王鈺婷　李　珺　廖周宇

1(蘭州交通大學電子與信息工程學院　甘肅 蘭州 730070)

2(河池學院計算機與信息工程學院　廣西 宜州 546300)

?

一種自適應圖像數(shù)據(jù)源的花卉圖像分割方法

王鈺婷1李珺1廖周宇2

1(蘭州交通大學電子與信息工程學院甘肅 蘭州 730070)

2(河池學院計算機與信息工程學院廣西 宜州 546300)

摘要為解決自然場景下各種顏色花朵目標的提取問題，提出一種基于自適應圖像數(shù)據(jù)源的彩色圖像分割方法。該方法中，一幅圖像的不同數(shù)據(jù)源對應著此圖像不同的色彩分量信息。由于模糊C均值聚類算法(FCM)是一種局部搜索算法，因此新方法中首先利用細菌覓食優(yōu)化算法(BFO)的全局尋優(yōu)性與FCM結合，從而尋得一幅圖像在多個色彩分量下各自的全局最優(yōu)聚類中心；然后利用一種新的綜合的模糊聚類評價函數(shù)求得此圖像在其不同色彩分量下即不同數(shù)據(jù)源下的分類質量；最后輸出分類質量最好的分類結果。通過對真實場景中采集的10幅具有代表性的圖像進行實驗，結果證明新方案能適應目標顏色和背景因素的變化，分割出更接近期望的目標。

關鍵詞自適應圖像數(shù)據(jù)源彩色圖像分割新的模糊聚類評價函數(shù)FCMBFO目標提取

A FLOWER IMAGES SEGMENTATION METHOD BASED ON ADAPTIVE IMAGE DATA SOURCES

Wang Yuting1Li Jun1Liao Zhouyu2

1(School of Electronic and Information Engineering,Lanzhou Jiaotong University,Lanzhou 730070, Gansu, China)2(School of Computer and Information Engineering,Hechi University, Yizhou 546300, Guangxi, China)

AbstractTo solve the problem of extracting the goal of flowers in various colours under natural scene,this paper presents a colourful image segmentation method which is based on self-adaptive image data source. In this method,different data sources of an image correspond to different colour component information in image. Since fuzzy c-means clustering algorithm (FCM) is a local search algorithm,therefore the new method first uses the global optimisation property of bacterial foraging optimisation (BFO) algorithm and combines it with FCM,so as to find the respective global optimal cluster centre of an image under multiple colour components; then,the new method uses a new integrated fuzzy clustering evaluation function to obtain the classification quality of the image under different colour components,i.e. different data sources; finally,the new method outputs the classification results with best classification quality. The paper experiments on ten representative images in real scene acquisition,results prove that the new scheme can adapt to the changes of the target colours and background factors,and segments the targets closer to expected goal.

KeywordsSelf-adaptive image data sourceColourful image segmentationNew fuzzy clustering evaluation functionFCMBFOTarget extracting

0引言

圖像分割是目標提取與識別的基礎，分割結果的好壞直接影響著圖像處理的最終結果。目前，圖像處理技術越來越多地被應用于目標的自動識別系統(tǒng)，其中需要解決的首要問題就是圖像中目標的準確分割。國內外許多學者對植物目標的分割方法或技術進行了大量的研究，提出了許多不同的色彩模型和分割方法。Perez等[1]利用RGB色彩空間中的顏色特征因子的組合(G-R)/(G+R)作為圖像分割的數(shù)據(jù)源，實現(xiàn)了土壤和植物的分割。Zhou等[2]使用RGB色彩空間中的色差法G-R和R-B分割出樹上的蘋果目標。崔永杰等[3]通過不同顏色空間的對比，利用R-G色差分量實現(xiàn)了自然環(huán)境中獼猴桃的識別。王新忠[4]在HIS色彩空間下實現(xiàn)了成熟番茄目標的識別。王玉德等[5]融合CIELAB和HSV色彩空間信息，實現(xiàn)了復雜背景下甜瓜果實目標的分割。

在上述研究中，主要利用一種或多種色彩空間顏色分量的組合作為某一特定農作物圖像分割的固定數(shù)據(jù)源。由于其方法主要針對某種特定的農作物提出，從而不具備普遍適用性。

基于現(xiàn)有的研究，本文提出一種基于細菌覓食模糊聚類算法和自適應圖像數(shù)據(jù)源方案的彩色圖像分割方法，實現(xiàn)了不同顏色花朵目標在各種復雜背景下的有效分割。

