賈 超，郁志宏，王 亮，武智慧，溫 鹿

（內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，呼和浩特 010018）

隨著圖像處理技術(shù)和計(jì)算機(jī)硬件的發(fā)展，機(jī)器視覺(jué)技術(shù)越來(lái)越廣泛的應(yīng)用到農(nóng)產(chǎn)品的品質(zhì)檢測(cè)中。在雞蛋品質(zhì)檢測(cè)方面，機(jī)器視覺(jué)技術(shù)起著舉足輕重的作用。為了能快速、準(zhǔn)確的獲取雞蛋表面的臟斑、血斑等信息，必須對(duì)獲取的雞蛋圖像進(jìn)行分割。圖像分割是由圖像處理到圖像識(shí)別、分析的關(guān)鍵技術(shù)之一，從圖像中把有關(guān)結(jié)構(gòu)區(qū)域分離出來(lái)是圖像處理與識(shí)別首要解決的問(wèn)題，同時(shí)分割效果的好壞直接影響圖像處理中其他相關(guān)技術(shù)的發(fā)展。Horowitz和Pavlidis提出[1]，區(qū)域的分裂合并技術(shù)是一種基于區(qū)域的串行圖像分割技術(shù)，其基本思想就是先確定一個(gè)分裂合并的準(zhǔn)則，即區(qū)域特征一致性的測(cè)度，當(dāng)圖像中某個(gè)區(qū)域的特征不一致時(shí)就將該區(qū)域分裂成4個(gè)相等的子區(qū)域，當(dāng)相鄰的子區(qū)域滿足一致性特征時(shí)則將它們合并成一個(gè)大區(qū)域，直至所有區(qū)域不再滿足分裂合并的條件為止。分裂合并算法首先要確定區(qū)域特征一致性測(cè)度，常用的測(cè)度多是基于灰度統(tǒng)計(jì)特征[2]，如一致性區(qū)域的灰度差等。一致性測(cè)度的選擇對(duì)算法性能影響很大，對(duì)不同運(yùn)用，采用不同的測(cè)度準(zhǔn)則。在圖像分割時(shí)為避免單一方法分割色彩、紋理等特征變化較大的自然圖像不能滿足實(shí)際要求，提高分割質(zhì)量。FAN等嘗試將邊緣檢測(cè)和基于區(qū)域的方法結(jié)合[3-4]，經(jīng)試驗(yàn)驗(yàn)證該方法對(duì)圖像紋理等細(xì)節(jié)信息具有較好的魯棒性，結(jié)果與人的視覺(jué)系統(tǒng)判斷基本一致。孫煬等運(yùn)用分裂-合并算法對(duì)圖像進(jìn)行區(qū)域分割，并比其他算法比較，結(jié)果表明該法在處理速度和處理效果等方面都顯示出很大優(yōu)勢(shì)[5]。分裂-合并算法在細(xì)胞圖像區(qū)域標(biāo)識(shí)中也得到了很好的運(yùn)用，在對(duì)細(xì)胞圖像分割時(shí)運(yùn)用分裂合并極大的提高了分裂合并時(shí)間[6]。Vincent等對(duì)Sobel檢測(cè)圖像邊緣做了深入研究[7]，得出Sobel算子對(duì)噪聲的敏感性較小，操作較其他算子簡(jiǎn)單，在轉(zhuǎn)換圖像像素信息時(shí)能去除冗余的數(shù)據(jù)，得到清晰的物體邊緣。用分裂合并算法對(duì)圖像進(jìn)行多區(qū)域分割可使圖像的各個(gè)區(qū)域分割較為明顯，但邊緣不清晰。李宗儒等用類間方差閾值分割法和形態(tài)學(xué)運(yùn)算等方法抽取蘋果圖像的病態(tài)部位取得了良好效果，為后續(xù)的特征提取和識(shí)別做了很好的準(zhǔn)備工作[8]。趙延軍等通過(guò)將RGB顏色空間圖像轉(zhuǎn)換到L*a*b*顏色空間，進(jìn)行自適應(yīng)閾值分割、去噪、面積提取后，較清晰獲得蘋果果袋分割圖像[9]。吳昌東等針對(duì)邊緣檢測(cè)不夠連續(xù)，采用邊緣跟蹤技術(shù)，使得檢測(cè)結(jié)果更連續(xù)、準(zhǔn)確有效[10]。李志臣等利用機(jī)器視覺(jué)技術(shù)將彩色數(shù)字圖像轉(zhuǎn)換成像素灰度級(jí)分布與其鄰域平均像素灰度級(jí)分布所構(gòu)成的二維灰度圖，由最大熵確認(rèn)分割閾值，然后用來(lái)分隔田間圖像，分割優(yōu)秀率達(dá)98%[11]。本文以粉殼雞蛋為研究對(duì)象，為了能得到雞蛋圖像的清晰邊緣，又能獲取帶有臟斑、血斑等表面信息，對(duì)獲取到的雞蛋圖像進(jìn)行去噪處理，然后將去噪后的圖像進(jìn)行Sobel邊緣檢測(cè)和區(qū)域分裂合并算法進(jìn)行分割，最后將得到的兩幅圖像利用圖像融合技術(shù)進(jìn)行融合，以尋求一種既能有清晰邊緣，表面信息又十分明顯的新的分割方法。

