局部鄰域最大差分的過渡區皇帝柑圖像分割

鄒小林

摘要：為快速提取皇帝柑圖像中的目標，提出一種局部鄰域最大差分的過渡區閾值圖像分割算法。該方法首先計算圖像中每個像素的局部鄰域最大差分;再對圖像的全部、局部最大差分進行排序，選取值較大的像素作為過渡區的像素點;然后對過渡區的內部進行填充，使過渡區與目標合成一體，最后剔除過渡區中的背景點，獲得圖像的目標。為檢驗提出算法的有效性，采用分割誤差、假陽性率、重疊系數和運算時間共4個指標與已有算法進行比較，結果表明，本研究算法的平均分割誤差只有7.76%，比有效平均梯度法和局部熵法分別降低6.93%、6.24%，假陽性率分別降低 3.40%、3.05%，重疊系數分別提高14.6%、11.62%;算法運算速度分別提高約3.6、4.6倍。試驗結果表明，本研究算法具有很好的提取皇帝柑圖像中目標的性能。

關鍵詞：局部鄰域最大差分;皇帝柑;過渡區;圖像分割;假陽性率;重疊系數

中圖分類號： TP391.41? 文獻標志碼： A? 文章編號：1002-1302（2019）10-0235-04

2010年，我國水果總產量約占世界總產量的30%，產量位居世界第一，但我國水果出口量不足產量的5%，且售價只有國際平均售價的50%。出現這種狀況的主要原因是對采摘水果進行處理的技術偏低[2]，沒有對銷售水果進行等級分揀。針對這種情況，基于圖像處理[3]的水果等級分類方法不斷涌現。文獻[4-10]分別采用色差分量、鄰差和、支持向量機、對數相似度約束、邊緣檢測和框架檢測等理論結合Matlab軟件提供的Otsu閾值算法分割水果圖像。關于柑橘圖像分割與識別的主要文獻分別采用色差分量、Canny算子結合Otsu閾值算法分割圖像[11-13]。針對已有文獻一般都采用Otsu閾值分割算法而沒有考慮其他閾值算法分割水果圖像，本研究提出基于局部鄰域最大差分的過渡區閾值圖像分割算法。

1 高光去除

圖像的高光點表示具有最高亮度值的圖像區域。皇帝柑圖像中的高光改變了皇帝柑的本色，會影響皇帝柑圖像中目標提取、識別、分類。因此須要去除皇帝柑圖像中的高光，作為皇帝柑圖像分割的預處理步驟之一。文獻[14]先把圖像從RGB顏色空間轉換為YUV顏色空間，再對亮度通道Y分別進行歸一化處理、均衡化處理以及多項式函數轉換，提出的去除高光的算法步驟具體為（1）將圖像讀入R、G、B 3個通道。（2）將圖像從RGB顏色空間轉換為YUV顏色空間。（3）對亮度通道Y進行歸一化處理。（4）對Y進行直方圖均衡化處理。（5）對Y進行多項式轉換。

2 有效平均梯度的過渡區提取算法

有效平均梯度的過渡區提取算法通過計算有效平均梯度[15]（EAG）以及對圖像的灰度進行剪切來確定圖像的過渡區，設（i，j）∈S，其中S為像素坐標的集合，f（i，j）為坐標為（i，j）的圖像像素灰度值。有效平均梯度定義為

4 局部鄰域最大差分的過渡區提取算法

4.1 局部鄰域最大差分

由于過渡區位于圖像邊緣附近，所以處于過渡區像素的鄰域中一定存在前景或背景中的像素，與其鄰域內的像素灰度值差的絕對值中一般都存在比較大的值。背景區域和目標區域由于同質性較好，因此像素與其鄰域內像素的灰度值差的絕對值一般都比較小。

由公式（10）計算的局部鄰域最大差分的特點：（1）圖像非過渡區具有較高的同質性，即非過渡區的局部鄰域最大差分較小;（2）圖像過渡區的像素灰度值變化大，即過渡區的局部鄰域最大差分較大。

4.2 局部鄰域最大差分的過渡區提取算法步驟

（2）將W中的局部鄰域最大差分由大到小排序;（3）將排在前面α%的像素選取出來構成過渡區，α的取值范圍一般是10～30;（4）過渡區內部像素點是圖像目標點，其外部像素點是圖像背景點，采用Matlab提供的區域填充算法對過渡區的內部進行填充。填充后過渡區和目標合成一個區域。（5）對第4步中的合成區域的四周向內的每個方向剔除n個背景像素點，得到圖像目標。n的取值范圍一般是1～5。