1模糊C均值聚類算法

近年來，將模糊理論應用于圖像分割領域已成為熱點，由于圖像本身具有模糊性與不確定性，而模糊理論正好具有處理這種模糊性與不確定性的天然優(yōu)勢。基于模糊理論的圖像分割算法有很多，其中最著名的要數(shù)模糊 C 均值聚類算法FCM。FCM算法的策略是通過迭代不斷更新目標函數(shù)，當目標函數(shù)收斂于極小值時則尋得全局最優(yōu)解[6]。

從很多文獻可以看出FCM算法本身存在一些不足：(1) FCM對初始聚類中敏感[7]，初始聚類中心的選取會直接影響到最終的聚類結果；(2) FCM對噪聲較為敏感[8]；(3) 由于其計算數(shù)據(jù)是基于每個像素點的，故其算法計算量較大。

為了解決此算法對初值敏感、易陷入局優(yōu)的缺陷，有學者利用智能算法的全局尋優(yōu)性與FCM進行結合,如文獻[9]結合蟻群算法、文獻[10]結合粒子群算法、文獻[11]結合遺傳算法分別針對FCM進行了改進。雖然改進算法的全局搜索力得到了改善，但是由于引入智能算法使得新算法搜索時間變長，算法收斂速度較慢，特別是當數(shù)據(jù)量較大時容易出現(xiàn)早熟現(xiàn)象。而BFO是一種全局性的尋優(yōu)算法，且其算法簡單、具有魯棒性、相對較快的收斂速度[12]和精細的搜索特性[13]，使其在學術研究和工程應用方面都具有重大的價值。故本文將BFO和FCM進行結合，從而使新算法具有更快的收斂速度、更強的全局尋優(yōu)能力和更好的尋優(yōu)精度。

2細菌覓食算法介紹

細菌覓食算法，是模仿大腸桿菌在人體腸道內尋找食物行為的一種仿生算法。該算法主要通過三大操作迭代計算來求解問題，這三大操作分別為：趨向性操作、繁殖操作和遷徙操作[14]。趨向操作是細菌向環(huán)境好的區(qū)域聚集的行為，它包括兩種模式(翻轉和前進)。翻轉是指細菌向著任意的一個方向移動一個單位步長，前進是指在翻轉后細菌個體的適應度值得到改善，則它沿著上一步的方向繼續(xù)移動，直到其適應度值不再變好，或達到預定的最大連續(xù)移動步數(shù)。趨向性操作結束后，進入繁殖階段，首先根據(jù)趨向過程中各個細菌的適應度值進行排序，然后讓適應度較差的一半個體繼承適應度較好的一半個體的位置信息，此過程模仿了自然界的“優(yōu)勝劣汰”行為。在繁殖操作完成后，細菌將按一定的概率被遷徙到搜索空間中的一個隨機位置，此操作被稱為遷徙操作。在此算法中，通過菌群不斷依次重復這三大操作，形成了高效快速的尋優(yōu)模式。文獻[15，16]表明此算法收斂速度快，具有較強的全局尋優(yōu)能力。

3自適應數(shù)據(jù)源的圖像分割算法

由于自然環(huán)境中鮮花的顏色是多種多樣的，在一幅包含鮮花目標的圖像中，背景大多為綠色的枝葉。作為目標的花朵雖然有各種顏色但其顏色相對于背景它的紅色分量較大，于是在本文中選用了RGB色彩空間。圖像分割的實質是將目標和背景進行分離，讓它們分屬于不同的一類。如果目標和背景的差距越大，目標就分割得更明確，屬于目標的像素點就不會被誤分給背景類，其分割效果也將越好。由于同一圖像在不同的色彩分量下其目標和背景有著不同的差距，也就是說如果某一色彩分量下目標與背景的差距最大，則其分割效果將會最好。因此要想取得好的分割效果，我們只需將目標與背景差距最大時的色彩分量作為數(shù)據(jù)源進行處理即可。本著這樣的思路進行了本文的實驗。針對鮮花目標圖像的分割，本文選用了RGB色彩空間下的R分量、G分量、B分量和R-G色差分量作為圖像分割的數(shù)據(jù)源。

3.1R-G色差分量

R-G色差分量在農業(yè)領域的成熟果實目標的分割中運用得相當廣泛[17-19 ]，由于成熟果實的分割和鮮花目標的分割具有一定的相似性，故將其色差分量選為鮮花目標分割的數(shù)據(jù)源之一。