1 材料與方法

1.1 材料

1.1.1 雞蛋

采用生產(chǎn)日期為2009年10月5日，內(nèi)蒙古農(nóng)佳生態(tài)養(yǎng)殖基地產(chǎn)褐殼雞蛋。

1.1.2 檢測(cè)裝置

機(jī)器視覺(jué)系統(tǒng)主要由計(jì)算機(jī)、線陣CCD攝像頭、圖像采集卡、光源和工作臺(tái)。主機(jī)采用新月Celeron（R）CPU 2.93 GHz,512 MB內(nèi)存；攝像頭選用德國(guó)產(chǎn)Baslar A101fc彩色面陣CCD攝像機(jī)，其分辨率可達(dá) 1030（V）×1300（H） 像素，高感光度、高信噪比，鏡頭焦距選用16 mm，輸出端接IEEE 1394a圖像采集卡；光源為環(huán)形日光燈；視頻格式（bmp）設(shè)置為分辨率616×772，像素深度RGB24；工作臺(tái)臺(tái)面設(shè)置為黑色。

1.2 檢測(cè)原理

在Visual C++平臺(tái)下編寫雞蛋動(dòng)態(tài)圖像自動(dòng)采集系統(tǒng)軟件，采用消息映射模式對(duì)應(yīng)圖像采集和處理中的各種算法。其中圖像采集利用DirectShow技術(shù)搭建實(shí)時(shí)預(yù)覽和圖像采集的過(guò)濾器圖表，設(shè)計(jì)了一個(gè)用來(lái)完成取視頻幀功能的Filter，圖像處理及識(shí)別利用VC和maTLAB混合編程來(lái)實(shí)現(xiàn)。檢測(cè)時(shí)，將雞蛋有規(guī)律放置在圖像檢測(cè)裝置工作臺(tái)區(qū)域內(nèi)，通過(guò)圖像自動(dòng)采集系統(tǒng)采集待檢測(cè)平躺放置在工作臺(tái)上的雞蛋圖像，將視頻信號(hào)傳輸給主機(jī)，然后由檢測(cè)系統(tǒng)進(jìn)行處理和分析。

1.3 圖像分割方法分析

圖像分割是由圖像處理到圖像識(shí)別、分析的關(guān)鍵技術(shù)，從圖像中分離出所要研究的結(jié)構(gòu)區(qū)域是圖像處理與識(shí)別首要解決的問(wèn)題，而圖像邊緣是圖像的最基本特征。

邊緣是圖像的重要特征[12-14]。對(duì)圖像進(jìn)行邊緣檢測(cè)，能獲得圖像的邊緣信息，但同時(shí)會(huì)丟失其他部分信息，使圖像變?yōu)槎祱D；用分裂合并算法對(duì)圖像進(jìn)行多區(qū)域快速分割，圖像的各個(gè)區(qū)域分割的較為明顯，但邊緣模糊不清晰。為了能夠使多區(qū)域分割后的圖像具有清晰的邊緣信息，本文提出了一種綜合利用邊緣檢測(cè)、區(qū)域分裂合并算法及圖像融合技術(shù)相結(jié)合的多區(qū)域圖像分割方法。算法基本思想是應(yīng)用一階梯度Sobel算子和基于多區(qū)域的圖像分裂合并算法對(duì)同一幅圖像進(jìn)行分割處理，然后將處理后的兩幅圖像利用圖像融合技術(shù)，融合得到一幅既包含明顯的多個(gè)區(qū)域又保持清晰邊緣的新圖像。該方法的分割過(guò)程如圖1所示。