5 主要研究思路

主要分為2個部分：（1）圖像預處理，去掉圖像中的高光;（2）圖像分割。

本研究的圖像預處理采用文獻[14]中的算法去除圖像的高光。去除圖1-a中高光，結果如圖1-b所示。圖1-a中的R、G、B分量的取值范圍分別為[25，212]、[6，203]、[0，215]，而去除高光后的圖1-b的R、G、B分量的取值范圍分別為[23，78]、[4，154]、[0，181]。數據顯示亮度值大的高光點被消除。

圖像分割采用本研究提出的局部鄰域最大差分的過渡區提取算法，分割去除高光后的皇帝柑圖像。提取圖1-a中的過渡區結果，如圖1-c所示。圖1-c顯示過渡區把目標包圍在中間。用Matlab函數imfill（）填充過渡區后的情況，如圖 1-d所示。對圖1-d中過渡區的背景點剔除后如圖1-e所示。圖1-e中比較容易發現圖的左下角和圖的正上方有一些背景點被清除。根據圖1-e獲得的圖像目標分類結果，即分割圖像1-a的結果，如圖1-f所示。

6 試驗結果與分析

6.1 分割質量評價準則

采用分類誤差（ME）[17]、假陽性率（FPR）[18]和疊加系數（OI）[19]等作為分割效果評價標準。

BO和FO分別表示人工分割圖像的背景、目標;BT和FT分別是根據算法分割圖像的背景、目標;||表示集合中元素的個數。

6.2 結果與分析

采用2個試驗（試驗1圖像中不帶葉片，試驗2圖像中帶葉片）來檢驗本研究方法的分割效果。本研究方法與文獻[15-16]中提出的算法（有效平均梯度法、局部熵法）作對比試驗。采用分割誤差[17]、假陽性率[18]、疊加系數[19]、運算時間等4個指標檢驗分割效果。圖2、圖3中的參考圖像是人工分割獲取的。

試驗1的分割結果（圖2）表明，本研究算法能夠很好地提取圖像中的目標（皇帝柑），而文獻[15-16]中提出的算法都存在較為嚴重的過度分割。由表1可知，本研究算法的平均分割誤差是 5.22%，而文獻[15-16]中算法的平均分類誤差分別為10.51%、8.70%。由表2可知，本研究算法的平均假陽性率是7.85%，而文獻[15-16]中算法的平均假陽性率分別為9.83%、10.06%。由表3可知，本研究算法的平均疊加系數是87.27%，而文獻[15-16]中算法的平均疊加系數分別為73.79%、80.06%。由表4可知，本研究算法的平均運行時間是0.167 3 s，而文獻[15-16]中算法的平均運行時間分別為0.5937、0.755 7 s。本研究算法的平均運行時間分別只有文獻[15-16]中算法的28.18%、22.14%。試驗1的結果表明，本研究算法在分割含有高光和陰影的皇帝柑圖像時，比文獻[15-16]中算法的運行速度快，且具有更好的提取圖像目標的性能。

試驗2的分割結果如圖3所示，本研究算法能夠很好地提取圖像中的目標（皇帝柑），而文獻[15-16]中的算法均存在較為嚴重的過度分割，把很多皇帝柑的高光區域分割在背景中。由表5可知，本研究算法的平均分割誤差是10.30%，而文獻[15-16]中算法的平均分割誤差分別為18.87%、1929%。由表6可知，本研究算法的平均假陽性率是1522%，而文獻[15-16]中算法的平均假陽性率分別為2003%、19.10%。由表7可知，本研究算法的平均疊加系數是79.62%，而文獻[15-16]中算法的平均疊加系數分別為63.90%、63.59%。由表8可知，本研究算法的平均運行時間是0.164 3 s，而文獻[15-16]中算法的平均運行時間分別為0.594 3、0.750 7 s。本研究算法的平均運行時間分別只有文獻[15-16]中算法的27.65%、21.89%。

