基于高色差分離預(yù)處理的K-means茶葉嫩芽識(shí)別研究

周　智

基于高色差分離預(yù)處理的K-means茶葉嫩芽識(shí)別研究

周智

（華東交通大學(xué)理工學(xué)院江西南昌330000）

近年來(lái)，隨著無(wú)人機(jī)技術(shù)、計(jì)算機(jī)技術(shù)、圖像識(shí)別和處理等技術(shù)的不斷發(fā)展，應(yīng)用場(chǎng)景也發(fā)生許多變化。文章在無(wú)人機(jī)進(jìn)行低空拍攝的基礎(chǔ)上，利用G-B、ExR、Cg對(duì)樣本素材分離再結(jié)合后進(jìn)行圖像的預(yù)處理，再利用K-means算法對(duì)合成圖中的茶葉嫩芽進(jìn)行分割，通過(guò)對(duì)比發(fā)現(xiàn)，經(jīng)過(guò)預(yù)處理的圖片在分割的過(guò)程中能有效識(shí)別和分割出茶葉嫩芽。

K-means算法；茶葉；圖像分割；識(shí)別；智能采摘

我國(guó)是茶葉生產(chǎn)的主要國(guó)家之一，由于茶葉采摘通常受到時(shí)節(jié)等因素的影響，如何及時(shí)、有效地完成茶葉的采摘是保障成茶質(zhì)量的重要前提。目前，我國(guó)各大生產(chǎn)基地對(duì)于茶葉嫩芽采摘仍以人工采摘為主，該方式存在短時(shí)間內(nèi)工作強(qiáng)度大、成本高、人為因素不穩(wěn)定等問(wèn)題。隨著計(jì)算機(jī)技術(shù)的發(fā)展，研究茶葉相關(guān)的智能采摘技術(shù)具有重要的意義，因此，利用無(wú)人機(jī)采集圖像平臺(tái)采集茶葉圖像[1]，借助圖像處理技術(shù)的茶葉嫩芽識(shí)別技術(shù)，以期在智能采摘、病蟲(chóng)害預(yù)防、產(chǎn)量預(yù)估等方面獲得有效的提升。

1 K-means算法

K-means算法（K-均值聚類算法）是一種典型且應(yīng)用廣泛的無(wú)監(jiān)督分類算法，它基于樣本間相似性度量的間接聚類方法[3]，該算法認(rèn)為當(dāng)兩個(gè)對(duì)象的距離越近，其相似度就越大，并認(rèn)為簇是由距離靠近的對(duì)象組成的，其目的是通過(guò)對(duì)無(wú)標(biāo)記樣本的學(xué)習(xí)來(lái)揭示蘊(yùn)含在數(shù)據(jù)之中的性質(zhì)和規(guī)律，因此該算法也特別適合在沒(méi)有大量樣本可以進(jìn)行學(xué)習(xí)的前提下智能設(shè)備的基礎(chǔ)算法。

1.1 原理

K-means算法首先隨機(jī)選取K個(gè)點(diǎn)作為初始聚類中心，然后計(jì)算各個(gè)數(shù)據(jù)對(duì)象到各聚類中心的距離，把數(shù)據(jù)對(duì)象歸到離它最近的聚類中心所在的類；調(diào)整后的新類計(jì)算新的聚類中心，如果相鄰兩次的聚類中心沒(méi)有任何變化，說(shuō)明數(shù)據(jù)對(duì)象調(diào)整結(jié)束，聚類準(zhǔn)則函數(shù)F已經(jīng)收斂。在每次迭代中都要考察每個(gè)樣本的分類是否正確，若不正確，則需要進(jìn)行調(diào)整。在調(diào)整全部數(shù)據(jù)后，再修改聚類中心，進(jìn)入下一次迭代。如果在一次迭代算法中，所有的數(shù)據(jù)對(duì)象被正確分類，則不會(huì)有調(diào)整，聚類中心也不會(huì)有任何變化，這標(biāo)志著F已經(jīng)收斂，算法結(jié)束。其實(shí)這跟普通的前饋神經(jīng)網(wǎng)絡(luò)使用逆向傳播算法訓(xùn)練模型的原理類似，通過(guò)分析誤差，修改模型直至達(dá)到要求的誤差范圍。

1.2 算法描述

2 材料與過(guò)程

2.1 數(shù)據(jù)采集

清明節(jié)前，在江西省井岡山市遂川縣茶場(chǎng)進(jìn)行圖像采集，設(shè)備采用無(wú)人機(jī)，型號(hào)為DJIMavicair2。拍攝角度為垂直90 °，距離為80~100 cm。在實(shí)地拍攝的茶葉圖像中，信息具有一定的復(fù)雜度，我們將除嫩芽以外的信息稱為背景，背景主要由老葉和枝干等構(gòu)成，其中茶葉老葉呈深綠色或者藍(lán)綠色，枝干呈灰褐色，而茶葉嫩芽呈黃綠色。隨機(jī)截取一個(gè)1 176 ×1 176 像素的圖片作為自然條件下的研究樣本（如圖1）。