圖1 圖像的分割過(guò)程Fig.1 Image segmentating process

1.3.1 邊緣檢測(cè)算法

任何一幅待處理圖像在采集和傳送過(guò)程中都會(huì)受到噪聲的影響，為了使圖像分割的效果更理想，在圖像分割前，進(jìn)行去噪處理。

1.3.1.1 消噪處理

研究中影響雞蛋圖像質(zhì)量的噪聲主要是斑點(diǎn)噪聲、脈沖等。中值濾波算法是一種較理想的消除脈沖噪聲的方法[15]。

為了最大程度保留邊緣像素灰度值，在雞蛋圖像處理時(shí)對(duì)中值濾波做了改進(jìn)。

具體的改進(jìn)方法如下:逐行掃描圖像，當(dāng)處理每一個(gè)像素時(shí)，判斷該像素是否是方形3×3濾波窗口覆蓋下鄰域像素的極大或者極小值。如果是極值點(diǎn)像素，則運(yùn)用正常的中值濾波處理該像素；否則，不予以處理。在應(yīng)用中這種方法能夠非常有效地去除雞蛋圖像中的脈沖噪聲，保留更多雞蛋圖像灰度信息。

改進(jìn)中值濾波算法偽程序:

對(duì)濾波器數(shù)組的操作

將源圖像的像素值取出來(lái)，保存到數(shù)組*pAryGray中；

If當(dāng)前像素值為鄰域的極大或極小值

執(zhí)行正常的中值濾波；

Else保存源圖像的像素值；

Step3:最后刪除數(shù)組*pAryGray。

1.3.1.2 邊緣檢測(cè)

邊緣檢測(cè)可大幅度減少數(shù)據(jù)量，并且剔除那些被認(rèn)為不相關(guān)的信息，保留圖像重要結(jié)構(gòu)屬性。其檢測(cè)的基本步驟如圖2所示。

圖2 邊緣檢測(cè)Fig.2 Edge detection

本研究中選用Sobel梯度算子對(duì)圖像進(jìn)行邊緣檢測(cè)[15]。

Sobel算子（加權(quán)平均差分法）能夠提供最精確的邊緣方向估計(jì)，在檢測(cè)邊緣點(diǎn)的同時(shí)具有抑制噪聲的能力，并能去除部分偽邊緣，檢測(cè)出較清晰的邊緣。Sobel算子在檢測(cè)速度上比其他算子快，能滿足圖像處理的實(shí)時(shí)性要求。

1.3.2 區(qū)域分裂合并分割算法

分裂合并算法著眼于整幅圖像，首先將消噪處理后的圖像按照相似性準(zhǔn)則，利用四叉樹結(jié)構(gòu)分裂成互不重疊的4個(gè)區(qū)域，然后反復(fù)將分割得到的子圖像再次分為4個(gè)區(qū)域，直到對(duì)任意區(qū)域都滿足相似性準(zhǔn)則或已經(jīng)到單個(gè)像素，此時(shí)不再進(jìn)行分裂。試驗(yàn)中的相似性準(zhǔn)則是根據(jù)分析雞蛋圖像的直方圖，運(yùn)用最佳Ostu算法獲得分裂的子塊中允許的最佳閾值。

表1、2分別為采用文中提出的改進(jìn)的中值濾波方法，將挑選的帶有臟斑和血斑的粉殼雞蛋分2組，每組10枚，對(duì)每組雞蛋圖像進(jìn)行濾波去噪，再進(jìn)行分裂所得相關(guān)數(shù)據(jù)的比較分析。

