基于K-means聚類的蘋果圖像處理與分級設(shè)計*

張婧婧 程蕓濤 達新民

（新疆農(nóng)業(yè)大學(xué)計算機與信息工程學(xué)院 烏魯木齊 830052）

1 引言

K-means聚類是一種迭代求解的聚類分析算法，它根據(jù)樣本距離（相似性）將樣本聚成一類，使得同一簇內(nèi)的樣本相似度高，反之則差異性大。該算法以其易于實現(xiàn)、收斂速度快且聚類效果好的優(yōu)勢運用于圖像缺陷檢測［1］、遙感信息監(jiān)測［2］、等值建模［3］、物流中心選址［4］、案件預(yù)測［5］甚至腫瘤基因變異［6］等領(lǐng)域。本設(shè)計中針對紅富士蘋果分級過程中各類指標的處理要求，采用K-means聚類算法進行蘋果圖像分割及缺陷檢測，旨在為其它果類的自動分級設(shè)計提供參考。

《新疆阿克蘇蘋果質(zhì)量標準體系》中，紅富士蘋果分級主要針對紅色著色比、表面缺陷、果徑大小指標進行篩選。目前靜態(tài)的蘋果檢測方法雖較為精準［7～9］，但難以滿足實時性要求。采用神經(jīng)網(wǎng)絡(luò)的方法建立蘋果等級模型，仍面臨學(xué)習速度慢、訓(xùn)練成本高、分級效率低的風險［10］。此外，不同的機器學(xué)習方法中訓(xùn)練參數(shù)較為固定，不易根據(jù)不同種類蘋果而靈活改變評價標準。本設(shè)計基于K-means聚類算法對蘋果圖像進行分類，結(jié)合Gamma變換、OTSU算法，對蘋果大小、顏色、缺陷等特征建立模型，重點探討果類分級的快速方法與高效策略。

2 蘋果圖像分級原理

蘋果分級的主要指標為紅色著色比、表面缺陷、果徑大小，這三項指標的分級篩選在蘋果圖像處理過程中都需要進行果體區(qū)域與背景的分割，之后建立相應(yīng)的模型，由此產(chǎn)生了本設(shè)計中蘋果的快速分級策略，如圖1所示。

圖1 蘋果分級系統(tǒng)的設(shè)計

3 K-means聚類與輪廓分割

K-means聚類是一種較為經(jīng)典的類別劃分算法，在大規(guī)模數(shù)據(jù)進行聚類時廣泛采用。K-means算法以k為參數(shù)，把n個對象分為k簇，使簇內(nèi)具有較高的相似度，而簇間的相似度較低。

K-means算法的具體實現(xiàn)流程為

設(shè)輸入樣本集為D={x1，x2，…，xm}，聚類的簇樹k，最大迭代次數(shù)N，輸出是簇劃分C={C1，C2，…，Ck}；

1）從數(shù)據(jù)集D中隨機選擇k個樣本作為初始的k個質(zhì)心向量：{μ1，μ2，…，μk}

2）對于n=1，2，…，N：

（1）將簇劃分為C，初始化Ct=φ，t=1，2…k；

（4）如果所有的k個質(zhì)心向量都沒有發(fā)生變化，則轉(zhuǎn)到步驟3）；

3）輸出簇劃分C={C1，C2，…Ck}。

K-means聚類法主要用于數(shù)據(jù)集的類別劃分，實驗中采用K-means聚類首先完成了蘋果輪廓與背景的分割［11］。如圖2（a）所示，將蘋果原圖轉(zhuǎn)換到Y(jié)CbCr顏色空間。基于YCbCr圖片使用K-means算法進行聚類，設(shè)簇數(shù)為2，通過OTSU最大類間方差法得到最優(yōu)分閾值，將灰度圖轉(zhuǎn)換為二值圖，并使其黑白色顛倒，如圖2（b）。使用大小為10的模版對圖片做閉預(yù)算，并填充內(nèi)部小孔洞，得到的白色區(qū)域即為檢測得到的果實區(qū)域，蘋果面積為該區(qū)域的像素數(shù)，實驗測得其像素值為62307，如圖2（c），將原圖點乘圖（c），得到去除背景后的實際果實區(qū)域如圖2（d）所示。

圖2 蘋果的輪廓分割

4 蘋果顏色分級

4.1 Gamma變換

Gamma變換主要針對輸入圖像灰度值進行非線性操作［12］，使輸出圖像灰度值與輸入圖像灰度值呈指數(shù)關(guān)系：

其中指數(shù)即為Gamma，圖像變換原理如圖3所示。

圖3 灰度變換示意圖

在圖3中，將原圖像f灰度變換到新圖像fN，f中灰度值低于low_in的像素點在fN中灰度值被賦值為low_out。同理，f中灰度值高于high_in的像素點變換到fN時其灰度值也被賦值為high_out。對于參數(shù)Gamma，當Gamma＜1時，灰度圖像靠近low_in的灰度值被升高，其灰度變化范圍被拉伸，灰度圖像靠近high_in的一端其值被壓縮，圖像對比度增強，實驗中采用此變換旨在加強顏色的閾值分割效果。

