離開來[7-8]。支持向量機算法必須要解決2個問題：一是核函數的選擇，用來將非線性的數據集映射到高維空間，使之成為一個線性可分的數據集；二是如何在高維的空間中求出一個最優的分離平面，將所有的樣本能夠準確分離開來。

通過隸屬度函數U將樣本像素點分成2類，一類記為正樣本像素點集合P，一類記為負樣本像素點集合N。對P和N分別隨機選取一定數量的樣本構成集合sp和sn。在RGB顏色空間下，分別提取sp和sn集合中的像素點對應的r、g、b3個顏色通道的特征值，表示為

sp(r,g,b)=[sp(r),sp(g),sp(b)]；

sn(r,g,b)=[sn(r),sn(g),sn(b)]。

sp(r,g,b)和sn(r,g,b)構成樣本的顏色特征向量F[sp(r,g,b)，sn(r,g,b)]，將其送到SVM訓練模型中進行分類器的訓練，最終實現對圖像的自動分割。

3 結果與分析

本研究所有的試驗均在VS2012和OpenCV2.4的環境下實現。試驗中使用的生豬紅外熱圖像均來自文獻[3]中提到的中國農業機械化科學研究院，類別數設置為2，最大迭代次數設置為50，權重m設置為默認值2，用于訓練SVM模型的核函數選擇線性核函數。試驗中，將本研究算法與傳統的FCM算法、最大類間方差法(Otsu)[9]算法進行了比較，選取其中的4幅圖像進行分割結果說明。

圖3列出了本研究算法與Otsu圖像分割算法以及FCM圖像分割算法的試驗結果比較，通過試驗對比可以發現，Otsu算法容易將前景顏色錯誤地分割成背景色，對前景色與背景色像素點差別不明顯的區域分割效果較差，FCM算法的分割效果比Otsu算法的效果好一些，但是對像素點差別不明顯的區域分割效果也不太理想，存在錯誤分割的情況。基于 FCM-SVM的圖像自動分割方法對生豬紅外熱圖像的分割效果具有很大的優勢，從圖3-d可以看出，算法對像素點差別不明顯的區域也具有較好的分割效果，能夠很好地將生豬圖像從背景中分割出來，誤分率較小。

目前針對紅外熱圖像的分割結果還沒有一個準確的評價標準，僅從視覺上評價算法的性能好壞是遠遠不夠的。在對生豬紅外熱圖像進行分割的過程中，由于誤差率的存在，前景圖像和背景圖像可能存在誤分割的像素點，因此本研究采用分類正確率作為一種評價指標來說明圖像分割的性能，針對生豬圖像中的每一個像素點，SVM分類器有4種可能的判別結果[10-11]：TF(true foreground)：屬于生豬本身的像素點依然判斷為生豬圖像中的像素點數目；FF(false foreground)：屬于生豬本身的像素點卻被判斷為背景圖像的像素點數目；TB(true background)：屬于背景圖像的像素點依然判斷為背景圖像的像素點數目；FB(true background)：屬于背景圖像的像素點卻被判斷為生豬本身圖像的像素點數目。

分類正確率定義如下：

(6)

從左往右記圖3-a中的4幅圖像分別為圖像1、圖像2、圖像3和圖像4。依據公式(6)分別計算出3種自動分割算法對上述4幅圖像的分割正確率如表1所示。結果表明，本研究的自動分割方法具有較高的正確率。

表1 圖3-a中4幅圖像的分割正確率

4 結論

在將SVM的分類思想用于圖像分割的過程中，需要人工選取訓練樣本，這樣受人的主觀性影響較大且費時費力。為了解決這個問題，完成訓練樣本自動獲取的同時還能得到較好的生豬輪廓圖像，本研究在原有SVM算法的基礎上提出了基于FCM-SVM的生豬紅外圖像自動分割方法，通過對圖像進行顏色空間轉換，利用FCM算法對H通道進行樣本的自動獲取，然后通過SVM模型實現對生豬紅外熱圖像的自動分割。本研究的方法無論在視覺上還是分類正確率上都具有較好的試驗結果，為后續生豬各個部位特征的獲取提供了技術支撐。