表1 臟斑雞蛋進(jìn)行分裂算法分析Table1 Dirty eggs to split

表2 血斑雞蛋進(jìn)行分裂算法分析Table2 Bloody eggs to split

圖3是對(duì)帶有臟斑雞蛋進(jìn)行分裂的過(guò)程，先對(duì)源圖像加椒鹽噪聲處理，后用改進(jìn)中值濾波處理消噪，再進(jìn)行Sobel檢測(cè)，最后進(jìn)行分裂。

圖4是對(duì)采集到的血斑雞蛋進(jìn)行分裂的過(guò)程，先對(duì)源圖像加椒鹽噪聲處理，后采用改進(jìn)中值濾波處理消噪，再進(jìn)行Sobel檢測(cè)，最后進(jìn)行分裂。

分裂操作完成后，也可在分裂過(guò)程中，對(duì)具有滿足相似性的近鄰區(qū)域進(jìn)行合并，直至最后將圖像分成數(shù)量最少的均勻區(qū)域?yàn)橹埂：喜⒌膬蓚€(gè)區(qū)域可以大小不同，即不在同一層。試驗(yàn)中使用的相似性區(qū)域合并準(zhǔn)則是對(duì)上面由四叉樹分解后所得到的各子塊(區(qū)域)計(jì)算相應(yīng)子塊中像素灰度平均值，由改進(jìn)中值處理后的雞蛋圖像的直方圖，通過(guò)迭代選擇閾值法求得將被替換的閾值。如果分裂后的子塊中像素的均值小于該值就將子塊置零，否則將其用響應(yīng)子塊的均值替代，這樣直到?jīng)]有子塊滿足被合并的條件，則圖像分裂合并分割算法結(jié)束。

圖3 臟斑蛋分裂過(guò)程Fig.3 Dirty egg splitting process

圖4 血斑蛋分裂過(guò)程Fig.4 Bloody egg splitting picture

1.3.3 圖像融合

圖像融合（Image fusion）[16]是一種通過(guò)高級(jí)影像處理來(lái)復(fù)合多源影像的技術(shù)，是用特定的算法將兩幅或多幅不同影像合并起來(lái)，生成新的圖像。其目的是將兩幅或多幅圖像所提供的信息加以綜合，消除多幅圖像間可能存在的冗余和矛盾，以增強(qiáng)圖像中信息透明度，改善解譯的精度、可靠性以及使用率，從而形成對(duì)目標(biāo)的清晰、完整、準(zhǔn)確的信息描述。圖像融合技術(shù)不是簡(jiǎn)單的疊加，它會(huì)產(chǎn)生新的蘊(yùn)含更多有價(jià)值信息的圖像，即達(dá)到一種1+1＞2，甚至是遠(yuǎn)大于2的效果。

本文基于圖像融合的思想，將分別由Sobel梯度算子檢測(cè)出的邊緣比較清晰、完整的圖像和采用區(qū)域分開(kāi)合并算法得到的較少的完整的區(qū)域圖像，進(jìn)行融合得到一幅新的圖像。文中首先對(duì)待測(cè)試圖像轉(zhuǎn)化為索引圖，利用小波基sym4對(duì)其進(jìn)行2次分解，然后把分解得到的圖像利用分解后的系數(shù)之和，由小波基sym4把分解后的圖像進(jìn)行重構(gòu)而得。小波處理的圖片需是索引圖像，在對(duì)索引圖像分解和重構(gòu)時(shí)的小波基的構(gòu)建還有待進(jìn)一步研究。

2 結(jié)果與分析

2.1 試驗(yàn)方法結(jié)果

試驗(yàn)中使用的改進(jìn)中值濾波在最大限度去除夾雜噪聲的同時(shí)，保留了更加豐富的圖像表面信息。

通過(guò)觀察表1和表2的試驗(yàn)數(shù)據(jù)結(jié)果和圖3（4）及圖4（4），雞蛋源圖像運(yùn)用改進(jìn)的中值濾波可以有效的去除雞蛋在采集和輸送等過(guò)程中產(chǎn)生的噪聲，并且能保留豐富的雞蛋表面的信息。雞蛋表面帶有臟斑和血斑的地方其被分裂的次數(shù)多，能夠較明顯的把夾帶有臟斑和血斑的地方顯示出來(lái)，試驗(yàn)中，經(jīng)改進(jìn)中值濾波處理后，分裂塊數(shù)遠(yuǎn)大于采用普通中值濾波處理的雞蛋圖像，利于后面的合并操作，更加容易分割出臟斑或血斑等結(jié)構(gòu)，且分裂時(shí)間相差較小，分裂效果明顯。

