基于清晰度的茶葉嫩芽聚類分割方法

黃濤 方夢瑞 夏華鵾 左亮亮 呂軍

摘要：針對自然環境下茶葉嫩芽圖像分割易出現過分割和欠分割等問題，提出一種基于清晰度評價和顏色聚類級聯的嫩芽圖像分割方法，并結合Tenengrad梯度評價和滑動分割獲取清晰度較高的圖像區域，然后在RGB、HSV、Lab、YChCr顏色模型下進行聚類分割。結果表明，選取Tenengrad梯度值的上四分位數作為清晰度初選閾值，漏選率為25%;在HSV顏色模型下，利用K-means聚類方法完成嫩芽圖像分割，晴天和陰天環境下嫩芽圖像分割精度分別為72.48%和77.83%，較直接K-means分割方法相比，假陽性率分別減少5.19%和2.03%。該方法能夠實現自然環境下茶葉嫩芽圖像的有效分割，減少欠分割和過分割，為茶葉智能采摘提供理論參考。

關鍵詞：茶葉嫩芽;清晰度;聚類;圖像分割

中圖分類號：TP391

文獻標識碼：A

文章編號：0439-8114（ 2020） 08-0154-04

D01：10.1408 8/j.cnki.issn0439-8114.2020.08.035

嫩芽采摘作為茶葉生產的首道工序，其采摘時間、效率和準確率直接影響成品茶的質量。人工采茶的方式已不能滿足當前人們對茶葉質量的要求。隨著“互聯網+農業”的提出與應用，基于機器視覺的茶葉智能采摘成為研究熱點。茶葉嫩芽圖像分割[1-3]主要是分析嫩芽與背景的顏色特征，通過提取有效的顏色因子完成嫩芽圖像分割，但大部分研究主要針對于室內環境或單株情況[4.5]。

自然環境下茶葉生長易受到外界環境等影響，嫩芽圖像分割算法普適性和魯棒性較差，且茶葉圖像采集時因遮擋、重疊和景深導致圖像清晰度不均，嫩芽模糊區域易造成過分割和欠分割問題。針對自然條件生長的茶葉嫩芽采摘，提出一種基于清晰度的聚類分割方法，通過圖像滑塊清晰度評價初選目標區域，然后通過K-means聚類實現嫩芽圖像分割，減少欠分割和過分割情況。

1 圖像清晰度評價

圖像采集時采用相機自動對焦功能，相機的自動對焦是通過相機內部的微型驅動馬達，自動調節相機鏡頭和CCD之間的距離，保證像平面正好投影至CCD的成像表面，聚焦部分圖像清晰，離焦相對模糊。為較好地反映圖像質量，設計清晰度評價函數作為衡量圖像品質的標準之一，模糊圖像本質是高頻分量的損失，完全聚焦的圖像比離焦圖像包含更多的細節信息。目前，圖像清晰度評價函數[6-8]主要包括梯度函數、灰度統計函數、頻譜函數等。在圖像處理中，一般認為對焦好的圖像具有更尖銳的邊緣，故具有更大的梯度函數值。本研究采用Tenen-grad梯度法實現對圖像清晰度的評價，該算子運用邊緣檢測思想，其原理是利用Sobel算子計算圖像在水平和垂直兩方向的梯度，通過進行平方運算以放大邊緣梯度，具體定義如下：

在圖像采集過程中，由于多目標物距不同、曝光度不夠產生的噪聲和高亮目標等因素的影響，直接對整幅圖像進行清晰度的判定易造成誤聚焦，進而影響后期的目標區域選取和圖像分割質量。利用區域滑塊完成對整幅圖像的清晰度評價，具體步驟如下：

1）根據原圖像長寬比設定相同比例的矩形感興趣區域（ Region of interest，ROI）;

2）利用滑塊方式（圖1）獲取每個ROI區域的Tenengrad梯度值;

3）分析所有ROI區域Tenengrad梯度值特征;

4）根據步驟（3）中呈現特征選取合適的梯度閾值T，完成目標區域的選擇，具體原則如下：

if Tenengrad（ i》T，ROI（ i）=ROI（i）

etse ROI（ i）=0

2 K-means聚類

聚類分析作為一種常見的無監督學習算法，是將一個數據集劃分成若干個子集，每個子集作為一個簇，簇內樣本盡可能相似，而簇與簇間樣本盡可能差異明顯。K-means是常見聚類分析算法之一，其主要步驟為：①設定類或組數，隨機初始化各類的中心點;②計算每個數據點到各類中心點的距離;③將數據點歸為最近的中心點類組;④重新計算各類的中心點作為新的中心點，并重復完成步驟②至步驟④，直至各類中心點不再發生變化或小于設定閾值，迭代停止，即完成聚類。

3 圖像分割評價

為驗證提出算法的有效性，對圖像分割結果進行定量分析。將基于圖像的分割效果與手工分割效果進行匹配分析，以精確率、假陽性率2個指標進行評價。定義如下：TP為目標被識別成目標的像素個數，FP為背景被識別成目標的像素個數，FN為目標被識別成背景的像素個數，TN為背景被識別成背景的像素個數。2個指標具體定義如下：

