【摘要】為實現(xiàn)機器自動識別蔗芽質(zhì)量，需要獲得蔗牙的顏色、紋理和形狀等特征信息與先驗信息進行分析決策，其中最為關(guān)鍵的先前環(huán)節(jié)是對甘蔗圖像進行蔗牙分割，由于蔗牙區(qū)域與莖節(jié)區(qū)域在顏色特征上的極度相關(guān)性使得閾值分割等傳統(tǒng)分割方法失效。本文本文提出了基于FCM和改進FCM的甘蔗蔗牙分割方法，研究發(fā)現(xiàn)，采用S分量的KFCM蔗芽分割在分割時間和分割效果上能獲得相對較好的效果，為后續(xù)蔗牙質(zhì)量識別與檢測提供了保證。

【關(guān)鍵詞】甘蔗；FCM；蔗芽圖像分割

在甘蔗種植的中，需要對甘蔗的蔗芽進行識別，剔除霉爛、刀傷或掉牙等壞芽。基于機器視覺的莖節(jié)識別獲得了甘蔗的莖節(jié)區(qū)域[1]，而要對蔗芽進行識別，需要獲得蔗芽圖像，對蔗牙圖像進行檢測。筆者在前期甘蔗莖節(jié)識別研究中采用的是單攝像頭[2]，獲得的是單一方向面的圖像，為獲得甘蔗的蔗芽面，需要對甘蔗進行旋轉(zhuǎn)或采用旋轉(zhuǎn)攝像頭的方式獲取甘蔗的蔗芽面，從可實現(xiàn)的意義出發(fā)，采用旋轉(zhuǎn)甘蔗的方式，將甘蔗蔗芽面與攝像方向垂直。對蔗芽進行檢測，最關(guān)鍵的是獲得甘蔗蔗芽圖像，即從甘蔗圖像中分離出蔗芽來，實現(xiàn)蔗芽的分割。甘蔗蔗芽區(qū)域顏色與周圍莖桿顏色互相交叉，給識別蔗芽造成了很大的難度，基于此，本文提出基于FCM的甘蔗蔗芽分割方法。

1 FCM分割基本原理

在基于目標函數(shù)的聚類算法中，模糊C-均值（FCM，F(xiàn)uzzy C-Means）聚類理論完善，應用廣泛。FCM是由J.C.Bezdek[Bez81]從硬C-均值算法（記為HCM）推廣而來，F(xiàn)CM用于圖像分割是將圖像中屬性一致的像素進行模糊聚類后對像素進行標定[3]。即把圖像像素點看成數(shù)據(jù)集的樣本點，像素點的特征看成樣本點的特征，則對圖像的分割可以視為優(yōu)化問題： 。滿足約束條件 ；其中， 表示一個 維的矩陣， 表示 的矩陣。m>1， 是聚類的類數(shù)，n是聚類空間的樣本數(shù)， 是表示第i類樣本 的隸屬度， 表示樣本點 距聚類中心 的歐式距離， ， ，s是聚類空間的維數(shù)。

2 FCM蔗芽分割試驗

基于FCM的應用，采用FCM對蔗芽區(qū)域的RGB和HSV顏色空間的三顏色R、G、B和H、S、V分量作為特征數(shù)據(jù)，即對應一個像素點，用其三個顏色分量作為特征，采用FCM進行分割；經(jīng)過試驗發(fā)現(xiàn)，當采用2或者更多的分類類別時，其分割效果并沒有根本的改變，故采用分類類別為2，模糊加權(quán)指數(shù)m是Bezdek對模糊聚類準則函數(shù)進行推廣時引入的參數(shù)，合適的m值具有抑制噪聲、平滑隸屬度函數(shù)等功效，Bezdek給出的經(jīng)驗范圍為1.1≤m≤5；此后又得到了m=2時FCM算法的物理解釋，高新波等對m進行深入研究[4]，認為m=2較合適，故試驗選擇m為2。