2.2 試驗(yàn)結(jié)果

該試驗(yàn)中用具有代表性的帶有臟斑和血斑的粉殼雞蛋圖像為對(duì)象進(jìn)行試驗(yàn)，圖5為帶有臟斑的雞蛋圖像試驗(yàn)結(jié)果，圖6為帶有血斑的雞蛋圖像試驗(yàn)結(jié)果。

圖5 臟斑雞蛋圖像實(shí)驗(yàn)結(jié)果Fig.5 Dirty eggs image experimental result

圖6 血斑雞蛋圖像試驗(yàn)結(jié)果Fig.6 Bloody eggs image experimental result

從圖5（2）和圖6（2）可以看出來(lái)，Sobel算子具有良好的去噪效果，且能提取圖像的強(qiáng)、弱邊緣，邊緣連續(xù)性較好，但由于丟失了其他圖像信息，無(wú)法判斷分割部分的具體結(jié)構(gòu)。在5（3）和圖（3）中，雞蛋圖像中的臟斑和血斑等結(jié)構(gòu)被清晰的分割出來(lái)，但是有些具體結(jié)構(gòu)邊緣較模糊。再?gòu)?（4）和圖6（4）中可以看出，圖像的各個(gè)要分割部分結(jié)構(gòu)不僅被清晰地分割，而且邊緣的清晰度有所提高。

3 討論

迄今為止，圖像分割方法無(wú)論在遙感圖像、醫(yī)學(xué)處理、工業(yè)生產(chǎn)還是農(nóng)業(yè)應(yīng)用領(lǐng)域中都起著不可取代的作用，其方法也常見(jiàn)報(bào)道。文獻(xiàn)[2]中基于區(qū)域分開(kāi)合并算法圖像分割方法分割速度快，能獲得目標(biāo)的形狀、大小等結(jié)果，但整幅圖像中缺乏圖像邊緣信息，從而也影響對(duì)圖像的進(jìn)一步分析。PAVLIDIS T等利用Sobel算子對(duì)圖像進(jìn)行邊緣檢測(cè)，然后再對(duì)邊緣圖做區(qū)域生長(zhǎng)[3]；經(jīng)Sobel算子雖能獲取邊緣清晰的圖像，但在進(jìn)行區(qū)域生長(zhǎng)時(shí)種子點(diǎn)選取、生長(zhǎng)等過(guò)程復(fù)雜響應(yīng)計(jì)算速度，不利于實(shí)時(shí)處理。Vincent等Sobel算子對(duì)圖像進(jìn)行邊緣檢測(cè)提出了一種新的算法[7]。周平等針對(duì)雞蛋圖像的斑塊祛除、污塊處理和邊緣銳化，處理時(shí)利用Sobel算子對(duì)象進(jìn)行邊緣檢測(cè)及其銳化操作[14]。經(jīng)驗(yàn)證Sobel算子確實(shí)能清晰提取圖像的邊緣，但對(duì)圖像表面信息識(shí)別率差，影響后面對(duì)圖像的模式識(shí)別及分類準(zhǔn)確性。原有的方法對(duì)檢測(cè)雞蛋圖像表面的臟斑和血斑信息都不是很理想，研究提出綜合Sobel算子和區(qū)域分裂合并分割算法來(lái)實(shí)現(xiàn)對(duì)臟斑、血斑的清晰提出，收到了良好的效果，驗(yàn)證了Sobel算子的優(yōu)越性，證明了分裂合并算法的有效性。文章針對(duì)當(dāng)前運(yùn)用機(jī)器視覺(jué)檢測(cè)禽蛋表面信息，提出了一種新方法實(shí)現(xiàn)對(duì)禽蛋表面信息的提取，對(duì)后續(xù)研究意義重大。