精確率=TP/ TP+FPF（3）

假陽性率=FP/FP+TN（4）

4 基于清晰度的嫩芽聚類分割

4.1 茶葉圖像采集與軟硬件環境

為驗證算法的普適性，選擇安徽省黃山市屯溪區、歙縣和祁門等地區茶場進行圖像采集。在自然生長狀態下，使用Nikon D90相機采集茶葉圖像40幅，其中陰天與晴天（光照度）環境下各20幅，以jpg格式存儲，圖像如圖2、圖3所示。為提高計算機處理速度，統一裁剪為664xl 000。在Lenovo啟天M4650臺式機[CPU型號Intel酷睿i5 6500，內存4G，顯卡Inter GMA HD530，硬盤500 G]和Opencv3.3.0環境下完成茶葉圖像預處理、清晰度選擇與評價、聚類分割程序編制。

4.2 茶葉圖像清晰區域選擇

按照圖像尺寸長寬比選擇lOOx83矩形框為ROI選擇區域框，橫向以10像素為步長、縱向以7像素為步驟進行滑動分塊，共計7 644個ROI，提取每個ROI的Tenengrad梯度值并繪制箱型（圖4）。選擇箱型圖中下四分位數、中位數、上四分位數分別作為梯度閾值，對40幅圖像進行清晰區域的選擇，并統計出平均目標選中率、錯選率、漏選率（表1）。其中，目標選中率=（算法選中正確目標數÷算法認定目標數）×100%;漏選率=（算法誤判的目標數÷參考目標數）x100%。在目標選中滿足90%的情況下，選擇上四分位數作為閾值的目標，漏選率最低，近其他閾值漏選率的1/2，因此，選擇上四分位數作為目標清晰度篩選閾值。

4.3 茶葉圖像聚類分割

自然環境下茶葉生長環境相對固定，陰天環境下設置K=3，而晴天環境下圖像曝光強，設置K=4，分別在RCB、HSV、Lab、YCbCr顏色模型下進行K-means聚類分割。基于RGB、Lab和YCbCr的嫩芽圖像分割中出現較多的老葉被誤判為嫩芽，HSV顏色模型下嫩芽區域較為完整。對HSV模型下K-means聚類嫩芽部分進行小目標剔除和空洞填充，得到茶葉嫩芽圖像分割圖，如圖5至圖8所示。

4.4 茶葉嫩芽圖像分割評價

利用Tenengrad梯度值的上四分位作為閾值，完成對陰天和晴天各20幅圖像的清晰度區域選擇，然后利用HSV空間下茶葉嫩芽的K-means聚類分割。對每幅圖像分別統計分割精確率和假陽性率后取均值，如表2所示。

5 結論

針對自然環境下茶葉嫩芽圖像分割易受老葉、天氣等因素的影響，提出基于清晰度的茶葉嫩芽K-means聚類分割方法。試驗結果表明，基于原圖的嫩芽K-means分割和基于清晰度的嫩芽K-means分割方法分割精確率平均可達75.16%和64.81%，假陽性率分別為2.44%和6.05%，尤其是對于陰天環境下，假陽性率降低到2.00%。該方法不僅有效地完成了自然環境（陰天和晴天）下茶葉嫩芽圖像分割，還減少了傳統圖像方法中過分割和欠分割等的影響，為后期自然環境下基于機器視覺的嫩芽采摘提供了理論依據。

參考文獻：

[1]汪建.結合顏色和區域生長的茶葉圖像分割算法研究[J].茶葉科學，2011，31（1）：72-77

[2]唐仙，吳雪梅，張富貴，等.基于閾值分割法的茶葉嫩芽識別研究[J].農業裝備技術，2013，39（6）：10-14.

[3]姚波，汪洋，李小瑞，等.自然環境下嫩芽與茶梗自動分割方法研究[J]黑龍江八一農墾大學學報，2017，29（2）：114-117.

[4]劉志杰，田艷娜.楊亮亮，等.重疊條件下茶葉嫩芽的自動檢測方法[J].中國體視學與圖像分析，2009（2）：129-132

[5]楊福增，楊亮亮，楊青.基于顏色和形狀特征的茶葉嫩芽識別方法[J].農業機械學報，2009，40（增刊）：119-123

[6]馮精武，喻擎蒼，蘆寧，等.調焦系統中數字圖像清晰度評價函數的研究[J].機電工程，2011，28（3）：354-356.

[7]李雪，江曼珊光學顯微成像系統圖像清晰度評價函數的對比[J].光學儀器，2018，40（1）：28-38

[8] REDONDO R， BUENO G. VALDIVIEZO J C，et al. Autofocus eval-uation for brightfield microscopy pathology[J].Journal of biomedi-cal optics， 2012. 17（3）：036008.

基金項目：安徽省高校自然科學研究項目（ KJHS2018BII）;國家級大學生創新訓練計劃項目（201810375015;201710375006）;安徽省大學生創新訓練計劃項目（201710375040; 201810375091）

作者簡介：黃濤（1995-），男，安徽安慶人，在讀本科生，研究方向為圖像識別，（電話）17805591298;通信作者，呂軍（1986-），男，河北滄州人，講師，主要從事農業智能信息處理研究，（電話）15055986023（電子信箱）zstulvjun@126.com。