綜合2組試驗的結果表明，本研究算法的平均分割誤差是 7.76%，而文獻[15-16]中算法的平均分割誤差分別為14.69%、13.99%，因此本研究算法的分類誤差比文獻[15-16]中算法分別下降6.93、6.24百分點。本研究算法的平均假陽性率是11.54%，而文獻[15-16]中算法的平均假陽性率分別為14.93%、14.58%，因此本研究算法的平均假陽性率比文獻[15-16]中算法分別下降3.40、3.05 百分點。本研究算法的平均疊加系數是83.45%，而文獻 [15-16]中算法的平均疊加系數分別為68.85%、71.83%，因此本研究算法的平均疊加系數比文獻[15-16]中算法分別提高14.60、11.62 百分點。本研究算法的平均運行時間是0.166 s，而文獻[15-16]中算法的平均運行時間分別為0.594、0.753 s，因此本研究算法的平均運行時間比文獻[15-16]中算法分別下降0.428、0.587 s。本研究算法的平均運行速度分別比文獻[15-16]中算法提高3.6、4.6倍。2組試驗的結果表明，本研究算法能夠更好更快地提取皇帝柑圖像中的目標，說明本研究算法比文獻[15-16]中的算法具有更好地分割性能。

7 結論

針對在分割含有高光、陰影和葉子的皇帝柑圖像時，難以準確提取圖像中的目標這一問題，本研究提出局部鄰域最大差分的過渡區閾值圖像分割算法，跟經典的過渡區閾值圖像分割算法相比，該算法能夠很好地分割含有高光、陰影和葉子的皇帝柑圖像。

參考文獻：

[1]劉 曉. 基于多光譜圖像的柑橘糖度含量在線無損檢測研究[D]. 南昌：江西農業大學，2011.

[2]張洪勝，張宗坤，劉萬好，等. 我國有機水果的生產現狀及發展前景[J]. 煙臺果樹，2008（2）：9-10.

[3]祝謹惠. 基于圖像處理的水果物流分揀中的等級鑒定技術[J]. 物流技術，2014，33（3）：416-418.

[4]趙德安，劉曉洋，陳 玉，等. 蘋果采摘機器人夜間識別方法[J]. 農業機械學報，2015，46（3）：15-22.

[5]呂繼東，趙德安，姬 偉. 蘋果采摘機器人目標果實快速跟蹤識別方法[J]. 農業機械學報，2014，45（1）：65-72.

[6]郭文川，梁 瑋，宋懷波. 基于鄰差和的農產品X射線圖像分割算法[J]. 農業機械學報，2012，43（11）：214-219.

[7]張春龍，張 楫，張俊雄，等. 近色背景中樹上綠色蘋果識別方法[J]. 農業機械學報，2014，45（10）：277-281.

[8]趙瑤池，胡祝華. 基于對數相似度約束Otsu的自然場景病害果實圖像分割[J]. 農業機械學報，2015，46（11）：9-15.

[9]黃 辰，費繼友. 基于圖像特征融合的蘋果在線分級方法[J]. 農業工程學報，2017，33（1）：285-291.

[10]Deb K，Suny A H. Shadow detection and removal based on YCbCr Color Space[J]. Smartcr，2014，4（1）：23-33.

[11]蔡健榮，周小軍，李玉良，等. 基于機器視覺自然場景下成熟柑橘識別[J]. 農業工程學報，2008，24（1）：175-178.

[12]彭 輝，文友先，吳蘭蘭，等. 采用自適應canny算子的樹上柑橘圖像邊緣檢測[J]. 計算機工程與應用，2011，47（9）：163-166.

[13]周志宇，劉迎春，張建新. 基于自適應Canny算子的柑橘邊緣檢測[J]. 農業工程學報，2008，24（3）：21-24.

[14]Górny P. Highlight removal method for HDR images[J]. Ecology and Environmental Science，2009，21（10）：321-340.

[15]章毓晉. 過渡區和圖像分割[J]. 電子學報，1996，24（1）：12-17.

[16]Pun T. A new method for grey-level picture thresholding using the entropy of the histogram[J]. Signal Processing，1980，2（3）：223-237.

[17]Yasnoff W A，Mui J K，Bacus J W. Error measures for scene segmentation[J]. Pattern Recognition，1977，9（4）：217-231.

[18]Hu Q M，Hou Z，Nowinski W L. Supervised range-constrained thresholding[J]. IEEE Transactions on Image Processing，2006，15（1）：228-240.

[19]宋懷波，張衛園，張欣欣，等. 基于模糊集理論的蘋果表面陰影去除方法[J]. 農業工程學報，2014，30（3）：135-141.