（a） （b）

（c） （d）

圖1 蔗芽FCM分割

采用FCM區(qū)域的蔗芽分割研究發(fā)現(xiàn)，采用RGB空間的三原色和HSV空間的三原色進行分割的效果相當，如圖1；而在時間消耗上，處理圖1（a）蔗芽區(qū)域大小為242×181像素空間，在不考慮三原色數(shù)據(jù)的獲取，僅考慮聚類算法，基于HSV空間的FCM分割平均消耗時間為1.319s，而處理RGB空間的三原色FCM算法需要1.328s。基于灰度的FCM分割效果與RGB和HSV空間的FCM分割效果相當圖1（b）和（c）。從分割效果上看，兩者對圖像蔗牙的分割不是很理想。而采用S分量的分割圖1（d）獲得相對完整的蔗芽分割，運行時間為0.984s。

3 改進FCM蔗芽分割

3.1 改進的FCM基礎(chǔ)原理

定義輸入空間中的改進模糊聚類核函數(shù)算法的目標函數(shù)： ，其中 為輸入空間中的聚類中心 對式進行展開并帶入核

定義 即 為特征空間的歐式距離，相應的在原空間中增加了一類核依賴的新的距離度量。將FCM推廣到了同一空間不同距離度量的新聚類。B線性核函數(shù) ；多項式核函數(shù) ；徑向基核函數(shù) ；Sigmoid核函數(shù) [5]。

3.2 改進的FCM蔗芽分割試驗

用改進的FCM對蔗芽區(qū)域的RGB和HSV顏色空間的三顏色R、G、B和H、S、V分量作為特征數(shù)據(jù)，即對應一個像素點，用其三個顏色分量作為特征，采用KFCM進行分割；經(jīng)過試驗發(fā)現(xiàn)，當采用2或者更多的分類類別時，其分割效果并沒有根本的改變，故采用分類類別設置為2，模糊加權(quán)指數(shù)m也定為2；試驗結(jié)果如圖2

（a） （b）

（c） （d）

圖2 改進的FCM蔗芽分割

采用改進的核FCM對RGB空間的三原色和HSV空間的三原色進行分割的效果相當如圖2；而在時間消耗上，處理圖2（a）蔗芽區(qū)域大小為242×181的像素空間，由分割結(jié)果可以看到，采用基于高斯核的FCM分割和FCM分割效果相當如圖2（b）和（c），在分割質(zhì)量上沒有大的改善。由算法運行時間，采用S分量進行KFCM運算平均分割時間為0.2s。而基于RGB和HSV空間的KFCM算法需要運行的時間為0.269s，大大降低了運行時間，基于FCM和KFCM的蔗芽分割（242×181像素空間）所用的時間試驗如表1。從以上的分割試驗可知，采用改進的高斯核FCM的蔗芽分割蔗芽區(qū)域的S分量獲得相對較好的效果，但是因為和周圍的生長帶相連，仍需要進行后期的分析處理。

表1 基于FCM和KFCM蔗芽分割時間

4 結(jié)論

機器視覺技術(shù)運用于甘蔗生產(chǎn)機械化，為甘蔗種植的精

確化提供了理論與思想基礎(chǔ)。為實現(xiàn)機器自動識別蔗芽質(zhì)量，本文提出了基于FCM和改進FCM的甘蔗蔗牙分割方法，而采用S分量的KFCM蔗芽分割在分割時間和分割效果上獲得相對較好的效果，為后續(xù)蔗牙質(zhì)量識別與檢測提供了理論及實踐依據(jù)。

參考文獻

[1]陸尚平，文友先，葛維，彭輝.基于機器視覺的甘蔗莖節(jié)特征提取預識別[J].農(nóng)業(yè)機械學報，2010，41（10）：190-194

[2]陸尚平，黃林，陳炳森，趙新業(yè).基于機器視覺的甘蔗種植機械化研究[J].廣西農(nóng)業(yè)機械化，2012（5）：28-32

[3]Dunn J C. A fuzzy relative of the ISODATA process and its use in detecting compcact， well-separated cluslers[J].J Cybern ，1974（3）：32-57

[4]高新波，裴繼紅.模糊c均值聚類算法中加權(quán)指數(shù)m的研究[J].電子學報，2000，28（4）：80-83

[5]Burges C J C.A totorial on support vector machines for pattern recognition[J].Data Mining and Knowledge Discovery，1998，2（2）：121-169