4.2 顏色分級模型

蘋果顏色分級實驗基于HIS顏色空間，利用色度值H（Hue色調(diào)）分量提取蘋果表面紅顏色，并在H域?qū)麑崊^(qū)域做灰度變換，使得圖片果體變得更明亮，如圖4（b）所示；再通過Gamma變換將圖像中灰度值區(qū)間拉伸［13］，得到更大的H域?qū)?yīng)分割閾值，顏色分級后的效果如圖4（c）所示。

圖4 顏色提取方法的測試效果

統(tǒng)計圖4中白色區(qū)域占整個蘋果區(qū)域的像素數(shù)占比，得到蘋果的紅色著色比為65.537%。

4.3 分級效果對比

在顏色分級效果測試中，為了驗證HIS空間顏色提取、分級的優(yōu)勢，筆者將HIS空間的顏色提取與另一種超紅超綠算法［14］進行了對比分析。與本設(shè)計相區(qū)別，超紅超綠算法基于RGB顏色空間，對比效果如圖5所示。

圖5 顏色特征提取方法的對比效果

據(jù)實驗數(shù)據(jù)對比，就同一個蘋果圖片而言，超紅色-超綠色提取與HIS空間提取的差異很明顯。如圖5中全紅蘋果的著色比計算結(jié)果為超紅色-超綠色提取68.467%，HIS空間提取99.359%；條紋蘋果的著色比計算結(jié)果為前者32.187%，后者8.623%，實驗結(jié)果表明提取蘋果圖像中紅色特征分量時，超紅色-超綠色提取比HIS空間提取對光照更為敏感。

5 果皮表面缺陷檢測

蘋果表面缺陷包括疤痕、腐爛、蟲咬、裂傷、碰壓傷等，呈現(xiàn)不規(guī)則形狀的缺陷類型，就圖像缺陷的灰度差異而言，無法設(shè)定一個固定的閾值完成分割。實驗中采用K-means方法在YCbCr顏色空間聚類，簇數(shù)設(shè)為3時缺陷檢測效果較好，如圖6所示。

圖6 蘋果缺陷的聚類效果

圖6（b）為YCbCr空間簇數(shù)為3的聚類效果，圖6（c）、（d）分別呈現(xiàn)G空間簇數(shù)為2，及B空間簇數(shù)為2的聚類對比實驗結(jié)果，不難看出，圖6（b）將蘋果正常果體和缺陷區(qū)域以及背景較好區(qū)分，隨后使用OTSU法得到轉(zhuǎn)換為二值圖的閾值，再將其轉(zhuǎn)換為黑白二值圖，使用大小為7的碟型結(jié)構(gòu)元素對圖片做開運算，填充空洞連接小物體，面積大小無明顯改變，如圖7所示。

圖7 圖片的開運算測試

去除較小的孤立區(qū)域，對連通域進行標記，獲取區(qū)域像素面積，并畫出BoundingBox圖，如圖8所示。

圖8 蘋果圖像的缺陷區(qū)域測試

計算上圖的輸出缺陷區(qū)域面積、蘋果總面積以及缺陷占比為缺陷區(qū)域面積：93956，蘋果面積：4443045，比率：2.115%。

6 蘋果果徑的測量

基于蘋果的俯視圖，蘋果果徑大小測量只需先將果體與背景進行聚類分割，然后繪制其最小外接圓，即可計算其直徑，實驗中得到果徑像素為708.94，如圖9所示。

圖9 蘋果的果徑測量

7 測試與結(jié)果

基于Matlab-GUI工具，筆者進行了可視化系統(tǒng)的集成實驗，其界面設(shè)計如圖10所示。以某紅富士蘋果的三張樣本圖：左視圖、右視圖、俯視圖為例，分別設(shè)計了缺陷檢測、顏色分級與果徑測量的實驗環(huán)節(jié)，最終以《新疆阿克蘇蘋果質(zhì)量標準體系》的紅富士分級標準，檢驗該蘋果的等級為“D”，即質(zhì)量沒有達到一、二、三級果的指標要求，符合實際檢驗結(jié)果。

與此同時，為了驗證系統(tǒng)能否符合流水線的實時作業(yè)標準，筆者對像素為278*288的蘋果圖像進行了分級運算的時間測試，其中30次的運算時間如表1所示。

表1 分級時間測試

8 結(jié)語

綜上，蘋果圖像的分級測試效果較好。采用K-means聚類算法部分在于蘋果的果體輪廓、表面缺陷在圖像分級中的區(qū)分度較大，且噪聲的干擾較小；K-means聚類過程中調(diào)節(jié)k參數(shù)即可修正聚類標準，方式靈活；與簇數(shù)為2的K-means聚類相比，簇數(shù)為3的K-means聚類方法更適于果皮的缺陷檢測。此外，采用Gamma變換能夠?qū)⒐w的灰度變化范圍拉伸，閾值分割效果增強。同時，分級系統(tǒng)運算時間大致在0.7s～1.0s之間，適當調(diào)整果體間距（建議為1.2m～1.5m），將符合一般的流水線作業(yè)速度。進一步地，如果靈活調(diào)整技術(shù)參數(shù)，上述圖像處理方法也能夠完整呈現(xiàn)其它果實類圖像的自動分級過程。