圖1　自然條件下的茶葉樣本

軟件基件為MATLABR2020 a，計(jì)算機(jī)配置CPU為Intel（R）core（TM）i7-7500 U@2.70 GHz 2.90 GHz，內(nèi)存為8G，硬盤為120 G固態(tài)盤加1T機(jī)械盤組合。

2.2 提取茶葉圖像的顏色分量

由于茶葉嫩芽和老葉的顏色相似，且自然條件下的圖像存在一定的噪聲，需要選擇對(duì)比度較大圖像處理的茶葉圖像。在通過(guò)對(duì)茶葉采樣圖像進(jìn)行單一的RGB顏色分量的提取后，發(fā)現(xiàn)色差度并不是很明顯，且并沒(méi)有有效產(chǎn)生分離圖像的條件。具體結(jié)果如圖2所示。

對(duì)R-G、G-B、ExR、ExG、Cg這5個(gè)分量圖進(jìn)行統(tǒng)計(jì)分析發(fā)現(xiàn)，G-B[4]、ExR、Cg采樣圖片中茶葉嫩芽與背景中的老葉具有較大差異，如圖3所示。其中對(duì)于ExR、G-B和Cg定義如下：

ExR：ExR=2*R-G-B

G-B：GB=G-B

Cg：Cg=128 +65.481 /256*R+112 /256*G-81.085 / 256*B[2]

基于G-B、ExR、Cg 3個(gè)分量圖的結(jié)果，將3個(gè)分量圖進(jìn)行合成，合成思路為：Composeimage=cat(3,ExR,Cg,G-B)，得到圖4。

2.3 K-means分割

首先對(duì)圖4茶葉合成圖進(jìn)行K-means分割，其過(guò)程如下：

（1）在圖中隨機(jī)取K個(gè)簇作為質(zhì)心點(diǎn)。

（3）所有實(shí)例點(diǎn)劃分到各簇后，使用簇內(nèi)實(shí)例重新計(jì)算質(zhì)心點(diǎn)。

（4）重復(fù)步驟（2）和步驟（3），直到各簇的質(zhì)心點(diǎn)不再變動(dòng)。

最后得到基于合成圖的分割效果，如圖5所示。

圖4　基于ExR、Cg、G-B的合成圖

圖5　基于合成圖的K-means分割效果

圖6 基于采樣圖像的K-means 分割效果

2.4 分割效果評(píng)估

為了驗(yàn)證該思路的有效性，利用同樣的算法代碼，對(duì)未曾進(jìn)行前期處理的素材圖1進(jìn)行處理，分割效果如圖6所示。對(duì)比之下，分割的效果明顯高于后者。

3 結(jié)論

在自然環(huán)境中茶葉嫩芽圖像分割會(huì)受到自然光照、拍攝角度、灰塵、飛蟲(chóng)等因素的干擾，文章針對(duì)航拍條件下茶葉圖像進(jìn)行ExR分量、Cg分量、G-B分量分離再合成，以合成圖作為待分割樣本，利用K-means聚類算法分割圖像。通過(guò)對(duì)比發(fā)現(xiàn)，基于合成圖的圖像分割效果明顯高于未經(jīng)預(yù)處理的分割效果。但其中仍然存在一定的噪聲，其原因有很多，當(dāng)K-means聚類算法在收斂到全局時(shí)，未必能做到最優(yōu)解，但研究結(jié)果能為后期茶葉種植進(jìn)一步智能化提供理論支持。

[1]姜鋮,馮傳烈,劉云,等.基于無(wú)人機(jī)低空攝像的嫩茶葉特征信息的研究[J].南方農(nóng)機(jī),2020,51(1):18.

[2]夏華鹍,方夢(mèng)瑞,黃濤,等.基于SLIC超像素的茶葉嫩芽圖像分割方法研究[J].西昌學(xué)院學(xué)報(bào)(自然科學(xué)版),2019.

[3]吳雪梅,唐仙,張富貴,等.基于K-means聚類法的茶葉嫩芽識(shí)別研究[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào),2015,36(5):161-164,179.

[4]吳雪梅,張富貴,呂敬堂.基于圖像顏色信息的茶葉嫩葉識(shí)別方法研究[J].茶葉科學(xué),2013(6):98-103.

周智（1984- ），男，江西九江人，碩士，助教，研究方向：網(wǎng)絡(luò)傳播、機(jī)器學(xué)習(xí)、圖像分割與識(shí)別。

10.3969/j.issn.2095-1205.2020.11.36

S571.1

A

2095-1205(2020)11-74-02