由于R、G、B各自的分量取值范圍是[0,255]而R-G的取值范圍為[-255,255]，故將R-G的數(shù)據(jù)進行轉化使其取值范圍同樣為[0,255]。這樣做的目的類似于數(shù)據(jù)的標準化。數(shù)據(jù)轉換如下[19]：

(1)

其中，F(xiàn)i代表圖像中第i個像素點的R-G的分量值，Ri為第i個點的R分量值，Gi為該像素點的G分量值。于是式(1)的取值范圍變?yōu)閇-1,1]，再通過式(2)的轉換[19]，其取值范圍便是[0,255]。

(2)

3.2BFO與FCM的結合

通過將FCM的目標函數(shù)作為BFO的尋優(yōu)目標函數(shù)，讓BFO替代FCM進行全局尋優(yōu)，從而迅速找到在各個顏色分量下具有較高精度的全局最優(yōu)聚類中心。并根據(jù)聚類中心求得每個顏色分量下每個像素點到對應聚類中的隸屬度值，再根據(jù)最后的結果利用新的評價函數(shù)計算每個顏色分量下的聚類質量。

由于圖像本身的數(shù)據(jù)量較大，為了降低計算量，減少大尺寸圖像給算法帶來過重的計算壓力，故采用基于直方圖的快速FCM算法，即參與運算的數(shù)據(jù)為圖像數(shù)據(jù)的直方圖，而非圖像中每個像素點的數(shù)據(jù)。

3.3新的模糊聚類評價函數(shù)

針對模糊聚類結果的評價函數(shù)有很多，常用的有劃分系數(shù)[20]、劃分熵[21]、Xie-Beni指標[22]等。

劃分系數(shù)表示類與類之間的重疊量，其值越大表示分割效果越好。對于給定的聚類中心數(shù)c和隸屬度矩陣U,劃分系數(shù)F(U;c)定義為：

(3)

劃分熵代表類別本身的模糊程度，其值越小分割效果越好，其函數(shù)如下：

(4)

Xie-Beni指標即類間關聯(lián)度，其值越小分割效果便越好，其函數(shù)定義為：

(5)

本文的評價函數(shù)是建立在以上3個指標上的。為了評價在不同顏色分量下的聚類結果的好壞，本文中新的評價函數(shù)綜合了以上三個指標。當其綜合指標最優(yōu)，則其對應顏色分量下的聚類結果最好。為了公式的簡潔，下面將劃分系數(shù)用Vpc代替，劃分熵用Vpe代替，Vxb則表示Xie-Beni指標。

新的評價函數(shù)中，首先通過式(6)中的3個子公式分別將每個顏色分量下的3個指標進行標準化，這樣可以避免不同指標的取值范圍差異對評價結果造成影響。其中k=4，因為選用了4個顏色分量的數(shù)據(jù)源。新的綜合評價函數(shù)如下：

(6)

(7)

3.4對分割結果的修正

在圖像分割領域，圖像的分割結果常受到噪聲的影響[23-25]。為了分割出更加符合人們期望的目標，本文利用鄰域像信息對其最優(yōu)分割結果中的噪聲點進行了修正。首先定義一種鄰域信息函數(shù)，用于計算和保存每個像素點的領域像素信息。其表示如下：

(8)

式中，Aij代表以像素點xi為中心的一個正方形(亦可設置成其他形狀)鄰域內，所有像素點隸屬于第j類的平均隸屬度值。N(xj)代表以xi為中心的鄰域內所有像素點。num代表鄰域內像素點的個數(shù)。

噪聲點的判斷條件如下：

(9)

當像素點xi屬于j類的隸屬度小于屬于p類的隸屬度，且鄰域像素屬于j類的平均值大于屬于p類的平均值，那么此時xi即為噪聲點。簡而言之，當周圍像素大部分都屬于j類，而此像素卻屬于p類時，此點即為噪聲點。

修正方式：如果一個點被判斷為噪聲點，該點對于每個聚類中心的隸屬度將被修改為Aij。最后根據(jù)每個像素點對于每個聚類中心隸屬度值的大小將此點判屬于隸屬度值最大的聚類中心。