文中所研究的方法處理的圖像必須為索引圖，在對(duì)索引圖像進(jìn)行圖像分解和重構(gòu)時(shí)，小波基的構(gòu)建和圖像重構(gòu)時(shí)構(gòu)建的向量選擇還有待進(jìn)一步的探討，如果小波基構(gòu)建不當(dāng)，處理后所得圖像和源圖像偏離太大。另外，該算法對(duì)裂紋蛋殼的檢測(cè)效果不好。

4 結(jié)論

該研究運(yùn)用經(jīng)典的梯度Sobel算子進(jìn)行邊緣檢測(cè)和采用圖像的分裂合并算法相結(jié)合對(duì)雞蛋圖像進(jìn)行分割，而后再利用圖像融合技術(shù)對(duì)所得圖像進(jìn)行融合，該方法既實(shí)現(xiàn)了雞蛋圖像的多區(qū)域的快速分割，使所得各個(gè)目標(biāo)區(qū)域比較明顯，又保證了圖像的清晰邊緣。

通過(guò)試驗(yàn)可以看出文中提出的圖像的分割方法切實(shí)可行，分割效果明顯，實(shí)時(shí)性較好，對(duì)后續(xù)的特征提取和圖像識(shí)別做了充分的準(zhǔn)備。

[1]Herowitz S L,Pavlidis T.Picture segmentation by a directed split-and-merge procedure[C]//Processing of the 2nd International Joint Conference on Pattern Recognition.Copenhagen,Denmark:[s.n.],1974:424-433.

[2]王廣君,田金文.基于四叉樹結(jié)構(gòu)的圖像分割技術(shù)[J].紅外與激光工程,2001,30(1):12-14.

[3]Pavlidis T,Liow Y T.Integrating region growing and edge detection[J].IEEE Transactions on Patter Analysis and machine Intelligence,1990,12(3):225-233.

[4]Fan J P,Yau D K Y.Automatic image segmentation by integrating color-edge extraction and seeded region growing[J].IEEE Transactions on Image Processing,2004,10(10):1454-1466.

[5]孫煬,羅瑜,周昌樂(lè),等.一種基于分裂-合并算法的中舌像區(qū)域分割算法及其實(shí)現(xiàn)[J].中國(guó)圖像圖形學(xué)報(bào),2003,12(8):1395-1399.

[6]張煜東,周振宇,王訓(xùn)恒,等.一種細(xì)胞圖像的區(qū)域標(biāo)識(shí)算法[J].系統(tǒng)仿真學(xué)報(bào),2010,22(8):1885-1889.

[7]Vincent O R，F(xiàn)olorunso.A descriptive algorithm for sobel image edge detection[C]//Proceedings of Informing Science&IT Education Conference(InSITE),2009:97-107.

[8]李宗儒,何東健.基于手機(jī)拍攝圖像分析的蘋果病害識(shí)別技術(shù)研究[J].計(jì)算機(jī)工程與設(shè)計(jì),2010,31(13):3051-3054.

[9]趙延軍,徐麗明.基于機(jī)器視覺(jué)的蘋果果袋檢測(cè)方法[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào),2006,11(1):87-90.

[10]吳昌東,江樺,邱曉初,等.貨車圖像邊緣檢測(cè)與跟蹤方法研究[J].紅外技術(shù),2009,3(31):177-180.

[11]李志臣,陳南,安秋.基于二維農(nóng)業(yè)圖像目標(biāo)分割[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2010,4(41):130-132.

[12]黃藝,杜宇人.基于邊緣信息的圖像分割技術(shù)研究[J].現(xiàn)代電子技術(shù),2005(5):116-120.

[13]阮秋琦.數(shù)字圖像處理學(xué)[M].北京:電子工業(yè)出版社,2003.

[14]周平,鄭文剛,孫忠富.基于局部信息的圖像濾波及邊緣銳化算法[J].計(jì)算機(jī)應(yīng)用,2009,29(6):225-227.

[15]張錚,王艷平,薛桂香.數(shù)字圖像處理與機(jī)器視覺(jué)[M].北京:人民郵電出版社,2010.

[16]江東,王鈺.多源圖像信息融合的理論與技術(shù)[J].甘肅科學(xué)學(xué)報(bào),2002,14(1):41-45.