3.5新的圖像分割方法的處理流程

為了找到具有最優(yōu)分割結果的數(shù)據(jù)源和其對應的最優(yōu)分割結果，文中方案的整體處理流程如圖1所示。

圖1　文中方案的流程圖

流程圖中的說明：1) 計算顏色分量i的直方圖是為了大大減少參與計算的數(shù)據(jù)量，即不再采用傳統(tǒng)方法中逐像素點的計算方式，而參與計算的僅為256個色階值和每個色階出現(xiàn)的頻率，從而使得圖像尺寸的大小對算法效率的影響沒有明顯的變化。2) 將BFO和FCM結合，即將FCM的目標函數(shù)作為BFO的目標函數(shù)，讓BFO代替FCM的迭代過程去改進FCM全局尋優(yōu)的性能，從而迅速找到較高精度的各個顏色分量下的全局最優(yōu)聚類中心。3) 新的聚類質量評價函數(shù)是為了綜合評價聚類結果的質量。4) 修正分割結果的目的是為了減少圖像中噪聲和背景因素造成的一些誤分割。

4實驗結果及其分析

為了驗證本文方法的可行性及其效果，特于2014年5月24日(天氣：小雨轉陰)在蘭州植物園拍攝了多張花卉圖片，最終選取了其中10張包含不同顏色的花朵目標和不同背景因素的圖片作為實驗素材。實驗前圖片大小均被重設為512×512。算法的實現(xiàn)平臺為Visual C++6.0，編碼是通過C語言實現(xiàn)。算法處理的初始圖像數(shù)據(jù)是由Matlab將圖片轉換成的數(shù)組，圖像分割處理結果的顯示也用到了Matlab，再將數(shù)組用圖片的方式顯示出來。

首先對實驗涉及的10幅圖片的背景因素和對分割構成干擾的因素說明如表1所示。

表1　圖片背景因素和干擾因素的說明

按照3.5節(jié)的處理流程，分別對10幅圖片在其R分量、G分量、B分量、R-G分量下進行了分割實驗，并利用最優(yōu)分割結果對目標進行了提取。同時也進行了標準FCM對傳統(tǒng)數(shù)據(jù)源(灰度圖數(shù)據(jù))進行分割的實驗，并將其傳統(tǒng)方法的分割結果與本文方法進行對比。以下所有實驗均是將圖片分成3類。由于印刷效果為黑白，故將彩色的原圖和結果圖轉換為灰度圖列于表2中，并在圖編號列中特別標明花朵目標的顏色，實驗結果如表2所示。

表2　不同色彩分量下的分類結果

從表2中我們可以看出一般情況下黃色花朵適合用R分量作為數(shù)據(jù)源，紅色系花朵適合R-G分量作為數(shù)據(jù)源，白色系花朵適合G分量，藍色系花朵適合B分量，但是相同顏色的花朵目標隨著背景的變化，其最優(yōu)數(shù)據(jù)源也會發(fā)生變化，如圖中4、5號圖片的分割效果。從十幅圖的實驗結果可見，本文方法選擇出的最優(yōu)數(shù)據(jù)源的分割結果比傳統(tǒng)方法(標準FCM對灰度圖的分割)的分割結果要更加完整和準確，而傳統(tǒng)方法的分割結果嚴重受到了背景因素的影響致使目標對象不能被準確地分割出。實驗過程中盡管花朵目標顏色在變化，其背景因素也在變化，本文方法均能在無人工干預的情況下較完整地分割出人們期望的目標。

表3記錄了每張實驗圖每個色彩分量下分割結果的劃分系數(shù)(Vpc)、劃分熵(Vpe)、Xie-Beni指標(Vxb)、本文綜合指標HFV的值以及用傳統(tǒng)方法(標準FCM對灰度圖的分割)的實驗結果數(shù)據(jù)。根據(jù)各個指標系數(shù)的特點可知：劃分系數(shù)越大分割效果越好，劃分熵和Xie-Beni指標越小分割效果越好，HFV越小越好。表3中對每幅圖的最優(yōu)數(shù)據(jù)源的分割結果進行了加粗顯示。

表3　不同色彩分量下的分類量化結果

通過表3中的實驗數(shù)據(jù)可見，本文方法選擇的最優(yōu)數(shù)據(jù)源的分割結果比傳統(tǒng)方法的分割結果更好，從而自適應數(shù)據(jù)源的圖像分割方案是可行的，其新的綜合模糊聚類評價函數(shù)也是有效的。該方法對目標顏色的變化和背景的變化有很強的適應性，它能自適應地找出最優(yōu)數(shù)據(jù)源并得到最優(yōu)分割結果，讓分割結果更符合人們的期望。

5結語

本文通過細菌覓食優(yōu)化算法和FCM相結合來改進FCM的全局搜索性能和算法的收斂速度，并提出了新的模糊聚類評價函數(shù)去評價一幅圖像在不同數(shù)據(jù)源下分割結果的好壞，從而使本文的圖像分割方法在不同顏色的花卉目標和復雜的自然背景下均能取得較好的分割結果。同時，本文方法還存在一些不足，目標的分割還是會受到一些和目標顏色非常相似的因素的干擾，這是后續(xù)需要研究和改進的地方。

參考文獻

[1] Perez A J,Lopez F,Benlloeh J V,et al. Color and shape analysis techniques for weed detection in cereal fields[J]. Computers and Electronics in Agriculture, 2000,25(3):197-212.

[2] Zhou R,Damerow L,Sun Yurui,et al. Using color features of cv. ‘Gala’ apple fruits in an orchard in image processing to predict yield[J]. Precision Agriculture, 2012,13(5):568-580.

[3] 崔永杰,蘇帥,王霞霞,等.基于機器視覺的自然環(huán)境中獼猴桃識別與特征提取[J]. 農業(yè)機械學報,2013,44(5):247-252.

[4] 王新忠. 溫室番茄收貨機器人選擇性收獲作業(yè)信息獲取與路徑規(guī)劃研究[D].江蘇：江蘇大學,2012.

[5] 王玉德,張學志.復雜背景下甜瓜果實分割算法[J].農業(yè)工程學報,2014,30(2):176-181.

[6] Bezdeck J C, Ehrlich R,Full W. FCM: the fuzzy C-means clustering algorithm[J]. Computers and Geoscience, 1984,23(2):16-20.

[7] 李積英,黨建武.量子蟻群模糊聚類算法在圖像分割中的應用[J].光電工程，2013,40(1):126-131.

[8] 周紹光,賈凱華,殷楠.一種利用像素鄰域信息的模糊聚類圖像分割算法[J].測繪科學,2013,38(1):153-155.

[9] 白楊.蟻群算法在磁共振圖像分割中的應用[J].中國醫(yī)學影像技術,2007,23(9):1402-1404.

[10] 陳治亞.一種基于微粒群的模糊聚類算法[J].計算機工程,2007,33(2):198-199.

[11] 楊凱，蔣華偉.模糊C均值聚類圖像分割的改進遺傳算法研究[J].計算機工程與應用,2009,45(33):179-183.

[12] 張豫婷.量子菌群算法的研究及應用[D].南京：南京郵電大學,2013.

[13] 許鑫.細菌覓食優(yōu)化算法研究[D].吉林：吉林大學,2012.

[14] Passino K M. Biomimicry of bacterial foraging for distributed optimization and control[J]. IEEE Control Systems Magazine，2002，22(3):52-67.

[15] 周雅蘭.細菌覓食優(yōu)化算法的研究與應用[J].計算機工程與應用，2010，46(20)：16-21.

[16] 楊大煉，李學軍，蔣玲莉.一種細菌覓食算法的改進及應用[J].計算機工程與應用，2012，48(13)：31-34.

[17] 呂繼東,趙德安,姬偉. 蘋果采摘機器人目標果實快速跟蹤識別方法[J]. 農業(yè)機械學報,2014,45(1):65-72.

[18] 陳科尹，鄒湘軍，熊俊濤,等.基于視覺顯著性改進的水果圖像模糊聚類分割算法[J].農業(yè)工程學報，2013,29(6)：157-165.

[19] 李寒，王庫，曹倩,等.基于機器視覺的番茄多目標提取與匹配[J].農業(yè)工程學報，2012,28(5):168-172.

[20] Bezdek J C. Cluster validity with fuzzy sets[J]. Cybernetics and Systems,1973,3(3):58-73.

[21] Bezdek J C. Mat hermetical models for systematic and taxonomy[C]∥Proceedings of Eight International Conference on Numerical Taxonomy. San Francisco: IEEE,1975:1432166.

[22] Xie X L, Beni G.A validity measure for fuzzy clustering[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,1991,13(8):841-847.

[23] Peng J M,Xia Y. A new theoretical framework for K-means clustering[C]//Foundation and recent advances in data mining, Berlin:Springer Verlag,2005:79-96.

[24] 張一行,王霞,方世明,等.基于空間信息的可能性模糊C均值聚類遙感圖像分割[J].計算機應用,2011,31(11):3004-3007.

[25] 何俊,葛紅,王玉峰.圖像分割算法研究綜述[J].計算機工程與科學,2009,31(12):58-61.

中圖分類號TP301

文獻標識碼A

DOI:10.3969/j.issn.1000-386x.2016.02.042

收稿日期：2014-08-17。甘肅省教育廳科研基金項目(1204-13)。王鈺婷，助教，主研領域：智能計算，圖像分割。李珺，副教授。廖周宇，助教。